A análise visual do eletroencefalograma (EEG) tem se mostrado útil na ajuda diagnóstica da doença de Alzheimer (DA), sendo indicado em alguns protocolos clínicos quando o diagnóstico permanece em aberto após a avaliação inicial. Porém, tal análise está sujeita naturalmente à imprecisão inerente de equipamentos, movimentos do paciente, registros elétricos e variação da interpretação da análise visual do médico. A teoria das Redes Neurais Artificiais (RNA) tem-se mostrado muito apropriado para tratar problemas como predição e reconhecimento de padrões de sinais em outras áreas do conhecimento. Neste trabalho utilizou-se uma nova classe de RNA, a Rede Neural Artificial Paraconsistente (RNAP), caracterizada pela manipulação de informações incertas, inconsistentes e paracompletas, destinada a reconhecer padrões predeterminados de EEG e de avaliar sua aplicabilidade como método auxiliar para o diagnóstico da DA. Trinta e três pacientes com DA provável e trinta e quatro pacientes controles foram submetidos ao registro de exames de EEG durante a vigília em repouso. Considerou-se como padrão normal de um paciente, a atividade de base entre 8,0 Hz e 12,0 Hz (com uma frequência média de 10 Hz), permitindo uma variação de 0.5 Hz. A RNAP foi capaz de reconhecer ondas de diferentes bandas de frequência (teta, delta, alfa e beta) aplicadas ao uso clínico do EEG, levando a uma concordância com o diagnóstico clínico de 82% de sensibilidade e 61% de especificidade. Com estes resultados, acredita-se que a RNAP possa vir a ser uma ferramenta promissora para manipular análise de EEG, tendo em mente as seguintes considerações: o interesse crescente de especialistas em análise visual de EEG e a capacidade da RNAP tratar diretamente dados imprecisos, inconsistentes e paracompletos, fornecendo uma interessante análise quantitativa e qualitativa / The visual analysis of EEG has shown useful in helping the diagnosis of Alzheimer disease (AD) when the diagnosis remains uncertain, being used in some clinical protocols. However, such analysis is subject to the inherent equipment imprecision, patient movement, electrical records, and physician interpretation of the visual analysis variation. The Artificial Neural Network (ANN) could be a helpful tool, appropriate to address problems such as prediction and pattern recognition. In this work, it has use a new class of ANN, the Paraconsistent Artificial Neural Network (PANN), which is capable of handling uncertain, inconsistent, and paracomplet information, for recognizing predetermined patterns of EEG and to assess its value as a possible auxiliary method for AD diagnosis. Thirty three patients with Alzheimer\'s disease and thirty four controls patients of EEG records were obtained during relaxed wakefulness. It was considered as normal patient pattern, the background EEG activity between 8.0 Hz and 12.0 Hz (with an average frequency of 10 Hz), allowing a range of 0.5 Hz. The PANN was able to recognize waves that belonging to their respective bands of clinical use (theta, delta, alpha, and beta), leading to an agreement with the clinical diagnosis at 82% of sensitivity and at 61% of specificity. Supported with these results, the PANN could be a promising tool to manipulate EEG analysis, bearing in mind the following considerations: the growing interest of specialists in EEG analysis visual and the ability of the PANN to deal directly imprecise, inconsistent and paracomplet data, providing an interesting quantitative and qualitative analysis

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T18:22:17Z No. of bitstreams: 1 lucianagomes.pdf: 2235724 bytes, checksum: a319cb5c94b9c3b92bbfe46df00c557a (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T20:01:01Z (GMT) No. of bitstreams: 1 lucianagomes.pdf: 2235724 bytes, checksum: a319cb5c94b9c3b92bbfe46df00c557a (MD5) / Made available in DSpace on 2017-03-06T20:01:01Z (GMT). No. of bitstreams: 1 lucianagomes.pdf: 2235724 bytes, checksum: a319cb5c94b9c3b92bbfe46df00c557a (MD5) Previous issue date: 2012-08-15 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Em muitos problemas é necessária a descrição qualitativa dos dados (por exemplo, usando variáveis tais como sexo ou idade de um paciente). Para uso em redes neurais artificiais, contudo, estas variáveis têm que ser recodificadas quantitativamente. Neste trabalho, foram feitas simulações com seis técnicas bastante conhecidas de recodificação de variáveis qualitativas: Dummy 1-de-c, Dummy 1-de-(c-1), Termômetro, Numérica, Gray e Binária. O desempenho das seis técnicas foi comparado com o desempenho obtido utilizandose os fatores de Análise de Correspondência (AC) ao invés das variáveis qualitativas originais. O uso destes fatores de AC como forma de codificar variáveis de entrada de uma rede neural ainda não foi relatado na literatura. As simulações forem feitas com três bases de dados. Duas delas envolvem problemas de classificação de padrões em duas classes (o desempenho foi medido por meio da proporção de classificações corretas); a terceira base envolve um problema de aproximação de funções (o desempenho foi medido por meio dos erros MAPE e MSE). Nas bases de dados Seguros e Consumo, os resultados obtidos para AC são equivalentes aos das demais técnicas aplicadas e na base Córneas, não foi satisfatório, não demonstrando, assim, vantagens sobre as demais técnicas. / In many problems, a qualitative description of the data is needed (using for example variables such as age or sex of a patient). For use on artificial neural networks, however, these variables must be recoded quantitatively. In this study, simulations were made with six wellknown techniques for recoding qualitative variables: Dummy 1-of-c, Dummy 1-of-(c-1), Thermometer, Numerical, Gray, and Binary. The performance of these techniques was compared to the performance obtained using the factors of Correspondence Analysis (CA) instead of the original qualitative variables. The use of these factors as inputs to the neural network has not been reported in the literature. Simulations were made with three dataset. Two of them involve classification problems, with two classes (performance was measured by the percentage of correct classifications); the third dataset involves a problem of function approximation (performance was measured by MAPE and MSE). For two of the datasets, the results for CA are equivalent to those of the other techniques applied; for the third, the performance was not satisfactory, do not showing any advantages over other techniques.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-04-24T20:07:58Z No. of bitstreams: 1 candidaaparecidadelgadomeneghin.pdf: 3164631 bytes, checksum: 758ae4d7947524f75f92f7c77ad74c82 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-04-25T12:13:40Z (GMT) No. of bitstreams: 1 candidaaparecidadelgadomeneghin.pdf: 3164631 bytes, checksum: 758ae4d7947524f75f92f7c77ad74c82 (MD5) / Made available in DSpace on 2017-04-25T12:13:40Z (GMT). No. of bitstreams: 1 candidaaparecidadelgadomeneghin.pdf: 3164631 bytes, checksum: 758ae4d7947524f75f92f7c77ad74c82 (MD5) Previous issue date: 2014-02-28 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O Modelo Padrão reúne tudo o que é atualmente conhecido sobre os mais fundamentais constituintes da matéria e suas interações. Embora o Modelo Padrão descreva com precisão os fenômenos dentro do seu domínio, ele ainda está incompleto. Desta forma, novas informações a partir de experimentos no Grande Colisor de Hádrons (LHC) e do detector ATLAS (A Toroidal LHC Apparatus) irão ajudar na busca de novas partículas. O processo de colisões de prótons que geram decaimentos com estado final leptônico é utilizado na busca de várias físicas de interesse, como por exemplo, a partícula Z’ e seu decaimento em elétron e pósitron. Neste trabalho foram feitas diversas análises com o intuito de verificar o comportamento do algoritmo HTL_Ringer e do Algoritmo e/γ Padrão em relação à eficiência de classificação de elétrons/pósitrons e rejeição de jatos através da análise de dois parâmetros. O primeiro diz respeito ao comportamento dos classificadores em relação ao reconhecimento dessas partículas numa larga faixa de momento. O segundo parâmetro utilizado para análises foi a coordenada η do detector ATLAS, com o objetivo não só de verificar o comportamento dos dados em relação a posição de choque com o detector, mas principalmente como os dois algoritmos se comportam em relação à essa coordenada e como esta informação pode influenciar na classificação das partículas de interesse. Os resultados mostram que as eficiências de classificação podem ser influenciados por estes dois parâmetros. / The Standard Model collects everything that is currently known about the most fundamental elements of matter and their interactions. The Standard Model accurately describes the phenomena within its domain, but it is still incomplete. So, new information from experiments in the Large Hadron Collider (LHC) and the ATLAS (A Toroidal LHC Apparatus) detector will help quest for new particles. The process of protons collisions generate decays with lepton final state, which is used in several physical researches, in particular the Z’ particle and its decay in electron and positron. In this work several analyzes in order to verify the behavior of the HTL_Ringer and the e/γ Standard algorithms regarding efficiency rating of electrons/positrons and jets rejection by two parameters were made. The first one investigates the performance of these classifiers on classifying these particles in a wide range of momentum. The second parameter used for analysis was the η coordinate from ATLAS detector, aiming not only to verify the behavior of the data in relation to the detector hitting position, but mostly how the two algorithms behave to this coordinate and how this information can influence the classification of the particles of interest. The results show that the efficiency of classification can be affected by these two parameters.

[pt] Esta tese investiga a Nanotecnologia Computacional Inteligente, isto é, o apoio de técnicas de Inteligência Computacional (IC) nos desafios enfrentados pela Nanociência e Nanotecnologia. Por exemplo, utilizam-se as Redes Neurais para construir sistemas de inferência capazes de relacionar um conjunto de parâmetros de entrada com as características finais das nanoestruturas, permitindo aos pesquisadores prever o comportamento de outras nanoestruturas ainda não realizadas experimentalmente. A partir dos sistemas de inferência, Algoritmos Genéticos são então empregados com o intuito de encontrar o conjunto ótimo de parâmetros de entrada para a síntese (projeto) de uma nanoestrutura desejada. Numa outra linha de investigação, os Algoritmos Genéticos são usados para a otimização de parâmetros de funções de base para cálculos ab initio. Neste caso, são otimizados os expoentes das funções gaussianas que compõem as funções de base. Em outra abordagem, os Algoritmos Genéticos são aplicados na otimização de agregados atômicos e moleculares, permitindo aos pesquisadores estudar teoricamente os agregados formados experimentalmente. Por fim, o uso destes algoritmos, aliado ao uso de simuladores, é aplicado na síntese automática de OLEDs e circuitos de Autômatos Celulares com Pontos Quânticos (QCA). Esta pesquisa revelou o potencial da IC em aplicações inovadoras. Os sistemas híbridos de otimização e inferência, por exemplo, concebidos para prever a altura, a densidade e o desvio padrão de pontos quânticos auto-organizáveis, apresentam altos níveis de correlação com os resultados experimentais e baixos erros percentuais (inferior a 10%). O módulo de elasticidade de nanocompósitos também é previsto por um sistema semelhante e apresenta erros percentuais ainda menores, entorno de 4%. Os Algoritmos Genéticos, juntamente com o software de modelagem molecular Gaussian03, otimizam os parâmetros de funções que geram expoentes de primitivas gaussianas de funções de base para cálculos hartree-fock, obtendo energias menores do que aquelas apresentadas nas referencias. Em outra aplicação, os Algoritmos Genéticos também se mostram eficientes na busca pelas geometrias de baixa energia dos agregados atômicos de (LiF)nLi+, (LiF)n e (LiF)nF-, obtendo uma série de novos isômeros ainda não propostos na literatura. Uma metodologia semelhante é aplicada em um sistema inédito para entender a formação de agregados moleculares de H2O iônicos, partindo-se de agregados neutros. Os resultados mostram como os agregados podem ser obtidos a partir de diferentes perspectivas, formando estruturas ainda não investigadas na área científica. Este trabalho também apresenta a síntese automática de circuitos de QCA robustos. Os circuitos obtidos apresentam grau de polarização semelhante àqueles propostos pelos especialistas, mas com uma importante redução na quantidade de células. Por fim, um sistema envolvendo Algoritmos Genéticos e um modelo analítico de OLEDs multicamadas otimizam as concentrações de materiais orgânicos em cada camada com o intuito de obter dispositivos mais eficientes. Os resultados revelam um dispositivo 9,7% melhor que a solução encontrada na literatura, sendo estes resultados comprovados experimentalmente. Em resumo, os resultados da pesquisa permitem constatar que a inédita integração das técnicas de Inteligência Computacional com Nanotecnologia Computacional, aqui denominada Nanotecnologia Computacional Inteligente, desponta como uma promissora alternativa para acelerar as pesquisas em Nanociência e o desenvolvimento de aplicações nanotecnológicas. / [en] This thesis investigates the Intelligent Computational Nanotechnology, that is, the support of Computational Intelligence (CI) techniques in the challenges faced by the Nanoscience and Nanotechnology. For example, Neural Networks are used for build Inference systems able to relate a set of input parameters with the final characteristics of the nanostructures, allowing the researchers foresees the behavior of other nanostructures not yet realized experimentally. From the inference systems, Genetic Algorithms are then employees with the intention of find the best set of input parameters for the synthesis (project) of a desired nanostructure. In another line of inquiry, the Genetic Algorithms are used for the base functions optimization used in ab initio calculations. In that case, the exponents of the Gaussian functions that compose the base functions are optimized. In another approach, the Genetic Algorithms are applied in the optimization of molecular and atomic clusters, allowing the researchers to theoretically study the experimentally formed clusters. Finally, the use of these algorithms, use together with simulators, is applied in the automatic synthesis of OLEDs and circuits of Quantum Dots Cellular Automata (QCA). This research revealed the potential of the CI in innovative applications. The hybrid systems of optimization and inference, for example, conceived to foresee the height, the density and the height deviation of self-assembled quantum dots, present high levels of correlation with the experimental results and low percentage errors (lower to 10%). The Young’s module of nanocomposites is also predicted by a similar system and presents percentage errors even smaller, around 4%. The Genetic Algorithms, jointly with the package of molecular modeling Gaussian03, optimize the parameters of functions that generate exponents of primitive Gaussian functions of base sets for hartree-fock calculations, obtaining smaller energies than those presented in the literature. In another application, the Genetic Algorithms are also efficient in the search by the low energy geometries of the atomic clusters of (LiF) nLi +, (LiF) n and (LiF) nF-, obtaining a set of new isomers yet not propose in the literature. A similar methodology is applied in an unpublished system for understand the formation of molecular cluster of ionic H2O from neutral clusters. The results show how the clusters can be obtained from different perspectives, forming structures not yet investigate in the scientific area. This work also presents the automatic synthesis of robust QCA circuits. The circuits obtained present high polarization, similar to those proposed by the specialists, but with an important reduction in the quantity of cells. Finally, a system involving Genetic Algorithms and an analytic model of multilayer OLEDs optimize the concentrations of organic material in each layer in order to obtain more efficient devices. The results reveal a device 9.7% better that the solution found in the literature, being these results verified experimentally. In summary, the results of the proposed research allow observe that the unpublished integration of the techniques of Computational Intelligence with Computational Nanotechnology, here named Intelligent Computational Nanotechnology, emerges as a promising alternative for accelerate the researches in Nanoscince and the development of application in Nanotechnology.

[pt] Materiais compósitos são a base de muitos produtos, devido à sua capacidade de aperfeiçoar certas propriedades. Recentemente, a utilização de nanocargas na fabricação de compósitos vem sendo amplamente estudada, pois a partir de concentrações baixas de nanocargas, as propriedades começam a melhorar, possibilitando a criação de materiais leves e com uma grande gama de propriedades. Uma das propriedades mecânicas mais estudadas é o módulo de Young, que mensura a rigidez de um material. Alguns dos modelos existentes para essa propriedade em nanocompósitos pecam na precisão ou são limitados em função da fração máxima de nanopartículas admissível no modelo. Outros se adequam apenas a uma determinada combina ção de matriz/carga preestabelecida. O objetivo deste trabalho é utilizar Redes Neurais Artificiais como um aproximador capaz de modelar tal propriedade para diversas matrizes/cargas, levando em consideração suas características, sem perder a precisão. A validação do aproximador é realizada comparando o resultado com outros modelos propostos na literatura. Uma vez validada, utiliza-se Algoritmos Genéticos em conjunto com tal rede para definir qual seria a configuração ideal para três casos de estudo: um que maximize o valor do módulo de Young, outro que maximize o módulo relativo e um terceiro que maximize o módulo relativo e minimize a quantidade de carga utilizada, diminuindo os custos de projeto. As técnicas de Inteligência Computacional empregadas na modelagem e síntese de materiais nanoestruturados se mostraram boas ferramentas, uma vez que geraram uma boa aproximação dos dados utilizados com erros inferiores a 5%, além de possibilitarem a determinação dos parâmetros de síntese de um material com o módulo de Young desejado. / [en] Composite materials became very popular due to its improvements on certain properties achieved from the mixture of two different components. Recently, the use of nanofillers in the manufacture of composites has been widely studied due to the improvement of properties at low concentrations of nanofillers, enabling the creation of lightweight materials. Some of the existing models for the Young modulus of the nanocomposites have low accuracy or are limited in terms of the maximum filler fraction possible. Others are appropriate only for a given combination of matrix and filler. The objective of this work is to use Artificial Neural Networks as a function approximation method capable of modeling such property for various matrix/nanofillers, taking into account their characteristics, without losing accuracy. The validation of this approximator is performed comparing its results with other models proposed in the literature. Once validated, a Genetic Algorithm is used with the Neural Network to define which would be the ideal setting for three case studies: one that maximizes the value of composite’s Young’s modulus, other that maximizes the relative modulus and a third one that maximizes the relative modulus and minimizes the amount of load used, reducing the cost of project. Computational Intelligence techniques employed on the modeling and synthesis of nanostructured materials proved to be adequate tools, since it generated a good approximation of the data with errors lower than 5%, and determined the material’s parameters for synthesis with the desired Young’s modulus.

Esta dissertação de mestrado tem por objetivo analisar os conjuntos-K, uma hierarquia de redes neurais biologicamente mais plausíveis, e aplicá-los ao problema de classificação de imagética motora através do eletroencefalograma (EEG). A imagética motora consiste no ato de processar um movimento motor da memória humana de longo tempo para a memória de curto prazo. A imagética motora deixa um rastro no sinal do EEG que torna possível a identificação e classificação dos diferentes movimentos motores. A tarefa de classificação de imagética motora através do EEG é reconhecida como complexa devido à não linearidade e quantidade de ruído da série temporal do EEG e da pequena quantidade de dados disponíveis para aprendizagem. Os conjuntos-K são um modelo conexionista que simula o comportamento dinâmico e caótico de populações de neurônios do cérebro e foram modelados com base em observações do sistema olfatório feitas por Walter Freeman. Os conjuntos-K já foram aplicados em diversos domínios de classificação diferentes, incluindo EEG, tendo demonstrado bons resultados. Devido às características da classificação de imagética motora, levantou-se a hipótese de que a aplicação dos conjuntos-K na tarefa pudesse prover bons resultados. Um simulador para os conjuntos-K foi construído para a realização dos experimentos. Não foi possível validar a hipótese levantada no trabalho, dado que os resultados dos experimentos realizados com conjuntos-K e imagética motora não apresentaram melhorias significativas para a tarefa nas comparações realizadas. / This dissertation aims to examine the K-sets, a hierarchy of biologically plausible neural networks, and apply them to the problem of motor imagery classification through electroencephalogram (EEG). Motor imagery is the act of processing a motor movement from long-term to short-term memory. Motor imagery leaves a trail in the EEG signal, which makes possible the identification and classification of different motor movements. Motor imagery classification is a complex problem due to non-linearity of the EEG time series, low signal-to-noise ratio, and the small amount of data typically available for learning. K-sets are a connectionist model that simulates the dynamic and chaotic behavior of populations of neurons in the brain, modeled based on observations of the olfactory system by Walter Freeman. K-sets have already been used in several different classification domains, including EEG, showing good results. Due to the characteristics of motor imagery classification, a hypothesis that the application of K-sets in the task could provide good results was raised. A simulator for K-sets was created for the experiments. Unfortunately, the hypothesis could not be validated, as the results of the conducted experiments with K-sets and motor imagery showed no significant improvements in comparison in the task performed.

A navegação autônoma é um dos problemas fundamentais da robótica móvel. Para um robô executar esta tarefa, é necessário determinar a região segura para a navegação. Este trabalho propõe um sistema de identificação de superfícies navegáveis baseado em visão computacional utilizando redes neurais artificiais. Mais especificamente, é realizado um estudo sobre a utilização de diferentes atributos de imagem, como descritores estatísticos e elementos de espaços de cores, para serem utilizados como entrada das redes neurais artificiais que tem como tarefa a identificação de superfícies navegáveis. O sistema desenvolvido utiliza resultados de classificação de múltiplas configurações de redes neurais artificiais, onde a principal diferença entre elas é o conjunto de atributos de imagem utilizados como entrada. Essa combinação de diversas classificações foi realizada visando maior robustez e melhor desempenho na identificação de vias em diferentes cenários / Autonomous navigation is a fundamental problem in mobile robotics. In order to perform this task, a robot must identify the areas where it can navigate safely. This dissertation proposes a navigable terrain identification system based on computer vision and neural networks. More specifically, it is presented a study of image attributes, such as statistical decriptors and elements of different color spaces, that are used as neural neworks inputs for the navigable surfaces identification. The system developed combines the classification results of multiple neural networks topologies with different image attributes. This combination of classification results allows for improved efficient and robustenes in different scenarios

Um desafio recorrente em processos produtivos é o desenvolvimento de sistemas de monitoração e diagnóstico. Esses sistemas ajudam na detecção de mudanças inesperadas e interrupções, prevenindo perdas e mitigando riscos. Redes Neurais Artificiais (RNA) têm sido largamente utilizadas na criação de sistemas de monitoração. Normalmente as RNA utilizadas para resolver este tipo de problema são criadas levando-se em conta apenas parâmetros como o número de entradas, saídas e quantidade de neurônios nas camadas escondidas. Assim, as redes resultantes geralmente possuem uma configuração onde há uma total conexão entre os neurônios de uma camada e os da camada seguinte, sem que haja melhorias em sua topologia. Este trabalho utiliza o algoritmo de Otimização por Colônia de Formigas (OCF) para criar redes neurais otimizadas. O algoritmo de busca OCF utiliza a técnica de retropropagação de erros para otimizar a topologia da rede neural sugerindo as melhores conexões entre os neurônios. A RNA resultante foi aplicada para monitorar variáveis do reator de pesquisas IEA-R1 do IPEN. Os resultados obtidos mostram que o algoritmo desenvolvido é capaz de melhorar o desempenho do modelo que estima o valor de variáveis do reator. Em testes com diferentes números de neurônios na camada escondida, utilizando como comparativos o erro quadrático médio, o erro absoluto médio e o coeficiente de correlação, o desempenho da RNA otimizada foi igual ou superior ao da tradicional. / A recurring challenge in production processes is the development of monitoring and diagnosis systems. Those systems help on detecting unexpected changes and interruptions, preventing losses and mitigating risks. Artificial Neural Networks (ANN) have been extensively used in creating monitoring systems. Usually the ANN used to solve this kind of problem are created by taking into account only parameters as the number of inputs, outputs, and number of neurons in the hidden layers. This way, the result networks are generally fully connected and have no improvements in its topology. This work uses an Ant Colony Optimization (ACO) algorithm to create a tuned neural networks. The ACO search algorithm uses Back Error Propagation (BP) to optimize the network topology by suggesting the best neuron connections. The outcome ANN was applied to monitoring the IEA-R1 research reactor at IPEN. The results show that the algorithm is able to improve the performance of the model which estimates the values of the reactor variables. In tests with different numbers of neurons in the hidden layer, using as comparison the mean squared error, the mean absolute error, and the correlation coefficient, the performance of the optimized ANN proved equal or better than the equivalent traditional neural networks.

Orientador: Carlos Roberto Minussi / Resumo: Esta pesquisa apresenta o desenvolvimento de uma ferramenta para a detecção e classificação de curtos-circuitos em sistemas de distribuição de energia elétrica, a qual é baseada no uso combinado da análise multirresolução e rede neural ARTMAP-fuzzy. A análise multirresolução permite a identificação de singularidades nas oscilografias e a rede da família ART garante ao sistema classificador a capacidade de aprendizado contínuo de novos padrões sem perder o conhecimento previamente adquirido. Todo o processo de diagnóstico é realizado em uma única etapa, reduzindo o custo computacional da metodologia. A eficiência do sistema é verificada por uma análise direta, na qual se contabiliza a quantidade total de acertos, e por uma avaliação comparativa, a qual envolve a substituição da rede ARTMAP-fuzzy pela rede ARTMAP-Euclideana. Resultados mostram que o sistema é eficiente, sendo capaz de detectar e classificar 100% das falhas elétricas. / Abstract: This research presents the development of a tool for the detection and classification of short circuits in electric power distribution systems, which is based on the combined use of multi-resolution analysis and fuzzy ARTMAP neural network. The multiresolution analysis allows the identification of singularities in the oscillographs and the ART family network guarantees to the classifier the ability to continuously learn new patterns without losing the previously acquired knowledge. The entire diagnostic process is performed in a single step, reducing the computational effort. The efficiency of the system is verified by a direct analysis, in which the total number of hits is counted, and by a comparative evaluation, which involves the replacement of the fuzzy ARTMAP network by the Euclidean ARTMAP network. Results show that the system is efficient, being able to detect and classify 100% of the electrical faults. / Mestre

[pt] O objetivo desta dissertação é classificar sinais de vozes, usando redes neurais, obtidos por meio de um modelo mecânico-estocástico para produção da voz humana, esse modelo foi construído a partir de uma abordagem probabilística não-paramétrica para considerar incertezas do modelo. Primeiro, uma rede neural artificial foi construída para classificar sinais de vozes reais, normais e provenientes de sujeitos com patologias nas cordas vocais. Como entradas da rede neural foram usadas medidas acústicas extraídas dos sinais glotais, obtidos por filtragem inversa dos sinais de vozes reais. Essa rede neural foi usada, posteriormente, para classificar sinais de vozes sintetizadas geradas por um modelo estocástico da produção da voz humana, no caso particular da geração de vogais. O modelo estocástico da produção da voz humana foi construído tomando por base o modelo determinístico criado por Ishizaka e Flanagan. Incertezas do modelo foram consideradas através de uma abordagem probabilística não-paramétrica de modo que matrizes aleatórias foram associadas às matrizes de massa, rigidez e amortecimento do modelo. Funções densidade de probabilidade foram construídas para essas matrizes, usando o Princípio da Máxima Entropia. O método de Monte Carlo foi usado para gerar realizaçoes de sinais de vozes. Os sinais obtidos foram então classificados usando a rede neural construída previamente. Das realizações obtidas, alguns sinais de vozes foram classificados como normais, porém outros foram classificados como provenientes de sujeitos com patologias nas cordas vocais. Os sinais com características de patologia foram classificados em três grupos: nódulo, paralisia unilateral e outras patologias. / [en] The aim of this thesis is to classify voice signals, using neural networks, obtained through a mechanical stochastic model for voice production, this model was built from a nonparametric probabilistic approach to take into account modeling uncertainties. At first, an artificial neural network was constructed to classify real voice signals, normal and produced by subjects with pathologies on the vocal folds. As inputs for the neural network were used acoustic measures extracted from the glottal signals, obtained by inverse filtering of the real voice signals. This neural network was used, later, to classify synthesized voice signal generated by a stochastic model of the voice production, in the particular case of vowels generation. The stochastic model was constructed from the corresponding deterministic model created by Ishizaka and Flanagan, in 1972. Modeling uncertainties were taken into account through a nonparametric probabilistic approach such that random matrices were associated to mass, stiffness and damping model matrices. Probability density functions were constructed for these matrices using the Maximum Entropy Principle. The Monte Carlo Method was used to generate realizations of the voice signals. The voice signals obtained were then classified using the neural network previously constructed. From the realizations obtained, some voice signals were classified as normal, but others were classified as produced by subjects with pathologies on the vocal folds. The signal with pathologies characteristics were classified into three groups: nodulus, unilateral paralysis and other pathologies.