Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2016. / Submitted by Raquel Almeida (raquel.df13@gmail.com) on 2017-06-27T13:16:54Z No. of bitstreams: 1 2016_DiegoArmandoBenavidesVidal.pdf: 6256311 bytes, checksum: 032b7fb7441d8dc32be590f67a1be876 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-08-15T10:55:01Z (GMT) No. of bitstreams: 1 2016_DiegoArmandoBenavidesVidal.pdf: 6256311 bytes, checksum: 032b7fb7441d8dc32be590f67a1be876 (MD5) / Made available in DSpace on 2017-08-15T10:55:01Z (GMT). No. of bitstreams: 1 2016_DiegoArmandoBenavidesVidal.pdf: 6256311 bytes, checksum: 032b7fb7441d8dc32be590f67a1be876 (MD5) Previous issue date: 2017-08-15 / A detecção ocular é um problema aberto em pesquisa a ser resolvido eficientemente por detecção facial em sistemas de segurança. Características como precisão e custo computacional são consider- ados para uma abordagem de sucesso. Nós descrevemos uma abordagem integrada que segmenta os ROI emitidos por um detector Viola e Jones, constrói características HOGs e aprende uma função especial para mapear essas características para um espaço dimensional elevado onde a detecção alcança uma melhor precisão. Esse mapeamento segue a eficiente abordagem de funções Kernel, que se mostrou possível mas não foi feita para esse problema antes. Um classificador SVM linear é usado para detecção ocular através dessas características mapeadas. Experimentos extensivos são mostrados com diferentes bancos de dados e o método proposto alcança uma precisão elevada com baixo custo computacional adicional do que o detector Viola e Jones. O método também podem ser estendido para lidar com outros modelos equivalentes. / Eye detection is a open research problem to be solved efficiently by face detection and human surveillance systems. Features such as accuracy and computational cost are to be considered for a successful approach. We describe an integrated approach that takes the outputted ROI by a Viola and Jones detector, construct HOGs features on those and learn an special function to mapping these to a higher dimension space where the detection achieve a better accuracy. This mapping follows the efficient kernels match approach which was shown possible but had not been done for this problem before. Linear SVM is then used as classifier for eye detection using those mapped features. Extensive experiments are shown with different databases and the proposed method achieve higher accuracy with low added computational cost than Viola and Jones detector. The approach can also be extended to deal with other appearance models.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2014. / Submitted by Raquel Viana (raquelviana@bce.unb.br) on 2014-10-20T18:57:42Z No. of bitstreams: 1 2014_EdnaAlessandraPereira.pdf: 880527 bytes, checksum: 06ad4747f8483b15b8dac261db7c5844 (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2014-10-21T16:21:07Z (GMT) No. of bitstreams: 1 2014_EdnaAlessandraPereira.pdf: 880527 bytes, checksum: 06ad4747f8483b15b8dac261db7c5844 (MD5) / Made available in DSpace on 2014-10-21T16:21:07Z (GMT). No. of bitstreams: 1 2014_EdnaAlessandraPereira.pdf: 880527 bytes, checksum: 06ad4747f8483b15b8dac261db7c5844 (MD5) / Neste trabalho, são estudadas duas propostas de métodos de imputação de dados para o ajuste do modelo de três parâmetros em estudos de teoria de resposta ao item. O primeiro método proposto consiste em utilizar como probabilidade de resposta positiva para imputação de resposta o valor fornecido pela curva de regressão logística das respostas certas e erradas do indivíduo como função das estimativas do parâmetro de dificuldade para os itens respondidos pelo indivíduo. Obtida a curva logística, a probabilidade de resposta positiva para um item que o indivíduo não tenha respondido é obtida pela curva logística ajustada calculada no valor estimado do parâmetro de dificuldade do item não respondido. A partir desta probabilidade, imputa-se uma resposta correta ou não. O segundo método é similar ao primeiro, mas utiliza para imputação a probabilidade de resposta correta dada pelo valor da curva suavizada via kernel fornecida pela regressão isotônica das respostas corretas e incorretas (1 e 0) como função decrescente das estimativas do parâmetro de dificuldade do itens respondidos. Num estudo de simulação, as estimativas dos parâmetros dos itens e da proficiência obtidas a partir dos dados imputados pelos dois métodos e também sem imputação de dados são comparadas com os valores reais e com aqueles obtidos para os dados completos. _______________________________________________________________________________________ ABSTRACT / In this work we have studied two imputation procedures for missing data when fitting the three parameters model in item response theory studies. The first proposed method uses as the probability of imputation of correct response the value obtained from the logistic regression of the correct (1) and incorrect (0) answers as a function of the difficulty parameter estimates for the items with responses. We take the fitted logisitic curve and calculate the probability of imputation of positive response as a function of the value of the difficulty parameter estimates for the non responded items. The second method is similar to the first one, but we use the probability of imputation of a positive response provided by the kernel smoothed isotonic regression obtained taking the probability of positive response as a decreasing function of the estimated difficulty parameter for each item with a response. In a simulation study, the estimates of the item parameters and proficiency were compared to the real values and also to the estimates obtained for the data with no missing responses.

Made available in DSpace on 2016-12-23T14:33:41Z (GMT). No. of bitstreams: 1 Dissertacao parte 1.pdf: 1527731 bytes, checksum: 90d2f84ea87116674f50894076251fe1 (MD5) Previous issue date: 2010-02-12 / We investigate strategies to define prediction models for a quality parameter of an industrial process. We estimate this variable using computational intelligence and in special regression methods. The main contribution of this paper is the comparative analysis of heuristic training models to create the prediction system. We propose two main paradigms to obtain the system, machine learning and hybrid artificial neural networks. The resulting system is a prototype for the intelligent supervision of a real-time production process. Statistical tools are used to compare the performance of the regression based predictor and the neuro-fuzzy based predictor, considering the degree of adaptation of the system to the problem and its generalization ability / Neste trabalho são investigadas estratégias para a elaboração de Modelos de Predição que possam ser utilizados no monitoramento de uma variável de qualidade pertencente a um determinado Processo Produtivo Industrial. Neste cenário, a variável de qualidade é estimada por meio de técnicas da Inteligência Computacional e empiricamente avaliada na resolução de problemas de regressão. A principal contribuição desta monografia é a análise comparativa de Técnicas da Inteligência Computacional associadas às estratégias heurísticas de treinamento para a construção dos Modelos de Predição. São propostas duas linhas de pesquisa investigadas a partir de uma pesquisa empírica dos dados, e analisados a partir de dois grandes ramos da Inteligência Computacional Aprendizagem de Máquina e Redes Neurais Híbridas. Os Modelos de Predição desenvolvidos são protótipos conceituais para potencial implementação de Sistemas Inteligentes em tempo real de uma planta industrial. O método de construção dos Modelos de Predição por técnicas de Regressão é comparado com o método de construção do Modelo de Predição por redes Neuro-Fuzzy e analisados por critérios estabelecidos a partir de ferramentas estatísticas que levam em consideração os níveis de adequação e generalização dos mesmos. Ao final, são apresentados resultados dos métodos implementados sobre a mesma base de dados bem como os pertinentes trabalhos futuros

Made available in DSpace on 2016-12-23T14:33:42Z (GMT). No. of bitstreams: 1 Dissertacao de Alexandre Bertolani Oliveira.pdf: 2765651 bytes, checksum: d31c448c5c2d094b1f5f76cb6c10e190 (MD5) Previous issue date: 2010-02-12 / We investigate strategies to define prediction models for a quality parameter of an industrial process. We estimate this variable using computational intelligence and in special regression methods. The main contribution of this paper is the comparative analysis of heuristic training models to create the prediction system. We propose two main paradigms to obtain the system, machine learning and hybrid artificial neural networks. The resulting system is a prototype for the intelligent supervision of a real-time production process. Statistical tools are used to compare the performance of the regression based predictor and the neuro-fuzzy based predictor, considering the degree of adaptation of the system to the problem and its generalization ability / Neste trabalho são investigadas estratégias para a elaboração de Modelos de Predição que possam ser utilizados no monitoramento de uma variável de qualidade pertencente a um determinado Processo Produtivo Industrial. Neste cenário, a variável de qualidade é estimada por meio de técnicas da Inteligência Computacional e empiricamente avaliada na resolução de problemas de regressão. A principal contribuição desta monografia é a análise comparativa de Técnicas da Inteligência Computacional associadas às estratégias heurísticas de treinamento para a construção dos Modelos de Predição. São propostas duas linhas de pesquisa investigadas a partir de uma pesquisa empírica dos dados, e analisados a partir de dois grandes ramos da Inteligência Computacional Aprendizagem de Máquina e Redes Neurais Híbridas. Os Modelos de Predição desenvolvidos são protótipos conceituais para potencial implementação de Sistemas Inteligentes em tempo real de uma planta industrial. O método de construção dos Modelos de Predição por técnicas de Regressão é comparado com o método de construção do Modelo de Predição por redes Neuro-Fuzzy e analisados por critérios estabelecidos a partir de ferramentas estatísticas que levam em consideração os níveis de adequação e generalização dos mesmos. Ao final, são apresentados resultados dos métodos implementados sobre a mesma base de dados bem como os pertinentes trabalhos futuros