1. Universidade Federal da Bahia
  2. Escola Politécnica
  3. Trabalho de Conclusão de Curso (Graduação) - Engenharia da Computação (Escola Politécnica)
Use este identificador para citar ou linkar para este item: https://repositorio.ufba.br/handle/ri/39696
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCerqueira, Matheus Oliver de Carvalho-
dc.date.accessioned2024-07-30T01:50:41Z-
dc.date.available2024-07-30T01:50:41Z-
dc.date.issued2023-12-15-
dc.identifier.urihttps://repositorio.ufba.br/handle/ri/39696-
dc.description.abstractThe relevance of public lighting for various everyday aspects such as security and mobility motivates the use of technologies that improve service provision to the population in the many implementation phases. As a complement to software specialized in simulations, this work proposes to use learning machine techniques to ensure compliance with Brazilian Standard 5101. Exploring concepts related to public lighting and networks neural networks, Multilayer Perceptron (MLP) is implemented using backpropagation, for regression, to determine illuminance parameters and their uniformity (requirements partial compliance with the standard) and classification (which uses illuminance and its uniformity to define compliance to the standard). Models are trained and tested with real parameters of mesh configurations and lighting devices in simulations of projects to inform whether a project data set meets standards established by the standard. Regression and classification MLPs achieved MSE of 0.002 and 97.26% accuracy, respectively.pt_BR
dc.languageporpt_BR
dc.publisherUNIVERSIDADE FEDERAL DA BAHIApt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectiluminação públicapt_BR
dc.subjectredes neurais artificiaispt_BR
dc.subjectMultilayer Perceptronpt_BR
dc.subjectbackpropagationpt_BR
dc.subject.otherpublic street lightingpt_BR
dc.subject.otherartificial neural networkspt_BR
dc.subject.otherMultilayer Perceptronpt_BR
dc.subject.otherback- propagationpt_BR
dc.titleRedes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Públicapt_BR
dc.title.alternativeClassification and Regression Neural Networks Applied in the Context of Public Lightingpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.publisher.initialsUFBApt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.contributor.advisor1Fernandes Júnior, Antônio Carlos Lopes-
dc.contributor.advisor1Lattes2586671440653430pt_BR
dc.contributor.advisor-co1Santos, Wild Freitas da Silva-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/9155906167068438pt_BR
dc.contributor.referee1Fernandes Júnior, Antônio Carlos Lopes-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2586671440653430pt_BR
dc.contributor.referee2Silva, Kleber Freire da-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1660829826673297pt_BR
dc.contributor.referee3Viana, Luiz Alberto Guimarães-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/4552555694780012pt_BR
dc.creator.ID0009-0005-5908-1233pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/3753902969304129pt_BR
dc.description.resumoA relevância da iluminação pública para vários aspectos cotidianos como segurança e mobilidade motiva a utilização de tecnologias que aperfeiçoem a prestação do serviço à população nas diversas fases de implementação. Como complemento aos softwares especializados em simulações, propõe-se, neste trabalho, utilizar técnicas de aprendizado de máquina para garantir a conformidade com os padrões de projetos, expostos na Norma Brasileira 5101. Explorando os conceitos relacionados a iluminação pública e redes neurais, são implementados Multilayer Perceptron (MLP) utilizando backpropagation, de regressão, para determinar parâmetros de Iluminância e sua uniformidade (requisitos parciais ao atendimento da norma) e classificação (que utiliza os valores de iluminância e sua uniformidade para definir adequação à norma). Os modelos são treinados e testados com parâmetros reais de configurações de malha e de dispositivos luminosos em simulações de projetos para informar se um conjunto de dados de projeto está adequado aos padrões estabelecidos pela norma. Os MLPs de regressão e classificação conseguiram MSE de 0,002 e 97,26% de acurácia, respectivamente.pt_BR
dc.publisher.departmentEscola Politécnicapt_BR
dc.relation.referencesASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Uso de LED pode reduzir em 50% o consumo de energia. 2015. Disponível em: <https://www.abilux.com. br/noticia/uso_de_led_pode_reduzir_em_50__o_consumo_de_energia/>. Citado na página 19. ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Guia para Iluminação Pública - Volume 1. [S.l.], 2021. Disponível em: <https://www.abilux.com.br/ docs/Abilux_Guia_IluiminacaoPublica_2021_volume-01.pdf>. Citado 4 vezes nas páginas 19, 20, 27 e 29. ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Guia para Iluminação Pública - Volume 2. [S.l.], 2021. Disponível em: <https://www.abilux.com.br/ docs/Abilux_Guia_IluiminacaoPublica_2021_volume-02.pdf>. Citado na página 29. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Norma Brasileira 5101: Iluminação pública - Procedimento. 2018. Disponível em: <www.abnt.org.br>. Citado 5 vezes nas páginas 19, 23, 24, 28 e 29. BAKRI, B. I. et al. USING DEEP LEARNING TO DESIGN AN INTELLIGENT CONTROLLER FOR STREET LIGHTING AND POWER CONSUMPTION. Eastern-European Journal of Enterprise Technologies, Technology Center, v. 3, n. 8-117, p. 25–31, 2022. ISSN 17294061. Disponível em: <https://www.researchgate.net/publication/ 361877154_Using_deep_learning_to_design_an_intelligent_controller_for_street_ lighting_and_power_consumption>. Citado na página 38. BENGIO, Y.; LECUN, Y. Convolutional Networks for Images, Speech, and Time-Series. [S.l.], 1997. Disponível em: <https://www.researchgate.net/publication/2453996>. Citado na página 38. CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, v. 2, n. 4, p. 303–314, 12 1989. Disponível em: <https://web.njit.edu/~usman/courses/cs675_fall18/10.1.1.441.7873.pdf>. Citado 2 vezes nas páginas 37 e 49. FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. [S.l.]: LTC, 2011. Citado 15 vezes nas páginas 20, 30, 31, 32, 33, 34, 35, 36, 37, 41, 46, 47, 48, 49 e 52. GARCES-JIMENEZ, A. et al. Analysis of Artificial Neural Network Architectures for Modeling Smart Lighting Systems for Energy Savings. IEEE Access, Institute of Electrical and Electronics Engineers Inc., v. 7, p. 119881–119891, 2019. ISSN 21693536. Disponível em: <https://www.researchgate.net/publication/334778585_Analysis_of_ Artificial_Neural_Network_Architectures_for_Modeling_Smart_Lighting_Systems_ for_Energy_Savings>. Citado na página 39. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA, USA: MIT Press, 2016. Disponível em: <https://www.deeplearningbook.org/>. Citado 11 vezes nas páginas 30, 31, 32, 34, 35, 36, 37, 38, 41, 48 e 49. HUANG, G. B.; ZHU, Q. Y.; SIEW, C. K. Extreme learning machine: A new learning scheme of feedforward neural networks. In: IEEE International Conference on Neural Networks - Conference Proceedings. [s.n.], 2004. v. 2, p. 985–990. ISBN 0780383591. ISSN 10987576. Disponível em: <https://ieeexplore.ieee.org/document/1380068>. Citado na página 38. HUANG, G. B.; ZHU, Q. Y.; SIEW, C. K. Extreme learning machine: Theory and applications. Neurocomputing, v. 70, n. 1-3, p. 489–501, 12 2006. ISSN 09252312. Disponível em: <https://web.njit.edu/~usman/courses/cs675_fall19/ELM-NC-2006.pdf>. Citado 2 vezes nas páginas 38 e 41. LEE, Y.; ZHANG, H.; ROSA, J. Street Lamp Fault Diagnosis System Based on Extreme Learning Machine. In: IOP Conference Series: Materials Science and Engineering. Institute of Physics Publishing, 2019. v. 490, n. 4. ISSN 1757899X. Disponível em: <https://iopscience.iop.org/article/10.1088/1757-899X/490/4/042053/meta>. Citado na página 38. MCCULLOCH, W. S.; PITTS, W. A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics, v. 5, n. 4, p. 115–133, 12 1943. ISSN 0007-4985. Disponível em: <http://link.springer.com/10.1007/BF02478259>. Citado 2 vezes nas páginas 32 e 35. MEYER, M. et al. Lighting Brazilian Cities: Business Models for Energy Efficient Public Street Lighting. Washington, DC, 2017. Disponível em: <http: //hdl.handle.net/10986/29537>. Citado na página 19. MINISTÉRIO DE MINAS E ENERGIA. Iluminação Pública. 2022. Disponível em: <https://www.gov.br/aneel/pt-br/assuntos/iluminacao-publica>. Citado na página 19. MINSKY, M.; PAPERT, S. A. Perceptrons. Cambridge, MA, USA: The MIT Press, 1969. Disponível em: <https://direct.mit.edu/books/book/3132/ perceptronsan-introduction-to-computational>. Citado na página 35. ML GLOSSARY. Activation Functions. 2017. Disponível em: <https://ml-cheatsheet. readthedocs.io/en/latest/activation_functions.html>. Citado 2 vezes nas páginas 32 e 33. MOHANDAS, P.; DHANARAJ, J. S. A.; GAO, X. Z. Artificial Neural Network based Smart and Energy Efficient Street Lighting System: A Case Study for Residential area in Hosur. Sustainable Cities and Society, Elsevier Ltd, v. 48, 7 2019. ISSN 22106707. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2210670718317530>. Citado na página 39. NAHID, A. A.; MEHRABI, M. A.; KONG, Y. Histopathological Breast Cancer Image Classification by Deep Neural Network Techniques Guided by Local Clustering. BioMed Research International, v. 2018, 2018. Disponível em: <httpsapi.semanticscholar.orgCorpusID13872250>. Citado na página 30. NEOENERGIA. Iluminação Pública. 2021. Disponível em: <https://www.neoenergia. com/web/bahia/poder-publico/iluminacao-publica>. Citado na página 19. OPENAI. GPT-4 Technical Report. 2023. Disponível em: <https://arxiv.org/abs/2303. 08774>. Citado na página 30. PYTHON SOFTWARE FOUNDATION. Python 3.12.0 documentation. 2023. Disponível em: <https://docs.python.org/3/>. Citado na página 41. PYTORCH FOUNDATION. Pytorch Documentation. 2023. Disponível em: <https://pytorch.org/docs/stable/index.html>. Citado 3 vezes nas páginas 20, 41 e 48. QLUZ. ESG na modernização da iluminação pública. 2022. Disponível em: <https://www.qluzpalhoca.com.br/esg/>. Citado na página 19. ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386–408, 1958. ISSN 1939-1471. Disponível em: <http://doi.apa.org/getdoi.cfm?doi=10.1037/h0042519>. Citado na página 35. RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning representations by back-propagating errors. nature, Nature Publishing Group UK London, v. 323, n. 6088, p. 533–536, 1986. Citado 2 vezes nas páginas 35 e 36. SANTOS, W. F. S.; COSTA, V. S. Street Lighting Simulation based on Extreme Learning Machine. [S.l.], 2023. Disponível em: <https://www.researchgate.net/publication/ 370466269>. Citado 2 vezes nas páginas 38 e 39. SCIKIT-LEARN PROJECT. User Guide. 2023. Disponível em: <https://scikit-learn.org/ stable/user_guide.html>. Citado 3 vezes nas páginas 41, 48 e 49. WANG, J. et al. A review on extreme learning machine. Multimedia Tools and Applications, Springer, v. 81, n. 29, p. 41611–41660, 12 2022. ISSN 15737721. Disponível em: <https://link.springer.com/article/10.1007/s11042-021-11007-7>. Citado na página 38.pt_BR
dc.type.degreeBachareladopt_BR
dc.publisher.courseENGENHARIA DE COMPUTAÇÃO - NOTURNOpt_BR
Aparece nas coleções:Trabalho de Conclusão de Curso (Graduação) - Engenharia da Computação (Escola Politécnica)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC.pdf3,65 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.