A ocorrência de variações nos sinais de eletroencefalograma (EEG) de indivíduos que apresentam predisposição a desenvolver a doença do alcoolismo é conhecida e documentada na literatura médica e científica. Dentre as possíveis variações, encontram-se as anormalidades no potencial relacionado ao evento (ERP) P300, um dos principais endofenótipos da doença. Geralmente, este componente tem uma amplitude significativamente menor em indivíduos com alto risco (AR) de desenvolver a doença, quando comparada à amplitude observada em sinais de indivíduos com baixo risco (BR). A técnica atualmente empregada para distinguir os sinais de ERPs P300 dos indivíduos com AR e BR para desenvolver o alcoolismo é baseada na análise visual da amplitude máxima no domínio do tempo e do espectro de frequencias do sinal, obtido através da transformada de Fourier. O objetivo deste trabalho é contribuir para o estudo da identificação da predisposição ao alcoolismo, utilizando técnicas de processamento de sinais, como a transformada wavelet (WT), e de inteligência artificial, por meio das redes neurais artificiais (ANNs). A WT foi utilizada por ser mais adequada ao tratamento de sinais como os ERPs (sinais nãoestacionários), quando comparada, por exemplo, à transformada de Fourier. As redes neurais possibilitam a automatização do processo de identificação dos diferentes grupos. Através de um sistema híbrido formado por estas duas técnicas, pretende-se extrair características de sinais de ERP que identifiquem indivíduos com predisposição ao alcoolismo, e automatizar a identificação destes indivíduos. No desenvolvimento da pesquisa, foi identificada a necessidade de aplicar um préprocessamento aos sinais de ERP, preparando-os para a transformação wavelet. Os coeficientes wavelet assim obtidos formaram os dados de entrada que alimentaram as (ANNs), as quais utilizaram o algoritmo de erro backpropagation no treinamento. Com as técnicas utilizadas, após o treinamento, as ANNs foram capazes de classificar cerca de 90% dos sinais de ERP dos indivíduos com AR e BR. / The occurrence of variations in electroencephalogram (EEG) signals of individuals who are predisposed to develop the disease of alcoholism is known and documented in the medical and scientific literature. Among these variations, are the abnormalities in the event related potential (ERP) P300, a major endophenotype of this disease. Generally, this component has an amplitude significantly smaller in patients at high risk (HR) of developing the disease when compared to the amplitude seen in the signals of individuals with low risk (LR). The technique currently used to distinguish signals of P300 ERPs in individuals with HR and LR for developing alcoholism is based on visual analysis of the maximum amplitude in the time domain and of the frequency spectrum of the signal, obtained via Fourier transform. The aim of this thesis is to study the identification of predisposition to alcoholism, by techniques of signal processing such as wavelet transform (WT) and artificial intelligence through artificial neural networks (ANNs). The WT was used because it is more appropriate for processing signals such as ERP (non-stationary signals), when compared, for example, to the Fourier transform. Neural networks enable the automation of the process of identifying the different groups. Using a hybrid system formed by these two techniques, it is intended to extract features of ERP signals that identify individuals predisposed to alcoholism, and automate the identification of these individuals. The research has identified the need to apply a pre-processing to the signals of ERP, preparing them for the wavelet transformation. The wavelet coefficients thus obtained formed the input data to fed the ANNs, which used the error algorithm backpropagation in training. Using these techniques, after training, the ANNs were able to classify about 90% of ERP signs of individuals with LR and HR.

Resumo: Neste trabalho se apresenta uma técnica de redução de dados para monitoração e diagnóstico automático de grupos geradores hidroelétricos com base na análise de vibrações, utilizando redes neurais artificiais. Os sinais de vibração são processados numericamente para se obter um espectro normalizado com no máximo doze freqüências, especialmente determinadas para cada máquina em particular, de tal forma a torná-lo representativo da condição da máquina. A definição das bandas de freqüência a serem usadas no processamento desse espectro especial é feita para cada equipamento a ser monitorado com auxílio de um ambiente computacional desenvolvido e apresentado neste trabalho. Um programa protótipo de monitoração baseado nestas técnicas foi desenvolvido e é apresentado com uso de exemplos de aplicação. / Abstract: In this work a data reduction technique based on vibration analysis that can be applied to both monitoring and automatic diagnosis of rotating machineries together with use of neural networks is presented. Vibration signals are processed to obtain a normalized spectrum with up to 12 frequency bands that should be defined for each particular machine. In this manner this special spectrum can become representative of the machine's working condition. The definition of the spectrum's bands that will be used in data processing is carried out for each machine by use of a computational environment that has been developed. This environment is also shown in this work. A prototype monitoring program based in this technique also has been developed and its application is highlighted with examples. / Orientador: João Antonio Pereira / Coorientador: Adyles Arato Júnior / Banca: Alberto Tamagna / Banca: Luiz de Paula do Nascimento / Mestre

Made available in DSpace on 2014-06-11T19:27:15Z (GMT). No. of bitstreams: 0 Previous issue date: 2008-09-05Bitstream added on 2014-06-13T20:55:57Z : No. of bitstreams: 1 almeida_fcl_me_ilha.pdf: 3597520 bytes, checksum: 3503cdbcd54e460db80583534b7d06dd (MD5) / Neste trabalho se apresenta uma técnica de redução de dados para monitoração e diagnóstico automático de grupos geradores hidroelétricos com base na análise de vibrações, utilizando redes neurais artificiais. Os sinais de vibração são processados numericamente para se obter um espectro normalizado com no máximo doze freqüências, especialmente determinadas para cada máquina em particular, de tal forma a torná-lo representativo da condição da máquina. A definição das bandas de freqüência a serem usadas no processamento desse espectro especial é feita para cada equipamento a ser monitorado com auxílio de um ambiente computacional desenvolvido e apresentado neste trabalho. Um programa protótipo de monitoração baseado nestas técnicas foi desenvolvido e é apresentado com uso de exemplos de aplicação. / In this work a data reduction technique based on vibration analysis that can be applied to both monitoring and automatic diagnosis of rotating machineries together with use of neural networks is presented. Vibration signals are processed to obtain a normalized spectrum with up to 12 frequency bands that should be defined for each particular machine. In this manner this special spectrum can become representative of the machine’s working condition. The definition of the spectrum’s bands that will be used in data processing is carried out for each machine by use of a computational environment that has been developed. This environment is also shown in this work. A prototype monitoring program based in this technique also has been developed and its application is highlighted with examples.

Made available in DSpace on 2014-06-11T19:24:38Z (GMT). No. of bitstreams: 0 Previous issue date: 2005-10-14Bitstream added on 2014-06-13T18:20:52Z : No. of bitstreams: 1 brinhole_er_me_bauru.pdf: 2082084 bytes, checksum: e9da8790c90b7d67f56ee24ea0858f1c (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Cefet - Cornelio Procopio / Neste trabalho, apresenta-se o desenvolvimento de uma metodologia utilizando redes neurais artificiais, para auxiliar na determinação da freqüência de ressonância no projeto de antenas tipo microfita de equipamentos móveis, tanto para antenas retangulares como para antenas triangulares. Compararam-se modelos deterministas e modelos empíricos baseados em Redes Neurais Artificiais (RNA) da literatura pesquisada com os modelos apresentados neste trabalho. Apresentam-se modelos empíricos baseados em RNAs tipo Perceptron Multicamadas (PMC). Os modelos propostos também são capazes de serem integrados em um ambiente CAD (Computed Aided Design) para projetar antenas tipo microfita de equipamentos móveis. / This work presents the development of models that can be used in the design of microstrip antennas for mobile communications. The antennas can be triangular or rectangular. The presented models are compared with deterministic and empirical models based on artificial neural networks (ANN) presented in the literature. The models are based on Perceptron Multilayer (PML). The models can be embedded in CAD systems, in order to design microstrip antennas for mobile communications.

Made available in DSpace on 2015-05-08T14:59:54Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 4817821 bytes, checksum: 0e01a04cb66fa461b85802952c8cab7d (MD5) Previous issue date: 2013-03-23 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / In the processes of manufacturing machine tools play an important role particularly in the manufacture of parts of complex geometries. Currently the requirements for high dimensional and geometric accuracy during the machining process require small dimensional tolerances. Much of the errors of a machine tool are those which are thermally induced from the heat sources internal and external factors acting on the machine, thus causing thermal deformations in its structure. In this paper, we present a methodology for determining and analyzing the thermal deformation of machine tools using finite element method (FEM) and artificial neural networks (ANN). After molding machine using FEM, and defining the location of the heat source were obtained the temperature gradient of the machine and the corresponding thermal deformation at predetermined periods. Results obtained with simulations using the software NX.7.5 and the measurement principle of the Ballbar system, showed that this methodology is an effective tool in determining the thermal deformation of the machine, correlating the temperature reading at strategic points with volumetric deformation at the tool tip. Allowing then the thermal analysis of the errors in the pair tool part. Additionally, these results were used to train an ANN. The parameters of "learning" network under conditions of transient contours, allowed the network training. After training and validation set, she will be able to make the prediction of thermal errors just stating the temperature values of specific points of each heat source. This methodology will contribute to the designs of machine tools with high accuracy and thermal stability, but also provide for compensation of thermally induced errors. / Nos processos de manufatura as máquinas-ferramenta desempenham um papel importantíssimo em particular na fabricação de peças de geometrias complexas. Atualmente as exigências por alta exatidão geométrica e dimensional durante o processo de usinagem exigem pequenas tolerâncias dimensionais. Grande parte dos erros de uma máquina-ferramenta são aqueles termicamente induzidos os quais são provenientes das fontes de calor internas e externas que agem sobre a máquina, causando assim deformações térmicas na sua estrutura. Neste trabalho, é apresentada uma metodologia para determinação e análise dos deslocamentos térmicos das máquinas-ferramenta usando o método de elementos finitos (MEF) e redes neurais artificiais (RNA). Após a modelagem da máquina, usando MEF, e a definição da localização das fontes de calor foram obtidas o gradiente de temperatura da máquina e as correspondentes deformações térmicas em períodos preestabelecidos. Resultados obtidos com simulações usando o software NX.7.5 e o princípio de medição do sistema Ballbar, mostraram que a metodologia desenvolvida é uma ferramenta eficaz na determinação das deformações térmicas da máquina, correlacionando a leitura de temperatura em pontos estratégicos com as deformações volumétricas na ponta da ferramenta. Permitindo então, a análise dos erros térmicos no par peça-ferramenta. Adicionalmente estes resultados foram usados para treinar uma RNA. Os parâmetros de ―aprendizado‖ da rede, mediante condições de contornos transientes, permitiram o treinamento da rede. Após o treinamento e validação da rede, ela é capaz de fazer a previsão dos erros térmicos apenas informando os valores das temperaturas dos pontos específicos de cada fonte de calor. Esta metodologia desenvolvida contribuirá para os projetos de máquina-ferramentas com alto grau de exatidão e estabilidade térmica, como também permitirá a compensação dos erros termicamente induzidos.

Orientador: Suely Cunha Amaro Mantovani / Resumo: Neste trabalho apresenta-se uma abordagem para o mapeamento da cinemática inversa utilizando Redes Neurais Artificiais do tipo Perceptron Multicamadas na configuração em paralelo, tendo como referência o protótipo de um manipulador robótico de 5 graus de liberdade, composto por sete servomotores controlado pela plataforma de desenvolvimento Intel® Galileo Gen 2. As equações da cinemática inversa, normalmente apresentam múltiplas soluções, desta forma, uma solução interessante e frequentemente encontrada na literatura são as Redes Neurais Artificiais (RNA) em razão da sua flexibilidade e capacidade de aprendizado por meio do treinamento. As Redes Neurais são capazes de entender a relação cinemática entre o sistema de coordenadas das juntas e a posição final da ferramenta do manipulador. Para avaliar a eficiência do método proposto foram realizadas simulações no software MATLAB, as quais demostram pelos resultados obtidos e comparações a uma RNA do tipo MLP simples, aproximadamente redução das médias dos erros das juntas em até 87,8% quando aplicado à trajetória e 80% quando aplicado a pontos distribuídos no volume de trabalho. / Abstract: This paper presents an approach to the mapping of inverse kinematics using Artificial Neural Networks Multilayer Perceptron in parallel configuration, in the prototype of a robotic manipulator 5 degrees of freedom, as reference, composed of seven servomotors controlled by development board Intel® Galileo Gen 2. The equations of inverse kinematics, usually have multiple solutions, therefore, an interesting solution and often found in the literature are the Artificial Neural Networks (ANN) because of their flexibility and learning capacity through training. Neural Networks are able to understand the kinematic relationship between the coordinate system of the joints and the final position of the manipulator tool. To evaluate the efficiency of the proposed, simulations in MATLAB software are performaded, that demonstrate by the results obtained and compared to a simple MLP type RNA, one reduction in mean errors of the joints by up to 87.8% when applied to the path and 80% when applied to points distributed in the work space. / Mestre

Orientador: José Angelo Cagnon / Banca: Nelson Miguel Teixeira / Banca: Edwin Avolio / Banca: Diógenes Pereira Gonzaga / Banca: André Torre Neto / Resumo: O presente trabalho teve como objetivo a configuração de um sistema de supervisão e controle de irrigação utilizando técnicas de inteligência artificial. De acordo com metodologia adotada, o seu desenvolvimento foi realizado em três fases distintas. Inicialmente foram construídos os seguintes módulos de hardware: Unidade de Sensores, Unidade Concentradora de Dados e Sensor de Umidade do Solo do tipo Capacitivo. Em seguida foi criada uma aplicação através do programa de supervisão e controle do tipo SCADA, Elipse PRO, dedicada à supervisão e controle de uma casa de vegetação. Na fase final foram coletados os dados necessários para o treinamento de uma rede neural artificial que é parte integrante do sensor de umidade de solo do tipo capacitivo. Os resultados obtidos através de um conjunto de teste de medidas demonstraram que o sensor capacitivo apresenta comportamento e desempenho similares ao do sensor de do tipo TDR, o que permite concluir que esta solução pode representar uma significativa contribuição, viabilizando a implantação de sistemas de supervisão e controle em processos de irrigação com uma relação custo/benefício em níveis aceitáveis. / Abstract: The present work had as objective the configuration of a supervisory and control system for irrigation using artificial intelligence techniques. In agreement with adopted methodology, its development was accomplished in three different phases. Initially the following hardware modules were built: Sensors Unit, Data Concentrator Unit and a Capacitive type Soil Moisture Sensor. Soon afterwards an application was created through the supervisory and control program of the type SCADA, Ellipse PRO, dedicated to the supervision and control of a green house. In the final phase the necessary data were collected for the training of an artificial neural network that is integral part of the capacitive type soil moisture sensor. With the application developed in the Ellipse PRO a database was created for the training of the artificial neural network, containing a group of 2440 measures of soil moisture obtained through a capacitive type sensor and a TDR type sensor. The results obtained through a group of test of measures demonstrated that the capacitive sensor presents a similar behavior to the of the TDR type sensor, the one that allows conclude that this solution can represent a significant contribution, making possible the implantation of supervisory and control systems in irrigation processes with a cost/benefit relationship in acceptable levels. / Doutor

abstract: This research is focused on two separate but related topics. The first uses an electroencephalographic (EEG) brain-computer interface (BCI) to explore the phenomenon of motor learning transfer. The second takes a closer look at the EEG-BCI itself and tests an alternate way of mapping EEG signals into machine commands. We test whether motor learning transfer is more related to use of shared neural structures between imagery and motor execution or to more generalized cognitive factors. Using an EEG-BCI, we train one group of participants to control the movements of a cursor using embodied motor imagery. A second group is trained to control the cursor using abstract motor imagery. A third control group practices moving the cursor using an arm and finger on a touch screen. We hypothesized that if motor learning transfer is related to the use of shared neural structures then the embodied motor imagery group would show more learning transfer than the abstract imaging group. If, on the other hand, motor learning transfer results from more general cognitive processes, then the abstract motor imagery group should also demonstrate motor learning transfer to the manual performance of the same task. Our findings support that motor learning transfer is due to the use of shared neural structures between imaging and motor execution of a task. The abstract group showed no motor learning transfer despite being better at EEG-BCI control than the embodied group. The fact that more participants were able to learn EEG-BCI control using abstract imagery suggests that abstract imagery may be more suitable for EEG-BCIs for some disabilities, while embodied imagery may be more suitable for others. In Part 2, EEG data collected in the above experiment was used to train an artificial neural network (ANN) to map EEG signals to machine commands. We found that our open-source ANN using spectrograms generated from SFFTs is fundamentally different and in some ways superior to Emotiv's proprietary method. Our use of novel combinations of existing technologies along with abstract and embodied imagery facilitates adaptive customization of EEG-BCI control to meet needs of individual users. / Dissertation/Thesis / Ph.D. Psychology 2013

Redes Neurais Artificiais (RNA's) vem sendo utilizada em diversas áreas do conhecimento inclusive para a previsão de séries temporais. O objetivo deste trabalho é utilizar uma RNA para o diagnóstico e prognóstico de vazão em bacias urbanas da Região Metropolitana de São Paulo (RMSP) com dados do radar meteorológio de São Paulo e os dados telemétricos da bacia do Alto Tietê. Uma RNA do tipo feedforward multicamadas, com aprendizado supervisionado e com o algoritmo de treinamento Linear Least Square SIMplex (LLSSIM, Hse et al. 1996) foram aplicados à bacia do Rio Tamanduateí. Dividiu-se os eventos disponíveis em três grupos; para o treinamento, verificação e previsão ideal com a RNA. Realizou o treinamento e verificação da rede com dados de vazão estimada e nível medido. Os erros de fase e amplitude foram utilizados para avaliar o desempenho da rede em cada uma das configurações empregadas. Estes indicam a importância da memória da bacia para o bom desempenho da RNA. Verifica-se também que nem sempre o aumento do número de camadas escondidas melhoram os resultados, bem como o aumento da quantidade de dados. Comparou-se ainda a performance da RNA contra um modelo auto regressivo sendo a primeira menos dependente da memória da bacia. Por último, realizou previsões do tipo ideal com resultados satisfatórios até 1 hora e 30 minutos de antecedência. Além deste período os erros crescem exponencialmente. / Artificial Neural Networks (ANN) have been widely used in several areas of science for many purposes, including time series forecasting. The objective of this work is to apply an ANN to simulate and to forecast streamflow at the outlet of the Tamanduateí basin. This urban basin is located within the Metropolitan Area of São Paulo (MASP). Radar and telemetric data are input to a multi-layer feedforward ANN. It is trained with the Linear Least Square SIMplex training algorithm (LLSSIM; Hse et al, 1996). Available flood events were divided up in three independent groups for training, verification and forecasting. The training and the verification of estimated streamflow and measured river stage were carried out. Phase and amplitude errors were used to evaluate the performance of the ANN for each configuration. The results indicate a better performance of the ANN when previous streamflow or river stage are input to the ANN. Furthermore, the increase of hidden layers not necessarily improve the results. The ANN was compared to an auto-regressive model. The former is less dependent on the basin memory. The ANN Forecasts yielded satisfactory results up to one and half-hour in advance. For longer time periods the errors tend to grow exponentially.

Nos últimos anos, tem havido um crescente interesse na detecção precoce das doenças que afetam as culturas agrícolas a fim de evitar grandes perdas econômicas devido à contaminação de novas plantas. As principais doenças cítricas, cancro cítrico e greening, são uma séria ameaça à produção de citros em todo o mundo, incluindo regiões do Brasil e dos Estados Unidos. A disseminação rápida das doenças leva à redução do número de pomares cultivados, resultando em danos econômicos aos produtores e às indústrias relacionadas. O desenvolvimento de métodos para o diagnóstico precoce pode resultar em uma importante ferramenta para o controle e gestão dos citros. Algumas deficiências nutricionais como a de ferro e zinco apresentam sintomas visuais semelhantes com o greening, enquanto que o cancro cítrico pode ser confundido com a verrugose ou leprose dos citros, podendo levar ao diagnóstico incorreto. Atualmente, somente testes bioquímicos são capazes de detectar especificamente o cancro cítrico e o greening, e consequentemente diferenciá-los das demais doenças e deficiências de nutrientes. No presente trabalho, a técnica de espectroscopia por imagens de fluorescência em conjunto com os métodos de aprendizado e classificação, SVM (do inglês, Support Vector Machine) e ANN (do inglês, Artificial Neural Network), foram utilizadas a fim de identificar e discriminar as principais doenças que afetam a citricultura nos estados de São Paulo/Brasil e da Flórida/EUA. As amostras em estudo são cancro cítrico, verrugose, greening e deficiência de zinco. O objetivo principal é discriminar as doenças com sintomas visuais semelhantes, no caso, cancro cítrico de verrugose e greening de deficiência de zinco para as amostras do Brasil, e greening de deficiência de zinco para as amostras dos Estados Unidos. Os resultados mostram que é possível utilizar a técnica de espectroscopia por imagens de fluorescência em conjunto com os métodos de classificação na discriminação das doenças que apresentam sintomas visuais semelhantes. Ambos os classificadores apresentaram uma elevada precisão na classificação tanto das amostras do Brasil como dos Estados Unidos, destacando assim eficácia da técnica sob condições diferentes. / In recent years, there has been an increasing interest in early detection of diseases that affect agricultural crops to avoid great economic losses due to contamination of new plants. The main citrus diseases, citrus canker and HLB, are a serious threat to citrus production worldwide, including regions in Brazil and the United States. The rapid spread of the diseases leads to the reduction of cultivated orchards resulting in economic losses to producers and industries. The development of methods for early diagnosis can result in an important tool for the control and management of citrus. Some nutritional deficiencies such as iron and zinc have similar visual symptoms to HLB, while the citrus canker can be confused with citrus scab and citrus leprosies, which may lead to incorrect diagnosis. Currently, only biochemical tests are able to detect, specifically, citrus canker and HLB, and thus distinguish them from other diseases and nutrient deficiencies. In this work, the fluorescence imaging spectroscopy technique with the learning and classification methods, SVM (Support Vector Machine) and ANN (Artificial Neural Network), were used to identify and discriminate the main diseases that affect citrus production in the states of São Paulo/Brazil and Florida/USA. The samples studied are citrus canker, citrus scab, HLB and zinc deficiency. The objective is to discriminate the diseases with similar visual symptoms, such as citrus canker from citrus scab and HLB from zinc deficiency for samples from Brazil and HLB from zinc deficiency for samples from the United States. The results show that it is possible to use the fluorescence imaging spectroscopy technique together with the classification methods for the discrimination of the diseases that have similar visual symptoms. Both classifiers showed high accuracy in the classification of the samples from Brazil and the United States, highlighting the efficiency of the technique under different conditions.