O cérebro humano é formado por um conjunto de neurônios de diferentes tipos, cada um com sua especialidade. A combinação destes diferentes tipos de neurônios é um dos aspectos responsáveis pelo desempenho apresentado pelo cérebro na realização de várias tarefas. Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado no sistema nervoso e que adquirem conhecimento através da experiência. Uma alternativa para melhorar o desempenho das Redes Neurais Artificiais é a utilização de técnicas de Combinação de Classificadores. Estas técnicas de combinação exploram as diferenças e as semelhanças das redes para a obtenção de resultados melhores. Dentre as principais aplicações de Redes Neurais Artificiais está o Reconhecimento de Padrões. Neste trabalho, foram utilizadas técnicas de Combinação de Classificadores para a combinação de Redes Neurais Artificiais em problemas de Reconhecimento de Padrões. / The human brain is formed by neurons of different types, each one with its own speciality. The combination of theses different types of neurons is one of the main features responsible for the brain performance in severa! tasks. Artificial Neural Networks are computation technics whose mathematical model is based on the nervous system and learns new knowledge by experience. An alternative to improve the performance of Artificial Neural Networks is the employment of Classifiers Combination techniques. These techniques of combination explore the difference and the similarity of the networks to achieve better performance. The main application of Artificial Neural Networks is Pattern Recognition. In this work, Classifiers Combination techniques were utilized to combine Artificial Neural Networks to solve Pattern Recognition problems.

Composição é um fenômeno muito produtivo nas línguas de sinais. Estudos pioneiros na ASL (língua de sinais americana) identificaram compostos formados sequencialmente que se caracterizam por regras de redução fonológica e assimilação nos constituintes dos compostos (KLIMA; BELLUGI, 1979; LIDDELL; JOHNSON, 1986). Um estudo sobre compostos na BSL (língua de sinais britânica) mostra a possibilidade de realização simultânea de dois sinais, que são dois classificadores (CLs), em um composto (BRENNAN, 1990). Na libras (língua brasileira de sinais), há estudos que tratam de compostos realizados sequencialmente com dois ou três sinais (QUADROS; KARNOPP, 2004; FELIPE, 2006; FIGUEIREDO SILVA; SELL, 2009). No entanto, nenhum deles trata da possibilidade da ocorrência de CLs em compostos, tampouco da possibilidade da realização de compostos simultâneos. Se as línguas de sinais apresentam dois articuladores primários, as mãos, é natural pensarmos na possibilidade da ocorrência de sinais simultâneos. Sendo assim, o objetivo deste trabalho é descrever os tipos de compostos que ocorrem na libras e investigar a possibilidade de ocorrência de CLs e marcadores não-manuais em compostos, formando compostos simultâneos. Através do conjunto de dados levantado em dicionários, conversas espontâneas e gravações eliciadas por figuras, classificamos os compostos da libras em três grandes grupos, que são os compostos: i) sequenciais; ii) simultâneos e iii) simultâneo-sequenciais. Observamos que todos os compostos simultâneos apresentam um predicado CL sinalizado simultaneamente com mais um sinal CL, ou apresentam um sinal realizado pela boca, o que possibilita a simultaneidade com um sinal manual. O grupo de compostos simultâneos é o menos investigado nas línguas de sinais e será o objeto principal de nossa pesquisa. A descrição detalhada desses dados, bem como a investigação da natureza dos CLs e dos sinais boca, levarão a um maior conhecimento dos processos morfológicos nas línguas de sinais e viabilizarão a indicação de caminhos para uma proposta de análise formal para a composição na libras. A análise desenvolvida nesta tese segue os pressupostos teóricos da Morfologia Distribuída (HALLE; MARANTZ, 1993). / Compound formation is a very productive phenomenon in sign languages. Pioneering studies of ASL (American Sign Language) identified compounds formed sequentially, which are characterized by rules of phonological reduction and assimilation in the members of the compounds (KLIMA; BELLUGI, 1979; LIDDELL; JOHNSON, 1986). An investigation of compound formation in BSL (British Sign Language) shows the possibility of simultaneous realization of two signs, which are two classifiers (CLs), in a compound (BRENNAN, 1990). In libras (Brazilian Sign Language), there are studies that deal with compounds realized sequentially, with two or three signs (QUADROS; KARNOPP, 2004; FELIPE, 2006; FIGUEIREDO SILVA; SELL, 2009). However, none of them deals with the possibility of occurrence of CLs in compounds, nor with the possibility of signing simultaneous compounds. If sign languages have two primary articulators, that is, the hands, it is natural to think of the possibility of occurrence of simultaneous signs. Thus, the aim of this thesis is to describe the types of compounds that occur in libras, and investigate the possibility of occurrence of CLs and non-manual markers in compounds, forming simultaneous compounds. Drawing on data collected in dictionaries, spontaneous conversations and recordings elicited by figures, we classify the compounds in libras into three major groups, which are: i) sequential compounds; ii) simultaneous compounds and iii) simultaneoussequential compounds. We observed that all the simultaneous compounds exhibit a CL predicate simultaneously realized with another CL sign, or exhibit a sign realized by the mouth, which enables the simultaneity with a manual sign. The group of simultaneous compounds is the least investigated one in sign languages and it will be the main topic of our research. Both the detailed description of these data and the investigation of the nature of CLs and signs realized by the mouth will lead to a better understanding of the morphological processes in sign languages, paving the way for a formal analysis of the compound formation in libras. The analysis developed in this work follows the theoretical assumptions of the Distributed Morphology framework (HALLE; MARANTZ, 1993).

In many real classification problems, the data set used for model induction is significantly imbalanced. This occurs when the number of examples of some classes is much lower than the other classes. Imbalanced datasets can compromise the performance of most classical classification algorithms. The classification models induced by such datasets usually present a strong bias towards the majority classes, tending to classify new instances as belonging to these classes. A commonly adopted strategy for dealing with this problem is to train the classifier on a balanced sample from the original dataset. However, this procedure can discard examples that could be important for a better class discrimination, reducing classifier efficiency. On the other hand, in recent years several studies have shown that in different scenarios the strategy of combining several classifiers into structures known as ensembles has proved to be quite effective. This strategy has led to a stable predictive accuracy and, in particular, to a greater generalization ability than the classifiers that make up the ensemble. This generalization power of classifier ensembles has been the focus of research in the imbalanced learning field in order to reduce the bias toward the majority classes, despite the complexity involved in generating efficient ensembles. Optimization meta-heuristics, such as evolutionary algorithms, have many applications for ensemble learning, although they are little used for this purpose. For example, evolutionary algorithms maintain a set of possible solutions and diversify these solutions, which helps to escape out of the local optimal. In this context, this thesis investigates and develops approaches to deal with imbalanced datasets, using ensemble of classifiers induced by samples taken from the original dataset. More specifically, this theses propose three solutions based on evolutionary ensemble learning and a fourth proposal that uses a pruning mechanism based on dominance ranking, a common concept in multiobjective evolutionary algorithms. Experiments showed the potential of the developed solutions. / Em muitos problemas reais de classificação, o conjunto de dados usado para a indução do modelo é significativamente desbalanceado. Isso ocorre quando a quantidade de exemplos de algumas classes é muito inferior às das outras classes. Conjuntos de dados desbalanceados podem comprometer o desempenho da maioria dos algoritmos clássicos de classificação. Os modelos de classificação induzidos por tais conjuntos de dados geralmente apresentam um forte viés para as classes majoritárias, tendendo classificar novas instâncias como pertencentes a essas classes. Uma estratégia comumente adotada para lidar com esse problema, é treinar o classificador sobre uma amostra balanceada do conjunto de dados original. Entretanto, esse procedimento pode descartar exemplos que poderiam ser importantes para uma melhor discriminação das classes, diminuindo a eficiência do classificador. Por outro lado, nos últimos anos, vários estudos têm mostrado que em diferentes cenários a estratégia de combinar vários classificadores em estruturas conhecidas como comitês tem se mostrado bastante eficaz. Tal estratégia tem levado a uma acurácia preditiva estável e principalmente a apresentar maior habilidade de generalização que os classificadores que compõe o comitê. Esse poder de generalização dos comitês de classificadores tem sido foco de pesquisas no campo de aprendizado desbalanceado, com o objetivo de diminuir o viés em direção as classes majoritárias, apesar da complexidade que envolve gerar comitês de classificadores eficientes. Meta-heurísticas de otimização, como os algoritmos evolutivos, têm muitas aplicações para o aprendizado de comitês, apesar de serem pouco usadas para este fim. Por exemplo, algoritmos evolutivos mantêm um conjunto de soluções possíveis e diversificam essas soluções, o que auxilia na fuga dos ótimos locais. Nesse contexto, esta tese investiga e desenvolve abordagens para lidar com conjuntos de dados desbalanceados, utilizando comitês de classificadores induzidos a partir de amostras do conjunto de dados original por meio de metaheurísticas. Mais especificamente, são propostas três soluções baseadas em aprendizado evolucionário de comitês e uma quarta proposta que utiliza um mecanismo de poda baseado em ranking de dominância, conceito comum em algoritmos evolutivos multiobjetivos. Experimentos realizados mostraram o potencial das soluções desenvolvidas.

Os modelos de análise e decisão de concessão de crédito buscam associar o perfil do tomador de crédito à probabilidade do não pagamento de obrigações contraídas, identificando assim o risco associado ao tomador e auxiliando a firma a decidir pela aprovação ou negação da solicitação de crédito. Atualmente este campo de pesquisa tem ganhado importância no cenário nacional - pela intensificação da atividade de crédito no país com grande participação dos bancos públicos neste processo - e internacional - pelo aumento das preocupações com potenciais danos à economia derivados de eventos de default. Tal quadro fez com que fossem construídos e adaptados diversos modelos e métodos à análise de risco de crédito tanto para consumidores como para empresas. Estes modelos são testados e comparados com base na acurácia de previsão ou de métricas de otimização estatística. Este é um procedimento que pode não se mostrar eficiente do ponto de vista financeiro, ao mesmo tempo em que dificulta a interpretação e tomada de decisão por parte da firma quanto a qual o melhor modelo, gerando uma lacuna pelo desprendimento observado entre a decisão de qual o modelo a ser adotado e o objetivo financeiro da empresa. Tendo em vista que o desempenho financeiro é um dos principais indicadores de qualquer procedimento gerencial, o presente estudo objetivou preencher a esta lacuna analisando o desempenho financeiro de carteiras de crédito formadas por técnicas de aprendizagem estatística utilizadas atualmente na classificação e análise de risco de crédito em pesquisas nacionais e internacionais. A pesquisa selecionou as técnicas: análise discriminante, regressão logística, redes bayesianas Naïve Bayes, kdB-1, kdB-2, SVC e SVM e aplicou tais técnicas junto à base de dados German Credit Data Set. Os resultados foram analisados e comparados inicialmente em termos de acurácia e custos por erro de classificação. Adicionalmente a pesquisa propôs o emprego de quatro métricas financeiras (RFC, PLR, RAROC e IS), encontrando variações quanto aos resultados produzidos por cada técnica. Estes resultados sugerem variações quanto a sequência de eficiência e consequentemente de emprego das técnicas, demonstrando a importância da consideração destas métricas para a análise e decisão de seleção de modelos de classificação ótimos. / Analysis and decision credit concession models search for relating the borrower\'s credit profile to the nonpayment probability of their obligations, identifying risks related to borrower and helping decision firm to approve or deny the credit request. Currently this search field has increased in Brazilian scenario - by credit activity intensification into the country with a large public banks sharing - and in the international scenario - by growing concerns about economy potential damages resulting from default events. This position leads the construction and adaptation of several models and methods by credit risk analysis from both consumers and companies. These models have been tested and compared based on prediction of accuracy or other statistical optimization metrics. This proceed is eventually not effective when analyzed by a financial standpoint, in the same time that affects the understanding and decision of the enterprise about the best model, creating a gap in the decision model choice and the firm financial goals. Given that the financial performance is a foremost indicator of any management procedure, this study aimed to address this gap by the financial performance analysis of loan portfolios formed by statistical learning techniques currently used in the classification and credit risk analysis in national and international researches. The selected techniques (discriminant analysis, logistic regression, Bayesian networks Naïve Bayes , 1 - KDB , KDB - 2 , SVC and SVM) were applied to the German Credit Data Set and their results were initially analyzed and compared in terms of accuracy and misclassification costs. Regardless of these metrics the research has proposed to use four financial metrics (RFC, PLR, RAROC and IS), finding variations in the results of each statistical learning techniques. These results suggest variations in the sequence of efficiency and, ultimately, techniques choice, demonstrating the importance of considering these metrics for analysis and selection of decision models of optimal classification.

Dissertação apresentada para obtenção do grau de Doutor em Engenharia Química, na Faculdade de Engenharia da Universidade do Porto, sob a orientação dos Professores Doutores José Inácio Martins e Jaime Villate

Na Geografia ocorreu uma convergência teórica e metodológica entre a paisagem e o Sensoriamento Remoto. A paisagem é um conceito que orienta análises sistêmicas, com resultados reais e visíveis, definidos por diferentes escalas de interações dos componentes. Tais dimensões explícitas são categorias também presentes no Sensoriamento Remoto, que utiliza técnicas e equipamentos para detectar objetos e interpretar componentes naturais e antrópicos em modelos e mapas temáticos. A Ecologia da Paisagem analisa mapas e dados produzidos pela associação entre classes de cobertura da terra ou de métricas de estrutura da paisagem que indicam as condições atuais, a fragilidade e cenários futuros, destacando a aptidão e conflitos com o uso antrópico. Fornecendo uma abordagem que integra padrões espaciais e processos ecológicos aplicada em estratégias de conservação, no planejamento ambiental e ordenamento territorial. Os mapas são a base para obtenção dos resultados, sendo indispensável garantir uma acurácia que evite erros e proposições incorretas. Os avanços técnicos, os esforços para identificar manualmente classes de cobertura da terra e a menor necessidade de interferência dos analistas tornaram comum a utilização de classificadores automáticos de imagens de satélite. A ausência de protocolos e testes que oriente ou direcione a escolha dos classificadores, considerando os atributos da paisagem, conduzem a análises incorretas ou frágeis. O nosso objetivo foi analisar a adequação de procedimentos metodológicos do Sensoriamento Remoto e da Ecologia da Paisagem em imagens de alta resolução, do satélite RapidEye. Selecionamos uma amostra da paisagem da Região Metropolitana de São Paulo (APRMSP), fizemos uma classificação visual e aplicamos cinco classificadores baseados em pixel, supervisionados e não-supervisionados: Mahalanobis Distance, Maximum Likelihood, Spectral Angle Mapper, Support Vector Machines e o Iterative Self-Organizing Data Analysis (ISODATA). Calculamos a acurácia geral das classificações, utilizando a matriz de confusão e a estatística Kappa, e a performance dos classificadores com a técnica de votação. Os mapas da Classificação Visual e da Classificação ISODATA, que obteve a maior acurácia geral (78,1%), foram simplificados floresta e não-floresta para o cálculo das métricas nas categorias de mancha, classe, forma e teoria dos grafos. Na classificação visual as unidades mais difíceis de separar foram os pares Solo Exposto e Área Urbanizada, Floresta e Reflorestamento. Nas amostras de referência dos classificadores o menor índice de separação foi entre Reflorestamento e Floresta, Solo Exposto e Área Urbanizada, Área Úmida e Campo e os pares com índices mais elevados foram: Área Úmida e Água, Água e Campo, Água e Floresta. Verificamos que a técnica de votação pode ser utilizada para selecionar um classificador por unidade focal, tendo o ISODATA alcançado o índice mais elevado (83,9%) para Floresta. Os resultados do Mapa da Classificação ISODATA da APRMSP prejudicaram a análise das métricas de Área da Mancha, Índice de Forma, Número de Manchas e Índice Integral de Conectividade. A Porcentagem de Habitat e as tendências gerais indicadas pelo agrupamento das classes dos mapas não foram prejudicadas. A utilização desses classificadores dependerá da melhora da acurácia geral ou do índice de acerto, por meio de classificações híbridas ou da combinação de classificadores. / In Geography there was a theoretical and methodological convergence between landscape and the Remote Sensing. Landscape is a concept that guides systemic analyzes, with real and visible results, defined by different scales of component interactions. These explicit dimensions are also present in Remote Sensing which uses techniques and equipments to detect objects and interpret natural and anthropic components in models and thematic maps. Landscape Ecology analyzes maps and data produced by the association between land cover classes or landscape structure metrics that indicate current conditions, fragility and future scenarios, highlighting the aptitude and conflicts with anthropic use. Providing an approach that integrates spatial patterns and ecological processes applied in conservation strategies, environmental planning and spatial planning. The maps are the basis for obtaining results, being indispensable make sure an accuracy that avoids errors and incorrect propositions. Technical advances, efforts to manually identify land cover classes and the less need analysts decision become common to use automatic classifiers of satellite imagery. The lack of protocols and tests to guide or direct the choice of classifiers, considering landscape attributes, lead to incorrect or weak analyzes. Our goal was to analyze the adequacy of Remote Sensing and Landscape Ecology methodological procedures in high resolution RapidEye satellite images. We selected a landscape sample of the Metropolitan Region of São Paulo (APRMSP), and we did a visual classification and applied supervised and unsupervised five pixel-based classifiers: Mahalanobis Distance, Maximum Likelihood, Spectral Angle Mapper, Support Vector Machines and Iterative Self-Organizing Data Analysis (ISODATA). We calculated the overall accuracy of classifications using confusion matrix and Kappa statistics, and the classifiers performance by voting technique. The maps of Visual Classification and ISODATA Classification, which had the highest accuracy (78,1%), were simplified in forest and non-forest for the landscape structure metrics calculation in the categories of patch, class, shape and graph theory. In the visual classification the most difficult units to separate were the pairs Exposed Soil and Urbanized Area, Forest and Reforestation. In the reference samples of classifiers, the lowest separate index was between Reforestation and Forest, Exposed Soil and Urbanized Area, Wetland and Field and highest separate index pairs were: Wetlands and Water, Water and Field, Water and Forest. We verified that voting technique can be used to select a classifier considering a focal unit, such as ISODATA that obtained the highest index (83.9 %) for the Forest unit. The results of the ISODATA Classification Map of APRMSP impaired the analysis of Patch Size, Shape Index, Number of Patches and Integral Connectivity Index metrics. The Habitat Proportion and the general trends indicated by grouping of map classes were not impaired. The use of classifiers will depend on the overall accuracy or the rightness index improvement, through hybrid classifications or the classifiers combinations.

Propõe-se, nesta tese, o desenvolvimento de uma nova ferramenta baseada em conjuntos fuzzy gerais do tipo-2 para aplicação em processos de classificação digital de dados. O problema de classificação a ser considerado está relacionado à identificação de regiões de floresta em imagens de satélite com o objetivo de auxiliar em tarefas de monitoramento florestal. O classificador digital desenvolvido utiliza um mecanismo de inferência denominado de "inferência escalonada fuzzy geral do tipo-2" para classificar os pixels das imagens de satélite de acordo com sua cobertura vegetal. Tal classificador é inovador pois, além de utilizar conjuntos fuzzy tipo-2 gerais, pode utilizar tanto uma base de regras específica quanto uma base genérica (ambas de forma hierárquica) para reclassificar pontos que, do contrário, permaneceriam sem classificação. Isto permite a obtenção de uma base de regras compacta (composta de poucas regras). A justificativa para o uso de sistemas de inferência do tipo-2 é que estes, apesar do custo computacional maior, apresentam desempenho superior aos sistemas do tipo-1 equivalentes. Os testes realizados mostram que, de fato, o sistema proposto é melhor do que o classificador fuzzy convencional usualmente empregado em aplicações semelhantes e possui desempenho comparável ao classificador estatístico da máxima verossimilhança, sendo uma alternativa viável ao último. / This work proposes the development of a new tool based on general type-2 fuzzy sets to be applied to digital classification of data. The classification problem considered here regards the identification of areas of forest in satellite images. The goal is to assist users in tasks related to monitoring forest. The developed digital classifier employs an inference mechanism called "general type-2 scaled inference" to classify pixels in images according to their vegetation cover. Such classifier is innovative because, besides using general type-2 fuzzy sets, it can use specific and generic rules base (both in a hierarchical way) to reclassify pixels that remain unclassified. Such hierarquical reclassification leads to a compact rule base (with few rules). The reason why one should use type-2 fuzzy inference is that they present better performance than their type-1 counterparts, in spite of their bigger computational cost. The carried out tests showed, for sure, that the proposed system is better than the conventional fuzzy classifier usually employed in similar applications and its performance is comparable to the statistical likelihood classifier, proving to be an alternative choice to this last one.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-07-31T13:42:08Z No. of bitstreams: 1 EANES TORRES PEREIRA - TESE PPGCC 2012..pdf: 39887093 bytes, checksum: 570185e1726a2a0fa7462d7d12352db5 (MD5) / Made available in DSpace on 2018-07-31T13:42:08Z (GMT). No. of bitstreams: 1 EANES TORRES PEREIRA - TESE PPGCC 2012..pdf: 39887093 bytes, checksum: 570185e1726a2a0fa7462d7d12352db5 (MD5) Previous issue date: 2012-06 / Nesta tese, investiga-se o problema da detecção de faces que apresentam grandes variações de orientação. Foram identificados fatores capazes de influenciar os resultados quando determinadas métricas de avaliação são utilizadas. Por exemplo, se a métrica empregada leva em consideração as áreas de detecção obtidas pelos classificadores e as áreas rotuladas por humanos (groundtruth), a forma como as imagens detectadas são marcadas inteferirá nos resultados. Em relação ao aspecto de recorte das faces, os resultados experimentais comprovam que se forem incluídas regiões externas da face para treinamento, os resultados de detecção são melhorados. ara lidar com todos esses fatores, foi proposta e implementada uma abordagem para a detecção de faces que explora a invariância por treinamento para gerar uma árvore de classificadores com menor complexidade computacional do que outras abordagens propostas na literatura, capaz de lidar com grandes variações de orientação no plano da imagem. A fim de tornar factível o treinamento dos classificadores dessa árvore, é apresentada uma abordagem híbrida de paralelização para o método de treinamento de classificadores proposto por Viola e Jones (2004). A abordagem de detecção de faces proposta obteve resultados superiores àqueles obtidos por Rowley, Baluja e Kanade (1998b) e Viola e Jones (2004). Apenas uma das abordagens concorrentes, aquela proposta por Huang et al. (2007), obteve resultados superiores, porém por uma pequena diferença. Apesar disso, a abordagem proposta nesta tese possui menor complexidade computacional em termos de quantidade de níveis da árvore de classificadores e quantidade de nós de processamento. / In this thesis, the problem of detecting faces that present high variations of orientation is investigated. Some factores were identified that may infiuence the detection results when some evaluation metrics are used. For example, if the applied metric takes in consideration the detected áreas obtained by the classifiers and the human labeled áreas (groundtruth), the way as the detected images are marked will interfere in the computed results. In relation to the face image cropping aspect, the experimental results show that if externai regions of the faces are included for training, the detection results will be better. To deal with ali those factors, it was proposed and implemented an approach to face detection that explores the invariance by training to yield classifier tree with lower computational complexity than other approaches in the state of the art, and able to deal with high angle in-plane orientations. To make the training of the cascades of classifiers feasible, a hybrid parallel approach of the training method of Viola e Jones (2004) was proposed. The parallel approach is able to achieve superlinear speedup, as it was demonstrated in the experiments. The face detection approach obtained higher results than those obtained by Rowley, Baluja e Kanade (1998a), and Viola e Jones (2004). Only one of the evaluated approaches obtained higher results, that proposed by Huang et al. (2007). However, the approach proposed in this thesis has lower computational complexity in terms of quantity of leveis in the classifier tree, and quantity of processing nodes.

Made available in DSpace on 2016-06-02T19:05:16Z (GMT). No. of bitstreams: 1 DissFAB.pdf: 1452279 bytes, checksum: 36f870c836fe00e61421c842b6ef1291 (MD5) Previous issue date: 2006-02-24 / Universidade Federal de Minas Gerais / Pattern Recognition is a subject being used in a multidisciplinary scope, with different approaches. One of them is its application in computerized tomography images, commonly acquired in order to do medical diagnosis, but they have been used in several other applications as well, including Soil Science. The objective of this work is to study and to discuss the performance of neural network-based classifiers (Multilayer Perceptron and Radial Basis Functions) and classifier combiners (Bagging, Decision Templates and Dempster-Shafer) applied to identify materials in Soil Science multispectral images, acquired using Computerized Tomography. The results were evaluated by error estimation by Hold- Out and the Kappa coefficient. / Reconhecimento de Padrões é uma área de âmbito multidisciplinar, com diversas abordagens. Uma delas é a aplicação em imagens de tomografia computadorizada, obtidas mais comumente para fins de diagnóstico médico, mas que também vêm sendo utilizadas nas mais variadas aplicações, inclusive Ciência dos Solos. O objetivo deste trabalho é estudar e discutir o desempenho de classificadores baseados em redes neurais (Perceptron de Múltiplas Camadas e Redes de Função de Base Radial) e da combinação de classificadores (Bagging, Decision Templates e Dempster-Shafer) na identificação de materiais em imagens multiespectrais de Ciência de Solos obtidas através de tomografia computadorizada. Os resultados foram avaliados através da estimativa de erro obtida pelo método Hold-Out e do coeficiente Kappa.

Made available in DSpace on 2016-06-02T19:05:55Z (GMT). No. of bitstreams: 1 DissMPPJ.pdf: 999212 bytes, checksum: f5206bea01cf1fed618936636cd00449 (MD5) Previous issue date: 2004-05-28 / Material identification in images has been explored in multiple areas and very interesting applications are arising in this field. This work uses noisy multispectral images from a computerized tomograph scanner acquired with multiple energies for soil sciences applications and developes a recognition system to identify materials on the scanned body. Techniques of statistical classification were used. The individual classifiers: Parzen, k-nearest neighbors, logistic and linear Bayesian were combined in order to study the behavior of classifier combination techniques. For this task, we used the fixed rules combiners: majority voting, maximum, minimum, median, sum and product. Also, a second stage of combination was considered and used, the majority voting of combiners. The performance of the classifiers was analyzed through the leave-one-out cross-validation error estimation method and the Kappa coefficient. The advantages of the use of multiple energies in the problems of identification of images and the behavior of each combination method are also demonstrated. The results pointed out that the combination of classifiers gives better capacity of generalization and more stable results than the individual classifiers, using information supplied for all individual classifiers, including the weakest one, being recommended in classification of scarce, difficult discrimination data, on the presence of ambiguity or high`noise levels. / A identificação de materiais em imagens vem sendo explorada por diversas áreas para aplicações muito interessantes. Neste trabalho utilizamos imagens multiespectrais ruidosas obtidas por tomografia computadorizada adquiridas com múltiplas energias no propósito de estudos de ciência do solo. Através das imagens foi possível desenvolver uma sistema de reconhecimento de padrões de forma a identificar os materiais do corpo imageado. Para esta tarefa foram utilizadas diversas técnicas de classificação. Os classificadores individuais: Parzen, k-vizinhos mais próximos, logístico e Bayesiano linear foram combinados de modo a estudar o comportamento de técnicas de combinação de classificadores. Foram utilizados os combinadores de regra fixa: votação por maioria, máximo, mínimo, mediana., soma e produto. Foi também proposto e utilizado um segundo estágio de combinação, utilizando a votação dos combinadores. O desempenho dos classificadores foi analisado através da estimação de erro pelo método da validação cruzada leave-one-out e pelo coeficiente Kappa. Foram demonstradas as vantagens da utilização de múltiplas energias nos problemas de identificação de imagens e estudados os comportamentos de cada método de combinação. Os resultados apontaram que a combinação de classificadores possibilita melhor capacidade de generalização e resultados mais estáveis que os classificadores individuais, aproveitando as informações fornecidas por todos os classificadores individuais, inclusive os mais fracos, sendo recomendada na classificação de dados escassos ou difíceis em que apresentam ambiguidade ou altos índices de ruído.