Ferramentas de geoinformação possuem grande aplicabilidade na compreensão e no mapeamento de deslizamentos. Considerando-se a importância dos componentes do relevo e da cobertura do solo neste processo, torna-se essencial o estabelecimento de metodologias para a síntese de informações do relevo e para a identificação de cicatrizes de deslizamento, de maneira a facilitar o monitoramento de áreas de risco. O objetivo desta Tese é propor metodologias de processamento digital de imagens para o mapeamento e identificação de cicatrizes de deslizamento próximo a rodovias. Um deslizamento de grande porte com várias consequências econômicas, ocorrido no ano de 1999, às margens da Rodovia Anchieta, na bacia hidrográfica do Rio Pilões foi utilizado como área de estudo deste trabalho. Utilizando dados gratuitos, mapas de cobertura do solo e de compartimentação do relevo foram gerados e analisados conjuntamente para a identificação das áreas de potenciais cicatrizes na região das Rodovias Anchieta e Imigrantes. A análise do relevo foi realizada utilizando técnicas de classificação baseada em objeto. A identificação de áreas de cicatrizes de deslizamento foi realizada através da avaliação de duas estratégias metodológicas: uma utilizando o algoritmo de classificação supervisionada SVM (Support Vector Machine) aplicado ao índice de vegetação NDVI (Normalized Difference Vegetation Index) e outra que utilizando combinação entre diferentes classificadores para a composição de uma classificação final. Os resultados obtidos para o mapeamento do relevo mostraram que a metodologia proposta possui grande potencial para a descrição de feições do relevo, com maior nível de detalhamento, facilitando a identificação de áreas com grande potencial de ocorrência de deslizamentos. Ambas as metodologias de identificação de cicatrizes de deslizamento apresentaram bons resultados, sendo que a combinação entre os algoritmos SVM, Redes Neurais e Máxima Verossimilhança apresentou o resultado mais adequado com os objetivos do trabalho, atingindo erro de omissão inferior a 10% para a classe de deslizamento. A combinação dos dois produtos permitiu a análise e identificação de diversas áreas de potenciais cicatrizes de deslizamento associadas à rodovias na região de estudo. A metodologia proposta possui ampla replicabilidade, podendo ser utilizada para análises de risco associadas a assentamentos urbanos, empreendimentos lineares e para o planejamento territorial e ambiental. / Geoinformation tools have great applicability in understanding and mapping landslides. Considering the significance of releif components and land cover in this process, it is essential the establishment of methods for the synthesis of the relief information and identification landslides, aiming to facilitate areas risk monitoring. The objective of this Dissertation is to propose digital image processing methodologies for map and identify landslide near to highways. A large landslide with several economic consequences was used as a study area of this work, occurred in 1999, near the Highway Anchieta, in Piloes river basin. Using free data, land cover and relief subdivsion maps were generated and intersected to identify areas of potential landslides in the region of Highways Anchieta and Imigrantes. The relief analysis was performed using based on object classification techniques. The identification of the landslide was performed by evaluating two methodological strategies: one using the supervised classification algorithm SVM (Support Vector Machine) applied to the NDVI vegetation index (Normalized Difference Vegetation Index) and another using combination of different classifiers for the composition of a final classification. The results obtained for relief mapping showed that the proposed method has great potential for the description of the relief features, with greater detail, facilitating the identification of areas with high potential for occurrence of landslides. Both landslides identification methodologies showed good results, and the combination of SVM, Neural Network and Maximum Likelihood algorithms presented the most appropriate result, reaching omission error of less than 10% for the landslide class. The combination of the two products allowed the analysis and identification of several areas of potential landslide scars associated with roads in the study area. The proposed methodology has extensive replication and can be used for risk analysis associated with urban settlements, linear infrastructures and the territorial and environmental planning.

Submitted by Rosana Moreira (rosanapsm@outlook.com) on 2018-07-12T20:25:25Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_Previsao_Raios_Utilizando.pdf: 19508028 bytes, checksum: d536ed71a22d3bbf5478f85c0b362827 (MD5) / Approved for entry into archive by Luciclea Silva (luci@ufpa.br) on 2018-07-18T16:22:24Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_Previsao_Raios_Utilizando.pdf: 19508028 bytes, checksum: d536ed71a22d3bbf5478f85c0b362827 (MD5) / Made available in DSpace on 2018-07-18T16:22:25Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_Previsao_Raios_Utilizando.pdf: 19508028 bytes, checksum: d536ed71a22d3bbf5478f85c0b362827 (MD5) Previous issue date: 2017-11-30 / As descargas atmosféricas oferecem grande risco à população e às atividades que envolvem diferentes sistemas como telecomunicações, transmissão de energia elétrica, transporte e dentre outros. A previsão de ocorrência de raios pode contribuir para minimizar os riscos deste fenômeno natural. Com isso, esta tese apresenta uma proposta de modelo de previsão de raios baseada na utilização de dados de sondagens atmosféricas por satélite, validado com dados históricos de raios para áreas de estudo da região Amazônica no Brasil, mediante um estudo que considerou cinco casos de período de validade de previsão de raios: caso 1 (uma hora), caso 2 (duas horas), caso 3 (três horas), caso 4 (quatro horas) e caso 5 (cinco horas). Foram utilizadas duas metodologias diferentes de previsão: a primeira versão do previsor utilizou os dados de todas as áreas do estudo na formação aleatória dos conjuntos de treinamento, validação e teste. Em uma segunda versão, não se utilizou o critério de aleatoriedade dos dados na formação dos conjuntos de treinamento e teste, e os mesmos foram limitados para cada área do estudo, de forma a criar previsões individualizadas por área geográfica estudada. A ferramenta de engenharia utilizada para previsão foi uma Rede Neural Artificial (RNA) treinada com o algoritmo Levenberg-Marquardt backpropagation com a finalidade de classificar as modelagens preditivas de raios. A classificação consistiu na possibilidade de prever a ocorrência ou ausência de raios a partir do perfil vertical de temperatura do ar (temperatura do ar e temperatura do ponto de orvalho) obtido pelo satélite NOAA-19. Os resultados obtidos pela RNA, na primeira abordagem, foram comparados com metodologias tradicionais estabelecidas na literatura de previsão de raios, na segunda abordagem os resultados obtidos mostraram a saída do previsor para dados reais de teste. Os resultados de ambas abordagens mostraram que a RNA foi capaz de identificar adequadamente a que classe pertence um novo exemplo em relação às categorias de ocorrência ou ausência de raios. Para a primeira abordagem, obteve-se o melhor desempenho para caso 5, com uma acurácia de teste de 95,6%, enquanto que para a segunda abordagem obteve-se uma acurácia geral de teste de 82,04%. / Atmospheric discharges offer great risks to the population and activities that involve different systems such as telecommunications, energy distribution and transportation and among others. Lightning prediction can contribute to minimize the risks of this natural phenomenon. Therefore, this thesis presents a model for lightning prediction based on satellite atmospheric sounding data, validated with lightning data for study areas of the Amazon region in Brazil, through an investigation that considered five period cases for validation of lightning prediction: case 1 (one hour), case 2 (two hours), case 3 (three hours), case 4 (four hours) and case 5 (five hours). Two different forecasting methodologies were used: the first version of the predictor used data from all study areas in the random formation of the sets training, validation and test. In a second version, we did not use the criterion of randomness of the data in the formation of the training and test sets, and same were limited for each area of the study, in order to create individualized forecasts by geographical area studied. The machine learning technique used to predict lightning was the Artificial Neural Network (ANN) trained with Levenberg-Marquardt backpropagation algorithm to classify modeling related to lightning prediction. This classification relied on the possibility of lightning prediction from the vertical profile of air temperature obtained from satellite NOAA-19. The results obtained by RNA, in the first approach, were compared with traditional methodologies established in the lightning prediction literature, in the second approach the results obtained showed the predictor's output for real test data. Results show that ANN was capable of identifying adequately the class to which a new event belongs to in relation to categories of occurrence and absence of lightning. For the first approach, the best performance for case 5 was obtained, with a test accuracy of 95.6%, while for the second approach a general test accuracy of 82.04% was obtained.

A aprendizagem incremental requer que o mecanismo de aprendizagem seja baseado no acúmulo dinâmico da informação extraída das experiências realizadas. A aprendizagem de máquina usando adaptatividade considera a integração de técnicas de aprendizagem de máquina simbólicas com técnicas adaptativas para a solução de problemas de aprendizagem. A palavra adaptatividade sugere a capacidade de modificação do conjunto de regras aprendidas em resposta a eventos que podem ocorrer durante o processo de aprendizagem, ou então autoajustes no conjunto de parâmetros. Os dispositivos adaptativos que possuem a capacidade de reter em suas regras informações extraídas de suas entradas podem acumular informações, para que sejam utilizadas quando forem necessárias. As estratégias de interesse para a incorporação da adaptatividade incluem a utilização de métodos e técnicas de aprendizagem de máquina, em particular as que implementam aprendizado supervisionado e tomada de decisão. O objetivo deste trabalho é explorar a utilização de técnicas adaptativas no processo de aprendizado por máquina, tanto de forma exclusiva como em conjunto com outras técnicas de aprendizagem. Para atingir este objetivo, propõe-se aqui a utilização de dispositivos adaptativos para representar o conhecimento adquirido através da aprendizagem incremental. Além disso, é feito um estudo de caso que combina aprendizagem de máquina com técnicas adaptativas para implementar um esquema de aprendizagem autônoma de estratégias, com o objetivo de vencer uma particular instância do jogo que é apresentado. A aprendizagem de um jogo exige a tomada de decisão, que é um processo complexo e dinâmico. Com a finalidade de fornecer um substrato geral para a criação, manipulação e análise de regras em problemas de tomada de decisão, utilizando tabelas de decisão adaptativas, a ferramenta de software Adapt-DT foi implementada. Um exemplo ilustrativo utilizando tabelas de decisão adaptativa como meio para a representação de conhecimento é apresentado, para exercitar a utilização da ferramenta. Isto permite concluir que os dispositivos adaptativos podem ser utilizados para representar o conhecimento adequadamente, com vantagens sobre outros métodos tradicionais. / Incremental learning requires a learning mechanism based on the information extracted from dynamically accumulated experiments. Adaptivity-oriented machine-learning combines adaptive techniques with symbolic ones for solving machine-learning problems. The term adaptivity means the ability of a learning process to change its own set of rules in response to events occurred during the learning process, or, equivalently, self-tuning the set of parameters. The adaptive devices with withhold information ability inside their rules, extracted from input from their own set of rules, can accumulate information to be used whenever they are necessary. The strategies of interest to adopt adaptivity include the use of machine learning techniques and methods, particularly the ones that implement supervised learning and decision-making. This work purposes to investigate the application of adaptive techniques in machine learning process, either exclusively and in cooperation with other techniques. In order to achieve this target, the use of adaptive devices to represent the knowledge gathered through incremental learning is proposed. Additionally, a case study that combines both machine learning and adaptive techniques to implement a scheme of autonomous learning strategies is also performed with the goal of winning an instance of the simple game. Decision-making is required to learning how to play a game, which is a complex and dynamic process. So as to provide a general framework for the creation, manipulation and analysis of rules in decision-making problems using adaptive decision tables, the Adapt-DT tool was implemented. An illustrative example using adaptive decision tables as a means to represent knowledge is introduced to the tool evaluation. This supports the conclusion that adaptive devices can be used to adequately represent the knowledge, with advantages over other traditional methods.

A anotação geográfica de documentos consiste na adoção de metadados para a identificação de nomes de locais e a posição de suas ocorrências no texto. Esta informação é útil, por exemplo, para mecanismos de busca. A partir dos topônimos mencionados no texto é possível identificar o contexto espacial em que o assunto do texto está inserido, o que permite agrupar documentos que se refiram a um mesmo contexto, atribuindo ao documento um escopo geográfico. Esta Dissertação de Mestrado apresenta um novo método, batizado de Geofier, para determinação do escopo geográfico de documentos. A novidade apresentada pelo Geofier é a possibilidade da identificação do escopo geográfico de um documento por meio de classificadores de aprendizagem de máquina treinados sem o uso de um gazetteer e sem premissas quanto à língua dos textos analisados. A Wikipédia foi utilizada como fonte de um conjunto de documentos anotados geograficamente para o treinamento de uma hierarquia de Classificadores Naive Bayes e Support Vector Machines (SVMs). Uma comparação de desempenho entre o Geofier e uma reimplementação do sistema Web-a-Where foi realizada em relação à determinação do escopo geográfico dos textos da Wikipédia. A hierarquia do Geofier foi treinada e avaliada de duas formas: usando topônimos do mesmo gazetteer que o Web-a-Where e usando n-gramas extraídos dos documentos de treinamento. Como resultado, o Geofier manteve desempenho superior ao obtido pela reimplementação do Web-a-Where. / Automatic text geotagging is the process by which mentions of place names and their positions in text are identified as metadata, allowing this information to be used by specialized applications, like Search Engines. It is possible to identify the geographic scope of a document by analysing the toponyms it mentions and then group documents by their geographic context, effectively adding a geographic scope to the documents. This dissertation presents a new method to identify the geographic scope of text, named Geofier. The novelty in Geofier is that it uses machine learning text classifiers, trained without the need of a gazetteer and without making assumptions regarding the language in which the documents are written. Wikipedia was used as the source for a geotagged text dataset in order to train a hierarchy of Naive Bayes and Support Vector Machine (SVM) classifiers. The Geofier hierarchy was then trained and evaluated, first using toponyms from the same gazetteer as Web-a-Where and then using n-grams extracted from the training samples as attributes. Geofier performed significantly better when compared to a Web-a-Where implementation.

A aprendizagem incremental requer que o mecanismo de aprendizagem seja baseado no acúmulo dinâmico da informação extraída das experiências realizadas. A aprendizagem de máquina usando adaptatividade considera a integração de técnicas de aprendizagem de máquina simbólicas com técnicas adaptativas para a solução de problemas de aprendizagem. A palavra adaptatividade sugere a capacidade de modificação do conjunto de regras aprendidas em resposta a eventos que podem ocorrer durante o processo de aprendizagem, ou então autoajustes no conjunto de parâmetros. Os dispositivos adaptativos que possuem a capacidade de reter em suas regras informações extraídas de suas entradas podem acumular informações, para que sejam utilizadas quando forem necessárias. As estratégias de interesse para a incorporação da adaptatividade incluem a utilização de métodos e técnicas de aprendizagem de máquina, em particular as que implementam aprendizado supervisionado e tomada de decisão. O objetivo deste trabalho é explorar a utilização de técnicas adaptativas no processo de aprendizado por máquina, tanto de forma exclusiva como em conjunto com outras técnicas de aprendizagem. Para atingir este objetivo, propõe-se aqui a utilização de dispositivos adaptativos para representar o conhecimento adquirido através da aprendizagem incremental. Além disso, é feito um estudo de caso que combina aprendizagem de máquina com técnicas adaptativas para implementar um esquema de aprendizagem autônoma de estratégias, com o objetivo de vencer uma particular instância do jogo que é apresentado. A aprendizagem de um jogo exige a tomada de decisão, que é um processo complexo e dinâmico. Com a finalidade de fornecer um substrato geral para a criação, manipulação e análise de regras em problemas de tomada de decisão, utilizando tabelas de decisão adaptativas, a ferramenta de software Adapt-DT foi implementada. Um exemplo ilustrativo utilizando tabelas de decisão adaptativa como meio para a representação de conhecimento é apresentado, para exercitar a utilização da ferramenta. Isto permite concluir que os dispositivos adaptativos podem ser utilizados para representar o conhecimento adequadamente, com vantagens sobre outros métodos tradicionais. / Incremental learning requires a learning mechanism based on the information extracted from dynamically accumulated experiments. Adaptivity-oriented machine-learning combines adaptive techniques with symbolic ones for solving machine-learning problems. The term adaptivity means the ability of a learning process to change its own set of rules in response to events occurred during the learning process, or, equivalently, self-tuning the set of parameters. The adaptive devices with withhold information ability inside their rules, extracted from input from their own set of rules, can accumulate information to be used whenever they are necessary. The strategies of interest to adopt adaptivity include the use of machine learning techniques and methods, particularly the ones that implement supervised learning and decision-making. This work purposes to investigate the application of adaptive techniques in machine learning process, either exclusively and in cooperation with other techniques. In order to achieve this target, the use of adaptive devices to represent the knowledge gathered through incremental learning is proposed. Additionally, a case study that combines both machine learning and adaptive techniques to implement a scheme of autonomous learning strategies is also performed with the goal of winning an instance of the simple game. Decision-making is required to learning how to play a game, which is a complex and dynamic process. So as to provide a general framework for the creation, manipulation and analysis of rules in decision-making problems using adaptive decision tables, the Adapt-DT tool was implemented. An illustrative example using adaptive decision tables as a means to represent knowledge is introduced to the tool evaluation. This supports the conclusion that adaptive devices can be used to adequately represent the knowledge, with advantages over other traditional methods.

Modelos para aprendizado não supervisionado podem fornecer restrições complementares úteis para melhorar a capacidade de generalização de classificadores. Baseando-se nessa premissa, um algoritmo existente, denominado de C3E (Consensus between Classification and Clustering Ensembles), recebe como entradas estimativas de distribuições de probabilidades de classes para objetos de um conjunto alvo, bem como uma matriz de similaridades entre esses objetos. Tal matriz é tipicamente construída por agregadores de agrupadores de dados, enquanto que as distribuições de probabilidades de classes são obtidas por um agregador de classificadores induzidos por um conjunto de treinamento. Como resultado, o C3E fornece estimativas refinadas das distribuições de probabilidades de classes como uma forma de consenso entre classificadores e agrupadores. A ideia subjacente é de que objetos similares são mais propensos a compartilharem o mesmo rótulo de classe. Nesta tese, uma versão mais simples do algoritmo C3E, baseada em uma função de perda quadrática (C3E-SL), foi investigada em uma abordagem que permitiu a estimação automática (a partir dos dados) de seus parâmetros críticos. Tal abordagem faz uso de um nova estratégia evolutiva concebida especialmente para tornar o C3E-SL mais prático e flexível, abrindo caminho para que variantes do algoritmo pudessem ser desenvolvidas. Em particular, para lidar com a escassez de dados rotulados, um novo algoritmo que realiza aprendizado semissupervisionado foi proposto. Seu mecanismo explora estruturas intrínsecas dos dados a partir do C3E-SL em um procedimento de autotreinamento (self-training). Esta noção também inspirou a concepção de um outro algoritmo baseado em aprendizado ativo (active learning), o qual é capaz de se autoadaptar para aprender novas classes que possam surgir durante a predição de novos dados. Uma extensa análise experimental, focada em problemas do mundo real, mostrou que os algoritmos propostos são bastante úteis e promissores. A combinação de classificadores e agrupadores resultou em modelos de classificação com grande potencial prático e que são menos dependentes do usuário ou do especialista de domínio. Os resultados alcançados foram tipicamente melhores em comparação com os obtidos por classificadores tradicionalmente usados. / Unsupervised learning models can provide a variety of supplementary constraints to improve the generalization capability of classifiers. Based on this assumption, an existing algorithm, named C3E (from Consensus between Classification and Clustering Ensembles), receives as inputs class probability distribution estimates for objects in a target set as well as a similarity matrix. Such a similarity matrix is typically built from clusterers induced on the target set, whereas the class probability distributions are obtained by an ensemble of classifiers induced from a training set. As a result, C3E provides refined estimates of the class probability distributions, from the consensus between classifiers and clusterers. The underlying idea is that similar new objects in the target set are more likely to share the same class label. In this thesis, a simpler version of the C3E algorithm, based on a Squared Loss function (C3E-SL), was investigated from an approach that enables the automatic estimation (from data) of its critical parameters. This approach uses a new evolutionary strategy designed to make C3E-SL more practical and flexible, making room for the development of variants of the algorithm. To address the scarcity of labeled data, a new algorithm that performs semi-supervised learning was proposed. Its mechanism exploits the intrinsic structure of the data by using the C3E-SL algorithm in a self-training procedure. Such a notion inspired the development of another algorithm based on active learning, which is able to self-adapt to learn new classes that may emerge when classifying new data. An extensive experimental analysis, focused on real-world problems, showed that the proposed algorithms are quite useful and promising. The combination of supervised and unsupervised learning yielded classifiers of great practical value and that are less dependent on user-defined parameters. The achieved results were typically better than those obtained by traditional classifiers.

Made available in DSpace on 2014-12-17T15:47:48Z (GMT). No. of bitstreams: 1 ValeriaMSB.pdf: 564848 bytes, checksum: fbed1b62b5d33ac05db3c528f1bdcf62 (MD5) Previous issue date: 2006-07-14 / The use of intelligent agents in multi-classifier systems appeared in order to making the centralized decision process of a multi-classifier system into a distributed, flexible and incremental one. Based on this, the NeurAge (Neural Agents) system (Abreu et al 2004) was proposed. This system has a superior performance to some combination-centered methods (Abreu, Canuto, and Santana 2005). The negotiation is important to the multiagent system performance, but most of negotiations are defined informaly. A way to formalize the negotiation process is using an ontology. In the context of classification tasks, the ontology provides an approach to formalize the concepts and rules that manage the relations between these concepts. This work aims at using ontologies to make a formal description of the negotiation methods of a multi-agent system for classification tasks, more specifically the NeurAge system. Through ontologies, we intend to make the NeurAge system more formal and open, allowing that new agents can be part of such system during the negotiation. In this sense, the NeurAge System will be studied on the basis of its functioning and reaching, mainly, the negotiation methods used by the same ones. After that, some negotiation ontologies found in literature will be studied, and then those that were chosen for this work will be adapted to the negotiation methods used in the NeurAge. / A utiliza??o de agentes inteligentes em sistemas multi-classificadores surgiu devido ? necessidade de tornar o processo de tomada de decis?o de tais sistemas distribu?do, aut?nomo e flex?vel. Baseado nisso, foi proposto o sistema NeurAge (Neural Agents) (Abreu et al 2004). Este sistema possui um desempenho superior a v?rios m?todos de combina??o centralizados (Abreu, Canuto, and Santana 2005). A negocia??o ? importante para o desempenho de um sistema multiagente, por?m a maioria das negocia??es s?o definidas de maneira informal. Um modo de formalizar as negocia??es ? atrav?s do uso de ontologias. Dentro do contexto de classifica??o de padr?es, o uso de ontologias fornece uma abordagem para formalizar os conceitos e regras que governam as rela??es entre esses conceitos. O objetivo deste trabalho ? utilizar ontologias para formalizar os m?todos de negocia??o de um sistema multiagente para reconhecimento de padr?es, mais especificamente o sistema NeurAge. Atrav?s de ontologias, pretende-se deixar o sistema NeurAge mais formal e aberto, permitindo que novos agentes possam fazer parte de tal sistema durante o processo de negocia??o. Para a realiza??o deste objetivo, o Sistema NeurAge ser? estudado com base em seu funcionamento e focalizando, principalmente, os m?todos de negocia??o utilizados pelo mesmo. Na seq??ncia, algumas ontologias para negocia??o encontradas na literatura ser?o estudadas, e ent?o aquelas que foram escolhidas para este trabalho ser?o adaptadas aos m?todos de negocia??o utilizados no NeurAge.

Made available in DSpace on 2014-12-17T15:47:50Z (GMT). No. of bitstreams: 1 KarlianeMOV.pdf: 860257 bytes, checksum: 481ec0c73e057f9e2acea8211d919448 (MD5) Previous issue date: 2009-08-07 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / The objective of the researches in artificial intelligence is to qualify the computer to execute functions that are performed by humans using knowledge and reasoning. This work was developed in the area of machine learning, that it s the study branch of artificial intelligence, being related to the project and development of algorithms and techniques capable to allow the computational learning. The objective of this work is analyzing a feature selection method for ensemble systems. The proposed method is inserted into the filter approach of feature selection method, it s using the variance and Spearman correlation to rank the feature and using the reward and punishment strategies to measure the feature importance for the identification of the classes. For each ensemble, several different configuration were used, which varied from hybrid (homogeneous) to non-hybrid (heterogeneous) structures of ensemble. They were submitted to five combining methods (voting, sum, sum weight, multiLayer Perceptron and na?ve Bayes) which were applied in six distinct database (real and artificial). The classifiers applied during the experiments were k- nearest neighbor, multiLayer Perceptron, na?ve Bayes and decision tree. Finally, the performance of ensemble was analyzed comparatively, using none feature selection method, using a filter approach (original) feature selection method and the proposed method. To do this comparison, a statistical test was applied, which demonstrate that there was a significant improvement in the precision of the ensembles / As pesquisas em intelig?ncia artificial t?m como objetivo capacitar o computador a executar fun??es que s?o desempenhadas pelo ser humano usando conhecimento e racioc?nio. O presente trabalho foi desenvolvido dentro da ?rea de aprendizado de m?quina (AM), que ? um ramo de estudo da intelig?ncia artificial, sendo relacionado ao projeto e desenvolvimento de algoritmos e t?cnicas capazes de permitir o aprendizado computacional. O objetivo deste trabalho ? analisar um m?todo de sele??o de atributos em comit?s de classificadores. Esse m?todo, baseado em filtros, utilizou a vari?ncia e a correla??o de Spearman para ordenar os atributos e estrat?gias de recompensa e puni??o para medir a import?ncia de cada atributo na identifica??o das classes. Foram formados comit?s de classificadores tanto homog?neos quanto heterog?neos, e submetidos a cinco m?todos de combina??o de classificadores (voto, soma, soma ponderada, MLP e naive Bayes), os quais foram aplicados a seis bases de dados distintas (reais e artificiais). Os classificadores aplicados durante os experimentos foram k-nn, MLP, naive Bayes e ?rvore de decis?o. Por fim, foram analisados, comparativamente, o esempenho dos comit?s de classificadores utilizando nenhum m?todo de sele??o de atributos, utilizando um m?todo de sele??o de atributos padr?o baseado em filtro e o m?todo proposto (RecPun). Com base em um teste estat?stico, foi demonstrado que houve uma melhora significante na precis?o dos comit?s

Made available in DSpace on 2014-12-17T15:47:53Z (GMT). No. of bitstreams: 1 LigiaMMS_DISSERT.pdf: 1430923 bytes, checksum: 56e9de29de6907d7e9da54247e3af4ba (MD5) Previous issue date: 2010-10-14 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Classifier ensembles are systems composed of a set of individual classifiers and a combination module, which is responsible for providing the final output of the system. In the design of these systems, diversity is considered as one of the main aspects to be taken into account since there is no gain in combining identical classification methods. The ideal situation is a set of individual classifiers with uncorrelated errors. In other words, the individual classifiers should be diverse among themselves. One way of increasing diversity is to provide different datasets (patterns and/or attributes) for the individual classifiers. The diversity is increased because the individual classifiers will perform the same task (classification of the same input patterns) but they will be built using different subsets of patterns and/or attributes. The majority of the papers using feature selection for ensembles address the homogenous structures of ensemble, i.e., ensembles composed only of the same type of classifiers. In this investigation, two approaches of genetic algorithms (single and multi-objective) will be used to guide the distribution of the features among the classifiers in the context of homogenous and heterogeneous ensembles. The experiments will be divided into two phases that use a filter approach of feature selection guided by genetic algorithm / Comit?s de classificadores s?o sistemas compostos por um conjunto de classificadores individuais e um m?dulo de combina??o, o qual ? respons?vel por fornecer a sa?da final do sistema. Para que esses sistemas apresentem melhor desempenho que um classificador simples, ? necess?rio que os componentes individuais n?o cometam erros nos mesmos padr?es. Por este motivo, a diversidade tem sido considerada um dos aspectos mais importantes no projeto desses sistemas, j? que n?o h? vantagem na combina??o de m?todos de classifica??o id?nticos. Uma forma de garantir diversidade ? atrav?s da constru??o de classificadores individuais a partir de diferentes conjuntos de treinamento (padr?es e/ou atributos). Nesse contexto, uma maneira de selecionar subconjuntos de atributos para os classificadores individuais ? atrav?s da utiliza??o de m?todos de sele??o de atributos. No entanto, na maioria das pesquisas, os m?todos de sele??o de atributos s?o aplicados apenas em comit?s de classificadores homog?neos, ou seja, comit?s compostos pelo mesmo tipo de classificador. Sendo assim, o objetivo deste trabalho ? analisar o comportamento desses m?todos na gera??o de comit?s de classificadores diversos, tanto homog?neos como heterog?neos. Para guiar a distribui??o dos atributos, entre os classificadores base, ser?o utilizadas duas abordagens de algoritmo gen?tico (mono-objetivo e multi-objetivo), usando diferentes fun??es de aptid?o. Para tanto, os experimentos ser?o divididos em duas fases, as quais usam uma abordagem filtro para a sele??o de atributos

Esse trabalho está baseado na investigação dos detectores de falhas aplicando classificadores de classe única. As falhas a serem detectadas são relativas ao estado de funcionamento de cada componente do circuito, especificamente de suas tolerâncias (falha paramétrica). Usando a função de transferência de cada um dos circuitos são gerados e analisados os sinais de saída com os componentes dentro e fora da tolerância. Uma função degrau é aplicada à entrada do circuito, o sinal de saída desse circuito passa por uma função diferenciadora e um filtro. O sinal de saída do filtro passa por um processo de redução de atributos e finalmente, o sinal segue simultaneamente para os classificadores multiclasse e classe única. Na análise são empregados ferramentas de reconhecimento de padrões e de classificação de classe única. Os classficadores multiclasse são capazes de classificar o sinal de saída do circuito em uma das classes de falha para o qual foram treinados. Eles apresentam um bom desempenho quando as classes de falha não possuem superposição e quando eles não são apresentados a classes de falhas para os quais não foram treinados. Comitê de classificadores de classe única podem classificar o sinal de saída em uma ou mais classes de falha e também podem classificá-lo em nenhuma classe. Eles apresentam desempenho comparável ao classificador multiclasse, mas também são capazes detectar casos de sobreposição de classes de falhas e indicar situações de falhas para os quais não foram treinados (falhas desconhecidas). Os resultados obtidos nesse trabalho mostraram que os classificadores de classe única, além de ser compatível com o desempenho do classificador multiclasse quando não há sobreposição, também detectou todas as sobreposições existentes sugerindo as possíveis falhas. / This work deals with the application of one class classifiers in fault detection. The faults to be detected are related parametric faults. The transfer function of each circuit was generated and the outputs signals with the components in and out of tolerance were analyzed. Pattern recognition and one class classifications tools are employed to perform the analysis. The multiclass classifiers are able to classify the circuit output signal in one of the trained classes. They present a good performance when the fault classes do not overlap or when they are not presented to fault classes that were not presented in the training. The one class classifier committee may classify the output signal in one or more fault classes and may also classify them in none of the trained class faults. They present comparable performance to multiclass classifiers, but also are able to detect overlapping fault classes and show fault situations that were no present in the training (unknown faults).