Spelling suggestions: "subject:"detec??o autor?tica"" "subject:"detec??o autos?tica""
1 |
Detec??o de Estilos de Aprendizagem em Ambientes Virtuais de Aprendizagem utilizando Redes BayesianasSalazar, Luiz Filipe Carreiro 07 November 2017 (has links)
?rea de concentra??o: Educa??o e Tecnologias aplicadas em Institui??es Educacionais. / Submitted by Jos? Henrique Henrique (jose.neves@ufvjm.edu.br) on 2018-04-02T18:15:41Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
luiz_filipe_carreiro_salazar.pdf: 2092412 bytes, checksum: 081025a8f7b46e716f0a5878e9f2cc60 (MD5) / Approved for entry into archive by Rodrigo Martins Cruz (rodrigo.cruz@ufvjm.edu.br) on 2018-04-09T18:05:57Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
luiz_filipe_carreiro_salazar.pdf: 2092412 bytes, checksum: 081025a8f7b46e716f0a5878e9f2cc60 (MD5) / Made available in DSpace on 2018-04-09T18:05:57Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
luiz_filipe_carreiro_salazar.pdf: 2092412 bytes, checksum: 081025a8f7b46e716f0a5878e9f2cc60 (MD5)
Previous issue date: 2017 / O avan?o da tecnologia possibilitou o surgimento de ferramentas para o acesso a conhecimento
e experi?ncias individuais e coletivas. As Tecnologias da Informa??o e Comunica??o
e a internet criaram o conceito chamado Ciberespa?o, um local virtual onde o somat?rio
de todas as experi?ncias, saberes e culturas de todos os povos que forma a Intelig?ncia
Coletiva. Tal fen?meno contribuiu para o desenvolvimento da Educa??o ? Dist?ncia e os
Sistemas Inteligentes para Educa??o. Um dos maiores problemas em EaD ? aus?ncia de
adaptatividade do ensino ao Estilo de Aprendizagem dos estudantes, que consiste nas
prefer?ncias que cada aluno tem em receber um determinado conte?do. Dessa forma, o
trabalho aborda uma t?cnica de Redes Bayesianas para detectar automaticamente os
Estilos de Aprendizagem dos estudantes para proporcionar uma oferta de material de
ensino adaptado ?s prefer?ncias de aprendizagem nos Ambientes Virtuais de Aprendizagem.
O trabalho se baseia em conceitos e t?cnicas de Intelig?ncia Artificial e Aprendizado de
M?quina para compor um modelo computacional e probabil?stico de uma Rede Bayesiana
para inferir e detectar qual a melhor combina??o de Estilos de Aprendizagem. Para estruturar
os m?todos de detec??o dos Estilos de Aprendizagem, a pesquisa utiliza o Modelo de
Estilo de Aprendizagem Felder-Silverman. Para representar o comportamento do estudante
no Ambiente Virtual Aprendizagem, o trabalho utiliza utiliza um sistema para simular o
desempenho do estudante em um Sistema de Tutoria Inteligente. Os m?todos utilizados
resultam na constru??o de um algoritmo de detec??o autom?tica de Estilos de Aprendizagem
em Ambientes Virtuais de Aprendizagem. Os resultados do algoritmo de Rede
Bayesiana foram comparados aos resultados de outro algoritmo de detec??o de Estilos de
Aprendizagem na literatura. Nos testes, o algoritmo de Rede Bayesiana se mostrou mais
eficiente comparado ao da literatura, diminuindo consideravelmente o n?mero de itera??es
do sistema que no final converge ao Estilo de Aprendizagem do estudante, diminuindo o
tempo de execu??o e aumentando a precis?o dos resultados. O trabalho abre discuss?o
quanto a robustez, efici?ncia e precis?o da aplica??o de Redes Bayesianas para detec??o
de Estilos de Aprendizagem. / Disserta??o (Mestrado Profissional) ? Programa de P?s-Gradua??o em Educa??o, Universidade Federal dos Vales do Jequitinhonha e Mucuri, 2017. / The advancement of technology has enabled the emergence of tools for access to knowledge
and individual and collective experiences. Information and Communication Technologies
and the Internet have created the concept called Cyberspace, a virtual place where the
sum of all the experiences, knowledge and cultures of all peoples that forms the Collective
Intelligence. This phenomenon contributed to the development of Distance Education
and Intelligent Systems for Education. One of the major problems in EaD is the lack
of adaptability of teaching to students? learning style, which consists of the preferences
each student has in receiving a certain content. Thus, the paper approaches a technique
of Bayesian Networks to automatically detect the Learning Styles of the students to
provide an offer of teaching material adapted to the preferences of learning in the Virtual
Environments of Learning. The work is based on concepts and techniques of Artificial
Intelligence and Machine Learning to compose a computational and probabilistic model
of a Bayesian Network to infer and detect the best combination of Learning Styles. To
structure Learning Styles detection methods, the search uses the Felder-Silverman Learning
Style Template. To represent student behavior in the Virtual Learning Environment, the
work uses uses a system to simulate student performance in an Intelligent Tutoring System.
The methods used result in the construction of an algorithm for automatic detection of
Learning Styles in Virtual Learning Environments. The results of the Bayesian Network
algorithm were compared to the results of another learning style detection algorithm in
the literature. In the tests, the Bayesian Network algorithm proved to be more efficient
compared to the literature, considerably reducing the number of system iterations that in
the end converges to the student?s Learning Style, reducing execution time and increasing
the accuracy of the results. The paper discusses the robustness, efficiency and accuracy of
the application of Bayesian Networks for the detection of Learning Styles.
|
2 |
When wolves cry: long distance calling by wild maned wolvesRocha, Luciana Helena Silva 25 May 2015 (has links)
Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-04-25T23:08:58Z
No. of bitstreams: 1
LucianaHelenaSilvaRocha_DISSERT.pdf: 1669201 bytes, checksum: 3c7d0a6a9b45e9896e7c8ea5f9fd7eef (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-04-27T23:53:09Z (GMT) No. of bitstreams: 1
LucianaHelenaSilvaRocha_DISSERT.pdf: 1669201 bytes, checksum: 3c7d0a6a9b45e9896e7c8ea5f9fd7eef (MD5) / Made available in DSpace on 2016-04-27T23:53:09Z (GMT). No. of bitstreams: 1
LucianaHelenaSilvaRocha_DISSERT.pdf: 1669201 bytes, checksum: 3c7d0a6a9b45e9896e7c8ea5f9fd7eef (MD5)
Previous issue date: 2015-05-25 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico (CNPq) / O lobo-guar? (Chrysocyon brachyurus Illiger 1815) ? o maior can?deo da
Am?rica do Sul e encontra-se quase-amea?ado de extin??o segundo a IUCN.
Por ser uma esp?cie noturna, territorial e com h?bitos solit?rios, ainda h?
muitos aspectos pouco estudados sobre seu comportamento em ambiente
natural, entre eles a comunica??o ac?stica. Em seu repert?rio vocal, o lobo
apresenta a vocaliza??o de longa-dist?ncia chamada de ?aulido? a qual,
segundo a literatura, tem fun??o de manuten??o do espa?amento entre
indiv?duos e/ou comunica??o entre os membros do par reprodutivo dentro do
territ?rio. Nesse contexto, esse estudo teve como objetivos: 1) comparar quatro
m?todos de detec??o dos aulidos de lobo-guar? em grava??es feitas em
ambiente natural, buscando eleger o mais eficiente para nosso projeto; 2)
entender como se d? o padr?o noturno de emiss?o dessas vocaliza??es,
verificando se as condi??es clim?ticas e as fases da lua influenciam nas taxas
de emiss?o de aulidos; e 3) testar o Monitoramento Ac?stico Passivo como
ferramenta na identifica??o da presen?a de lobos-guar? em ambiente natural. A
?rea de estudo foi o Parque Nacional da Serra da Canastra (Minas Gerais,
Brasil) e foram utilizados gravadores aut?nomos para aquisi??o dos sons, os
quais gravaram durante toda a noite (18h-06h) durante cinco dias de
dezembro/2013 e durante todos os dias dos meses de abril a julho/2014. Os
m?todos de detec??o de aulidos foram testados e comparados com rela??o ao
tempo necess?rio para analisar os arquivos, n?mero de falsos positivos e
n?mero de aulidos corretamente identificados. O m?todo misto
(XBAT+manual) foi o mais eficiente, encontrando 100% das vocaliza??es em
quase metade do tempo do m?todo manual, e foi eleito para an?lise dos nossos
dados. O estudo da varia??o temporal da emiss?o de aulidos verificou que os
lobos vocalizam mais nas primeiras horas da noite, o que sugere uma fun??o
social importante para esses chamados no in?cio de seu per?odo de atividade
mais intenso. A velocidade m?dia do vento influenciou negativamente a
frequ?ncia de vocaliza??es, o que pode indicar baixa recep??o sonora dos
gravadores ou altera??o nos padr?es comportamentais dos lobos em condi??es
de ventos fortes. ? necess?rio um melhor entendimento da varia??o sazonal da
atividade vocal dos lobos-guar?, mas nosso estudo j? demonstra ser poss?vel
detectar padr?es comportamentais de animais selvagens apenas atrav?s do
som, validando o Monitoramento Ac?stico Passivo como ferramenta na
conserva??o dessa esp?cie. / The maned wolf (Chrysocyon brachyurus Illiger 1815) is the biggest canid in
South America and it is considered a ?near threatened? species by IUCN.
Because of its nocturnal, territorial and solitary habits, there are still many
understudied aspects of their behavior in natural environments, including
acoustic communication. In its vocal repertoire, the wolf presents a longdistance
call named ?roar-bark? which, according to literature, functions for
spacing maintenance between individuals and/or communication between
members of the reproductive pair inside the territory. In this context, this study
aimed: 1) to compare four methods for detecting maned wolf?s roar-barks in
recordings made in a natural environment, in order to elect the most efficient
one for our project; 2) to understand the night emission pattern of these
vocalizations, verifying possible weather and moon phases influences in roarbark?s
emission rates; and 3) to test Passive Acoustic Monitoring as a tool to
identify the presence of maned wolves in a natural environment. The study
area was the Serra da Canastra National Park (Minas Gerais, Brazil), where
autonomous recorders were used for sound acquisition, recording all night
(from 06pm to 06am) during five days in December/2013 and every day from
April to July/2014. Roar-barks? detection methods were tested and compared
regarding time needed to analyze files, number of false positives and number
of correctly identified calls. The mixed method (XBAT + manual) was the
most efficient one, finding 100% of vocalizations in almost half of the time the
manual method did, being chosen for our data analysis. By studying roarbarks?
temporal variation we verified that the wolves vocalize more in the
early hours of the evening, suggesting an important social function for those
calls at the beginning of its period of most intense activity. Average wind
speed negatively influenced vocalization rate, which may indicate lower sound
reception of recorders or a change in behavioral patterns of wolves in high
speed wind conditions. A better understanding of seasonal variation of maned
wolves? vocal activity is required, but our study already shows that it is
possible to detect behavioral patterns of wild animals only by sound, validating
PAM as a tool in this species? conservation.
|
3 |
Compress?o Seletiva de Imagens Coloridas com Detec??o Autom?tica de Regi?es de InteresseGomes, Diego de Miranda 05 January 2006 (has links)
Made available in DSpace on 2014-12-17T14:56:22Z (GMT). No. of bitstreams: 1
DiegoMG.pdf: 1982662 bytes, checksum: e489eb42e914d358aaeb197489ceb5e4 (MD5)
Previous issue date: 2006-01-05 / There has been an increasing tendency on the use of selective image compression, since several applications make use of digital images and the loss of information in certain regions is not allowed in some cases. However, there are applications in which these images are captured and stored automatically making it impossible to the user to select the regions of interest to be compressed in a lossless manner. A possible solution for this matter would be the automatic selection of these regions, a very difficult problem to solve in general cases. Nevertheless, it is possible to use intelligent techniques to detect these regions in specific cases. This work proposes a selective color image compression method in which regions of interest, previously chosen, are compressed in a lossless manner. This method uses the wavelet transform to decorrelate the pixels of the image, competitive neural network to make a vectorial quantization, mathematical morphology, and Huffman adaptive coding. There are two options for automatic detection in addition to the manual one: a method of texture segmentation, in which the highest frequency texture is selected to be the region of interest, and a new face detection method where the region of the face will be lossless compressed. The results show that both can be successfully used with the compression method, giving the map of the region of interest as an input / A compress?o seletiva de imagens tende a ser cada vez mais utilizada, visto que diversas aplica??es fazem uso de imagens digitais que em alguns casos n?o permitem perdas de informa??es em certas regi?es. Por?m, existem aplica??es nas quais essas imagens s?o capturadas e armazenadas automaticamente, impossibilitando a um usu?rio indicar as regi?es da imagem que devem ser comprimidas sem perdas. Uma solu??o para esse problema seria a detec??o autom?tica das regi?es de interesse, um problema muito dif?cil de ser resolvido em casos gerais. Em certos casos, no entanto, pode-se utilizar t?cnicas inteligentes para detectar essas regi?es. Esta disserta??o apresenta um compressor seletivo de imagens coloridas onde as regi?es de interesse, previamente fornecidas, s?o comprimidas totalmente sem perdas. Este m?todo faz uso da transformada wavelet para descorrelacionar os pixels da imagem, de uma rede neural competitiva para realizar uma quantiza??o vetorial, da morfologia matem?tica e do c?digo adaptativo de Huffman. Al?m da op??o da sele??o manual das regi?es de interesse, existem duas op??es de detec??o autom?tica: um m?todo de segmenta??o de texturas, onde a textura com maior freq??ncia ? selecionada para ser a regi?o de interesse, e um novo m?todo de detec??o de faces onde a regi?o da face ? comprimida sem perdas. Os resultados mostram que ambos os m?todos podem ser utilizados com o algoritmo de compress?o, fornecendo a este o mapa de regi?o de interesse
|
Page generated in 0.0489 seconds