La procedura con cui questo algoritmo lavora è caratterizzata da due passaggi attraverso i livelli di neuroni della rete, ovvero si ha un passaggio in avanti ed un passaggio all’indietro; nel passaggio in avanti viene messo in ingresso alla rete un vettore i cui effetti si propagano all’interno della struttura della rete, l’uscite ottenuta rappresenta l’attuale risposta del sistema; durante questa fase i pesi sinaptici non vengono modificati.
Durante il passaggio all’indietro i pesi sinaptici vengono aggiustati secondo una regola di correzione dell’errore; in particolare l’uscita ottenuta viene confrontata con l’uscita desiderata (target), si crea cosi un segnale di errore che viene propagato all’indietro rispetto alla convenzionale direzione delle connessioni sinaptiche (da cui il nome back-propagation); i pesi sinaptici sono aggiustati in modo da avvicinare il più possibile la risposta della rete al target in senso statistico.
A.2
Algoritmo Broyden Fletcher Goldfarb Shan-
no
L’algoritmo Broyden-Fletcher-Goldfarb-Shanno (BFGS ) è un metodo iterativo utilizzato per risolvere problemi di ottimizzazione non lineare, che appartiene alle tecniche di hill-climbing che ricercano un punto stazionario di una funzione; per alcuni problemi, una condizione necessaria per l’ottimalità è che il gradiente sia zero.
Nonostante questi metodi utilizzino la derivata prima e la seconda, la tecnica BFGS ha ottime prestazioni anche par ottimizzazioni non regolari.
Il metodo BFGS è uno degli algoritmi più comuni tra i metodi Quasi-Newton. Per ulteriori informazioni su come lavora questo algoritmo si richiamano gli articoli [17] [18] [19] [20] [21] [22].
Bibliografia
[1] S. Stettler, P. Toggweiler, e J. Remund. Spyce: Satellite photovoltaic yield control and evaluation. In 21st European Photovoltaic Solar Energy Conference, 2006.
[2] A. Drews, A.C. de Keizer, H.G. Beyer, E. Lorenz, J. Betcke, W.G.J.H.M. van Sark, W. Heydenreich, E. Wiemken, S. Stettler, P. Toggweiler, S. Bofinger, M. Schneider, G. Heilsher, e D. Heinemann. Monitoring and remote failure detection of grid-connected pv systems based on satellite observations. Solar Energy, 81:548–564, 2007.
[3] Elke Lorenz, Jethro Betcke, Anja Drews, Detlev Heinemann, Peter Toggweiler, Sandra Stettler, Wilfried van Sark, Gerd Heilscher, Martin Schneider, Edo Wiemken, e altri. Pvsat-2: intelligent performance check of pv system operation based on satellite data. In Proc. European Photovoltaic Solar Energy Conference, Paris, pp. 7–10, 2004.
[4] A Drews, E Lorenz, J Betcke, AC de Keizer, WGJHM van Sark, HG Beyer, W Heydenreich, E Wiemken, S Stettler, P Toggweiler, e altri. Remote performance check and automated failure identification for grid-connected pv systems-results and experiences from the test phase within the pvsat-2 project. In Proc. Eurosun, 2006.
[5] Marco Morelli, Andrea Masini, e Marco Alberto Carlo Potenza. A new method for the performance analysis of a concentrating solar power energy plant using remotely sensed optical images. In ATMOS 2012 - Advances in Atmospheric Science and Applications, 2012.
Bibliografia 91
[6] Marco Morelli e Fabrizio Flore. Satellite data for solar ultraviolet and photovoltaic management services. The growing use of GMES across Europe’s Regions, I:120–121, 2012.
[7] Marco Morelli, Andrea Masini, e Marco Alberto Carlo Potenza. Web tools for performance analysis and planning support for solar energy plants (pv, csp, cpv) starting from remotely sensed optical images. In Proceedings of the 27th EnviroInfo 2013 Conference, 2013.
[8] Santiago Silvestre e Aissa Choulder. Fault detection and automatic supervision methodology for pv systems. In 25th European Photovoltaic Solar Energy Conference and Exhibition, 2010.
[9] Santiago Silvestre e Aissa Choulder. Automatic supervision and fault de- tection of pv systems based on power losses analysis. Energy Conversion and Management, 51:1929–1937, 2010.
[10] S Silvestre e Aissa Chouder. Identifiying causes of power reduction in photovoltaic systems. In Photovoltaic Specialists Conference (PVSC), 2010 35th IEEE, pp. 002318–002320. IEEE, 2010.
[11] S Stettler, P Toggweiler, E Wiemken, W Heydenreich, AC de Keizer, WGJHM van Sark, S Feige, M Schneider, G Heilscher, E Lorenz, e altri. Failure detection routine for grid-connected pv systems as part of the pvsat-2 project. In Proceedings of the 20th European Photovoltaic Solar Energy Conference, Barcelona, Spain, pp. 2490–2493, 2005.
[12] Mauro Tucci e Marco Raugi. Analysis of spectral clustering algorithms for linear and nonlinear time series. In Intelligent Systems Design and Applications (ISDA), 2011 11th International Conference on, pp. 925–930. IEEE, 2011.
[13] Ulrike von Luxburg. A tutorial on spectral clustering. Relazione tecnica, Max Planck Institute for Biological Cybernetics, 2006.
[14] Mikhail Belkin e Partha Niyogi. Laplacian eigenmaps for dimensionality reduction and data representation. Neural computation, 15(6):1373–1396, 2003.
Bibliografia 92
[15] Andrew Y Ng, Michael I Jordan, Yair Weiss, e altri. On spectral clustering: Analysis and an algorithm. Advances in neural information processing systems, 2:849–856, 2002.
[16] Simon Haykin. Neural Networks. Tom Robbins, 1999.
[17] Charles George Broyden. The convergence of a class of double-rank minimization algorithms 1. general considerations. IMA Journal of Applied Mathematics, 6(1):76–90, 1970.
[18] Charles G Broyden. The convergence of a class of double-rank mini- mization algorithms 2. the new algorithm. IMA Journal of Applied Mathematics, 6(3):222–231, 1970.
[19] Roger Fletcher. A new approach to variable metric algorithms. The computer journal, 13(3):317–322, 1970.
[20] Donald Goldfarb. A family of variable-metric methods derived by variational means. Mathematics of computation, 24(109):23–26, 1970. [21] David F Shanno. Conditioning of quasi-newton methods for function
minimization. Mathematics of computation, 24(111):647–656, 1970. [22] David F Shanno e Paul C Kettler. Optimal conditioning of quasi-newton
Ringraziamenti
Desidero ringraziare l’Ingegner Tucci ed il Dottor Morelli, relatori di questa tesi, per la grande disponibilità e cortesia dimostratemi, e per tutto l’aiuto fornito durante lo svolgimento del lavoro.
Grazie ai miei genitori che mi hanno permesso di raggiungere questo traguardo.
Il ringraziamento più grande lo devo a Camilla, non ci sono parole per descrivere quanto lei sia indispensabile per me.
Grazie a mio fratello Simone, a tutti i miei amici e ai compagni di studio che mi hanno sempre supportato.
Un grande ringraziamento a Dario, Filippo e Leonardo, miei colleghi e amici, per l’aiuto tecnico e morale che mi hanno dato.
Grazie a tutto lo staff di i-EM e Flyby per la loro disponibilità e pazienza nei miei confronti.
Infine desidero ringraziare la mia famiglia Ing.Aus, senza di lei sarebbe stato tutto incredibilmente più difficile.