O controle de perdas em sistemas de distribuição de água para abastecimento é uma preocupação constante, e uma tarefa fundamental para a solução do problema é a detecção rápida e confiável dos vazamentos que frequentemente iniciam em qualquer ponto da rede. Uma abordagem promissória é a detecção de vazamentos baseada na análise de sinais adquiridos pelo monitoramento das redes durante sua operação, e dentro dela se enquadra este trabalho. É desenvolvido um sistema de reconhecimento de padrões para análise de sinais de pressão e vazão que permite identificar se durante a aquisição do sinal aconteceu um vazamento ou não. Para a conformação desse sistema diversas técnicas são exploradas, incluindo a extração de características no domínio do tempo (energia, entropia, número de cruzamentos por zero) e na decomposição wavelet (distribuição da energia nas componentes). Também é explorado o uso de algoritmos para classificação de diferentes tipos (vizinhos mais próximos, árvore de decisão, regra de decisão, Naive Bayes, máquina de vetor suporte e rede neural artificial com funções de base radial). Sinais são adquiridos junto ao circuito hidráulico experimental, que permitiu a simulação da ocorrência de um vazamento na rede, para constituir uma amplia base de dados com sinais de exemplo. Além da revisão bibliográfica e os conceitos relativos às metodologias exploradas, são apresentadas neste documento as análises que conduzem à criação do sistema de reconhecimento de padrões mais apropriado para o problema. Das análises dos diferentes métodos considerados é definido o sistema de reconhecimento de padrões, em suas etapas de segmentação e padronização, extração de características e classificação. A avaliação do sistema proposto mostra um desempenho totalmente satisfatório, com reconhecimento acertado de sinais vinculados ou não a um vazamento em mais de 95% dos testes. / Control of losses in water supply systems is a constant concern, and a key to the solution of this problem is the rapid and reliable detection of leaks that often begin anywhere on the network. A promising approach to solve the problem is the leak detection based on the analysis of signals acquired by monitoring the network in operation, and this research fits with that approach. Its developed a pattern recognition system for the analysis of pressure and flow signals, which identifies whether a leak happened during signal acquisition. Several techniques are exploited for forming this system, including the feature extraction in the time domain (energy, entropy, zero crossings count) and in the wavelet decomposition (energy distribution in the components). Also, the use of different types of algorithms for classification (nearest neighbors, decision tree, decision rule, Naive Bayes, support vector machine and artificial neural network with radial basis functions) is explored. Signals are acquired from the experimental hydraulic circuit, allowing the simulation of the onset of a leak in the network, to form a big database of example signals. Besides the literature review and the concepts relating to the considered methods, in this document are shown the analyses leading to the creation of the pattern recognition system most appropriate for the problem. The analysis of the methods considered allows defining the pattern recognition system, which is composed by segmentation and standardization, feature extraction and classification. The evaluation of the proposed system shows a completely satisfactory performance, recognizing rightly the signals as linked or not to a leak in more than 95% of the tests.

This dissertation focuses on two specific problems related to the design of parametric signal classifiers: dimensionality reduction to overcome the curse of dimensionality and information fusion to improve classification by exploiting complementary information from multiple sensors or multiple classifiers. Dimensionality reduction is achieved by introducing a strategy to rank and select a subset of principal component transform (PCT) coefficients that carry the most useful discriminatory information. The criteria considered for ranking transform coefficients include magnitude, variance, inter-class separation, and classification accuracies of individual transform coefficients. The ranking strategy not only facilitates overcoming the dimensionality curse for multivariate classifier implementation but also provides a means to further select, out of a rank-ordered set, a smaller set of features that give the best classification accuracies. Because the class-conditional densities of transform feature vectors are often assumed to be multivariate Gaussian, the dimensionality reduction strategy focuses on overcoming the specific problems encountered in the design of practical multivariate Gaussian classifiers using transform feature vectors. Through experiments with event related potentials (ERPs) and ear pressure signals, it is shown that the dimension of the feature space can be decreased quite significantly by means of the feature ranking and selection strategy. Furthermore, the resulting Gaussian classifiers yield higher classification accuracies than those reported in previous classification studies on the same signal sets. Amongst the four feature selection criteria, Gaussian classifiers using the maximum magnitude and maximum variance selection criteria gave the best classification accuracies across the two sets of classification experiments. For the multisensor case, dimensionality reduction is achieved by introducing a spatio-temporal array model to observe the signals across channels and time, simultaneously. A two-step process which uses the Kolmogrov-Smirnov test and the Lilliefors test is formulated to select the array elements which have different Gaussian densities across all signal categories. Selecting spatio-temporal elements that fit the assumed model and also statistically differ across the signal categories not only decreases the dimensionality significantly but also ensures high classification accuracies. The selection is dynamic in the sense that selecting spatio-temporal array elements corresponds to selecting samples of different sensors at different time-instants. Each selected array element is classified using a univariate Gaussian classifier and the resulting decisions are fused into a decision fusion vector which is classified using a discrete Bayes classifier. The application of the resulting dynamic channel selection-based classification strategy is demonstrated by designing and testing classifiers for multi-channel ERPs and it is shown that strategy yields high classification accuracies. Most noteworthy of the two dimensionality reduction strategies is the fact that the multivariate Gaussian signal classifiers developed can be implemented without having to collect a prohibitively large number of training signals simply to satisfy the dimensionality conditions. Consequently, the classification strategies can be beneficial for designing personalized human-machine-interface (HMI) signal classifiers for individuals from whom only a limited number of training signals can reliably be collected due to severe disabilities. The information fusion strategy introduced is aimed at improving the performance of signal classifiers by combining signals from multiple sensors or by combining decisions of multiple classifiers. Fusion classifiers with diverse components (classifiers or data sets) outperform those with less diverse components. Determining component diversity, therefore, is of the utmost importance in the design of fusion classifiers which are often employed in clinical diagnostic and numerous other pattern recognition problems. A new pairwise diversity-based ranking strategy is introduced to select a subset of ensemble components, which when combined, will be more diverse than any other component subset of the same size. The strategy is unified in the sense that the components can be either polychotomous classifiers or polychotomous data sets. Classifier fusion and data fusion systems are formulated based on the diversity selection strategy and the application of the two fusion strategies are demonstrated through the classification of multi-channel ERPs. From the results it is concluded that data fusion outperforms classifier fusion. It is also shown that the diversity-based data fusion system outperforms the system using randomly selected data components. Furthermore, it is demonstrated that the combination of data components that yield the best performance, in a relative sense, can be determined through the diversity selection strategy.

O controle de perdas em sistemas de distribuição de água para abastecimento é uma preocupação constante, e uma tarefa fundamental para a solução do problema é a detecção rápida e confiável dos vazamentos que frequentemente iniciam em qualquer ponto da rede. Uma abordagem promissória é a detecção de vazamentos baseada na análise de sinais adquiridos pelo monitoramento das redes durante sua operação, e dentro dela se enquadra este trabalho. É desenvolvido um sistema de reconhecimento de padrões para análise de sinais de pressão e vazão que permite identificar se durante a aquisição do sinal aconteceu um vazamento ou não. Para a conformação desse sistema diversas técnicas são exploradas, incluindo a extração de características no domínio do tempo (energia, entropia, número de cruzamentos por zero) e na decomposição wavelet (distribuição da energia nas componentes). Também é explorado o uso de algoritmos para classificação de diferentes tipos (vizinhos mais próximos, árvore de decisão, regra de decisão, Naive Bayes, máquina de vetor suporte e rede neural artificial com funções de base radial). Sinais são adquiridos junto ao circuito hidráulico experimental, que permitiu a simulação da ocorrência de um vazamento na rede, para constituir uma amplia base de dados com sinais de exemplo. Além da revisão bibliográfica e os conceitos relativos às metodologias exploradas, são apresentadas neste documento as análises que conduzem à criação do sistema de reconhecimento de padrões mais apropriado para o problema. Das análises dos diferentes métodos considerados é definido o sistema de reconhecimento de padrões, em suas etapas de segmentação e padronização, extração de características e classificação. A avaliação do sistema proposto mostra um desempenho totalmente satisfatório, com reconhecimento acertado de sinais vinculados ou não a um vazamento em mais de 95% dos testes. / Control of losses in water supply systems is a constant concern, and a key to the solution of this problem is the rapid and reliable detection of leaks that often begin anywhere on the network. A promising approach to solve the problem is the leak detection based on the analysis of signals acquired by monitoring the network in operation, and this research fits with that approach. Its developed a pattern recognition system for the analysis of pressure and flow signals, which identifies whether a leak happened during signal acquisition. Several techniques are exploited for forming this system, including the feature extraction in the time domain (energy, entropy, zero crossings count) and in the wavelet decomposition (energy distribution in the components). Also, the use of different types of algorithms for classification (nearest neighbors, decision tree, decision rule, Naive Bayes, support vector machine and artificial neural network with radial basis functions) is explored. Signals are acquired from the experimental hydraulic circuit, allowing the simulation of the onset of a leak in the network, to form a big database of example signals. Besides the literature review and the concepts relating to the considered methods, in this document are shown the analyses leading to the creation of the pattern recognition system most appropriate for the problem. The analysis of the methods considered allows defining the pattern recognition system, which is composed by segmentation and standardization, feature extraction and classification. The evaluation of the proposed system shows a completely satisfactory performance, recognizing rightly the signals as linked or not to a leak in more than 95% of the tests.

O controle ativo de vazamentos é fundamental para o gerenciamento dos recursos hídricos, e particularmente o problema de sua detecção precisa de alternativas de solução. Nesta pesquisa foram desenvolvidos três métodos para detecção da ocorrência de vazamentos ou outras alterações em redes de distribuição de água para abastecimento, durante operação, com base na análise dos sinais de pressão adquiridos por monitoramento permanente na rede. Os métodos foram desenvolvidos com informações de um estudo de caso real, e fundamentam-se em cadeias de Markov, em controle estatístico de processos, e em comparação com padrões, respetivamente. Seu desempenho global foi quantificado com a área abaixo da curva ROC, obtendo valores médios de 0,67, 0,65 e 0,71, respetivamente. Foi encontrado que a ocorrência de vazamentos produz mudanças nas pressões medidas na rede, mas tais mudanças podem ser próximas às que acontecem pela operação normal, de forma que os métodos propostos constituem ferramentas de suporte ao gerenciamento úteis, sem atingir a detecção e diferenciação da totalidade dos vazamentos e alterações. / Active leak control is fundamental on water resources managment, and particullary the detection problem needs alternative solutions. On this research three methods for leak or anomaly detection on operating supply systems were developed, based on analisys of pressure signals acquired by network monitoring. The proposed methods used real data from a case study, and are based on Markov chains, statistical process control, and pattern comparison, respectively. Their overall performances on case study were measured using the area under ROC curve, reaching averages 0,67, 0,65 and 0,71, respectively. It was found that a leak onset result in disturbances on measured preassure, but sometimes those disturbances are close to those of normal operation, therefore proposed methods are useful decision tools, not reaching detection and distinction for all the leaks or anomalies.

O controle ativo de vazamentos é fundamental para o gerenciamento dos recursos hídricos, e particularmente o problema de sua detecção precisa de alternativas de solução. Nesta pesquisa foram desenvolvidos três métodos para detecção da ocorrência de vazamentos ou outras alterações em redes de distribuição de água para abastecimento, durante operação, com base na análise dos sinais de pressão adquiridos por monitoramento permanente na rede. Os métodos foram desenvolvidos com informações de um estudo de caso real, e fundamentam-se em cadeias de Markov, em controle estatístico de processos, e em comparação com padrões, respetivamente. Seu desempenho global foi quantificado com a área abaixo da curva ROC, obtendo valores médios de 0,67, 0,65 e 0,71, respetivamente. Foi encontrado que a ocorrência de vazamentos produz mudanças nas pressões medidas na rede, mas tais mudanças podem ser próximas às que acontecem pela operação normal, de forma que os métodos propostos constituem ferramentas de suporte ao gerenciamento úteis, sem atingir a detecção e diferenciação da totalidade dos vazamentos e alterações. / Active leak control is fundamental on water resources managment, and particullary the detection problem needs alternative solutions. On this research three methods for leak or anomaly detection on operating supply systems were developed, based on analisys of pressure signals acquired by network monitoring. The proposed methods used real data from a case study, and are based on Markov chains, statistical process control, and pattern comparison, respectively. Their overall performances on case study were measured using the area under ROC curve, reaching averages 0,67, 0,65 and 0,71, respectively. It was found that a leak onset result in disturbances on measured preassure, but sometimes those disturbances are close to those of normal operation, therefore proposed methods are useful decision tools, not reaching detection and distinction for all the leaks or anomalies.