scholarly journals Metodologia de Classificação de Descargas Parciais em Hidrogeradores Utilizando Mapas Auto-organizáveis de Kohonen

2019 ◽  
Author(s):  
Filipe C. Fernandes ◽  
Rodrigo M. S. Oliveira ◽  
Anderson J. C. Sena ◽  
Ramon C. F. Araújo ◽  
Fabricio J. B. Brito
Keyword(s):  
Kohonen Som

A maneira mais utilizada para avaliação da condição da isolação estatórica em hidrogeradores é o monitoramento de descargas parciais (DPs). Neste trabalho, é apresentado um sistema de classificação de padrões de DPs usando mapas auto-organizáveis de Kohonen (SOM). Foram combinadas diversas técnicas da literatura para pré-processamento e visualização dos padrões. Propõe-se uma metodologia que obtém as fronteiras de separação no mapa Kohonen que maximizam a acurácia, além de automatizar a classificação de padrões desconhecidos. O mapa de Kohonen treinado apresentou alta taxa de acerto, generalizando o problema a ponto de evidenciar subgrupos associados a variações dos padrões de um mesmo tipo de DP.

scholarly journals El efecto día en los retornos del índice Colcap analizado con mapas autoorganizados

2016 ◽  
Vol 26 (1) ◽  
pp. 97 ◽  
Author(s):  
Juan David Ortiz Sandoval ◽  
David René Peña Cuéllar ◽  
Helbert Eduardo Espitia Cuchango
Keyword(s):  
Kohonen Som

<p>En este artículo se analiza el valor histórico del índice Colcap (el cual corresponde al índice de referencia del mercado accionario colombiano), utilizando un modelo de mapa autoorganizado de Kohonen (SOM). Esto se realiza para encontrar una correlación del día semanal con el retorno diario del índice. En el desarrollo se presentan los datos empleados como también la configuración del SOM para el entrenamiento. El mapa autoorganizado entrenado es visualizado por cada componente del vector de entrada para revelar gráficamente las predominancias existentes en el valor del retorno del índice Colcap respecto al día semanal.</p>

Research on some problems in the Kohonen SOM algorithm

2003 ◽  
Author(s):  
Ying He ◽  
Tian-Jin Feng ◽  
Jun-Kuo Cao ◽  
Xiang-Qian Ding ◽  
Ying-Hui Zhou
Keyword(s):  
Som Algorithm ◽  
Kohonen Som

Parallel Programmable Asynchronous Neighborhood Mechanism for Kohonen SOM Implemented in CMOS Technology

2011 ◽  
Vol 22 (12) ◽  
pp. 2091-2104 ◽  
Author(s):  
R. Dlugosz ◽  
M. Kolasa ◽  
W. Pedrycz ◽  
M. Szulc
Keyword(s):  
Cmos Technology ◽  
Kohonen Som

scholarly journals Analysis of Song Popularity in Business Digital Music Streaming for Increasing Quality Using Kohonen SOM Algorithm

2019 ◽  
Vol 0 (5) ◽  
pp. 71
Author(s):  
Chyntia Kumalasari Puteri ◽  
M. Isa Irawan
Keyword(s):  
Digital Music ◽  
Som Algorithm ◽  
Kohonen Som ◽  
Music Streaming

scholarly journals Uma abordagem estatística para a previsão de potência reativa em sistemas elétricos

2006 ◽  
Vol 26 (2) ◽  
pp. 361-381 ◽  
Author(s):  
Eliane da Silva Christo ◽  
Reinaldo Castro Souza
Keyword(s):  
Out Of Sample ◽  
Kohonen Som

As previsões das potências ativa e reativa se constituem numa ferramenta de extremo valor na monitoração de Sistemas de Energia Elétrica. Com base nisso, este trabalho tem por objetivo, apresentar uma nova técnica de previsão horária de potência reativa a curto prazo, por subestação, baseado na linearidade existente entre as potências ativa e reativa, ou seja, a potência reativa pode ser explicada diretamente pela potência ativa através de uma regressão linear. A fim de melhorar o desempenho da previsão, são incorporadas ao modelo simples, variáveis defasadas das potências acopladas a uma correção para autocorrelação serial (Método Iterativo de Cochrane-Orcutt). E, além disso, como os dados de potência reativa apresentam comportamento heterocedástico, o método de estimação dos coeficientes do modelo por mínimos quadrados não se mostra adequado, por isso, foi utilizada uma solução robusta conhecida como mínimos quadrados reponderados iterativamente (IRLS). A previsão de potência reativa a curto-prazo é dividida em "in sample" e "out of sample", onde esta é aplicada a períodos horários em até um mês à frente. Com intuito de aumentar a precisão dos resultados, os dados são classificados através de uma rede neural não supervisionada conhecida como mapas auto-organizáveis de Kohonen (SOM).

Sign in / Sign up

Export Citation Format

Share Document