Made available in DSpace on 2016-08-29T15:33:13Z (GMT). No. of bitstreams: 1 tese_4083_.pdf: 853634 bytes, checksum: 128833f0f7dbbf4105fe8e92f379f1ab (MD5) Previous issue date: 2012-01-30 / Mineração de dados é uma área chave para diversos campos da ciência e engenharia. Neste contexto, um método de aprendizado estatístico, conhecido como máquinas de vetores suporte tem se apresentado como um método promissor para solucionar classificação de dados. Geralmente, o problema de máquinas de vetores suporte (inglês: Support Vector Machines - SVM) é formulado como um problema de otimização não-linear sujeito a restrições. Técnicas de otimização convencionais que utilizam a abordagem Lagrangiana são usadas para solucionar este tipo de problema. No caso de classificação de dados ruidosos as técnicas convencionais apresentam deterioração de desempenho, já que o problema de otimização resultante é multidimensional e pode apresentar muitos mínimos locais. Neste trabalho, é proposto o algoritmo Evolução Diferencial combinado com uma técnica de busca local, uma hibridização de busca tabu com o método Nelder-Mead, para encontrar os parâmetros ótimos dos classificadores SVM aplicados a dados ruidosos.

Made available in DSpace on 2014-06-12T15:57:07Z (GMT). No. of bitstreams: 2 arquivo3141_1.pdf: 1187523 bytes, checksum: aeae95bc618434f1a50b6e6a9d701689 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / SERVIÇO FEDERAL DE PROCESSAMENTO / Técnicas baseadas em biometria têm sido aplicadas com sucesso em sistemas de identificação pessoal. Entre essas técnicas, uma bastante promissora é a que utiliza a dinâmica de digitação de cada usuário para reconhecê-lo. Neste trabalho investigamos uma arquitetura de um sistema de identificação pessoal através da dinâmica da digitação dos usuários. Os principais objetivos deste trabalho são desenvolver um sistema totalmente automatizado, ou seja, sem qualquer intervenção humana, e um estudo sobre como o módulo de seleção das características pode aumentar a aptidão do sistema. Em primeiro lugar, testamos a dificuldade de aprendizado dos dados através de um sistema sem seleção de características e com classificadores baseados em distância e máquinas de vetores suporte (SVM). Em seguida combinamos ao classificador SVM, um módulo de seleção das características da categoria filtro e da categoria wrapper. Avaliamos uma técnica da abordagem filtro e duas técnicas de otimização para a abordagem wrapper: algoritmos genéticos (AG) e otimização por enxame de partículas (PSO). Como AG é uma técnica bastante conhecida e pesquisada em trabalhos anteriores, nos concentramos mais no desenvolvimento de abordagens baseadas no algoritmo PSO padrão para a seleção das características. Duas novas técnicas baseadas no PSO foram criadas e comparadas aos AGs. A avaliação dessas técnicas foram feitas através de três medidas de desempenho: erro de classificação (formado pelas taxas de falsa aceitação e falsa rejeição), tempo de processamento e taxa de redução dos conjuntos das características

Made available in DSpace on 2014-06-12T16:00:01Z (GMT). No. of bitstreams: 2 arquivo5815_1.pdf: 5568534 bytes, checksum: c4f94d52da70aa2e4b63d53050048c4a (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Faculdade de Amparo à Ciência e Tecnologia do Estado de Pernambuco / Máquinas de Vetores Suporte (SVM) é uma poderosa técnica de Aprendizagem de Máquina (AM) fundamentada na teoria do aprendizado estatístico utilizada para problemas de classificação, reconhecimento de padrões, dentre outros. Em função de seu forte embasamento teórico e sua excelente capacidade de generalização, considerada superior diante de muitos algoritmos de aprendizagem, SVM tem atraído o interesse da comunidade de Aprendizagem de Máquina. Nesse contexto, apesar de possuir uma performance eficaz para maioria dos problemas de classificação e regressão, SVM é sensível a seleção adequada dos parâmetros, permitindo a aplicação de muitas estratégias para seleção e otimização do processo para esse tipo de problema, sendo normalmente realizado empiricamente ou através de experimentos por tentativa e erro. No entanto, existe um número significativo de combinações de parâmetros que podem ser utilizados, de forma que a utilização de um processo exaustivo como este se torna inviável, o qual é tratado como um problema de busca. Neste trabalho foi proposto um sistema híbrido para otimização da seleção do parâmetro de regularização do SVM e o parâmetro (gamma) do Kernel RBF utilizando os algoritmos de busca meta-heurísticas Subida da Encosta e Otimização por Enxame de Partículas. O processo de busca foi aplicado em uma grade de busca composta por 38 problemas de benchmark, contendo o valor de desempenho da combinação de 399 parâmetros distintos executados no SVM. As principais contribuições deste trabalho são os resultados da investigação dos algoritmos para o problema de seleção de parâmetros do SVM, comparando-o com a busca aleatória, bem como a realização de experimentos com versões otimizadas dos algoritmos, obtendo resultados mais satisfatórios. Por fim, este trabalho contribui também com a constatação da viabilidade dos algoritmos para o problema com um número fixo de iterações a fim de reduzir o número de execução de muitos parâmetros no SVM

As Máquinas de Vetores de Suporte (SVMs) são consideradas ferramentas com grande capacidade de generalização e são utilizadas em tarefas de classificação, clusterização e regressão. Foram originalmente criadas para trabalhar com problemas contendo duas classes, entretanto, muitas aplicações reais necessitam de um método para discriminação em múltiplas classes, como são os casos da identificação biométrica, categorização de textos, reconhecimento de caracteres, entre outros. Além das SVMs existem métodos de classificação puramente geométricos que são interessantes por sua rapidez, seu baixo custo em memória e sua capacidade de classificar dados linearmente separáveis. Um desses métodos é o Diagrama de Voronoi, que em conjunto com seu grafo dual conhecido por Triangulação de Delaunay, são aplicados em áreas como Arqueologia, Astronomia, Cartografia, Geometria Computacional, entre outras. Neste trabalho é proposto um mecanismo para utilizar a estrutura geométrica da Triangulação de Delaunay para definir o esquema de treinamento dos hiperplanos obtidos através das SVMs. A partir deste ponto, é proposta uma função para tratamento das regiões consideradas como não-classificáveis encontradas com a ocorrência das interseções entre os hiperplanos gerados. Com a aplicação dos métodos, as partições obtidas no plano permitem uma classificação multiclasse eficiente e com bons resultados de generalização mesmo com o uso de quantidade significativa de classes contendo poucas amostras.

Com o aumento da competitividade e do preço do combustível, cada vez mais os operadores de aeronaves têm procurado maneiras de reduzir o custo operacional e de manutenção para manter sua competitividade no mercado. Para suprir esta necessidade, os integradores de aeronaves e fornecedores de sistemas estão sempre buscando novas maneiras de incorporar tecnologias que ofereçam um diferencial para seus produtos. Com isto, o número de pesquisas na área de monitoramento de saúde tem crescido nos últimos anos, com o desafio de monitorar a vida de equipamentos e sistemas. Para determinar a saúde de sistemas e equipamentos, é necessário possuir dois tipos de indicação: a indicação do estado atual do equipamento e uma indicação de referência. Contudo, tal indicação de referência algumas vezes não existe ou está indisponível para estimar a degradação do equipamento. Este trabalho tem por objetivo apresentar uma metodologia utilizando classificação de dados com Support Vector Machines para construir a indicação de referência, baseada em dados, para representar um modelo de degradação usando o monitoramento de saúde de sistemas aeronáuticos embarcados. Um classificador de uma única classe com Support Vector Machines é utilizado para estimar a região de operação nominal e detectar o comportamento anormal que pode indicar falhas incipientes. Tal metodologia foi aplicada a uma base de dados contendo parâmetros de performance de uma Unidade Auxiliar de Potência (APU - Auxiliary Power Unit).

A classificação de sinais acústicos é de importância fundamental para as unidades navais e aeronavais, tanto navios e essencialmente submarinos, quanto para aeronaves com capacidade antissubmarino (P-3AM, da FAB). Neste contexto, empregou-se o método de Support Vector Machine (SVM) para realizar a classificação dos navios, com base na análise de tons característicos produzidos pelos seus sinais acústicos. Comparando os resultados decorrentes do uso de Redes Neurais Artificiais aos obtidos com uso do SVM, concluiu-se que este segundo método gerou um aumento de performance no classificador em função das características extraídas dos tons. Contudo os tempos computacionais foram considerados elevados, razão porque há a necessidade de maiores investigações para adequar o emprego do SVM em um ambiente operacional.

Manutenção não planejada de sistemas aeronáuticos é geralmente associada com altos custos. Parte desses custos poderia ser evitada com a adoção de programas de prognóstico de sistemas. O objetivo desses programas é avaliar o estado atual de saúde de um componente baseado nos dados disponíveis (como dados de voo e de manutenção) e estimar o desempenho futuro do componente. Diversos algoritmos podem ser utilizados para esse propósito. Este trabalho propõe um método baseado em um algoritmo de classificação Support Vector Machine (SVM), que classifica um componente aeronáutico entre SAUDÁVEL e DEGRADADO. O algoritmo SVM de classificação consiste em uma máquina de aprendizado supervisionado, treinada a partir de dados de voo e registros de manutenção. Depois de treinado, o classificador SVM é aplicado a qualquer novo voo. Do resultado das classificações, um índice de degradação é gerado, de tal forma que seja fácil identificar o estado de saúde do item aeronáutico. Como estudo de caso, o método é aplicado para estimar falhas de válvulas de sangria pneumática de motores. Dados reais de voo (quatro parâmetros relacionados ao sistema de sangria) e registros de manutenção (datas das substituições do componente) foram usados para gerar os conjuntos de dados de treinamento e generalização. Os resultados mostram ser possível identificar quando o componente está próximo de falhar e deve ser substituído. Uma vantagem do método proposto é não requerer conhecimento sobre os modos de falha do componente.

Recentemente, tem se percebido um interesse maior da área de computação pela pesquisa em análise de gestos. Parte dessas pesquisas visa dar suporte aos pesquisadores da área de \"estudos dos gestos\", que estuda o uso de partes do corpo para fins comunicativos. Pesquisadores dessa área analisam gestos a partir de transcrições de conversas ou discursos gravados em vídeo. Para a transcrição dos gestos, geralmente realiza-se a sua segmentação em unidades gestuais e fases. O presente trabalho tem por objetivo desenvolver estratégias para segmentação automatizada das unidades gestuais e das fases dos gestos contidos em um vídeo no contexto de contação de histórias, formulando o problema como uma tarefa de classificação supervisionada. As Máquinas de Vetores Suporte foram escolhidas como método de classificação, devido à sua capacidade de generalização e aos bons resultados obtidos para diversos problemas complexos. Máquinas de Vetores Suporte, porém, não consideram os aspectos temporais dos dados, características que são importantes na análise dos gestos. Por esse motivo, este trabalho investiga métodos de representação temporal e variações das Máquinas de Vetores Suporte que consideram raciocínio temporal. Vários experimentos foram executados neste contexto para segmentação de unidades gestuais. Os melhores resultados foram obtidos com Máquinas de Vetores Suporte tradicionais aplicadas a dados janelados. Além disso, três estratégias de classificação multiclasse foram aplicadas ao problema de segmentação das fases dos gestos. Os resultados indicam que um bom desempenho para a segmentação de gestos pode ser obtido ao realizar o treinamento da estratégia com um trecho inicial do vídeo para obter uma segmentação automatizada do restante do vídeo. Assim, os pesquisadores da área de \"estudos dos gestos\" poderiam segmentar manualmente apenas um trecho do vídeo, reduzindo o tempo necessário para realizar a análise dos gestos presentes em gravações longas. / Recently, it has been noted an increasing interest from computer science for research on gesture analysis. Some of these researches aims at supporting researchers from \"gesture studies\", which studies the use of several body parts for communicative purposes. Researchers of \"gesture studies\" analyze gestures from transcriptions of conversations and discourses recorded in video. For gesture transcriptions, gesture unit segmentation and gesture phase segmentation are usually employed. This study aims to develop strategies for automated segmentation of gestural units and phases of gestures contained in a video in the context of storytelling, formulating the problem as a supervised classification task. Support Vector Machines were selected as classification method, because of its ability to generalize and good results obtained for many complex problems. Support Vector Machines, however, do not consider the temporal aspects of data, characteristics that are important for gesture analysis. Therefore, this paper investigates methods of temporal representation and variations of the Support Vector machines that consider temporal reasoning. Several experiments were performed in this context for gesture units segmentation. The best results were obtained with traditional Support Vector Machines applied to windowed data. In addition, three strategies of multiclass classification were applied to the problem of gesture phase segmentation. The results indicate that a good performance for gesture segmentation can be obtained by training the strategy with an initial part of the video to get an automated segmentation of the rest of the video. Thus, researchers in \"gesture studies\" could manually segment only part of the video, reducing the time needed to perform the analysis of gestures contained in long recordings.

Classificação automática de modulação digital de sinais de comunicações é um importante problema de processamento de sinais no campo das comunicações. É um passo intermediário entre a interceptação do sinal e a recuperação da informação, no qual um classificador identifica automaticamente o tipo de modulação do sinal recebido para posterior demodulação e demais tarefas. A técnica de reconhecimento de padrões pode ser utilizada neste problema de classificação. Neste caso, na classificação é necessária a seleção e extração de características relevantes do sinal recebido. Neste trabalho, foram utilizados três tipos de características relevantes: espectrais, estatísticas e uma combinação dos dois tipos. Dois classificadores foram desenvolvidos nesta pesquisa: o primeiro, baseado em Redes Neurais Artificiais, utilizando o Perceptron Multicamadas (MLP); e o segundo, baseado em Máquinas de Vetores de Suporte (SVM). Estes dois classificadores foram usados para classificar as seguintes modulações digitais: Chaveadas em Amplitude (ASK2, ASK4), Chaveadas em Freqüência (FSK2, FSK4, FSK8), e Chaveadas em Fase (PSK2, PSK4, PSK8). Foi verificado, por meio de simulações em MATLAB 7, que o classificador com a abordagem SVM, utilizando uma combinação de características relevantes espectrais e estatísticas, obteve excelente resultados nos testes.

Técnicas de Aprendizado de Máquina não-simbólicas, como Redes Neurais Artificiais, Máquinas de Vetores de Suporte e combinação de classificadores têm mostrado um bom desempenho quando utilizadas para análise de dados. A grande limitação dessas técnicas é a falta de compreensibilidade do conhecimento armazenado em suas estruturas internas. Esta Tese apresenta uma pesquisa realizada sobre métodos de extração de representações compreensíveis do conhecimento armazenado nas estruturas internas dessas técnicas não-simbólicas, aqui chamadas de caixa preta, durante seu processo de aprendizado. A principal contribuição desse trabalho é a proposta de um novo método pedagógico para extração de regras que expliquem o processo de classificação seguido por técnicas não-simbólicas. Esse novo método é baseado na otimização (maximização) da similaridade entre rankings de classificação produzidos por técnicas de Aprendizado de Máquina simbólicas e não simbólicas (de onde o conhecimento interno esta sendo extraído). Experimentos foram realizados com vários conjuntos de dados e os resultados obtidos sugerem um bom potencial para o método proposto / Non-symbolic Machine Learning techniques, like Artificial Neural Networks, Support Vector Machines and Ensembles of classifiers have shown a good performance when they are used in data analysis. The strong limitation regarding the use of these techniques is the lack of comprehensibility of the knowledge stored in their internal structure. This Thesis presents an investigation of methods capable of extracting comprehensible representations of the knowledge acquired by these non-symbolic techniques, here named black box, during their learning process. The main contribution of this work is the proposal of a new pedagogical method for rule extraction that explains the classification process followed by non-symbolic techniques. This new method is based on the optimization (maximization) of the similarity between classification rankings produced by symbolic and non-symbolic (from where the internal knowledge is being extracted) Machine Learning techniques. Experiments were performed for several datasets and the results obtained suggest a good potential of the proposed method