Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014 / Made available in DSpace on 2015-02-05T20:26:28Z (GMT). No. of bitstreams: 1 331903.pdf: 2365363 bytes, checksum: df1d0a2c1efb5a7b665283338d74018c (MD5) Previous issue date: 2014 / A rápida expansão de comunicações sem fio tornaram o espectro de rádio frequência um recurso bastante escasso. O rádio cognitivo surgiu como uma solução viável para contornar essa dificuldade. No contexto de rádio cognitivo, o monitoramento de espectro (Spectrum Sensing (SS)) desempenha um papel fundamental. Em particular, a Classificação Automática de Modulações (Automatic Modulation Classification (AMC)) é um dos blocos computacionais que mais demanda recursos dentro do SS. Atualmente, as pesquisas em AMC concentram-se no desenvolvimento de métodos rápidos e precisos que sejam capazes de atingir o throughput exigido por aplicações contemporâneas. Alguns trabalhos recentes tem proposto o uso de histogramas do sinal de entrada como parâmetros de classificação e Máquinas de Vetores de Suporte (Support Vector Machine (SVM)) como técnica de classificação. O presente trabalho apresenta uma avaliação de tal abordagem e busca projetar arquiteturas de hardware dedicadas eficientes para AMC. Na primeira parte deste trabalho, soluções de hardware para classificação de múltiplas classes usando SVM são projetadas e avaliadas. O esquema "um contra todos melhorado" proposto apresentou uma taxa de acertos até 162% maior do que o esquema "um contra um" comumente utilizado, sendo 30;2% mais eficiente em termos de energia consumida para classificação. Na segunda parte do trabalho, o uso de histogramas em conjunto com SVM é avaliado como uma técnica de classificação cega. Isso é realizado através de experimentos que assumem que o receptor não conhece a taxa de dados do transmissor, em oposição aos trabalhos correlatos. Como outra novidade, histogramas bi-dimensionais são propostos e a taxa de acertos resultante é comparada com aquela obtida para histogramas uni-dimensionais. Os experimentos mostraram que os histogramas bi-dimensionais fornecem uma taxa de acertos ligeiramente maior a um custo de hardware equivalente. Para a classificação baseada em histogramas bi-dimensionais, os seguintes parâmetros foram avaliados: tamanho do conjunto de treino, robustez ao ruído e relação entre número de amostras e taxa de acertos. Para as condições assumidas nos experimentos conduzidos, um tamanho do conjunto de treino de 256 amostras forneceram a melhor relação entre a taxa de acertos e recursos de hardware. Em relação à robustez ao ruído, os experimentos mostraram que a taxa de acertos global é melhor adaquando as SVMs são treinadas para toda a faixa de relação sinal-ruído na qual atuarão, ao invés de treinadas para um valor específico de relação sinal-ruído. Finalmente, percebeu-se que a taxa de acertos aumenta drasticamente quando o número de amostras para classificação é maior.<br> / Abstract: The fast expansion of wireless communications made the radio frequency spectrum a quite scarce resource. Cognitive radio emerges as a viable solution to circumvent this difficulty. In the context of cognitive radio, Spectrum Sensing (SS) plays a fundamental role. In particular, Automatic Modulation Classification (AMC) is one of the most computational demanding blocks within SS. Current research in AMC focuses on developing fast and accurate methods that are able to achieve the throughput required by contemporary applications. Some recent works have proposed the use of histrograms of the input signal as classification parameters, and Support Vector Machine (SVM) as a classification technique. This work presents an evaluation of such approach looking for designing efficient dedicated hardware architectures for AMC. In the first part of the work, hardware solutions for classifying multiple classes using SVM are designed and evaluated. The proposed "enhancedone against all" scheme presented up to 162% higher accuracy than the commonly used "one against one" scheme, while consuming 30:2% less energy per classification. In the second part of the work, the use of histograms along with SVM is evaluated as a blind classification technique. This was accomplished by conducting experiments assuming that the receiver does not know the transmitted baud rate, in opposition to the correlated work. As another novelty, two-dimensional histograms are proposed and the resulting accuracy is compared to that obtained from one-dimensional histograms. The experiments showed that two-dimensional histograms provide slightly higher accuracy at equivalent hardware costs. The following parameters were evaluated for two-dimensional histogram-based classification: training set size, robustness to noise and relation between number of samples and hit rate. For the conditions assumed in the conducted experiments, a training set size of 256 samples provided the best trade-off between accuracy and hardware resources. Concerning the robustness to noise, the experiments showed that the global accuracy is improved when SVMs are trained for the whole signal-to noise range that they are supposed to operate, instead of training to a specific signal-to-noise value. Finally, it has been noticed that accuracy is drastically improved when the number of samples for classification is increased.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciências da Computação, Florianópolis, 2012. / Made available in DSpace on 2013-07-16T04:38:02Z (GMT). No. of bitstreams: 1 316873.pdf: 8884208 bytes, checksum: 7db4d74a66b5090e1c1b257226b7ec1b (MD5) / A classificacao temática em imagens aéreas ou de satélite é uma etapa de fundamental importância para a area de sensoriamento remoto. Ela tem como objetivo determinar a classe a que uma determinada superfície encontrada em uma imagem pertence. Várias técnicas de classificacao de imagens foram adaptadas para o domínio de sensoriamento remoto. Mesmo com os recentes avanços conseguidos na area de classificação, essas técnicas ainda não conseguem resultados similares aos obtidos por um observador humano. Um dos prováveis motivos é a capacidade de um operador humano utilizar uma gama variada de informacoes além da cor, sendo que entre essas informacoes adicionais se encontra as características de textura que uma determinada classe apresenta. Com o intuito de expandir o repertório de técnicas de classificação utilizadas na area de sensoriamento remoto se apresenta neste trabalho a utilização do classificador polinomial Mahalanobis juntamente com métricas locais de textura. Os resultados finais foram analisados pelos teste de acurácia obtendo taxas de acerto variando entre 80,0% e 99,0%. Esses resultados demostram a viabilidade do uso da técnica utilizada como classificador no domínio do sensoriamento remoto.<br> / Abstract : Image classification is a fundamental step in remote sensing applications. It has the objective to identify and quantify surface patterns for resource assessments. Several techniques are used for that purpose, and a common difficulty is dealing with discrimination of multidimensional non-linear nearby patterns. Several classical methods like fuzzy, neural networks (NN), suport vecor machine (SVN) etc. are being used for that purpose, but every one have restricted performance specially in the case of non-linear classification functions. A novel approach never used in that area with a great potential to improve performance is the non-linear Polynomial Mahalanobis (PM). In the present work it is presented a PM supervised method that allows marking of a specific pattern based on a combination of multidimensional pixel value and texture features. The method was tested on air photogrametric images to assess specific features or cases like forests, water and cultivated areas for the State of Paran´a, Brazil. The result analysis on the selected cases showed that the method presented a very good performance on classification allowing a better resource assessment.

Resumo: A PG (Programação Genetica) e aplicada com sucesso em Classicação. Entretanto, a pesquisa voltada a aplicação de PG para OCC (One-Class Classication) encontra-se em estagios iniciais, pois os poucos trabalhos relacionados existentes estão repletos de mudancas que não foram individualmente avaliadas e cujos propositos estão em resolver problemas provenientes do metodo de geracão de anomalias empregado e tambem na redução do tempo computacional da etapa de treino. Nesse contexto, e notavel que para tornar a PG em algoritmo de excelência para OCC o primeiro passo e avaliar sua abordagem convencional para o problema, algo que ainda no foi realizado, e objetivo central do presente trabalho, pois a introdução de novas ideias somente se justica ao se conhecer as limitações e os resultados obtidos pelo algoritmo convencional. Contudo, a aplicação de PG para OCC requer que o problema seja transformado em classicação binaria, cujas duas classes que compõem o conjunto de dados de treino são compostas por exemplos de perl normal e anormal. Porem, em diversos problemas de OCC e impraticavel obter exemplos anormais, por isto neste trabalho enfatiza-se a avaliacão de algoritmos para gerar exemplos anormais, algo que tambem ainda não foi realizado para PG. Entre os algoritmos de geração de anomalia estudados, selecionou-se o metodo pro- posto por Banhalmi et al. [6] que baseia-se em exemplos mais distantes da classe normal, o algoritmo baseado no conceito de hiperesfera proposto por Tax e Duin [38] e a tecnica RNS (Real-valued Negative Selection) inspirada em sistemas imunologicos proposta por Gonzales et al. [19] [20]. Um estudo comparativo entre eles foi realizado, para avaliar o desempenho de classicação obtido por um classicador induzido por PG convencio- nal sob uma abordagem de classicacão binaria. Vericou-se que o metodo proposto por Banhalmi et al. possibilitou a obtencão dos melhores resultados. O algoritmo de geracão de anomalias com melhor avaliacão foi empregado aos demais experimentos do presente trabalho, entre eles, um estudo comparativo entre a PG pro- posta no presente trabalho e as abordagens da literatura para OCC. Nesse experimento, vericou-se que a PG proposta neste trabalho obteve melhores resultados de classicacão em dois problemas OCC, em outros três obteve desempenho similar e em um deles foi in- ferior. Portanto, atesta-se a hipotese de que e possvel resolver OCC usando um algoritmo de PG convencional utilizando o algoritmo adequado para geracão de anomalias. O impacto de certos parâmetros da PG tambem foi avaliado. Entre eles o tamanho da populacão, que apresentou maior impacto no desempenho de classicacão em um problema OCC comparado a diferentes ajustes no tamanho da arvore e na taxa de mutacão. Alem disso, diferentes funcões de aptidão tambem foram experimentadas. Vericou-se que a funcão composta pela media das taxas individuais de acerto em cada classe apresentou melhor desempenho de classicacão OCC quando comparada ao uso da metrica AUC (Area Under the Receiver Operation Characteristic Curve). A taxa WMW (Wilcoxon- Mann-Whitney), considerada um estimador da AUC com custo computacional inferior, tambem foi aplicada como funcão de aptidão e apresentou resultado semelhante ao uso da AUC.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2013. / Made available in DSpace on 2014-08-06T17:39:27Z (GMT). No. of bitstreams: 1 325552.pdf: 1002622 bytes, checksum: b02bceef07ab41a843ebba484b77d1a5 (MD5) Previous issue date: 2013 / A Web é o maior repositório de dados disponível, contando com mais de 150 milhões de tabelas com dados relacionais de qualidade. Muitos trabalhos têm unido esforços a fim de utilizá-las como base para consultas, porém, a heterogeneidade de formatações em que os dados se encontram limita a 17,75% a quantidade de tabelas aptas para este tipo de processamento. A fim de aumentar o aproveitamento das informações estruturadas na Web, esta dissertação apresenta o WT2RT (Web Table to Relational Table), uma solução para catalogação das categorias de tabelas utilizadas com maior frequência, formalização destas e definição de algoritmos para uniformização estrutural. Para a catalogação, foi implementado o framework WTClassifier, baseado em Redes Neurais Artificiais. Seu aprendizado se dá através da análise de padrões em tabelas, escolhidas aleatoriamente, cujas categorias são conhecidas. Nos experimentos realizados, o WTClassifier apresentou valores altos de F-measure para a maioria das estruturas definidas. Após a categorização, são aplicados algoritmos em cada caso heterogêneo, de modo a trazer todas as tabelas para uma estrutura única.<br> / Abstract : The Web is the largest repository of available data, with over 150 million high-quality tables. Several works have combined efforts to allow queries on these tables, however, their heterogeneous structures limit to 17.75% the amount of tables suitable for this type of processing. In order to increase the use of structured information on the Web, this work presents an approach called WT2RT (Web Table to Relational Table), that catalogsWeb table categories used more often, formalize them and defines structural uniformization algorithms. For the cataloging purpose, framework WTCLASSIFIER was implemented, using Artificial Neural Networks. It learns analyzing patterns of tables whose categories are known. In experiments, WTCLASSIFIER presented high F-measure values for most cases. After identifying table category, algorithms are applied in order to bring all tables to a single structure.