Made available in DSpace on 2014-12-02T11:16:54Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-04-22Bitstream added on 2014-12-02T11:20:57Z : No. of bitstreams: 1 000795898.pdf: 3216663 bytes, checksum: 99c23450ffd374604bf330efa8a2dcc3 (MD5) / A crescente utilização de materiais compósitos nos projetos de engenharia tem trazido vários avanços, viabilizando e aperfeiçoando estruturas com características superiores que as encontradas nas ligas metálicas que são largamente utilizadas durante muitos anos e que atualmente estão sendo substituídas de forma parcial ou integral em aplicações onde se espera alto desempenho. A aplicação deste tipo de material tem sido significativa em vários segmentos de engenharia, como na área de transportes (aeronáutica, aeroespacial, naval, ferroviário, automobilística, etc.), construção civil, artigos esportivos, entre outras. Uma grande vantagem dos materiais compósitos é a possibilidade de compor, através da grande variedade de matrizes e reforços, um número ilimitado de combinações destes elementos, tornando cada combinação uma peça com características única, sendo capaz de atender necessidades específicas de cada projeto. Neste trabalho é proposto um método de detecção e localização de danos em compósitos que compõe a estrutura de uma fuselagem de avião, podendo ser utilizado independentemente da temperatura atuante no avião. O método é baseado nas ondas de Lamb e se caracteriza por ser um método não-destrutivo, NDE (do inglês Nondestructive Evaluation). Os testes experimentais foram realizados para diferentes condições de danos em uma faixa de temperatura que variou de -45°C a 105°C. Para a aplicação do sinal de atuação e para a aquisição dos sinais foram utilizados transdutores piezelétricos (PZT), que são indicados para este tipo aplicação por possuírem grande eficiência em altas frequências e por ser versátil, servindo tanto como atuador quanto sensor. Para auxiliar a detecção e localização automática dos danos na estrutura foi utilizada a técnica de Redes Neurais Artificiais que possuem ótima robustez e capacidade de generalização para isolar o efeito da temperatura na ... / The increasing use of composite materials has brought many beneficial advances for engineering design, improving structure features when comparing with traditional metallic alloys. Although these alloys has been used for centuries, in many applications composite materials are substituting them partially or completely. The use of this kind of materials has produced a great impact in several areas of engineering, as transportation (aeronautics, aerospace, naval, railroad, automobile, etc.), civil construction, sport equipments, etc. An important advantage of composite materials is the possibility of compose an unlimited number of combinations of this elements thought the wide variety of matrix and reinforcements. Each combination becomes a piece with unique characteristics, able to attend specific requirements in a project. In this study, a carbon fiber plate, material used as component of the fuselage in aircrafts, is used in the experimental tests for developing a damage identification and locating method that is able to be used during the flight. The method is based on Lamb waves and it is a non-destructive evaluation (NDE). The tests were done in different conditions for a temperature range from de -45oC to 105oC. The sensing and actuation were based on piezoelectric materials (PZT), which are a versatile smart material indicated to this work since it can be utilized either as actuator or as sensor and because is very efficient at high frequencies. The process automation is realized through the application of Artificial Neural Network, since this technique has optimum robustness and capability of generalization, which are important characteristics to achieve the objective

Made available in DSpace on 2014-12-02T11:16:56Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-09-06Bitstream added on 2014-12-02T11:20:52Z : No. of bitstreams: 1 000800318.pdf: 1782561 bytes, checksum: f15b6161ad101bbd18fe9254ffc7771d (MD5) / Com o aumento na demanda por energia elétrica o planejamento de geração, transmissão e distribuição bem como a operação são importantes para uma prestação de serviços de forma eficiente, econômica e confiável. Uma das ferramentas para gestão desses recursos são os modelos de previsão de séries temporais. Há diversos modelos na literatura, como os modelos de regressão, modelos estatísticos, dentre outros. Outro modelo que vem se destacando na literatura é a previsão utilizando as redes neurais artificiais, pela sua capacidade de aprendizado. As redes neurais possuem várias arquiteturas, e uma em particular, que é considerada padrão na literatura, é a rede perceptron multicamadas com o algoritmo backpropagation. O presente trabalho propõe uma rede neural híbrida composta pelo método de regressão linear com seleção de variáveis stepwise juntamente com a rede neural artificial perceptron multicamadas com o algoritmo backpropagation. O objetivo é obter um método simples e eficaz para redução de variáveis sem perda de qualidade de previsão. O modelo de regressão linear com o método de seleção de variáveis stepwise tem a função de selecionar as variáveis mais relevantes para compor o conjunto de dados de entrada para treinamento/diagnóstico da rede neural perceptron multicamadas com o algoritmo backpropagation que, consequentemente, é a responsável em realizar a previsão de carga elétrica. Com esta proposta busca-se uma metodologia que seja capaz de reduzir a quantidade de variáveis de entrada da rede neural e obter resultados satisfatórios, ou seja, boas previsões. Para corroborar a metodologia proposta são apresentados os resultados da previsão de carga elétrica a curto prazo em um período de 24 e 48 horas a frente, considerando-se os dados históricos de uma companhia do setor elétrico / With the increase in electric energy demand the planning of generation, transmission and distribution as well as the operation are important to provide services efficiently, economically and reliably. One of the tools to manage those resources are time series model forecasting. There are several models in the literature, as the regression models, statistical models, among others. Other model that has been highlighted in the literature is the forecasting using artificial neural network, due to the capacity of learning. Neural networks have several architectures, and one in particular, that is considered standard in the literature is the multilayer perceptron network with the backpropagation algorithm. The present work proposes a hybrid neural network composed by the linear regression method with stepwise variable selection with the multilayer perceptron artificial neural network with the backpropagation algorithm. The aim is to provide a simple and effective method to reduce the variables without losing the forecasting quality. The function of the linear regression model with stepwise variable selection is to select the more relevant variables to compose the input data set to training/ diagnostic of the multilayer perceptron neural network with the backpropagation algorithm that, consequently, is the responsible to realize the electric load forecasting. The aim of this proposal is to find a methodology that reduces the amount of input variables of the neural network and obtain satisfactory results. To verify the proposed methodology results are presented for electric short-term load forecasting in a period of 24 and 48 hours ahead, considering the historical data obtained from a company pertaining to the electrical sector

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2017. / Submitted by Priscilla Sousa (priscillasousa@bce.unb.br) on 2017-10-31T12:50:55Z No. of bitstreams: 1 2017_ViníciusdeOliveiraSilva.pdf: 12072182 bytes, checksum: 8abe6dbc46ba985620334c2ebac9ea8a (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-11-07T14:09:45Z (GMT) No. of bitstreams: 1 2017_ViníciusdeOliveiraSilva.pdf: 12072182 bytes, checksum: 8abe6dbc46ba985620334c2ebac9ea8a (MD5) / Made available in DSpace on 2017-11-07T14:09:45Z (GMT). No. of bitstreams: 1 2017_ViníciusdeOliveiraSilva.pdf: 12072182 bytes, checksum: 8abe6dbc46ba985620334c2ebac9ea8a (MD5) Previous issue date: 2017-11-07 / A evolução tecnológica nas últimas décadas contribuiu para a melhoria de computadores com excelente capacidade de processamento, armazenamento e câmeras com maior qualidade digital. Os dispositivos de geração de vídeo têm sido mais fáceis de manipular, mais portáteis e com preços mais baixos. Isso permitiu a geração, armazenamento e transmissão de grandes quantidades de vídeos, o que demanda uam forma de análise automática de informações, independente de assistência humana para avaliação e busca exaustiva de vídeos. Existem várias aplicações que podem se beneficiar de técnicas de inteligência computacional, tais como realidade virtual, robótica, telemedicina, interface homemmáquina, tele-vigilância e assistência aos idosos em acompanhamento constante. Este trabalho descreve um método para o Reconhecimento de Ações Humanas em sequências de imagens usando duas Redes (canais) Neurais Convolutivas (RNCs). O Canal Espacial é treinado usando quadros de uma sequência de imagens com técnicas de transferência de aprendizagem a partir da rede VGG16 (pré-treinada para classificação de objetos). O outro canal, Canal Temporal, recebe pilhas de Fluxo Óptico Denso (FOD) como entrada e é treinado com pesos inicais aleatórios. A técnica foi testada em dois conjuntos de dados públicos de ações humanas: Weizmann e UCF Sports. Na abordagem do Canal Espacial, conseguimos 84,44% de precisão no conjunto de dados Weizmann e 78,46% no conjunto de dados UCF Sports. Com os canais temporal e espacial combinados, obtivemos uma taxa de precisão de 91,11% para o conjunto de dados Weizmann. Mostramos que quadros estáticos pertencentes a uma certa sequência de imagens curiosamente possibilitam classificar a ação realizada em tal seqüência. Acreditamos que, uma vez que a rede VGG16 foi pré-treinada para um conjunto de dados de 1000 classes de objetos diferentes e algumas ações estão associadas a certos tipos de objetos, isso contribuiu significativamente para a aprendizagem da rede espacial. Isso indica que a técnica de transferência de aprendizado foi usada de forma eficiente para reconhecer ações humanas, usando uma rede previamente treinada para reconhecer objetos. / The technological evolution in the last decades has contributed to the improvement of computers with excellent processing and storage capacity and cameras with higher digital quality. Nowadays, video generation devices are simpler to manipulate, more portable and with lower prices. This allowed easy generation, storage and transmission of large amounts of videos, which demands a form of automatic analysis, independent of human assistance for evaluation and exhaustive search of videos. There are several applications that can benefit from such techniques such as virtual reality, robotics, tele-medicine, humanmachine interface, tele-surveillance and assistance to the elderly in timely caregiving. This work describes a method for human action recognition in a sequence of images using two convolutional neural networks (CNNs). The Spatial network stream is trained 1using frames from a sequence of images with transfer learning techniques from the VGG16 network (pre-trained for classification of objects). The other stream channel, Temporal stream, receives stacks of Dense Optical Flow (DOF) as input and it is trained from scratch. The technique was tested in two public action video datasets: Weizmann and UCF Sports. In the Spatial stream approach we achieve 84.44% of accuracy on Weizmann dataset and 78.46% on UCF Sports dataset. With the Temporal and Spatial streams combined, we obtained an accuracy rate of 91.11% for the Weizmann dataset. We showed that still frames belonging to a certain sequence of images curiously make it possible to classify the action performed in such a sequence. We believe that, since the VGG16 network was pre-trained for a dataset of 1000 classes of different objects and some actions are associated with certain types of objects, this contributed significantly to the learning of the spatial network. This indicates that the transfer learning technique was used efficiently to recognize human actions, using a previously trained network to recognize objects.

Dissertação (mestrado)—Universidade de Brasília, Programa de Pós-Graduação em Sistemas Mecatrônicos, 2016. / Submitted by Camila Duarte (camiladias@bce.unb.br) on 2016-09-14T17:33:55Z No. of bitstreams: 1 2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-10-21T18:14:35Z (GMT) No. of bitstreams: 1 2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / Made available in DSpace on 2016-10-21T18:14:35Z (GMT). No. of bitstreams: 1 2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / O presente trabalho considera o problema de identificação de sistemas não-lineares comestrutura incerta na presença de distúrbios limitados. Dado a estrutura incerta do sistema, a estimação dos estados é baseada em redes neurais com uma camada escondida e então, para assegurar a convergência dos erros residuais de estimação dos estados para zero, as leis de aprendizagem são projetadas usando a teoria de estabilidade de Lyapunov e resultados já disponíveis na teoria de controle adaptativo. Primeiramente, um esquema de identificação usando aprendizagem extrema é apresentado. O modelo proposto assegura a convergência dos erros residuais de estimação dos estados para zero e a limitação de todos os demais erros e distúrbios. Usando o lema de Barbalat e uma análise tipo Lyapunov, é empregado um modelo de rede neural dinâmica com uma camada escondida (SHLNN) gerada aleatoriamente para assegurar as propriedades supramencionadas. Dessa maneira, assegura-se uma convergência mais rápida e melhor eficiência computacional do que os modelos SHLNN convencionais. Além disso, com algumas modificações que envolvem a seleção da função ativação e a estrutura do vetor regressor, o algoritmo proposto pode ser aplicado para qualquer rede neural parametrizável linearmente. Em seguida, como uma extensão da metodologia proposta, um modelo de rede neural com uma camada escondida e parametrizável não-linearmente (SHLNN) é estudado. Os pesos da camada escondida e de saída são ajustados simultaneamente por leis adaptativas robustas obtidas através da teoria de estabilidade de Lyapunov. O segundo esquema também assegura a convergência dos erros residuais de estimação dos estados para zero e a limitação de todos os demais erros de aproximação associados, mesmo na presença de erros de aproximação e distúrbios. Adicionalmente, como no primeiro esquema, não é necessário conhecimento prévio sobre os pesos ideias, erros de aproximação ou distúrbios. Simulações extensivas para a validação dos resultados teóricos e demonstração dos métodos propostos são fornecidos. _________________________________________________________________________________________________ ABSTRACT / The present research work considers the identification problem of nonlinear systems with uncertain structure and in the presence of bounded disturbances. Given the uncertain structure of the system, the state estimation is based on single-hidden layer neural networks and then, to ensure the convergence of the state estimation residual errors to zero, the learning laws are designed using the Lyapunov stability theory and already available results in adaptive control theory. First, an identification scheme via extreme learning machine neural network is developed. The proposed model ensures the convergence of the state estimation residual errors to zero and boundedness of all associated approximation errors, even in the presence of approximation error and disturbances. Lyapunov-like analysis using Barbalat’s Lemma and a dynamic single-hidden layer neural network (SHLNN) model with hidden nodes randomly generated to establish the aforementioned properties are employed. Hence, faster convergence and better computational efficiency than conventional SHLNNs is assured. Furthermore, with a few modifications regarding the selection of activation function and the regressor vector’s structure, the proposed algorithm can be applied to any linearly parameterized neural network model. Next, as an extension of the proposed methodology, a nonlinearly parameterized single-hidden layer neural network model (SHLNN) is studied. The hidden and output weights are simultaneously adjusted by robust adaptive laws that are designed via Lyapunov stability theory. The second scheme also ensures the convergence of the state estimation residual errors to zero and boundedness of all associated approximation errors, even in the presence of approximation error and disturbances. Additionally, as in the first scheme, it is not necessary any previous knowledge about the ideal weights, approximation error and disturbances. Extensive simulations to validate the theoretical results and show the effectiveness of the two proposed methods are also provided.

Orientador : Prof. Dr. Eduardo Todt / Coorientador : Prof. Dr. Carlos Sanquetta / Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 25/11/2016 / Inclui referências : f. 76-84 / Área de concentração : Ciência da computação / Resumo: Vive-se em um mundo onde a escassez de recursos naturais leva a um uso cada vez mais racional destes, seja água, recursos minerais, biológicos, hídricos e energéticos. Especificamente quando se trata de madeira, o homem evoluiu muito no manejo de florestas plantadas, aplicando técnicas de cultivo e planejamento de corte para a exploração. Estas técnicas fazem uso da mensuração florestal para medição e estimação de valores dendrométricos importantes, como altura, volume e biomassa. A estimativa de valores dendrométricos é de extrema importância, pois não é viável o abate de toda uma população para que sejam observados os exatos valores. Assim, pesquisadores fazem uso de ferramentas estatísticas em mensuração florestal há anos, com bastante sucesso em suas estimações. Recentemente, com o avanço da área da inteligência artificial, técnicas de aprendizado de máquina têm se mostrado também capazes de competir com os métodos estatísticos de regressão, abrindo assim um leque de opções aos pesquisadores. Inserido neste contexto, o objetivo deste trabalho é aplicar técnicas de aprendizado de máquina para resolução de problemas de mensuração florestal, mostrando também que este se encaixa como um processo de descoberta de conhecimento, inserido na área da Ciência da Computação. Foram realizados experimentos com dados de árvores de Acácia-negra para avaliação de biomassa e relação hipsométrica, Pinus para estimativa de volumes e relação hipsométrica, e com uma amostra de árvores de florestas tropicais de várias regiões do mundo, para estimativa de biomassa. Compararam-se modelos alométricos clássicos com Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (SVM) e Random Forest (RF), e em todos os testes realizados o modelo que obteve melhor correlação é uma técnica de aprendizado de máquina. Para a predição de volumes de Pinus, o melhor modelo foi SVM com correlação de 99,19%. Para estimativa de biomassa da Acácia-negra, SVM obteve a melhor correlação com 98,6%. Para estimativa de biomassa de florestas tropicais, o melhor modelo foi RNA com correlação de 98,06%. Para relação hipsométrica da Acácia-negra, o modelo de SVM obteve a melhor correlação, de 97,73%. Já para relação hipsométrica de Pinus, o modelo de melhor predição foi RNA com correlação de 98,02%. O teste de Friedman mostrou a presença de diferença estatística entre os métodos e, embora o pós-teste de Nemenyi não tenha conseguido evidenciá-la, foi detectada uma tendência a uma separação entre os métodos. Os resultados obtidos mostram fortemente que os modelos de aprendizado de máquina são uma alternativa competitiva frente aos métodos clássicos, superando-os nos experimentos aqui realizados. Palavras chave: Inventário Florestal, Mensuração Florestal, Descoberta de Conhecimento em Bases de Dados, Aprendizado de Máquina, Redes Neurais, Máquinas de Vetores de Suporte, Árvores de Modelos, Florestas Aleatórias. / Abstract: We live in a world where scarcity of natural resources leads to an increasing rational use of these resources, like water, minerals, biological or energetical. Specifically wood, man evolved much in the management of planted forests by applying cultivation techniques and cutting planning for exploration. These techniques make use of forest measurement to estimation of important dendrometric values such as height, volume and biomass. The estimation of dendrometric values is extremely important because is not feasible to cut down the whole population to note the exact values. Thus, researchers make use of statistical tools for measuring forest for years with success in their estimates. Recently, with the advancement of artificial intelligence, machine learning techniques have been able to compete with the statistical regression methods, thereby opening a range of options to researchers. Within this context, the objective of this work is to use machine learning techniques to resolution of forest measurement problems, showing that this is a process of knowledge discovery, from the area of Computer Science. Experiments were performed with data of Acacia-negra trees for evaluation of biomass and hypsometric relation, Pinus to estimate volumes and hypsometric relation, and with a sample of tropical forest trees of various regions to estimate biomass. Classical allometric models were compared with Artificial Neural Networks (ANN), Support Vector Machines (SVM) and Random Forest (RF), and in all tests the model that obtained the best correlation was a machine learning technique. For the prediction of Pinus volumes, the best model was SVM with correlation of 99.19 %. To estimate Acacia-negra biomass, SVM showed the best correlation with 98.6 %. To estimate biomass of tropical forest trees, the best model was RNA with a correlation of 98.06 %. For hypsometric relation of Acacia-negra, the SVM model obtained the best correlation, of 97.73 %. As for the hypsometric relation of Pinus, the best prediction model was RNA with a correlation of 98.02The Friedman test showed the presence of statistical difference between the methods and, although the Nemenyi post-hoc test was not able to show it, it was detectecd a tendency towards a separation of methods. The results obtained strongly show that machine learning models are a competitive alternative in comparison to the classical methods, surpassing them in the experiments carried out here. Keywords: Forest Inventory, Forest Measuring, Knowledge Discovery in Databases Machine Learning, Neural Networks, Support Vector Machines, Model Trees, Random Forest.

Orientador : Prof. Dr. Eduardo Gonçalves de Lima / Coorientador : Prof. Dr. Bernardo R. B. de Almeida Leite / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 12/12/2016 / Inclui referências : f. 82-83 / Área de concentração / Resumo: Nos sistemas modernos de telecomunicações sem fio, necessita-se de uma elevada eficiência espectral que é a razão entre a largura de banda ocupada e a taxa de transferência de dados. Isso se deve às altas taxas de transmissão de dados e tem como consequência a utilização da modulação da amplitude (AM) e fase (PM) de uma portadora de rádio frequência (RF). A modulação AM exige linearidade no sistema de transmissão, sobretudo dos amplificadores de potência (PAs). Porém, para se obter alta eficiência energética, o PA necessita operar próximo à saturação, aumentando a sua não linearidade. Com a finalidade de melhorar a eficiência energética dos PAs, porém mantendo o compromisso com a linearidade que as agências reguladoras exigem, existem algumas alternativas, como a de utilizar um linearizador em cascata com um PA de topologia mais eficiente. Portanto, neste trabalho é proposto o projeto de um RFPA em topologia Doherty adequado para fabricação com processo CMOS (complementary metal-oxide-semiconductor) de 180 nm. O amplificador principal é polarizado em classe AB e o efeito de modulação é proporcionado por um amplificador auxiliar em classe C com uma rede inversora de impedância. Em seguida é realizada a linearização do RFPA com o uso da técnica da pré-distorção digital em banda base (DPD). Esta técnica necessita de um modelo comportamental para o amplificador o qual é realizado através do uso de redes neurais artificiais (ANNs). Em específico neste trabalho foram propostas modificações para modelos comportamentais já utilizados com o objetivo de melhorar o compromisso entre a complexidade computacional e a precisão na execução de linearização de amplificadores. Resultados importantes foram encontrados na modelagem comportamental. Em um cenário de mesma quantidade de parâmetros, foram obtidas reduções entre 2,5 dB e 5 dB no erro quadrático médio normalizado (NMSE) usando o modelo comportamental proposto. Em um segundo cenário, em uma situação de precisão comparável (NMSE=-50 dB), foi observado que o modelo proposto pode reduzir o número de parâmetros na rede de 146 para 106. Utilizando sinal OFDMA com PAPR de 9,7 dB, ocorreu melhora de 8,64 dB no ACLR upper e 9,95 dB no ACLR lower do amplificador com uma rodada de linearização utilizando a DPD. Nesta etapa, o EVM diminui de 11,34% para 2,54%, utilizando o linearizador. Realizando novamente a DPD do resultado anterior, a melhoria do ACLR foi de 32,09 dB no ACLR upper e 29,89 dB no ACLR lower. Os parâmetros de EVM também diminuíram substancialmente com a linearização, sendo de 11,49% para 0,38% para segunda rodada de linearização. Verificando outros parâmetros do PA, foi notado aumento de até 1,94 dBm da potência máxima de saída, já a PAE máxima aumentou em até 2,97% utilizando a DPD. Somente para o caso com duas rodadas de linearização o amplificador atinge completamente as especificações da norma IEEE 802.11n. Palavras chave: CMOS 180 nm, Doherty, modelagem comportamental, pré-distorção digital em banda base, redes neurais artificiais. / Abstract: In modern wireless systems, high spectral efficiency which is the ratio between occupied bandwidth and data transfer rate is necessary. This is due high data transfer rates and causes the use of amplitude (AM) and phase (PA) modulation of the carrier. The AM modulation requires linearity in the transmitter chain, especially of power amplifiers (PAs). However, with the objective to obtain high power efficiency, the PA must be driven until saturation, what increases its non-linearity. In order to improve the power efficiency of PAs, but, keeping the commitment of linearity with the standards of regulatory agencies, there are some alternatives, as to use a linearizer cascaded with an amplifier whose topology allows high efficiency. Therefore, in this work a RFPA design in Doherty topology suitable to 180 nm CMOS (complementary metal-oxidesemiconductor) process is proposed. In this topology, the main amplifier is biased in class AB. The load modulation effect is achieved by an auxiliary amplifier biased in class C followed by a dephasing network. Digital baseband predistortion (DPD) is applied to linearize the designed PA. However, in this technique a behavioral model for the amplifier is necessary. Such model is based on a multi-layer perceptron artificial neural network model. Particularly, in this work modifications into a previous behavioral model are proposed with the purpose of decreasing the number of parameters of the network in order to have low computational cost to implement the linearization. Important results were found in the Behavioral Modeling. In a scenario of the same number of parameters, reductions between 2.5 dB and 5 dB in the normalized mean square error (NMSE) were found using the proposed behavioral model. In a second scenario, in a situation of comparable modeling accuracy (NMSE=-50 dB) it was observed that the proposed model can reduce the number of parameters from 146 to 106. Applying in the input an OFDMA signal with PAPR of 9.7 dB, the ACLR was improved in 8.64 dB in the ACLR upper and in 9.95 dB in the ACLR lower in the first sequence of linearization. In this stage, the EVM decreased from 11.34% to 2.54%. For the second sequence of linearization, in the output the ACLR was improved in 32.09 dB in the ACLR upper and in 29.89 dB in the ACLR lower. The EVM was decreased from 11.49% to 0.38%. The saturated power was increased in 1.94 dBm. The use of DPD provided an improvement of 2.97% in the peak PAE. Only for the case with two linearization sequences the PA fulfills completely the IEEE 802.11n. Key-words: CMOS 180 nm, Doherty, behavioral model, digital baseband predistortion, artificial neural network.

Made available in DSpace on 2014-06-11T19:22:26Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-07-29Bitstream added on 2014-06-13T19:07:53Z : No. of bitstreams: 1 ferreira_ms_me_prud.pdf: 1897420 bytes, checksum: 1aede604709494154b2f75d18806c9fc (MD5) / O conhecimento da distribuição espacial da concentração de componentes da água é de fundamental importância para inferir a respeito dos processos ecológicos que ocorrem num sistema hídrico sendo, entretanto, de difícil obtenção. Dentre as variáveis que merecem atenção no monitoramento de ambientes aquáticos, destaca-se a clorofila a, a qual é uma substância presente em algas responsáveis pela fotossíntese, organismos que constituem a base da cadeia alimentar nesses ambientes. Por se tratar de um pigmento fotossintetizante, a clorofila a apresenta a propriedade de interagir com a radiação eletromagnética, e dessa interação resultam diferentes processos, identificáveis por meio de sensores remotos. Assim sendo, a presente pesquisa se propôs a desenvolver um método de inferência da concentração de clorofila a utilizando Redes Neurais Artificiais (RNA). Utilizou-se como dados de entrada para a inferência combinações de bandas espectrais de uma imagem World View-2 e valores de concentração de clorofila a obtidos com um fluorômetro de campo, o qual possibilitou uma amostragem densa na área de estudos. A imagem multiespectral foi corrigida radiometricamente, eliminando efeitos de instrumentação e atmosféricos. Ainda, efetuou-se uma suavização espectral em cada uma das bandas e foi avaliado se esse tratamento na imagem possibilitaria... / The knowledge of the spatial distribution of water components concentrations is of fundamental importance to infer about the ecological processes that occur in an aquatic system, however, is difficult to obtain it. Among the variables that deserve attention in the monitoring of aquatic environments, cite the chlorophyll a, which is a substance of photosynthetic algae, organisms that are the basis of the food chain in these environments. Because it is a photosynthetic pigment, chlorophyll a has the property to interact with electromagnetic radiation, and it results in different processes, identifiable through remote sensing. Thus, this research intended to develop a chlorophyll a concentration inference method using Artificial Neural Networks (ANN). As input for the inference, it was used combinations of World View-2 spectral bands and chlorophyll a concentration values obtained with a field fluorometer, which allowed a dense sampling in the study area. The multispectral imagery was radiometrically corrected, eliminating the instrumentation and atmospheric effects. Still, it was performed a spectral smoothing in each of the spectral bands and evaluated whether this treatment would give... (Complete abstract click electronic access below)

Made available in DSpace on 2014-06-11T19:22:32Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-12-02Bitstream added on 2014-06-13T19:08:06Z : No. of bitstreams: 1 mantovani_wa_me_ilha.pdf: 572859 bytes, checksum: 6f6dbbff3d2181a18b8a8a253a4fc213 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Com o surgimento de novas tecnologias, a eletrônica de potência passou a ser utilizada cada vez mais, resultando no aumento das cargas não-lineares e na adoção de dispositivos que provocam distorções harmônicas na rede elétrica. Essas distorções harmônicas geram maiores custos às empresas distribuidoras de energia elétrica, como a troca de cabos e redimensionamento de transformadores, que podem sofrer superaquecimento ou sobrecarga. Estes fenômenos prejudicam o fornecimento de energia e podem gerar futuras taxações a estas empresas, uma vez que já existe a discussão de normas que limitam o nível de distorções harmônicas presentes nos sistemas de distribuição. Uma vez constatada uma violação dos limites estabelecidos, torna-se necessária a adoção de uma sistemática para mitigação dos efeitos resultantes, que na maioria dos casos está relacionada a instalação de filtros harmônicos, sejam de natureza passiva, ativa ou híbridos. Por outro lado, em decorrência desta medida, surge naturalmente a questão vinculada a responsabilidade financeira sobre os investimentos relacionados com os procedimentos de mitigação a serem implementados. Para a realização do compartilhamento de responsabilidades, é necessário determinar a parcela de distorção harmônica total relativa somente à não-linearidade da carga. Até a presente dissertação, a única forma de se obter tal valor era desacoplando a carga do sistema e alimentando-a com uma tensão senoidal, tornando-se um processo difícil e até inviável. A proposta deste trabalho é a utilização de redes neurais recorrentes na determinação da característica não-linear da carga através da medida da tensão no PAC e da corrente no ramo da carga em questão. A partir de um processo de treinamento, a rede neural simula a admitância da carga através... / With the advent of new technologies, the power electronics has become increasingly used, resulting in increased non-linear loads and the adoption of devices that cause harmonic distortion on the grid. These harmonic distortions generate higher costs for electricity distribution companies, such as replacing cables and transformer sizing, which can overheat or overload. These problems affect the power supply and can create future taxation of these companies. There is already discussion of rules limiting the level of harmonic distortion present in distribution systems. When is found a violation of limits, becomes necessary to adopt a systematic approach to mitigating the effects arising, which in most cases is related to installation of harmonic filters, are such as passive, active or hybrid. On the other hand, as a result of this action, the question naturally arises linked to financial liability on investments related to the mitigation procedures to be implemented. For the realization of shared responsibility, is necessary to determine the share of total harmonic distortion relative just to the non-linearity of the load. Until the present work, the only way to obtain that value was decoupling the system load and feeding it with a sinusoidal voltage, making it a difficult process and even infeasible. The purpose of this work is the use of recurrent neural networks in determining the non-linear characteristic of the load by measuring the voltage at the PCC and the current in branch of the load in question. From a training process, the neural network simulates the admittance of the load by adjusting their weights. Then these weights are transferred to a second neural network simulation, which when applied to enter a purely sinusoidal voltage, a current referring just to non-linear characteristic of the load is obtained

Made available in DSpace on 2014-06-11T19:22:54Z (GMT). No. of bitstreams: 0 Previous issue date: 2004-06-23Bitstream added on 2014-06-13T18:49:49Z : No. of bitstreams: 1 ferreira_fr_me_sjrp.pdf: 884938 bytes, checksum: cb71cfbd072d7a80c82fa5ec84776eea (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A predição de estruturas secundárias e terciárias pode contribuir para elucidar o problema de enovelamento de proteínas. Para isso, métodos de Redes Neurais Artificiais (RNAs) e Algoritmos Genéticos são utilizados a fim de predizê-las, a partir de determinadas seqüências primárias de aminoácidos. Neste sentido, esta pesquisa visa à utilização de três níveis de RNAs. O primeiro nível é composto por um vetor de entrada representando a seqüência primaria dos aminoácidos, com uma dimensão de 22.n, onde n é o tamanho da janela compreendida entre 7 a 23. O segundo nível possui a implementação dos resultados da primeira rede. Por fim o terceiro nível é composto por um júri de decisão. As RNAs são treinadas no Simulador MATLAB 5.0, um software composto de vários recursos para a sua implementação (Neural Network Toolbox). As RNAs implementadas são do tipo Multi Layer Perceptron (MLP), que utilizam o algoritmo backpropagation (RPROP) e a função de treinamento trainrp. Os dados obtidos são comparados com os preditores 'The Predict Protein Server Default' (www.emblheidelberg.de/predictprotein/submit_def.html), 'The PSA Protein Structure Prediction Server' (http//bmerc-www.bu.edu/psa/request.html) e 'The PSIPRED Protein Structure Prediction Server' (http://bioinf.cs.ucl.ac.uk/psipred/), a fim de se obter um modelo de predição. / The prediction of (secondaray and tertiary) structures of proteins can contribute to elucidadate the protein-folding problem. In oder to predict these structures we used methods of Artificial Neural Network (ANN) and genetic algorithms starting from the primary sequences of amino acids. The present work is composed of 3 networks levels. The first level is composed of ANNs of an input vector representing a segment of primary amino acid sequence. Since the encoding scheme uses a local window into the sequence, the input vector is a 22.n dimensional vector where n is the number of positions in the window (between 7 and 23). The outputs of level 1 are the inputs of the second level ANNs. The third level is the jury decision. The ANNs were trained with the Simulator MATLAB 5.0, software with several tools for its implementation (Neural Network Toolbox). The implemented ANNs are Multi Layer Perceptron (MLP) kind, which use the backpropagation algorithms (RPROP) together with training function trainrp. The obtained date are compared with the predictors 'The Predict Protein Server Default' (www.emblheidelberg.de/predictprotein/submit_def.html), 'The PSA Protein Structure Prediction Server' (http//bmerc-www.bu.edu/psa/request.html) e 'The PSIPRED Protein Structure Prediction Server' (http://bioinf.cs.ucl.ac.uk/psipred/) in order to heve an idea of the quality of the prediction.

Made available in DSpace on 2014-06-11T19:24:44Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-02-13Bitstream added on 2014-06-13T20:12:57Z : No. of bitstreams: 1 almeida_tns_me_botfca.pdf: 1241932 bytes, checksum: 07854bf02598b50f78f036c397c7598d (MD5) / O presente trabalho tem como objetivo avaliar a estimação da radiação solar ultravioleta diária (UV) utilizando técnicas de aprendizado de máquina em Botucatu/SP/Brasil. Para a geração dos modelos foram utilizadas as redes neurais artificiais com função linear (RNA), a máquina de vetores de suporte com função linear (SVM-Linear) e a máquina de vetores de suporte com função RBF (SVM-RBF). Como entrada, para cada uma das técnicas, foram testados cinco grupos contendo diferentes variáveis meteorológicas medidas como rotina na estação de radiometria solar de Botucatu. A maior precisão na estimação da UV foi obtida utilizando a SVM-RBF e, como variáveis de entrada, foram utilizados dados de insolação, umidade relativa, temperatura do ar, precipitação, fotoperíodo, radiação solar no topo da atmosfera, radiação ultravioleta no topo da atmosfera, radiação solar global, transmissividade atmosférica e massa ótica relativa. Este modelo apresentou MBE = 0,321%; RMSE = 5,712%; d = 0.991 e R² = 0.969, porém o conjunto de entradas utilizando apenas a radiação global, radiação solar no topo da atmosfera e radiação ultravioleta no topo da atmosfera merece atenção por apresentar resultados próximos a partir de apenas uma variável medida (radiação global) e duas calculadas. Este grupo apresentou MBE = 1,614%; RMSE = 6,749%; d= 0,989 e R² = 0,959. Tais resultados foram comparados com modelos encontrados na literatura e se mostraram equivalentes aos que utilizaram técnicas de aprendizado de máquina para estimar a radiação UV em outras cidades e superiores aos modelos estatísticos gerados com o intuito de estimar a UV para a cidade de Botucatu / In this papper is evaluated the estimation of daily solar ultraviolet radiation (UV) using machine learning techniques in Botucatu / SP / Brazil. To develop the model was utilized the artificial neural networks with linear function, the support vector machine with linear function and with RBF function. As input to each of the techniques, were tested five groups containing different weather variables measured as routine in Botucatu radiometry solar station. A more precise estimation of UV was obtained using the SVM-RBF and as input variables, we used data of insolation, relative humidity, air temperature, precipitation, photoperiod, solar radiation at the top of the atmosphere, ultraviolet radiation at the top of atmosphere, solar radiation, atmospheric transmissivity and relative optical mass. This model presented MBE = 0.321%; RMSE = 5.712%; d = 0991 and R²=0969, but the set of entries using only the global radiation, solar radiation at the top of the atmosphere and ultraviolet radiation at the top of the atmosphere deserves attention for presenting similar results from only one measured variable (global solar radiation) and two calculated. This group presented MBE = 1.614%; RMSE = 6.749%; d = 0.989 and R²=0.959. These results were compared to models found in the literature and proved equivalent to that used machine learning techniques to estimate the UV radiation in other cities and higher than the statistical models generated in order to estimate the UV to the Botucatu city