Este estudo objetivou demonstrar que é possível explicar os fenômenos que ocorrem na criação de frangos de corte através de redes neurais artificiais. A estatística descritiva e a diferença entre as médias das variáveis dos dados iniciais foram calculadas com o programa computacional SigmaStat® Statistical Software para Windows 2.03. Foi utilizada uma série histórica de dados de produção de frangos de corte, obtidos nos anos de 2001 e 2002, fornecidos por uma Integração Avícola do Rio Grande do Sul, contendo informações de 1.516 criadores com lotes alojados em 2001 e 889 criadores com lotes alojados em 2002. Nos arquivos estavam registrados, para cada lote, suas variáveis de produção, tais como número do lote, data do alojamento, data do abate, idade ao abate, número de pintos alojados, quilogramas de ração consumidos, quilogramas de frangos produzidos, número de aves abatidas, custo do frango produzido, mortalidade, peso médio, ganho de peso diário, índice de conversão alimentar, índice de eficiência, quilogramas líquido de frangos, quilogramas de ração inicial, quilogramas de ração crescimento, quilogramas de ração abate, além de outros. Para a construção das redes neurais artificiais foi utilizado o programa computacional NeuroShell®Predictor, desenvolvido pela Ward Systems Group. Ao programa foi identificado as variáveis escolhidas como “entradas” para o cálculo do modelo preditivo e a variável de “saída” aquela a ser predita. Para o treinamento das redes foram usados 1.000 criadores do banco de dados do alojamento de frangos de corte de 2001. Os restantes 516 criadores de 2001 e todos os 889 criadores de 2002 serviram para a validação das predições, os quais não participaram da etapa de aprendizagem, sendo totalmente desconhecidos pelo programa. Foram gerados 20 modelos na fase de treinamento das redes neurais artificiais, com distintos parâmetros de produção ou variáveis (saídas). Em todos estes modelos, as redes neurais artificiais geradas foram bem ajustadas apresentando sempre, um Coeficiente de Determinação Múltipla (R²) elevado e o menor Quadrado Médio do Erro (QME). Ressalta-se que o R² perfeito é 1 e um coeficiente muito bom deve estar próximo de 1. Todos os 20 modelos, quando validados com os 516 lotes de 2001 e com 889 de 2002, apresentaram também Coeficientes de Determinação Múltipla (R²) elevados e muito próximos de 1, além de apresentarem o Quadrado Médio do Erro (QME) e Erro Médio reduzidos. Foi comprovado não haver diferenças significativas entre as médias dos valores preditos e as médias dos valores reais, em todas as validações efetuadas nos lotes abatidos em 2001 e em 2002, quando aplicados os 20 modelos de redes neurais gerados. Como conclusão, as redes neurais artificiais foram capazes de explicar os fenômenos envolvidos com a produção industrial de frangos de corte. A técnica oferece critérios objetivos, gerados cientificamente, que embasarão as decisões dos responsáveis pela produção industrial de frangos de corte.Também permite realizar simulações e medir a contribuição de cada variável no fenômeno em estudo.

Neste trabalho, derivamos equações de recorrência que descrevem a dinâmica exata de uma rede neural não-monótona, em camadas, através de uma análise sinal ruído. Para poder avaliar o seu estado dinâmico, definimos a semelhança do estado da rede com alguma configuração específica desta como medida de interesse. Vamos nos referir a estas configurações por "padrões" e a esta medida de interesse por "overlap". Obtivemos as equações dinâmicas na recuperação de um padrão e na recuperação simultânea de dois padrões. Esta arquitetura apresenta conexões apenas entre camadas adjacentes no sentido entrada-saída e padrões descorrelacionados entre as camadas. Assim, a propagação de um sinal nesta rede se dá ao passar por uma seqüência de padrões pré-definidos, de camada para camada. Nesta dinâmica, os pontos fixos correspondem a um valor estacionário do overlap desta seqüência de padrões e não do overlap estacionário de um padrão específico. Nós constatamos, na recuperação de um padrão à temperatura zero, que o modelo não-monótono é capaz de armazenar um conjunto maior de informação que o modelo monótono. Encontramos, além da presença das soluções de ponto fixo, a de atratores cíclicos e caóticos, que foram identificados e expostos graficamente.

Este trabalho teve por objetivo utilizar redes neurais artificiais para explicar fenômenos que ocorrem em matadouros- frigoríficos avícolas. A estatística descritiva e a diferença entre as variáveis foram calculadas através do programa computacional SPSS for Windows 10.0 e para a construção das redes neurais artificiais foi utilizado o programa Neuroshell Predictor desenvolvido pela Ward Systems Group. Foram utilizados dados de 2004 a 2006 de dois matadouros- frigoríficos de aves e ocasionalmente um matadouro- frigorífico de suínos. Nos arquivos oferecidos pelas empresas, haviam dados de gerenciamento de matadouros-frigoríficos, como por exemplo, planilhas de condenação da inspeção, dados sobre chiller, teste de absorção das carcaças, dados sobre peso de carcaças, entre outros. Para a construção dos modelos foram escolhidas as “entradas”, para o cálculo do modelo preditivo, e a variável de “saída” a ser predita. Foram gerados oito (8) modelos com diferentes bancos de dados. Todos esses modelos apresentaram redes neurais artificiais bem ajustadas, com valores altos para Correlação e Coeficiente de Determinação Múltipla (R²) e valores baixos para o Erro Médio e o Quadrado médio do Erro (QME). Não houve diferenças significativas entre os valores reais e os valores preditos em todas as validações dos oito (8) modelos. As redes neurais artificiais, com o software utilizado, foram capazes de explicar os fenômenos que envolvem o gerenciamento de matadouros-frigoríficos de aves, e ocasionalmente de suínos. A técnica utilizada oferece critérios objetivos, cientificamente desenvolvida, que será de grande valia no auxílio do técnico responsável pela tomada de decisões. A técnica permite também realizar simulações e mensurar a contribuição de diferentes variáveis que influenciam no fenômeno. É importante ressaltar que a utilização das redes neurais artificiais é uma ferramenta de auxílio à tomada de decisões, e não um programa que substitua o conhecimento científico e técnico. / This work aimed to use artificial neural networks to explain the occurred phenomena in the poultry slaughterhouse. The descriptive statistics and the difference among the variable averages from the initial data were calculated with SPSS software, and the software used to build the artificial neural networks was Neruoshell Predictor, developed by Ward Systems Group. Data from three poultry and one swine slaughterhouses, gathered from 2004 until 2006, were used in this study. In these data there were information about carcasses condemnation, chillers, absorption tests, carcasses weights, medications and others. To build the neural networks,the chosen variables were identified as “input” and “output”. The “input” variables were selected for the predictive model calculation and the “output” variable for the one to be predicted. It was made 8 models with different databases. In all these models, the generated artifical neural networks were well adjusted always presenting a high Multiple Deteminant Coefficient (R²) and correlation and the lowest Mean Squared Error (QME) and mean error. Also the differences between the real value and the predicted value in the 8 models studied were not statistically significant.This study concludes that artifical neural network, with the used software, were capable to explain the phenomena involved in the poultry slaughterhouse and that the modeling can also be extended to swine slaughterhouse. This powerfull technique offers objective criteria, scientifically generated, which can be used to assist in the decisions analysis process for this industry. It also allows to make simulations and to measure the contribution of each variable in the phenomena studied. It’s important to point out that artificial neural networks are intruments to assist the technician in decision making. Thus, it is not a program able to replace the cientific and technical knowledge.

Uma atividade com a magnitude da avicultura, que usa equipamentos de última geração e serviços atualizados, é levada, na maioria dos casos, a tomar decisões que envolvem todos aspectos de produção, apoiada em critérios subjetivos. A presente tese objetivou estudar a utilização das redes neurais artificiais na estimação dos parâmetros de desempenho de matrizes pesadas, pertencentes a uma integração avícola sul-brasileira. Foram utilizados os registros de 11 lotes em recria, do período compreendido entre 09/11/97 a 10/01/99 e de 21 lotes em produção, do período compreendido entre 26/04/98 a 19/12/99, para a análise por redes neurais artificiais. Os dados utilizados corresponderam a 273 linhas de registros semanais, do período de recria e 689 linhas de registros semanais, do período de produção. Os modelos de redes neurais foram comparados e selecionados como melhores, baseados no coeficiente de determinação múltipla (R2), Quadrado Médio do Erro (QME), bem como pela análise de gráficos, plotando a predição da rede versus a predição menos o real (resíduo). Com esta tese foi possível explicar os parâmetros de desempenho de matrizes pesadas, através da utilização de redes neurais artificiais. A técnica permite a tomada de decisões por parte do corpo técnico, baseadas em critérios objetivos obtidos cientificamente. Além disso, este método permite simulações das conseqüências de tais decisões e fornece a percentagem de contribuição de cada variável no fenômeno em estudo.

Este trabalho tem como objetivo o levantamento e análise de fatores intervenientes na capacidade de processamento de veículos em cabines de praças de pedágio com o recolhimento manual de tarifas. Buscando o entendimento de como estes fatores interferem nos tempos de atendimento nas cabines foi realizada uma análise estatística e posterior modelagem, que utilizou redes neurais artificiais. Redes neurais artificiais são úteis no entendimento de problemas com alto grau de complexidade, que agregam diversas variáveis de entrada com relações não-lineares entre si. As variáveis de entrada escolhidas para a modelagem foram forma de pagamento, intensidade de fluxo, valor das tarifas e classes de veículos. A variável de saída foi o tempo de atendimento nas cabines de cobrança de pedágios. Foram obtidos três modelos que buscaram refletir a variação dos tempos de atendimento para um mesmo conjunto de dados de entrada: Modelo de Tempos Mínimos de Atendimento; Modelo de 85° Percentil de Tempos de Atendimento, e; Modelo de Tempos Máximos de Atendimento. As análises de sensibilidade dos modelos indicaram que tempos de atendimento são fortemente influenciados pelo fluxo de veículos nas praças. Quanto mais intenso o fluxo de veículos, tempos mínimos de atendimento tendem a sofrer leve aumento, indicando pequena perda de rendimento do processo. Perda de rendimento pode ser resultado de (i) necessidade de digitação das placas de licença dos veículos no sistema operacional das praças-dificuldade de visualização das mesmas em situação de filas, e (ii) desgaste físico dos arrecadadores. O desgaste físico dos arrecadadores também se apresenta como provável causa para o aumento de tempos mínimos de atendimento para fluxos altos. Quanto mais intenso o fluxo de veículos, menores são os tempos máximos de atendimento. Quanto maior o fluxo de veículos nas praças, as modelagens indicam uma maior estabilidade do sistema com relação ao processamento de veículos.

Made available in DSpace on 2014-06-12T15:57:48Z (GMT). No. of bitstreams: 2 arquivo3227_1.pdf: 3806078 bytes, checksum: 98b2a595ab3f4ffaa9e04f162fcf2a8e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Em muitas tarefas a máquina é mais eficiente do que o ser humano, sendo capaz de realizar com precisão e rapidez: operações matemáticas, armazenamento de dados, pesquisa textual, entre muitas outras tarefas. Porém, tarefas simples para o ser humano como o reconhecimento da face de uma pessoa, são extremamente complexas para a computação tradicional realizar. A busca por algoritmos que possuam alguma forma de inteligência similar a modelos biológicos (principalmente o modelo dos seres humanos), há décadas inspira e influencia vários pesquisadores. Uma das maiores áreas da Inteligência Computacional é a das Redes Neurais Artificiais, inspiradas na redes neurais biológicas, que são compostas por neurônios e conexões sinápticas. As redes neurais modulares se utilizam das vantagens da modularização para superarem de alguma forma as redes não modulares. Elas buscam minimizar as diferenças entre as redes naturais e artificiais. Uma rede modular é um conjunto independente de redes neurais monolíticas trabalhando em conjunto para solucionar um problema. Um dos maiores desafios na construção de redes modulares é a decomposição do problema em problemas mais simples. Este trabalho propõe novas técnicas para melhorar o desempenho de redes neurais modulares baseadas na similaridade entre classes. Entende-se por desempenho o grau de acertividade e/ou a velocidade de treinamento do modelo. Foram propostos métodos que influenciam etapas distintas da construção de uma rede modular. Duas das propostas buscam otimizar a decomposição do problema, permitindo a criação dos módulos, através da matriz de confusão desse problema. Uma terceira proposta visa a obtenção de uma composição, ou arquitetura, de módulos que melhore o desempenho do modelo

Made available in DSpace on 2014-06-12T15:58:31Z (GMT). No. of bitstreams: 2 arquivo4638_1.pdf: 5130002 bytes, checksum: 6fce9704d608c04ee17fdca0537c4f2e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / As Redes Neurais Artificiais (RNA) têm sido utilizadas com sucesso em tarefas como mapeamento de funções complexas e reconhecimento de padrões. Este sucesso é resultado da habilidade das RNA em realizar cálculos com dados complexos ou imprecisos, aprender a partir de exemplos, generalizar a informação aprendida, extrair padrões e descobrir tendências. Apesar destas vantagens, geralmente não é muito fácil obter explicações de como uma RNA representa a solução de um problema. Devido a esta limitação, as RNA têm sido consideradas inadequadas para serem utilizadas em aplicações de KDD (Knowledge Discovery in Databases) em que o usuário deseja saber o raciocínio usado pela rede para obter uma dada conclusão. Sistemas Híbridos Inteligentes (SHI) é uma abordagem de Inteligência Artificial que vem sendo bastante utilizada na resolução de problemas onde o emprego de uma única técnica não é suficiente para obter resultados satisfatórios. Tais sistemas se inspiram na integração de duas ou mais técnicas inteligentes com o intuito de suprir as limitações de cada técnica. A disseminação dos SHI tem contribuído para a emergência dos Sistemas Neurais Híbridos (SNH). O principal foco de pesquisa em SNH tem sido a integração de RNA, técnica fortemente baseada em dados, com técnicas que utilizam representação simbólica, como Lógica Fuzzy e algoritmos simbólicos convencionais. Os Sistemas Neuro-Fuzzy são um exemplo de SNH que combinam sistemas conexionistas com sistemas fuzzy. Nestes sistemas é aplicado algum método de extração de regras que permite a representação do conhecimento incorporado pela rede numa forma compreensível. Além das técnicas de extração de conhecimento simbólico associadas aos Sistemas Neuro-Fuzzy, diversas técnicas têm sido propostas para outros modelos neurais. Esta dissertação tem como principais objetivos investigar o paradigma dos Sistemas Neuro-Fuzzy e as técnicas de extração de conhecimento simbólico de RNA como uma opção para tornar as RNA mais adequadas ao processo de KDD; e, como resultado da investigação, modelar e implementar uma ferramenta de software, a Neural Mining, baseada na abordagem neural híbrida. A ferramenta Neural Mining integra, em um único ambiente, o modelo Perceptron Multicamadas (Multilayer Perceptron - MLP); os modelos neuro-fuzzy FWD (Feature-Weighted Detector) e FuNN (Fuzzy Neural Network), juntamente com suas técnicas de extração de regras; e a técnica TREPAN (Trees Parroting Networks), que representa o conhecimento incorporado por uma RNA na forma de uma árvore de decisão. Os modelos e técnicas são avaliados e comparados com relação à capacidade de generalização e compreensibilidade do conhecimento extraído. Além da análise nas etapas de mineração de dados e apresentação do conhecimento, também são investigadas duas técnicas de seleção de atributos: a técnica do modelo FWD e através da árvore de decisão gerada por TREPAN. A investigação experimental é realizada usando uma base de dados de um problema real e de larga escala no domínio de análise de crédito ao consumidor. Como os resultados obtidos demonstram que os ganhos decorrentes do uso de modelos neuro-fuzzy e técnicas de extração de conhecimento simbólico de RNA são bastante significativos, ao final da investigação, considerando as vantagens de cada modelo e técnica, são propostas duas soluções neurais híbridas para o processo de KDD

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

Foi desenvolvida uma técnica de medida de nível em vasos de pressão usando sondas térmicas resfriadas internamente por um fluido e análise dos dados experimentais com Redes Neurais Artificiais (RNA´s). Esse novo conceito de sondas térmicas foi testado em uma Bancada Experimental para Testes de Sondas de Nível (BETSNI) com duas seções de testes, ST1 e ST2. Dois projetos distintos de sondas foram construídos: Sonda de Tubos Concêntricos e Sonda de Tubo U. Um Sistema de Aquisição de Dados (SAD) foi montado para registrar os dados experimentais. Testes foram realizados tanto para condições de nível nas seções de testes em estado estacionário quanto para transientes. Os dados experimentais de temperatura e de nível obtidos foram usados para compor tabelas de treinamento e de verificação usadas para implementar RNA´s no programa RETRO-05, que simula um Perceptron de Múltiplas Camadas com Retropropagação. As análises mostraram que a técnica pode ser aplicada para medir o nível em vasos de pressão. As análises mostraram ainda que a técnica é aplicável para um número menor de entradas de temperatura que o inicialmente previsto no projeto das sondas e é robusta, aplicando-se mesmo quando ocorre a perda de alguma informação de temperatura. Dados experimentais disponíveis na literatura referentes a uma sonda térmica aquecida eletricamente também foram usados nas análises com RNA´s, produzindo bons resultados. Os resultados das análises indicaram que a técnica é eficaz e robusta, podendo ser aprimorada e aplicada para medidas de nível em vasos de pressão. / A technique for level measurement in pressure vessels was developed using thermal probes with internal cooling and Artificial Neural Networks (ANN´s). This new concept of thermal probes was experimentally tested in an Experimental Facility (BETSNI) with two test sections, ST1 and ST2. Two different thermal probes were designed and constructed: Concentric Tubes Probe and U Tube Probe. A Data Acquisition System (DAS) was assembled to record the experimental data during the tests. Steady state and transient level tests were carried out and the experimental data obtained were used as learning and recall data sets in the ANNs program RETRO-05 that simulate a Multilayer Perceptron with Backpropagation. The results of the analysis show that the technique can be applied for level measurements in pressure vessel. The technique is applied for a less input temperature data than the initially designed to the probes. The technique is robust and can be used in case of lack of some temperature data. Experimental data available in literature from electrically heated thermal probe were also used in the ANN´s analysis producing good results. The results of the ANN´s analysis show that the technique can be improved and applied to level measurements in pressure vessels.

Made available in DSpace on 2014-06-12T16:00:15Z (GMT). No. of bitstreams: 2 arquivo6168_1.pdf: 990535 bytes, checksum: d789111179e03d1c60d3ba9fb8042bf2 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Este trabalho propõe uma metodologia de busca automática por Redes Neurais Artificiais (RNA) quase-ótimas para problemas de classificação. A metodologia tem o intuito de buscar redes com arquitetura simples, com aprendizagem rápida e com boa capacidade de classificação, ou seja, redes quase-ótimas. A motivação para o desenvolvimento do presente trabalho está centralizada nas dificuldades de encontrar manualmente RNAs quase-ótimas. Essas dificuldades são ocasionadas pelo grande número de parâmetros de RNAs que necessitam de ajustes para que haja uma correlação entre esses parâmetros, a fim de contribuir para que redes estruturalmente simples e com alto desempenho possam ser encontradas. A busca automática por redes quase-ótimas engloba informações como pesos iniciais, camadas escondidas, nodos por camada, tipos de funções de ativação e algoritmos de aprendizagem para redes Multi-Layer Perceptron (MLP), completamente conectadas. O mecanismo de busca é composto por uma combinação de Algoritmos Genéticos (AG) e de RNAs. Nessa combinação, primeiramente é executada uma busca global pelos parâmetros de RNAs, posteriormente executa-se uma busca local com RNAs por meio de seus algoritmos de aprendizagem, para refinar e avaliar a solução encontrada. Essa forma de busca é consagrada e apresentou bons resultados em outros trabalhos encontrados na literatura. O diferencial do método desenvolvido é o foco na simplificação de arquiteturas com um alto desempenho de classificação, exigindo poucas épocas de treinamento. Com o método desenvolvido foram realizados experimentos em cinco domínios de problemas conhecidos, a saber: Câncer, Vidros, Coração, Cavalos e Diabetes. Os resultados apontam uma melhor eficácia do método desenvolvido na busca por redes quase-ótimas perante o método de busca manual e também em relação a outros métodos da literatura. As redes encontradas para cada um dos domínios de problemas apresentam uma baixa complexidade e também um baixo erro de classificação. Esses resultados são extremamente importantes para mostrar a capacidade do método desenvolvido e justificar o esforço investido no desenvolvimento de métodos de busca por RNAs quase-ótimas