@PhDThesis{Sambatti:2017:ReNeAu,
               author = "Sambatti, Sabrina Bergoch Monteiro",
                title = "Rede neural auto-configurada para assimila{\c{c}}{\~a}o de dados 
                         usando FPGA para a circula{\c{c}}{\~a}o oce{\^a}nica",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2017",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2017-05-30",
             keywords = "filtro de kalman, assimila{\c{c}}{\~a}o de dados, rede neural 
                         artificial, computa{\c{c}}{\~a}o heterog{\^e}nea, FPGA, kalman 
                         filter, data assimilation, artificial neural network, 
                         heterogeneous computing, FPGA.",
             abstract = "Processos f{\'{\i}}sicos podem ser matematicamente representados 
                         por equa{\c{c}}{\~o}es diferenciais, mas h{\'a} uma lacuna 
                         entre a representa{\c{c}}{\~a}o matem{\'a}tica e o processo 
                         real. Com a fus{\~a}o da informa{\c{c}}{\~a}o observacional com 
                         os dados do modelo, o erro de simula{\c{c}}{\~a}o pode ser 
                         atenuado. Esquemas de combina{\c{c}}{\~a}o de dados 
                         observacionais com dados de um modelo de predi{\c{c}}{\~a}o 
                         matem{\'a}tica s{\~a}o conhecidos como Assimila{\c{c}}{\~a}o 
                         de Dados (DA), calculando a condi{\c{c}}{\~a}o inicial 
                         (an{\'a}lise) para um sistema din{\^a}mico. V{\'a}rias 
                         t{\'e}cnicas s{\~a}o empregadas na assimila{\c{c}}{\~a}o de 
                         dados, como: Filtro de Kalman, filtro de part{\'{\i}}culas e 
                         m{\'e}todos variacionais, que s{\~a}o os mais pesquisados. No 
                         entanto, os m{\'e}todos mencionados demandam por 
                         computa{\c{c}}{\~a}o intensiva. Neste trabalho, uma Rede Neural 
                         Artificial (RNA) {\'e} projetada para emular o filtro de Kalman, 
                         com redu{\c{c}}{\~a}o do esfor{\c{c}}o computacional. 
                         Geralmente, um especialista em redes neurais encontra uma 
                         arquitetura adequada ap{\'o}s um longo trabalho 
                         emp{\'{\i}}rico. Neste trabalho {\'e} adotada uma abordagem 
                         autom{\'a}tica para identificar a melhor arquitetura para a RNA. 
                         Essa identifica{\c{c}}{\~a}o {\'e} formulada como um problema 
                         de otimiza{\c{c}}{\~a}o, resolvido por uma nova 
                         metaheur{\'{\i}}stica: Algoritmo de Colis{\~a}o de 
                         Part{\'{\i}}culas M{\'u}ltiplas (MPCA). A RNA ideal projetada 
                         para assimila{\c{c}}{\~a}o de dados {\'e} implementada em 
                         software e em FPGA (Field- Programmable Gate Array), um 
                         dispositivo de hardware usado como co-processador. O FPGA {\'e} o 
                         processador neural aplicado para a computa{\c{c}}{\~a}o da 
                         condi{\c{c}}{\~a}o inicial do modelo din{\^a}mico. Dois 
                         sistemas din{\^a}micos s{\~a}o usados para testar a metodologia: 
                         a equa{\c{c}}{\~a}o de onda 1D e as equa{\c{c}}{\~o}es de 
                         {\'a}gua rasa 2D. O sistema de {\'a}guas rasas est{\'a} 
                         preparado para simular a circula{\c{c}}{\~a}o oce{\^a}nica. 
                         Para ambos os sistemas, a RNA foi eficaz, com redu{\c{c}}{\~a}o 
                         do tempo de processamento. A utiliza{\c{c}}{\~a}o de FPGA como 
                         co-processador para assimila{\c{c}}{\~a}o de dados tem um 
                         desempenho semelhante ao da an{\'a}lise 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.",
            committee = "Stephany, Stephan (presidente) and Campos Velho, Haroldo Fraga de 
                         (orientador) and Char{\~a}o, Andrea Schwertner (orientador) and 
                         Cintra, Rosangela Saher Correa and Rodrigues, Eduardo Rocha and 
                         Marques, Eduardo",
         englishtitle = "Self configured neural network for data assimilation using FPGA 
                         for ocean circulation",
             language = "pt",
                pages = "119",
                  ibi = "8JMKD3MGP3W34P/3P6NQ82",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34P/3P6NQ82",
           targetfile = "publicacao.pdf",
        urlaccessdate = "27 abr. 2024"
}