Monitoramento participativo representa um novo paradigma de coleta de dados de sensores, focado na extração e utilização de dados gerados pelas pessoas. Iniciativas baseadas neste conceito estão se tornando essenciais para projetistas de infraestruturas urbanas inteligentes, uma vez que possibilitam a captura de diversos tipos de informação relevante que não poderia ser capturada por sensores físicos tradicionais. Uma grande quantidade de publicações e projetos associados a este tópico surgiu nos últimos anos, e com eles a necessidade de se organizar e classificar tais trabalhos apropriadamente. Neste trabalho é proposta uma taxonomia para iniciativas de monitoramento colaborativo, ilustrando cada uma de suas dimensões a partir de um extenso levantamento bibliográfico da área. O esquema proposto adicionalmente suporta a identificação e estimula o desenvolvimento de projetos, utilizando mecanismos de coleta de dados ainda não explorados. Focando no monitoramento colaborativo ativo realizado a partir de aplicativos móveis, este trabalho apresenta uma linguagem formal para especificação de novas iniciativas de monitoramento colaborativo, e uma plataforma implementada para interpretar as especificações descritas por meio de tal linguagem e instanciar tanto os aplicativos de coleta de dados quanto os servidores de aplicação para receber, validar e visualizar tais dados, facilitando a criação de novos aplicativos até mesmo por indivíduos sem qualquer conhecimento em desenvolvimento de software. Um experimento foi realizado utilizando tal plataforma para mapear condições de acessibilidade das ruas e calçadas de uma região de quatro quilômetros quadrados na cidade de São Paulo, no qual a cobertura completa da região foi obtida por oito voluntários em menos de três horas. Tal experimento ilustra a efetividade deste tipo de tecnologia, uma vez que a cidade de São Paulo, com aproximadamente mil e quinhentos quilômetros quadrados, poderia ser mapeada por apenas três mil pessoas no mesmo período de três horas. Concluindo este trabalho, uma generalização da solução é discutida, demonstrando a possibilidade de uso da mesma plataforma em outros cenários, diferentes das cidades inteligentes, como por exemplo o monitoramento colaborativo de riscos de acidentes no trabalho em fábricas, entre outros. Finalmente, apresenta-se um direcionamento de trabalhos futuros para o desenvolvimento de sistemas de suporte à decisão, com base nos dados de monitoramento colaborativo, e para o uso de tecnologias de Big Data na captura, agregação, análise e extração de conhecimento dos dados de diferentes tipos de monitoramento colaborativo apresentados na taxonomia, incluindo dados de redes sociais, sensores físicos e derivados do processamento de imagens. / Citizen sensing is a new sensor-based data collection paradigm and is focused on the extraction of data generated by people. Initiatives based on this concept are becoming crucial for designers of intelligent urban infrastructures, since they enable the collection of several types of relevant data that cannot be properly captured by traditional physical sensors. A large number of articles and projects associated to the topic appeared over the last few years, and with them the need for properly classify and organize these works. In the current work, we propose a taxonomy of citizen sensing initiatives and illustrate each of its dimensions through a survey of recent articles in the area. The proposed scheme also supports the identification and stimulates the development of projects addressing data collection methodologies that have not been properly explored so far. Focusing on active citizen sensing through mobile applications, we present a specification language designed to allow the description of such applications, and a platform implemented to interpret specifications described using this language and instantiate both the mobile app for data collection as well as the backend server to receive, validate and visualize the data, facilitating the conception and \'implementation\' of new apps even by people without any knowledge about software development. We also report a real-world experiment in which we used our platform to map accessibility conditions of streets and sidewalks located in a four square kilometers area in São Paulo, Brazil, showing that a full coverage was obtained with the support of eight volunteers after only three hours. Such experiment illustrates the effectiveness of the technology, since the city of São Paulo, with an area of approximately fifteen hundred square kilometers, could be mapped by only three thousand people over the same three hours interval. Concluding this work, a generalization of the solution is discussed, demonstrating the applicability of the same platform in scenarios other than smart cities, such as participatory sensing for risk of work accidents in manufacturing compa nies, and others. Finally, we present some directions for future work at the development of Decision Support Systems based on information from citizen sensing, and the usage of Big Data technologies for capturing, aggregating, analyzing, and extracting knowledge from data generated by the different types of citizen sensing techniques presented in the taxonomy, including data from social networks, physical sensors, and image processing.

Neste trabalho, uma versão de RBM (Restricted Boltzmann Machine) tendo uma camada de classificação é adaptada a fim de permitir o seu uso com dados definidos num domínio contínuo. Essa adaptação dá origem a uma variante do modelo para o qual são desenvolvidas as regras de atualização de parâmetros dos treinamentos discriminativo, generativo e híbrido. A aplicação da variante como classificador no problema de VAD (Voice Activity Detection) é então investigada. Por meio de simulações envolvendo o corpus NOIZEUS e empregando como entradas do classificador tanto MFCCs (Mel-Frequency Cepstral Coefficients) quanto FBEs (Filter-Bank Energies), são obtidos resultados comparáveis aos de detectores considerados como estado da arte, com um menor custo computacional. A variante de RBM é comparada também com as SVMs (Support Vector Machines) lineares e com núcleo gaussiano. Com treinamento discriminativo, a RBM fornece desempenhos intermediários entre as duas versões de SVM, porém um custo computacional que é consideravelmente inferior aos de ambas. Adicionalmente, um conjunto de medidas do áudio que tiveram seu uso em VAD proposto recentemente são avaliadas com o emprego da RBM com treinamento discriminativo. Embora os resultados não sejam conclusivos, os desempenhos conseguidos indicam que essas medidas não são vantajosas quando comparadas com os tradicionais MFCCs. / In this work, a type of Restricted Boltzmann Machine (RBM) having a classification layer is adapted to allow its use with data defined in a continuous domain. Such adaptation gives rise to a variant of the model for which the parameter update rules are developed for the discriminative, generative and hybrid types of training. The application of the variant as a classifier to the Voice Activity Detection (VAD) problem is then investigated. By means of simulations involving the corpus NOIZEUS and employing Mel-Frequency Cepstral Coefficients (MFCCs) or Filter-Bank Energies (FBEs) as classifier inputs, results comparable to those of state-of-the-art detectors are achieved with a lower computational cost. The RBM variant is also compared to the linear and Gaussian kernel Support Vector Machines (SVMs). With the discriminative training, the RBM provides intermediate performances between the two SVM types, but a computational cost that is considerably lower than theirs. Additionally, a set of measures from the audio whose application in VAD has been recently proposed are evaluated by employing the RBM with discriminative training. Although the results are not conclusive, the performances obtained indicate that the measures are not advantageous when compared to the traditional MFCCs.

As Máquinas de Vetores de Suporte (SVMs) têm sido largamente empregadas em diversas aplicações, graças à sua baixa taxa de erros na fase de testes (boa capacidade de generalização) e o fato de não dependerem das condições iniciais. Dos algoritmos desenvolvidos para o treinamento da SVM, o Sequential Minimal Optimization (SMO) é um dos mais rápidos e eficientes para a execução desta tarefa. Importantes implementações da fase de treinamento da SVM têm sido feitas em FPGAs. A maioria destas implementações tem sérias restrições na quantidade de conjunto de amostras a serem treinadas, pelo fato de implementarem soluções numéricas. De observação na literatura técnica, apenas dois trabalhos implementaram o SMO para o treinamento SVM em hardware e apenas um destes possibilita o treinamento de uma quantidade importante de amostras, porém a aplicação é restrita a apenas um benchmark específico. Na última década, com a tecnologia baseada em RAM estática, os FPGAs apresentaram um novo aspecto de flexibilidade: a capacidade de reconfiguração dinâmica, que possibilita a alteração do sistema em tempo de execução trazendo redução de área. Adicionalmente, apesar de uma potencial penalidade no tempo de processamento, a velocidade de execução continua muito superior quando comparada com soluções em software. No presente trabalho, uma solução genérica é proposta para o treinamento SVM em hardware (i.e. uma arquitetura que possibilite o treinamento para diversos tipos de amostras de entrada), e, motivado pela natureza seqüencial do algoritmo SMO, uma arquitetura dinamicamente reconfigurável é desenvolvida. Um estudo da implementação genérica com codificação em ponto fixo é apresentada, assim como os efeitos de quantização. A arquitetura é implementada no dispositivo Xilinx Virtex-IV XC4VLX25. Dados de tempo e área são obtidos e detalhes da síntese são explorados. É feita uma simulação da reconfiguração dinâmica através de chaves de isolação para a validação do sistema sob reconfiguração dinâmica. A arquitetura foi testada para três diferentes benchmarks, com resultados indicando que o treinamento no hardware reconfigurável foi acelerado em até 30 vezes quando comparado com a solução em software e os estudos apontaram que uma economia de até 22,38% de área útil do FPGA pode ser obtida dependendo das metodologias de síntese e implementação adotadas. / Support Vector Machines have been largely used in different applications, due to their high classifying capability without errors (generalization capability) and the advantage of not depending on the initial conditions. Among the developed algorithms for the SVM training, the Sequential Minimal Optimization (SMO) is one of the fastest and the one of the most efficient algorithms for executing this task. Important dedicated hardware implementations of the training phase of the SVM have been proposed for digital FPGA. Most of them are very restricted about the quantity of input samples to be trained due to the fact that they implement numeric solutions. Only two works with implementation in the SMO algorithm for the SVM training in hardware have been reported recently, and just one is able to train an important quantity of input samples, however it is restricted for only one specific benchmark. In the last decade, with the technology based on static memory (SRAM), FPGAs has provided a unique aspect of flexibility: the capability of dynamic reconfiguration, which involves altering the programmed design at run-time and allows area\'s saving. In addition, although leading to some time penalty, the execution time is still faster when compared with purely software solutions. In this work we present a totally hardware general-purpose implementation of the SMO algorithm. In this general-purpose approach, training of examples with different number of samples and elements are possible, and, motivated by the sequential nature of some of the SMO tasks, a dynamically reconfigurable architecture is developed. A study of the general-purpose implementation with fixed-point codification is presented, as well as the quantization effects. The architecture is implemented in the Xilinx Virtex-IV XC4VLX25 device, and timing and area data are provided. Synthesis details are exploited. A simulation using dynamic circuit switching is carried out in order to validate the systems dynamic reconfiguration aspects. The architecture was tested in the training of three different benchmarks; the training on the reconfigurable hardware was accelerated up to 30 times when compared with software solution, and studies points to an area saving up to 22.38% depending on the synthesis and implementation methodologies adopted in the project.

Redes neurais estão se tornando soluções atrativas para a automação de veículos nos mercados automotivo, militar e aeroespacial. Todas essas aplicações são de segurança crítica e, portanto, precisam ter a confiabilidade como um dos principais requisitos. Graças ao baixo custo, baixo consumo de energia, e flexibilidade, FPGAs estão entre os dispositivos mais promissores para implementar redes neurais. Entretanto, FPGAs também são conhecidas por sua susceptibilidade à falhas induzidas por partículas ionizadas. Neste trabalho, nós avaliamos os efeitos de erros induzios por radiação nas saídas de duas redes neurais (Iris Flower e MNIST), implementadas em FPGAs baseadas em SRAM. Em particular, via experimentos com feixe acelerado de nêutrons, nós percebemos que a radiação pode induzir erros que modificam a saída da rede afetando ou não a corretude funcional da mesma. Chamamos o primeiro caso de erro crítico e o segundo de error tolerável. Nós exploramos aspectos das redes neurais que podem impactar tanto seu desempenho quanto sua confiabilidade, tais como os níveis de precisão na representação dos dados e diferentes métodos de implementação de alguns tipos de camadas. Usando campanhas exaustivas de injeção de falhas, nós identificamos porções das implementações da Iris Flower e da MNIST em FPGAs que são mais prováveis de gerar erros critícos ou toleráveis, quando corrompidas. Baseado nessa análise, nós propusemos estratégias de ABFT para algumas camadas das redes, bem como uma estratégia de proteção seletiva que triplica somente as camadas mais vulneráveis das redes neurais. Nós validamos essas estratégias de proteção usando testes de radiação com nêutrons, a vemos que nossa solução de proteção seletiva conseguiu mascarar 68% das falhas na Iris Flower com um custo adicional de 45%, e 40% das falhas na MNIST com um custo adicional de 8%. / Neural networks are becoming an attractive solution for automatizing vehicles in the automotive, military, and aerospace markets. All of these applications are safety-critical and, thus, must have reliability as one of the main constraints. Thanks to their low-cost, low power-consumption, and flexibility, Field-Programmable Gate Arrays (FPGAs) are among the most promising devices to implement neural networks. Unfortunately, FPGAs are also known to be susceptible to faults induced by ionizing particles. In this work, we evaluate the effects of radiation-induced errors in the outputs of two neural networks (Iris Flower and MNIST), implemented in SRAM-based FPGAs. In particular, through accelerated neutron beam experiments, we notice that radiation can induce errors that modify the output of the network with or without affecting the neural network’s functionality. We call the former critical errors and the latter tolerable errors. We explore aspects of the neural networks that can have impacts on both performance and reliability, such as levels of data precision and different methods of implementation for some types of layers. Through exhaustive fault-injection campaigns, we identify the portions of Iris Flower and MNIST implementations on FPGAs that are more likely, once corrupted, to generate a critical or a tolerable error. Based on this analysis, we propose Algorithm-Based Fault Tolerance (ABFT) strategies for certain layers in the networks, as well as a selective hardening strategy that triplicates only the most vulnerable layers of the neural network. We validate these hardening approaches with neutron radiation testing, and see that our selective hardening solution

Medidas de centralidades são um mecanismo importante para revelar informações vitais sobre redes complexas. No entanto, essas métricas exigem um alto custo computacional que prejudica a sua aplicação em grandes redes do mundo real. Em nosso estudo propomos e explicamos que através do uso de redes neurais artificiais podemos aplicar essas métricas em redes de tamanho arbitrário. Além disso, identificamos a melhor configuração e metodologia para otimizar a acurácia do aprendizado neural, além de apresentar uma maneira fácil de obter e gerar um número suficiente de dados de treinamento substanciais através do uso de um modelo de redes complexas que é adaptável a qualquer aplicação. Também realizamos um comparativo da técnica proposta com diferentes metodologias de aproximação de centralidade da literatura, incluindo métodos de amostragem e outros algoritmos de aprendizagem, e, testamos o modelo gerado pela rede neural em casos reais. Mostramos com os resultados obtidos em nossos experimentos que o modelo de regressão gerado pela rede neural aproxima com sucesso as métricas é uma alternativa eficiente para aplicações do mundo real. A metodologia e o modelo de aprendizagem de máquina que foi proposto usa apenas uma fração do tempo de computação necessário para os algoritmos de aproximação baseados em amostragem e é mais robusto que as técnicas de aprendizagem de máquina testadas / Centrality measures are an important analysis mechanism to uncover vital information about complex networks. However, these metrics have high computational costs that hinder their applications in large real-world networks. I propose and explain the use of artificial neural learning algorithms can render the application of such metrics in networks of arbitrary size. Moreover, I identified the best configuration and methodology for neural learning to optimize its accuracy, besides presenting an easy way to acquire and generate plentiful and meaningful training data via the use of a complex networks model that is adaptable for any application. In addition, I compared my prosed technique based on neural learning with different centrality approximation methods proposed in the literature, consisting of sampling and other artificial learning methodologies, and, I also tested the neural learning model in real case scenarios. I show in my results that the regression model generated by the neural network successfully approximates the metric values and is an effective alternative in real-world applications. The methodology and machine learning model that I propose use only a fraction of computing time with respect to other commonly applied approximation algorithms and is more robust than the other tested machine learning techniques.

Submitted by Filipe dos Santos (fsantos@pucsp.br) on 2018-06-06T12:05:21Z No. of bitstreams: 1 Alberto Cabral Fusaro.pdf: 927659 bytes, checksum: ef5aba7d663a9eee92192d1756b51a25 (MD5) / Made available in DSpace on 2018-06-06T12:05:21Z (GMT). No. of bitstreams: 1 Alberto Cabral Fusaro.pdf: 927659 bytes, checksum: ef5aba7d663a9eee92192d1756b51a25 (MD5) Previous issue date: 2018-04-02 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Our investigation fits into a branch of Artificial Intelligence research, namely the Weak AIs subset, aiming to figure out the way that these AIs are applied in videogames development – we call it just “games”, referring to all games that run on any form of electronics platform. Our focus bears on a strict human-behavior simulation system that goes on the market by the name of Drivatar, a system-controlled virtual-entity whose operation is based on machinelearning technology. They were developed by Microsoft and Turn10 Studios to perform as “simulated human” pilots in their Forza Motorsport automotive-racing franchise games. Our goal is to identify the main AI elements and their application strategies that enable them to create the illusion of humanity, making the players believe that they are their human counterparts instead of simulations / Nossa pesquisa se enquadra em um segmento do ramo de estudos de Inteligência Artificial, mais especificamente o das IAs Fracas, investigando o modo como são utilizadas no desenvolvimento de games – jogos que operam em uma plataforma de tecnologia eletrônica. Focalizamos a investigação em um sistema de simulação restrita de comportamento humano nomeado comercialmente como Drivatar, uma entidade virtual controlada pelo sistema que opera com base em aprendizagem de máquina, desenvolvida em parceria pelas empresas Turn10 Studios e Microsoft para atuar como simulações de pilotos humanos nos games do gênero de corrida de carros da franquia Forza Motorsport. Nosso objetivo é a identificação dos principais elementos de IA, bem como das estratégias utilizadas em sua aplicação, que habilitam esses agentes inteligentes a causar nos jogadores humanos a ilusão de que os Drivatars são os próprios indivíduos que estão simulando

Submitted by Filipe dos Santos (fsantos@pucsp.br) on 2018-11-28T09:10:13Z No. of bitstreams: 1 Carlos Eduardo Pires de Camargo.pdf: 6898896 bytes, checksum: a6aa82547faa73c068f21441da9ce364 (MD5) / Made available in DSpace on 2018-11-28T09:10:13Z (GMT). No. of bitstreams: 1 Carlos Eduardo Pires de Camargo.pdf: 6898896 bytes, checksum: a6aa82547faa73c068f21441da9ce364 (MD5) Previous issue date: 2018-10-17 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / In the mid 1980’s several bio-inspired approaches emerged to the study of artificial intelligence. Starting from this context and from von Neumann cellular automata, the field of artificial life was developed with the objective to construct artificial systems capable to present similar behaviors to those found in biological phenomena. This thesis recovers the history of artificial life and its relationship with artificial intelligence, presents the difficulties of its development considering cartesian dualism, and demonstrates the possibility of a more adequate way of research based on the hypothesis of continuity between mind and matter, typical of the general semiotics of Charles Sanders Peirce. Through peircean semiotics and using the fundamentals of biosemiotics, the semiotic transposition technique is developed, a set of diagrammatic operations to support the study of artificial life. This technique studies the semiotic processes underlying biological phenomena. Then, through isomorphism, derived from the category theory, a finite automata can be created to computationally express certain aspects of the original biological processes. Throughout the research, the learning and memory behavior of a sea slug species, Aplysia californica, was used as an auxiliary element for the formalization of semiotic transposition. Two other biological phenomena — the genetic translation and the vacancy chain dynamics related to the Pagurus longicarpus, a species of crab — were considered as case studies to demonstrate the general character of the semiotic transposition. It is concluded that the use of semiotic theory as the basis for the study of artificial life constitutes an effective instrument to the creation of bio inspired computational devices / Em meados da década de 1980 surgem várias abordagens bioinspiradas para o estudo da inteligência artificial. Partindo-se deste contexto e dos autômatos celulares de von Neumann, foi desenvolvido o campo da vida artificial com o objetivo de construir sistemas artificiais capazes de apresentar comportamentos semelhantes aos encontrados nos fenômenos biológicos. Esta tese recupera a história da vida artificial e de sua relação com a inteligência artificial, apresenta as dificuldades de seu desenvolvimento através de posições baseadas no dualismo cartesiano, e demonstra a possibilidade de um caminho mais adequado de pesquisa tendo como hipótese a continuidade entre mente e matéria, própria da semiótica geral de Charles Sanders Peirce. Através da semiótica peirceana e de fundamentos da biossemiótica, desenvolve-se a técnica de transposição semiótica, um conjunto de operações diagramáticas para auxiliar o estudo da vida artificial. Esta técnica realiza o levantamento dos processos semióticos subjacentes aos fenômenos biológicos para que sejam criados, através de isomorfismo derivado da teoria das categorias, autômatos finitos capazes de expressar, computacionalmente, certos aspectos dos processos biológicos originais. Ao longo da pesquisa, foi utilizado o comportamento de aprendizagem e memória de um molusco marinho, a Aplysia californica, como elemento auxiliar para a formalização da transposição semiótica. Outros dois fenômenos biológicos — a tradução gênica e a dinâmica da cadeia de vacância relativa ao caranguejo Pagurus longicarpus — foram considerados para o estudo de casos que comprovam o caráter geral da transposição semiótica. Conclui-se que o uso da teoria semiótica como fundamento para o estudo da vida artificial constitui-se em instrumento efetivo para a criação de dispositivos computacionais biologicamente inspirados

Neste trabalho fazemos uma aplicação das redes neurais artificiais (RNA) do tipo funções de base radial (RBFN) em espectroscopia molecular, mais precisamente em espectros moleculares no nitrogênio. Verificamos a capacidade de uma RBFN em simular espectros experimentais para diversas condições de pressão e corrente de descarga. O parâmetro usado para verificar a qualidade das simulações foi a temperatura. Os resultados destas simulações foram usados para treinar uma outra RNA, acoplada a primeira, que através de informações de pressão e corrente, não usadas no treinamento, pode prever o espectro experimental e o valor da temperatura. A mesma metodologia foi usada para estudos de espectros em função da resolução. Nestas condições a RNA pode obter espectros com resoluções melhores do que as experimentais.

Para oferecer facilidades e atender às exigências dos usuários dos serviços de telecomunicações, as operadoras começaram a desenvolver novas tecnologias. Este trabalho pretende criar um camada de sessão que forneça as facilidades de execução e gerenciamento do serviço, por meio da integração das seguintes tecnologias: Internet (universalidade), B-ISDN/ATM (alta velocidade na transmissão de informações), rede inteligente (lógica) e TMN (interoperabilidade entre os diversos equipamentos da rede). Tais tecnologias foram desenvolvidas de forma independente e com objetivos distintos, contudo, em muitos aspectos elas se completam e devem coexistirem para satisfazer às necessidades dos clientes. Atualmente, os clientes não querem ser meros espectadores do serviço, e sim, interagir com o serviço atuando sobre as configurações do serviço para serem atendidos da maneira que mais lhe agradam, em tempo real.O serviço de camada de sessão fornece a possibilidade de implementação de outros serviços sobre si, como por exemplo: VoC, VC, interconectar o cliente à Internet e outros. As vantagens desse serviço são: garantia da QoS (Quality of Service), controle de fluxo (velocidade), conexão à Internet, transparência para o usuário e outras.Este trabalho propõe superar e/ou minimizar as limitações da Internet atual, em termos de QoS oferecidos e de mobilidade. Para isto, é implementado no SCP (Service Control Point) toda a lógica da camada de sessão como se fosse um serviço da rede inteligente, proporcionando ao usuário a interação com o serviço em tempo real.

Esta tese investiga o uso de análise discriminante e redes neurais artificiais em conjunto com técnicas de seleção de números de onda para classificação de espectros Raman de tecidos arteriais sadios, ateromatosos ou calcificados. Duas técnicas de seleção são estudadas: a primeira é baseada na Função Discriminante de Fisher, definida para cada variável espectral como a razão entre a dispersão dos dados entre as classes e dentro de cada classe; a segunda emprega um Algoritmo Genético de modo a levar em conta a informação conjunta de grupos de variáveis ao invés de considerá-los isoladamente. Para avaliação dos classificadores resultantes, foi utilizado um conjunto de 60 espectros Raman obtidos no Instituto de Pesquisa e Desenvolvimento (IP&D) da UNIVAP. Para esse conjunto de dados, a Função Discriminante de Fisher conduziu à seleção de comprimentos de onda concentrados em torno de picos espectrais, o que prejudicou o desempenho dos classificadores. A seleção realizada pelo Algoritmo Genético foi mais bem distribuída ao longo da faixa espectral de trabalho e possibilitou um bom desempenho de classificação, mesmo na presença de problemas simulados de desalinhamento espectral. Na comparação entre os classificadores, verificou-se que tanto o modelo obtido por análise discriminante linear quanto a rede neural classificaram corretamente todos os espectros de validação. Contudo, o modelo de discriminante linear apresentou maior robustez ao desalinhamento espectral.