[pt] Nesta dissertação é desenvolvido um modelo de previsão de energia elétrica de curto prazo (previsão mensal) para o sistema elétrico no Brasil, em especial para as concessionárias dos sistemas interligados, através de um modelo de Redes Neurais que emprega um algoritmo de otimização camada a camada. O objetivo principal deste trabalho consiste em demonstrar que bons resultados preditivos podem ser alcançados com a utilização desse algoritmo para séries de energia elétrica e que esse método poderia fazer parte dos métodos de previsão que compõem o Sistema de Previsão de Carga (PREVCAR) do Operador Nacional do Sistema (ONS) a saber: modelo de Holt & Winters, modelo de Box & Jenkins, modelo de redes Neurais (backpropagation) e modelo de Lógica Fuzzy. / [en] It is developed in this essay a short forecast electric energy model (monthly forecast) to the electric system in Brazil, particularly to interconnected systems utilities, through a neural network model, which employs a layer by layer improvement algorithm. The aim of this proposition consists in demonstrating that good forecast results can be reached with the use this algorithm to electric energy series and that this method could be part of the forecast methods, wich compose the Load Forecasting System (PREVCAR) of National System model (backpropagation) and Fuzzy logic model.

[pt] Um dos maiores desafios na área de reconhecimento de voz contínua é desenvolver sistemas robustos ao ruído aditivo. Para isso, este trabalho analisa e testa três técnicas. A primeira delas é a extração de atributos do sinal de voz usando os métodos MFCC, SSCH e PNCC. A segunda é a remoção de ruído do sinal de voz via wavelet denoising. A terceira e última é uma proposta original batizada de feature denoising, que busca melhorar os atributos extraídos usando um conjunto de redes neurais. Embora algumas dessas técnicas já sejam conhecidas na literatura, a combinação entre elas trouxe vários resultados interessantes e inéditos. Inclusive, nota-se que o melhor desempenho vem da união de PNCC com feature denoising. / [en] One of the biggest challenges on the continuous speech recognition field is to develop systems that are robust to additive noise. To do so, this work analyses and tests three techniques. The first one extracts features from the voice signal using the MFCC, SSCH and PNCC methods. The second one removes noise from the voice signal through wavelet denoising. The third one is an original one, called feature denoising, that seeks to improve the extracted features using a set of neural networks. Although some of these techniques are already known in the literature, the combination of them brings many interesting and new results. In fact, it is noticed that the best performance comes from the union of PNCC and feature denoising.

[pt] Esta dissertação investiga a aplicação de Redes Neurais e Algoritmos Genéticos como ferramentas para retirar conhecimentos, em forma de regras, de um Banco de Dados. Essa nova área, KDD (knowledge Discovery in Database), surgiu com a necessidade de se desenvolver ferramentas que possam, de forma automática e inteligente, ajudar aos analistas de dados a transformar grandes volumes de dados em informações e organizar estas informações em conhecimentos úteis. A pesquisa aqui resumida é portanto, um desenvolvimento na área de sistemas de computação (desenvolvimento de sistemas) e na área de inteligência computacional (data mining, algoritmos genéticos, redes neurais, interfaces inteligentes, sistemas de apoio a decisão, criação de bases de conhecimentos) O trabalho de tese foi dividido em cinco partes principais: um estudo sobre o processo KDD; um estudo da estrutura dos sistemas de KDD encontrados na literatura; o desenvolvimento de sistemas de KDD, um utilizando algoritmos Genéticos e os outros utilizando Redes Neurais; o estudo de casos e a análise de desempenho dos sistemas desenvolvidos. O processo de KDD serve para que se possa retirar novos conhecimentos (padrões, tendências, fatos, probabilidade, associações) de um determinado banco de dados. Basicamente o KDD consiste em oito etapas, que são: Definição do problema, Seleção dos dados, Limpeza dos dados, enriquecimento dos dados, Pré-processamento dos dados, Codificação dos dados, Mineração dos dados (data mining) e o relatório contendo a interpretação dos resultados. A mineração dos dados é freqüentemente vista como elemento chave do processo de KDD. A extração do conhecimento, propriamente dita, se dá na Mineração dos dados, onde toda técnica que ajude a extrair mais informações dos dados é útil. Assim na Mineração de dados podemos lançar mão de um grupo heterogêneo de técnicas, como por exemplo, Técnicas de estatísticas, visualização dos dados, redes neurais e algoritmos genéticos. Portanto os estudos do processo inclui estudos sobre Data Mining, aprendizado de máquinas, data warehouse, o processo e o ambiente do KDD, aspectos formais dos algoritmos de aprendizado, inteligência artificial, e algumas aplicações na vida real. Dentre os vários sistemas de KDD encontrados na literatura que foram estudados e analisados, podemos citar sistemas que utilizaram, na etapa de mineração dos dados, uma ou mais das seguintes técnicas de computação para extrair padrões e associações nos dados, uma ou mais das seguintes técnicas de computação para extrair padrões e associações nos dados tais como: Visualização dos dados, ferramenta de consulta, técnicas de estatísticas, processamento analítico on-line (OLAP), Árvore de decisão, regras de associação, redes neurais e algoritmos genéticos. Neste trabalho foram desenvolvidos dois sistemas de KDD. Em cada um dos modelos desenvolvidos utilizou-se uma técnica de visualização dos dados para garantir a interação do sistema com o analista dos dados. Além disso utilizou-se, na etapa mineração dos dados, num dos modelos Algoritmos genéticos, e no outro Redes Neurais Backpropagation. Também para efeito de comparação e de apoio, se desenvolveu um sistema utilizando Técnicas de Estatísticas. Com o modelo utilizando Algoritmos Genéticos se encontra a melhor regra de produção relacionada a um banco de dados, que responde a uma pergunta específica. E com os modelos utilizando Redes Neurais se obtém resultados para serem comparados. A fase de aplicação consistiu em analisar dois diferentes bancos de dados, um contendo dados dos meninos e meninas de rua, e o outro contendo dados dos alunos que se matricularam no vestibular. Na análise dos bancos de dados se utilizou os sistemas de KDD aqui desenvolvidos, tendo como objetivo encontrar, com o auxílio de Algoritmos genéticos, ou de redes ne / [en] This dissertation investigates the genetic algorithms and neural networks as applications tools to find knowledge, in the form of rules, from a database. This new area, KDD (Knowledge Discovery in Database) appeared with the need of developing tools that can, in automatic and intelligent way, help the data analysis to transform great volumes of data in information and to organize these information in useful knowledge. The research here summarized is therefore, a development in the area of computational systems (development of systems) and in the area of intelligence computational (data mining, genetic algoriths, neural networks, intelligence interfaces, decision support systems and creation of knowledge bases). The thesis work was divided in five main parts: A study of the KDD process: a study of the structure of the KDD systems found in the literature; the development of KDD systems, one using genetic algorithms and the others using neural networks; the study of cases and the analysis of the performance of the developed systems. The KDD process is able to find new knowledge (patterns, tendencies, facts, probability and associations) from a certain database. Basically KDD involves eight steps, that are: problem definition, data selection, cleaning, enrichment, preprocessing, coding, data mining and the reporting containing the interpretation of the results. The Data Mining is frequently seen as the key element of the KDD process. The extraction of the knowledge, itself, happens in the Data mining, where any technique that helps extract more information out of your data is useful. In Data Mining we can make use of a heterogeneous group of techiques, for example, Statistical techniques, Visualization techniques, Neural Networks and Genetic algorithms. Therefore the studies of the KDD process included studies on data mining, machine learning, data warehouse, the KDD process and the KDD environment, formal aspects of the learning algoriths, artificial intelligence, and some applications in the real life. In several KDD systems found in the literature that were studied and analyzed, we can mention systems that uses, in the data mining step, one or more of following computation techniques to extract patterns and associations from data as: visualization techniques, query tools, statistical techniques, online analytical processing (OLAP), decision trees, association rules, neural networks and genetic algorithms. In this work two KDD systems wer developed. In each one of the developed models a visualization techniques was used, to guarantee the interaction of the system with the data analyst. And in the Data Mining step, genetic algorithms was used in one of the models, and Backpropagation Neural Networks in the other. For comparison and support effect, a system was developed using Statistical techniques. The genetic algorithm model is to find the best production rule related to a database, that answers to a specific question. And the results of the Neural Networks model is to be compared with the results of the genetic algorithm model. The application phase consisted of analyzing two different databases, one with the boys´data that lives in the street, and the other with the students´data that makes the university admission test. In the analysis of the databases it was used the KDD system here developed, with the objective to find, with genetic algorithms, or Neural Network, the best production rule, related to the databases, that answers a specific question. Two types of question. Two types of question were considered, the ones that look for characteristic of a group of data, for example, Which the boys characteristics that live in the streets? And Which the characteristics of a group of individuals that were classified but they didn´t enroll in the university? And that associates groups of data, for example, What differentiate the boys, with similar economic situation, tha

[pt] Esta tese apresenta uma nova classe de modelos não lineares inspirada no modelo ARN, apresentado por Mellem, 1997. Os modelos definidos nesta classe são aditivos com coeficientes variáveis modelados por redes neurais e, tanto a média quanto a variância condicionais, são modeladas explicitamente. Neste trabalho podem ser identificadas quatro partes principais: um estudo sobre os modelos mais comuns encontrados na literatura de séries temporais; um estudo sobre redes neurais, focalizando a rede backpropagation; a definição do modelo proposto e os métodos utilizados na estimação dos parâmetros e o estudo de casos. Modelos aditivos têm sido escolha preferencial na modelagem não linear: paramétrica ou não paramétrica, de média ou de variância condicional. Além disso, tanto a idéia de modelos de coeficientes variáveis quanto a de modelos híbridos. que reúnem paradigmas diferentes, não é novidade. Por esta razão, foi traçado um panorama dos modelos não lineares mais encontrados na literatura de séries temporais, focalizando-se naqueles que tinham relacionamento mais estreito com a classe de modelos proposta neste trabalho. No estudo sobre redes neurais, além da apresentação de seus conceitos básicos, analisou- se a rede backpropagation, ponto de partida para a modelagem dos coeficientes variáveis. Esta escolha deveu- se à constatação da predominância e constância no uso desta rede, ou de suas variantes, nos estudos e aplicações em séries temporais. Demonstrou-se que os modelos propostos são aproximadores universais e podem ser utilizados para modelar a variância condicional de uma série temporal. Foram desenvolvidos algoritmos, a partir dos métodos de mínimos quadrados e de máxima verossimilhança, para a estimação dos pesos, através da adaptação do algoritmo de backpropagation à esta nova classe de modelos. Embora tenham sido sugeridos outros algoritmos de otimização, este mostrou-se suficientemente apropriado para os casos testados neste trabalho. O estudo de casos foi dividido em duas partes: testes com séries sintéticas e testes com séries reais. Estas últimas, normalmente, utilizadas como benchmarking por analistas de séries temporais não lineares. Para auxiliar na identificação das variáveis do modelo, foram utilizadas regressões de lag não paramétricas. Os resultados obtidos foram comparados com outras modelagens e foram superiores ou, no mínimo, equivalentes. Além disso, é mostrado que o modelo híbrido proposto engloba vários destes outros modelos. / [en] A class of nonlinear additive varyng coefficient models is introduced in this thesis, inspired by ARN model, presented by Mellem, 1997. the coefficients are explicitly modelled. This work is divided in four major parts: a study of most common models in the time series literature; a study of neural networks, focused in backpropagation network; the presentation of the proposed models and the methods used for parameter estimation: and the case studies. Additive models has been the preferencial choice in nonlinear modelling: idea of varyng coefficient and of hybrid models, aren`t news. Hence, the models in the time series literature were analysed, assentialy those closely related with the class of models proposed in this work. Sinse the predominance and constancy in the use of backpropagation network, or its variants, in time series studies and applications, was confirmed by this work, this network was analyzed with more details. This work demonstrated that the proposed models are universal aproximators and could model explicity conditional variance. Moreover, gradient calculus and algorithms for the weight estimation were developed based on the main estimation methods: least mean squares and maximum likelihood. Even though other gradient calculus and otimization algorithms have been sugested, this one was sufficiently adequate for the studied cases. The case studies were divided in two parts: tests with synthetic series and for the nonlinear time series analysts. The obtained results were compared with other models and were superior or, at least, equivalent. Also, these results confirmed that the proposed hybrid model encompass several of the others models

[pt] Esta dissertação investiga a utilização de Redes Neurais Artificiais (RNAs) na previsão de séries temporais, em particular de séries financeiras, consideradas uma classe especial de séries temporais, caracteristicamente ruídos e sem periodicidade aparente. O trabalho envolve quatro partes principais: um estudo sobre redes neurais artificiais e séries temporais; a modelagem das RNAs para previsão de séries temporais; o desenvolvimento de um ambiente de simulação; e o estudo de caso. No estudo sobre Redes Neurais Artificiais e séries temporais fez-se um levantamento preliminar das aplicações de RNAs na previsão de séries. Constatou-se a predominância do uso do algoritmos de retropropagação do erro para o treinamento das redes, bem como dos modelos estatísticos de regressão, de médias móveis e de alisamento exponencial nas comparações com os resultados da rede. Na modelagem das RNAs de retropropagação do erro considerou-se três fatores determinantes no desempenho da rede: convergência, generalização e escalabilidade. Para o controle destes fatores usou-se mecanismos como; escolha da função de ativação dos neurônios - sigmóide ou tangente hiperbólica; escolha da função erro - MSE (Mean Square Error) ou MAD (Mean Absolutd Deviation); e escolha dos parâmetros de controle do gradiente descendente e do temapo de treinamento - taxa de aprendizado e termo de momento. Por fim, definiu-se a arquitetura da rede em função da técnica utilizada para a identificação de regularidades na série (windowing) e da otimização dos fatores indicadores de desempenho da rede. O ambiente de simulação foi desenvolvido em linguagem C e contém 3.600 linhas de códigos divididas em três módulos principais: interface com o usuário, simulação e funções secundárias. O módulo de interface com o usuário é responsável pela configuração e parametrização da rede, como também pela visualização gráfica dos resultados; módulo de simulação executa as fases de treinamento e testes das RNAs; o módulo de funções secundárias cuida do pré/pós-processamento dos dados, da manipulação de arquivos e dos cálculos dos métodos de avaliação empregados. No estudo de caso, as RNAs foram modeladas para fazer previsões da série do preço do ouro no mercado internacional. Foram feitas previsões univariadas single e multi-step e previsões multivariadas utilizando taxas de câmbio de moedas estrangeiras. Os métodos utilizandos para a avaliação do desempenho da rede foram: coeficiente U de Theil, MSE (Mean Square Error), NRMSE (Normalized Root Mean Square Error), POCID (Percentage Of Change In Direction), scattergram e comparação gráfica. Os resultados obtidos, além de avaliados com os métodos acima, foram comparados com o modelo de Box-Jenkins e comprovaram a superioridade das RNAs no tratamento de dados não-lineares e altamente ruidosos. / [en] This dissertation investigates the use of Artificial Neural Nerworks (ANNs) in time series forecastig, especially financial time series, which are typically noisy and with no apparent periodicity. The dissertation covers four major parts: the study of Artificial Neural Networks and time series; the desing of ANNs applied to time series forecasting; the development of a simulation enironment; and a case study. The first part of this dissertation involved the study of Artficial Neural Netwrks and time series theory, resulting in an overview of ANNs utilization in time series forecasting. This overview confirmed the predominance of Backpropagations as the training algorithm, as well as the employment of statistical models, such as regression and moving average, for the Neural Network evaluation. In the design of ANNS, three performance measures were considered: covergence, generalization and scalability. To control these parameters, the following methods were applied: choice of activation function - sigmoid or hiperbolic tangent; choice of cost function - MSE (Mean Square Error) or MAD (Mean Absolute Deviation); choise of parameteres for controlling the gradiente descendent and learning times - the learning rate and momentum term; and network architecture. The simulation environment was developed in C language, with 3,600 lines of code distributed in three main modules: the user interface, the simulaton and the support functions modules. The user interface module is responsaible for the network configuration and for the graphical visualization. The simulation module performs the training and testing of ANNs. The support functions module takes care of the pre and pos processin, the files management and the metrics calculation. The case study concerned with the designing of an ANN to forescast the gold price in the international market. Two kinds of prediction were used: univariate - single and multi-step, and multivariate. The metrics used to evaluate the ANN performance were: U of Theil`s coeficient, MSE (Mean Square Error), NRMSE (Normalized Mean Saquare Error), POCID (Percentage Of Cnage In Direction), scattergram and graphical comparison. The results were also comapred with the Box-Jenkins model, confirming the superiority of ANN in handling non-linear and noisy data.

[pt] O objetivo desta dissertação é estimar um modelo para prever a demanda de passagens rodoviárias em ligações interestaduais no Brasil. Para perseguir este objetivo serão utilizados modelos de regressão linear múltipla e redes neurais. Os modelos de regressão foram testados em relação a sua forma funcional e investigados para a presença de observações aberrantes e influentes. Os resultados evidenciaram que as não- linearidades modeladas pela rede neural não resultam em melhor poder preditivo em relação ao modelo de regressão e, que este apresenta um razoável poder de previsão embora haja possibilidade de super dimensionamento da demanda. / [en] The objective of this dissertation is to estimate a model to forecast the demand of intra state passenger transport tickets in Brazil. To reach this objective, a multiple regression analysis model and artificial neural networks will be used. Regression models were tested in their functional behavior and investigated for the presence of outliers and influent observations. Our results showed that the non linearity modelled by the neural networks did not result in a better forecast when compared to the regression model. Our final regression model has a reasonable forecasting power, although there is possibility of overestimating the demand.

[pt] Esta dissertação investiga a utilização de Redes Neurais, especificamente o modelo conhecido como Mapa Auto- Organizável de Kohonen, na previsão de insolvência no sistema finaneiro. Para o desenvolvimento deste trabalho foram utilizados inicialmente indicadores financeiros trimestrais de 32 Bancos e 53 Financeiras do Paraguai no período compreendido entre dezembro de 1996 e dezembro de 1997. Como parâmetro de comparação foram utilizados os resultados fornecidos pelo sistema de qualificação denominado CAULA, empregado pela Superintendência de Bancos do Banco Central do Paraguai. / [en] This dissertation investigates the use of Neural Networks, especially the model known as Self-Organizing Feature Maps (S.O.F.M.), as regards the prediction of bankruptcy in the financial system. Quarterly financial ratios of 32 Banks and 53 Financial Institutions in Paraguay within the period December 96 - December 97 were utilized for the development of this work. The qualification system, Known as CAULA (Capital, Assets, Utilities, Liquidity and Management), used by the Superintendence of Banks of the Central Bank of Paraguay, was chosen as a comparative model with respect to the Neural Network model.

[pt] Esta dissertação apresenta o desenvolvimento de um sistema híbrido, baseado em Algoritmos Genéticos (AG) e Redes Neurais (RN), no processo de seleção de ações, na determinação do percentual a investir em cada ativo também denominado peso do ativo na carteira e gerenciamento de carteiras de investimento. O objetivo do trabalho é avaliar o desempenho de Algoritmos Genéticos e Redes neurais para a montagem e gerenciamento de carteiras de investimento. A construção e gerenciamento de carteiras de investimento é um problema de múltiplos objetivos (retorno e risco) onde deseja-se escolher um conjunto de ações de empresas com perspectivas de lucro para formar a carteira de investimento. Esta escolha é difícil devido ao grande número de possibilidades e parâmetros a serem considerados, como: retorno, risco, correlação, volatilidade, entre outros; razão pela que é considerado como problema do tipo NP-completo. O trabalho de pesquisa foi desenvolvido em 5 etapas principais: um estudo sobre a área de carteiras de investimento; um estudo sobre os modelos com técnicas de inteligência computacional empregados nesta área; a definição de um modelo híbrido Genético-Neural para a seleção e gerenciamento da carteira para o caso estacionário; a definição de um modelo híbrido Genético- Neural para a seleção e gerencia de carteira para o caso variante no tempo; e o estudo de casos. O estudo sobre a área de carteiras de investimento envolveu toda a teoria necessária para a construção e gerenciamento de carteiras de investimento. O estudo sobre as técnicas de inteligência computacional, define-se os conceitos principais de Algoritmos Genéticos e Redes Neurais empregados nesta dissertação. A modelagem híbrida Genético-Neural para o caso clássico ou estacionário, constituiu fundamentalmente mo emprego de um Algoritmo Genético para selecionar os ativos da carteira a partir de um subconjunto de ativos noticiados na Bolsa de Valores de São Paulo - Brasil (BOVESPA). Uma Rede Neural auxilia na gerência da carteira, fazendo previsões dos retornos dos ativos para o próximo período de avaliação da carteira. Na seleção de ativos, dois algoritmos genéticos são modelados: o primeiro procura escolher 12 dentre 137 ativos negociados na BOVESPA, que apresentem maior expectativa de retorno, com menor risco e que apresentem baixa correlação com os demais ativos; e o segundo procura escolher os ativos empregando o modelo de Makowitz e o critério de Fronteira eficiente. A previsão de retornos da as ações é uma estratégia que visa melhorar o desempenho de carteiras de investimento que, tipicamente, consideram apenas o retorno médio do ativo. Diferentes modelos de redes neurais foram testados, como: Backpropagation, Redes Neurais Bayesianas, Sistema Neuro-Fuzzy Hierárquico e Redes Neurais com Filtros de Kalman; os melhores resultados de previsão foram obtidos com redes neurais com Filtros de Kalman. Para o caso estacionário foram usadas como entradas da rede neural os retornos semanais, tanto do ativo como do índice do mercado, empregando-se o método de janela deslizante para a previsão um passo a frente. A modelagem híbrida Genético-Neural para o caso variante no tempo, constituiu no emprego de 3 modelos: um AG para fazer a escolha dos ativos da carteira; o modelo GARCH para fazer as previsões da volatilidade dos ativos e o cálculo do risco de cada um deles dado pelo VAR (medida de risco que tenta quantificar a perda máxima que uma carteira (ou ativo) pode ter em um horizonte de tempo e com um intervalo de confiança); e uma RN para fazer as previsões dos retornos dos ativos para o próximo período de avaliação de carteira. Na montagem da carteira, empregou-se o Critério de Fronteira eficiente para a seleção dos ativos, também dentre os 137 negociados na BOVESPA. A previsão da volatilidade das ações é uma forma de indicar quanto pode variar o preço da ação, medida útil para determinar o risco de um ativo representado pelo VAR. / [en] This dissertation presents the development of a hybrid system, based in Algorithms Genetics (AG) and Neural Networks (RN), for the selection of stocks, for the determination of the percentage to invest in each asset called weight of the stocks on the portfolio and investmet portfolio management. The objective multiples (return and risk) where desired to choose a set of actions of compaines with profit perspectives to form the investment portfolio. This choice difficult must to the great number of possiblities and parameters be considered, as: return, risk, correlation volatility, among others; reason by which it is considered as problem NP-Complete. The research work was developed in 5 main stages: a study on the investment portfolio area; a study on the models that use techniques of computacinal intelligence in this area; the dffinition of a hybrid model Genetic-Neural for the selection and manages of portfolio for the variant case in the time; and the study of cases. The study of the investment portfolio area it involved all the necessary theory for the construction and investment portfolio management. The study the techniques of computacional intelligence it defines the main concepts of Genetic Algorithms and Neural Networks used in this dissertation. The hybrid modeling Genetic-Neural for the classic or stationary case, consisted basically in the use of a Genetic Algorithm to select the stocks of the portfolio from a subgroup of assets negotiated in the Stock exchange of São Paulo - Brazil (BOVESPA). A Neural Network assists in the management of the portfolio, making forecasts of the returns of the assets for the next period to evaluation of the portfolio. In the asset seletion, two genetic algorithm are shaped: the first selects 12 amongst 137 assets negotiated in the São Paulo Stock Exchange, that present greater return expectation, with lesser risk and that they present low correlation with the others assets; and the second selects the assets using the model of Markowitz and the Criterion of Efficient Frontier. The forecast of returns of the stocks is a strategy that it aims at to improve the investment portfolio performance, typically, they consider only the average return of the asset. Diferent models of neural networks had been tested as: Neural Back Propagation, Networks Bayesianas, Hierarchic Neuro-Fuzzy System and Neural Networks with Filters of Kalman. The best ones resulted of forecast had been gotten with the neural network the weekly returns, as Filters of Kalman. For the stationary case they had been used as entred of the neural network the weekly returns, as much of the asset as of the index of the market, using itself the method of sliding window to make the forecast a step the front. The hybrid modeling Genetic-Neural for the variant case in the time, consisted of the use of 3 models: a AG to make the choice of the assets of the portfolio; model GARCH to make the forecasts of the volatility of the assets and the calculation of the risk of each asset is given by the VAR (measured of risk that tries to quantify the maximum loss that portfolio (or asset) can have in a horizon of time and with a confidence interval); e a RN to make the forecasts of the returns of the assets for the next period to evaluation of the portfolio. In the construction of the portfolio, the Criterion of Efficient Frontier for the selection of the assets was used, also amongst the 137 negotiated in the São Paulo Stock Exchange. The forecast of the volatility of the assets is a form to indicate how much it can vary the price of the assets, measured useful to determine the risk of an asset represented for the VAR. For this case job model GARCH to make this forecast. For the forecast of the returns os the assets they had been used as inputs of the Neural Networks Back Propagation the 10 last weekly returns of the assets and the volatily of the asset, using itself also the method of sliding win

[pt] A interpretação sísmica é um processo fundamental para a exploração de hidrocarbonetos. Essa atividade consiste na identificação de informação geológica através do processamento e análise de dados sísmicos. Com o crescimento acentuado e a complexidade dos dados sísmicos, a análise manual de fácies sísmicas tornou-se um desafio significativo. O mapeamento de fácies sísmicas é um processo demorado e que requer profissionais especializados. O objetivo deste trabalho visa aplicar a classificação multiatributos usando uma rede neural encoder-decoder para mapear as fácies sísmicas e auxiliar no processo de interpretação. Um conjunto de atributos sísmicos, foram calculados utilizando o software Opendtect versão 6.6 a partir dos dados de amplitude contidos no Dataset Facies-Mark . Sendo eles: Energia, Pseudo Relevo, Fase instantânea e Textura, todos foram selecionados por um intérprete. A função de perda utilizada pela rede foi weighted categorical crossentropy, pelo fato das classes serem consideravelmente desbalanceadas. O treinamento foi realizado nas direções inlines e crosslines para as respectivas combinações: atributos, atributo + amplitude, e somente a amplitude. Os resultados baseado na métrica frequency weighted intersection over union (FWIU), mostraram que os atributos junto com a amplitude obtiveram o melhor resultado, 85,73 por cento, em comparação com as outras combinações citadas. Em comparação direta com o trabalho que inspirou essa dissertação, o multiatributos performou melhor. / [en] Seismic interpretation is a fundamental process for hydrocarbon exploration. This activity consists of identifying geological information through the processing and analysis of seismic data. With seismic data s rapid growth and complexity, manual seismic facies analysis has become a significant challenge. Mapping seismic facies is a time-consuming process that requires specialized professionals. The objective of this work is to apply multi-attribute classification using an encoder-decoder neural network to map the seismic facies and assist in the interpretation process. A set of seismic attributes were calculated using Opendtect version 6.6 software from the amplitude data contained in the Facies-Mark Dataset. These being: Energy, Pseudo Relief, Instant Phase, and Texture were all selected by an interpreter. The loss function used by the network was weighted categorical cross-entropy, because the classes are considerably unbalanced. The training was performed in the inlines and crosslines directions for the respective combinations: attributes, attribute + amplitude, and only the amplitude. The results based on the frequency weighted intersection over union (FWIU) metric showed that the attributes along with the amplitude obtained the best result, 85.73 percent, compared to the other combinations mentioned. In direct comparison with the work that inspired this dissertation, multi-attribute performed better.

[pt] A robótica já é parte importante da vida cotidiana, em especial na grande ajuda que pode promover para melhorar a qualidade de vida, mostrando-se como uma ótima opção, por exemplo, para a reabilitação física no corpo humano. O presente trabalho apresenta um projeto e um estudo de controle de movimento de uma plataforma robótica - uma bengala - controlada por meio de sensores de força nela localizados, fazendo com que o registro dos movimentos do usuário seja feito de forma não-invasiva. O protótipo se desloca por meio de três rodas omnidirecionais, acionadas por motores elétricos de corrente continua. Estes últimos têm facilidade no controle e são de baixo custo. A bengala é fabricada em alumínio para facilitar o seu transporte devido à baixa densidade desse material, além de apresentar uma boa usinabilidade, facilitando a sua fabricação. O sistema eletrônico consiste de três etapas: (i) circuito de aquisição de ponte de Wheatstone para os extensômetros; (ii) amplificação e filtragem feitas com amplificadores de instrumentação e filtros passa baixa Butterworth; e (iii) processamento e controle, implementado em dois microcontroladores PIC. O controle da bengala é baseado em admitância em paralelo com um controle PI linear, o qual pretende promover ao usuário uma sensação de naturalidade ao caminhar, sem esforços adicionais significativos e com rápida resposta. Em particular, o sistema pretende detectar situações de queda iminente do usuário, cenário não incomum no uso por idosos. / [en] Robotics already is an important part of modern daily routine, with a quite unlimited potential for the improvement of life quality. For instance, robotics can be a very attractive technology for physical rehabilitation of the human body. The present work presents a design proposal and study of the stability control of an omnidirectional robotic walking cane for assistance of motor disabilities. Non-invasive force sensors are used to register the user s motions and to control the robotic cane. Three omnidirectional wheels, each of them driven by a continuous electrical current motor, move the prototype in all planar directions without the need for turning. The chosen electrical motors are characterized by their easy control and low cost. The stick is fabricated in aluminum, a low-density material with good machinability, in order to both facilitate the user in transporting the cane and to ease the manufacturing process. The electronic system is comprised of three stages: (i) a Wheatstone bridge circuit for the acquisition of strain-gage signals for force and torque sensing; (ii) amplification and filtering with instrumentation amplifiers and Butterworth-type low pass filters; and (iii) processing and control, implemented on two PIC microcontrollers. The control of the robotics support is performed both by an admittance-based approach in parallel with a linear PI control. The quick response of this integrated control does not demand extra efforts from the user, thus providing a more natural sensation while walking. In particular, the system intends to detect whether the user is in the imminence of falling over, a likely scenario in eldercare.