Anda di halaman 1dari 8

05/05/2016

IEEEXploreHTMLdetextocompleto:

IEEE.org| IEEEXploreBibliotecaDigital| IEEESA| IEEESpectrum| maisSites

Compras(0)| CriarConta| EntrarpessoaisEm

Acessofornecidopor:

UniversidadeFederaldoPar

PROCURAR

MINHASCONFIGURAES

Abstrato

autores

figuras

Sair

OBTERAJUDA

Multimdia

OQUEPOSSOACESSAR?

Referncias

Citadopor

Palavraschave

Aplicaodamquinacrticadevetoresdesuporte
paraprevisodesriestemporais
Esteartigopropeumanovatcnicaparaaproximarfunesparaassriescronolgicas
eprocessamentodesinaisusandootipoespecialderedeneural,chamadoCritical
SupportVectorMachine(CSVM).CSVMumacombinaodoSupportVectorMachine,o
maisprximoalgoritmodovizinhoeoPerceptron.OCSVMfoimostradoserummtodo
eficazparaosproblemasdeclassificao.Nestetrabalho,nsgeneralizarCSVMde
modoqueelepodeserusadoparaaaplicaodeprediodesriestemporais.O
experimentonasriecaticatempoMackeyGlassverificasignificativamenteo
desempenhodonossoalgoritmo.

Estepapelapareceem:CircuitoseSistemasde2003.iscas'03.Proceedingsofthe2003International
Symposiumon,DatadeEmisso:2003,escritopor:Raicharoen,T.Lursinsap,C.Sanguanbhokai,P.
2003IEEE

SEO1.

Introduo
Umasrietemporalumconjuntosequencialdemedioaolongodotempoepodeserdefinidocomoumasequnciadevectores,\${\Bfx}(t),{\bft}
=0,1,\ldots\$,Emquetrepresentaotempodecorrido.Previsodesriestemporaisenvolvepreverofuturoatravsdacompreensodopassado.Tem
sidoamplamenteestudadapormuitosinvestigadores.Amaioriadostrabalhossobreprevisoforamrealizadosapartirdopontodevistademodelos
estocsticos,comoaMdiaMvel(MA),IntegratedMovingAverage(IMA)eArima(ARIMA)[1][2].Umdosavanosnestareacomeoucoma
abordagemdeSupportVectorMachine(SVM)[3].Inicialmente,foiprojetadopararesolverproblemasdeclassificao,encontrandoumaregrade
decisocomboacapacidadedegeneralizaoatravsselecionandoumsubconjuntodosdadosdetreinamento,chamadosdevetoresdesuporte[4].SVM
tambmpodeseraplicadodefuncionaraproximao,aestimativaderegressoedeprocessamentodesinal[5]eproblemasdeprediodesries
temporais[6][7]pelaintroduodeumafunodeperdaalternativa.Afunodeperdacorrespondeaocritriodeerrodosmnimosquadrados
convencional.
OvectorMquinaAlgoritmoSuporteCrticofoipropostoem[8].EstealgoritmoCSVMfoidemonstradoserumaferramentapoderosaparaaresoluode
problemasdeclassificao.Nestetrabalho,nsgeneralizarCSVMdemodoqueelepodeseraplicadoaproblemasdeprediodesriestemporais.Nosso
algoritmopropostonorequerumsolucionadordeprogramaoquadrticaeumconjuntodefunesdokernel.Aideiasubjacenteaestealgoritmopara
problemasdeprevisodesriestemporaissemelhanteaosseusproblemasdeclassificao.Afunodeprevisobaseadanofactodeapenasosvectores
deapoiosoessenciaisparadeterminarafunodetodososdadosrelevantesparaosseusvectoresdesuporte.
Afunodepredioafunodalinhaqueunepardovectordeapoio,umvetordecadaclasse.Encontrartodososvetoresdesuportenodependeda
resoluodeumcomplexoproblemadeprogramaoquadrtica.Snecessrioumesquemaiterativobaseadoemcalcularovalormnimodepontosde
dadosentreospontosdecadaclasse.Orestantedesteartigoestorganizadoemtrssees.Seo2apresentaapropostaCSVMalgoritmo.Seco3
contmresultadosnumricosemostraque,aoreduzirataxadeprecisolevaacompressodedados.Seco4concluioartigo.

SEO2.

CSVMAlgoritmodePrevisode
SriesTemporais
AideiadeCSVMparaproblemasdeprevisodesriestemporaistemsidogeneralizadaapartirdeCSVMparaproblemasdeclassificao.Afunode
previsobaseadanofactodeapenasosvectoresdeapoiosoessenciaisparadeterminarafunodetodososdadosrelevantesparaosseusvectoresde
suporte.Estafunodeprevisodopardecadavectordesuportecolocadoentrealinhaqueligadoisvectoresdeapoio,umapartirdecadaclasse.As
caractersticasdestesvectoresdesuportesodiferentesdasdoSVMclssica[3].
OsnossosvectoresdesuportecrticosparaCSVMsodefinidoscomosesegue.

http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

1/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

Deixei\${\Bfx}_{i}^{(A)}\$e\${\Bfx}_{j}^{(B)}\$servetoresdeclasses\$A\$e\$B\$,Respectivamente,e\${\Bfx}_{a}^{({A})}
\$seroprimeirovectornasaulas\$A\$.

2.

definio1
vetores\${\Bfx}_{k}^{(A)}\$e\${\Bfx}_{l}^{(B)}\$sovetoresdesuportecrticosparaooutro,seasseguintescondiesforemsatisfeitas
1.emrelaoa\${\Bfx}_{{a}}^{(A)},{\bfx}+_{l}^{(B)}\$umvector,detalmodoque\$\Min_{\forallj}(\vert{\bfy}_{a}^{(A)}
{\bfy}_{{j}}^{(B)}\vert)\$.
2.emrelaoa\${\Bfx}_{l}^{(B)},{\bfx}_{k}^{(A)}\$umvector,detalmodoque\$\Min_{\foralli}(\vert{\bfy}_{i}^{(A)}{\
bfy}_{l}^{(B)}\vert)\$.
Oleastnessentrequaisquerdois\${\Bfx}_{i}^{(A)}\$e\${\Bfx}_{j}^{(B)}\$definidaemtermosdovalorabsolutoalvodiferente\$Y\
$entreeles.eigual\$\Vertf({\bfx}_{i}^{(A)})f({\bfx}_{j}^{(B)})\vert=\vertY_{i}^{(A)}Y_{j}^{(B)}\vert\$.vetores\${\Bfx}_
{i}^{(A)}\$e\${\Bfx}_{j}^{(B)}\$satisfazendoestascondiessochamadosdevetoresdesuportecrticoouCSVs.
Antesdeencontrarosvetoresapoiocrticodadoumconjuntodeamostragemdedados\$G=\{({\bfx}_{i},Y_{i})\}_{i=1}^{l}\$,Temosde
classificartodososdadosdeamostragememduasclasses,comoclasse\$A\$e\$B\$,Porcritriosatravsdonmerodeamostragemestranhoe
simpleseventodedados,respectivamente,paraquepossamosobterumnovoconjuntodeamostragemdedados\$G^{\privilegiada}\$$$G^{\
privilegiada}=\casos{\{({\bfx}_{i},Y_{i},a_{i})\}_{i=1}^{l}e${\rmif}\i\in\{\rmOdd}\{\rmno}.,$\cr\{({\bfx}_{j},Y_{j},b_
{j})\}_{j=2}^{l}&${\rmif}\j\in\{\rmEvento}\{\rmno}.,$}\eqno{\hbox{(1)}}$$
VerFonte

Onde\$({\Bfx}_{i},Y_{i},a_{i})\$umconjuntodedadosamostradosemsaladeaula\$A\$e\$({\Bfx}_{j},Y_{j},b_{j})\$um
conjuntodedadosamostradosemsaladeaula\$B\$.
Oalgoritmoparaencontrarumpardevectordeapoiocrticodadocomosesegue.
EncontrarumparAlgoritmoCSV
1.Selecioneumaclasseinicial(SupostaClasseA).
2.Escolhaoprimeirovector\${\Bfx}_{a}^{(A)}\$daClasseA.
3.Deixei\${\Bfx}_{l}^{(B)}\$serumvectordeapoiocrtico,talque\$\Min_{\forallj}(\vert{\bfy}_{{a}}^{(A)}{\bfy}_{j}^{(B)}\
vert)\$.
4.Deixei\${\Bfx}_{k}^{(A)}\$serumvectordeapoiocrtico,talque\$\Min_{\foralli}(\vert{\bfy}_{i}^{(A)}{\bfy}_{l}^{(B)}\
vert)\$.
UmavezqueumparCSVforencontrado,umahiperpldeseparaogeradoecolocadaentreumparCSV.Estehiperplanotemumacaracterstica
muitoagradvelparaambososproblemasdeclassificaoefunodeaproximao.Estehyperplaneatuacomoumperceptronparaaclassificaolocal,
[8]etambmatuacomoumaproximadorfunoparadadosdeamostragemlocaislocalizandopertoesteparCSV.
Afimdefazerumaseparaohiperplmaisflexvel,podeseconsiderarumhiperplsepararcomoumalajedealfalargura\$(\Alpha)\$,Chamado
intervaloacceptant.Todosospontosqueficamdentrodalajesoconsideradoscorretamentepontosclassificados.NossaIntervalacceptant\$(\Alpha)\
$,definidocomosesegue:
Suponhaqueumdeterminadoconjuntodedados\$G^{\privilegiada}=\{({\bfx}_{{i}},Y_{i},a_{i})\}_{i=1}^{l}\$,Onde\${\Bfx}_{i}\
in\Re^{D},Y_{i}\in\Re^{1}\$e\$A_{i}\in\{A,B\}\$,Seroclassificadosem2classes:\$G^{(A)}\$e\$G^{(B)}\$,Onde\$G^
{(A)}=\{({\bfx}_{a},Y_{a},a_{a})\},a_{a}=A,\foralla\$e\$G^{(B)}=\{({\bfx}_{b},Y_{b},b_{b})\},=b_{b}=B,\forallb\$com
\$G^{\privilegiada}=L^{(A)}\cupG^{(B)}\$e\$\Emptyset=G^{(A)}\capG^{(B)}\$.
Paraqualquer\${\BfX}_{a}\$(ou\${\Bfx}_{b}\$)Colocaremumconjuntodeclasse\$A\$(Ouclasse\$B),{\bfx}_{a}\$(ou\${\Bf
X}_{b}\$)erroneamenteclassificadaquando\$A_{a}=B({\rmou}\b_{b}=A)\$.

2.

definio2
Deixei\$F({\bfx}_{i})={\bfw}_{kl}\cdot{\bfx}_{i}b=0,\foralli\$,Serumhiperplano(\$H\$).\$\Alpha\$umintervalo
acceptantse,$$F({\bfx}_{i})={\bfw}_{{\bfk}1}\cdot{\bfx}_{i}b<\vert\alpha\vert\e\\alpha\geq0,$$

http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

2/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

VerFonte

\${\BfX}_{i}\$estocorretasclassificadas.
AsFiguras1mostraumexemplodeumintervaloacceptant\$\Alpha\$.Umintervalodesejadoacceptant\$\Alpha\$especificadaapriorieoseu
valordeveserpequeno,demodoagerarosistemademaiorrobustezeimpreciso.

Figura1.
Todosospontosqueficamdentrodalajecomalphaderaiosoacceptantserpontosde
classificaocorretas.Paraesteexemplo,\$\Alpha\$iguala0,1e(\${\Bfx}_{k},{\bfx}
_{1}\$)umpardevetoresdesuportecrtico.

Oalgoritmoparaacolocaodohiperpl,afimdedeterminarafunodeaproximaoprevisoeumasriedetempocomosesegue.
Deixei\$D\$serumadimensodeconjuntodedados.
ColocarSeparandoHiperplanoAlgorithm
1.Selecioneumaclasseinicialevalordointervaloacceptantinicial\$\Alpha\$.
2.Encontrar\$D\$nmerodeumparCSV\$({\Bfx}_{k}^{(A)},{\bfx}_{l}^{(B)})\$.
3.Criarumhiperplano\$F({\bfx}_{i})={\bfw}_{kl}\cdot{\bfx}_{i}b=0,\foralli\$,Conectandotodos\$D\$paresCSV.
4.Dividetodososvectoresdedadosem2grupos(C1eC2):C1:\$X_{i}\$para\$F(x_{i})>0+\alpha\$eC2:\$X_{i}\$para\$F(x_
{i})<0\alpha\$Eencontrarqualquererrodeclassificaoemambososclusters.
5.Seviolaoexisteemumcluster,emseguida,
6.Consideretodososdadosnesseclustercomoumnovoconjuntodedados.
7.Vparaopasso2.
Figuras2mostraumexemplodecomooalgoritmofuncionausando\$\Alpha=0\$.Existemduasclasses,\$A\$e\$B\$.Cadavetordedadosem
saladeaula\$A\$representadapelosmbolo"+"ecadavetordedadosemsaladeaula\$B\$denotadapelosmbolo"*".Osvetoresdesuporte
crticossoilustradospelossmbolo"0".Alinhainicial\$(H_{1})\$comomostradonaFigura2(a)alinhadeseparaoinicial.Estalinhacriaum
vetordedadosclassificadoserroneamentedeclasse\$A\$.Todososvectoresacimadestalinhadedadossoconsideradoscomoumnovoconjuntode
dadoseasegundalinha\$(H_{2})\$comomostradonaFigura2(b)introduzidopararesolverosmboloanteriormentemisclassified"+".

http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

3/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

Figura2:
Umexemplomostracomoosalgoritmospropostostrabalhar.(A)Alinhadeseparaoinicial.(B)A
segundalinhadeseparao.

Ovalordeumintervaloacceptant\$\Alpha\$poderegularonmerodevectorescrticosdeapoio,demodoquequantomenorforovalordavarivel
acceptant\$\Alpha\$quantomaisonmerodevectoresdesuportecrticos.Ointervaloacceptant\$\Alpha\$tambmpodeserempreguepara
definiraexactidoaproximaodeumafuno.Obviamente,istopodereduzironmerodevectoresdesuportecrticos,quelevacompressodedados.

SECO3.

Resultadosexperimentais
Nestaseco,onossoalgoritmoaplicadoemsriedetempocaticobemconhecido,oMackeyvidro.OsistemaMackeyvidrodescritopelaequaode
atrasodiferencial[9]:$${Dx(t)\overdt}=0,1x(t)+{0,2x(t\Delta)\over1+x(t\Delta)^{10}},\eqno{\hbox{(2)}}$$
VerFonte

comparmetros\$\Delta=17\$e\$\Delta=30\$.Nsdenotadoessassriesduasvezespor\$MG_{17}\$e\$MG_{30}\$.
AFigura3mostraosprimeirosdados300[1],[300]representadopelospontos\$(\Cdot)\$etambmusadoparaotreinamentodenossoalgoritmo
CSV.Afunodesrietemporealusandofunessplineestrepresentadapelalinhaacheio.Osvetoresdesuportecrticossorepresentadosporsmbolo
"0".Nstreinamosemambos\$MG_{17}\$e\$MG_{30}\$comintervalodeacceptant\$\Alpha=0,015\$.

http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

4/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

Figura3.
dadosdetreinamentosobre\$MG_{17}\$(uma)\$MG_{30}\$(B).

AFigura4mostraosdadosnotreinados100preditos[301,400]representadospela\$\Ast\$eovalorrealrepresentadopor.nosdois\$MG_{17}\$
e\$MG_{30}\$.

Figura4.
dadosdeprevisosobre\$MG_{17}\$(A)e\$MG_{30}\$(B).

ATabela1resumeoerrodepredioemtermosdequadradomdiodoerro(MSE).Aprimeiracolunadatabelamostraosvaloresdeintervalode
acceptant.Asegundaeterceiracolunasmostramonmerodevetoresdesuportecrticoseoerrodepreviso.
OnmerodeCSVsaumentacomaqualidadedeprediodesejado.TreinamentocomdiferentesnveisdeprecisorequerdiferentesnmerosdeCSVse
tambmdependedaescolhaumvalorpriorideumintervaloacceptant\$(\Alpha)\$.

http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

5/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

Tabela1:errodeprediodedadosde100[301,400]emtermosdeMSEapsotreinamento
comosprimeiros300dedados[1,300].

NstambmpodediminuiroMSE,aumentandoonmerodeexemplosdeformao.ATabela2resumeoerrodepredioemtermosdequadradomdio
doerro(MSE)apsaformaocomosprimeirosdados500[1,500].
Tabela2:errodeprediodedadosde100[501,600]emtermosdeMSEapsotreinamento
comosprimeiros500dedados[1,500].

DeFigura5,verificasequeparaumadadagrandenmerodeexemplosdeformao[1,n],oerrodeprediode\$[N+1,N+100]\$osdadosem
termosdeMSEprovavelmentepequena.Seonmerodeexemplosdeformaoaumenta,oerrodepredioirdiminuir.

Figura5.
Previsodoerroquadrticoemfunodonmerodeexemplosdetreinamentoem\$MG_{17}\
$,(+Pois\$\Alpha=0,005,\ast\$para\$\Alpha=0,015\$,ParaX\$\Alpha=0,020\$,
Opara\$\Alpha=0,030\$epara\$\Alpha=0,035\$)

SECO4.

Concluso
http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

6/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

EstetrabalhomostrouqueaCSVMpodesergeneralizadoparalidarcomtempoproblemaprediosrie.OalgoritmoCSVMmostrouexcelentes
performancesnasriecaticatempoMackeyGlassetambmmuitosimplesdeimplementar.Acomplexidadedetemporequerparaexecutareste
algoritmodeaprendizagemdaordemde\$O(S\times\log(N))\$ou\$\Max(O(1\times\log(N)),O((1N)\log(N)))\$,Onde\$S\$o
nmerodeparescrticosdevetordesuportee\$N\$onmerodeexemplosdedados,seumintervaloacceptant\$(\Alpha)\$,Poraproximaes
comdiferentesnveisdeprecisoconsiderada,acomplexidadedetemposerreduzidarelevanteparaonmerodevectoresdesuportecrticos.

NOTASDERODAP
"Nohdadosdisponveis"

REFERNCIAS
1.GeorgeEPBox,GwilymM.Jenkins,PrenticeHall,1976
ShowContext
2.GarethJ.,LouiseSwift,EllisHorwood,1993
ShowContext
3.VNVapnik,WileyNewYork,1998
ShowContext
4.C.Cortes,VNVapnik,"SupportVectorNetworks",MachineLearning,vol.20,no.3,pp.273297,1995
ShowContext
5.VNVapnik,SEGolowich,A.Smola,emAdvancesininformaesneuralprocessamentossistemas8,SanMateo,1996
ShowContext
6.MuellerKR,SmolaAJ,RaetschG.,SchoelkopfB.,KohlmorgenJ.,VapnikVN,"PrevendosriestemporaiscomSupportVectorMachine",MachineLearning,vol.
20,no.3,pp.2730297de1995
ShowContext
7.MukherjeeS.,OsumaE.,GirosiF.,"prevendoNonlineardeChaoticSriesTemporaisUsandoSupportVectorMachine",pp.273297
ShowContext
8.RaicharoenT.,LursinsapC.,"CriticalmquinadevetoresdesuporteSemKernelFunction"
ShowContext
9.MackeyMC,vidroJ.,"Oscilaoedocaosemsistemasdecontrolefisiolgicas",Science,vol.197,pp.287,1997
ShowContext

AUTORES
T.Raicharoen
Nenhumabiodisponvel

C.Lursinsap
Nenhumabiodisponvel

P.Sanguanbhokai
Nenhumabiodisponvel

CITADOPOR
http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

7/8

05/05/2016

IEEEXploreHTMLdetextocompleto:

Nenhum

PALAVRASCHAVE
IEEEPalavraschave
Mquinasdevetoresdesuporte,processamentodesinalalgoritmos,classificaomquinadevetoresdesuporte,aproximaodefunes,programao
quadrtica,aintelignciadamquina,Matemtica,mnimosquadradosaproximao,redesneurais,maisprximospesquisasvizinho

INSPEC:Controladoindexao
caos,autmatosaprendizagem,sriestemporais,classificaodesinal,perceptrons

Aindexaonocontrolados:INSPEC
caticasrieMackeyGlasstempo,mquinacrticadevetoresdesuporte,previsodesriestemporais,processamentodesinal,CSVM,vizinhomaisprximo
Algorithm,Perceptron,problemasdeclassificao

CORRECES
Nenhum

EntrarpessoaisEm| CriarConta

ContaIEEE

Detalhesdecompra

InformaodoPerfil

P recisodeajuda?

Mudarusurio/senha

Opesdepagamento

Prefernciasdecomunicao

EUAeCanad:+18006784333

atualizaodeEndereo

Histricodepedidos

ProfissoeEducao

Worldwide:+17329810060

VejaCompradoDocumentos

Interessestcnicos

ContatoeSuporte

SobreIEEEXplore| Noscontate| Socorro| Termosdeuso| polticadenodiscriminao| MapadoSite| PrivacidadeeoptingoutdeCookies


Aorganizaosemfinslucrativos,oIEEEamaiorassociaoprofissionaldomundoparaoavanodatecnologia.
Direitosdeautor2016IEEETodososdireitosreservados.Ousodestesiteindicaquevocconcordacomostermosecondies.

http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=1206419#atglance

8/8