Thesis (M.S.)--Ohio University, March, 2004. / Title from PDF t.p. Includes bibliographical references (p. 90-91)

Thesis. 1978. Ph.D.--Massachusetts Institute of Technology. Dept. of Electrical Engineering and Computer Science. / MICROFICHE COPY AVAILABLE IN ARCHIVES AND ENGINEERING. / Includes bibliographical references. / Ph.D.

A dissertação apresentada utiliza a representação de treliça mínima e seccionada para a decodificação de códigos turbo, analisando os impactos da aplicação desta técnica no desempenho (taxa de erro em função da relação sinal ruído) em um canal AWGN e avaliando a redução de complexidade de processamento. O processo de decodificação proposto utilizará a teoria de minimização de treliça proposta em (MCELIECE, 1996) e a teoria de seccionamento de treliça proposto em (VARDY, 1998). Decodifica-se utilizando o algoritmo max-log-MAP (VUCETIC; YUAN, 2000). Desenvolve-se uma métrica de complexidade baseada no número de operações e mostra-se técnicas para escolher-se seccionamentos que são simples e apresentam pouca ou nenhuma perda de desempenho em função da decodificação convencional. / We present a technique for reducing the turbo decoding complexity based on minimal and sectionalized trellises. A novel complexity metric is proposed and the complexity of all possible sectionalizations for some selected codes is evaluated. We use the minimal trellis representation proposed in (MCELIECE, 1996) for BCJR decoding and conclude that one can find less complex sectionalizations (when compared to the conventional trellis) which show small or none performance degradation.

Este trabalho apresenta uma metodologia para classificação de eventos de curto-circuito e mano-bras em redes de distribuição de energia elétrica, com base nos registros oscilográficos de tensão na barra da subestação de distribuição. São apresentados os resultados obtidos para duas formas distintas de pré-processamento dos sinais de tensão, sendo a primeira baseada em Transformada de Fourier e a segunda em Transformada Wavelet para diferentes famílias de funções wavelet. Foram comparados três modelos neurais para o processo de classificação: Multi-Layer Perceptron, Radial Basis Function e Support Vector Machine. Os modelos foram treinados levando em conta uma característica autônoma de operação das redes, ou seja, a seleção automática do modelo e o controle de complexidade. Os resultados foram validados para um conjunto de simulações realizadas no programa Alternative Transient Program, visando a aplicação prática do método proposto em um equipamento registrador de oscilografias, desenvolvido pelo Lactec em conjunto com a Copel - Curitiba, PR, denominado Power Quality Monitor. Foram obtidos resultados com desempenho na ordem de 90% de acerto médio para as diferentes formas de pré-processamento e diferente modelos neurais. / This work presents a method for automatic classification of faults and events related to quality of service in power distribution networks, based on oscillographies of the bar feeder voltages of the distribution substation. We present the results for two distinct pre-processing forms of the voltage signals. The first is based on the Fourier Transform and the second on the Wavelet Transform for different families of wavelet functions. We compared three neural models for the process of classification: Multi-Layer Perceptron, Radial Basis Function and Support Vector Machine. The models were trained taking into account the autonomous operation of networks, i.e. automatic model selection and control complexity. The results were validated for a set of simulations performed using the Alternative Transient Program, aimed at practical implementation of the proposed method in an oscillograph logger, developed by Lactec together with Copel, called the Power Quality Monitor. The results were obtained with performance on the order of 90% of average accuracy for the various pre-processing forms and neural models.

A dissertação apresentada utiliza a representação de treliça mínima e seccionada para a decodificação de códigos turbo, analisando os impactos da aplicação desta técnica no desempenho (taxa de erro em função da relação sinal ruído) em um canal AWGN e avaliando a redução de complexidade de processamento. O processo de decodificação proposto utilizará a teoria de minimização de treliça proposta em (MCELIECE, 1996) e a teoria de seccionamento de treliça proposto em (VARDY, 1998). Decodifica-se utilizando o algoritmo max-log-MAP (VUCETIC; YUAN, 2000). Desenvolve-se uma métrica de complexidade baseada no número de operações e mostra-se técnicas para escolher-se seccionamentos que são simples e apresentam pouca ou nenhuma perda de desempenho em função da decodificação convencional. / We present a technique for reducing the turbo decoding complexity based on minimal and sectionalized trellises. A novel complexity metric is proposed and the complexity of all possible sectionalizations for some selected codes is evaluated. We use the minimal trellis representation proposed in (MCELIECE, 1996) for BCJR decoding and conclude that one can find less complex sectionalizations (when compared to the conventional trellis) which show small or none performance degradation.

Este trabalho apresenta uma metodologia para classificação de eventos de curto-circuito e mano-bras em redes de distribuição de energia elétrica, com base nos registros oscilográficos de tensão na barra da subestação de distribuição. São apresentados os resultados obtidos para duas formas distintas de pré-processamento dos sinais de tensão, sendo a primeira baseada em Transformada de Fourier e a segunda em Transformada Wavelet para diferentes famílias de funções wavelet. Foram comparados três modelos neurais para o processo de classificação: Multi-Layer Perceptron, Radial Basis Function e Support Vector Machine. Os modelos foram treinados levando em conta uma característica autônoma de operação das redes, ou seja, a seleção automática do modelo e o controle de complexidade. Os resultados foram validados para um conjunto de simulações realizadas no programa Alternative Transient Program, visando a aplicação prática do método proposto em um equipamento registrador de oscilografias, desenvolvido pelo Lactec em conjunto com a Copel - Curitiba, PR, denominado Power Quality Monitor. Foram obtidos resultados com desempenho na ordem de 90% de acerto médio para as diferentes formas de pré-processamento e diferente modelos neurais. / This work presents a method for automatic classification of faults and events related to quality of service in power distribution networks, based on oscillographies of the bar feeder voltages of the distribution substation. We present the results for two distinct pre-processing forms of the voltage signals. The first is based on the Fourier Transform and the second on the Wavelet Transform for different families of wavelet functions. We compared three neural models for the process of classification: Multi-Layer Perceptron, Radial Basis Function and Support Vector Machine. The models were trained taking into account the autonomous operation of networks, i.e. automatic model selection and control complexity. The results were validated for a set of simulations performed using the Alternative Transient Program, aimed at practical implementation of the proposed method in an oscillograph logger, developed by Lactec together with Copel, called the Power Quality Monitor. The results were obtained with performance on the order of 90% of average accuracy for the various pre-processing forms and neural models.

Orientador: Carola Dobrigkeit Chinellato / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Fisica Gleb Wataghin / Made available in DSpace on 2018-08-08T01:00:42Z (GMT). No. of bitstreams: 1 Rodrigues_JoaoPauloCaminhaCascudo_M.pdf: 7322384 bytes, checksum: e50136f5ec9d16fff8fd6a15ba64b5f0 (MD5) Previous issue date: 2007 / Resumo: Neste trabalho estuda-se a propagação pelo meio intergaláctico de raios cósmicos ultra-energéticos partindo de fontes com distribuição espacial uniforme, considerando as perdas de energia ocasionadas pela expansão adiabática do universo e pelas interações com a Radiação , Cósmica de Fundo (produção de pares e-e+ e fotoprodução de píons), o que resulta no aparecimento do corte GZK (Greisen-Zatsepin-Kuzmin). A degradação de energia no espectro primário da radiação cósmica que chega ao topo da atmosfera terrestre é então analisada para diferentes redshifts das fontes injetoras. São utilizadas simulações de Monte Carlo bem como uma abordagem analítica, com a posterior comparação dos resultados obtidos em cada método. Uma vez conhecido o fluxo propagado, é feita uma estimativa da forma da resolução de energia do Observatório Pierre Auger, com a decorrente convolução desta resolução com o fluxo propagado, novamente utilizando-se ambos os métodos. Os resultados mostram que o corte GZK pode se mostrar severamente atenuado no fluxo convoluído, o que dificulta a sua constatação experimental / Abstract: In this work, we study the propagation of Ultra-High Energy Cosmic Rays (UHECR) which are injected into the intergalactic medium by sources with flat spatial distribution for several redshifts. The energy spectrum of UHECR observed on the Earth is directly influenced by the energy losses due to both the adiabatic expansion of the universe and interactions with the Cosmic Microwave Background radiation (e-e+ pair production and photoproduction of pions), which cause the so-called Greisen-Zatsepin-Kuzmin (GZK) cutoff. We perform Monte Carlo simulations and also consider a semi-analytical approach and compare the results obtained by each method. Once the propagated primary flux is known, we make a simple estimate of the shape of the Pierre Auger Observatory energy resolution. This resolution is folded with the propagated primary flux again utilizing both methods. The results show the GZK cutoff may be severely smeared and might not be detected as sharp as predicted. / Mestrado / Teorias Especificas e Modelos de Interação ; Sistematica de Particulas ; Raios Cosmicos / Mestre em Física

CNPQ; LASCA / Este trabalho propõe um algoritmo para identificar descontinuidades internas em uma peça metálica a partir de sinais A-scan provenientes de um ensaio não-destrutivo por ultrassom. As descontinuidades são identificadas por seu formato, dimensões, orientação e localização. Esse algoritmo é baseado na resolução de problemas inversos. O problema da identificação de descontinuidades é modelado utilizando uma abordagem inédita, em que a descontinuidade é caracterizada por dois elementos distintos: a sua amplitude de espalhamento e a localização de seu centro. Com essa nova forma de representação, o problema de identificação da descontinuidade passa a ser dividido em dois subproblemas. O primeiro é o problema de reconstrução para encontrar a localização do centro da descontinuidade e o segundo é o problema de caracterização para estimar os parâmetros geométricos da descontinuidade. Os ensaios realizados comprovam que o problema de localização é resolvido de forma satisfatória utilizando o algoritmo de reconstrução de imagens esparsas UTSR (ultrasonic sparse reconstruction). A caracterização da descontinuidade é realizada por um algoritmo baseado no método dos mínimos quadrados não-lineares, com a inclusão de um termo de regularização não-quadrático utilizando norma l1. Os resultados obtidos tanto com dados simulados como com dados experimentais mostram que esse algoritmo estima as descontinuidades de forma satisfatória. / The present work proposes an algorithm to identify internal discontinuities in metallic specimen from A-scan ultrasonic signals. Discontinuities are identified by their shape, size, orientation and location. This algorithm is based on inverse problems. The identification of discontinuities is modeled using a novel approach. The discontinuity is modeled by two distinct elements: its scattering amplitude and its center location. Through this approach, the identification problem is split into two sub problems. The first is a reconstruction problem to find the location of the discontinuity. The second is a model identification problem to estimate geometric parameters of the discontinuity. Simulations and experimental validation show that the localization problem is satisfactorily solved using the UTSR (ultrasonic sparse reconstruction) algorithm. The characterization of discontinuities is carried out by an algorithm based on non-linear least squares with l1 norm regularization. The results obtained with simulated data as well with experimental data show a fine estimation of discontinuities.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A detecção de anomalias em vídeos de vigilância é um tema de pesquisa recorrente em visão computacional. Os métodos de aprendizagem profunda têm alcançado o estado da arte para o reconhecimento de padrões em imagens e o Autocodificador Convolucional (ACC) é uma das abordagens mais utilizadas por sua capacidade em capturar as estruturas 2D dos objetos. Neste trabalho, a detecção de anomalias se refere ao problema de encontrar padrões em vídeos que não pertencem a um conceito normal esperado. Com o objetivo de classificar anomalias adequadamente, foram verificadas formas de aprender representações relevantes para essa tarefa. Por esse motivo, estudos tanto da capacidade do modelo em aprender características automaticamente quanto do efeito da fusão de características extraídas manualmente foram realizados. Para problemas de detecção de anomalias do mundo real, a representação da classe normal é uma questão importante, sendo que um ou mais agrupamentos podem descrever diferentes aspectos de normalidade. Para fins de classificação, esses agrupamentos devem ser tão compactos (densos) quanto possível. Esta tese propõe o uso do ACC como uma abordagem orientada a dados aplicada ao contexto de detecção de anomalias em vídeos. Foram propostos métodos para o aprendizado de características espaço-temporais, bem como foi introduzida uma abordagem híbrida chamada Autocodificador Convolucional com Incorporação Compacta (ACC-IC), cujo objetivo é melhorar a compactação dos agrupamentos normais. Além disso, foi proposto um novo critério de parada baseado na sensibilidade e sua adequação para problemas de detecção de anomalias foi verificada. Todos os métodos propostos foram avaliados em conjuntos de dados disponíveis publicamente e comparados com abordagens estado da arte. Além do mais, foram introduzidos dois novos conjuntos de dados projetados para detecção de anomalias em vídeos de vigilância em rodovias. O ACC se mostrou promissor na detecção de anomalias em vídeos. Resultados sugerem que o ACC pode aprender características espaço-temporais automaticamente e a agregação de características extraídas manualmente parece ser valiosa para alguns conjuntos de dados. A compactação introduzida pelo ACC-IC melhorou o desempenho de classificação para a maioria dos casos e o critério de parada baseado na sensibilidade é uma nova abordagem que parece ser uma alternativa interessante. Os vídeos foram analisados qualitativamente de maneira visual, indicando que as características aprendidas com os dois métodos (ACC e ACC-IC) estão intimamente correlacionadas com os eventos anormais que ocorrem em seus quadros. De fato, ainda há muito a ser feito para uma definição mais geral e formal de normalidade, de modo que se possa ajudar pesquisadores a desenvolver métodos computacionais eficientes para a interpretação dos vídeos. / The anomaly detection in automated video surveillance is a recurrent topic in recent computer vision research. Deep Learning (DL) methods have achieved the state-of-the-art performance for pattern recognition in images and the Convolutional Autoencoder (CAE) is one of the most frequently used approach, which is capable of capturing the 2D structure of objects. In this work, anomaly detection refers to the problem of finding patterns in images and videos that do not belong to the expected normal concept. Aiming at classifying anomalies adequately, methods for learning relevant representations were verified. For this reason, both the capability of the model for learning automatically features and the effect of fusing hand-crafted features together with raw data were studied. Indeed, for real-world problems, the representation of the normal class is an important issue for detecting anomalies, in which one or more clusters can describe different aspects of normality. For classification purposes, these clusters must be as compact (dense) as possible. This thesis proposes the use of CAE as a data-driven approach in the context of anomaly detection problems. Methods for feature learning using as input both hand-crafted features and raw data were proposed, and how they affect the classification performance was investigated. This work also introduces a hybrid approach using DL and one-class support vector machine methods, named Convolutional Autoencoder with Compact Embedding (CAE-CE), for enhancing the compactness of normal clusters. Besides, a novel sensitivity-based stop criterion was proposed, and its suitability for anomaly detection problems was assessed. The proposed methods were evaluated using publicly available datasets and compared with the state-of-the-art approaches. Two novel benchmarks, designed for video anomaly detection in highways were introduced. CAE was shown to be promising as a data-driven approach for detecting anomalies in videos. Results suggest that the CAE can learn spatio-temporal features automatically, and the aggregation of hand-crafted features seems to be valuable for some datasets. Also, overall results suggest that the enhanced compactness introduced by the CAE-CE improved the classification performance for most cases, and the stop criterion based on the sensitivity is a novel approach that seems to be an interesting alternative. Videos were qualitatively analyzed at the visual level, indicating that features learned using both methods (CAE and CAE-CE) are closely correlated to the anomalous events occurring in the frames. In fact, there is much yet to be done towards a more general and formal definition of normality/abnormality, so as to support researchers to devise efficient computational methods to mimetize the semantic interpretation of visual scenes by humans.

CAPES / Este trabalho tem como objetivo propor um método reconhecimento de pessoas em imagens aéreas obtidas a partir de Veículos Aéreos Não Tripulados de pequeno porte. Esta é uma aplicação de grande interesse, pois pode ser inserida em diversas situações tanto civis quanto militares como, por exemplo, missões de busca e salvamento. O uso de Veículos Aéreos Não Tripulados autônomos tende a aumentar com o barateamento desta tecnologia. Assim, esta tecnologia pode sobressair sobre outras utilizadas atualmente, como satélites e voos com grandes aeronaves. Para o reconhecimento de pessoas em imagens aéreas de forma autônoma, este trabalho propõe métodos na forma de Sistemas de Reconhecimento de Padrões (SRP) aplicados ao reconhecimento de imagens. Para este métodos, foram testadas quatro técnicas de aprendizado de máquina: Redes Neurais Convolucionais, HOG+SVM, Cascata Haar e Cascata LBP. Além disso, a fim de possibilitar o reconhecimento de pessoas em imagens aéreas em tempo real, foram testadas e avaliadas técnicas de detecção e segmentação de objetos: Mapa de Saliências e o Processamento de Imagens Térmicas de baixa resolução (PIT). Neste trabalho foram avaliadas as taxas de reconhecimento dos SRPs, além do seu tempo de processamento em um sistema embarcado de baixo custo e em uma Base de Controle Móvel (BCM). Os resultados de reconhecimento mostraram a efetividade das Redes Neurais Convolucionais, com uma acurácia de 0,9971, seguido do HOG+SVM com 0,9236, Cascata Haar com 0,7348 e por fim, Cascata LBP com 0,6615. Em situações onde foi simulado a oclusão parcial, as Redes Neurais Convolucionais atingiram Sensibilidade média 0,72, HOG+SVM de 0,50 e as Cascatas 0,20. Nos experimentos com os SRPs (algoritmos de segmentação e detecção juntamente com as técnicas de reconhecimento), o Mapa de Saliências pouco afetou as taxas de reconhecimento, quais ficaram muito próximas das obtidas no experimentos de reconhecimento. Já o Processamento de Imagens Térmicas de baixa resolução apresentou dificuldades em executar uma segmentação precisa, obtendo imagens com variação na translação, prejudicando a precisão do sistema. Por fim, este trabalho propõe uma nova abordagem para implementação de um SRP para o reconhecimento de pessoas em imagens áreas, utilizando Processamento de Imagens Térmicas juntamente com as Redes Neurais Convolucionais. Este SRP une altas taxas de reconhecimento com desempenho computacional de ao menos 1 fps na plataforma BCM. / This work aims to propose a method for people recognition in Small Unmanned Aerial Vehicles aerial imagery. This is an application of high interest, it can be used in several situations, both civilian and military, as search and rescue missions. The use of Unmanned Aerial Vehicles autonomously tends to increase with the cheapening of this technology, supporting search and rescue missions. Thus, this technology can excel over others currently used, as satellites and flights with large aircraft. For autonomous people recognition, this work proposes new methods as Pattern Reconigition System (PRS) applied to image recognition, applying it in aerial images. Four Pattern Reconigition techniques were tested: Convolutional Neural Networks, HOG+SVM, Haar Cascade and LBP Cascade. Furthermore, in order to achieve recognition of people in aerial images in Real-Time target and detection techniques were tested and evaluated: Saliency Maps and Low-resolution Thermal Image Processing (TIP). In this work were considered recognition rates of the methods and their computational time in a low-cost embedded system and a Mobile Ground Control Station (MGCS). The recognition results shown the Convolutional Neural Network potential, where an accuracy of 0.9971 was achieved, followed by HOG + SVM with 0.9236, Haar Cascade with 0.7348 and LBP Cascade with 0.6615. In situations simulated partial occlusion, where was the CNNs achieved average Sensitivity of 0.72, HOG+SVM with 0.50 and both Cascades 0.20. In experiments with PRS (targeting and detection algorithms with the recognition techniques), the Saliency Map had little influence in recongition rates, it was close to the rates achieved in recognition experiments. While the Low-resolution Thermal Image Processing had difficulties in segmentation process, where translation variantions occured, it harmed the system precision. Lastly, this work proposes a new approach for PRS implementation for people recognition in aerial imagery, using TIP with CNN. This PRS combines high rates of recognition with an computational performace of, at least, 1 fps in MGCS plataform.