Este trabalho tem por finalidade apresentar o desenvolvimento de um analisador lógico didático e de baixo custo, criado a partir de um microcomputador compatível com o IBM PC.

A classe de um veículo em circulação é uma das informações mais importantes para os sistemas inteligentes de controle e gerenciamento de tráfego. Uma das abordagens utilizadas para se identificar a classe a que um veículo pertence consiste na análise e no reconhecimento de sua assinatura indutiva: uma série temporal representando a variação da impedância de um sensor de tráfego do tipo loop indutivo causada pela passagem do veículo pela zona de detecção do sensor. No entanto, a decisão sobre a classe veicular através desta abordagem torna-se bastante difícil nos casos em que o conjunto de assinaturas indutivas de uma classe apresenta grande variância interna e, ao mesmo tempo, contém exemplares muito similares a exemplares pertencentes a outras classes. Este é o caso, por exemplo, de caminhões com um eixo traseiro e caminhões com eixo traseiro duplo. Observando os caminhões de cada uma dessas classes separadamente o que se constata é que suas estruturas metálicas variam muito e comparando-se os caminhões das duas classes vê-se que suas estruturas metálicas são bastante semelhantes. Os respectivos conjuntos de assinaturas indutivas, em conseqüência, são fortemente correlacionados e, internamente, muito heterogêneos. Esta Tese versa sobre o desenvolvimento de um método de classificação para caminhões com um eixo traseiro e caminhões com eixo traseiro duplo utilizando as assinaturas indutivas destes veículos. Para alcançar percentuais elevados de classificação correta com baixo índice de falsos positivos, além dos problemas da sobreposição entre classes e da alta variância intraclasse, o método proposto foi concebido para contornar outras duas dificuldades presentes: o desbalanceamento de classes e a escassez de dados. Para lidar com o problema da heterogeneidade interna das classes, o desenvolvimento do método de classificação começou com uma etapa de pré-processamento na qual cada classe foi caracterizada morfologicamente e dividida em subclasses morfológicas. Estabeleceu-se uma correspondência de um para um entre as subclasses de cada classe. Com isso, o problema inicial, maior e mais complexo, ficou dividido em alguns problemas menores provavelmente menos complexos. A seguir, ainda na etapa de pré-processamento, para contornar o problema da sobreposição entre classes, os pares de subclasses correspondentes foram submetidos, separadamente, a uma mineração de dados. Partindo-se de hipóteses coerentes, baseadas no conhecimento a priori sobre o fenômeno físico que gera as assinaturas indutivas, a mineração de dados foi direcionada para a identificação de atributos morfológicos e apontou dois destes atributos como potencialmente úteis para diferenciar as duas classes. Para a etapa de classificação das assinaturas, foram escolhidos três classificadores neurais: uma rede Madaline e duas redes RBF. Foram escolhidos os classificadores com os quais se tirou o melhor proveito dos resultados do pré-processamento. Neste processo de escolha foram feitas também comparações de desempenho com outros tipos de classificadores. Depois de testados separadamente, as três redes neurais foram integradas para formar um ensemble. O ensemble de redes neurais proporcionou um alto índice geral de classificações corretas (>98%) e superou os problemas do desbalanceamento das classes e da escassez de dados. Além disso, o ensemble serviu para diminuir a probabilidade de falsos positivos uma vez que a classificação de uma assinatura foi considerada correta se duas redes neurais respondessem corretamente. Os pré-processamentos utilizados, as redes neurais escolhidas, a formação de um ensemble de redes neurais, constituem uma metodologia ainda não relatada na literatura para abordar o problema da classificação veicular por assinaturas indutivas. Para este tipo de aplicação, portanto, o método de classificação proposto corresponde a uma contribuição original e os altos percentuais de classificação obtidos com o ensemble neural permitem considerá-lo como estado da arte.