No treinamento de Modelos Escondidos de Markov (MEMs) é necessário um sistema adequado de sensoriamento, pois são as leituras sensoriais que subentendem a sequência de estados do modelo. Muitas vezes sensores ruidosos, imprecisos ou pouco confiáveis, bem como a própria configuração das leituras sensoriais (tipo de sensor, quantidade de informações sensoriais utilizadas, incertezas do sistema de sensoriamento, etc.) pode gerar um número muito grande de diferentes possíveis símbolos de observação para cada estado do modelo, dificultando seu treinamento. Nesse trabalho é apresentada uma arquitetura de MEMs em cascata com a finalidade de treinar modelos que melhor representem as transições entre os estados do sistema real modelado. Na arquitetura em cascata, através da segmentação do conjunto de leituras sensoriais, a quantidade de símbolos de observação utilizados no treinamento pode ser reduzida facilitando o treinamento dos modelos. Experimentos usando ambas arquiteturas (monolítica e em cascata), aplicados à geração de mapas topológicos para robos móveis foram realizados utilizando leituras sensoriais reais e os resultados comprovaram que os mapas gerados pelo modelo em cascata são mais parecidos com do mapa real do ambiente porém, com maior custo computacional.

Made available in DSpace on 2014-06-12T15:59:16Z (GMT). No. of bitstreams: 2 arquivo4987_1.pdf: 3134708 bytes, checksum: d9f9442a382a92b7f968dc2caeb95891 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2002 / A Biologia Molecular apresenta-se como uma área da Biologia bastante fértil em aplicações de técnicas computacionais. A estrutura das moléculas de ácidos nucléicos e proteínas, composta de partículas alinhadas ao longo de uma cadeia, permite-lhes serem tratadas computacionalmente como seqüências de símbolos de um alfabeto finito. O estudo das similaridades existentes entre seqüências distintas de proteínas que desempenham a mesma função pode ajudar a traçar caminhos evolucionários comuns e descobrir semelhanças entre diferentes organismos, que podem levar à compreensão de famílias inteiras, contribuindo para a definição de mecanismos gerais que regem as formas de vida na Terra. Modelos Escondidos de Markov HMMs, têm-se apresentado como uma excelente técnica para a comparação de seqüências de proteínas, suportada por uma forte fundamentação matemática. Este processo de modelagem é baseado nas características estatísticas do objeto de estudo, o qual é visto como um processo aleatório parametrizado, cujos parâmetros podem ser determinados de uma maneira bem definida e precisa. No projeto de um HMM, há três problemas fundamentais a serem resolvidos: (1) Avaliação da probabilidade de uma seqüência de observações, dado o HMM; (2) Determinação da melhor seqüência de estados (a mais provável); (3) Ajuste dos parâmetros do modelo, de acordo com a seqüência observada. Neste trabalho é apresentada uma arquitetura de HMM para modelagem de famílias de proteínas, que é implementada com uma técnica de aprendizagem de máquina a qual permite que os parâmetros do modelo, tais como penalidades por remoções, inserções e substituições, sejam aprendidos durante a construção do modelo, sem a introdução de conhecimento prévio. Para aplicar a técnica, foi desenvolvida uma ferramenta para construção de um HMM capaz de classificar seqüências de proteínas. Foram realizados experimentos com três famílias de proteínas, a saber, globinas, proteinoquinases e GTPases. Para cada família, um HMM foi treinado usando um conjunto de seqüências daquela família. Os resultados dos experimentos mostram que a técnica HMM é capaz de explorar informações estatísticas contidas em uma grande quantidade de seqüências de proteínas de uma mesma família. Os HMM s construídos são capazes de distinguir com um alto grau de precisão seqüências membros de seqüências não membros das famílias modeladas

[pt] A ocorrência de erros em surto é observada principalmente em canais sem fio. Para a análise e melhor entendimento deste tipo de erro, a fim de se melhorar os projetos de sistemas de comunicações digitais, uma modelagem mais precisa, de canais com esta característica, torna-se necessária. Uma diversidade de métodos de estimação de parâmetros tem sido estudada, principalmente aquelas baseadas nos Modelos Escondidos de Markov (HMM do ingês). Em geral cada método é focado em um sistema de comunicações específico, sobre uma camada específica. Neste trabalho é proposto um novo método baseado em um HMM com uma estrutura particular, que permite a dedução de expressões analíticas para todas as estatísticas de interesse. A estrutura do modelo proposto permite a geração de eventos que ocorrem numa sequência binária de dados sujeita a surtos de erro, de acordo com a definição de surtos de erro do CCITT. O modelo proposto possui um número fixo de apenas sete parâmetros, mas o seu número de estados cresce com um de seus parâmetros, que aumenta a precisão, mas não a complexidade. Este trabalho adotou técnicas de otimização, associadas aos métodos de Máxima Verossimilhança e Particle Swarm Optimization (PSO) a fim de realizar a estimação dos parâmetros do modelo proposto. Os resultados demonstram que o modelo proposto permite a caracterização precisa de canais com memória de diversas origens. / [en] The occurrence of error busts is mainly observed in wireless channels. For analysis and a better understanding of such errors, in order to improve the design of communication systems, an accurate modeling of channels with this characteristic is necessary. A lot of parameter estimation methods have been studied, mainly the ones based on Hidden Markov Models (HMM). In general each method is focused in a specific communication system, on a specific layer. In this work it is proposed a new method based on a HMM with particular structure that allows the deduction of analytical expressions for all statistics of interest. The structure of the proposed model permits the generation of events that occur in a binary data sequence subject to bursts of error concerning CCITT error burst definition. The proposed model has a fixed number of only seven parameters but its number of states increase with one of those parameters that increase the accuracy but not the complexity. This work adopted techniques of optimization associated to Maximum Likelihood (ML) and Particle Swarm Optimization (PSO) to perform the parameter estimation to the proposed model. The results show that the proposed model achieves accurate characterization of channels with memory from many different sources.