Made available in DSpace on 2018-08-02T00:01:50Z (GMT). No. of bitstreams: 1 tese_2821_TeseDoutoradoLorenaSophiaCamposdeOliveira.pdf: 4850432 bytes, checksum: 10e1038edf8503fd7b584c90b13a637e (MD5) Previous issue date: 2010-09-10 / Esta Tese propõe uma abordagem bayesiana dinâmica com definição de limiar para desenvolver um sistema de apoio à decisão médica. São empregadas tanto Redes Bayesianas estáticas quanto Redes Bayesianas Dinâmicas para classificação de um tipo específico de arritmia cardíaca, utilizado como estudo de caso. Estas metodologias são utilizadas por serem adequadas para o tratamento de incerteza, presente no raciocínio clínico e que por isto mesmo deve ser levada em conta em qualquer sistema de auxílio ao diagnóstico, já que elas são ferramentas de classificação probabilística. Várias topologias de Redes Bayesianas são implementadas e testadas, para que seja possível encontrar a estrutura mais adequada ao problema proposto. Especificamente, é considerada a detecção de extrassístoles ventriculares (ESV) que é a anormalidade do ritmo cardíaco em que os ventrículos se contraem mais cedo do que o esperado. A importância da classificação correta desta arritmia deve-se ao fato dela ser um indicador de algumas patologias cardíacas, além de ser necessária durante a análise da variabilidade da frequência cardíaca e na detecção de episódios isquêmicos. É importante deixar claro que esta arritmia cardíaca serve, neste trabalho, como estudo de caso para mostrar a viabilidade da utilização de Redes Bayesianas.

Ingeniero Civil Mecánico / Durante la vida de un componente, cambios micro estructurales emergen y evolucionan en el tiempo. Actualmente, se utilizan modelos clásicos de degradación empíricos que permiten monitorear el daño del componente. Sin embargo, estos utilizan indicadores de daño que no pueden ser detectados en etapas tempranas de degradación y cuando finalmente pueden ser detectadas la vida del componente esta próxima a acabar. Dado lo anterior, es de gran interés detectar el daño lo antes posible. Con la implementación de un modelo de redes bayesianas dinámicas es posible diagnosticar el daño de una estructura observando la evolución de los precursores de daño. En el presente trabajo se busca implementar un modelo para el diagnóstico y pronóstico del daño de una bomba sujeta a fatiga en base a distintas señales recogidas de la bomba: vibraciones, caudal, potencia, intensidad y presión diferencial. El modelo mencionado fue construido en base a redes bayesianas dinámicas que son capaces de analizar el comportamiento no lineal y no gaussiano de la degradación por fatiga y también capaces de mezclar distintos tipos de evidencia (señales) para reducir la incertidumbre acerca del daño de la estructura. El proceso de inferencia en la red bayesiana dinámica es modelado a través del uso de la técnica de filtro de partículas utilizando el software R para la implementación del modelo. Finalmente, con los resultados obtenidos es posible realizar la predicción del tiempo de vida remanente de la estructura sujeta a fatiga. El presente informe da cuenta del trabajo paso a paso realizado por el alumno para llegar al resultado final. Se realiza en primer lugar una presentación de los antecedentes teóricos que son utilizados en la realización del trabajo, junto a la metodología desarrollada. Se da paso luego a la presentación de los resultados obtenidos por el alumno, los cuales pueden ser divididos en dos etapas, una primera etapa de recepción y tratamiento de los datos duros para encontrar información útil para desarrollar la segunda etapa, donde se lleva a cabo el desarrollo del filtro de partículas para obtener finalmente un pronóstico de la vida de la bomba estudiada y la determinación de la vida útil remanente de esta. Los resultados obtenidos son considerados positivos, ya que se logra una buena estimación del deterioro y tiempo de falla de la bomba y se cumplen los objetivos del trabajo de título.

Made available in DSpace on 2014-06-12T17:38:01Z (GMT). No. of bitstreams: 2 arquivo3964_1.pdf: 949658 bytes, checksum: b644e3df914d1f9c2018ffd9d301379b (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Uma grande escassez de dados é notada quando se está trabalhando em uma análise probabilística de riscos (APR). Alguns métodos são propostos na literatura como forma de contornar esse grande problema. Tais métodos são chamados de métodos de edução da opinião do especialista. Nesses métodos o analista recorre a especialistas que têm grande conhecimento sobre o problema analisado. Os especialistas, por sua vez, fornecem opiniões sobre o parâmetro investigado e com isso o analista consegue obter uma estimativa sobre o valor desconhecido. Neste trabalho será proposto um método de edução capaz de trabalhar com variáveis lingüísticas, de forma que ao final do processo possa ser obtida uma estimativa fuzzy sobre determinado parâmetro. Especificamente neste trabalho a idéia é obter estimativas fuzzy sobre probabilidades condicionais as quais serão utilizadas em uma rede bayesiana-fuzzy para a estimação da probabilidade de erro humano. Um exemplo de aplicação envolvendo um eletricista auxiliar presente na atividade de substituição de cadeias de isoladores em linhas de transmissão é discutido ao final do trabalho

El clasificador Naive Bayes es uno de los modelos de clasificación más efectivos, debido a su simplicidad, resistencia al ruido, poco tiempo de procesamiento y alto poder predictivo. El clasificador Naive Bayes asume una fuerte suposición de independencia entre las variables predictoras dada la clase, lo que generalmente no se cumple. Muchas investigaciones buscan mejorar el poder predictivo del clasificador relajando esta suposición de independencia, como el escoger un subconjunto de variables que sean independientes o aproximadamente independientes. En este trabajo, se presenta un método que busca optimizar el clasificador Naive Bayes usando el árbol de decisión C4.5. Este método, selecciona un subconjunto de variables del conjunto de datos usando el árbol de decisión C4.5 inducido y luego aplica el clasificador Naive Bayes a estas variables seleccionadas. Con el uso previo del árbol de decisión C4.5 se consigue remover las variables redundantes y/o irrelevantes del conjunto de datos y escoger las que son más informativas en tareas de clasificación, y de esta forma mejorar el poder predictivo del clasificador. Este método es ilustrado utilizando tres conjuntos de datos provenientes del repositorio UCI , Irvin Repository of Machine Learning databases de la Universidad de California y un conjunto de datos proveniente de la Encuesta Nacional de Hogares del Instituto Nacional de Estadística e Informática del Perú, ENAHO – INEI, e implementado con el programa WEKA.

The use of cyberspace as a platform for military operations presents many new research challenges. Current security techniques are not sufficiently effective in protecting IT systems, as they fail to address the correlation between actions and effects across multiple domains. More specifically, modern IT systems permeate different areas, and assessing their security requires identifying how actions performed in the cyber domain affect the accomplishment of the mission';s operational goals. This thesis proposes a framework that links mission and infrastructure domains to measure cyber-effects on the mission. This framework, Cyber-ARGUS, consists of a C2 simulation environment, along with semantic technologies to provide consistent mapping between domains. Relevant information is stored in a semantic knowledge base about the nodes in the cyber domain, and then used to build a Bayesian Network to provide impact assessment. The technique is illustrated through the simulation of an air transportation scenario in which the C2 infrastructure is subjected to various cyber-attacks and their associated impact to the operations is assessed. The main contribution of this research is a methodology that enables cyber impact assessment in the ongoing mission to be achieved by using only overall effects (combination of effects produced by the attackers and defenders'; plans), without the need to know the enemy';s individual actions. This ability will also be used to generate more accurate relevant defense/offensive plans and scenarios. The environment not only supports the research presented in this thesis, but can also provide a platform to conduct general work on cyber situation awareness.

Individualmente, as linhas de pesquisa da Inteligência Artificial têm proposto abordagens para a resolução de inúmeros problemas complexos do mundo real. O paradigma orientado a agentes provê os agentes autônomos, capazes de perceber os seus ambientes, reagir de acordo com diferentes circunstâncias e estabelecer interações sociais com outros agentes de software ou humanos. As redes Bayesianas fornecem uma maneira de representar graficamente as distribuições de probabilidades condicionais e permitem a realização de raciocínios probabilísticos baseados em evidências. As ontologias são especificações explícitas e formais de conceituações, que são usadas em uma variedade de áreas de pesquisa, incluindo os Sistemas Multiagentes. Contudo, existem aplicações cujos requisitos não podem ser atendidos por uma única tecnologia. Circunstâncias como estas exigem a integração de tecnologias desenvolvidas por distintas áreas da Ciência da Computação. Esta dissertação trata a integração do modelo de agentes BDI (Belief-Desire-Intention) e das redes Bayesianas. Além disso, é adotada uma abordagem baseada em ontologias para representar o conhecimento incerto dos agentes. O primeiro passo em direção a integração foi o desenvolvimento de uma ontologia para representar a estrutura das redes Bayesinas. Esta ontologia tem como principal objetivo permitir a interoperabilidade agentes compatíveis com a arquitetura proposta. No entanto, a ontologia também facilita o entendimento necessário para abstrair os estados mentais e processos cognitivos dos agentes através de elementos das redes Bayesianas. Uma vez construída a ontologia, a mesma foi integrada com a arquitetura BDI. Através da integração do modelo BDI com as redes Bayesianas foi obtida uma arquitetura cognitiva de agentes capaz de deliberar sob incerteza. O processo de integração foi composto de duas etapas: abstração dos estados mentais através de elementos das redes Bayesianas e especificação do processo deliberativo. Finalmente, foi desenvolvido um estudo de caso, que consistiu na aplicação da arquitetura proposta no Agente Social, um componente de um portal educacional multiagente (PortEdu). / Individually, Artificial Intelligence research areas have proposed approaches to solve several complex real-world problems. The agent-based paradigm provided autonomous agents, capable of perceiving their environment, reacting in accordance with different situations, and establishing social interactions with other software agents and humans. Bayesian networks provided a way to represent graphically the conditional probability distributions and an evidence-based probabilistic reasoning. Ontologies are an effort to develop formal and explicit specifications of concepts, which have been used by a wide range of research areas, including Multiagent Systems. However, there are applications whose requirements can not be addressed by a single technology. Circumstances like these demand the integration of technologies developed by distinct areas of Computer Science. This work is particularly concerned with the integration of Belief-Desire-Intention (BDI) agent architecture and Bayesian networks. Moreover, it is adopted an ontology-based approach to represent the agent’s uncertain knowledge. To bring together those technologies, it was developed an ontology to represent the structure of Bayesian networks knowledge representation. This ontology supports the interoperability among agents that comply with the proposed architecture, and it also facilitates the understanding necessary to abstract the agents’ mental states and cognitive processes through elements of Bayesian networks. Once specified the ontology, it was integrated with the BDI agent architecture. By integrating BDI architecture and Bayesian networks, it was obtained a cognitive agent architecture capable of reasoning under uncertainty. It was performed in two stages: abstraction of mental states through Bayesian networks and specification of the deliberative process. Finally, it was developed a case study, which consists in applying the probabilistic BDI architecture in the Social Agent, a component of a multiagent educational portal (PortEdu).

O presente trabalho emprega Redes Bayesianas para a previsão da rentabilidade de empresas. Define-se como rentabilidade superior as empresa que obtiveram retorno para os acionistas classificados acima de 81,5% em relação às demais. Adota-se a metodologia de seleção dos indicadores proposta por Sun e Shenoy (2007), que seleciona as variáveis explicativas segundo suas correlações com a variável classificadora. Obtêm-se, ao final, dois modelos sendo o primeiro com dois estados de classificação de empresas, superior e inferior; o segundo com três estados (superior mediano e inferior). Assim como Sun e Shenoy (2007), tenta-se validar o modelo Bayesiano com a regressão logística. Constata-se que não é possível afirmar que as média das taxas de sucesso dos dois modelos sejam diferentes ao se prever rentabilidade superior, entretanto a regressão tem melhor desempenho ao se prever rentabilidade baixa. A variável mais significativa tanto para o primeiro quanto para o segundo modelos foi a classificação atual da empresa, ou seja, empresas que figuram em um determinado ano no estado de rentabilidade superior são as mais propensas a repetir o resultado do que as demais. Os resultados apontam taxas de acerto que vão de 14,70% em 1999 (ano da crise cambial quando a rentabilidade média das empresas foi de 2,74%) a 52,94% em 1997 (ano cuja rentabilidade média foi de 11,76%) para o primeiro modelo e de 11,76 % (1999) a 56,60 % (2004, rentabilidade média de 10,76%) para o segundo modelo. Apesar dos modelos ainda não conseguirem alcançar uma estabilidade nas previsões os resultados são animadores quando se desenvolve a hipótese de utilidade para um possível investidor e a expectativa de retorno acumulado, ao longo dos dez anos, passa de 70,37%, que é a rentabilidade média acumulada do período, para 357,07% e 410,10 % para o primeiro e o segundo modelo respectivamente. / This work use the knowledge obtained from Bayesian networks studies of bankruptcy prediction and applied it for forecasting companies' profitability. Higher profitability is defined as the company that had returns for shareholders classified over 81.5% compared to the others. Adopting the methodology of selection of the explanatory variables proposed by Sun and SHENOY (2007) based on correlations among them with the classification variable. As a result it is obtained two models, the first one with two classification states for de classification variable, upper and low, and the second one with three states (upper, middle and low). As Sun and SHENOY (2007), the Bayesian model was compared with a logistic regression. It cannot be say that the average success rates of the two models are different for forecasting higher profitability; otherwise, for low profitability forecasts the regression model was superior. The most significant variable for both the first and for the second model was the previous company's return for the shareholders, i.e. companies that are in a given year in the state of upper profitability are more likely to repeat the resulting the next year. The results show success rates ranging from 14.70% in 1999 (year of the currency crisis when the average profitability of the companies was 2.74%) to 52.94% in 1997 (average return rate was 11.76 %) for the first model and from 11.76% (1999) to 56.60% (2004, average return rate was 10.76%) for the second model. Although the models still fail to achieve stability in the estimates the results are encouraging when developing the hypothesis of possible investor profitability when the expectation of return accumulated over the ten years, range from 70.37%, which is the average profitability accumulated in the period to 357.07% and 410.10% respectively for the first and second model.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2013-07-16T01:40:09Z (GMT). No. of bitstreams: 0 / As incertezas existentes no mundo real sao tratadas pela mente humana de maneira que seja poss´ývel alguma tomada de decisao baseada em fatos que nao representem uma verdade absoluta.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Produção, Florianópolis, 2011 / Made available in DSpace on 2012-10-26T06:40:06Z (GMT). No. of bitstreams: 1 295116.pdf: 3807533 bytes, checksum: c333d0d1065125b391bc71f70a5af7d5 (MD5) / O presente trabalho tem como objetivo principal a previsão de performance de projetos, considerando a influência do estilo de liderança e de fatores organizacionais, como a sobreposição de atividades, sobre a agilidade e flexibilidade. Este estudo se inicia com uma revisão da literatura onde são mostrados os componentes da liderança, estrutura organizacional, agilidade, flexibilidade e fatores organizacionais, bem como as relações intrínsecas existentes entre eles. Liderança é um processo inerente às organizações e está diretamente relacionado com a interação entre pessoas e como tal, é considerada sua adição aos componentes da estrutura organizacional. Na seqüência são mostradas as principais características representativas da estrutura organizacional e de seus componentes, encontradas nas organizações ágeis. Dentro deste contexto o foco é a análise das organizações voltadas a projetos. De posse destas informações é descrito o constructo teórico do trabalho, que serve de base para a construção do modelo apresentado. Ferramentas de inteligência artificial (IA), mais propriamente redes causais bayesianas (BN), são empregadas para fins de modelagem do sistema. A partir da aplicação do modelo torna-se possível identificar sob quais condições (combinações e níveis) dos componentes do estilo de liderança e dos fatores organizacionais existem as maiores chances de altas performances de projeto. Como resultados mais significativos do trabalho realizado podem ser citados a caracterização de qual propriedade é demandada, se agilidade ou flexibilidade, para cada tipo de projeto, o entendimento de como o estilo de liderança afeta a agilidade e a flexibilidade, e de como isso se reflete no desempenho dos projetos. Neste sentido, a visualização da propagação dos efeitos ao longo da rede bayesiana (BN), a capacidade de realização de análise de sensibilidade das variáveis, e a possibilidade de previsão de resultados representam uma contribuição relevante tanto para a literatura de liderança, agilidade e flexibilidade, como para as organizações, na busca por melhores níveis de desempenho.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2013. / Made available in DSpace on 2014-08-06T17:43:59Z (GMT). No. of bitstreams: 1 326135.pdf: 3524990 bytes, checksum: 20b931bf01d41bdd7c02ae10fae99cb0 (MD5) Previous issue date: 2013 / Esta dissertação aborda a aplicação dos métodos de Monte Carlo via Cadeias de Markov na aprendizagem de estruturas de redes Bayesianas. Estes métodos têm se mostrado extremamente eficientes nos cálculos aproximados de problemas nos quais é impossível obter uma solução exata. Neste sentido, apresenta um método para gerar estruturas de redes Bayesianas a partir dos dados para que possam ser utilizadas para realizar consultas sobre o domínio do problema e também que permitam extrair conhecimento sobre o problema através dos modelos gráficos gerados. Inicialmente, através do uso de técnicas de verificação de independência condicional entre os nós da rede, alguns vértices (conexões entre os nós) da estrutura inicial foram fixados e não mais alterados, visando minimizar o uso de recursos computacionais. Após fixar esses vértices, o próximo passo consistiu em construir uma estrutura inicial de rede (conectar os demais nós da rede não fixados no passo anterior) a ser alterada durante toda a execução do algoritmo. Para isso, foram utilizados algoritmos de busca heurística. De posse de um modelo inicial de rede e seguindo o fluxo dos métodos de Monte Carlo e Cadeias de Markov, a próxima etapa alterava esse modelo, a cada iteração do algoritmo, de forma aleatória, visando encontrar o modelo que melhor representasse os dados. Os algoritmos de geração de amostras de rede utilizados nessa etapa selecionavam dois nós e uma operação a ser realizada no vértice de conexão entre esses nós (incluir, excluir ou inverter), sempre de forma aleatória. Depois de verificar se a operação realizada na estrutura atual da rede gerava uma rede válida (sem ciclos), a rede era aceita como novo estado da cadeia. Finalmente, para comparar os modelos de rede e selecionar o melhor entre eles, foram utilizadas métricas de score. Analisando as redes geradas durante as execuções do algoritmo, juntamente com os dados capturados na submissão dos casos de teste, pôde-se concluir que os resultados mostraram-se muito satisfatórios, devido, principalmente, às taxas de erros apresentadas nas matrizes de classificação. Como exemplo, na submissão de um dos conjuntos de testes a uma das redes gerada pelo algoritmo, apenas 7% (sete) dos dados foram classificados incorretamente. Pode-se crer que os bons resultados obtidos devem-se ao processo utilizado na coleta de modelos de rede, no qual foram salvos os melhores modelos durante toda a execução do programa.<br> / Abstract : This paper discusses the application of the methods of Markov Chain Monte Carlo in the learning of structures of Bayesian networks. These methods have proved to be extremely effective in approximate calculations of problems in which it is impossible to obtain an exact solution. In this sense, it presents a method for generating structures of Bayesian networks from data that can be used to perform queries on the problem domain and also for extracting knowledge about the problem through the graphic models generated. Initially, through the use of verification techniques for conditional independence between the network nodes, some vertices (connections between nodes) of the initial structure were fixed and not altered in order to minimize the use of computational resources. After fixing these vertices, the next step was to build an initial network structure (connect other network nodes not set in the previous step) to be changed throughout the execution of the algorithm. For this, heuristic search algorithms are used. With this initial network model and following the flow of the Monte Carlo and Markov chains methods, the next step alter this model, in each iteration of the algorithm, randomly, aiming to find the model that best represents the data. The algorithms for generating samples of network used in this step selected two nodes and an operation to be performed at the vertice of connection between these nodes (add, delete or reverse), always randomly. After checking that the operation performed on the current network structure generated a valid network (without cycles), the network was accepted as a new state of the chain. Finally, to compare the network models and select the best among them, metrics score are used. Analyzing the networks generated during the execution of the algorithm, along with the data captured in the submission of test cases, it can be concluded that the results were very satisfactory, mainly due to error rates presented in the matrix of classification. As an example, submission of one of the test sets to the network generated by the algorithm, only 7% (seven) of data were misclassified. It is believed that the good results are due to the process used to collect network models, where it saves the best models throughout the execution of the program.