Submitted by Erika Demachki (erikademachki@gmail.com) on 2015-03-24T21:17:09Z No. of bitstreams: 3 Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5) FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Erika Demachki (erikademachki@gmail.com) on 2015-03-24T21:19:16Z (GMT) No. of bitstreams: 3 Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5) FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2015-03-24T21:19:16Z (GMT). No. of bitstreams: 3 Dissertação - Luiz Mario Lustosa Pascoal - 2014.pdf: 7280181 bytes, checksum: 68a6ac0602e3e51f6e6952bbd6916150 (MD5) FunctionApproximator.zip: 2288624 bytes, checksum: 178c2e6a0b080b3d0548836974016236 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2014-08-22 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / With the development of web 2.0, social networks have achieved great space on the internet, with that many users provide information and interests about themselves. There are expert systems that make use of the user’s interests to recommend different products, these systems are known as Recommender Systems. One of the main techniques of a Recommender Systems is the Collaborative Filtering (User-based) which recommends products to users based on what other similar people liked in the past. Therefore, this work presents model approximation of functions that generates rankings, that through a Genetic Algorithm, is able to learn an approximation function composed by different social variables, customized for each Facebook user. The learned function must be able to reproduce a ranking of people (friends) originally created with user’s information, that apply some influence in the user’s decision. As a case study, this work discusses the context of events through information regarding the frequency of participation of some users at several distinct events. Two different approaches on learning and applying the approximation function have been developed. The first approach provides a general model that learns a function in advance and then applies it in a set of test data and the second approach presents an specialist model that learns a specific function for each test scenario. Two proposals for evaluating the ordering created by the learned function, called objective functions A and B, where the results for both objective functions show that it is possible to obtain good solutions with the generalist and the specialist approaches of the proposed method. / Com o desenvolvimento da Web 2.0, as redes sociais têm conquistado grande espaço na internet, com isso muitos usuários acabam fornecendo diversas informações e interesses sobre si mesmos. Existem sistemas especialistas que fazem uso dos interesses do usuário para recomendar diferentes produtos, esses sistemas são conhecidos como Sistemas de Recomendação. Uma das principais técnicas de um Sistema de Recomendação é a Filtragem Colaborativa (User-based) que recomenda produtos para seus usuários baseados no que outras pessoas similares à ele tenham gostado no passado. Portanto, este trabalho apresenta um modelo de aproximação de funções geradora de rankings que, através de um Algoritmo Genético, é capaz de aprender uma função de aproximação composta por diferentes atributos sociais, personalizada para cada usuário do Facebook. A função aprendida deve ser capaz de reproduzir um ranking de pessoas (amigos) criado originalmente com informações do usuário, que exercem certa influência na decisão do usuário. Como estudo de caso, esse trabalho aborda o contexto de eventos através de informações com relação a frequência de participação de alguns usuários em vários eventos distintos. Foram desenvolvidas duas abordagens distintas para aprendizagem e aplicação da função de aproximação. A primeira abordagem apresenta um modelo generalista, que previamente aprende uma função e em seguida a aplica em um conjunto de dados de testes e a segunda abordagem apresenta um modelo especialista, que aprende uma função específica para cada cenário de teste. Também foram apresentadas duas propostas para avaliação da ordenação criada pela função aprendida, denominadas funções objetivo A e B, onde os resultados para ambas as funções objetivo A e B mostram que é possível obter boas soluções com as abordagens generalista e especialista do método proposto.

Made available in DSpace on 2016-08-17T14:52:56Z (GMT). No. of bitstreams: 1 Juan Moises Mauricio Villanueva.pdf: 944458 bytes, checksum: 0b17f88c59a4149e61f4f3fa0969445e (MD5) Previous issue date: 2005-03-03 / In several applications in electronics, the generation of nonlinear function values using low-cost embedded systems is a problem. The nonlinear functions cannot be directly implemented due to restrictions of fixed-point calculations and limited resolution that are characteristics of the architecture of the processor employed. In this work, a procedure for determining piecewise linear approximation of nonlinear functions for a low-cost embedded system is presented. In order to solve this problem, a hierarchical evolutionary algorithm has been developed for determining the position and the minimal number of breakpoints and the minimal size of the look-up table for storing these breakpoints, for generating the approximated function values. The nonlinear function can be approximated using piecewise linear functions from the obtained breakpoints. The developed algorithm is tested using the case of approximating the first quadrant of a sine function, and the obtained results are presented for different resolutions for the input and output values generation. / Em diversas aplicações em eletrônica existe o problema de gerar valores de funções não lineares utilizando-se sistemas embarcados de baixo custo. Essas funções não lineares não podem ser implementadas diretamente devido às restrições de cálculo em ponto fixo e resolução limitada, características de arquitetura do processador empregado. Nesta dissertação, apresenta-se um procedimento para a determinação de aproximação linear por partes de funções não lineares para sistemas embarcados de baixo custo. Para resolver este problema, desenvolveu-se um algoritmo hierárquico evolutivo que determinará a posição e número mínimo de pontos de quebra e tamanho mínimo da tabela de equivalência para armazenar esses pontos de quebra, para gerar os valores da função aproximada. A função não linear pode então ser aproximada por funções lineares a partir dos valores dos pontos de quebra encontrados. O algoritmo desenvolvido é testado para o caso de aproximação da função seno no primeiro quadrante, e os resultados obtidos são apresentados para diversas resoluções de entrada e de geração dos valores de saída.