Programa de Pós-Graduação em Geotecnia. Núcleo de Geotecnia, Escola de Minas, Universidade Federal de Ouro Preto. / Submitted by Oliveira Flávia (flavia@sisbin.ufop.br) on 2015-10-16T16:50:52Z No. of bitstreams: 2 license_rdf: 19418 bytes, checksum: 6dde0d96f18aca4c252a500311f54121 (MD5) TESE_AlgoritmoAgrupamentoDescontinuidades.pdf: 4101321 bytes, checksum: 68c6eec732bdc99941712e49b4cf8c3e (MD5) / Approved for entry into archive by Gracilene Carvalho (gracilene@sisbin.ufop.br) on 2015-10-29T18:48:25Z (GMT) No. of bitstreams: 2 license_rdf: 19418 bytes, checksum: 6dde0d96f18aca4c252a500311f54121 (MD5) TESE_AlgoritmoAgrupamentoDescontinuidades.pdf: 4101321 bytes, checksum: 68c6eec732bdc99941712e49b4cf8c3e (MD5) / Made available in DSpace on 2015-10-29T18:48:25Z (GMT). No. of bitstreams: 2 license_rdf: 19418 bytes, checksum: 6dde0d96f18aca4c252a500311f54121 (MD5) TESE_AlgoritmoAgrupamentoDescontinuidades.pdf: 4101321 bytes, checksum: 68c6eec732bdc99941712e49b4cf8c3e (MD5) Previous issue date: 2015 / O agrupamento de descontinuidades em famílias nem sempre é uma tarefa trivial, particularmente quando se utiliza apenas o diagrama de frequência de polos, método clássico. Este, em alguns casos, apresenta caráter subjetivo, uma vez que o tamanho da área da célula de contagem, a sobreposição entre os agrupamentos e a presença de outliers dificultam a definição visual das famílias. Nestes casos, é útil a aplicação de métodos numéricos em conjunto com o método clássico. Para isso, este trabalho propõe um algoritmo baseado no método Fuzzy K-means que permite agrupar as descontinuidades em famílias sem a influência das fontes de erro do método clássico. Além disso, o trabalho traz, como principais contribuições, um novo método de inicialização do Fuzzy K-means, fundamentado na distribuição de probabilidades de Fisher para dados esféricos, que torna o algoritmo insensível a escolha dos centros iniciais, adaptação de quatro medidas de validação do Espaço Euclidiano para o Espaço Esférico a fim de auxiliar na definição do número de famílias e critérios para identificação de outliers e da região de sobreposição. Os resultados do algoritmo se mostraram satisfatórios quando comparados ao método clássico e aos principais métodos numéricos, utilizando, como referência, cinco conjuntos de fraturas estudados na literatura e aplicados por diversos autores para validação das técnicas numéricas de agrupamento de descontinuidades. _______________________________________________________________________________ / ABSTRACT: The clustering of discontinuity sets is not always a trivial task, especially when only the pole density diagram is used, the classical method. This process is subjective once the size of the counting circle, the pole overlapping and the presence of outliers between families make difficult the definition of their characteristics. In these cases, it is useful to apply numerical and classical methods together. For that, this work proposes an algorithm based on the Fuzzy K-means method, that allows the clustering of the discontinuities into families without the influence of sources errors of the classical method. In addition, this work brings as major contributions, a new initialization method of the Fuzzy K-means, based on the Fisher’s probability distribution for spherical data, which makes the algorithm insensitive to the selection of initial centers, the adaptation of four validation measures from Euclidean Space to Spherical Space in order to help the definition of the number of families and criteria for identification of outliers and the pole overlapping region. The algorithm results were satisfactory compared to the classical method and the main numerical methods, using as reference five fracture sets studied in the literature and applied by various authors for validation of numerical techniques of discontinuity clustering.

Wireless sensor networks are formed by mobile devices that collect and process data from an enviroment, and transmit them to a data center wich is responsible for taking decisions. This work aims to analyze the signal reconstruction in these networks using geostatistic techniques. Three processes of kriging are used: simple, ordinary and bayesian. Three approaches to simple krigingwere found in the literature, according to the way themean of the data is estimated,were assessed themall. A newBayesian approach is proposed: use general least square to estimate the mean, and set it as a constant into the Bayesian inference. The effect of clustering techniques is assessed, namely without clusters and with clusters formed by LEACH and SKATER algorithms. Bayesian kriging presents the best qualitative results in almost all scenarios, but it is not available to systems that require fast aswers; in this case we recommend ordinary kriging. The proposed variant of Bayesian kriging reduces the time required, without hampering the quality of the reconstructed signal, but the time reduction is not enough for real-time systems / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / As Redes de Sensores sem Fios (RSsF) são conjuntos de dispositivos que obtêmamostras de fenômenos ambientais, sejam eles naturais (como, por exemplo, temperatura, pressão atmosférica, intensidade de iluminação, concentração de substâncias em cursos d água) ou antrópicos (qualidade do ar em sinais de trânsito, pressão ao longo de um oleoduto). Esses dispositivos têm despertadomuito interesse, tanto pelas suas potenciais aplicações quanto pelos desafios teóricos e tecnológicos que seu uso otimizado oferece. O objetivo deste trabalho trata da análise da reconstrução de sinais nessas redes, com base em técnicas de geoestatística. Analisam-se três processos de kriging: simples, ordinário e bayesiano. Ao simples, analisam-se três abordagens encontradas na literatura para estimação ou informação do parâmetro damédia e ao bayesiano propõe-se uma variante capaz de reduzir o tempo de processamento necessário, estimando a média por mínimos quadrados generalizados, sendo uma constante na inferência bayesiana. Leva-se em consideração o processo de agrupamento dos nós sensores, com simulações sem agrupamento e com os sensores agrupados pelos algoritmos LEACH e SKATER. O algoritmo de kriging bayesiano apresenta osmelhores resultados qualitativos namaioria dos casos,mas se torna inviável para sistemas que necessitemde respostas rápidas. Nesses casos, recomenda-se o algoritmo de kriging ordinário. A variante proposta para o kriging bayesiano reduz o tempo de computação, mas não o suficiente para sistemas de tempo real i

Made available in DSpace on 2016-06-02T19:05:32Z (GMT). No. of bitstreams: 1 2113.pdf: 882226 bytes, checksum: 022c380c1d469988d9e4617a030f17c3 (MD5) Previous issue date: 2008-08-06 / The combination of fuzzy systems with clustering algorithms has great acceptance in the scientific community mainly due to its adherence to the advantage balance principle of computational intelligence, in which different methodologies collaborate with each other potentializing the usefulness and applicability of the resulting systems. Fuzzy Modeling using clustering algorithms presents the transparency and comprehensibility typical of the linguistic fuzzy systems at the same time that benefits from the possibilities of dimensionality reduction by means of clustering. In this work is presented the Fuzzy-CCM method (Fuzzy Conditional Clustering based Modeling) which consists of a new approach for Fuzzy Modeling based on the Fuzzy Conditional Clustering algorithm aiming at providing new means to address the topic of interpretability of fuzzy rules bases. With the Fuzzy-CCM method the balance between interpretability and accuracy of fuzzy rules is dealt with through the definition of contexts defined by a small number of input variables and the generation of clusters induced by these contexts. The rules are generated in a different format, with linguistic variables and clusters in the antecedent. Some experiments have been carried out using different knowledge domains in order to validate the proposed approach by comparing the results with the ones obtained by the Wang&Mendel and conventional Fuzzy C-Means methods. The theoretical foundations, the advantages of the method, the experiments and results are presented and discussed. / A combinação de sistemas fuzzy com algoritmos de agrupamento tem grande aceitação na comunidade científica devido; principalmente, a sua aderência ao princípio de balanceamento de vantagens da inteligência computacional, no qual metodologias diferentes colaboram entre si, potencializando a utilidade e aplicabilidade dos sistemas resultantes. A modelagem fuzzy usando algoritmos de agrupamento apresenta a transparência e facilidade de compreensão típica dos sistemas fuzzy lingüísticos ao mesmo tempo em que se beneficia das possibilidades de redução da dimensionalidade por intermédio do agrupamento. Neste trabalho é apresentado o método Fuzzy-CCM (Fuzzy Conditional Clustering based Modeling), que consiste de uma nova abordagem de Modelagem Fuzzy baseada no algoritmo de Agrupamento Fuzzy Condicional, cujo objetivo é prover novos meios de tratar a questão da interpretabilidade de bases de regras fuzzy. Com o método Fuzzy-CCM, o balanço entre interpretabilidade e acuidade de regras fuzzy é tratado por meio da definição de contextos formados com um pequeno número de variáveis de entrada e a geração de grupos condicionados por estes contextos. As regras são geradas em um formato diferente, que contêm variáveis lingüísticas e grupos no seu antecedente. Alguns experimentos foram executados usando diferentes domínios de conhecimento a fim de validar a abordagem proposta, comparando os resultados obtidos usando a nova abordagem com os resultados obtidos usando os métodos Wang&Mendel e Fuzzy C-Means. A fundamentação teórica, as vantagens do método, os experimentos e os resultados obtidos são apresentados e discutidos.