MÉTODO DE EULER E REDES NEURAIS PARA APROXIMAÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS

Autores

DOI:

https://doi.org/10.31510/infa.v20i2.1726

Palavras-chave:

Aprendizado de máquina, Estabilidade, Problema de valor inicial, Aproximações

Resumo

Neste trabalho, propomos o uso de métodos numéricos para resolução de equações diferenciais
em conjunto com o uso de técnicas de aprendizado de máquina para a obtenção de soluções
aproximadas de equações diferenciais. Mais especificamente, o presente trabalho visa a
implementação do Método de Euler em conjunto com modelos de redes neurais para a
aproximação de soluções de equações diferenciais ordinárias. Como metodologia, aplicamos o
método de Euler para obter valores aproximados da função solução da equação diferencial na
proximidade do ponto inicial. Depois, usamos esses pontos para treinar um modelo de rede
neural como uma aproximação da solução real em um intervalo estendido. O modelo final
apresenta resultas próximos de uma rede neural treinada com pontos da solução exata da
equação diferencial e apresenta melhores resultados quando comparados a aplicação direta do
método de Euler em todo o intervalo em consideração. Em particular, a análise mostra que o
modelo proposto é indicado nos casos em que o método de Euler não possui estabilidade.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Referências

CHOI, R.Y et al. Introduction to Machine Learning, Neural Networks, and Deep Learning. Translational Vision Science & Technology, v.9, n.14, Jan. 2020.

BATHLA, G et al. Autonomous Vehicles and Intelligent Automation: Applications, Challenges, and Opportunities. Mobile Information Systems, v.2022, Jun.2022. DOI: https://doi.org/10.1155/2022/7632892

LEE, D.; YOON, S.N. Application of Artificial Intelligence-Based Technologies in the Healthcare Industry: Opportunities and Challenges. Int. J. Environ. Res. Public Health, v.18, n.1, Jan. 2021. DOI: https://doi.org/10.3390/ijerph18010271

PATRÃO, M.; REIS, M. Analisando a pandemia de COVID-19 através dos modelos SIR e SECIAR. Biomatemática, v.30, 2022.

VIANA, M.; ESPINAR, J. Equações Diferenciais: Uma abordagem de Sistemas Dinâmicos, IMPA. 2021.

CRONIN, J. Ordinary differential equations: introduction and qualitative theory. CRC press, 2007. DOI: https://doi.org/10.1201/b17251

BUTCHER, J. C. Numerical methods for ordinary differential equations. John Wiley & Sons, 2016. DOI: https://doi.org/10.1002/9781119121534

CYBENKO, G. Approximation by Superpositions of a Sigmoidal Function. Math. Control Signals Systems, v2, Dec.1989. DOI: https://doi.org/10.1007/BF02551274

ABU-MOSTAFA, Y. S.; MAGDON-ISMAIL, M.; LIN, H. Learning from data. AMLBook New York, 2012.

BURDEN, R. L.; FAIRES, D. J.; BURDEN, A. M. Numerical analysis. Cengage learning, 2015.

Downloads

Publicado

20/12/2023

Como Citar

HIDA, C. S.; HIDA, G. S. MÉTODO DE EULER E REDES NEURAIS PARA APROXIMAÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS. Revista Interface Tecnológica, [S. l.], v. 20, n. 2, p. 27–38, 2023. DOI: 10.31510/infa.v20i2.1726. Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/article/view/1726. Acesso em: 16 jun. 2024.

Edição

Seção

Tecnologia em Informática

Métricas