Submitted by CÍCERO MANOEL DOS SANTOS null (ciceromanoel2007@gmail.com) on 2016-04-05T16:44:35Z No. of bitstreams: 1 Tese_FINAL.pdf: 8502485 bytes, checksum: 26494d2583b4a89dbd92a2f0a37703b8 (MD5) / Approved for entry into archive by Juliano Benedito Ferreira (julianoferreira@reitoria.unesp.br) on 2016-04-07T19:37:27Z (GMT) No. of bitstreams: 1 santos_cm_dr_bot.pdf: 8502485 bytes, checksum: 26494d2583b4a89dbd92a2f0a37703b8 (MD5) / Made available in DSpace on 2016-04-07T19:37:27Z (GMT). No. of bitstreams: 1 santos_cm_dr_bot.pdf: 8502485 bytes, checksum: 26494d2583b4a89dbd92a2f0a37703b8 (MD5) Previous issue date: 2016-03-04 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / A irradiação direta na incidência normal (Hb) possui papel importante no manejo de culturas agrícolas, na utilização como fonte de energia renovável e na modelagem atmosférica. Apesar de sua importância em diferentes áreas, medidas pontuais de Hb não são facilmente disponíveis nos centros de pesquisas, devido ao elevado custo de exportação dos sensores e suas manutenções periódicas. Os modelos estatísticos têm sido desenvolvidos e utilizados para estimativa de Hb nos locais onde não são monitorados. Estes modelos, normalmente, utilizam a Hg como variável de entrada, pois é a variável mais comumente medida em estações solarimétricas. Os modelos estatísticos correlacionam à fração transmitida da irradiação direta na incidência normal (ktb) com transmissividade atmosférica (kt) ou com a razão de insolação (n/N). Recentemente as técnicas de Aprendizado de Máquinas foram inseridas para estimativa de Hb. Teoricamente, são técnicas que apresentam alto desempenho na estimativa de modelos e gerar valores estimados mais precisos de Hb que os modelos estatísticos. O trabalho está divido em 4 capítulos divididos da seguinte forma. Capítulo 1: Propor a utilização da técnica Máquina de Vetor de Suporte – SVM e da Redes Neurais Artificiais para estimativa de Hb e comparar com os modelos estatísticos, testando diferentes variáveis de entrada, . Capítulo 2: Comparar a SVM com os modelos estatísticos. Capítulo 3: Comparar Rede Neural Artificial – RNA com os modelos estatísticos, utilizando o algoritmo Backpropagation. Capítulo 4: Modelagem da turbidez atmosférica de Linke com Hb. A fração transmitida de Hb (ktb) é modelada para obter Hb. Para treinamento e validação dos modelos é utilizado um banco de dados de 13 anos (1996 – 2008), medidos na estação radiométrica localizada na Faculdade de Ciências Agronômicas – FCA/UNESP (22,85°S; 48,45°W e 786m). Foram testadas diferentes variáveis de entrada para verificar qual a melhor na estimava dos modelos. Os índices estatísticos: MBE, rMBE, RMSE, rRMSE, d de Willmott e o erro percentual (%) são utilizados para validar os modelos. Os modelos foram propostos e avaliados nas partições de tempo: horária e diária. Os resultados mostraram que os modelos estatísticos estimam Hb com resultados (20% ≤ rRMSE < 30%). Os modelos propostos (SVM e RNA) geram resultados melhores que os modelos estatísticos e são indicados para estimativa de Hb (rRMSE < 20%). O modelo da SVM estima Hb melhor que RNA, por isso seu uso é tido como a primeira escolha entre os modelos. / The direct irradiation at normal incidence (Hb) is an important role in the management of crops, in the use as a renewable energy source and atmospheric modeling. Despite its importance in different areas, specific measures Hb are not readily available in research centers, due to the high cost of exporting the sensors and periodic maintenance of the sensors. Statistical models have been developed and used to estimate Hb in places where they are not monitored. These models usually use the Hg as input variable, as is the variable most commonly measured in solarimetric stations. Statistical models correlate to the fraction transmitted at Hb (ktb) with atmospheric transmissivity (kt) or insolation ratio (n/N). Recently the Machine Learning techniques (ML) were inserted for estimation of Hb. Theoretically, these techniques have greater capacity to model and generate more precise values of Hb that statistical models. The work is divided into four chapters divided as follows. Chapter 1: To propose the use of Support Vector Machine (SVM) and Artificial Neural Networks (ANN) technical to estimate Hb and compare the statistical models, testing different input variables. Chapter 2: To compare the SVM with the statistical models. Chapter 3: To compare Artificial Neural Network ANN) with statistical models using the backpropagation algorithm. Chapter 4: Modeling of atmospheric turbidity Linke with Hb. The ktb is modeled for get indirectly Hb. The validation methodology of the models with typical and atypical year is adopted and evaluated. It used a database of 13 years data (1996-2008), measured in radiometric station located at the Faculty of Agricultural Sciences - FCA/UNESP (22.85° S, 48.45° W and 786m. Different input variables are tested in the models to see if the estimate is improving. The variables used are: Hb, Hg, solar insolation (n), air temperature and relative humidity the other variables were obtained by mathematical equations. Statistical indices: MBE, rMBE, RMSE, rRMSE, d Willmontt and percent error (%) are used to validate the models. The models are proposed and evaluated in time: hourly and daily partitions. The results show that the statistical models estimate Hb with acceptable results (rRMSE ≤ 20% <30%). The proposed models (SVM and ANN) generate better results than the statistical models and are suitable for estimation of Hb (rRMSE <20%). The model of SVM estimates Hb better than ANN, so its use is considered the first choice among the models. / CNPq: 140104/2013-5

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-12-03T20:22:30Z No. of bitstreams: 1 Dissertação_Luiz_Sales_Silva.pdf: 4959512 bytes, checksum: 383643b6b730dee5b618ea14f782267d (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-12-04T12:28:16Z (GMT) No. of bitstreams: 1 Dissertação_Luiz_Sales_Silva.pdf: 4959512 bytes, checksum: 383643b6b730dee5b618ea14f782267d (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-12-04T12:35:43Z (GMT) No. of bitstreams: 1 Dissertação_Luiz_Sales_Silva.pdf: 4959512 bytes, checksum: 383643b6b730dee5b618ea14f782267d (MD5) / Made available in DSpace on 2015-12-04T12:35:43Z (GMT). No. of bitstreams: 1 Dissertação_Luiz_Sales_Silva.pdf: 4959512 bytes, checksum: 383643b6b730dee5b618ea14f782267d (MD5) Previous issue date: 2014-05-14 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / Currently, the problem of detention fiducial points on human faces has received increasing attention from the scientific community. Recently, we may find in the literature developed some systems for the purpose of performing detecçiia fiducial points. Some of these representatives use clasSifieadows SVM. One of the problems faced by this. fano approach is that the performance of SVM classifiers is extremely sensitive to change its parameters. list is a difficulty that is not trivial to exploit. In this lecture tion, we propose a fiducial points detection system, which uses SVM classifiers, in order to investigate the performance of the classifiers for con-along pre-defined parameters. With this investiwida, we intend to describe the system's behavior to the set of parameters and determine what the parameters = bination, and its values, which produces the best pos-sible performance for the branch system a whole. The proposed system is complex due to. lot of steps involved. The measured performance of the proposed system was performed. for. eleven Aduri tips: ais of. human face. two bases of image data (BiolD and End). The results demonstrate that the system performance. proposed is incremented when using the approach adopted. The system performance is satisfactory when compared with similar systems. / Atualmente, o problema da detenção de pontos fiduciais em faces humanas vem recebendo crescente atenção da comunidade científica. Recentemente, podemos encontrar na literatura alguns sistemas desenvolvidos com o objetivo de realizar a detecçiia de pontos fiduciais. Alguns destes representantes utilizam clasSifieadows SVM. Um dos problemas enfrentados por essa abordagem reside no fato de que o desempenho das clasSificadores SVM é extremamente sensível à mudança de seus parâmetros. lista é uma dificuldade que não é trivial de se explorar. Nesta dissertar ção, propomos um sistema de detecção de pontos fiduciais, que utiliza clasSificadores SVM, com o objetivo de investigar o desempenho dos classificadores para um con-junto de parâmetros pré-definidos. Com esta investiwida, pretendemos descrever o comportamento do sistema para o conjunto de parâmetros e determinar qual é a =binação de parâmetros, e de seus valores, que produz o melhor desempenho pos-sível para o sistema ramo um todo. O sistema proposta é complexo devido a. grande quantidade de etapas envolvidas. A avaliada de desempenho do sistema proposto foi realizada. para. onze pontas Aduri:ais da. face humana para. duas bases de dados de imagens (BiolD e Fim). O resultados demonstram que o desempenho do sistema. proposto é incrementado quando utilizamos a abordagem adotada. O desempenho do sistema é satisfatório quando comparado com os de sistemas similares.

Made available in DSpace on 2016-08-17T14:52:37Z (GMT). No. of bitstreams: 1 Dissertacao Suellen de Araujo Caduda da Silva Motta.pdf: 13615714 bytes, checksum: 2d717995db073f7cf237e113b96957a4 (MD5) Previous issue date: 2015-02-02 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / This work presents an automatic method for fault detection in data obtained through seismic reflection method. Identifying geological faults in seismic data is critical for better understating a geological system and planning hydrocarbon exploration. Knowing that faults are discontinuities present in seismic horizons, we propose the use of geostatistical functions which are capable of indicating the amplitude variation along the volume samples, in both predetermined distances and directions. Thus, the method is based on semivariogram, semimadogram, covariogram and correlogram functions, used as representative characteristics for the samples, which will be classified as fault or "non fault" regions by the Pattern Recognition technique named Support Vector Machine (SVM). The proposed method was validated by tests made in F3 Block, a seismic data provided by OpendTect system, with up to 92.15% sensitivity and 84.33% specificity. This work also provides an extraction of fault lines method based on region growing segmentation and morphological operators applied on the classification binary resulted volume. Also tested in F3 Block, the method was able to satisfactorily extract the faults in most of the data slices. / Este trabalho apresenta um método automático de detecção de falhas em volumes obtidos através do método de reflexão sísmica. Identificar as falhas geológicas nos dados sísmicos é importante para o conhecimento de um sistema geológico e para o planejamento da exploração de hidrocarbonetos. Sabendo-se que as falhas são descontinuidades presentes nos horizontes sísmicos, propõe-se a utilização de funções geoestatísticas capazes de indicar a variação da amplitude das amostras, em direções e distâncias predeterminadas. Assim, o método baseia-se no uso das funções semivariograma, semimadograma, covariograma e correlograma como características representativas das amostras, que serão classificadas como regiões de falha ou não falha , através da técnica clássica de Reconhecimento de Padrões conhecida como SVM (Support Vector Machine Máquina de Vetores de Suporte). O método proposto foi validado através de testes realizados com o volume F3 Block, disponibilizado pelo sistema OpendTect, apresentando até 92,15% de sensibilidade e 84,33% de especificidade. Este trabalho também apresenta um método de extração das linhas de falha baseado em crescimento de região e operadores morfológicos, a partir do volume binário resultante da classificação. Também testado sobre o F3 Block, o método foi capaz de extrair satisfatoriamente as falhas, na maioria das fatias do dado.

Este trabalho apresenta a pesquisa sobre a extração de parâmetros característicos de sinais acústicos para fins de detecção automática de vazamento de água em tubulações enterradas. Os sinais acústicos foram adquiridos com o auxílio de um geofone eletrônico e também catalogados por técnicos especialistas em detecção acústica. De todos os sinais foram extraídos os modelos de predição linear perceptual de várias ordens, determinando-se como melhor a ordem 2. A partir de um conjunto de modelos de referência de sinais de vazamento, a distância média de Itakura dos outros modelos em relação a estas referências foram calculadas. Em conjunto com estas distâncias, quatro características espectrais são também extraídas do sinal a fim de compor o vetor de parâmetros característicos do sinal. Parte destes vetores de parâmetros característicos são utilizados para treinar o classificador de máquina de vetores de suporte. O restante dos dados são, então, submetidos a este classificador que obteve a taxa de acerto de classificação em torno de 93%. Experimentos anteriores, utilizando modelos de predição linear, de ordem 10, obtiveram uma taxa de acerto em torno de 82%. Isso demonstra que estes novos parâmetros característicos propostos alcançam os objetivos deste trabalho, que são algoritmos com melhor taxa de acerto na detecção de vazamentos. / This work presents a research about feature extraction of acoustic signals for detection of water leak in buried pipes. Acoustic signals were acquired by means of an electronic geophone and also labeled by technicians specialized in acoustic water leak detection. For every signals, its linear predictive model was estimated for a range of prediction orders, concluding for the best order 2. Out of this group of models, some leaky ones are used as reference for calculating the Itakura mean distance with respect to the other models. Completing this measure, four spectral features are extracted to compose the signal feature vector. Some of these vectors were used to train a support vector machine to be used as a classifier. The remaining ones were used to evaluate the classification. The resulting accuracy rate achieved is around 93%. Earlier experiments, which use linear prediction of order 10 had an accuracy rate around 82%. This shows that this novel proposal of feature vector achieves the main goal of this research, which is the increase in the leak detection accuracy rate.

Este trabalho apresenta a pesquisa sobre a extração de parâmetros característicos de sinais acústicos para fins de detecção automática de vazamento de água em tubulações enterradas. Os sinais acústicos foram adquiridos com o auxílio de um geofone eletrônico e também catalogados por técnicos especialistas em detecção acústica. De todos os sinais foram extraídos os modelos de predição linear perceptual de várias ordens, determinando-se como melhor a ordem 2. A partir de um conjunto de modelos de referência de sinais de vazamento, a distância média de Itakura dos outros modelos em relação a estas referências foram calculadas. Em conjunto com estas distâncias, quatro características espectrais são também extraídas do sinal a fim de compor o vetor de parâmetros característicos do sinal. Parte destes vetores de parâmetros característicos são utilizados para treinar o classificador de máquina de vetores de suporte. O restante dos dados são, então, submetidos a este classificador que obteve a taxa de acerto de classificação em torno de 93%. Experimentos anteriores, utilizando modelos de predição linear, de ordem 10, obtiveram uma taxa de acerto em torno de 82%. Isso demonstra que estes novos parâmetros característicos propostos alcançam os objetivos deste trabalho, que são algoritmos com melhor taxa de acerto na detecção de vazamentos. / This work presents a research about feature extraction of acoustic signals for detection of water leak in buried pipes. Acoustic signals were acquired by means of an electronic geophone and also labeled by technicians specialized in acoustic water leak detection. For every signals, its linear predictive model was estimated for a range of prediction orders, concluding for the best order 2. Out of this group of models, some leaky ones are used as reference for calculating the Itakura mean distance with respect to the other models. Completing this measure, four spectral features are extracted to compose the signal feature vector. Some of these vectors were used to train a support vector machine to be used as a classifier. The remaining ones were used to evaluate the classification. The resulting accuracy rate achieved is around 93%. Earlier experiments, which use linear prediction of order 10 had an accuracy rate around 82%. This shows that this novel proposal of feature vector achieves the main goal of this research, which is the increase in the leak detection accuracy rate.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-14T17:54:04Z No. of bitstreams: 1 JoaoDallysonAlmeida.pdf: 4607146 bytes, checksum: 8e76d2b2ba34e77fcc3d20c8cfa92e17 (MD5) / Made available in DSpace on 2017-08-14T17:54:05Z (GMT). No. of bitstreams: 1 JoaoDallysonAlmeida.pdf: 4607146 bytes, checksum: 8e76d2b2ba34e77fcc3d20c8cfa92e17 (MD5) Previous issue date: 2010-02-12 / Strabismus is a pathology that affects about 4% of the population causing aesthetic problems, reversible at any age, and irreversible tensorial alterations, modifying the vision mechanism. Hirschberg's test is one of the available exams to detect such pathology. Computer Aided Diagnosis and Detection Systems have been used with relative success to help health professionals. Nevertheless, the increasingly application of high technology resources to help diagnosis and therapy in ophthalmology is not a reality in the Strabismus sub-specialty. This way, the present work has the objective of introduing a methodology for automatic detection Strabismus in digital images through Hirschberg's test. For such, it is organized in four stages: finding the region of the eyes, precise location of the eyes, limb and bright, and identi cation of Strabismus The methodology presents results of 100% of sensibility, 91,3% of specificity and 94% of match in the identification of Strabismus, comproving the eficiency of the geostatistical functions in the extraction of the texture of the eyes and of the calculations of the alignment between eyes in digital images acquired from Hirschberg's test. / O estrabismo é uma patologia que afeta cerca de 4% da população provocando problemas estéticos, reversíveis a qualquer idade, e alterações sensoriais irreversíveis, modificando o mecanismo da visão. O teste de Hirschberg é um dos tipos de exames existentes para detectar tal patologia. Sistemas de Detecção e Diagnóstico auxiliados por computador (Computer Aided Detection/Diagnosis) estão sendo usados com relativo sucesso no auxílio aos profissionais de saúde. No entanto, o emprego cada vez mais rotineiro de recursos de alta tecnologia, no auxílio diagnóstico e terapêutico em oftalmologia, não é uma realidade dentro da subespecialidade estrabismo. Sendo assim, o presente trabalho tem como objetivo apresentar uma metodologia para detectar automaticamente o estrabismo em imagens digitais através do teste de Hirschberg. Para tal, o estudo está organizado em quatro fases: localização da região dos olhos, localização precisa dos olhos, localização do limbo e do brilho, e identificação do estrabismo. A metodologia apresenta resultados de 100% de sensibilidade, 91,3% de especificidade e 94% de acerto na identificação do estrabismo comprovando a eficiência das funções geoestatísticas na extração de textura dos olhos e do cálculo da alinhamento entre os olhos em imagens digitais adquiridas a partir do teste de Hirschberg.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-16T18:29:06Z No. of bitstreams: 1 JoberthSilva.pdf: 6383640 bytes, checksum: f18918eb45c49cb426b560e4daddf994 (MD5) / Made available in DSpace on 2017-08-16T18:29:06Z (GMT). No. of bitstreams: 1 JoberthSilva.pdf: 6383640 bytes, checksum: f18918eb45c49cb426b560e4daddf994 (MD5) Previous issue date: 2013-02-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Breast cancer is worldwide the most common form of cancer affecting woman, sometimes in their lives, at the proportion of either one to nine or one to thirteen women who reach the age of ninety in the west world (LAURENCE, 2006). Breast cancer is caused by frequent reproduction of cells in various parts of the human body. At certain times, and for reasons yet unknown, some cells begin to reproduce at a higher speed, causing the onset of cellular masses called neoplasias, or tumors, which are new tissue formation, but from pathological origin. This work has proposed a method of automatic detection of masses in digital mammograms, using the Quality Threshold (QT), and the Supporting Vector Machine (MVS). The images processing steps were as follows: firstly, the pre-processing phase took place which consisted of removing the background image, smoothing it with a low pass filter, to increase the degree of contrast, and then, in sequence, accomplishing an enhancement of the Wavelet Transform (WT) by changing their coefficients with a linear function. After the pre-processing phase, came the segmentation with the use of the QT which divided the image in to clusters with pre-defined diameters. Then, the post-processing occurred with the selection of the best candidates to mass formed by the MVS analysis of the shape descriptors. For the extraction phase of texture features the Haralick descriptors and the function correlogram were used. As for the classification stage, the MVS was used again for training, validation of the MVS model and final test. The achieved results were: sensitivity of 92. 31%, specificity of 82.2%, accuracy of 83,53%, a false positive rate per image of 1.12 and an area under a FROC curve of 0.8033. / O câncer de mama é, mundialmente, a forma mais comum de câncer em mulheres afetando, em algum momento suas vidas, aproximadamente uma em cada nove a uma em cada treze mulheres que atingem os noventa anos no mundo ocidental (LAURANCE, 2006). O câncer de mama é ocasionado pela reprodução frequente de células de diversas partes do corpo humano. Em certos momentos e por motivos ainda desconhecidos algumas células começam a se reproduzir com uma velocidade maior, ocasionando o surgimento de massas celulares denominadas de neoplasias ou tumores que são tecidos de formação nova, mas de origem patológica. Neste trabalho foi proposto um método de detecção automática de massas em mamografias digitais usando o Quality Threshold (QT), e a Máquina de Vetores de Suporte (MVS). As etapas de processamento das imagens foram as seguintes: primeiramente veio a fase de pré-processamento que consiste em retirar o fundo da imagem, suavizá-la com um filtro passa-baixa, aumentar a escala de contraste, e na sequencia realizar um realce com a Transformada de Wavelet (WT) através da alteração dos seus coeficientes com uma função linear. Após a fase de pré-processamento vem a seguimentação utilizando o QT que segmenta a imagem em clusters com diâmetros pré-definidos. Em seguida, vem o pós-processamento com a seleção dos melhores candidatos à massa feita através da análise dos descritores de forma pela MVS. Para fase de extração de características de textura foram utiliza os descritores de Haralick e a função correlograma. Já na fase de classificação a MVS novamente foi utilizada para o treinamento, validação do modelo MVS e teste final. Os resultados alcançados foram: sensibilidade de 92,31%, especificidade de 82,2%, Acurácia de 83,53%, uma taxa de falsos positivos por imagem de 1,12 e uma área sob a curva FROC de 0,8033.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-17T17:25:58Z No. of bitstreams: 1 FernandoOliveira.pdf: 2347086 bytes, checksum: 0b2d54b7d13b7467bee9db13f63100f5 (MD5) / Made available in DSpace on 2017-08-17T17:25:58Z (GMT). No. of bitstreams: 1 FernandoOliveira.pdf: 2347086 bytes, checksum: 0b2d54b7d13b7467bee9db13f63100f5 (MD5) Previous issue date: 2013-02-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Breast cancer is the second most common type of cancer in the world and difficult to diagnose. Distinguished Systems Aided Detection and Diagnosis Computer have been used to assist experts in the health field with an indication of suspicious areas of difficult perception to the human eye, thus aiding in the detection and diagnosis of cancer. This dissertation proposes a methodology for discrimination and classification of regions extracted from the breast mass and non-mass. The Digital Database for Screening Mammography (DDSM) is used in this work for the acquisition of mammograms, which are extracted from the regions of mass and non-mass. The Taxonomic Diversity Index (∆) and the Taxonomic Distinctness (∆*) are used to describe the texture of the regions of interest, originally applied in ecology. The calculation of those indices is based on phylogenetic trees, which applied in this work to describe patterns in regions of the images of the breast with two regions bounding approaches to texture analysis: circle with rings and internal with external masks. Suggested in this work to be applied in the description of patterns of regions in breast imaging approaches circle with rings and masks as internal and external boundaries regions for texture analysis. Support Vector Machine (SVM) is used to classify the regions in mass or non-mass. The proposed methodology provides successful results for the classification of masses and non-mass, reaching an average accuracy of 99.67%. / O câncer de mama é o segundo tipo de câncer mais frequente no mundo e de difícil diagnóstico. Distintos Sistemas de Detecção e Diagnóstico Auxiliados por Computador (Computer Aided Detection/Diagnosis) têm sido utilizados para auxiliar especialistas da área da saúde com a indicação de áreas suspeitas de difícil percepção ao olho humano, assim ajudando na detecção e diagnóstico de câncer. Este trabalho propõe uma metodologia de discriminação e classificação de regiões extraídas da mama em massa e não-massa. O banco de imagens Digital Database for Screening Mammography (DDSM) é usado neste trabalho para aquisição das mamografias, onde são extraído as regiões de massa e não-massa. Na descrição da textura da região de interesse são utilizados os Índices de Diversidade Taxonômica (∆) e Distinção Taxonômica (∆*), provenientes da ecologia. O cálculo destes índices é baseado nas árvores filogenéticas, sendo aplicados neste trabalho na descrição de padrões em regiões das imagens da mama com duas abordagens de regiões delimitadoras para análise da textura: círculo com anéis e máscaras internas com externas. Para classificação das regiões em massa e não-massa é utilizado o classificador Máquina de Vetores de Suporte (MVS). A metodologia apresenta resultados promissores para a classificação de massas e não-massas, alcançando uma acurácia média de 99,67%.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-08-18T14:02:37Z No. of bitstreams: 1 cleriston.pdf: 1605933 bytes, checksum: c1faa5f854c1a9debfbaa1affc5ab4ad (MD5) / Made available in DSpace on 2017-08-18T14:02:37Z (GMT). No. of bitstreams: 1 cleriston.pdf: 1605933 bytes, checksum: c1faa5f854c1a9debfbaa1affc5ab4ad (MD5) Previous issue date: 2009-02-12 / The diagnosis of lung nodules has been constantly looked for by researchers as a way to minimize the high global mortality indices related to lung cancer. The usage of medical images, such as Computerized Tomography, has made possible the deepening and the improvement of techniques used to evaluate exams and provide diagnosis. This work presents a methodology for diagnosing single lung nodules that can be an aid for studies performed on similar areas and for specialists. This methodology was applied to two different image databases. The representation of the nodules was done with extraction of geometry and texture features, being the last one described through Simpson’s Index, a statistic used in Spatial Analysis and in Ecology. These features were submitted to the Support Vector Machine classifier (SVM) in two approaches: the traditional approach and the approach by using One Class. With the traditional SVM approach, we have obtained sensibility rates of 90%, specificity of 96.67% and accuracy of 95%. Using One Class SVM, the obtained rates were: sensibility of 89.7%, specificity of 89.7% and accuracy of 89.7%. / O diagnóstico de nódulos pulmonares tem sido buscado constantemente por pesquisadores como forma de amenizar os altos índices de mortalidade mundial relacionado ao câncer de pulmão. O uso de imagens médicas, como a Tomografia Computadorizada, tem possibilitado um aprofundamento e melhoramento de técnicas para avaliar exames e prover diagnósticos. Este trabalho apresenta uma metodologia para diagnóstico de nódulos pulmonares solitários que possa servir como um auxílio para estudos realizados em áreas afins e para especialistas. Esta metodologia foi aplicada a duas diferentes bases de dados de imagens. A representação dos nódulos foi feita com a extração de medidas de geometria e de textura sendo esta última descrita através do Índice de Simpson, uma estatística utilizada na Análise Espacial e na Ecologia. Essas medidas foram submetidas ao classificador Máquina de Vetores de Suporte - MVS em duas abordagens: a abordagem tradicional e abordagem usando uma classe. Com abordagem MVS tradicional, obtiveramse taxas de sensibilidade de 90%, especificidade de 96,67% e acurácia de 95%. Usando MVS de uma classe, as taxas obtidas foram: sensibilidade igual a 89,7%, especificidade igual a 89,7% e acurácia igual a 89,7%.

Submitted by DIEGO HENRIQUE EMYGDIO LÁZARO null (diegoemygdio@gmail.com) on 2016-06-27T15:28:11Z No. of bitstreams: 1 Aplicação de Máquinas de Vetores de Suporte na Identificação de Perfis de Alunos de acordo com Características da Teoria das Inteligências Múltiplas.pdf: 2758329 bytes, checksum: 02e2c2154153f7f78fdc32629f761d03 (MD5) / Rejected by Ana Paula Grisoto (grisotoana@reitoria.unesp.br), reason: Solicitamos que realize uma nova submissão seguindo a orientação abaixo: O arquivo submetido não contém o certificado de aprovação. A versão submetida por você é considerada a versão final da dissertação/tese, portanto não poderá ocorrer qualquer alteração em seu conteúdo após a aprovação. Corrija esta informação e realize uma nova submissão contendo o arquivo correto. Agradecemos a compreensão. on 2016-06-27T17:22:37Z (GMT) / Submitted by DIEGO HENRIQUE EMYGDIO LÁZARO null (diegoemygdio@gmail.com) on 2016-06-27T20:26:31Z No. of bitstreams: 1 Aplicação de Máquinas de Vetores de Suporte na Identificação de Perfis de Alunos de acordo com as Características das Inteligências Múltiplas.pdf: 2980004 bytes, checksum: d8b55bde9f111d6df2e3cc9a8db5e8e9 (MD5) / Rejected by Ana Paula Grisoto (grisotoana@reitoria.unesp.br), reason: Solicitamos que realize uma nova submissão seguindo a orientação abaixo: O arquivo submetido está sem a ficha catalográfica. A versão submetida por você é considerada a versão final da dissertação/tese, portanto não poderá ocorrer qualquer alteração em seu conteúdo após a aprovação. Corrija esta informação e realize uma nova submissão contendo o arquivo correto. Agradecemos a compreensão. on 2016-06-28T18:22:33Z (GMT) / Submitted by DIEGO HENRIQUE EMYGDIO LÁZARO null (diegoemygdio@gmail.com) on 2016-06-28T19:33:55Z No. of bitstreams: 1 Aplicação de Máquinas de Vetores de Suporte na Identificação de Perfis de Alunos de acordo com Características da Teoria das Inteligências Múltiplas.pdf: 2736602 bytes, checksum: 51b12df288fa6ceb2ba0e0a908303beb (MD5) / Approved for entry into archive by Ana Paula Grisoto (grisotoana@reitoria.unesp.br) on 2016-06-28T19:59:20Z (GMT) No. of bitstreams: 1 lazaro_dhe_me_sjrp.pdf: 2736602 bytes, checksum: 51b12df288fa6ceb2ba0e0a908303beb (MD5) / Made available in DSpace on 2016-06-28T19:59:20Z (GMT). No. of bitstreams: 1 lazaro_dhe_me_sjrp.pdf: 2736602 bytes, checksum: 51b12df288fa6ceb2ba0e0a908303beb (MD5) Previous issue date: 2016-05-31 / Nesta dissertação foi desenvolvido um mecanismo de classificação capaz de identificar o perfil de um aluno de acordo com características da teoria das inteligências múltiplas, baseado em Support Vector Machines (SVMs, sigla em inglês para Máquinas de Vetores de Suporte), métodos de agrupamento e balanceamento de classes. O objetivo dessa classificação consiste em permitir que os tutores responsáveis por gerar o material para aulas em ferramentas de apoio ao ensino à distância possam utilizar este método de classificação para direcionar o conteúdo ao aluno de forma a explorar sua inteligência múltipla predominante. Para realização dos experimentos, duas SVMs foram criadas, utilizando o método de classificação baseado em k problemas binários, que reduzem o problema de múltiplas classes a um conjunto de problemas binários. Os resultados obtidos durante as fases de treino e teste das SVMs foram apresentados em percentuais por meio de um algoritmo de agrupamento particionado. Esses percentuais ajudam a interpretar a classificação do perfil de acordo com as inteligências predominantes. Além disso, com o uso de métodos de balanceamento de classes, obteve-se melhora no desempenho do classificador, assim, aumentando a eficácia do mecanismo, pois, suas taxas de incorreções foram baixas. / In this work, it was developed a mechanism in order to classify students’ profiles according to the Theory of Multiple Intelligences, based on Support Vector Machines (SVMs), cluster methods and classes balancing. By using these classifications, tutors, who prepare materials for classes in specific tools for distance education purposes, are able to suggest contents for students so that they are able to explore their predominant multiple intelligence. To perform these experiments, SVMs were created by using classification methods based on binary problems that reduce multiple classes problems into a set of binary problems. The results generated during the training and the SVM test stages were presented in percentages by using partitioning clustering algorithm. These percentages are helpful for analysis of profiles classifications according to multiple intelligences. Besides that, by using classes balancing methods, it was possible to obtain improvements on the classifier performance and, consequently, the mechanism efficiency was increased as well, considering the fact that inaccuracy rates were low.