Sabe-se que, na literatura, existem muitos modelos para se fazer previsão para séries temporais financeiras. Sabe-se também que não há um modelo perfeito e que os mais utilizados atualmente são os modelos de redes neurais recorrentes e os da família GARCH. Referências internacionais apontam que existe uma técnica de medição de uma janela temporal para se identificar o tipo de comportamento existente em uma série temporal; tal técnica é conhecida como Expoente de Hurst. É uma medida que qualifica a série como persistente ou anti-persistente. Este trabalho analisou se o Expoente de Hurst, interfere na qualidade das previsões feitas com o modelo de redes neurais recorrentes com e sem o uso do filtro de ondaletas, utilizando os preços diários das principais commodities, ações negociadas no mercado e a taxa de câmbio. no período de janeiro de 1998 a dezembro de 2010. Com a pesquisa observa-se, na maioria dos casos, há uma possível melhora na qualidade das previsões para as séries antipersistentes. / It is known that there are a lot of models to forecast financial time series. It is known, also, that there is not a perfect model and the most used nowadays are the Recurrent Neural Network models and those from the GARCH family. International references point to a technique of measurement using windowing in order to identify the kind of behavior that is present in time series. This technique is known as Hurst Exponent. It is a measure that qualifies the time series as persistent or anti-persistent. This work analyzed if the Hurst Exponent interferes in the quality of the forecasts made with the Neural Network models with and without the wavelet filter, using the main commodities, stock prices, Ibovespa index and the Dollar/Real exchange rate in the period ranging from January 1998 to December 2010. The initial conclusions concerning the models worked out are positives.

Orientador: Aparecido Augusto de Carvalho / Abstract: In the last few years, several studies have been carried out showing that neuromuscular electrical stimulation (NMES) can produce good therapeutic results in patients with spinal cord injury (SCI). This research introduces a new robust and intelligent control-based methodology for human lower limb rehabilitation via NMES using a continuous-time control technique named robust integral of the sign of the error (RISE). Although in the literature the RISE controller has shown good results without any fine-tuning method, a trial and error approach would quickly lead to muscle fatigue in SCI patients. Therefore, it was shown in this study that the control performance for robustly tracking a reference signal can be improved through the proposed approach by providing an intelligent tuning for each voluntary. Simulation results with a mathematical model and eight identified subjects from the literature are provided, and real experiments are performed with seven healthy and two paraplegic subjects. Besides, this research introduces the application of deep and dynamic neural networks namely the multilayer perceptron, a simple recurrent neural network, and the Long Short-Term memory architecture, to identify the nonlinear and time-varying relationship between the supplied NMES and achieved angular position. Identification results indicate good fitting to data and very low mean square error using few data for training, proving to be very prospective methods for proposing control-oriented ... (Complete abstract click electronic access below) / Resumo: Nos últimos anos, vários estudos foram realizados mostrando que a estimulação elétrica neuromuscular (EENM) pode produzir bons resultados terapêuticos em pacientes com lesão medular (LM). Esta pesquisa introduz uma nova metodologia robusta e inteligente baseada em controle para a reabilitação de membros inferiores humanos via EENM usando uma técnica de controle de tempo contínuo chamada robust integral of the sign of the error (RISE). Embora na literatura o controlador RISE tem demonstrado bons resultados sem qualquer método de ajuste fino, uma abordagem de tentativa e erro poderia levar rapidamente à fadiga muscular em pacientes com LM. Portanto, foi mostrado nesse estudo que o desempenho do controle para rastrear com robustez um sinal de referência pode ser melhorado através da abordagem proposta, fornecendo um ajuste inteligente para cada voluntário. Resultados de simulação com um modelo matemático e oito sujeitos identificados da literatura são fornecidos, e experimentos reais são feitos com sete indivíduos saudáveis ​​e dois paraplégicos. Além disso, esta pesquisa introduz a aplicação de redes neurais profundas e dinâmicas, especificamente o perceptron multicamadas, uma rede neural recorrente simples e a arquitetura Long Short-Term Memory, para identificar a relação não-linear e variante no tempo entre a EENM fornecida e a posição angular alcançada. Os resultados de identificação indicam boa adaptação aos dados e erro quadrático médio muito baixo usando poucos dados para... (Resumo completo, clicar acesso eletrônico abaixo) / Mestre

Sabe-se que, na literatura, existem muitos modelos para se fazer previsão para séries temporais financeiras. Sabe-se também que não há um modelo perfeito e que os mais utilizados atualmente são os modelos de redes neurais recorrentes e os da família GARCH. Referências internacionais apontam que existe uma técnica de medição de uma janela temporal para se identificar o tipo de comportamento existente em uma série temporal; tal técnica é conhecida como Expoente de Hurst. É uma medida que qualifica a série como persistente ou anti-persistente. Este trabalho analisou se o Expoente de Hurst, interfere na qualidade das previsões feitas com o modelo de redes neurais recorrentes com e sem o uso do filtro de ondaletas, utilizando os preços diários das principais commodities, ações negociadas no mercado e a taxa de câmbio. no período de janeiro de 1998 a dezembro de 2010. Com a pesquisa observa-se, na maioria dos casos, há uma possível melhora na qualidade das previsões para as séries antipersistentes. / It is known that there are a lot of models to forecast financial time series. It is known, also, that there is not a perfect model and the most used nowadays are the Recurrent Neural Network models and those from the GARCH family. International references point to a technique of measurement using windowing in order to identify the kind of behavior that is present in time series. This technique is known as Hurst Exponent. It is a measure that qualifies the time series as persistent or anti-persistent. This work analyzed if the Hurst Exponent interferes in the quality of the forecasts made with the Neural Network models with and without the wavelet filter, using the main commodities, stock prices, Ibovespa index and the Dollar/Real exchange rate in the period ranging from January 1998 to December 2010. The initial conclusions concerning the models worked out are positives.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-04-24T17:21:05Z No. of bitstreams: 1 leandrorodriguesmansosilva.pdf: 691785 bytes, checksum: 4024e0e319f1469cc354c2c346a90dbe (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-04-24T17:59:43Z (GMT) No. of bitstreams: 1 leandrorodriguesmansosilva.pdf: 691785 bytes, checksum: 4024e0e319f1469cc354c2c346a90dbe (MD5) / Made available in DSpace on 2017-04-24T17:59:43Z (GMT). No. of bitstreams: 1 leandrorodriguesmansosilva.pdf: 691785 bytes, checksum: 4024e0e319f1469cc354c2c346a90dbe (MD5) Previous issue date: 2012-02-29 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A distorção harmônica, dentre outras formas de poluição na rede de sistemas de energia, é um importante problema para as concessionárias. De fato, o aumento do uso de dispositivos não-lineares na indústria resultou em um aumento direto da distorção harmônica nos sistemas elétricos de potência nos últimos anos. Com isso, a modelagem destas cargas e suas interações se tornaram de grande importância, e portanto, o uso de novas técnicas computacionais passou a ser de grande interesse para este fim. Neste contexto, este trabalho descreve uma metodologia baseada em técnicas de Inteligência Computacional (Redes Neurais Artificiais (RNA)s e Lógica Fuzzy (LF)), proposta para modelagem de cargas não-lineares presentes em sistemas elétricos de potência, bem como a estimação de sua parcela na distorção harmônica do sistema. A principal vantagem deste método é que apenas as formas de onda de tensão e corrente no ponto de acoplamento comum precisam ser medidas, além disso esta técnica pode ser aplicada na modelagem de cargas monofásicas bem como cargas trifásicas. / The harmonic distortin, among other forms of pollution to the electric power systems is an important issue for electric utilities. In fact, the increased use of nonlinear devices in industry has resulted in direct increase of harmonic distortion in industrial power grids in recent years. Thus, the modeling of these loads and the understanding of their interactions with the system have became of great importance, then the use of computational-based techniques has emerged as a suitable tool to deal with these requirements. In this context, this work describes a methodology based on Computational Intelligence (Artificial Neural Networks (ANN)s and Fuzzy Logic (FL)) for modeling nonlinear loads present in electric power systems, as well as the estimation of their contribution in the harmonic distortion. The main advantage of this technique is that only the waveforms of voltages and currents at the point of common coupling must be measured and it can be applied to model single and three phase loads.

[pt] Por conta dos rápidos avanços tecnológicos, percebe-se uma mudança nos hábitos e das necessidades das pessoas. Há uma dependência cada vez maior de aparelhos eletrônicos como smartphones, notebooks etc. Construir baterias com grande capacidade energética é um dos desafios atuais para aumentar a autonomia dos aparelhos eletrônicos. Entretanto, uma alternativa que pode ajudar a manter aparelhos eletrônicos por mais tempo longe das tomadas é o compartilhamento de baterias. Existem na literatura muitos estudos envolvendo o compartilhamento de baterias no contexto de veículos elétricos, porém não são encontradas aplicações em smartphones. Um parâmetro importante a ser monitorado neste contexto é o estado de saúde (SoH). Até o momento, não há um consenso na literatura acerca do melhor modelo para estimar o SoH de baterias devido à falta de métodos bem estabelecidos. Assim, o objetivo geral desta dissertação foi construir um modelo para estimar a curva de estado de saúde, por meio do estado de carga, com vistas a estimar a saúde de baterias de íon-lítio. O modelo proposto foi baseado em redes neurais recorrentes. Para treinar e validar o modelo, foi construído um sistema para a realização de ensaios destrutivos, sendo possível estudar o comportamento de baterias de íon-lítio ao longo de toda vida útil. O modelo proposto foi capaz de estimar o SoH das baterias estudadas com boa exatidão, sob diferentes parâmetros de carga/descarga. O diferencial do modelo são baixa complexidade computacional, mesmo envolvendo modelos de redes neurais, e serem adotados parâmetros de entrada de fácil medição. / [en] Because of the fast technological advances, there is a change in people s habits and needs. There is an increasing dependence on electronic devices such as smartphones, notebooks etc. Building batteries with great energy capacity is one of the current challenges to increase the autonomy of electronic devices. However, an alternative that can help keep electronic devices longer away from sockets is battery swap. There are many studies in the literature involving the sharing of batteries in the context of electric vehicles, but no applications are found in smartphones. An important parameter to be monitored in this context is state of health (SoH). To date, there is no consensus in the literature about the best model for estimating battery SoH due to the lack of well-established methods. Thus, the objective of this dissertation is to build a model to estimate the state of health curve, with a view to classifying the health of lithium-ion batteries, through state of charge curve, for applications involving battery swap aiming to use in smartphones. The proposed model was based on recurrent neural networks. To train and validate the model, a system was built to perform destructive tests, being possible to study the behavior of lithium-ion batteries throughout its useful life. The proposed model was able to estimate the SoH of the batteries studied with good precision, under different charge / discharge parameters. The distinction of the model is low computational complexity, even involving neural network models, and easy-to-measure input parameters are adopted.

[pt] A tarefa de Processamento de Linguagem Natural consiste em analisar linguagens naturais de forma computacional, facilitando o desenvolvimento de programas capazes de utilizar dados falados ou escritos. Uma das tarefas mais importantes deste campo é a Análise de Dependência. Tal tarefa consiste em analisar a estrutura gramatical de frases visando extrair aprender dados sobre suas relações de dependência. Em uma sentença, essas relações se apresentam em formato de árvore, onde todas as palavras são interdependentes. Devido ao seu uso em uma grande variedade de aplicações como Tradução Automática e Identificação de Papéis Semânticos, diversas pesquisas com diferentes abordagens são feitas nessa área visando melhorar a acurácia das árvores previstas. Uma das abordagens em questão consiste em encarar o problema como uma tarefa de classificação de tokens e dividi-la em três classificadores diferentes, um para cada sub-tarefa, e depois juntar seus resultados de forma incremental. As sub-tarefas consistem em classificar, para cada par de palavras que possuam relação paidependente, a classe gramatical do pai, a posição relativa entre os dois e a distância relativa entre as palavras. Porém, observando pesquisas anteriores nessa abordagem, notamos que o gargalo está na terceira sub-tarefa, a predição da distância entre os tokens. Redes Neurais Recorrentes são modelos que nos permitem trabalhar utilizando sequências de vetores, tornando viáveis problemas de classificação onde tanto a entrada quanto a saída do problema são sequenciais, fazendo delas uma escolha natural para o problema. Esse trabalho utiliza-se de Redes Neurais Recorrentes, em específico Long Short-Term Memory, para realizar a tarefa de predição da distância entre palavras que possuam relações de dependência como um problema de classificação sequence-to-sequence. Para sua avaliação empírica, este trabalho segue a linha de pesquisas anteriores e utiliza os dados do corpus em português disponibilizado pela Conference on Computational Natural Language Learning 2006 Shared Task. O modelo resultante alcança 95.27 por cento de precisão, resultado que é melhor do que o obtido por pesquisas feitas anteriormente para o modelo incremental. / [en] The Natural Language Processing task consists of analyzing the grammatical structure of a sentence written in natural language aiming to learn, identify and extract information related to its dependency structure. This data can be structured like a tree, since every word in a sentence has a head-dependent relation to another word from the same sentence. Since Dependency Parsing is used in many applications like Machine Translation, Semantic Role Labeling and Part-Of-Speech Tagging, researchers aiming to improve the accuracy on their models are approaching this task in many different ways. One of the approaches consists in looking at this task as a token classification problem, using different classifiers for each sub-task and joining them in an incremental way. These sub-tasks consist in classifying, for each head-dependent pair, the Part-Of-Speech tag of the head, the relative position between the two words and the distance between them. However, previous researches using this approach show that the bottleneck lies in the distance classifier. Recurrent Neural Networks are a kind of Neural Network that allows us to work using sequences of vectors, allowing for classification problems where both our input and output are sequences, making them a great choice for the problem at hand. This work studies the use of Recurrent Neural Networks, in specific Long Short-Term Memory networks, for the head-dependent distance classifier sub-task as a sequence-to-sequence classification problem. To evaluate its efficiency, this work follows the line of previous researches and makes use of the Portuguese corpus of the Conference on Computational Natural Language Learning 2006 Shared Task. The resulting model attains 95.27 percent precision, which is better than the previous results obtained using incremental models.

Submitted by Adriana Bezerra Bessa (adrianabbessa@gmail.com) on 2018-05-09T00:07:09Z No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5) / Approved for entry into archive by Thais Oliveira (thais.oliveira@fgv.br) on 2018-05-10T17:26:20Z (GMT) No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5) / Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-05-11T12:30:07Z (GMT) No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5) / Made available in DSpace on 2018-05-11T12:30:08Z (GMT). No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5) Previous issue date: 2018-04-24 / A previsão de vendas é um aspecto crítico para maior parte das organizações, já que permite tornar o processo de planejamento mais eficiente, impactando assim nos resultados a serem obtidos pelas empresas. Entre as diversas técnicas de previsão, temos o grupo de métodos estatísticos clássicos e os métodos avançados, que trazem uma contribuição no tratamento das não linearidades. É neste contexto, que surge o problema desta dissertação: Quais são as técnicas que apresentam maior acurácia quando aplicadas para previsão de vendas no varejo de moda? Para responder a esta questão, esse trabalho avaliou dez métodos de previsão: Naive, SARIMA, SARIMA com exógenas, SARIMA GARCH, SARIMA GARCH com exógenas, método atual utilizado pela empresa estudada, rede neural MLP, rede neural MLP com exógenas, rede neural recorrente LSTM e rede neural recorrente LSTM com exógenas para quatro séries de quantidades vendidas de categorias de produtos distintas de uma empresa varejista do setor de moda. É fundamental destacar, que de forma casual, a pesquisa identificou que as quatro séries semanais de vendas dos produtos analisados são estacionárias, considerando um período longo de dez anos, o que por si só já é um resultado relevante. A análise dos diversos métodos de previsão para cada série de produto mostrou que os métodos avançados superaram os métodos estatísticos clássicos e, mais especificamente, a rede neural recorrente LSTM foi a que apresentou a maior precisão. Sendo assim, não há dúvidas que adoção dos métodos avançados para as empresas, que atuam no varejo de moda, pode trazer melhorias significativas em termos de gestão de estoque, de gestão da cadeia de abastecimento e de gestão de caixa, garantindo um aumento de eficiência e dos resultados das mesmas. De forma prática, para a empresa estudada foi obtido um incremento de acuracidade de 54,32%. / The sales forecasting is a critical aspect for most organizations, since it allows to make the planning process more efficient, thus impacting the results to be obtained by the companies. Among the various forecasting techniques, we have the group of classical statistical methods and the advanced methods, which make a contribution in the treatment of nonlinearities. It is in this context, that the problem of this dissertation arises: What are the techniques that present the greatest accuracy when applied to forecast sales in fashion retail? In order to answer this question, this study evaluated ten predictive methods: Naive, SARIMA, SARIMA with exogenous, SARIMA GARCH, SARIMA GARCH with exogenous, current method used by the studied company, MLP neural network, MLP neural network with exogenous, recurrent neural network LSTM and LSTM recurrent neural network with exogenous for four series of quantities sold from product categories distinct from a retailer in the fashion industry. It is important to highlight that, on a casual basis, the research identified that the four weekly series of sales of the analyzed products are stationary, considering a long period of ten years, which in itself is already a relevant result. The analysis of the various prediction methods for each product series showed that the advanced methods overcame the classic statistical methods and, more specifically, the recurrent neural network LSTM was the one that presented the highest precision. Therefore, there is no doubt that adoption of the advanced methods for companies that operate in fashion retail can bring significant improvements in terms of inventory management, supply chain management and cash management, ensuring an increase in efficiency and in its results. In practice, for the company studied, an accuracy increase of 54.32% was obtained.

[pt] Neste trabalho, propomos uma metodologia para anotar decisões judiciais, criar modelos de Deep Learning para extração de informação, e visualizar de forma agregada a informação extraída das decisões. Instanciamos a metodologia em dois sistemas. O primeiro extrai modificações de um tribunal de segunda instância, que consiste em um conjunto de categorias legais que são comumente modificadas pelos tribunais de segunda instância. O segundo (i) extrai as causas que motivaram uma pessoa a propor uma ação judicial (causa de pedir), os pedidos do autor e os provimentos judiciais dessas ações proferidas pela primeira e segunda instância de um tribunal, e (ii) conecta os pedidos com os provimentos judiciais correspondentes. O sistema apresenta seus resultados através de visualizações. Extração de Informação para textos legais tem sido abordada usando diferentes técnicas e idiomas. Nossas propostas diferem dos trabalhos anteriores, pois nossos corpora são compostos por decisões de primeira e segunda instância de um tribunal brasileiro. Para extrair as informações, usamos uma abordagem tradicional de Aprendizado de Máquina e outra usando Deep Learning, tanto individualmente quanto como uma solução combinada. Para treinar e avaliar os sistemas, construímos quatro corpora: Kauane Junior para o primeiro sistema, e Kauane Insurance Report, Kauane Insurance Lower e Kauane Insurance Upper para o segundo. Usamos dados públicos disponibilizados pelo Tribunal de Justiça do Estado do Rio de Janeiro para construir os corpora. Para o Kauane Junior, o melhor modelo (Fbeta=1 de 94.79 por cento) foi uma rede neural bidirecional Long Short-Term Memory combinada com Conditional Random Fields (BILSTM-CRF); para o Kauane Insurance Report, o melhor (Fbeta=1 de 67,15 por cento) foi uma rede neural bidirecional Long Short-Term Memory com embeddings de caracteres concatenados a embeddings de palavras combinada com Conditional Random Fields (BILSTM-CE-CRF). Para o Kauane Insurance Lower, o melhor (Fbeta=1 de 89,12 por cento) foi uma BILSTM-CE-CRF; para o Kauane Insurance Upper, uma BILSTM-CRF (Fbeta=1 de 83,66 por cento). / [en] In this work, we propose a methodology to annotate Court decisions, create Deep Learning models to extract information, and visualize the aggregated information extracted from the decisions. We instantiate our methodology in two systems we have developed. The first one extracts Appellate Court modifications, a set of legal categories that are commonly modified by Appellate Courts. The second one (i) extracts plaintiff s legal claims and each specific provision on legal opinions enacted by lower and Appellate Courts, and (ii) connects each legal claim with the corresponding judicial provision. The system presents the results through visualizations. Information Extraction for legal texts has been previously addressed using different techniques and languages. Our proposals differ from previous work, since our corpora are composed of Brazilian lower and Appellate Court decisions. To automatically extract that information, we use a traditional Machine Learning approach and a Deep Learning approach, both as alternative solutions and also as a combined solution. In order to train and evaluate the systems, we have built Kauane Junior corpus for the first system, and three corpora for the second system – Kauane Insurance Report, Kauane Insurance Lower, and Kauane Insurance Upper. We used public data disclosed by the State Court of Rio de Janeiro to build the corpora. For Kauane Junior, the best model, which is a Bidirectional Long Short-Term Memory network combined with Conditional Random Fields (BILSTM-CRF), obtained an (F)beta=1 score of 94.79 percent. For Kauane Insurance Report, the best model, which is a Bidirectional Long Short-Term Memory network with character embeddings concatenated to word embeddings combined with Conditional Random Fields (BILSTM-CE-CRF), obtained an (F)beta=1 score of 67.15 percent. For Kauane Insurance Lower, the best model, which is a BILSTM-CE-CRF, obtained an (F)beta=1 score of 89.12 percent. For Kauane Insurance Upper, the best model, which is a BILSTM-CRF, obtained an (F)beta=1 score of 83.66 percent.