Made available in DSpace on 2014-06-12T15:53:08Z (GMT). No. of bitstreams: 2 arquivo4934_1.pdf: 2597521 bytes, checksum: 3c1a0f8d9095d4096bad3125fb30928c (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2000 / Universidade Federal Rural de Pernambuco / Os animais interagem no ambiente de diversas maneiras e o cheiro a sua volta é de extrema importância para o transporte da informação, essencial para sobrevivência. Tanto para os animais quanto para os seres humanos, o cheiro exerce um papel importante. Devido a esta importância, o estudo do olfato humano começou há bastante tempo atrás. Apesar da sua importância, ainda hoje existem muitas perguntas sem resposta a respeito do sentido do olfato. Muitos pesquisadores estão trabalhando nesta área tentando encontrar respostas para estas perguntas e os estudos que estão sendo desenvolvidos na área de narizes artificiais podem ajudar na compreensão deste sistema, além de ser possível responder algumas das muitas perguntas sem resposta. Neste sentido, existe hoje, uma grande demanda de instrumentos eletrônicos para imitador o sentido do olfato humano, com baixo custo e aquisição de informação sensorial rápida e precisa. Com esta demanda, houve um grande avanço no desenvolvimento de nariz artificial e hoje é possível encontrar aplicações em várias áreas, a saber: controle de qualidade de alimentos, indústria de bebida, monitoração ambiental, diagnósticos médicos, perfumaria , robótica e segurança. O nariz artificial é um dispositivo composto de um sistema de sensibilidade química e um sistema do reconhecimento de padrão. O sistema químico do sensor possui um conjunto de sensores diferentes para a detecção dos vapores. Há tecnologias diferentes para preparar os sensores. Neste trabalho nós aplicamos a rede neural para resolver o sistema do reconhecimento de padrão de um nariz artificial completamente projetado e construído por nós (equipe da informática, da química e da física). O uso da rede neural é essencial como uma técnica para o reconhecimento de padrão devido à flexibilidade. Especialmente em nosso caso algumas arquiteturas de rede neural particulares mostraram resultados bons para reconhecer sinais de aroma. Nosso trabalho envolveu quatro protótipos do nariz artificial, com uma melhoria gradual na tecnologia de sensor, na instrumentação da aquisição de dados e no reconhecimento de padrão. a tecnologia do sensor mudou de eletrodos preparados manualmente com uma abertura do polipirrol depositada eletroquimicamente como um material ativo para eletrodos de quatro pontas de prova e o mesmo material ativo do primeiro protótipo e finalmente a tecnologia de filmes finos orgânicos preparados pela técnica de crescimento livre. O sistema de aquisição de dados seguiu esta mudança melhorando a relação do sinal/ruído e o desempenho. O sistema de rede neural teve também diversas versões para seguir este desenvolvimento e adaptar-se às situações novas envolvendo outras abordagens. Inicialmente nós realizamos testes com diversos modelos da rede neural para tratar dados do cheiro do primeiro protótipo e analisamos os dados para encontrar um modelo bom para o reconhecimento destes dados. Os dados do segundo protótipo eram mais precisos e com menos ruído em relação ao primeiro. Nós usamos vários métodos para avaliar o desempenho dos modelos da rede neural com estes dados e encontramos bons resultados com o modelo Multi Layer Perceptron (MLP). O último estágio desta tese foi o desenvolvimento de novas abordagens para rede neural projetada especialmente para tratar com dados de odor. Nós sugerimos os narizes artificiais baseados em modelos biológicos do sistema olfativo humano. Nestes modelos a arquitetura de rede neural é um elemento fundamental na construção de narizes artificiais. Apesar de outros modelos de narizes artificiais focalizarem a dinâmica e a fisiologia dos sinais que controlam e reconhecem o sinal já pré-processado dos elementos mais externos, nós sugerimos uma aproximação baseada na anatomia. O ponto fundamental de nosso modelo é a codificação do sinal através das conexões entre células mitrais, glomérulos e os neurônios sensoriais. Este estágio corresponde a um pré-processamento do sinal, selecionando e concentrando a essência da informação de um sensor químico humano, o sistema olfativo

Made available in DSpace on 2014-06-12T15:58:50Z (GMT). No. of bitstreams: 2 arquivo4731_1.pdf: 619591 bytes, checksum: ee2b5c5d8be35ac18eb8d163b05f0c3a (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / O principal objetivo desta dissertação é fazer um estudo sistemático sobre os diversos tipos de redes neurais artificiais (e seus respectivos algoritmos de aprendizagem) que vêm sendo utilizados na implementação do sistema de reconhecimento de padrões do nariz artificial proposto em [Santos, 2000], apontando suas vantagens e desvantagens. Os modelos analisados são as Multi-layer Perceptrons (MLPs) com o backpropagation, Levenberg-Marquardt e tabu search, e as redes de funções de base radiais (Redes RBF). Também serão investigadas as MLPs com o Resilient backpropagation (Rprop). O algoritmo Rprop foi escolhido por duas razões principais: em geral ele possui um tempo de convergência inferior ao tradicional backpropagation, e até o momento não existe na literatura nenhum trabalho que aplique este algoritmo (junto com as MLPs) como parte do sistema de reconhecimento de padrões do nariz artificial estudado. Para cada modelo de arquitetura (por exemplo, MLP) e algoritmo de treinamento (por exemplo, backpropagation) três topologias diferentes serão investigadas. Para cada uma destas topologias serão feitas trinta inicializações de pesos diferentes (aleatórias), em que cada uma destas inicializações será executada com cada uma das três diferentes partições do conjunto de dados. A partir disto, os resultados obtidos serão analisados através de testes estatísticos (teste de hipóteses). Isto tudo contrasta com os trabalhos anteriores, os quais usavam apenas uma partição dos dados, somente dez execuções para cada topologia, e nenhum teste estatístico era feito

Made available in DSpace on 2014-06-12T15:58:51Z (GMT). No. of bitstreams: 2 arquivo4734_1.pdf: 845652 bytes, checksum: 39cdc23c4b42d0db06c848dfa8f0e2cc (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / As redes neurais artificiais vêm sendo consideradas uma tecnologia consolidada e muito aplicada no reconhecimento de padrões. Vários modelos têm sido propostos e investigados para o reconhecimento de padrões, e muitos desses modelos são amplamente aceitos. Dentre esses modelos, estão o Multilayer Perceptron - MLP, as redes Booleanas e as Redes de Função Base Radial - RBF, embora existam muitos outros. Neste trabalho, foram feitos vários experimentos utilizando as redes RBF e MLP, com as substâncias: butano, etano, metano, propano e monóxido de carbono, e ainda a aguarrás, um refino do petróleo, com diferentes níveis de contaminação. Nos experimentos realizados foram aplicadas três técnicas de pré-processamento e a normalização dos dados para verificar o desempenho dessas redes no reconhecimento de padrões de odores com as substâncias citadas anteriormente. Após a realização desses experimentos observamos que a técnica de préprocessamento da mudança fracional com a normalização do sensor foi a que se destacou com o modelo MLP. Os experimentos foram realizados objetivando, também, analisar a forma dinâmica e estática de aquisição do sinal, demonstrando diferenças nos resultados conforme o tipo de aquisição. Foram testados três grupos de sensores e observamos que existem diferenças entre os resultados desses grupos. Vimos, ainda que um grupo de sensores pode apresentar resultados melhores conforme o tipo de aquisição, estática ou dinâmica. Diante dos resultados obtidos podemos afirmar que o uso de redes neurais é adequado para trabalhar com o reconhecimento de odores dessas substâncias

Submitted by (ana.araujo@ufrpe.br) on 2016-08-10T13:45:58Z No. of bitstreams: 1 Richarlyson Alves D'Emery.pdf: 1523906 bytes, checksum: 81231068cc8b3e83964d8897f3385cdb (MD5) / Made available in DSpace on 2016-08-10T13:45:58Z (GMT). No. of bitstreams: 1 Richarlyson Alves D'Emery.pdf: 1523906 bytes, checksum: 81231068cc8b3e83964d8897f3385cdb (MD5) Previous issue date: 2007-02-28 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work investigates the use of an electronic nose prototype for prognosis of Diabetes Mellitus. The work involves five main parts: (1) building of odors database by aroma sensors; (2) an evaluation of the odors database through multivariate statistics techniques;(3) use of Multilayer Perceptron (MLP) and Radial Basis Function (RBF) Artificial Neural Networks (ANN) in the odors recognition; (4) an evaluation of statistics and connectionist approaches; and (5) a case study. The multivariate statistical method used was the Principal Components Analysis (PCA) as characteristic extraction, beyond of an evaluation of performance for Hypothesis Test. Also had been used the K-Nearest-Neighbour (KNN) classifier for classification of odors signs. The connectionist approach involves the MLP e RBF ANN trained with de odors database. For the ANN’s inputs were used the Normalization as pre-processing of data and PCA for characteristic extraction and reduction of data dimensionality. The signals generated by the four sensors of an electronic nose prototype exposed to the urine from the diabetics and non-diabetics patients and the characteristics signals of the sensors without the presence of volatiles substances were analyzed. The use of characteristic extraction by PCA improved the performance of the classifiers used. In the experiments, theKNN classified correctly all the data set from the database divided in training and test after PCA. The better MLP ANN obtained a classification of 77% to the norma lized data without PCA use and of 100% after PCA while the RBF ANN obtained a classification of 66% to the normalized data and the 100% after PCA in the odors classification. / Esta dissertação investiga a utilização de um protótipo de nariz artificial no prognóstico da Diabetes Mellitus. O trabalho envolve cinco partes principais: (1) construção de uma base de dados de odores a partir de sensores de aroma; (2) avaliação da base de dados construída a partir de uma técnica estatística multivariada; (3) utilização das Redes Neurais Artificiais (RNs) Multilayer Perceptron (MLP) e de Função de Base Radial (RBF) no reconhecimento de odores; (4) avaliação das abordagens estatísticas e conexionistas e (5) o estudo de caso. A técnica estatística multivariada utilizada foi a Análise de Componentes Principais (PCA) como extração de característica, além da avaliação de desempenho por Teste de Hipótese.Também foi utilizado o classificador K-Nearest-Neighbour (KNN) para classificação dos sinais de odores. A abordagem conexionista envolve as RNs MLP e RBF treinadas a partir da base de dados de odor construída. Para as entradas das RNs foram utilizadas a Normalização como pré-processamento de dados e PCA para extração de características e redução da dimensionalidade dos dados. Foram analisados os sinais gerados por quatro sensores de um protótipo de nariz artificial exposto à urina de pacientes diabéticos e não-diabéticos, além dos sinais característicos dos sensores sem a presença de substâncias voláteis. A utilização da extração de característica por PCA melhorou consideravelmente o desempenho dos classificadores utilizados. Nos experimentos realizados, o classificado KNN classificou corretamente todo o conjunto de dados pertencente à base de dados divida em treinamento e teste após a extração de características. As melhores RNs MLP obtiveram uma classificação de 77% para os dados Normalizados sem a utilização de PCA e de 100% após PCA. Já as melhores RNs RBF obtiveram uma classificação de 66% para os dados Normalizados e de 100% após PCA na classificação dos odores.