Made available in DSpace on 2016-06-02T19:05:33Z (GMT). No. of bitstreams: 1 DissARB.pdf: 2917601 bytes, checksum: 2550cfec255ecfa8a17d449f488cf2b7 (MD5) Previous issue date: 2001-09-27 / Financiadora de Estudos e Projetos / In this dissertation it is presented a face recognition system based in the neocognitron (NEOPC). This system is divided into three major stages: (a) pré-processing: which normalizes the facial samples utilized in the neural network architectures; (b) Neural Network for Detection of Control Points (NNDCP): which obtains the control points to be used in the non supervised training structure of the neocognitron and (c) Neural Network for the Facial Recognition (NNFR), which carried out the recognition of face samples.The main characteristic of NEOPC is the use of control points for the extraction of patterns strategically located, such as eyes, noses and lips, used on non supervised training of the NNFR. The tests of the NEOPC were carried out, considering facial samples having variations of angles and expressions, and different amounts of classes and samples to the training and recognition stages. For the attainment of the results, a base of images released by the University of Cambridge and three bases of images developed as part of this work. In order to compare the several results obtained with the four bases of images investigated in this dissertation we present in all of them relevant information, such as, the thresholds used for the excitation of neurons, rightness and error rates. The results shows that the NEOPC performance increases with the number of samples used for the training, until an optimal point, and then decreases. It is explained by the increase of the cell numbers with the features from new samples, difficulty the recognition. / Nesta dissertação de mestrado é apresentado um sistema de reconhecimento facial baseado no neocognitron (NEOPC). Este sistema é dividido em três importantes etapas: (a) pré-processamento: que normaliza as amostras faciais utilizadas nas arquiteturas de redes neurais, (b) Rede Neural para Detecção dos Pontos de Controle (RNDPC): que obtém os pontos de controles que são adicionados na estrutura de treinamento nãosupervisionado do neocognitron e (c) Rede Neural para o conhecimento Facial (RNRF): que realiza o reconhecimento das amostras faciais. A principal característica da NEOPC é a utilização dos pontos de controle para a extração de fatores localizados em posições estratégicas, tais como olhos, nariz e lábios, utilizados no treinamento não-supervisionado da RNRF. Foram realizados os testes, da NEOPC, considerando amostras faciais com variações de ângulos e expressões, e diferentes quantidades de classes e amostras para a fase de treinamento e reconhecimento. Foram utilizadas, para a obtenção dos resultados, uma base de imagens disponibilizada pela Universidade de Cambridge e três bases de imagens desenvolvidas como parte deste trabalho. Para comparar os vários resultados obtidos com as quatro bases de imagens utilizadas nesta dissertação, foram apresentados, em todas a bases, informações relevantes, tais como: os thresholds utilizados para a excitação dos neurônios, a taxa de acerto e a taxa de erro. Os resultados demonstraram que o desempenho do NEOPC aumenta com a quantidade de amostras utilizadas para o treinamento, até um ponto ótimo, e posteriormente passa a decrescer. Isso significa que novos atributos de novas amostras aumentam o número de planos celulares dificultando o reconhecimento.

Made available in DSpace on 2016-06-02T19:05:48Z (GMT). No. of bitstreams: 1 DissBZ.pdf: 3665163 bytes, checksum: afc77330f1e29e8f8d84806ecc6b95a5 (MD5) Previous issue date: 2004-04-26 / Financiadora de Estudos e Projetos / Some Artificial Neural Networks may increase their size significantly with its use, making it difficult for a human being study it well. The networks of the Neocognitron model are an example of this kind of network, increasing its initial size many times before the end of their training. Using Scientific Visualization techniques, we obtained a tool that allows the user to see in details a neocognitron network actually working, be it during its training time or the recognition process. This allows a better comprehension of the whole model , as it helps in the construction of a network by allowing experimentation with the parameters of the model. Powering this tool is a library of classes, that can be used separately to the implementation of new ways of visualization or in new simulators of other models of neural networks. / As redes neurais artificiais possuem a capacidade de aumentarem significativamente de tamanho, tornando-se mais difícil para o ser humano estudá-las a contento. As redes do tipo neocognitron são um exemplo desse tipo de rede, que pode ampliar em muitas vezes seu tamanho inicial durante o treinamento. Utilizando-se de técnicas de visualização, conseguiu-se uma ferramenta que possibilita ver o funcionamento de uma rede neocognitron, tanto em seu treinamento quanto na fase de classificação, permitindo assim uma maior compreensão do modelo como um todo, bem como experimentação dos diversos parâmetros do modelo. Por trás dessa ferramenta está uma biblioteca de classes que pode ser utilizada separadamente para a implementação de novas formas de visualização ou novos simuladores de modelos de redes neurais diferentes. A utilização dessa biblioteca reduz o tempo de prototipação de uma rede neural do tipo Neocognitron e, com algumas expansões, de outros tipos de redes neurais. Isso propicia um maior tempo para o pesquisador voltar sua atenção à arquitetura da rede em si. No campo da educação, a ferramenta de visualização fornece um laboratório sobre a rede neural Neoconitron, podendo ainda ser adaptado para se conformar a novas expansões da biblioteca, fazendo com que o aluno aprenda mais sobre a arquitetura da rede ao vê-la em funcionamento e ao alterar seus parâmetros interativamente.

Made available in DSpace on 2014-12-17T14:55:31Z (GMT). No. of bitstreams: 1 JoseMB_capa_ate_pag12.pdf: 7494669 bytes, checksum: 353155cd86e106a661e9f32c5ead7aba (MD5) Previous issue date: 2002-06-21 / ln this work the implementation of the SOM (Self Organizing Maps) algorithm or Kohonen neural network is presented in the form of hierarchical structures, applied to the compression of images. The main objective of this approach is to develop an Hierarchical SOM algorithm with static structure and another one with dynamic structure to generate codebooks (books of codes) in the process of the image Vector Quantization (VQ), reducing the time of processing and obtaining a good rate of compression of images with a minimum degradation of the quality in relation to the original image. Both self-organizing neural networks developed here, were denominated HSOM, for static case, and DHSOM, for the dynamic case. ln the first form, the hierarchical structure is previously defined and in the later this structure grows in an automatic way in agreement with heuristic rules that explore the data of the training group without use of external parameters. For the network, the heuristic mIes determine the dynamics of growth, the pruning of ramifications criteria, the flexibility and the size of children maps. The LBO (Linde-Buzo-Oray) algorithm or K-means, one ofthe more used algorithms to develop codebook for Vector Quantization, was used together with the algorithm of Kohonen in its basic form, that is, not hierarchical, as a reference to compare the performance of the algorithms here proposed. A performance analysis between the two hierarchical structures is also accomplished in this work. The efficiency of the proposed processing is verified by the reduction in the complexity computational compared to the traditional algorithms, as well as, through the quantitative analysis of the images reconstructed in function of the parameters: (PSNR) peak signal-to-noise ratio and (MSE) medium squared error / Neste trabalho ? apresentada a implementa??o do algoritmo SOM (Self Organizing Maps) ou rede neural de Kohonen na forma de estruturas hier?rquicas, aplicadas ? compress?o de imagens. O objetivo desta abordagem ? desenvolver um algoritmo SOM Hier?rquico com estrutura est?tica e um outro com estrutura din?mica para gerar codebooks (livros de c?digos) no processo de Quantiza??o Vetorial (VQ) da imagem; reduzindo o tempo de processamento e obtendo uma boa taxa de compress?o de imagens com um comprometimento m?nimo da qualidade em rela??o ? imagem original. As duas redes neurais auto-organiz?veis aqui desenvolvidas, foram denominadas de HSOM, para caso est?tico e de DHSOM, para caso din?mico. Na primeira, a estrutura hier?rquica ? previamente definida e na segunda essa estrutura se desenvolve de forma autom?tica de acordo com regras heur?sticas propostas neste trabalho, que exploram os dados do conjunto de treinamento sem que haja necessidade de utiliza??o de par?metros externos. As regras heur?sticas determinam a din?mica de crescimento da rede, o crit?rio de poda de ramifica??es da rede, a flexibilidade da rede e o tamanho dos mapas filhos.O algoritmo LBG (Linde-Buzo-Gray) ou K-means, um dos mais utilizado para desenvolver codebooks para quantiza??o vetorial, serviu justamente com o algoritmo de Kohonen na sua forma b?sica, isto ?, n?o hier?rquica, como refer?ncia para comparar o desempenho dos algoritmos aqui propostos. Uma an?lise de desempenho entre as duas estruturas hier?rquicas ? tamb?m realizada neste trabalho. A efici?ncia do processamento proposto ? verificada pela redu??o na complexidade computacional em rela??o aos algoritmos tradicionais, bem como, atrav?s das an?lises quantitativas das imagens reconstru?das em fun??o dos par?metros: (PSNR) rela??o sinal-ru?do de pico e (MSE) erro m?dio quadr?tico

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-04-03T19:47:14Z No. of bitstreams: 1 AndreQuintilianoBezerraSilva_DISSERT.pdf: 6705778 bytes, checksum: 90ff28923ed0270632f9a0851890a75a (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-04-05T21:51:32Z (GMT) No. of bitstreams: 1 AndreQuintilianoBezerraSilva_DISSERT.pdf: 6705778 bytes, checksum: 90ff28923ed0270632f9a0851890a75a (MD5) / Made available in DSpace on 2017-04-05T21:51:32Z (GMT). No. of bitstreams: 1 AndreQuintilianoBezerraSilva_DISSERT.pdf: 6705778 bytes, checksum: 90ff28923ed0270632f9a0851890a75a (MD5) Previous issue date: 2017-02-14 / Um dos principais objetivos da intelig?ncia artificial ? a cria??o de agentes inspirados na intelig?ncia humana. Isso vem sendo pesquisado utilizando v?rias abordagens, e entre as mais promissoras para o aprendizado de m?quinas est?o os sistemas simb?licos baseados na l?gica e as redes neurais artificiais. At? a ?ltima d?cada, ambas as abordagens progrediam de forma independente, mas os progressos obtidos em ambas as ?reas fizeram com que os pesquisadores come?assem a investigar maneiras de integrar as duas t?cnicas. Diversos modelos que proporcionam a integra??o h?brida ou integrada desses m?todos inteligentes surgiram na d?cada de 90 e continuam sendo utilizadas e melhoradas at? hoje. Esse trabalho tem como objetivo principal a implementa??o e uso do algoritmo de convers?o neuro-simb?lica do sistema h?brido Knowledge-Based Artificial Neural Networks (KBANN). O sistema possui a capacidade de mapear um dom?nio te?rico espec?fico de regras (se-ent?o) em uma rede neural e refinar a rede utilizando t?cnicas de aprendizado. Al?m disso, como o algoritmo criado por Towell et al. (1990) n?o possui a capacidade de adquirir novos conhecimentos sem distorcer o que j? foi aprendido, utilizou-se o algoritmo TopGen (Optiz e Shavlik, 1995) para adicionar tal capacidade a rede. O trabalho utilizou um jogo de tabuleiro para realizar experimentos devido a quantidade e o conhecimento existente sobre as regras do jogo. O sistema implementado obteve resultados interessantes, mesmo com a pertuba??o do dom?nio inicial de regras (com a exclus?o parcial), obtendo uma taxa de acerto pr?xima a 100%. Portanto, a partir dos resultados obtidos foi poss?vel concluir que o sistema h?brido ? capaz de se sobrepor a situa??es adversas a qual foi submetido nessa pesquisa. / One of the main goals of artificial intelligence is the creation of agents with humanlike intelligence. This has been researched using various approaches, and among the most prominent for machine learning are logic-based symbolic systems and artificial neural networks. Until the last decade, both approaches have progressed independently, but progress in both areas has led researchers to investigate ways to integrate both approaches. Several models that provide hybrid or integrated integration of these approaches emerged in the 1990s, and continue to be used to this day. This work has as main objective the implementation and use of the Neural-Symbolic conversion algorithm of Knowledge-Based Artificial Neural Networks (KBANN), the system has the ability to map a specific theoretical domain of rules (if-then) into a neural network, and refine the network using learning techniques. In addition, since the algorithm created by (Towell et al., 1990) does not have the capacity to acquire new knowledge and introduce them to the neural network, the algorithm TopGen (Optiz and Shavlik, 1995) will be used to add The network without losing the original knowledge acquired. The work used a board game to conduct experiments due to the well established rules of the game. The implemented system obtained interesting results, even with the initial rule domain perturbation (with the exclusion of them), obtaining an accuracy rate close to 100 %. Therefore, from the obtained results it was possible to conclude that the hybrid systems are able to overlap to adverse situations which were carried out the analyzes proposed in this research.

[pt] Esta dissertação investiga a aplicação de Redes Neurais e Algoritmos Genéticos como ferramentas para retirar conhecimentos, em forma de regras, de um Banco de Dados. Essa nova área, KDD (knowledge Discovery in Database), surgiu com a necessidade de se desenvolver ferramentas que possam, de forma automática e inteligente, ajudar aos analistas de dados a transformar grandes volumes de dados em informações e organizar estas informações em conhecimentos úteis. A pesquisa aqui resumida é portanto, um desenvolvimento na área de sistemas de computação (desenvolvimento de sistemas) e na área de inteligência computacional (data mining, algoritmos genéticos, redes neurais, interfaces inteligentes, sistemas de apoio a decisão, criação de bases de conhecimentos) O trabalho de tese foi dividido em cinco partes principais: um estudo sobre o processo KDD; um estudo da estrutura dos sistemas de KDD encontrados na literatura; o desenvolvimento de sistemas de KDD, um utilizando algoritmos Genéticos e os outros utilizando Redes Neurais; o estudo de casos e a análise de desempenho dos sistemas desenvolvidos. O processo de KDD serve para que se possa retirar novos conhecimentos (padrões, tendências, fatos, probabilidade, associações) de um determinado banco de dados. Basicamente o KDD consiste em oito etapas, que são: Definição do problema, Seleção dos dados, Limpeza dos dados, enriquecimento dos dados, Pré-processamento dos dados, Codificação dos dados, Mineração dos dados (data mining) e o relatório contendo a interpretação dos resultados. A mineração dos dados é freqüentemente vista como elemento chave do processo de KDD. A extração do conhecimento, propriamente dita, se dá na Mineração dos dados, onde toda técnica que ajude a extrair mais informações dos dados é útil. Assim na Mineração de dados podemos lançar mão de um grupo heterogêneo de técnicas, como por exemplo, Técnicas de estatísticas, visualização dos dados, redes neurais e algoritmos genéticos. Portanto os estudos do processo inclui estudos sobre Data Mining, aprendizado de máquinas, data warehouse, o processo e o ambiente do KDD, aspectos formais dos algoritmos de aprendizado, inteligência artificial, e algumas aplicações na vida real. Dentre os vários sistemas de KDD encontrados na literatura que foram estudados e analisados, podemos citar sistemas que utilizaram, na etapa de mineração dos dados, uma ou mais das seguintes técnicas de computação para extrair padrões e associações nos dados, uma ou mais das seguintes técnicas de computação para extrair padrões e associações nos dados tais como: Visualização dos dados, ferramenta de consulta, técnicas de estatísticas, processamento analítico on-line (OLAP), Árvore de decisão, regras de associação, redes neurais e algoritmos genéticos. Neste trabalho foram desenvolvidos dois sistemas de KDD. Em cada um dos modelos desenvolvidos utilizou-se uma técnica de visualização dos dados para garantir a interação do sistema com o analista dos dados. Além disso utilizou-se, na etapa mineração dos dados, num dos modelos Algoritmos genéticos, e no outro Redes Neurais Backpropagation. Também para efeito de comparação e de apoio, se desenvolveu um sistema utilizando Técnicas de Estatísticas. Com o modelo utilizando Algoritmos Genéticos se encontra a melhor regra de produção relacionada a um banco de dados, que responde a uma pergunta específica. E com os modelos utilizando Redes Neurais se obtém resultados para serem comparados. A fase de aplicação consistiu em analisar dois diferentes bancos de dados, um contendo dados dos meninos e meninas de rua, e o outro contendo dados dos alunos que se matricularam no vestibular. Na análise dos bancos de dados se utilizou os sistemas de KDD aqui desenvolvidos, tendo como objetivo encontrar, com o auxílio de Algoritmos genéticos, ou de redes ne / [en] This dissertation investigates the genetic algorithms and neural networks as applications tools to find knowledge, in the form of rules, from a database. This new area, KDD (Knowledge Discovery in Database) appeared with the need of developing tools that can, in automatic and intelligent way, help the data analysis to transform great volumes of data in information and to organize these information in useful knowledge. The research here summarized is therefore, a development in the area of computational systems (development of systems) and in the area of intelligence computational (data mining, genetic algoriths, neural networks, intelligence interfaces, decision support systems and creation of knowledge bases). The thesis work was divided in five main parts: A study of the KDD process: a study of the structure of the KDD systems found in the literature; the development of KDD systems, one using genetic algorithms and the others using neural networks; the study of cases and the analysis of the performance of the developed systems. The KDD process is able to find new knowledge (patterns, tendencies, facts, probability and associations) from a certain database. Basically KDD involves eight steps, that are: problem definition, data selection, cleaning, enrichment, preprocessing, coding, data mining and the reporting containing the interpretation of the results. The Data Mining is frequently seen as the key element of the KDD process. The extraction of the knowledge, itself, happens in the Data mining, where any technique that helps extract more information out of your data is useful. In Data Mining we can make use of a heterogeneous group of techiques, for example, Statistical techniques, Visualization techniques, Neural Networks and Genetic algorithms. Therefore the studies of the KDD process included studies on data mining, machine learning, data warehouse, the KDD process and the KDD environment, formal aspects of the learning algoriths, artificial intelligence, and some applications in the real life. In several KDD systems found in the literature that were studied and analyzed, we can mention systems that uses, in the data mining step, one or more of following computation techniques to extract patterns and associations from data as: visualization techniques, query tools, statistical techniques, online analytical processing (OLAP), decision trees, association rules, neural networks and genetic algorithms. In this work two KDD systems wer developed. In each one of the developed models a visualization techniques was used, to guarantee the interaction of the system with the data analyst. And in the Data Mining step, genetic algorithms was used in one of the models, and Backpropagation Neural Networks in the other. For comparison and support effect, a system was developed using Statistical techniques. The genetic algorithm model is to find the best production rule related to a database, that answers to a specific question. And the results of the Neural Networks model is to be compared with the results of the genetic algorithm model. The application phase consisted of analyzing two different databases, one with the boys´data that lives in the street, and the other with the students´data that makes the university admission test. In the analysis of the databases it was used the KDD system here developed, with the objective to find, with genetic algorithms, or Neural Network, the best production rule, related to the databases, that answers a specific question. Two types of question. Two types of question were considered, the ones that look for characteristic of a group of data, for example, Which the boys characteristics that live in the streets? And Which the characteristics of a group of individuals that were classified but they didn´t enroll in the university? And that associates groups of data, for example, What differentiate the boys, with similar economic situation, tha

Perceptrons são redes neurais sem retroalimentação onde os neurônios estão dispostos em camadas. O perceptron considerado neste trabalho consiste de uma camada de N neurônios sensores Si = ±1; i = 1, , N ligados a um neurônio motor δ através das conexões sinápticas (pesos) Wi; i = 1, ..., N cujos valores restringimos a ±1. Utilizando o formalismo de Mecânica Estatística desenvolvido por Gardner (1988), estudamos os efeitos de eliminarmos uma fração de conexões sinápticas (diluição ) nas capacidades de memorização e generalização da rede neural descrita acima. Consideramos também o efeito de ruído atuando durante o estágio de treinamento do perceptron. Consideramos dois tipos de diluição: diluição móvel na qual os pesos são cortados de maneira a minimizar o erro de treinamento e diluição fixa na qual os pesos são cortados aleatoriamente. A diluição móvel, que modela lesões em cérebro de pacientes muito jovens, pode melhorar a capacidade de memorização e, no caso da rede ser treinada com ruído, também pode melhorar a capacidade de generalização. Por outro lado, a diluição fixa, que modela lesões em cérebros de pacientes adultos, sempre degrada o desempenho da rede, sendo seu principal efeito introduzir um ruído efetivo nos exemplos de treinamento. / Perceptrons are layered, feed-forward neural networks. In this work we consider a per-ceptron composed of one input layer with N sensor neurons Si = ±1; i = 1, ... , N which are connected to a single motor neuron δ through the synaptic weights Wj; i = 1, ... , N, which are constrained to take on the values ±1 only. Using the Statistical Mechanics formalism developed by Gardner (1988), we study the effects of eliminating a fraction of synaptic weights on the memorization and generalization capabilities of the neural network described above. We consider also the effects of noise acting during the perceptron training stage. We consider two types of dilution: annealed dilution, where the weights are cut so as to minimize the training error and quenched dilution, where the weights are cut randomly. The annealed dilution which models brain damage in very young patients can improve the memorization ability and, in the case of training with noise, it can also improve the generalization ability. On the other hand, the quenched dilution which models lesions on adult brains always degrades the performance of the network, its main effect being to introduce an effective noise in the training examples.

Made available in DSpace on 2014-06-12T15:52:08Z (GMT). No. of bitstreams: 2 arquivo3104_1.pdf: 10366275 bytes, checksum: 2fb0195a7c62e76b0be52b710d341aa7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / dispositivos sensores de varredura a laser. O agente explora um ambiente composto de salas, corredores e passagens entre salas. Tal ambiente é inicialmente desconhecido e o agente robótico o explora assimilando conhecimento sobre o layout e outras características, produzindo uma representação interna. O agente robótico faz uso dessa representação interna para: planejar suas ações de navegação; determinar e percorrer um caminho entre a sua posição atual e outra localizada no ambiente conhecido; navegar desviando de obstáculos; localizar a si mesmo em sua representação interna, confrontando as informações capturadas por seu sistema sensor com o seu conhecimento do ambiente; produzir reconstruções virtuais das áreas visitadas. O problema acima é formalizado considerando a captura, codificação, representação e associação de percepções como base para a obtenção de uma representação cognitiva do ambiente. Os fluxos de dados dos dispositivos sensores são considerados fontes para a extração de percepções por processos inatos, e estes, em termos computacionais, constituem um passo de pré-processamento. Nesta tese, o foco é a obtenção dos comportamentos mencionados acima, a partir de mecanismos de Inteligência Artificial. Aspectos de Neurofisiologia e Neuropsicologia são considerados na proposição de um modelo cognitivo e um conjunto de modelos computacionais e seus algoritmos. O modelo cognitivo proposto é biologicamente plausível e computacionalmente realizável. Posteriormente, o modelo cognitivo proposto é usado no desenvolvimento de artefatos computacionais para suporte aos processos cognitivos requeridos. Tal modelo é composto de uma arquitetura em camadas entrelaçadas e suporta a definição de módulos que realizam processos cognitivos isolados, bem como módulos que realizam processos cognitivos com interdependências. O modelo cognitivo proposto, o sistema motor e sensor do agente robótico e as tarefas definidas são considerados na proposição de um conjunto básico de módulos. Um novo modelo de mapa auto-organizável é proposto para suporte às atividades neurais requeridas. Esse novo modelo de rede neural foi chamado de Mapa Auto-Organizável Crescente que Aprende Topologia (Growing Topology Learning Self-Organizing Map - GTLSOM). O GTLSOM produz, a partir de triangulações simples, um mapa que representa a topologia de um espaço de amostras. Esse modelo de rede neural é usado como uma ferramenta para armazenar, agrupar e indexar percepções produzindo mapas que atuam como memórias básicas para processos cognitivos mais elaborados. O layout do ambiente no entorno do agente robótico é representado em um mapa produzido pelo modelo GTLSOM. Esse mapa é, então, empregado na interpretação do ambiente local diferenciando entre espaço livre e obstáculos. A percepção e desvio de obstáculos é suportada em dois momentos diferentes. Na fase de planejamento, o mapa de Células de Grade é usado e caminhos são determinados evitando os obstáculos conhecidos. Para tal, é proposto um algoritmo que tem por bases a dispersão de um pulso elétrico sobre um aramado e o conceito de campos potenciais. Na fase de navegação, as percepções do agente robótico são usadas na obtenção de uma memória contextual. Essa memória produz um julgamento de valor acerca da viabilidade de cada uma das ações de navegação disponíveis. O algoritmo proposto para guiar o agente robótico através de um caminho determinado no mapa de Células de Grade, considera esse julgamento de valor na decisão de qual ação executar. A reconstrução virtual de um lugar visitado é obtida usando o GTLSOM como uma ferramenta para a obtenção de uma malha de triângulos que representa as superfícies dos obstáculos e as superfícies que delimitam o ambiente. Nesta tese, o conceito de mapa topológico é similar ao de um grafo. Logo, considerando diferentes níveis de abstração, os nodos podem representar salas (localidades) ou posições (lugares). Um nodo representa um conjunto de percepções formando um contexto que habilita o agente robótico a reconhecer um lugar quando revisitado. O primeiro nível de abstração mencionado é remetido a trabalhos futuros. Entretanto, é proposto um algoritmo para a obtenção de um mapa topológico no qual cada nodo congrega um conjunto de percepções formando um contexto que identifica um lugar, uma posição visitada pelo agente e que pode ser reconhecida a partir do conjunto de características percebidas. As relações de vizinhança entre lugares são representadas pelas conexões entre nodos. O modelo GTLSOM é empregado como uma memória de percepções onde o conjunto de percepções atuais dispara lembranças cujo contexto associativo produz o reconhecimento do lugar. O modelo cognitivo e os algoritmos propostos são validados em um ambiente 3D virtual realístico. Esse ambiente foi desenvolvido como parte desta tese, e foi projetado para permitir interações diretas e em tempo real com o agente robótico virtual. A movimentação do agente no ambiente pode ser observada sob três diferentes perspectivas. Uma câmera apresenta a visão do próprio agente robótico. Outra segue o agente enquanto ele se movimenta no ambiente. A terceira câmera produz uma visão de topo, na qual se observa o agente robótico e parte do ambiente ao seu redor. A simulação da dinâmica é capaz de detectar as colisões entre o agente robótico e os elementos do ambiente. Entretanto, a simulação de inércia e de forças de aceleração e gravidade são remetidas a trabalhos futuros

Made available in DSpace on 2014-06-12T15:56:12Z (GMT). No. of bitstreams: 2 arquivo2764_1.pdf: 1664422 bytes, checksum: 79eaee65874c2baef2a7f616acbbb579 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco / A proposta desta dissertação é a criação de sistemas de reconhecimento de padrões baseada em abordagens híbridas, com o intuito de reduzir o tempo computacional e melhorar o desempenho quando comparado com outras técnicas de agrupamento. Esta dissertação propõe os métodos de agrupamentos SOMAK, que é a combinação dos Mapas Auto-Organizáveis (SOM) seguido do algoritmo Ant Kmédias (AK), ASCAK, composto pelos os algoritmos ASCA e AK e SOINAK, composto pela Rede Neural Incremental Auto-Organizável (SOINN) e AK. SOM é uma Rede Neural Artificial (RNA) que permite a visualização de dados de alta dimensionalidade e implementa um mapeamento ordenado de uma distribuição de alta dimensão dentro de uma grade regular de baixa dimensão. ASCA e AK são algoritmos de agrupamentos baseados na otimização da colônia de formigas (ACO). ACO é uma abordagem meta-heurística recentemente proposta para resolver problemas de difícil otimização combinatória. SOINN é uma rede neural de representação topológica útil para solucionar problemas de aprendizagem não supervisionada, gerando grupos de dados correlacionados e pode ser capaz de realizar este aprendizado de forma incremental. SOMAK, ASCAK e SOINAK empregam SOM, ASCA e a rede neural SOINN respectivamente como classificadores de características sobre os dados de entrada, ao invés de realizar o agrupamento dos dados diretamente. Primeiro, um conjunto grande de protótipos é formado pela rede neural SOM, o algoritmo ASCA e a rede neural incremental SOINN. Na segunda etapa, os protótipos são interpretados e então combinados para formar os agrupamentos finais ou definitivos. O benefício dos métodos propostos é a redução de ruídos. O algoritmo AK modifica o algoritmo K-médias localizando os objetos em seguida agrupando-os de acordo com probabilidades que são atualizadas pelo feromônio. SOINAK tem apresentado um melhor desempenho quando comparado com algumas outras técnicas híbridas de agrupamento, diferentemente do desempenho alcançado pelos métodos de agrupamentos SOMAK e ASCAK

Made available in DSpace on 2014-06-12T15:59:13Z (GMT). No. of bitstreams: 2 arquivo4980_1.pdf: 1807272 bytes, checksum: abdafe66edec7c505073236b251526d0 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 1999 / Motivados pela demanda do mercado de software musical, bem como pelo interesse científico envolvido no problema de previsão de séries temporais [Weigend, 1993], desenvolvemos um ambiente capaz de realizar previsões de acordes de canções de Jazz em tempo real. Nós propusemos uma arquitetura híbrida original que tem como base uma rede neural MLP-backpropagation atuando de forma concorrente com um rastreador de seqüências repetidas de acordes. A rede neural faz um aprendizado prévio a partir de diversos exemplos de canções, extraindo os padrões curtos de seqüências de acordes típicas. O sistema rastreador funciona capturando em tempo real as repetições (refrões, estrofes, etc.) dentro de uma dada canção, as quais escapariam à rede neural. Trata-se da problemática geral de aprendizado a priori versus aprendizado situado, em tempo real. Com a arquitetura híbrida proposta e uma representação rica do acorde musical, obtivemos resultados muito acima dos registrados na literatura dedicada ao problema

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-03-07T18:10:06Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação _Adriano Honorato.pdf: 2593391 bytes, checksum: 66560b270a251eb8352a53374e86aa02 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-03-07T18:10:27Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação _Adriano Honorato.pdf: 2593391 bytes, checksum: 66560b270a251eb8352a53374e86aa02 (MD5) / Made available in DSpace on 2018-03-07T18:10:27Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação _Adriano Honorato.pdf: 2593391 bytes, checksum: 66560b270a251eb8352a53374e86aa02 (MD5) Previous issue date: 2017-09-29 / Virtual herbariums aim to disseminate scientific information and contribute to the conservation and sustainable use of Brazilian biological resources. It currently includes 120 national herbaria and 25 herbariums from abroad, together provide more than 5,4 million records and more than one million images, in addition to several free access tools, opening space for the application of Machine Learning techniques, among them classifiers. In the Machine Learning process, Attribute Selection is part of the pre-processing of data and can correspond to 80% of the data mining phase, for this it is necessary to study the approaches used to make the selection of a subset of attributes that better generalize the basis to be induced to the model of machine learning. The objective of this work is to apply the attributes selection processes with the following filter, wrapper and embedded approaches in the National Institute of Science and Technology (NIST) - Virtual Herbarium of Flora and Fungi, this base contains 87,732 records and 51 features, with 119 collections and sub-collections, 86,967 online records, 80,513 georeferenced records, 12,073 different accepted species. The first phase of machine learning processes is the pre-processing, which will analyze the database and will result in a more general and ready basis for the application of the predictive models of classification, after the filter of the most relevant subset of attributes, the Machine Learning algorithms are applied, which in this research was: Decision Tree, Network Neural Artificial and Logistic Regression. The evaluation of the models will be through the confusion matrix using the accuracy and the analysis of the area on the ROC curve. Among the models studied, the Logistic Regression was the one that obtained the performance with a total accuracy of 77.25%, with the filter approach and 76.25% with the wrapper. / Os herbários virtuais têm como objetivo disseminar informações científicas e contribuir para a conservação e uso sustentável dos recursos biológicos brasileiros. Atualmente integra 120 herbários nacionais e 25 herbários do exterior, juntos disponibilizam mais de 5,4 milhões de registros e mais de um milhão de imagens, além de várias ferramentas de livre acesso, abrindo espaço para a aplicação de técnicas de Aprendizagem de Máquina, entre elas os classificadores. No processo de Aprendizagem de Máquina a Seleção de Atributos faz parte do pré-processamento de dados e que pode corresponder a 80% da fase da mineração de dados, para isso se faz necessário um estudo sobre das abordagens utilizadas para fazer a seleção de um subconjunto de atributos que melhor generalize a base para ser induzido ao modelo de aprendizado de máquina. O objetivo deste trabalho é aplicar os processos de seleção de atributos com as seguintes abordagens filtro, wrapper e embutido, na base de dados do Instituto Nacional de Ciência e Tecnologia – Herbário Virtual da Flora e dos Fungos, esta base contém 87.732 registros e 51 atributos, sendo 119 coleções e sub-coleções, 86.967 registros online, 80.513 registros georreferenciados, 12.073 espécies aceitas distintas. A primeira fase dos processos de aprendizado de máquina é o pré-processamento, que analisará a base de dados e resultará em uma base mais genérica e pronta para aplicação dos modelos preditivos de classificação, após o filtro do subconjunto de atributos mais relevantes aplicam-se os algoritmos de Aprendizagem de Máquina, que nesta pesquisa foi: Árvore de Decisão, Rede Neural Artificial e Regressão Logística. A avalição dos modelos será através da matriz de confusão utilizando a acurácia e a análise da área sobre a curva ROC. Dentre os modelos estudados o de Regressão Logística obteve o desempenho de classificação de acurácia de 77,25%, com a abordagem filtro e 76,25% com a wrapper.