| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21b.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34P/3P6NQ82 | |||||||||
| Repositório | sid.inpe.br/mtc-m21b/2017/06.26.23.06 | |||||||||
| Última Atualização | 2017:10.03.12.22.16 (UTC) administrator | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21b/2017/06.26.23.06.22 | |||||||||
| Última Atualização dos Metadados | 2018:06.04.02.27.31 (UTC) administrator | |||||||||
| Chave Secundária | INPE-17897-TDI/2630 | |||||||||
| Chave de Citação | Sambatti:2017:ReNeAu | |||||||||
| Título | Rede neural auto-configurada para assimilação de dados usando FPGA para a circulação oceânica  | |||||||||
| Título Alternativo | Self configured neural network for data assimilation using FPGA for ocean circulation | |||||||||
| Curso | CAP-COMP-SESPG-INPE-MCTIC-GOV-BR | |||||||||
| Ano | 2017 | |||||||||
| Data | 2017-05-30 | |||||||||
| Data de Acesso | 13 maio 2024 | |||||||||
| Tipo da Tese | Tese (Doutorado em Computação Aplicada) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 119 | |||||||||
| Número de Arquivos | 1 | |||||||||
| Tamanho | 7347 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Sambatti, Sabrina Bergoch Monteiro | |||||||||
| Banca | Stephany, Stephan (presidente) Campos Velho, Haroldo Fraga de (orientador) Charão, Andrea Schwertner (orientador) Cintra, Rosangela Saher Correa Rodrigues, Eduardo Rocha Marques, Eduardo | |||||||||
| Endereço de e-Mail | sabrinabms@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2017-06-26 23:06:22 :: sabrinabms@gmail.com -> yolanda.souza@mcti.gov.br :: 2017-06-27 15:02:30 :: yolanda.souza@mcti.gov.br -> sabrinabms@gmail.com :: 2017-08-24 12:26:20 :: sabrinabms@gmail.com -> administrator :: 2017-09-01 17:24:58 :: administrator -> yolanda :: 2017-09-01 17:25:19 :: yolanda -> yolanda.souza@mcti.gov.br :: 2017-09-25 12:28:15 :: yolanda.souza@mcti.gov.br -> administrator :: 2017-10-02 16:25:15 :: administrator -> yolanda.souza@mcti.gov.br :: 2017-10-02 16:52:03 :: yolanda.souza@mcti.gov.br -> simone :: 2017-10-02 17:13:18 :: simone -> sabrinabms@gmail.com :: 2017-10-03 03:00:04 :: sabrinabms@gmail.com -> administrator :: 2017-10-03 12:21:25 :: administrator -> yolanda :: 2017-10-03 13:12:29 :: yolanda -> simone :: 2017-10-03 13:17:16 :: simone -> administrator :: -> 2017 2018-06-04 02:27:31 :: administrator -> :: 2017 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | filtro de kalman assimilação de dados rede neural artificial computação heterogênea FPGA kalman filter data assimilation artificial neural network heterogeneous computing FPGA | |||||||||
| Resumo | Processos físicos podem ser matematicamente representados por equações diferenciais, mas há uma lacuna entre a representação matemática e o processo real. Com a fusão da informação observacional com os dados do modelo, o erro de simulação pode ser atenuado. Esquemas de combinação de dados observacionais com dados de um modelo de predição matemática são conhecidos como Assimilação de Dados (DA), calculando a condição inicial (análise) para um sistema dinâmico. Várias técnicas são empregadas na assimilação de dados, como: Filtro de Kalman, filtro de partículas e métodos variacionais, que são os mais pesquisados. No entanto, os métodos mencionados demandam por computação intensiva. Neste trabalho, uma Rede Neural Artificial (RNA) é projetada para emular o filtro de Kalman, com redução do esforço computacional. Geralmente, um especialista em redes neurais encontra uma arquitetura adequada após um longo trabalho empírico. Neste trabalho é adotada uma abordagem automática para identificar a melhor arquitetura para a RNA. Essa identificação é formulada como um problema de otimização, resolvido por uma nova metaheurística: Algoritmo de Colisão de Partículas Múltiplas (MPCA). A RNA ideal projetada para assimilação de dados é implementada em software e em FPGA (Field- Programmable Gate Array), um dispositivo de hardware usado como co-processador. O FPGA é o processador neural aplicado para a computação da condição inicial do modelo dinâmico. Dois sistemas dinâmicos são usados para testar a metodologia: a equação de onda 1D e as equações de água rasa 2D. O sistema de águas rasas está preparado para simular a circulação oceânica. Para ambos os sistemas, a RNA foi eficaz, com redução do tempo de processamento. A utilização de FPGA como co-processador para assimilação de dados tem um desempenho semelhante ao da análise calculada por software. ABSTRACT: Physical processes can be mathematically represented by differential equations, but there is a gap from the real process. With the incorporation of observational information to the model state, the simulation error can be reduced. Data Assimilation (DA) is the schemes of combining observational data with data from a mathematical prediction model, computing the initial condition (analysis) for the dynamical system. Here, an Artificial Neural Network (ANN) is designed to emulate Kalman filter, with reduction of the computational effort. An automatic approach to identify the best configuration for the ANN is adopted. This issue is formulated as an optimization problem, solved by a new metaheuristic: Multiple Particles Collision Algorithm (MPCA). The optimal ANN designed for data assimilation is implemented on FPGA (Field-Programmable Gate Array), a hardware device used as a co-processor. Two dynamical systems are used to test the framework: the wave 1D equation, and the 2D shallow water equations. The shallow water system is prepared to simulate oceanic circulation. For both systems, the ANN was effective, with reduction of processing time. The use of FPGA as a co-processor for data assimilation has a similar performance than analysis calculated by software. | |||||||||
| Área | COMP | |||||||||
| Arranjo | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Rede neural auto-configurada... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34P/3P6NQ82 | |||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34P/3P6NQ82 | |||||||||
| Idioma | pt | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | gabinete@inpe.br sabrinabms@gmail.com simone yolanda.souza@mcti.gov.br | |||||||||
| Grupo de Leitores | administrator gabinete@inpe.br sabrinabms@gmail.com simone yolanda yolanda.souza@mcti.gov.br | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | sid.inpe.br/mtc-m21b/2013/09.26.14.25.22 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2PHGS | |||||||||
| Lista de Itens Citando | ||||||||||
| Divulgação | BNDEPOSITOLEGAL | |||||||||
| Acervo Hospedeiro | sid.inpe.br/mtc-m21b/2013/09.26.14.25.20 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||