Spelling suggestions: "subject:"emétodos estocásticos"" "subject:"emétodos estocástico""
11 |
Modelagem e avaliação comparativa dos métodos Luus-Jaakola e R2W aplicados na estimativa de parâmetros cinéticos de adsorção / Modeling and comparative evaluation of Luus-Jaakola and R2W methods applied in estimating kinetic parameters of adsorptionMelicia Aline Cortat Ribeiro 18 June 2012 (has links)
Fundação Carlos Chagas Filho de Amparo a Pesquisa do Estado do Rio de Janeiro / As técnicas inversas têm sido usadas na determinação de parâmetros
importantes envolvidos na concepção e desempenho de muitos processos
industriais. A aplicação de métodos estocásticos tem aumentado nos últimos anos,
demonstrando seu potencial no estudo e análise dos diferentes sistemas em
aplicações de engenharia. As rotinas estocásticas são capazes de otimizar a
solução em uma ampla gama de variáveis do domínio, sendo possível a
determinação dos parâmetros de interesse simultaneamente. Neste trabalho foram
adotados os métodos estocásticos Luus-Jaakola (LJ) e Random Restricted Window
(R2W) na obtenção dos ótimos dos parâmetros cinéticos de adsorção no sistema de
cromatografia em batelada, tendo por objetivo verificar qual método forneceria o
melhor ajuste entre os resultados obtidos nas simulações computacionais e os
dados experimentais. Este modelo foi resolvido empregando o método de Runge-
Kutta de 4 ordem para a solução de equações diferenciais ordinárias. / The inverse techniques have been used in the determination of parameters
involved in design and performance of many industrial processes. The application of
stochastic methods has increased in recent years, demonstrating their potential in
study and analysis of different systems in engineering applications. Stochastic
routines are able to optimize the solution in a wide range of variables, it is possible to
determine the parameters of interest simultaneously. In this work two adopted the
stochastic methods, Luus-Jaakola (LJ) and Restricted Random Window (R2W), to
obtain the optimum parameters for adsorption kinetics in batch chromatography
system, aiming to determine which method would provide the best fit between the
results obtained in computer simulations and experimental data. This model was
solved using the Runge-Kutta 4th order for ordinary differential equations solution.
|
12 |
Solução de problemas inversos de transferência radiativa em meios heterogêneos unidimensionais e uma e duas camadas utilizando o algoritmo dos vagalumes / Solution for radiative transfer inverse problems in one-dimensional heterogeneous media in one and two layers using the firefly algorithmRubens Luiz Cirino 14 March 2014 (has links)
Esta tese apresenta um estudo sobre modelagem computacional onde são
aplicadas meta-heurísticas de otimização na solução de problemas inversos de
transferência radiativa em meios unidimensionais com albedo dependente da
variável óptica, e meios unidimensionais de duas camadas onde o problema inverso
é tratado como um problema de otimização. O trabalho aplica uma meta-heurística
baseada em comportamentos da natureza conhecida como algoritmo dos
vagalumes. Inicialmente, foram feitos estudos comparativos de desempenho com
dois outros algoritmos estocásticos clássicos. Os resultados encontrados indicaram
que a escolha do algoritmo dos vagalumes era apropriada. Em seguida, foram
propostas outras estratégias que foram inseridas no algoritmo dos vagalumes
canônico. Foi proposto um caso onde se testou e investigou todas as potenciais
estratégias. As que apresentaram os melhores resultados foram, então, testadas em
mais dois casos distintos. Todos os três casos testados foram em um ambiente de
uma camada, com albedo de espalhamento dependente da posição espacial. As
estratégias que apresentaram os resultados mais competitivos foram testadas em
um meio de duas camadas. Para este novo cenário foram propostos cinco novos
casos de testes. Os resultados obtidos, pelas novas variantes do algoritmo dos
vagalumes, foram criticamente analisados. / This thesis presents a study on computational modeling where optimization
metaheuristics are applied to the solution of inverse radiative transfer problems in
heterogeneous media: in one-layer media with space-dependent single scattering
albedo, and two-layer media, where the inverse problem is formulated as an
optimization problem. It is applied a metaheuristic based on the natural behavior of
fireflies, known as the firefly algorithm. Initially, comparative studies of performance
were made with two other classic stochastic algorithms. The results indicated that the
choice of the firefly algorithm was appropriate. Then, it was proposed other strategies
that have been inserted into the original firefly algorithm. A first case was proposed
where all the strategies were investigated and tested. The strategies with the best
results were investigated in other two different cases. All the three proposed cases
involved one-layer media with space-dependent scattering albedo. The strategies
have been tested and evaluated, and those which presented the best competitive
results were then implemented for radiative problems in two-layer media. For this
new scenario five test cases were investigated, and the results obtained with the new
strategies developed in this work were critically analyzed.
|
13 |
Decomposição aleatória de matrizes aplicada ao reconhecimento de faces / Stochastic decomposition of matrices applied to face recognitionMauro de Amorim 22 March 2013 (has links)
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Métodos estocásticos oferecem uma poderosa ferramenta para a execução da compressão
de dados e decomposições de matrizes. O método estocástico para decomposição de matrizes
estudado utiliza amostragem aleatória para identificar um subespaço que captura a imagem de
uma matriz de forma aproximada, preservando uma parte de sua informação essencial. Estas
aproximações compactam a informação possibilitando a resolução de problemas práticos
de maneira eficiente. Nesta dissertação é calculada uma decomposição em valores singulares
(SVD) utilizando técnicas estocásticas. Esta SVD aleatória é empregada na tarefa de reconhecimento
de faces. O reconhecimento de faces funciona de forma a projetar imagens de faces sobre
um espaço de características que melhor descreve a variação de imagens de faces conhecidas.
Estas características significantes são conhecidas como autofaces, pois são os autovetores de
uma matriz associada a um conjunto de faces. Essa projeção caracteriza aproximadamente a
face de um indivíduo por uma soma ponderada das autofaces características. Assim, a tarefa
de reconhecimento de uma nova face consiste em comparar os pesos de sua projeção com os
pesos da projeção de indivíduos conhecidos. A análise de componentes principais (PCA) é um
método muito utilizado para determinar as autofaces características, este fornece as autofaces
que representam maior variabilidade de informação de um conjunto de faces. Nesta dissertação
verificamos a qualidade das autofaces obtidas pela SVD aleatória (que são os vetores singulares
à esquerda de uma matriz contendo as imagens) por comparação de similaridade com as autofaces
obtidas pela PCA. Para tanto, foram utilizados dois bancos de imagens, com tamanhos
diferentes, e aplicadas diversas amostragens aleatórias sobre a matriz contendo as imagens. / Stochastic methods offer a powerful tool for performing data compression and decomposition
of matrices. These methods use random sampling to identify a subspace that captures the
range of a matrix in an approximate way, preserving a part of its essential information. These
approaches compress the information enabling the resolution of practical problems efficiently.
This work computes a singular value decomposition (SVD) of a matrix using stochastic techniques.
This random SVD is employed in the task of face recognition. The face recognition is
based on the projection of images of faces on a feature space that best describes the variation of
known image faces. These features are known as eigenfaces because they are the eigenvectors
of a matrix constructed from a set of faces. This projection characterizes an individual face by a
weighted sum of eigenfaces. The task of recognizing a new face is to compare the weights of its
projection with the projection of the weights of known individuals. The principal components
analysis (PCA) is a widely used method for determining the eigenfaces. This provides the greatest
variability eigenfaces representing information from a set of faces. In this dissertation we
discuss the quality of eigenfaces obtained by a random SVD (which are the left singular vectors
of a matrix containing the images) by comparing the similarity with eigenfaces obtained
by PCA. We use two databases of images, with different sizes and various random sampling
applied on the matrix containing the images.
|
14 |
Decomposição aleatória de matrizes aplicada ao reconhecimento de faces / Stochastic decomposition of matrices applied to face recognitionMauro de Amorim 22 March 2013 (has links)
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Métodos estocásticos oferecem uma poderosa ferramenta para a execução da compressão
de dados e decomposições de matrizes. O método estocástico para decomposição de matrizes
estudado utiliza amostragem aleatória para identificar um subespaço que captura a imagem de
uma matriz de forma aproximada, preservando uma parte de sua informação essencial. Estas
aproximações compactam a informação possibilitando a resolução de problemas práticos
de maneira eficiente. Nesta dissertação é calculada uma decomposição em valores singulares
(SVD) utilizando técnicas estocásticas. Esta SVD aleatória é empregada na tarefa de reconhecimento
de faces. O reconhecimento de faces funciona de forma a projetar imagens de faces sobre
um espaço de características que melhor descreve a variação de imagens de faces conhecidas.
Estas características significantes são conhecidas como autofaces, pois são os autovetores de
uma matriz associada a um conjunto de faces. Essa projeção caracteriza aproximadamente a
face de um indivíduo por uma soma ponderada das autofaces características. Assim, a tarefa
de reconhecimento de uma nova face consiste em comparar os pesos de sua projeção com os
pesos da projeção de indivíduos conhecidos. A análise de componentes principais (PCA) é um
método muito utilizado para determinar as autofaces características, este fornece as autofaces
que representam maior variabilidade de informação de um conjunto de faces. Nesta dissertação
verificamos a qualidade das autofaces obtidas pela SVD aleatória (que são os vetores singulares
à esquerda de uma matriz contendo as imagens) por comparação de similaridade com as autofaces
obtidas pela PCA. Para tanto, foram utilizados dois bancos de imagens, com tamanhos
diferentes, e aplicadas diversas amostragens aleatórias sobre a matriz contendo as imagens. / Stochastic methods offer a powerful tool for performing data compression and decomposition
of matrices. These methods use random sampling to identify a subspace that captures the
range of a matrix in an approximate way, preserving a part of its essential information. These
approaches compress the information enabling the resolution of practical problems efficiently.
This work computes a singular value decomposition (SVD) of a matrix using stochastic techniques.
This random SVD is employed in the task of face recognition. The face recognition is
based on the projection of images of faces on a feature space that best describes the variation of
known image faces. These features are known as eigenfaces because they are the eigenvectors
of a matrix constructed from a set of faces. This projection characterizes an individual face by a
weighted sum of eigenfaces. The task of recognizing a new face is to compare the weights of its
projection with the projection of the weights of known individuals. The principal components
analysis (PCA) is a widely used method for determining the eigenfaces. This provides the greatest
variability eigenfaces representing information from a set of faces. In this dissertation we
discuss the quality of eigenfaces obtained by a random SVD (which are the left singular vectors
of a matrix containing the images) by comparing the similarity with eigenfaces obtained
by PCA. We use two databases of images, with different sizes and various random sampling
applied on the matrix containing the images.
|
15 |
Solução de problemas inversos de transferência radiativa em meios heterogêneos unidimensionais e uma e duas camadas utilizando o algoritmo dos vagalumes / Solution for radiative transfer inverse problems in one-dimensional heterogeneous media in one and two layers using the firefly algorithmRubens Luiz Cirino 14 March 2014 (has links)
Esta tese apresenta um estudo sobre modelagem computacional onde são
aplicadas meta-heurísticas de otimização na solução de problemas inversos de
transferência radiativa em meios unidimensionais com albedo dependente da
variável óptica, e meios unidimensionais de duas camadas onde o problema inverso
é tratado como um problema de otimização. O trabalho aplica uma meta-heurística
baseada em comportamentos da natureza conhecida como algoritmo dos
vagalumes. Inicialmente, foram feitos estudos comparativos de desempenho com
dois outros algoritmos estocásticos clássicos. Os resultados encontrados indicaram
que a escolha do algoritmo dos vagalumes era apropriada. Em seguida, foram
propostas outras estratégias que foram inseridas no algoritmo dos vagalumes
canônico. Foi proposto um caso onde se testou e investigou todas as potenciais
estratégias. As que apresentaram os melhores resultados foram, então, testadas em
mais dois casos distintos. Todos os três casos testados foram em um ambiente de
uma camada, com albedo de espalhamento dependente da posição espacial. As
estratégias que apresentaram os resultados mais competitivos foram testadas em
um meio de duas camadas. Para este novo cenário foram propostos cinco novos
casos de testes. Os resultados obtidos, pelas novas variantes do algoritmo dos
vagalumes, foram criticamente analisados. / This thesis presents a study on computational modeling where optimization
metaheuristics are applied to the solution of inverse radiative transfer problems in
heterogeneous media: in one-layer media with space-dependent single scattering
albedo, and two-layer media, where the inverse problem is formulated as an
optimization problem. It is applied a metaheuristic based on the natural behavior of
fireflies, known as the firefly algorithm. Initially, comparative studies of performance
were made with two other classic stochastic algorithms. The results indicated that the
choice of the firefly algorithm was appropriate. Then, it was proposed other strategies
that have been inserted into the original firefly algorithm. A first case was proposed
where all the strategies were investigated and tested. The strategies with the best
results were investigated in other two different cases. All the three proposed cases
involved one-layer media with space-dependent scattering albedo. The strategies
have been tested and evaluated, and those which presented the best competitive
results were then implemented for radiative problems in two-layer media. For this
new scenario five test cases were investigated, and the results obtained with the new
strategies developed in this work were critically analyzed.
|
Page generated in 0.0799 seconds