Made available in DSpace on 2014-12-17T14:55:13Z (GMT). No. of bitstreams: 1 GleydsonAFL.pdf: 2185056 bytes, checksum: 094b58b4341884e4f12979b1aa1e99e0 (MD5) Previous issue date: 2007-02-02 / The lava Platform is increasing1y being adopted in the development of distributed sys?tems with higb user demando This kind of application is more complex because it needs beyond attending the functional requirements, to fulfil1 the pre-established performance parameters. This work makes a study on the Java Vutual Machine (JVM), approaching its intemal aspects and exploring the garbage collection strategies existing in the literature and used by the NM. It also presents a set of tools that helps in the job of optimizing applications and others that help in the monitoring of applications in the production envi?ronment. Doe to the great amount of technologies that aim to solve problems which are common to the application layer, it becomes difficult to choose the one with best time response and less memory usage. This work presents a brief introduction to each one of tbe possible technologies and realize comparative tests through a statistical analysis of the response time and garbage collection activity random variables. The obtained results supply engineers and managers with a subside to decide which technologies to use in large applications through the knowledge of how they behave in their environments and the amount of resources that they consume. The relation between the productivity of the technology and its performance is also considered ao important factor in this choice / A plataforma Java vem sendo crescentemente adotada no desenvolvimento de siste?mas distribu?dos de alta demanda de usu?rios. Este tipo de aplica??o ? mais complexa pois necessita al?m de atender os requisitos funcionais cumprir os par?metros de desem?penho pr?-estabelecidos. Este trabalho realiza um estudo da m?quina virtual lava (NM) abordando seus aspectos internos e explorando as pol?ticas de coleta de lixo existentes na literatura e as usadas pela JVM. Apresenta tamb?m um conjunto de ferramentas que auxiliam Da tarefa de otimizar aplica??es e outras que auxiliam no monitoramento das aplica??es em produ??o. Diante da grande quantidade de tecnologias que se apresentam para solucionar pro?blemas inerentes ?s camadas das aplica??es, toma-se dif?cil realizar escolha daquela que possui o melhor tempo de resposta e o menor uso de mem?ria. O trabalho apresenta um breve referencial te?rico de cada uma das poss?veis tecnologias e realiza testes compara?tivos atrav?s de uma an?lise estat?stica da vari?vel aleat?ria do tempo de resposta e das atividades de coleta de lixo. Os resultados obtidos fornecem um subs?dio para engenheiros e gerentes decidirem quais tecnologias utilizarem em aplica??es de grande porte atrav?s do conhecimento de como elas se comportam nestes ambientes e a quantidade de recursos que consomem. A rela??o entre produtividade da tecnologia e seu desempenho tamb?m ? considerada como um fator importante nesta escolha

Made available in DSpace on 2014-12-17T14:55:37Z (GMT). No. of bitstreams: 1 SergioPS.pdf: 2376478 bytes, checksum: 7999af148ddd33a9739b28a9fdf05cf3 (MD5) Previous issue date: 2009-04-11 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Equipment maintenance is the major cost factor in industrial plants, it is very important the development of fault predict techniques. Three-phase induction motors are key electrical equipments used in industrial applications mainly because presents low cost and large robustness, however, it isn t protected from other fault types such as shorted winding and broken bars. Several acquisition ways, processing and signal analysis are applied to improve its diagnosis. More efficient techniques use current sensors and its signature analysis. In this dissertation, starting of these sensors, it is to make signal analysis through Park s vector that provides a good visualization capability. Faults data acquisition is an arduous task; in this way, it is developed a methodology for data base construction. Park s transformer is applied into stationary reference for machine modeling of the machine s differential equations solution. Faults detection needs a detailed analysis of variables and its influences that becomes the diagnosis more complex. The tasks of pattern recognition allow that systems are automatically generated, based in patterns and data concepts, in the majority cases undetectable for specialists, helping decision tasks. Classifiers algorithms with diverse learning paradigms: k-Neighborhood, Neural Networks, Decision Trees and Na?ves Bayes are used to patterns recognition of machines faults. Multi-classifier systems are used to improve classification errors. It inspected the algorithms homogeneous: Bagging and Boosting and heterogeneous: Vote, Stacking and Stacking C. Results present the effectiveness of constructed model to faults modeling, such as the possibility of using multi-classifiers algorithm on faults classification / A manuten??o de equipamentos ? um dos principais fatores de custo no ambiente industrial, sendo de fundamental import?ncia o desenvolvimento de t?cnicas de preven??o de falhas. Os motores de indu??o trif?sicos s?o os equipamentos el?tricos mais utilizados na industria, pois apresentam um baixo custo e boa robustez, entretanto, n?o est?o imunes a diversos tipos de falhas como curto-circuitos nos enrolamentos e quebra de barras rot?ricas. Diversas formas de aquisi??o, processamento e an?lise dos sinais s?o aplicadas para melhorar seu diagn?stico. As t?cnicas mais eficazes utilizam sensores de corrente e a an?lise de sua assinatura. Neste trabalho, s?o apresentadas an?lises a partir destes sensores, sendo esta informa??o processada atrav?s do vetor de Park, que fornece uma boa capacidade de visualiza??o dos padr?es. Visando a obten??o destes padr?es fora do ambiente de opera??o, foi desenvolvida uma metodologia para a constru??o das bases de dados. Para a modelagem da m?quina tamb?m ? aplicada a transforma??o de Park no referencial estacion?rio para solucionar as equa??es diferenciais da m?quina. Detec??o de falhas requer uma an?lise profunda das vari?veis envolvidas e suas influ?ncias, tornando o diagn?stico complexo. Reconhecimento de padr?es permite que sistemas sejam gerados automaticamente, por encontrar padr?es e conceitos nos dados, muitas vezes n?o detectados por especialistas, auxiliando na tomada de decis?es. Algoritmos de classifica??o com diferentes paradigmas de aprendizado como k-vizinhos mais pr?ximos, Redes Neurais, ?rvores de Decis?o e Na?ve-Bayes s?o utilizados para reconhecer os padr?es dos motores. M?todos de multiclassifica??o s?o empregados para melhorar o desempenho na taxa de erro de classifica??o, s?o examinados os seguintes algoritmos homog?neos: Bagging e Boosting e heterog?neos: Vote, Stacking e Stacking C. Nos resultados ? poss?vel notar a efic?cia do modelo constru?do para simular as falhas assim como dos algoritmos multiclassificadores para a classifica??o de falhas

Made available in DSpace on 2014-12-17T14:56:06Z (GMT). No. of bitstreams: 1 SinaraRM_DISSERT.pdf: 1037040 bytes, checksum: 9dd71f16b45358e60b8b82862adaafc6 (MD5) Previous issue date: 2012-08-15 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / This paper presents an evaluative study about the effects of using a machine learning technique on the main features of a self-organizing and multiobjective genetic algorithm (GA). A typical GA can be seen as a search technique which is usually applied in problems involving no polynomial complexity. Originally, these algorithms were designed to create methods that seek acceptable solutions to problems where the global optimum is inaccessible or difficult to obtain. At first, the GAs considered only one evaluation function and a single objective optimization. Today, however, implementations that consider several optimization objectives simultaneously (multiobjective algorithms) are common, besides allowing the change of many components of the algorithm dynamically (self-organizing algorithms). At the same time, they are also common combinations of GAs with machine learning techniques to improve some of its characteristics of performance and use. In this work, a GA with a machine learning technique was analyzed and applied in a antenna design. We used a variant of bicubic interpolation technique, called 2D Spline, as machine learning technique to estimate the behavior of a dynamic fitness function, based on the knowledge obtained from a set of laboratory experiments. This fitness function is also called evaluation function and, it is responsible for determining the fitness degree of a candidate solution (individual), in relation to others in the same population. The algorithm can be applied in many areas, including in the field of telecommunications, as projects of antennas and frequency selective surfaces. In this particular work, the presented algorithm was developed to optimize the design of a microstrip antenna, usually used in wireless communication systems for application in Ultra-Wideband (UWB). The algorithm allowed the optimization of two variables of geometry antenna - the length (Ls) and width (Ws) a slit in the ground plane with respect to three objectives: radiated signal bandwidth, return loss and central frequency deviation. These two dimensions (Ws and Ls) are used as variables in three different interpolation functions, one Spline for each optimization objective, to compose a multiobjective and aggregate fitness function. The final result proposed by the algorithm was compared with the simulation program result and the measured result of a physical prototype of the antenna built in the laboratory. In the present study, the algorithm was analyzed with respect to their success degree in relation to four important characteristics of a self-organizing multiobjective GA: performance, flexibility, scalability and accuracy. At the end of the study, it was observed a time increase in algorithm execution in comparison to a common GA, due to the time required for the machine learning process. On the plus side, we notice a sensitive gain with respect to flexibility and accuracy of results, and a prosperous path that indicates directions to the algorithm to allow the optimization problems with "η" variables / Este trabalho apresenta um estudo avaliativo dos efeitos da utiliza??o de uma t?cnica de aprendizado de m?quina nas caracter?sticas principais de um algoritmo gen?tico (GA) multiobjetivo e auto-organiz?vel. Um GA t?pico pode ser visto como uma t?cnica de busca que ? normalmente aplicada em problemas que envolvem complexidade n?o polinomial. Originalmente, estes algoritmos foram idealizados para criar m?todos que buscam solu??es aceit?veis para problemas em que os ?timos globais s?o inacess?veis ou s?o de dif?cil obten??o. A princ?pio, os GAs consideravam apenas uma fun??o de avalia??o e um ?nico objetivo de otimiza??o. Hoje, entretanto, s?o comuns as implementa??es que consideram diversos objetivos de otimiza??o simultaneamente (algoritmos multiobjetivos), al?m de permitir a altera??o de diversos componentes do algoritmo dinamicamente (algoritmos autoorganiz?veis). Ao mesmo tempo, s?o comuns tamb?m as combina??es dos GAs com t?cnicas de aprendizado de m?quina para melhorar algumas de suas caracter?sticas de desempenho e utiliza??o. Neste trabalho, um GA com recursos de aprendizado de m?quina foi analisado e aplicado em um projeto de antena. Utilizou-se uma t?cnica variante de interpola??o bic?bica, denominada Spline 2D, como t?cnica de aprendizado de m?quina para estimar o comportamento de uma fun??o de fitness din?mica, a partir do conhecimento obtido de um conjunto de experimentos realizados em laborat?rio. Esta fun??o de fitness ? tamb?m denominada de fun??o de avalia??o e ? respons?vel pela determina??o do grau de aptid?o de uma solu??o candidata (indiv?duo) em rela??o ?s demais de uma mesma popula??o. O algoritmo pode ser aplicado em diversas ?reas, inclusive no dom?nio das telecomunica??es, como nos projetos de antenas e de superf?cies seletivas de frequ?ncia. Neste trabalho em particular, o algoritmo apresentado foi desenvolvido para otimizar o projeto de uma antena de microfita, comumente utilizada em sistemas de comunica??o sem fio e projetada para aplica??o em sistemas de banda ultra larga (Ultra-Wideband - UWB). O algoritmo permitiu a otimiza??o de duas vari?veis da geometria da antena - o Comprimento (Ls) e a Largura (Ws) de uma fenda no plano de terra com rela??o a tr?s objetivos: largura de banda do sinal irradiado, perda de retorno e desvio da frequ?ncia central. As duas dimens?es (Ls e Ws) s?o usadas como vari?veis em tr?s distintas fun??es de interpola??o, sendo uma Spline para cada objetivo da otimiza??o, para compor uma fun??o de fitness agregada e multiobjetiva. O resultado final proposto pelo algoritmo foi comparado com o resultado obtido de um programa simulador e com o resultado medido de um prot?tipo f?sico da antena constru?da em laborat?rio. No estudo apresentado, o algoritmo foi analisado com rela??o ao seu grau de sucesso, no que diz respeito a quatro caracter?sticas importantes de um GA multiobjetivo auto-organiz?vel: desempenho, flexibilidade, escalabilidade e exatid?o. Ao final do estudo, observou-se na compila??o do algoritmo um aumento no tempo de execu??o em compara??o a um GA comum, por conta do tempo necess?rio para o processo de aprendizagem. Como ponto positivo, notou-te um ganho sens?vel com rela??o a flexibilidade e a exatid?o dos resultados apresentados, al?m de um caminho pr?spero que indica dire??es para permitir com que o algoritmo permita a otimiza??o de problemas com η vari?veis

Made available in DSpace on 2014-12-17T14:56:07Z (GMT). No. of bitstreams: 1 NaiyanHCL_DISSERT.pdf: 1452285 bytes, checksum: 018fb1e8fa51e8f7094cce68a18c6c73 (MD5) Previous issue date: 2012-08-13 / Reinforcement learning is a machine learning technique that, although finding a large number of applications, maybe is yet to reach its full potential. One of the inadequately tested possibilities is the use of reinforcement learning in combination with other methods for the solution of pattern classification problems. It is well documented in the literature the problems that support vector machine ensembles face in terms of generalization capacity. Algorithms such as Adaboost do not deal appropriately with the imbalances that arise in those situations. Several alternatives have been proposed, with varying degrees of success. This dissertation presents a new approach to building committees of support vector machines. The presented algorithm combines Adaboost algorithm with a layer of reinforcement learning to adjust committee parameters in order to avoid that imbalances on the committee components affect the generalization performance of the final hypothesis. Comparisons were made with ensembles using and not using the reinforcement learning layer, testing benchmark data sets widely known in area of pattern classification / A aprendizagem por refor?o ? uma t?cnica de aprendizado de m?quina que, embora j? tenha encontrado uma grande quantidade de aplica??es, talvez ainda n?o tenha alcan?ado seu pleno potencial. Uma das possibilidades que n?o foi devidamente testada at? hoje foi a utiliza??o da aprendizagem por refor?o em conjunto com outros m?todos para a solu??o de problemas de classifica??o de padr?es. ? bem documentada na literatura a problem?tica que ensembles de m?quinas de vetor de suporte encontram em termos de capacidade de generaliza??o. Algoritmos como Adaboost n?o lidam apropriadamente com os desequil?brios que podem surgir nessas situa??es. V?rias alternativas j? foram propostas, com margens variadas de sucesso. Esta disserta??o apresenta uma nova abordagem para a constru??o de comit?s de m?quinas de vetor de suporte. O algoritmo apresentado combina o algoritmo Adaboost com uma camada de aprendizagem por refor?o, para ajustar par?metros do comit? evitando que desequil?brios nos classificadores componentes do comit? prejudiquem o desempenho de generaliza??o da hip?tese final. Foram efetuadas compara??es de comit?s com e sem essa camada adicional de aprendizagem por refor?o, testando conjuntos de dados benchmarks amplamente conhecidos na ?rea de classifica??o de padr?es

Made available in DSpace on 2014-12-17T14:54:49Z (GMT). No. of bitstreams: 1 HelianaBS_da_capa_ate_cap4.pdf: 2361373 bytes, checksum: 3e1e43e8ba1aadc274663b8b8e3de72f (MD5) Previous issue date: 2008-02-22 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / The skin cancer is the most common of all cancers and the increase of its incidence must, in part, caused by the behavior of the people in relation to the exposition to the sun. In Brazil, the non-melanoma skin cancer is the most incident in the majority of the regions. The dermatoscopy and videodermatoscopy are the main types of examinations for the diagnosis of dermatological illnesses of the skin. The field that involves the use of computational tools to help or follow medical diagnosis in dermatological injuries is seen as very recent. Some methods had been proposed for automatic classification of pathology of the skin using images. The present work has the objective to present a new intelligent methodology for analysis and classification of skin cancer images, based on the techniques of digital processing of images for extraction of color characteristics, forms and texture, using Wavelet Packet Transform (WPT) and learning techniques called Support Vector Machine (SVM). The Wavelet Packet Transform is applied for extraction of texture characteristics in the images. The WPT consists of a set of base functions that represents the image in different bands of frequency, each one with distinct resolutions corresponding to each scale. Moreover, the characteristics of color of the injury are also computed that are dependants of a visual context, influenced for the existing colors in its surround, and the attributes of form through the Fourier describers. The Support Vector Machine is used for the classification task, which is based on the minimization principles of the structural risk, coming from the statistical learning theory. The SVM has the objective to construct optimum hyperplanes that represent the separation between classes. The generated hyperplane is determined by a subset of the classes, called support vectors. For the used database in this work, the results had revealed a good performance getting a global rightness of 92,73% for melanoma, and 86% for non-melanoma and benign injuries. The extracted describers and the SVM classifier became a method capable to recognize and to classify the analyzed skin injuries / O c?ncer de pele ? o mais comum de todos os c?nceres e o aumento da sua incid?ncia deve-se, em parte, ao comportamento das pessoas em rela??o ? exposi??o ao sol. No Brasil, o c?ncer de pele n?o melanoma ? o mais incidente na maioria das regi?es. A dermatoscopia e ideodermatoscopia s?o os principais tipos de exames para o diagn?stico de doen?as da pele dermatol?gicas. O campo que envolve o uso de ferramentas computacionais para o aux?lio ou acompanhamento do diagn?stico m?dico em les?es dermatol?gicas ainda ? visto como muito recente. V?rios m?todos foram propostos para classifica??o autom?tica de patologias da pele utilizando imagens. O presente trabalho tem como objetivo apresentar uma nova metodologia inteligente para an?lise e classifica??o de imagens de c?ncer de pele, baseada nas t?cnicas de processamento digital de imagens para extra??o de caracter?sticas de cor, forma e textura, utilizando a Transformada Wavelet Packet (TWP) e a t?cnicas de aprendizado de m?quina denominada M?quina de Vetor de Suporte (SVM Support Vector Machine). A Transformada Wavelet Packet ? aplicada para extra??o de caracter?sticas de textura nas imagens. Esta consiste de um conjunto de fun??es base que representa a imagem em diferentes bandas de freq??ncia, cada uma com resolu??es distintas correspondente a cada escala. Al?m disso, s?o calculadas tamb?m as caracter?sticas de cor da les?o que s?o dependentes de um contexto visual, influenciada pelas cores existentes em sua volta, e os atributos de forma atrav?s dos descritores de Fourier. Para a tarefa de classifica??o ? utilizado a M?quina de Vetor de Suporte, que baseia-se nos princ?pios da minimiza??o do risco estrutural, proveniente da teoria do aprendizado estat?stico. A SVM tem como objetivo construir hiperplanos ?timos que apresentem a maior margem de separa??o entre classes. O hiperplano gerado ? determinado por um subconjunto dos pontos das classes, chamado vetores de suporte. Para o banco de dados utilizado neste trabalho, os resultados apresentaram um bom desempenho obtendo um acerto global de 92,73% para melanoma, e 86% para les?es n?o-melanoma e benigna. O potencial dos descritores extra?dos aliados ao classificador SVM tornou o m?todo capaz de reconhecer e classificar as les?es analisadas