Orientador : Jose Ferreira de Carvalho / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Ciencia da Computação / Made available in DSpace on 2018-07-14T18:28:13Z (GMT). No. of bitstreams: 1 Freitas_MartaAfonso_M.pdf: 1600632 bytes, checksum: e953c5719c419a0dff4874d8f1eebb0d (MD5) Previous issue date: 1986 / Resumo: Não informado / Abstract: Not informed / Mestrado / Mestre em Estatística

Campos Aleatórios Condicionais são modelos probabilísticos discriminativos que tem sido utilizados com sucesso em diversas áreas como processamento de linguagem natural, reconhecimento de fala e bioinformática. Entretanto, implementar algoritmos eficientes para esse tipo de modelo não é uma tarefa fácil. Nesse trabalho apresentamos um arcabouço que ajuda no desenvolvimento e experimentação de Campos Aleatórios Condicionais Semi Markovianos (semi-CRFs). Desenvolvemos algoritmos eficientes que foram implementados em C++ propondo uma interface de programação flexível e intuitiva que habilita o usuário a definir, treinar e avaliar modelos. Nossa implementação foi construída como uma extensão do arcabouço ToPS que, inclusive, pode utilizar qualquer modelo já definido no ToPS como uma função de característica especializada. Por fim utilizamos nossa implementação de semi-CRF para construir um preditor de promotores que apresentou performance superior aos preditores existentes. / Conditional Random Fields are discriminative probabilistic models that have been successfully used in several areas like natural language processing, speech recognition and bioinformatics. However, implementing efficient algorithms for this kind of model is not an easy task. In this thesis we show a framework that helps the development and experimentation of Semi-Markov Conditional Random Fields (semi-CRFs). It has an efficient implementation in C++ and an intuitive API that allow users to define, train and evaluate models. It was built as an extension of ToPS framework and can use ToPS probabilistic models as specialized feature functions. We also use our implementation of semi-CRFs to build a high performance promoter predictor.

Resumo: Consideramos o problema geral de busca aleatória Markoviana onde um forrageador procura alvos aleatoriamente distribuídos e separados pela distância característica ?, em um ambiente de busca n-dimensional. A estratégia de busca é governada por uma heurística arbitrária e o forrageador além de não ter conhecimento das propriedades ambientais, só detecta alvos dentro de um raio de visão rv ao longo da trajetória de busca. Nesta tese propomos uma formulação matemática geral para busca aleatória, assumindo um processo estocástico composto, no qual as variáveis relevantes são a distância percorrida e a quantidade de passos executados pelo forrageador entre dois eventos de detecção. Tal construção permite-nos definir diversas grandezas importantes para caracterizar o problema (i) a eficiência estatística; (ii) o balanço energético; (iii) a taxa líquida de ganho energético e sua densidade; além da (iv) probabilidade de morte, caso o ganho energético não seja suficiente para manter o processo. No caso limite de busca determinística, em que basicamente o número de passos entre alvos é igual a 1, temos a solução exata para espaços de busca tipo Weibull. Para a busca aleatória, o número de passos entre dois eventos de detecção é arbitrário e dependente da heurística. Para este caso, desenvolvemos um algoritmo que fornece aproximações via simulações computacionais e permite o tratamento semi-analítico do problema. Estratégias de Lévy, para os quais os passos do forrageador são sorteados através de distribuições tipo Leis de Potência, são discutidas em detalhes. Finalmente, um modelo baseado em simulações numéricas e ajustes analíticos é usado para descrever busca em grupo, onde seguidores devem manter-se próximos de um líder. Se regras dinâmicas específicas são adotadas para garantir a integridade estrutural do grupo, evitando assim a dispersão de seus membros, é possível usar uma dinâmica superdifusiva para os seguidores. Isto permite otimizar a busca aleatória e ao mesmo tempo manter a coesão do grupo.

Orientador: Clésio Luis Tozzi / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenhaia Elétrica e de Computação / Made available in DSpace on 2018-08-16T00:09:42Z (GMT). No. of bitstreams: 1 SoutoJunior_CarlosAlberto_M.pdf: 16501917 bytes, checksum: 490a2364c9bd25c00b6cfa939af84889 (MD5) Previous issue date: 2010 / Resumo: Este trabalho consiste em uma avaliação de descritores de atributos de textura para o caso totalmente não-supervisionado, na qual nada se conhece anteriormente sobre a natureza das texturas ou o número de regiões presentes na imagem. Escolheram-se para descrever as texturas decomposição por filtros de Gabor, descritores escalares baseados em matrizes de co-ocorrência de níveis de cinza e campos aleatórios de Gauss-Markov; e aplicou-se um procedimento baseado no algoritmo k-means, onde o valor ótimo do parâmetro k foi estimado a partir de uma métrica de qualidade calculada nos resultados da execução do algoritmo k-means para vários valores de k. O k ótimo foi obtido pelo "método do cotovelo". Aplicou-se o procedimento em imagens sintéticas e naturais e confrontou-se com uma segmentação manual. Obtiveram-se melhores resultados para imagens agrícolas de baixa altitude e tipo frente-fundo quando usados descritores baseados em matrizes de co-ocorrência; nas imagens de satélite, o método que emprega campos aleatórios foi melhor sucedido / Abstract: This work comprises a texture features descriptors evaluation focusing the fully unsupervised case, where neither the texture nature nor the numbers of regions in the image are previously known. Three distinct texture descriptors were chosen: Image decomposition with Gabor filters, scalar descriptors based in gray-level co-occurrence matrix and Gauss-Markov random fields; and an automatic region number determination framework was applied. For performance evaluation, the procedure was applied in both synthetic and natural images / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Campos Aleatórios Condicionais são modelos probabilísticos discriminativos que tem sido utilizados com sucesso em diversas áreas como processamento de linguagem natural, reconhecimento de fala e bioinformática. Entretanto, implementar algoritmos eficientes para esse tipo de modelo não é uma tarefa fácil. Nesse trabalho apresentamos um arcabouço que ajuda no desenvolvimento e experimentação de Campos Aleatórios Condicionais Semi Markovianos (semi-CRFs). Desenvolvemos algoritmos eficientes que foram implementados em C++ propondo uma interface de programação flexível e intuitiva que habilita o usuário a definir, treinar e avaliar modelos. Nossa implementação foi construída como uma extensão do arcabouço ToPS que, inclusive, pode utilizar qualquer modelo já definido no ToPS como uma função de característica especializada. Por fim utilizamos nossa implementação de semi-CRF para construir um preditor de promotores que apresentou performance superior aos preditores existentes. / Conditional Random Fields are discriminative probabilistic models that have been successfully used in several areas like natural language processing, speech recognition and bioinformatics. However, implementing efficient algorithms for this kind of model is not an easy task. In this thesis we show a framework that helps the development and experimentation of Semi-Markov Conditional Random Fields (semi-CRFs). It has an efficient implementation in C++ and an intuitive API that allow users to define, train and evaluate models. It was built as an extension of ToPS framework and can use ToPS probabilistic models as specialized feature functions. We also use our implementation of semi-CRFs to build a high performance promoter predictor.

Os modelos geoestatísticos bivariados denem funções aleatórias para dois processos estocásticos com localizações espaciais conhecidas. Pode-se adotar a suposição da existência de um campo aleatório gaussiano latente para cada variável aleatória. A suposição de gaussianidade do processo latente é conveniente para inferências sobre parâmetros do modelo e para obtenção de predições espaciais, uma vez que a distribuição de probabilidade conjunta para um conjunto de pontos do processo latente é também gaussiana. A matriz de covariância dessa distribuição deve ser positiva denida e possuir a estrutura de variabilidade espacial entre e dentre os atributos. Gelfand et al. (2004) e Diggle e Ribeiro Jr. (2007) propuseram estratégias para estruturar essa matriz, porém não existem muitos relatos sobre o uso e avaliações comparativas entre essas abordagens. Neste trabalho foi conduzido um estudo de simulação de modelos geoestatísticos bivariados em conjunto com estimação por máxima verossimilhança e krigagem ordinária, sob diferentes congurações amostrais de localizações espaciais. Também foram utilizados dados provenientes da análise de solo de uma propriedade agrícola com 51,8ha de área, onde foram amostradas 67 localizações georeferenciadas. Foram utilizados os valores mensurados de pH e da saturação por bases do solo, que foram submetidas à análise descritiva espacial, modelagens geoestatísticas univariadas, bivariadas e predições espaciais. Para vericar vantagens quanto à adoção de modelos univariados ou bivariados, a amostra da saturação por bases, que possui coleta mais dispendiosa, foi dividida em uma subamostra de modelagem e uma subamostra de controle. A primeira foi utilizada para fazer a modelagem geoestatística e a segunda foi utilizada para comparar as precisões das predições espaciais nas localizações omitidas no processo de modelagem. / Bivariate geostatistical models dene random functions for two stochastic processes with known spatial locations. Existence of a Gaussian random elds can be assumed for each latent random variable. This Gaussianity assumption for the latent process is a convenient one for the inferences on the model parameters and for spatial predictions once the joint distribution for a set of points is multivariate normal. The covariance matrix of this distribution should be positivede nite and to have the spatial variability structure between and among the attributes. Gelfand et al. (2004) and Diggle e Ribeiro Jr. (2007) suggested strategies for structuring this matrix, however there are few reports on comparing approaches. This work reports on a simulation study of bivariate models together with maximum likelihood estimators and spatial prediction under dierent sets of sampling locations space. Soil sample data from a eld with 51.8 hectares is also analyzed with the two soil attributes observed at 67 spatial locations. Data on pH and base saturation were submitted to spatial descriptive analysis, univariate and bivariate modeling and spatial prediction. To check for advantages of the adoption of univariate or bivariate models, the sample of the more expensive variable was divided into a modeling and testing subsamples. The rst was used to t geostatistical models, and the second was used to compare the spatial prediction precisions in the locations not used in the modeling process.

Os modelos geoestatísticos bivariados denem funções aleatórias para dois processos estocásticos com localizações espaciais conhecidas. Pode-se adotar a suposição da existência de um campo aleatório gaussiano latente para cada variável aleatória. A suposição de gaussianidade do processo latente é conveniente para inferências sobre parâmetros do modelo e para obtenção de predições espaciais, uma vez que a distribuição de probabilidade conjunta para um conjunto de pontos do processo latente é também gaussiana. A matriz de covariância dessa distribuição deve ser positiva denida e possuir a estrutura de variabilidade espacial entre e dentre os atributos. Gelfand et al. (2004) e Diggle e Ribeiro Jr. (2007) propuseram estratégias para estruturar essa matriz, porém não existem muitos relatos sobre o uso e avaliações comparativas entre essas abordagens. Neste trabalho foi conduzido um estudo de simulação de modelos geoestatísticos bivariados em conjunto com estimação por máxima verossimilhança e krigagem ordinária, sob diferentes congurações amostrais de localizações espaciais. Também foram utilizados dados provenientes da análise de solo de uma propriedade agrícola com 51,8ha de área, onde foram amostradas 67 localizações georeferenciadas. Foram utilizados os valores mensurados de pH e da saturação por bases do solo, que foram submetidas à análise descritiva espacial, modelagens geoestatísticas univariadas, bivariadas e predições espaciais. Para vericar vantagens quanto à adoção de modelos univariados ou bivariados, a amostra da saturação por bases, que possui coleta mais dispendiosa, foi dividida em uma subamostra de modelagem e uma subamostra de controle. A primeira foi utilizada para fazer a modelagem geoestatística e a segunda foi utilizada para comparar as precisões das predições espaciais nas localizações omitidas no processo de modelagem. / Bivariate geostatistical models dene random functions for two stochastic processes with known spatial locations. Existence of a Gaussian random elds can be assumed for each latent random variable. This Gaussianity assumption for the latent process is a convenient one for the inferences on the model parameters and for spatial predictions once the joint distribution for a set of points is multivariate normal. The covariance matrix of this distribution should be positivede nite and to have the spatial variability structure between and among the attributes. Gelfand et al. (2004) and Diggle e Ribeiro Jr. (2007) suggested strategies for structuring this matrix, however there are few reports on comparing approaches. This work reports on a simulation study of bivariate models together with maximum likelihood estimators and spatial prediction under dierent sets of sampling locations space. Soil sample data from a eld with 51.8 hectares is also analyzed with the two soil attributes observed at 67 spatial locations. Data on pH and base saturation were submitted to spatial descriptive analysis, univariate and bivariate modeling and spatial prediction. To check for advantages of the adoption of univariate or bivariate models, the sample of the more expensive variable was divided into a modeling and testing subsamples. The rst was used to t geostatistical models, and the second was used to compare the spatial prediction precisions in the locations not used in the modeling process.

Made available in DSpace on 2014-08-13T14:50:51Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-04-04Bitstream added on 2014-08-13T18:00:13Z : No. of bitstreams: 1 000763997.pdf: 519254 bytes, checksum: 0c7237bc01c0465934f57b98538d9695 (MD5) / Neste trabalho, fazemos um estudo sobre os sistemas lineares com saltos markovianos (SLSM) e os sistemas lineares com saltos semimarkovianos (SLSS). Os SLSM sao utilizados para modelar sistemas sujeitos a falhas ou mudanças abruptas em suas estruturas. Nesta dissertaçao, estudamos importantes resultados sobre a estabilidade de segundo momento de um SLSM a tempo contínuo e com horizonte infinito. Tais resultados apresentam condiçoes necessarias e suficientes para a estabilidade destes sistemas e, alem disso, mostram que todos os conceitos de estabilidade de segundo momento sao equivalentes. Com relaçao aos SLSS, que representam um caso geral dos SLSM, apresentamos um estudo sobre a estabilidade estocastica de tais sistemas a tempo contínuo e com horizonte infinito. Mais especificamente, realizamos um estudo de um resultado recente que exibe uma condiçao suficiente para a estabilidade estocastica deste tipo de sistema. Como contribuiçao, introduzimos um estudo sobre estabilidade de segundo momento de SLSM a tempo contínuo, porem, com horizonte definido por um tempo de parada = TN associado ao N-ésimo momento de falha ou reparo, depois do qual o sistema e paralisado para manutençao. Desse modo, adequamos o conceito de estabilidade de segundo momento e apresentamos um resultado que exibe condiçoes necessarias e suficientes para a estabilidade destes sistemas. Alem disso, mostramos que tais condiçoes encontradas sao mais restritivas do que aquelas associadas ao horizonte infinito. Finalmente, provamos tambem que todos os conceitos de estabilidade de segundo momento sao equivalentes. / In this work, we present a study of Markov jump linear systems (MJLS) and Semi- Markov jump linear systems (S-MJLS). The MJLS are used to model systems subject to failures or abrupt changes in structure. Here, we study important results related to second moment stability of a continuous-time MJLS with infinite-time horizon. These results present necessary and sufficient conditions for stability of these systems and they also show that all second moment stability concepts are equivalent. In respect to S-MJLS, that represent a general case of MJLS, we present a study of stochastic stability of these continuous-time systems with infinite-time horizon. It means that we study a recent result that gives a sufficient condition for stochastic stability of this kind of system. As a contribution of this work, we introduce a study of second moment stability of a continuoustime MJLS, but now with horizon defined by a stopping time = TN associated with the accumulated N-th failure or repair periods, after which the system is brought to a halt for maintenance. Therefore, we adapt the second moment -stability concept and we present a result that gives necessary and sufficient conditions for -stability of these systems. Furthermore, we show that such conditions obtained are more restrictive than that associated with the infinite-time horizon. Finally, we also prove that all second moment -stability concepts are equivalent.

Orientador: Aluir Porfírio Dal Poz / Banca: Mauricio Galo / Banca: Julio Kiyoshi Hasegawa / Banca: Daniel Rodrigues dos Santos / Resumo: Esse trabalho propõe o desenvolvimento de um método para a extração automática de contornos de telhados de edifícios com a combinação de dados de Varredura a LASER Aerotransportado (VLA) e dados fotogramétricos e campos aleatórios de Markov (MRF). Inicialmente, um Modelo Digital de Superfície normalizado (MDSn) é gerado através da diferença entre o Modelo Digital de Superfície (MDS) e o Modelo Digital de Terreno (MDT), obtidos a partir da nuvem de pontos LASER. Em seguida, o MDSn é segmentado para a obtenção dos polígonos que representam objetos altos da cena. Esses polígonos são projetados na imagem para restringir o espaço de busca para a segmentação da imagem em regiões. Esse processo possibilita a extração de polígonos na imagem que representem objetos altos. O processo de identificação de contornos de telhados, em meio aos objetos altos detectados na imagem, na etapa anterior, é realizado através da otimização de uma função de energia estabelecida com base em MRF que modela propriedades específicas de contornos de telhados de edifícios. No modelo MRF são utilizados tanto os polígonos extraídos da imagem quanto os extraídos dos dados VLA. A função de energia é otimizada pelo método Algoritmo Genético (AG). O método proposto nesse trabalho foi avaliado com base em dados reais - imagens aéreas de alta resolução e dados VLA. Os resultados obtidos na avaliação experimental mostraram que a metodologia funciona adequadamente na tarefa de extrair os contornos de telhados de edif... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: This paper proposes a method for the automatic extraction of building roof contours through a combination of Airborne Laser Scanner (ALS) and photogrammetric data, and Markov Random Field (MRF). Initially, a normalized digital surface model (nDSM) is generated on the basis of the difference between the digital surface model and the digital terrain model, obtained from the LiDAR point cloud. Then the nDSM is segmented to obtain the polygons representing aboveground objects. These polygons are projected onto image to restrict the search space for image segmentation into regions. This process enables the extraction of polygons in the image representing aboveground objects. Building roof contours are identified from among the aboveground objects in the image by optimizing a Markov-random-field-based energy function that embodies roof contour specific properties. In the MRF model are used both polygons extracted from image and from ALS data. The energy function is optimized by the Genetic Algorithm (GA) method. The method proposed in this work was evaluated based on real data - high-resolution aerial images and ALS data. The results obtained in the experimental evaluation showed that the methodology works adequately in the task of extracting the contours of building roofs... (Complete abstract click electronic access below) / Doutor

Made available in DSpace on 2016-06-02T19:05:24Z (GMT). No. of bitstreams: 1 DissALDM.pdf: 3321735 bytes, checksum: b01df738791a5ca4a9c92010d26c994a (MD5) Previous issue date: 2007-05-22 / Universidade Federal de Minas Gerais / Super resolution image reconstruction consists in using a set of low resolution images from the same scene to generate a high resolution estimate of the original scene. For that purpose, all the observed low resolution images need to have sub-pixel displacements among each other. In this way, there is more than just the same information replicated in each image and then the uncertainty inherent to the displacements can be used as additional information to increase the spatial resolution. This master s thesis proposes a Bayesian approach for the super resolution reconstruction problem using Markov Random Fields and the Potts-Straus model for the image characterization. Therefore, it is possible to incorporate previously known context spatial information about the high resolution image to be estimated. Moreover, a discontinuity adaptive ICM algorithm was used to estimate the maximum a posteriori solution. Using an initial high resolution estimate constructed from the registration and interpolation of all the observations made it possible to reconstruct an image that respected the initially presented discontinuities. We also observed that the resulted high resolution image hold finner details when compared to the initial estimation. / A Reconstrução por Super Resolução consiste em, utilizando várias imagens de baixa resolução da mesma cena, gerar uma aproximação da cena original, que possua resolução espacial mais alta que a presente em qualquer uma das imagens observadas. Para isso, tais imagens devem possuir algum tipo de deslocamento da ordem sub-pixel uma em relação às demais, de forma que não exista apenas a mesma informação replicada em todas as imagens. Assim, a incerteza inerente a tais deslocamentos pode ser usada como informação adicional no aumento de resolução. Nesse contexto, esta pesquisa propõe uma abordagem Bayesiana do problema, utilizando Campos Aleatórios de Markov e o Modelo de Potts-Strauss na caracterização das imagens. Isso torna possível a imposição de informações espaciais de contexto conhecidas a priori da imagem de alta resolução a ser estimada. A estimativa de Máximo a Posteriori (MAP) de alta resolução é encontrada por meio do algoritmo Iterated Conditional Modes (ICM) adaptativo a descontinuidades. Dessa forma, utilizando como estimativa inicial de alta resolução a imagem resultante do registro e interpolação das imagens de baixa resolução observadas, foi possível reconstruir imagens de maior resolução que respeitassem as descontinuidades inicialmente presentes, e que apresentassem maior riqueza de detalhes.