Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:05:33Z No. of bitstreams: 2 Dissertacao_Ubiracy Junior_Final_Catalogacao.pdf: 3667709 bytes, checksum: 28e3552ccb62e878c13d1884a50c925d (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-09T14:05:33Z (GMT). No. of bitstreams: 2 Dissertacao_Ubiracy Junior_Final_Catalogacao.pdf: 3667709 bytes, checksum: 28e3552ccb62e878c13d1884a50c925d (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-11-28 / O Mapeador de Teses e Dissertações da UFPE (MTD-UFPE) é um sistema que objetiva a recuperação de informações na Biblioteca Digital de Teses e Dissertações da UFPE e que consiste de uma interface de navegação e pesquisa utilizando mapa de documentos. Um mapa de documentos é construído com o uso de mapas auto-organizáveis (SOM). SOM é um tipo de rede neural que usa a técnica de aprendizado competitivo e tem grande potencial no agrupamento de documentos de textos similares. No sistema MTD-UFPE, o treinamento do mapa de documentos era realizado externamente, precisando-se passar os arquivos que representam os vetores documentos para treinamento através do MATLAB, tornando-se uma atividade custosa. Assim, este trabalho tem o objetivo de incorporar ao sistema MTD-UFPE um processo automático de treinamento do mapa de documentos e também implementar um método de marcação no mapa que identifique as regiões que contém os documentos resultantes das pesquisas. De maneira complementar, visa-se modelar a estrutura do sistema após a automação do processo de treinamento. Visando esta automação no processo de treinamento integrou-se ao MTD-UFPE a ferramenta de código livre, Java SOMToolbox, desenvolvida pelo Instituto de Tecnologia de Software e Sistemas Interativos da Universidade de Vienna e que permite o treinamento de mapas auto-organizáveis. Foi possível obter mapas com os documentos de treinamento agrupados de acordo com a semelhança contextual e constatou-se que o Java SOMToolbox apresenta vários recursos visuais para análise dos agrupamentos. A funcionalidade de marcação das regiões no mapa que englobam os documentos das pesquisas trouxe como benefício a agilidade na navegação no sentido de localizar facilmente os documentos desejados e os correlacionados.

Cada vez mais, na conjuntura das grandes tomadas de decisões, a análise de dados massivamente armazenados se torna uma necessidade das mais variadas áreas de conhecimento. A análise de dados envolve a realização de diferentes tarefas, que podem ser realizadas por diferentes técnicas e estratégias como análise de agrupamento de dados. Esta pesquisa enfatiza a realização da tarefa de análise de agrupamento de dados (Data Clustering) usando SOM (Self-Organizing Maps) como principal artefato. SOM é uma rede neural artificial baseada em aprendizado competitivo e não-supervisionado, o que significa que o treinamento é inteiramente guiado pelos dados e que os neurônios do mapa competem entre si. Essa rede neural possui a habilidade de formar mapeamentos que quantizam os dados, preservando a sua topologia. Este trabalho introduz uma nova metodologia de análise de agrupamentos a partir de SOM, que considera o mapa topológico gerado por ele e a topologia dos dados no processo de agrupamento. Uma análise experimental e comparativa é apresentada, evidenciando a potencialidade da proposta, destacando, por fim, as principais contribuições do trabalho. / More than ever, in environment of large decision making, the analysis of data stored massively becomes a real need in almost all knowledge areas. The data analyzing process covers the performing of different tasks that can be executed for different techniques and strategies as the data clustering analysis. This research is focused on the analysis task of data groups, called Data Clustering using Self Organizing Maps (SOM) as principal artifact. SOM is an artificial neural network based on competitive and unsupervised learning, what means that its training is entirely driven by the data, such the neurons of the map compete themselves for doing it. This neural network has the ability to build the mapping task that quantifies the source data, but preserving the topology. This work introduces a new clustering analysis methodology based on SOM, considering the topological map produced by it and also the topology of the data obtained in the clustering process. The experimental and comparative analysis are also presented to demonstrate the potential of the proposal, highlighting at the end the mainly contributions of the work.

Cada vez mais, na conjuntura das grandes tomadas de decisões, a análise de dados massivamente armazenados se torna uma necessidade das mais variadas áreas de conhecimento. A análise de dados envolve a realização de diferentes tarefas, que podem ser realizadas por diferentes técnicas e estratégias como análise de agrupamento de dados. Esta pesquisa enfatiza a realização da tarefa de análise de agrupamento de dados (Data Clustering) usando SOM (Self-Organizing Maps) como principal artefato. SOM é uma rede neural artificial baseada em aprendizado competitivo e não-supervisionado, o que significa que o treinamento é inteiramente guiado pelos dados e que os neurônios do mapa competem entre si. Essa rede neural possui a habilidade de formar mapeamentos que quantizam os dados, preservando a sua topologia. Este trabalho introduz uma nova metodologia de análise de agrupamentos a partir de SOM, que considera o mapa topológico gerado por ele e a topologia dos dados no processo de agrupamento. Uma análise experimental e comparativa é apresentada, evidenciando a potencialidade da proposta, destacando, por fim, as principais contribuições do trabalho. / More than ever, in environment of large decision making, the analysis of data stored massively becomes a real need in almost all knowledge areas. The data analyzing process covers the performing of different tasks that can be executed for different techniques and strategies as the data clustering analysis. This research is focused on the analysis task of data groups, called Data Clustering using Self Organizing Maps (SOM) as principal artifact. SOM is an artificial neural network based on competitive and unsupervised learning, what means that its training is entirely driven by the data, such the neurons of the map compete themselves for doing it. This neural network has the ability to build the mapping task that quantifies the source data, but preserving the topology. This work introduces a new clustering analysis methodology based on SOM, considering the topological map produced by it and also the topology of the data obtained in the clustering process. The experimental and comparative analysis are also presented to demonstrate the potential of the proposal, highlighting at the end the mainly contributions of the work.

A análise de sinais provenientes de um eletrocardiograma (ECG) pode ser de grande importância para avaliação do comportamento cardíaco de um paciente. Os sinais de ECG possuem características específicas de acordo com os tipos de arritmias e sua classificação depende da morfologia do sinal. Neste trabalho é considerada uma abordagem híbrida utilizando análise de componentes principais (PCA) e mapas auto-organizáveis (SOM) para classificação de agrupamentos provenientes de arritmias como a taquicardia sinusal e, principalmente, fibrilação atrial. Nesse sentido, O PCA é utilizado como um pré-processador buscando suprimir sinais de atividades ventriculares, de maneira que a atividade atrial presente no ECG seja evidenciada sob a forma das ondas f. A Rede Neural SOM, é usada na classificação dos padrões de fibrilação atrial e seus agrupamentos / A análise de sinais provenientes de um eletrocardiograma (ECG) pode ser de grande importância para avaliação do comportamento cardíaco de um paciente. Os sinais de ECG possuem características específicas de acordo com os tipos de arritmias e sua classificação depende da morfologia do sinal. Neste trabalho é considerada uma abordagem híbrida utilizando análise de componentes principais (PCA) e mapas auto-organizáveis (SOM) para classificação de agrupamentos provenientes de arritmias como a taquicardia sinusal e, principalmente, fibrilação atrial. Nesse sentido, O PCA é utilizado como um pré-processador buscando suprimir sinais de atividades ventriculares, de maneira que a atividade atrial presente no ECG seja evidenciada sob a forma das ondas f. A Rede Neural SOM, é usada na classificação dos padrões de fibrilação atrial e seus agrupamentos