Made available in DSpace on 2014-06-11T19:22:31Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-12-02Bitstream added on 2014-06-13T19:48:52Z : No. of bitstreams: 1 freitas_lps_me_ilha.pdf: 463364 bytes, checksum: 35c3a3450e5ec638595c65e3a7508c09 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Neste trabalho descreve-se o desenvolvimento de duas redes neurais que identificam e classificam dados da distribuição do peso corporal na região plantar de pessoas normais e hemiplégicas. Esses dados são experimentais e foram obtidos através da utilização de uma plataforma de força contendo 48 sensores. As arquiteturas utilizadas para esta aplicação foram as redes neurais MLP (Multilayer Perceptron) com o algoritmo retropropagação (backpropagation), e ARTMAP Nebulosa. A escolha de tais arquiteturas se deve ao treinamento (supervisionado) o qual associa de forma direta a distribuição de força plantar com os respectivos pacientes (normais e hemiplégicos). Ambas as arquiteturas, MLP e ARTMAP Nebulosa, conseguiram fazer a discriminação entre quase todas as pessoas normais e hemiplégicos. A rede neural ARTMAP Nebulosa possui a vantagem de efetuar a classificação de forma rápida e eficiente. Esta aplicação é importante nas áreas de Podologia, Posturologia e Podoposturologia, pois propicia ao profissional de saúde uma nova metodologia de diagnóstico / This work describes the development of two neural networks that identify and classify data distribution of plantar body weight of normal or hemiplegic individuals. The architectures used for this application were, respectively, MLP neural networks (Multilayer Perceptron) with backpropagation algorithm, and Fuzzy ARTMAP. The choice of such architectures was due to the training (supervised training) which directly associates the distribution of plantar force with the patients (normal or hemiplegic). The input data used for training and diagnosis of the neural networks were obtained from a force plate, with 48 sensors, containing measurements of the weight distribution on the plantar region (right and left) of normal or hemiplegic patients. Both architectures, MLP and Fuzzy ARTMAP, were able to discriminate almost all normal and hemiplegic patients. The Fuzzy ARTMAP neural network was more efficient than MLP neural network in the classification of the patients. This application is important in areas of Podiatry, Posturology and Podoposturology because it can help the health care professionals

Orientador: Marcelo Carvalho Minhoto Teixeira / Banca: Aparecido Augusto de Carvalho / Banca: Márcio Roberto Covacic / Resumo: Neste trabalho descreve-se o desenvolvimento de duas redes neurais que identificam e classificam dados da distribuição do peso corporal na região plantar de pessoas normais e hemiplégicas. Esses dados são experimentais e foram obtidos através da utilização de uma plataforma de força contendo 48 sensores. As arquiteturas utilizadas para esta aplicação foram as redes neurais MLP (Multilayer Perceptron) com o algoritmo retropropagação (backpropagation), e ARTMAP Nebulosa. A escolha de tais arquiteturas se deve ao treinamento (supervisionado) o qual associa de forma direta a distribuição de força plantar com os respectivos pacientes (normais e hemiplégicos). Ambas as arquiteturas, MLP e ARTMAP Nebulosa, conseguiram fazer a discriminação entre quase todas as pessoas normais e hemiplégicos. A rede neural ARTMAP Nebulosa possui a vantagem de efetuar a classificação de forma rápida e eficiente. Esta aplicação é importante nas áreas de Podologia, Posturologia e Podoposturologia, pois propicia ao profissional de saúde uma nova metodologia de diagnóstico / Abstract: This work describes the development of two neural networks that identify and classify data distribution of plantar body weight of normal or hemiplegic individuals. The architectures used for this application were, respectively, MLP neural networks (Multilayer Perceptron) with backpropagation algorithm, and Fuzzy ARTMAP. The choice of such architectures was due to the training (supervised training) which directly associates the distribution of plantar force with the patients (normal or hemiplegic). The input data used for training and diagnosis of the neural networks were obtained from a force plate, with 48 sensors, containing measurements of the weight distribution on the plantar region (right and left) of normal or hemiplegic patients. Both architectures, MLP and Fuzzy ARTMAP, were able to discriminate almost all normal and hemiplegic patients. The Fuzzy ARTMAP neural network was more efficient than MLP neural network in the classification of the patients. This application is important in areas of Podiatry, Posturology and Podoposturology because it can help the health care professionals / Mestre

Made available in DSpace on 2014-06-12T16:00:06Z (GMT). No. of bitstreams: 2 arquivo5998_1.pdf: 1180748 bytes, checksum: e5d0a95fe8d45bdddd6975b365971603 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Este trabalho propõe uma metodologia para a otimização global de redes neurais MLP. O objetivo é a otimização simultânea de arquiteturas e pesos sinápticos de redes MLP, na tentativa de proporcionar um bom desempenho de classificação para qualquer conjunto de dados. A otimização simultânea de arquiteturas e pesos de redes neurais é uma abordagem interessante para a obtenção de redes eficientes com maior poder de generalização, pois cria um compromisso entre baixa complexidade estrutural do modelo e baixos índices de erro de treinamento. Tal aplicação já foi bastante investigada com a utilização de métodos de busca metaheurística tais como algoritmos genéticos, recozimento simulado, busca tabu e combinações dos mesmos. Outra técnica de busca meta-heurística menos investigada neste contexto é a otimização por enxame de partículas (PSO) que vem recebendo cada vez mais atenção da comunidade científica devido aos bons resultados obtidos ao lidar com problemas de otimização numérica contínua. A metodologia desenvolvida neste trabalho consiste na aplicação de dois algoritmos PSOs, um para a otimização de arquiteturas e outro para o ajuste dos pesos sinápticos de cada arquitetura gerada pelo primeiro PSO. Estes dois processos são intercalados por um número específico de iterações. Este trabalho apresenta resultados da aplicação da metodologia proposta em três conhecidas bases de dados de problemas de classificação de padrões de domínio médico. Nos problemas mais difíceis de classificar, a metodologia apresentada obteve resultados satisfatórios e gerou redes com baixo erro de generalização e baixa complexidade. Tais resultados são relevantes para mostrar que a técnica meta-heurística de otimização por enxames de partículas é uma opção efetiva para o ajuste de pesos e arquiteturas de redes neurais MLP

Submitted by João Arthur Martins (joao.arthur@ufpe.br) on 2015-03-10T18:50:01Z No. of bitstreams: 2 Dissertação Gleydson Vilanova.pdf: 10406213 bytes, checksum: 4161dab35fb90ca62e4ebd0186c0870e (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-11T17:34:31Z (GMT). No. of bitstreams: 2 Dissertação Gleydson Vilanova.pdf: 10406213 bytes, checksum: 4161dab35fb90ca62e4ebd0186c0870e (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013 / A presença de textos manuscritos e impressos em um mesmo documento representa um grande desafio para os atuais mecanismos de Reconhecimento Óptico de Caracteres. Uma vez que essas classes de texto possuem suas próprias rotinas de reconhecimento, o uso de técnicas que permitam diferenciação entre elas tornou-se indispensável e o bom funcionamento dessas técnicas depende da escolha de características que melhor representem os elementos de texto sobre os quais os classificadores devem atuar. Considerando que na literatura existe uma grande variedade de características utilizadas para este fim, este trabalho objetiva o desenvolvimento de um método que permita, através de um processo de otimização com Algoritmos Genéticos e a partir de um conjunto inicial de 52 características, a seleção de subconjuntos de melhores características que, além de menores que o conjunto original, possibilitem melhoria dos resultados de classificação. Os experimentos foram realizados com classificadores kNN e Redes Neurais MLP a partir de imagens de palavras segmentadas. O método proposto foi avaliado fazendo uso de uma base de dados pública para textos manuscritos e outra criada especificamente para este trabalho para textos impressos. Os resultados dos experimentos mostram que os objetivos propostos foram alcançados. Os Erros Médios de Classificação foram estatisticamente equivalentes para os dois classificadores e uma melhor performance foi obtida com o kNN. A influência dos diferentes tipos de fontes e estilos utilizados nos textos impressos também foi analisada e mostrou que as fontes que imitam textos manuscritos como a "Lucida Handwriting" e "Comic Sans MS" apresentam maiores ocorrências de erros de classificação. Da mesma forma, a maioria dos erros foi percebida nos textos impressos com estilo itálico.

Made available in DSpace on 2016-08-10T10:40:42Z (GMT). No. of bitstreams: 1 RAFAEL GOMES LOIOLA.pdf: 2193685 bytes, checksum: 77fe8f4c3a881108732f58c6013d52b5 (MD5) Previous issue date: 2016-03-09 / The demand forecasting is of essential importance for business environments, in a way to serve as a decision making supporting tool during the development of companies strategic planning. This work strived to compare statistics with artificial intelligence methods applied to provisioning on demand issues using temporal series through Box-Jenkins and Artificial Neural Networks Multilayer Perceptron (MLP) methods. Studies were performed to identify and define the main demand forecasting methods. Subsequently, the selected prediction methods for the analysis of the three most relevant products of a metalworking industry were applied in the period 2012 to 2014. The four last periods were used only for performance validation of both methods, through the analysis of forecast errors. Softwares R, Matlab and SPSS supported the data deployment, modeling and analysis. From those models, a step ahead provisioning of sales of a metal mechanic industry was performed, followed by the comparison of the errors of each method based on root mean squared error, RMSE, and mean absolute percentage error, MAPE, to identify the most satisfactory and adequate provisioning method. The results indicated that the performance of the forecasts using the statistical method of Box-Jenkins in Products 1 and 3 were higher than the application of the MLP neural network models. While, for Product 2 the method of neural networks achieved better results. In the statistics analysis, one could verify that the series present some behavior patterns associated to seasonality and oscillations, being possible to observe that both methods show satisfactory results for each data characteristics of the temporal series. / A previsão de demanda é de essencial importância em ambientes organizacionais, de forma a servir como ferramenta de apoio a tomada de decisão durante o desenvolvimento do planejamento estratégico das empresas. Este trabalho teve como principal objetivo comparar modelos estatísticos e de inteligência artificial para problemas de previsão de demanda utilizando séries temporais por meio dos métodos de Box-Jenkins e rede neural artificial Multilayer Perceptron (MLP). Realizou-se o estudo para identificação e definição dos principais métodos de previsão de demanda. Posteriormente, aplicaram-se os métodos de previsão selecionados para a análise dos três produtos mais relevantes de uma indústria metal mecânica, no período de 2012 até 2014. Os quatro últimos períodos da série foram utilizados apenas para validação de desempenho de ambos os métodos propostos através das análises dos erros de previsão. Os softwares R, Matlab e SPSS apoiaram a aplicação, modelagem e análise dos dados. A partir dos modelos, realizou-se a previsão um passo a frente das vendas de uma indústria metal mecânica e posteriormente fez-se o comparativo de seus resultados através das medidas de erros referentes à raiz quadrada do erro quadrático médio, RMSE, e o erro percentual absoluto médio, MAPE, para identificar o modelo mais satisfatório e adequado para a predição. Os resultados indicaram que o desempenho das previsões utilizando o método estatístico de Box-Jenkins nos Produtos 1 e 3 foram superiores à aplicação dos modelos de rede neural MLP. Enquanto que para o Produto 2, o método de redes neurais alcançou melhores resultados. Nas análises estatísticas verificou-se que as séries apresentam padrões de comportamento referente à sazonalidade e oscilações, sendo possível observar que ambos os métodos apresentam resultados satisfatórios para cada característica de dados das séries temporais estudadas.

Made available in DSpace on 2014-06-12T15:56:06Z (GMT). No. of bitstreams: 2 arquivo2738_1.pdf: 2219821 bytes, checksum: e0060e817bd6a925ad67e0971641acff (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Classificadores têm sido largamente aplicados nos mais diversos campos científicos e industriais, em geral obtendo bons desempenhos. Entretanto, quando aplicados a problemas cuja quantidade de dados disponível para o treinamento é limitada (bases de dados pequenas) ou quando estes dados apresentam um desbalanceamento entre as classes (bases de dados desbalanceadas), a maioria dos classificadores obtém um desempenho pobre. O poder de generalização do classificador é reduzido quando bases de dados pequenas são utilizadas durante o processo de treinamento, enquanto que em bases de dados desbalanceadas, as classes com maior representatividade e menor importância tendem a ser favorecidas. Inerentes a diversos problemas do mundo real, conjuntos de dados pequenos e desbalanceados representam uma limitação a ser superada por algoritmos de aprendizagem para produção de classificadores precisos e confiáveis. Neste trabalho é proposta uma abordagem baseada na adição de ruído Gaussiano durante o processo de treinamento de uma rede neural MultiLayer Perceptron (MLP) com o intuito de contornar as limitações referentes às bases de dados pequenas e/ou desbalanceadas, possibilitando a rede neural obter um alto poder de generalização A metodologia proposta pode ser dividida em duas etapas principais. Na primeira, um estudo acerca da correlação entre as variáveis é realizado. Este estudo envolve avaliar a correlação entre as variáveis por meio do coeficiente de correlação de Pearson e a descorrelação das variáveis através do método Análise de Componentes Principais (ACP). Na segunda, ruídos derivados a partir de uma distribuição Gaussiana são inseridos nas variáveis de entrada. Para validar a abordagem proposta foram utilizadas três bases públicas de um conhecido benchmark da comunidade de redes neurais, Proben1. Os resultados experimentais indicam que a abordagem proposta obtém um desempenho estatisticamente melhor (95% de confiança) que o método de treinamento convencional, principalmente quando utilizado o método PCA para descorrelação das variáveis antes da aplicação de ruído

[pt] As descargas atmosféricas são de grande importância para o setor elétrico, sendo frequentemente responsáveis por desligamentos de linhas de transmissão, que podem desencadear uma sequência de eventos que levem o sistema elétrico interligado ao colapso. As longas extensões de linhas de transmissão, expostas a intemperes climáticas, determinam uma probabilidade significativa de incidência direta de descargas atmosféricas nestes equipamentos. Devido ao caráter estratégico das linhas para o fornecimento de energia e a constatação de que descargas atmosféricas estão entre as principais causas de desligamentos, torna-se importante o estudo do comportamento das descargas atmosféricas, antes do instante da ocorrência do desligamento das linhas de transmissão, para compreender os padrões característicos potenciais causadores destes desligamentos. Os estudos encontrados atualmente estão orientados na eficiência das redes de detecção de descargas atmosféricas e na identificação de condições climáticas que indiquem a ocorrência de raios de forma preditiva, sem correlação a ocorrências em linhas de transmissão. Assim, essa dissertação consiste na determinação do risco de desligamentos de linhas de transmissão por descargas atmosféricas, visando fornecer informações antecipadas e possibilitar ações operativas para manter a segurança do sistema elétrico. O modelo desenvolvido nesse estudo, denominado Risco de Desligamentos de Linhas de Transmissão por Raios (RDLR), é composto de dois módulos principais, sendo o primeiro o agrupamento do conjunto amostral de descargas atmosféricas, realizado através de um método baseado em densidade. Nesse módulo, os ruídos são eliminados de forma eficiente e são formados grupos representativos de descargas atmosféricas. O segundo módulo consiste em uma etapa classificatória, baseado em redes neurais artificiais para identificar padrões de grupos de descargas que representem riscos de desligamentos de linhas de transmissão. Visando a otimização do modelo, foi aplicado um método de seleção das variáveis, através de componentes principais, para determinar aquelas que mais contribuem na caracterização desses eventos. O modelo RDLR foi testado com dados reais dos registros de desligamentos de linhas de transmissão, associado a outro banco com dados reais contendo milhões de registros de descargas atmosféricas oriundos das redes de detecção de raios, sendo obtidos excelentes resultados na determinação dos riscos de desligamentos de linhas de transmissão por descargas atmosféricas. / [en] Atmospheric discharges are of great importance to power systems, and are often responsible for outages of transmission lines, which can trigger a sequence of events that leads to a system collapse. The long extensions of transmission lines, exposed to climatic conditions, create significant probability of direct incidence of atmospheric discharges in these equipments. Due to the strategic nature of power supply lines and the fact that atmospheric discharges are among the main causes of outages, it is important to study atmospheric discharges characteristics before failure of transmission lines and understand patterns that are responsible for interruptions. Current studies focus on efficiency of lightning detection networks and on identification of climatic conditions that indicate lightning occurrence in a predictive approach, without any correlation with transmission lines outages. Therefore, this thesis consists on real-time risk determination of transmission lines outage by lightning, providing early information to enabling operational procedures for power system safety. The proposed model, named Transmission Lines Outage Risk by Lightning (TLORL) is composed of two main modules: Atmospheric Discharge Data Clustering and Classification. In the atmospheric discharges data-clustering module, performed by a density-based method, the outages are efficiently eliminated and representative groups of atmospheric discharges are formed. The second module consists of a classification step, based on artificial neural networks, to identify patterns of discharges groups that represent risks to cause transmission lines outages. Aiming at improving the proposed model, principal components analysis (PCA) was applied to determine the input variables that most contribute to the events characterization. The TLORL model was tested with real data transmission line outages, associated to another database with millions lightning records from the detection networks, producing excellent results of transmission lines outages caused by atmospheric discharges.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-08-17T14:06:04Z No. of bitstreams: 1 JOÃO VIVLIAN DE MORAES LIMA MARINUS - DISSERTAÇÃO PPGCC 2010..pdf: 2343869 bytes, checksum: 46e0a7984b1b956fbea2bfcba9e1f631 (MD5) / Made available in DSpace on 2018-08-17T14:06:04Z (GMT). No. of bitstreams: 1 JOÃO VIVLIAN DE MORAES LIMA MARINUS - DISSERTAÇÃO PPGCC 2010..pdf: 2343869 bytes, checksum: 46e0a7984b1b956fbea2bfcba9e1f631 (MD5) Previous issue date: 2010-11-29 / Nos últimos anos, várias pesquisas na área de processamento digital de voz estão sendo feitas, no sentido de criar técnicas que auxiliem o diagnóstico preciso por um especialista de patologias do trato vocal de maneira não invasiva, fazendo com que o paciente se sinta confortável na hora do exame. Este trabalho trata da investigação de técnicas para a classificação de vozes afetadas por patologias da laringe, em especial edema de Reinke, visando a construção de um sistema de apoio ao especialista. O sistema de auxílio ao diagnóstico de patologias da laringe, proposto nesta dissertação, é constituido de 3 etapas principais: pré-processamento do sinal de voz, extração de características e classificação. A etapa de pré-processamento consiste na aquisição do sinal de voz, na aplicação de um filtro de pré ênfase para a minimização dos efeitos da radiação dos lábios e da variação da área da glote, seguido da segmentação e janelamento do sinal. Também foi investigada a não utilização da pré-ênfase nessa etapa. Na fase de extração de características, são utilizados coeficientes obtidos a partir da análise por predição linear (coeficientes LPC), coeficientes cepstrais, coeficientes delta-cepstrais e um vetor de características combinando coeficientes LPC e coeficientes cepstrais. A etapa de classificação é dividida em duas partes: classificação entre voz normal e voz afetada por patologia, sem especificar qual patologia, e caso o sinal seja classificado como voz afetada por patologia, tem-se uma segunda parte, a qual é realizada a classificação entre voz afetada por edema de Reinke e voz afetada por outra patologia. Para as duas partes, foram testados 3 diferentes classificadores: Redes Neurais Multilayer Perceptron - MLP, Modelos de Misturas de Gaussianas e Quantização Vetorial. Para diferenciar entre voz normal e voz afetada por patologia, os melhores resultados foram obtidos utilizando Redes Neurais. Para diferenciar entre voz afetada por edema e voz afetada por outra patologia, os melhores resultados foram obtidos utilizando Quantização Vetorial. Em ambos os casos, os melhores resultados foram obtidos ao se utilizar coeficientes cepstrais e sem utilização da pré-ênfase. / In recent years, several studies in digital voice processing are being made in order to create techniques to support a noninvasive accurate diagnosis of vocal tract diseases by aspecialist, making the patient feel comfortable during examination. This work deals with the investigation of techniques for classification of voices affected by laryngeal pathologies, especially Reinke’s edema, aiming to build a support system to the specialist. The system for the diagnosis of laryngeal pathologies, proposed here, consists of three main steps: preprocessing the speech signal, feature extraction and classification. Preprocessing corresponds the acquisition of voice signal, the application of a pre-emphasis filter for minimizing the radiation effects from the lips and from variation in glottal area, and the signal segmentation and windowing. The non-use of pre-emphasis was also investigated at this point. In the feature extraction step, we use coefficients obtained from the linear prediction analysis (LPC coefficients), cepstral coefficients, delta-cepstral coefficients, and afeature vectorc ombining LPC and cepstral coefficients. The classification is divided into two parts: classification of normal voice versus voice affected by pathology, without specifying which pathology, and if the signal is classified as voice affected by pathology, second part happens, which is performed by the classification between voice affected by Reinke’s edema and voice affected by other pathology. For both parties, 3 different classifiers were tested: Neural Networks Multilayer Perceptron - MLP, Gaussian Mixture Models and Vector Quantization. To differentiate between normal voice and voice affected by pathology, the best results were obtained using Neural Networks. To differentiate between voice affected by edema and voice affected by pathology, the best results were obtained using vector quantization. In both cases, the best results were obtained when usingcepstral coefficients and withoutuse of pre-emphasis.