Este trabalho apresenta o desenvolvimento de um modelo de detecção de intrusão em redes de computadores. É apresentada a construção e testes de um protótipo para um ambiente Internet. O sistema, posicionado em pontos chaves da rede, examina o fluxo de dados entre as conexões, buscando por padrões de comportamento suspeito. A identificação de tais padrões é realizada por intermédio de uma rede neural. O sistema é altamente adaptativo, uma vez que novos perfis podem ser adicionados a base de dados, e assim um re-treinamento da rede neural permite reconhecê-los. Cerca de 240 perfis de intrusão diferentes foram analisados, dos quais 117 foram selecionados como sendo relevantes para esta implementação. Acredita-se que este conjunto represente cerca de 90 por cento do número total de tipos de ataques conhecidos na Internet. Finalmente, são relatados os procedimentos de avaliação do sistema, mostrando a eficiência do método / This work presents the development of a network intrusion detection model. The building and testing of a prototype in the Internet environment is described. The system, positioned at key points of the network, examines the data flow between connections, searching for patterns of suspicious behaviors. The identification of those patterns is carried out by a neural network. The system is highly adaptive, since new profiles of intrusion can be easily added to the database, and so a retraining of the neural network enables the system to consider them. About 240 different intrusion profiles were analyzed, from which 11 7 were elected as been relevant for this implementation. It is believed that this set currently represents around 90 percent of the total number of attacks profiles over the Internet. Finally the description of the system evaluation procedures is reported, and can show the efficiency of the method

A medida que as economias modernas tornam-se predominantemente baseadas na prestação de serviços, as companhias aumentam seu valor na criação e na sustentabilidade do relacionamento a longo prazo com seus clientes. O \"Customer Lifetime Value (LTV)\", que é uma medida de potencial de geração de lucro, ou valor de um cliente, vem sendo considerado um ponto fundamental para o gerenciamento da relação com os clientes. O principal desafio em prever o LTV é a produção de estimativas para o tempo de duração do contrato de um cliente com um dado provedor de serviços, baseado nas informações contidas no banco de dados da companhia. Neste trabalho, apresentaremos uma alternativa aos modelos estatísticos clássicos, utilizando um modelo de redes neurais para a previsão da taxa de cancelamento a partir do banco de dados de uma empresa de TV por assinatura. / A medida que as economias modernas tornam-se predominantemente baseadas na prestação de serviços, as companhias aumentam seu valor na criação e na sustentabilidade do relacionamento a longo prazo com seus clientes. O \"Customer Lifetime Value (LTV)\", que é uma medida de potencial de geração de lucro, ou valor de um cliente, vem sendo considerado um ponto fundamental para o gerenciamento da relação com os clientes. O principal desafio em prever o LTV é a produção de estimativas para o tempo de duração do contrato de um cliente com um dado provedor de serviços, baseado nas informações contidas no banco de dados da companhia. Neste trabalho, apresentaremos uma alternativa aos modelos estatísticos clássicos, utilizando um modelo de redes neurais para a previsão da taxa de cancelamento a partir do banco de dados de uma empresa de TV por assinatura.

Submitted by PPG Engenharia El?trica (engenharia.pg.eletrica@pucrs.br) on 2017-10-31T19:10:47Z No. of bitstreams: 1 dissertacao_Nicholas_Correa.pdf: 4887337 bytes, checksum: bbb103765cb34dd0f4606f6e4681234c (MD5) / Rejected by Caroline Xavier (caroline.xavier@pucrs.br), reason: Devolvida "tarefa", devido a arquivo PDF estar sem a folha de rosto (folha com as informa??es principais), passando direto da capa para a ficha catalogr?fica. on 2017-11-10T13:48:15Z (GMT) / Submitted by PPG Engenharia El?trica (engenharia.pg.eletrica@pucrs.br) on 2017-11-24T11:54:51Z No. of bitstreams: 1 NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) / Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-12-01T12:53:14Z (GMT) No. of bitstreams: 1 NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) / Made available in DSpace on 2017-12-01T12:56:20Z (GMT). No. of bitstreams: 1 NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) Previous issue date: 2017-08-31 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior - CAPES / Skateboarding is one of the most popular cultures in Brazil, with more than 8.5 million skateboarders. Today Skateboarding is more recognize as a true sports discipline, also given by its debut on the Olympic Games in Tokyo 2020. The present study aims to develop methods detection and classification of Skateboarding flat ground tricks, using a Inertial Module Unit (IMU) allied whit Artificial Neural Networks (ANN). Using state of the art knowledge on movement detection in Skateboarding, 181 artificial flat ground tricks divided between 5 different classes were generated, equivalent to 543 signals (X, Y and Z) of acceleration. A classification heuristic based on cross-correlation coefficients was applied to the discriminate between classes, and using the Neural Network Toolbox a Multilayer Feed Forward Network was architect with three layers and a scaled conjugate gradient back propagation algorithm. The results showed that with the use of ANNs trained specifically for each axis measured by the IMU, being the Z-axis the best differentiator, we can reach error percentages inferior to 0.05 %, with a computational efficiency that makes real time applications possible. Machine learning is a useful tool in pattern recognition of complex movements, as long that the classifiers are properly architected and the task is expressed with clarity this technique is a promising application in Exergames and motion detection. / Skate ? uma das culturas mais populares no Brasil, com mais de 8.5 milh?es de adeptos. O movimento esportivo atualmente se encontra em uma fase de grande crescimento, dada inclusive a estr?ia da modalidade nos Jogos Ol?mpicos em T?quio 2020. O presente estudo teve como objetivo desenvolver t?cnicas de detec??o e classifica??o de manobras de Street Skate, utilizando sensores inerciais IMU (Inertial Module Unit) e Redes Neurais Artificiais (RNA). Utilizando conhecimento do estado da arte em detec??o de movimentos no Skate, foram gerados 181 registros artificiais, resultando em 543 sinais de acelera??o (X, Y e Z) divididos entre 5 classes de manobras. Foi desenvolvida uma heur?stica de classifica??o utilizando coeficientes de correla??o cruzada para discriminar cada classe, e com a Neural Network Toolbox foi criada uma Multilayer Feed Forward Network de tr?s camadas treinada atrav?s de um algoritmo de aprendizagem supervisionado (scaled conjugate gradient backpropagation). Os resultados mostraram que com a utiliza??o de RNAs treinadas especificamente para cada eixo, sendo o eixo Z o maior discriminador, podemos alcan?ar um percentual de erro inferior a 0.05%, com uma efici?ncia computacional que disponibiliza respostas em tempo real. Aprendizado de m?quina ? uma podersoa ferramenta na classifica??o de padr?es de movimento complexos, contanto que os classificadores sejam arquitetados de maneira eficiente e o problema proposto de maneira clara, essa t?cnica possui promissoras aplica??es para Exergames e detec??o de movimentos.

O problema principal pretendido neste trabalho é o controle de sistemas realimentados descritos por equações diferenciais ordinárias ou de diferenças. O excelente artigo de Astrom (4) contém os detalhes do problema de controle. Aqui, a aproximação solicitada será utilizar redes neuronais de forma análoga aquela utilizada por G. Bastos e C.W. Anderson [7}, para controle de processos industriais. O controlador é assumido ser de estrutura fixa, mas com parâmetros livres devem ser sintonizados para alcançar alguma Especificação de desempenho definida a priori. O supervisor consiste de uma rede neuronal produzindo as ações, avaliando o sucesso ou a falha da ação selecionada. No presente caso, uma ação é simplesmente um sonho no espaço de parâmetros que é usado para ajustar o controlador de estrutura fixa. A aprendizagem supervisionada é conseguida utilizando se um avaliador de desempenho, que altera convenientemente rede de ação seguindo a estratégia conexionista descrita em C.W.Anderson (2). A análise é baseada no Stochastic Learning Automata que seleciona uma ação de acordo com a distribuição de probabilidade que depende do sinal de reforço produzido pelo avaliador de desempenho. A realimentação é, por esta razão, suprida na forma de uma avaliação dos resultados no ambiente, obtidas como a conseqüência da ação escolhida. A densidade de probabilidade sobre o espaço de ações é armazenada internamente na rede neuronal, e as mudanças são incorporadas pelo ajustes dos pesos sinápticos na fase de treinamento.

Idéias de redes neuronais tem sido utilizadas com grande sucesso em aplicações onde o processo a ser controlado é de elevada complexidade e requer, por exemplo, que o sislema de acionamento seja dotado de capacidade de adaptação baseado em aprendizado. Este trabalho tem o objetivo de apresentar algumas aplicações de modelos artificiais de redes neuronais no controle de sistemas dinâmicos, utilizado um modelo de rede neuronal para encontrar o modelo dinâmico inverso de um sistema inversível, o mesmo é empregado como um compensador feedforward. Os pesos que representam a intensidade de conexão das sinapses são ajustados através de mecanismo de aprendizado que busca minimizar o erro entre os sinais de referência e a saída. A fase de treinamento, na qual os pesos são ajustados, é feita off-line. Após o seu treinamento a rede apresenta uma grande rapidez de resposta que depende apenas do número de camadas e do tempo de propagação através dos neurônios. A rede neuronal proposta é de aplicação geral, desde que o número de neurônios e sinapses seja suficiente, bastando que se processe um programa de treinamento adequado a cada caso específico.

Orientador: Glauco de Souza Rolim / Resumo: Precipitação, em pequenas escalas de tempo, é um fenômeno associado a altos níveis de incerteza e variabilidade. Dada a sua natureza, técnicas tradicionais de previsão são dispendiosas e exigentes em termos computacionais. Este trabalho apresenta um modelo para prever a ocorrência de chuvas em curtos intervalos de tempo por Redes Neurais Artificiais (RNAs) em períodos acumulados de 3 a 7 dias para cada estação climática, mitigando a necessidade de predizer o seu volume. Com essa premissa pretende-se reduzir a variância, aumentar a tendência dos dados diminuindo a responsabilidade do algoritmo que atua como um filtro para modelos quantitativos, removendo ocorrências subsequentes de valores de zero(ausência) de precipitação, o que influencia e reduz seu desempenho. O modelo foi desenvolvido com séries temporais de 10 regiões agricolamente relevantes no Brasil, esses locais são os que apresentam as séries temporais mais longas disponíveis e são mais deficientes em previsões climáticas precisas, com 60 anos de temperatura média diária do ar e precipitação acumulada. foram utilizados para estimar a evapotranspiração potencial e o balanço hídrico; estas foram as variáveis ​​utilizadas como entrada para as RNAs. A precisão média para todos os períodos acumulados foi de 78% no verão, 71% no inverno 62% na primavera e 56% no outono, foi identificado que o efeito da continentalidade, o efeito da altitude e o volume da precipitação normal , tem um impacto direto na precisão das RNAs. Os... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Precipitation, in short periods of time, is a phenomenon associated with high levels of uncertainty and variability. Given its nature, traditional forecasting techniques are expensive and computationally demanding. This paper presents a model to forecast the occurrence of rainfall in short ranges of time by Artificial Neural Networks(ANNs) in accumulated periods from 3 to 7 days for each climatic season, mitigating the necessity of predicting its amount. With this premise it is intended to reduce the variance, rise the bias of data and lower the responsibility of the model acting as a filter for quantitative models by removing subsequent occurrences of zeros values of rainfall which leads to bias the and reduces its performance. The model were developed with time series from 10 agriculturally relevant regions in Brazil, these places are the ones with the longest available weather time series and and more deficient in accurate climate predictions, it was available 60 years of daily mean air temperature and accumulated precipitation which were used to estimate the potential evapotranspiration and water balance; these were the variables used as inputs for the ANNs models. The mean accuracy of the model for all the accumulated periods were 78% on summer, 71% on winter 62% on spring and 56% on autumn, it was identified that the effect of continentality, the effect of altitude and the volume of normal precipitation, have a direct impact on the accuracy of the ANNs. The models have ... (Complete abstract click electronic access below) / Mestre

Made available in DSpace on 2015-03-05T14:01:20Z (GMT). No. of bitstreams: 0 Previous issue date: 6 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho apresenta uma metodologia para extração de regras a partir de Redes Neurais Artificiais (RNA) treinadas para previsão de carga. As regras extraídas visam descrever o conhecimento adquirido pela rede neural a respeito do comportamento da demanda por energia elétrica. As regras possuem uma estrutura do tipo SE premissa ENTÃO consequência, onde premissa refere-se aos dados de entrada submetidos para a rede neural, e consequência caracteriza uma equação linear responsável por descrever a saída apresentada pela rede em função dos dados de entrada, caso a premissa da regra seja satisfeita. Dessa forma, além da precisão advinda das caracter´ısticas das redes neurais, as mesmas serão capazes de tornar seu conhecimento transparente para o usuário, contribuindo ainda mais para o auxílio das tomadas de decisões táticas e estratégicas das companhias de energia elétrica. / This work presents a methodology for the extraction of rules from Artificial Neural Networks (ANN) trained to forecast the electric load demand. The rules have the ability to express the knowledge regarding the behavior of load demand acquired by the network during training process. The rules are presented to the user in an easy to read format, such as IF premise THEN consequence. Where premise relates to the input data submitted to the network, and consequence appears as a linear equation describing the output to be presented by the network, should the premise part holds true. The rule extraction technique presented here, combined with the predictive abilities of the neural networks, constitutes an important tool for tactical and strategic decision making within the electricity supply companies.

Made available in DSpace on 2015-03-05T14:01:20Z (GMT). No. of bitstreams: 0 Previous issue date: 6 / Nenhuma / Este trabalho insere-se na área de modelagem computacional para problemas de previsão em sistemas de energia elétrica. A sociedade moderna possui uma dependência muito grande da utilização de energia elétrica, uma vez que grande parte da tecnologia atual utiliza de alguma forma este tipo de energia. Este fato justifica plenamente os estudos realizados na área para melhorar ou facilitar o trabalho no que se refere aos sistemas de energia elétrica. Atualmente existem diversos estudos na área que abordam todos os campos de sistema de energia elétrica. Uma importante parte do processo tanto de produção como de transmissão e distribuição de energia elétrica é o planejamento, que entre outros fatores baseia-se fortemente em uma previsão de carga elétrica. Esta previsão deve ser confiável, possuir uma alta acuracidade, pois a partir desta são tomadas decisões importantes nos âmbitos técnico e econômico da empresa de geração, transmissão ou distribuição de energia. O presente trabalho apresenta um sistema computacion / This work is inserted in the forecasting computational modeling for electrical power systems area. The modern society has a great dependency of electrical power, since the current technology uses this type of energy to many ends. This fact justifies the studies in that area to bettering or make easy to work with this type systems. Currently there are many studies in this áreas that broaches all the fields of electrical power. An important part of the process of production, transmission and distribution of electrical energy is the planning, that between others factors is strongly based in a load forecasting. This load forecasting should be reliable, and to have a high accuracy, because since that forecast important decisions are maked in technical and economical ambit of electrical system enterprises. This work presents a computational system for electrical load forecasting, through the using of a new neural model for forecasting approach. With this new model is tried integrate the electrical network informati

Made available in DSpace on 2019-03-29T23:13:05Z (GMT). No. of bitstreams: 0 Previous issue date: 2008-08-01 / This work introduces four novel population-based heuristic algorithms, whose population size varies along the execution, which are aimed at solving problems of search and numerical optimization. These algorithms are extensions of the standard models of two metaheuristics recently proposed in the literature, which have been successfully applied in different fields. They are: Particle Swarm Optimization (PSO) and Differential Evolution (DE). In addition, these new algorithms are daptations of two other models proposed in the context of Genetic algorithms (GAs), namely, the Adaptive Population size GA (APGA) and Population Resize on Fitness Improvement GA (PRoFIGA). In order to empirically validate the proposed algorithms, their implementations are evaluated in terms of efficiency and effectiveness in three different case studies: optimization of benchmark numerical functions; prototype selection for data clustering; and training of feedforward neural networks. The results obtained in the benchmark functions optimization indicate gains, in terms of the ffectiveness issue, for time-varying population size models. Conversely, the results achieved by the time-varying population size models when dealing with the data clustering task have not shown gains in erformance. Finally, in the training of artificial neural networks, the novel algorithms could utperform the standard models in terms of effectiveness criterion, although the gains incurred were less expressive than those obtained in the first case study. Keywords: Optimization, Population-based Metaheuristics, Parameter Control, Evolutionary Computing, Particle Swarm Optimization, Differential Evolution, Data Clustering, Artificial Neural Netwo / Este trabalho apresenta quatro novos algoritmos heurísticos de cunho populacional, cujo tamanho da população varia ao longo de sua execução, sendo estes destinados à resolução de problemas de busca e otimização numérica. Estes algoritmos são extensões dos modelos padrão de duas metaheurísticas propostas recentemente na literatura e que vêm sendo aplicadas com sucesso em diferentes domínios; são elas a Otimização por Enxame de Partículas (PSO) e a otimização por Evolução Diferencial (DE). Ademais, os novos algoritmos são adaptações de dois outros modelos propostos no contexto de algoritmos Genéticos (AGs): o Algoritmo Genético com Tamanho Adaptativo da População (APGA) e o Algoritmo Genético com Tamanho da População Variável Baseado na Melhoria do Fitness (PRoFIGA). Com o intuito de validar empiricamente os algoritmos propostos, estes são avaliados, em termos de critérios de eficiência e eficácia, em três estudos de caso: otimização de funções numéricas de benchmark; descoberta de protótipos em agrupamentos de dados; e treinamento de redes neurais feedfoward. Os resultados obtidos na otimização de funções numéricas de benchmark indicam a possibilidade de ganhos substanciais, em termos da localização de soluções (quase-)ótimas, em relação aos modelos com tamanho fixo da população. Já na tarefa de descoberta de protótipos em agrupamentos de dados, os resultados obtidos não evidenciaram ganhos significativos em termos de eficácia. Finalmente, os resultados obtidos na tarefa de treinamento de redes neurais artificiais indicam também ganhos de eficácia, embora menos expressivos, por parte dos algoritmos com população variável em relação aos algoritmos com tamanho fixo da população. Palavras-Chave: Otimização, Metaheurísticas Populacionais, Controle de Parâmetros, Computação Evolutiva, Inteligência Coletiva, Otimização por Enxame de Partículas, Otimização por Evolução Diferencial, Agrupamento de dados, Redes Neurais Artificiais.

Made available in DSpace on 2019-03-29T23:33:04Z (GMT). No. of bitstreams: 0 Previous issue date: 2012-07-27 / The selection of components in ensembles of classifiers is a very common activity in the field of Machine Learning with several studies showing its effectiveness in obtaining significant gains in accuracy. However, the most studied classification task involves mutually exclusive labels (classes). The objective of this work is to present a study on the selection of components in ensembles of multi-label classifiers, whereby an instance can become associated with more than one label. Two search approaches for the component selection were used, one based on Genetic Algorithms and the other based on Hill Climbing. Conversely, two types of evaluation measures were adopted for ensemble selection: one based on multilabel accuracy measures and the other based on well known diversity measures for ensembles, which were modified to handle the multilabel case. Another selection approach was also conceived to assign different ensembles to different labels of the labelset. Specifically for generating the RAkEL components, 10 well known learning algorithms for inducing one-label classifiers were used, namely, Naïve Bayes, RBF Neural Networks, Support Vector Machines, J48, REP Tree, IBk, Decision Stump, OneR, PART, and Decision Table. A systematic empirical study was conducted on seven publicly available datasets, involving two ensemble models, each making use of one of the well known multi-label classifiers RAkEL and ML-RBF. In general, the results achieved show that the ensembles produced via ensemble selection can yield better results than the full ensembles and some of their components. The ensemble selection type based on multilabel accuracy measures performed usually better than the other based on diversity measures. Finally, among the search procedures for conducting the selection, none has prevailed over the other. Keywords: Machine Learning, Multi-label Classification, Ensembles, Ensemble Selection, Diversity Measures, Genetic Algorithms, Hill Climbing. / A seleção de componentes em ensembles de classificadores é uma atividade muito comum no campo de Aprendizado de Máquina, com vários estudos comprovando sua efetividade em obter maiores ganhos de acuidade. Contudo, a tarefa de classificação mais investigada é a de rótulos, ou classes, mutuamente exclusivos. Nesse contexto, o objetivo deste trabalho é apresentar um estudo sobre a seleção de componentes em ensembles de classificadores multirrótulo, em que uma instância (padrão, exemplo) pode ser associada a mais de um rótulo. Os procedimentos de seleção investigados utilizaram a abordagem evolucionária dos Algoritmos Genéticos e o método de busca gulosa Subida da Encosta. Dois tipos de medidas de avaliação foram adotados para a seleção dos componentes: enquanto o primeiro tipo inclui métricas de acuidade já propostas para o caso multirrótulo, o segundo envolve medidas bem conhecidas de diversidade em ensembles, as quais sofreram modificações para tratar problemas de classificação multirrótulo. Foi analisada também uma abordagem de seleção de componentes que atribui distintos ensembles para distintos rótulos do problema. Um estudo empírico sistemático foi conduzido com base em sete conjuntos de dados disponíveis publicamente e envolvendo dois arranjos de ensembles, cada um fazendo uso de um dos conhecidos classificadores multirrótulo RAkEL e ML-RBF. Especificamente para gerar os componentes do RAkEL, foram escolhidos 10 algoritmos conhecidos de indução de classificadores único-rótulo, quais sejam, Naïve Bayes, Redes Neurais RBF, Máquinas de Vetores-Suporte, J48, REP Tree, IBk, Decision Stump, OneR, PART e Decision Table. Em geral, os resultados experimentais obtidos evidenciam que as diferentes abordagens de seleção de componentes podem melhorar o desempenho do novo ensemble em relação ao ensemble original e a alguns dos módulos-componentes. Dos tipos de seleção adotados, aquele que utilizou as métricas de acuidade geralmente apresentou os melhores resultados. Por outro lado, dos procedimentos de busca para a seleção, não houve um que obtivesse maior destaque que o outro. Palavras-chave: Aprendizado de Máquina, Classificação Multirrótulo, Ensembles, Seleção de Componentes, Medida de Diversidade, Algoritmos Genéticos, Subida da Encosta.