Spelling suggestions: "subject:"classifica??o"" "subject:"massifica??o""
41 |
Trendtv : uma arquitetura para mudan?a autom?tica de canais de TV baseada em redes sociais virtuais com graus de amizade e suporte a m?ltiplos dispositivos no cen?rio da TV digital brasileiraSena, Hugo T?cito Azevedo de 13 February 2012 (has links)
Made available in DSpace on 2014-12-17T14:55:56Z (GMT). No. of bitstreams: 1
HugoTAS_DISSERT.pdf: 1403051 bytes, checksum: 082930bba50f7afe6808198a25388862 (MD5)
Previous issue date: 2012-02-13 / Due to the large amount of television content, which emerged from the Digital TV,
viewers are facing a new challenge, how to find interesting content intuitively and efficiently.
The Personalized Electronic Programming Guides (pEPG) arise as an answer
to this complex challenge. We propose TrendTV a layered architecture that allows the
formation of social networks among viewers of Interactive Digital TV based on online
microblogging. Associated with a pEPG, this social network allows the viewer to perform
content filtering on a particular subject from the indications made by other viewers
of his network. Allowing the viewer to create his own indications for a particular content
when it is displayed, or to analyze the importance of a particular program online, based
on these indications. This allows any user to perform filtering on content and generate
or exchange information with other users in a flexible and transparent way, using several
different devices (TVs, Smartphones, Tablets or PCs). Moreover, this architecture defines
a mechanism to perform the automatic exchange of channels based on the best program
that is showing at the moment, suggesting new components to be added to the middleware
of the Brazilian Digital TV System (Ginga). The result is a constructed and dynamic database
containing the classification of several TV programs as well as an application to
automatically switch to the best channel of the moment / Devido ? grande quantidade de conte?do televisivo, que surgiu junto com a TV Digital,
os telespectadores est?o diante de um novo desafio, saber como procurar conte?do
interessante de maneira intuitiva e eficiente. Os guias eletr?nicos de programa??o personalizada
(pEPG) surgem como uma resposta para esse complexo desafio. Propomos a
TrendTV, uma arquitetura em camadas que permite a forma??o de redes sociais entre telespectadores
de programas de TV Digital Interativa baseada em microblog de conte?do
on-line. Associado a um pEPG, esta rede social permite que um telespectador realize
filtragens de conte?do sobre um determinado assunto a partir das indica??es feitas por
outros telespectadores de sua rede. Isto permite que o telespectador crie sua pr?pria
indica??o para um determinado conte?do no momento em que ele ? exibido, ou ainda
analisar a import?ncia de um determinado programa on-line, baseado nessas indica??es.
Isto permite que qualquer usu?rio possa realizar filtros no conte?do, al?m de gerar e trocar
informa??es com os outros usu?rios de modo flex?vel e transparente, utilizando v?rios
dispositivos diferentes(TVs,Smartfones, Tablets ou PCs). Al?m disso, essa arquitetura
define um mecanismo para realizar a mudan?a autom?tica de canais baseado no melhor
programa que est? passando no momento, sugerindo novos componentes a serem agregados
ao middleware do Sistema Brasileiro de TV Digital (Ginga). Como resultado ?
constru?da uma base de dados din?mica e que cont?m a classifica??o de v?rios programas
de TV, bem como uma aplica??o que permite mudar automaticamente para o melhor canal
do momento
|
42 |
Classifica??o de padr?es atrav?s de um comit? de m?quinas aprimorado por aprendizagem por refor?oLima, Naiyan Hari C?ndido 13 August 2012 (has links)
Made available in DSpace on 2014-12-17T14:56:07Z (GMT). No. of bitstreams: 1
NaiyanHCL_DISSERT.pdf: 1452285 bytes, checksum: 018fb1e8fa51e8f7094cce68a18c6c73 (MD5)
Previous issue date: 2012-08-13 / Reinforcement learning is a machine learning technique that, although finding a large
number of applications, maybe is yet to reach its full potential. One of the inadequately tested
possibilities is the use of reinforcement learning in combination with other methods for the
solution of pattern classification problems.
It is well documented in the literature the problems that support vector machine ensembles
face in terms of generalization capacity. Algorithms such as Adaboost do not deal appropriately
with the imbalances that arise in those situations. Several alternatives have been proposed,
with varying degrees of success.
This dissertation presents a new approach to building committees of support vector machines.
The presented algorithm combines Adaboost algorithm with a layer of reinforcement
learning to adjust committee parameters in order to avoid that imbalances on the committee
components affect the generalization performance of the final hypothesis. Comparisons were
made with ensembles using and not using the reinforcement learning layer, testing benchmark
data sets widely known in area of pattern classification / A aprendizagem por refor?o ? uma t?cnica de aprendizado de m?quina que, embora j? tenha
encontrado uma grande quantidade de aplica??es, talvez ainda n?o tenha alcan?ado seu
pleno potencial. Uma das possibilidades que n?o foi devidamente testada at? hoje foi a utiliza??o
da aprendizagem por refor?o em conjunto com outros m?todos para a solu??o de problemas
de classifica??o de padr?es.
? bem documentada na literatura a problem?tica que ensembles de m?quinas de vetor de
suporte encontram em termos de capacidade de generaliza??o. Algoritmos como Adaboost
n?o lidam apropriadamente com os desequil?brios que podem surgir nessas situa??es. V?rias
alternativas j? foram propostas, com margens variadas de sucesso.
Esta disserta??o apresenta uma nova abordagem para a constru??o de comit?s de m?quinas
de vetor de suporte. O algoritmo apresentado combina o algoritmo Adaboost com uma
camada de aprendizagem por refor?o, para ajustar par?metros do comit? evitando que desequil?brios
nos classificadores componentes do comit? prejudiquem o desempenho de generaliza??o
da hip?tese final. Foram efetuadas compara??es de comit?s com e sem essa camada
adicional de aprendizagem por refor?o, testando conjuntos de dados benchmarks amplamente
conhecidos na ?rea de classifica??o de padr?es
|
43 |
Algoritmos gen?ticos aplicados a um comit? de LS-SVM em problemas de classifica??oPadilha, Carlos Alberto de Ara?jo 31 January 2013 (has links)
Made available in DSpace on 2014-12-17T14:56:13Z (GMT). No. of bitstreams: 1
CarlosAAP_DISSERT.pdf: 1150903 bytes, checksum: a90e625336bbabe7e96da74cb85ee7aa (MD5)
Previous issue date: 2013-01-31 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The pattern classification is one of the machine learning subareas that has the most
outstanding. Among the various approaches to solve pattern classification problems, the
Support Vector Machines (SVM) receive great emphasis, due to its ease of use and good
generalization performance. The Least Squares formulation of SVM (LS-SVM) finds the
solution by solving a set of linear equations instead of quadratic programming implemented
in SVM. The LS-SVMs provide some free parameters that have to be correctly
chosen to achieve satisfactory results in a given task. Despite the LS-SVMs having high
performance, lots of tools have been developed to improve them, mainly the development
of new classifying methods and the employment of ensembles, in other words, a combination
of several classifiers. In this work, our proposal is to use an ensemble and a Genetic
Algorithm (GA), search algorithm based on the evolution of species, to enhance the LSSVM
classification. In the construction of this ensemble, we use a random selection of
attributes of the original problem, which it splits the original problem into smaller ones
where each classifier will act. So, we apply a genetic algorithm to find effective values
of the LS-SVM parameters and also to find a weight vector, measuring the importance
of each machine in the final classification. Finally, the final classification is obtained by
a linear combination of the decision values of the LS-SVMs with the weight vector. We
used several classification problems, taken as benchmarks to evaluate the performance of
the algorithm and compared the results with other classifiers / A classifica??o de padr?es ? uma das sub?reas do aprendizado de m?quina que possui
maior destaque. Entre as v?rias t?cnicas para resolver problemas de classifica??o de padr?es,
as M?quinas de Vetor de Suporte (do ingl?s, Support Vector Machines ou SVM)
recebem grande ?nfase, devido a sua facilidade de uso e boa capacidade de generaliza??o.
A formula??o por M?nimos Quadrados da SVM (do ingl?s, Least Squares Support Vector
Machines ou LS-SVM) encontra um hiperplano de separa??o ?tima atrav?s da solu??o
de um sistema de equa??es lineares, evitando assim o uso da programa??o quadr?tica
implementada na SVM. As LS-SVMs fornecem alguns par?metros livres que precisam
ser corretamente selecionados para alcan?ar resultados satisfat?rios em uma determinada
tarefa. Apesar das LS-SVMs possuir elevado desempenho, v?rias ferramentas tem
sido desenvolvidas para aprimor?-la, principalmente o desenvolvimento de novos m?todos
de classifica??o e a utiliza??o de comit?s de m?quinas, ou seja, a combina??o de v?rios
classificadores. Neste trabalho, n?s propomos tanto o uso de um comit? de m?quinas
quanto o uso de um Algoritmo Gen?tico (AG), algoritmo de busca baseada na evolu??o
das esp?cies, para aprimorar o poder de classifica??o da LS-SVM. Na constru??o desse
comit?, utilizamos uma sele??o aleat?ria de atributos do problema original, que divide o
problema original em outros menores onde cada classificador do comit? vai atuar. Ent?o,
aplicamos o AG para encontrar valores efetivos para os par?metros de cada LS-SVM
e tamb?m encontrando um vetor de pesos, medindo a import?ncia de cada m?quina
na classifica??o final. Por fim, a classifica??o final ? dada por uma combina??o linear das respostas de cada m?quina ponderadas pelos pesos. Foram utilizados v?rios problemas
de classifica??o, tidos como benchmarks, para avaliar o desempenho do algoritmo e
comparamos os resultados obtidos com outros classificadores
|
44 |
Arquiteturas eficientes para sensoriamento espectral e classifica??o autom?tica de modula??es usando caracter?sticas cicloestacion?riasLima, Arthur Diego de Lira 28 June 2014 (has links)
Made available in DSpace on 2014-12-17T14:56:19Z (GMT). No. of bitstreams: 1
ArthurDLL_DISSERT.pdf: 2517302 bytes, checksum: c3d693c770dc1c58bad5f378aba6d268 (MD5)
Previous issue date: 2014-06-28 / The increasing demand for high performance wireless communication systems has
shown the inefficiency of the current model of fixed allocation of the radio spectrum. In
this context, cognitive radio appears as a more efficient alternative, by providing opportunistic
spectrum access, with the maximum bandwidth possible. To ensure these requirements,
it is necessary that the transmitter identify opportunities for transmission and the
receiver recognizes the parameters defined for the communication signal. The techniques
that use cyclostationary analysis can be applied to problems in either spectrum sensing and
modulation classification, even in low signal-to-noise ratio (SNR) environments. However,
despite the robustness, one of the main disadvantages of cyclostationarity is the high
computational cost for calculating its functions. This work proposes efficient architectures
for obtaining cyclostationary features to be employed in either spectrum sensing and automatic
modulation classification (AMC). In the context of spectrum sensing, a parallelized
algorithm for extracting cyclostationary features of communication signals is presented.
The performance of this features extractor parallelization is evaluated by speedup and
parallel eficiency metrics. The architecture for spectrum sensing is analyzed for several
configuration of false alarm probability, SNR levels and observation time for BPSK and
QPSK modulations. In the context of AMC, the reduced alpha-profile is proposed as as
a cyclostationary signature calculated for a reduced cyclic frequencies set. This signature
is validated by a modulation classification architecture based on pattern matching. The
architecture for AMC is investigated for correct classification rates of AM, BPSK, QPSK,
MSK and FSK modulations, considering several scenarios of observation length and SNR
levels. The numerical results of performance obtained in this work show the eficiency of
the proposed architectures / O aumento da demanda por sistemas de comunica??o sem fio de alto desempenho tem
evidenciado a inefici?ncia do atual modelo de aloca??o fixa do espectro de r?dio. Nesse
contexto, o r?dio cognitivo surge como uma alternativa mais eficiente, ao proporcionar
o acesso oportunista ao espectro, com a maior largura de banda poss?vel. Para garantir
esses requisitos, ? necess?rio que o transmissor identifique as oportunidades de transmiss?o
e que o receptor reconhe?a os par?metros definidos para o sinal de comunica??o.
As t?cnicas que utilizam a an?lise cicloestacion?ria podem ser aplicadas tanto em problemas
de sensoriamento espectral, quanto na classifica??o de modula??es, mesmo em
ambientes de baixa rela??o sinal-ru?do (SNR). Entretanto, apesar da robustez, uma das
principais desvantagens da cicloestacionariedade est? no elevado custo computacional
para o c?lculo das suas fun??es. Este trabalho prop?e arquiteturas eficientes de obten??o
de caracter?sticas cicloestacion?rias para serem empregadas no sensoriamento espectral e
na classifica??o autom?tica de modula??es (AMC). No contexto do sensoriamento espectral,
um algoritmo paralelizado para extrair as caracter?sticas cicloestacion?rias de sinais
de comunica??o ? apresentado. O desempenho da paraleliza??o desse extrator de caracter?sticas
? avaliado atrav?s das m?tricas de speedup e efici?ncia paralela. A arquitetura
de sensoriamento espectral ? analisada para diversas configura??es de probabilidades de
falso alarme, n?veis de SNR e tempo de observa??o das modula??es BPSK e QPSK. No
contexto da AMC, o perfil-alfa reduzido ? proposto como uma assinatura cicloestacion?ria
calculada para um conjunto reduzido de frequ?ncia c?clicas. Essa assinatura ? validada
por meio de uma arquitetura de classifica??o baseada no casamento de padr?es. A arquitetura
para AMC ? investigada para as taxas de acerto obtidas para as modula??es AM,
BPSK, QPSK, MSK e FSK, considerando diversos cen?rios de tempo de observa??o e n?veis
de SNR. Os resultados num?ricos de desempenho obtidos neste trabalho demonstram
a efici?ncia das arquiteturas propostas
|
45 |
Otimiza??o em comit?s de classificadores: uma abordagem baseada em filtro para sele??o de subconjuntos de atributosSantana, Laura Emmanuella Alves dos Santos 02 February 2012 (has links)
Made available in DSpace on 2014-12-17T15:46:59Z (GMT). No. of bitstreams: 1
LauraEASS_TESE.pdf: 2447411 bytes, checksum: 3e442431965058383423623bc7751de0 (MD5)
Previous issue date: 2012-02-02 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / Traditional applications of feature selection in areas such as data mining, machine learning
and pattern recognition aim to improve the accuracy and to reduce the computational
cost of the model. It is done through the removal of redundant, irrelevant or noisy data,
finding a representative subset of data that reduces its dimensionality without loss of performance.
With the development of research in ensemble of classifiers and the verification
that this type of model has better performance than the individual models, if the base
classifiers are diverse, comes a new field of application to the research of feature selection.
In this new field, it is desired to find diverse subsets of features for the construction of base
classifiers for the ensemble systems. This work proposes an approach that maximizes the
diversity of the ensembles by selecting subsets of features using a model independent of
the learning algorithm and with low computational cost. This is done using bio-inspired
metaheuristics with evaluation filter-based criteria / A aplica??o tradicional da sele??o de atributos em diversas ?reas como minera??o de
dados, aprendizado de m?quina e reconhecimento de padr?es visa melhorar a acur?cia
dos modelos constru?dos com a base de dados, ao retirar dados ruidosos, redundantes ou
irrelevantes, e diminuir o custo computacional do modelo, ao encontrar um subconjunto
representativo dos dados que diminua sua dimensionalidade sem perda de desempenho.
Com o desenvolvimento das pesquisas com comit?s de classificadores e a verifica??o de
que esse tipo de modelo possui melhor desempenho que os modelos individuais, dado que
os classificadores base sejam diversos, surge uma nova aplica??o ?s pesquisas com sele??o
de atributos, que ? a de encontrar subconjuntos diversos de atributos para a constru??o
dos classificadores base de comit?s de classificadores. O presente trabalho prop?e uma
abordagem que maximiza a diversidade de comit?s de classificadores atrav?s da sele??o de
subconjuntos de atributos utilizando um modelo independente do algoritmo de aprendizagem
e de baixo custo computacional. Isso ? feito utilizando metaheur?sticas bioinspiradas
com crit?rios de avalia??o baseados em filtro
|
46 |
A teoria da ru?na aplicada em um modelo de empresa financeira com risco de cr?ditoSilva, Jackelya Ara?jo da 11 March 2008 (has links)
Made available in DSpace on 2015-03-03T15:22:31Z (GMT). No. of bitstreams: 1
JackelyaAS.pdf: 313251 bytes, checksum: 729c2692ae341877eba59b8ce2bf93dd (MD5)
Previous issue date: 2008-03-11 / In this work we study a new risk model for a firm which is sensitive to its credit quality, proposed by Yang(2003): Are obtained recursive equations for finite time ruin probability and distribution of ruin time and Volterra type integral equation systems for ultimate ruin probability, severity of ruin and distribution of surplus before and after ruin / Neste trabalho estudamos um novo modelo de risco para uma empresa que ? sens?vel a classica??o de risco de cr?dito, proposto por Yang(2003): Obtemos equa??es recursivas para a probabilidade de ru?na em tempo nito, distribui??o do tempo de ru?na, sistemas de equa??es integrais do tipo Volterra para severidade e distribui??o conjunta do capital antes e depois da ru?na
|
Page generated in 0.054 seconds