[pt] O setor de refrigeração tem um papel fundamental e crescente na vida moderna. Seus usos vão desde processos industriais até conservação de alimentos passando por aplicações de conforto térmico. Tamanho peso econômico também se reflete nas emissões de poluentes do segmento. Acordos internacionais têm sido implementados com o objetivo de substituir fluidos refrigerantes que são danosos à camada de ozônio ou com alto potencial de aquecimento global. Outras abordagens visam reduzir o nível de emissões por meio da diminuição do consumo energético da operação de sistemas de refrigeração. Nesse sentido, este trabalho investiga a implementação de uma estratégia baseada em controle preditivo para sistemas de expansão direta. O objetivo foi verificar se o controlador baseado nessa abordagem seria capaz de controlar a temperatura interna de um ambiente. Os resultados mostram que o controlador proposto foi eficaz nessa tarefa para o caso de temperaturas externas constantes, porém ineficaz em contexto dinâmico. Quando o desempenho dessa abordagem foi comparado àquele de um mesmo sistema operando com controlador de duas velocidades, os resultados foram inferiores. A estratégia de controle preditivo foi capaz de manter a temperatura do ambiente refrigerado dentro da faixa desejada em 53 por cento do tempo contra 96 por cento do esquema de duas velocidades. Em paralelo, estudou-se também a aplicação do método de estimação estados em horizonte móvel. O objetivo foi discutir se era possível inferir parâmetros do ciclo de refrigeração sem efetivamente mensurá-los. Os resultados mostram que o modelo de refrigeração proposto é observável em condições externas constantes. Além disso, uma comparação de desempenho entre o sistema operando com fluidos diferentes foi realizada. O intuito foi mostrar as possibilidades do método de estimação no que tange o cálculo de indicadores de desempenho. / [en] The refrigeration sector has a fundamental and growing role in modern life. Its uses range from industrial processes and food preservation to applications of thermal comfort. Its economic weight size is reflected in the level of pollutant emissions of the segment. International agreements have been implemented with the objective of replacing refrigerant fluids that are harmful to the ozone layer or with a high global warming potential. These initiatives seek to mitigate the direct impact of the release of gases into the atmosphere. Other approaches aim to reduce the level of emissions by reducing the energy consumption of the operation of these systems.In this sense, this work investigates the implementation of a strategy based on predictive control for direct expansion systems. The objective was to verify if the control strategy based on this approach would be able to keep the internal temperature of an room within a defined range. The results show that the proposed control scheme was effective for the case of constant external temperatures, but ineffective in a dynamic context. Comparing the performance of this approach to the same system operating with a two velocities control scheme, the results were inferior. The predictive control strategy was able to keep the temperature within the desired range in 53 per cent of the simulation time versus 96 per cent of the two velocity aproach. In parallel, the application of the estimation method states in moving horizon was also studied. The objective was to discuss whether it was possible to infer parameters of the refrigeration cycle without actually measuring them. The results show that the refrigeration model proposed is observable under constant external conditions. In addition, a performance comparison between the system operating with different fluids was performed. The goal was to show the possibilities of this estimation method with respect to the calculation of performance metrics.

[pt] Esta pesquisa propõe a implementação de um simulador para investigar o comportamento dinâmico dos sistemas elétricos de potência e a sua estabilidade. É introduzida uma nova abordagem para simulação de redes elétricas lineares, que segue as técnicas básicas e os modelos utilizados no EMTP (simulador tradicional), porém levando vantagem ao utilizar propriedades de filtragem digital multitaxa. O simulador proposto decompõe o sinal e a rede em sub-bandas de freqüência, cada uma delas operada independentemente, o que torna o processo bastante interessante para a implementação utilizando processamento em paralelo. O passo de integração nas simulações das sub-bandas é sempre maximizado, reduzindo a carga computacional. A simulação permite a detecção em tempo real de sub-bandas que poderiam ser momentaneamente desconectadas, sem perda de precisão no resultado final. Este comportamento adaptativo aumenta a eficiência do simulador, ajustando a complexidade do modelo de acordo com os requisitos da simulação. / [en] This work proposes the implementation of a simulator to investigate the dynamic behavior and the stability of electric power systems. A new approach to linear electric network simulation is introduced, closely following the EMTP basic techniques and models, but taking advantage of multirate digital filter properties. The final simulator decomposes signals and network models into subbands of frequencies, each of them independently operated, allowing parallel processing The integration time step in the subband simulations is always maximized, reducing computational burden. The simulation permits online detection of subbands that could be momentarily disconnected with negligible loss of accuracy in the final result. This adaptive feature further improves efficiency, adjusting the network model complexity, according to the simulation requirements.

[pt] O surgimento da World Wide Web representou uma nova oportunidade de publicidade, disponível para qualquer empresa: A possibilidade de exposição global para uma grande audiência a um custo extremamente pequeno. Como conseqüência disso, surgiu toda uma nova indústria oferecendo serviços relacionados à publicidade de busca, na qual uma empresa anunciante paga por uma posição de destaque em listas de anúncios. A fim de manter a credibilidade e a participação de mercado do serviço que os veicula - por exemplo, uma máquina de busca - os anúncios devem ser exibidos apenas para os usuários que se interessem por eles, no que se chama de Publicidade Direcionada. Em virtude disso, surge a necessidade de se utilizar um sistema de recomendação que seja capaz de escolher que anúncios exibir para quais usuários. Nos sistemas de recomendação baseados em filtragem colaborativa, as preferências de outros usuários são utilizadas como atributos para um sistema de aprendizado, pois estas podem ser bastante detalhadas, gerando recomendações não só para os itens mais populares como também para nichos de itens. Neste trabalho, é desenvolvido um sistema de recomendação de anúncios que aplica Filtragem Colaborativa baseada em fatoração de matrizes ao problema de predição do Click- Through Rate, uma métrica em Publicidade Direcionada que expressa a relevância de um anúncio para os usuários que buscam por uma determinada palavra- chave. A fim de validar o método proposto de predição do Click-Through Rate, realizamos vários experimentos em um conjunto de dados sintéticos. Adicionalmente, o trabalho contribui para o projeto do LearnAds, um framework de recomendação de anúncios baseado em Aprendizado de Máquina. / [en] The emergence of the World Wide Web represented a new advertising opportunity available to any company: The possibility of global exposure to a large audience at a very small cost. As a result, a whole new industry has emerged by offering services related to search advertising, in which an advertiser pays for a prominent position in lists of ads. In order to maintain the credibility and market share of the service that conveys them - for example, a search engine - such ads must be displayed only to users who are interested in them, on what is called Targeted Advertising. Therefore, those services need to use a recommendation system that can choose which ads show to which users. Recommendation systems based on collaborative filtering use the preferences of other users as features to a learning system, since such preferences can be quite detailed, generating recommendations not only for the most popular items but also to item niches. In this work, we develop an ads recommendation system that applies Collaborative Filtering based on matrix factorization to the problem of predicting the Click-Through Rate, a Targeted Advertising metric that expresses the relevance of a particular ad for the users searching for a specific keyword. In order to validate the proposed method of Click-Through Rate prediction, we carry out several experiments on a synthetic data set. Additionally, the work contributes to the design of LearnAds, a framework for ads recommendation systems based on Machine Learning.

[pt] Com a quantidade de informação e sua disponibilidade facilitada pelo uso da Internet, diversas opções são oferecidas às pessoas e estas, normalmente, possuem pouca ou quase nenhuma experiência para decidir dentre as alternativas existentes. Neste âmbito, os Sistemas de Recomendação surgem para organizar e recomendar automaticamente, através de Aprendizado de Máquina, itens interessantes aos usuários. Um dos grandes desafios deste tipo de sistema é realizar o casamento correto entre o que está sendo recomendado e aqueles que estão recebendo a recomendação. Este trabalho aborda um Sistema de Recomendação baseado em Filtragem Colaborativa, técnica cuja essência está na troca de experiências entre usuários com interesses comuns. Na Filtragem Colaborativa, os usuários pontuam cada item experimentado de forma a indicar sua relevância, permitindo que outros do mesmo grupo se beneficiem destas pontuações. Nosso objetivo é utilizar um algoritmo de Boosting para otimizar a performance dos Sistemas de Recomendação. Para isto, utilizamos uma base de dados de anúncios com fins de validação e uma base de dados de filmes com fins de teste. Após adaptações nas estratégias convencionais de Boosting, alcançamos melhorias de até 3% sobre a performance do algoritmo original. / [en] With the amount of information and its easy availability on the Internet, many options are offered to the people and they, normally, have little or almost no experience to decide between the existing alternatives. In this scene, the Recommendation Systems appear to organize and recommend automatically, through Machine Learning, the interesting items. One of the great recommendation challenges is to match correctly what is being recommended and who are receiving the recommendation. This work presents a Recommendation System based on Collaborative Filtering, technique whose essence is the exchange of experiences between users with common interests. In Collaborative Filtering, users rate each experimented item indicating its relevance allowing the use of ratings by other users of the same group. Our objective is to implement a Boosting algorithm in order to optimize a Recommendation System performance. For this, we use a database of advertisements with validation purposes and a database of movies with testing purposes. After adaptations in the conventional Boosting strategies, improvements of 3% were reached over the original algorithm.

[pt] Sistemas de recomendação aparecem em diversos domínios do mundo real. Vários modelos foram propostos para o problema de predição de entradas faltantes em um conjunto de dados. Duas das abordagens mais comuns são filtragem colaborativa baseada em similaridade e modelos de fatores latentes. Uma alternativa, mais recente, foi proposta por Salakhutdinov em 2007, usando máquinas de Boltzmann restritas, ou RBMs. Esse modelo se encaixa na família de modelos de fatores latentes, no qual, modelamos fatores latentes dos dados usando unidades binárias na camada escondida das RBMs. Esses modelos se mostraram capazes de aproximar resultados obtidos com modelos de fatoração de matrizes. Nesse trabalho vamos revisitar esse modelo e detalhar cuidadosamente como modelar e treinar RBMs para o problema de predição de entradas vazias em dados tabulares. / [en] Recommender systems can be used in many problems in the real world. Many models were proposed to solve the problem of predicting missing entries in a specific dataset. Two of the most common approaches are neighborhood-based collaborative filtering and latent factor models. A more recent alternative was proposed on 2007 by Salakhutdinov, using Restricted Boltzmann Machines. This models belongs to the family of latent factor models, in which, we model latent factors over the data using hidden binary units. RBMs have shown that they can approximate solutions trained with a traditional matrix factorization model. In this work we ll revisit this proposed model and carefully detail how to model and train RBMs for the problem of missing ratings prediction.

[pt] Nos últimos anos, vários mecanismos permitem medir campos vetoriais reais, provendo uma compreensão melhor de fenômenos importantes, tais como dinâmica de fluidos ou movimentos de fluido cerebral. Isso abre um leque de novos desafios a visualização e análise de campos vetoriais em muitas aplicações de engenharia e de medicina por exemplo. Em particular, dados reais são geralmente corrompidos por ruído, dificultando a compreensão na hora da visualização. Esta informação necessita de uma etapa de remoção de ruído como pré-processamento, no entanto remoção de ruído normalmente remove as descontinuidades e singularidades, que são fundamentais para a análise do campo vetorial. Nesta dissertação é proposto um método inovador para remoção de ruído em campo vetorial baseado em caminhadas aleatórias que preservam certas descontinuidades. O método funciona em um ambiente desestruturado, sendo rápido, simples de implementar e mostra um desempenho melhor do que a tradicional técnica Gaussiana de remoção de ruído. Esta tese propõe também uma metodologia semi-automática para remover ruído, onde o usuário controla a escala visual da filtragem, levando em consideração as mudanças topológicas que ocorrem por causa da filtragem. / [en] In recent years, several devices allow to measure real vector fields, leading to a better understanding of fundamental phenomena such as fluid dynamics or brain water movements. This gives vector field visualization and analysis new challenges in many applications in engineering and in medicine. In particular real data is generally corrupted by noise, puzzling the understanding provided by visualization tools. This data needs a denoising step as preprocessing, however usual denoising removes discontinuities and singularities, which are fundamental for vector field analysis. In this dissertation a novel method for vector field denoising based on random walks is proposed which preserves certain discontinuities. It works in a unstructured setting; being fast, simple to implement, and shows a better performance than the traditional Gaussian denoising technique. This dissertation also proposes a semi-automatic vector field denoising methodology, where the user visually controls the filtering scale by validating topological changes caused by classical vector field filtering.

[pt] Esta tese apresenta novas estruturas e algoritmos adaptativos para detecção às cegas de sinais DS-CDMA. São investigados receptores cegos com restrições lineares baseados nas funções custo de mínima variância (CMV) e módulo constante (CCM). Algoritmos adaptativos do tipo Affine-Projection para estimação dos parâmetros do receptor são desenvolvidos e seu desempenho em estado estacionário é analisado. Também são apresentados algoritmos adaptativos para estimação às cegas do canal de comunicações. Em seguida, novas estruturas de canceladores de interferência são propostas. Primeiramente um cancelador de interferência paralelo (PIC) linear baseado na função custo CCM é proposto. Em seguida é desenvolvido um novo esquema não-supervisionado de cancelamento sucessivo de interferência (SIC), baseado no conceito de arbitragem paralela. Por fim, é apresentado um esquema híbrido (HIC) que combina a estrutura SIC com uma estrutura multi- estágio, resultando em melhores estimativas para detecção e desempenho uniforme para os usuários do sistema. / [en] This thesis presents new structures and adaptive algorithms for blind detection of DS-CDMA signals. Linearly constrained minimum variance (CMV) and constant modulus (CCM) receivers are investigated. Blind adaptive Affine- Projection like algorithms for receiver parameter estimation are derived and its steady-state performance is analyzed. Blind adaptive channel estimation algorithms are also presented. This work also proposes new interference cancellation structures. Firstly, a blind linear parallel interference canceller (PIC) based on the CCM cost function is proposed. Secondly, a new non-supervised serial interference canceller (SIC) based on the parallel arbitration concept is developed. Finally, an hybrid interference cancellation scheme (HIC) which combines SIC and multiple PIC stages is presented.

[pt] As RNA Temporais, em função de sua estrutura, consideram o tempo na sua operação, incorporando memória de curto prazo distribuída na rede em todos os neurônios escondidos e em alguns dos casos nos neurônios de saída. Esta classe de redes é utilizada para representar melhor a natureza temporal dos sistemas dinâmicos. Em contraste, a RNA estática tem uma estrutura apropriada para tarefas de reconhecimento de padrões, classificação e outras de natureza estática ou estacionária tendo sido utilizada com sucesso em diversas aplicações. O objetivo desta tese, portanto foi estudar a teoria e avaliar o desempenho das Redes Neurais Temporais em comparação com as Redes Neurais Estáticas, em aplicações de sistemas dinâmicos. O desenvolvimento desta pesquisa envolveu 3 etapas principais: pesquisa bibliográfica das metodologias desenvolvidas para RNA Temporais; seleção e implementação de modelos para a avaliação destas redes; e estudo de casos. A pesquisa bibliográfica permitiu compila e classificar os principais trabalhos sobre RNA Temporais. Tipicamente, estas redes podem ser classificadas em dois grupos: Redes com Atraso no Tempo e Redes Recorrentes. Para a análise de desempenho, selecionou-se uma redee de cada grupo para implementação. Do primeiro grupo foi selecionada a Rede FIR, onde as sinapses são filtros FIR (Finite-duration Impulse Response) que representam a natureza temporal do problema. A rede FIR foi selecionada por englobar praticamente, todos os outros métodos de sua classe e apresentar um modelo matemático mais formal. Do segundo grupo, considerou-se a rede recorrente de Elman que apresenta realimentação global de cada um dos neurônios escondidos para todos eles. No estudo de casos testou-se o desempenho das redes selecionadas em duas linhas de aplicação: previsão de séries temporais e processamento digital de sinais. No caso de previsão de séries temporais, foram utilizadas séries de consumo de energia elétrica, comparando-se os resultados com os encontrados na literatura a partir de métodos de Holt-Winters, Box & Jenkins e RNA estáticas. No caso da aplicação das RNA em processamento digital de sinais, utilizou-se a filtragem de ruído em sinais de voz onde foram feitas comparações com os resultados apresentados pelo filtro neural convencional, que é uma rede feed-forward multicamada com o algoritmo de retropropagação para o aprendizado. Este trabalho demonstrou na prática que as RNA temporais conseguem capturar as características dos processos temporais de forma mais eficiente que as RNA Estatísticas e outros métodos tradicionais, podendo aprender diretamente o comportamento não estacionário das séries temporais. Os resultados demonstraram que a rede neural FIR e a rede Elman aprendem melhor a complexidade dos sinais de voz. / [en] This dissertation investigates the development of Artificial Neural Network (ANN) in the solution of problems where the patterns presented to the network have a temporary relationship to each other, such as time series forecast and voice processing. Temporary ANN considers the time in its operation, incorporating memory of short period distributed in the network in all the hidden neurons and in the output neurons in some cases. This class of network in better used to represent the temporary nature of the dynamic systems. In contrast, Static ANN has a structure adapted for tasks of pattern recognition, classification and another static or stationary problems, achieving great success in several applications. Considered an universal approximator, Static ANN has also been used in applications of dynamic systems, through some artifices in the input of the network and through statistical data pre- processings. The objective of this work is, therefore to study the theory and evaluate the performance of Temporal ANN, in comparison with Static ANN, in applications of dynamics systems. The development of this research involved 3 main stages: bibliographical research of the methodologies developed for Temporal ANN; selection and implementation of the models for the evaluation of these networks; and case studies. The bibliographical research allowed to compile and to classify the main on Temporal ANN, Typically, these network was selected, where the synapses are filters FIR (Finite-duration Impulse Response) that represent the temporary nature of the problem. The FIR network has been selected since it includes practically all other methods of its class, presenting a more formal mathematical model. On the second group, the Elman recurrent network was considered, that presents global feedback of each neuron in the hidden layer to all other neurons in this layer. In the case studies the network selected have been tested in two application: forecast of time series and digital signal processing. In the case of forecast, result of electric energy consumption time series prediction were compared with the result found in the literature such as Holt-Winters, Box & Jenkins and Static ANN methods. In the case of the application of processing where the comparisons were made with the results presented by the standard neural filter, made of a multilayer feed-forward network with the back propagation learning algorithm. This work showed in practice that Temporal ANN captures the characteristics of the temporary processes in a more efficient way that Static ANN and other methods, being able to learn the non stationary behavior of the temporary series directly. The results showed that the FIR neural network and de Elman network learned better the complexity of the voice signals.

[pt] Esta tese propõe que a combinação de técnicas de filtragem colaborativa, em particular para recomendações item-item, com novas tecnologias de computação em nuvem, pode melhorar drasticamente a eficiência dos sistemas de recomendação, particularmente em situações em que o número de itens e usuários supera milhões de objetos. Nela apresentamos uma arquitetura de recomendação item-item em tempo real, que racionaliza o uso dos recursos computacionais através da computação sob demanda. A arquitetura proposta oferece uma solução para o cálculo de similaridade entre itens em tempo real, sem ter que recorrer à simplificação do modelo de recomendação ou o uso de amostragem de dados de entrada. Esta tese também apresenta um novo modelo de feedback implícito para vídeos de curta duração, que se adapta ao comportamento dos usuários, e descreve como essa arquitetura foi usada na implementação de um sistema de recomendação de vídeo em uso pelo maior grupo de mídia da América Latina, apresentando resultados de um estudo de caso real para mostrar que é possível reduzir drasticamente o tempo de cálculo das recomendações (e os custos financeiros globais) usando o provisionamento dinâmico de recursos na nuvem. Ela discute ainda a implementação em detalhes, em particular o projeto da arquitetura baseada em nuvem. Finalmente, ela também apresenta oportunidades de pesquisa em potencial que surgem a partir desta mudança de paradigma. / [en] This dissertation argues that the combination of collaborative filtering techniques, particularly for item-item recommendations, with emergent cloud computing technology can drastically improve algorithm efficiency, particularly in situations where the number of items and users scales up to several million objects. It introduces a real-time item-item recommendation architecture, which rationalizes the use of resources by exploring on-demand computing. The proposed architecture provides a real-time solution for computing online item similarity, without having to resort to either model simplification or the use of input data sampling. This dissertation also presents a new adaptive model for implicit user feedback for short videos, and describes how this architecture was used in a large scale implementation of a video recommendation system in use by the largest media group in Latin America, presenting results from a real life case study to show that it is possible to greatly reduce recommendation times (and overall financial costs) by using dynamic resource provisioning in the Cloud. It discusses the implementation in detail, in particular the design of cloud based features. Finally, it also presents potential research opportunities that arise from this paradigm shift.

[pt] Esta tese é composta de três artigos em que a ligação entre eles são modelos estatísticos com parametros variantes no tempo. Todos os artigos adotam um arcabouço que utiliza um mecanismo guiado pelos dados para a atualização dos parâmetros dos modelos. O primeiro explora a aplicação de uma nova classe de modelos de séries temporais não Gaussianas denominada modelos Generalized Autegressive Scores (GAS). Nessa classe de modelos, os parâmetros são atualizados utilizando o score da densidade preditiva. Motivamos o uso de modelos GAS simulando cenários conjuntos de fator de capacidade eólico. Nos últimos dois artigos, o gradiente descentente estocástico (SGD) é adotado para atualizar os parâmetros que variam no tempo. Tal metodologia utiliza a derivada de uma função custo especificada pelo usuário para guiar a otimização. A estrutura desenvolvida foi projetada para ser aplicada em um contexto de fluxo de dados contínuo, portanto, técnicas de filtragem adaptativa são exploradas para levar em consideração o concept-drift. Exploramos esse arcabouço com aplicações em segurança cibernética e infra-estrutura instrumentada. / [en] This thesis is composed of three papers in which the common ground among them is statistical models with time-varying parameters. All of them adopt a framework that uses a data-driven mechanism to update its coefficients. The first paper explores the application of a new class of non-Gaussian time series framework named Generalized Autoregressive Scores (GAS) models. In this class of models the parameters are updated using the score of the predictive density. We motivate the use of GAS models by simulating joint scenarios of wind power generation. In the last two papers, Stochastic Gradient Descent (SGD) is adopted to update time-varying parameters. This methodology uses the derivative of a user specified cost function to drive the optimization. The developed framework is designed to be applied in a streaming data context, therefore adaptive filtering techniques are explored to account for concept-drift.We explore this framework on cyber-security and instrumented infrastructure applications.