RIBEIRO, A. J. A. Um método para localização e estimação das características geotécnicas dos solos da região metropolitana de Fortaleza-CE para fins de pavimentação. 2013. 141 f. Dissertação (Mestrado em Engenharia de Transportes) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2013. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2013-07-03T14:53:11Z No. of bitstreams: 1 2013_dis_ajaribeiro.pdf: 8762920 bytes, checksum: d78cd5d4edb95b8f4550254a083cce41 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2013-07-24T17:52:45Z (GMT) No. of bitstreams: 1 2013_dis_ajaribeiro.pdf: 8762920 bytes, checksum: d78cd5d4edb95b8f4550254a083cce41 (MD5) / Made available in DSpace on 2013-07-24T17:52:45Z (GMT). No. of bitstreams: 1 2013_dis_ajaribeiro.pdf: 8762920 bytes, checksum: d78cd5d4edb95b8f4550254a083cce41 (MD5) Previous issue date: 2013 / This research focuses on the development of a method, aimed to predicting and positioning the geotechnical characteristics of soils that may contribute to the process of decision making of its use for paving purposes. Were used Geoprocessing and Artificial Neural Networks (ANN) modeling techniques, as well as spatial and biophysical variables of the phenomena modeled. The characteristics studied (pedology, geology, geomorphology, vegetation, altimetry and position) were correlated with the estimated geotechnical variables (TRB Classification and CBR) for soils from the metropolitan region of Fortaleza, Ceará (RMF). Three models of ANNs were developed calibrated, validated and tested. Two of these models were dedicated to generating estimates of CBR in the normal (CBR-N) and intermediate (CBR-I) compaction modes. The third model was developed to generate estimates of the geotechnical characteristics of the soils from the RMF Classification TRB. The geotechnical characteristics estimated by these models enabled the preparation of Neural Geotechnical Maps, stratified for values of CBR-N, CBR-I and TRB Classification. The maps produced and all the survey information was made available on a Web Geographic Information System (Webmapping), thus allowing its use in road projects and future academic studies, both to download the maps and to generate estimates for RMF. In addition, provided to the Webmapping a geotechnical receiver points, to allow recalibration of future models in an attempt to improve the quality of the estimates that currently is more than 90% accuracy rate. / Esta investigação propõe o desenvolvimento de um método para a localização e predição das características geotécnicas dos solos que possa contribuir para o processo da tomada de decisão, quanto à sua utilização, para fins de pavimentação. Utilizou-se Geoprocessamento e Redes Neurais Artificiais (RNAs) como técnicas de modelagem, bem como variáveis biofísicas e espaciais como explicativas dos fenômenos modelados. As características pesquisadas (pedologia, geologia, geomorfologia, vegetação, altimetria e posição) se correlacionaram com as variáveis geotécnicas estimadas (classificação TRB - Transportation Research Board e CBR - California Bearing Ratio) para solos provenientes da Região Metropolitana de Fortaleza (RMF). Assim, desenvolveu-se três modelos de RNAs que foram calibrados, validados e testados. Dois desses modelos foram dedicados à geração de estimativas de CBR nas energias de compactação normal (CBR-N) e intermediária (CBR-I). O terceiro modelo foi elaborado para geração de estimativas da classificação TRB dos solos da RMF. As características geotécnicas estimadas por estes modelos possibilitaram a elaboração dos chamados Mapas Geotécnicos Neurais, estratificados para previsão dos valores de CBR-N, CBR-I e Classificação TRB. Adicionalmente, os mapas produzidos e todas as informações da pesquisa foram disponibilizados em um Sistema de Informações Geográficas Web (SIG-Web), de forma a possibilitar seu uso em projetos viários e estudos acadêmicos futuros, tanto para download dos mapas gerados, quanto para geração de estimativas para uma área específica da RMF. Além disso, disponibilizou-se ao SIG-Web um realimentador de pontos geotécnicos para permitir uma recalibração futura dos modelos na tentativa de melhorar a qualidade das estimativas geradas que atualmente é superior a 90% de taxa de acerto.

AMANCIO, L. B. Previsão de recalques em fundações profundas utilizando redes neurais artificiais do tipo Perceptron. 2013. 90 f. Dissertação (Mestrado em Engenharia Civil: Geotecnia) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2013. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2014-04-04T17:10:28Z No. of bitstreams: 1 2013_dis_lbamancio.pdf: 1795121 bytes, checksum: 22a58885fe6cc9e62c41ea27efa25d87 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2014-05-06T17:18:03Z (GMT) No. of bitstreams: 1 2013_dis_lbamancio.pdf: 1795121 bytes, checksum: 22a58885fe6cc9e62c41ea27efa25d87 (MD5) / Made available in DSpace on 2014-05-06T17:18:03Z (GMT). No. of bitstreams: 1 2013_dis_lbamancio.pdf: 1795121 bytes, checksum: 22a58885fe6cc9e62c41ea27efa25d87 (MD5) Previous issue date: 2013-08-16 / The settlement deep foundations preview of stakes continuous helix, metallic dug and stuck is the aim of this study. The settlement is a vertical down dislocation a foundation shows when it undergoes a determined charge. The settlements assessment in deep foundations can be done using several methods as, for instance, the numerical and the theoretical ones. Different variables influence the settlements occurred in foundations of the stake kind which can be detached, among them, the characteristics of resistance and deformation of the involved material, the stratigraphy of the foundation ground and the geometry of the foundation’s structural element manifesting, thus, a multi-diverse and high-complex problem. An alternative to a more realistic assessment of the settlements in deep foundations consists in the application of the artificial neural networks, models that work analogically in the human brain which have been recently contributing to the resolution of complex problems in different areas of Civil Engineering. In this research, multi-marked neural networks were used, fed ahead (perceptron multi-layer) to develop a preview model of settlements in stakes, since a managed training which uses the error back propagation algorithm. To the development of the model, SPT experiments and static charge tests’ results were collected and, with the help of QNET 2000 program, several neural network models were tested and validated. After the analysis and comparison of the different configurations’ results, it was verified that the artificial neural networks were able to understand the deep foundations behavior, continuous helix, metallic dug and stuck kind concerned to the influence of entrance variables considered to the settlements assessment. Furthermore, the results obtained by the developed model allow, through other factors, the definition of work charges and limit charges on the stake. The architecture of this model is formed by 6 knots in the entrance layer, 20 neurons distributed in 3 hidden layers and 1 neuron in the exit layer, corresponding to the measured settlements to the stake. The change process of the synaptic heights, in the model’s validation stage, with 4 million iterations, resulted in the bigger correlation coefficient between the assessed and the measured settlements (0.89), which is satisfactory regarding the preview of a complex phenomenon. / A previsão de recalque em fundações profundas do tipo estacas hélice contínua, escavada e cravada metálica é o objeto principal desse estudo. O recalque é o deslocamento vertical para baixo que uma fundação apresenta quando submetida a um determinado carregamento. A estimativa dos recalques em fundações profundas pode ser feita utilizando-se diversas metodologias, dentre as quais os métodos numéricos e os teóricos. Diferentes variáveis influenciam os recalques ocorridos nas fundações profundas do tipo estaca destacando-se as características de resistência e deformabilidade dos materiais envolvidos, a estratigrafia do solo de fundação e a geometria do elemento estrutural de fundação, dentre outras, configurando-se, portanto, como um problema multi-variado e de grande complexidade. Uma alternativa para a estimativa mais realista dos recalques em fundações profundas consiste no emprego das redes neurais artificiais, que são modelos que trabalham analogamente ao cérebro humano que têm, recentemente, contribuído na resolução de problemas complexos em diversas áreas da Engenharia Civil. Nessa pesquisa foram utilizadas redes neurais multicamadas alimentadas adiante (perceptron multi-camadas) para o desenvolvimento de um modelo de previsão de recalques em estacas, a partir de um treinamento supervisionado, que utiliza o algoritmo de retropropagação do erro (error back propagation). Para o desenvolvimento do modelo foram coletados resultados de ensaios SPT e provas de carga estática, e com auxílio do programa QNET2000 foram treinados e validados vários modelos de redes neurais. Após as análises e comparações entre os resultados de diferentes configurações, constatou-se que as redes neurais artificiais foram capazes de entender o comportamento das fundações profundas do tipo hélice contínua, cravada metálica e escavada no que tange a influência das variáveis de entrada consideradas para a estimativa dos recalques. Além disto, constatou-se que os resultados obtidos pelo modelo desenvolvido permitem, dentre outras coisas, a definição das cargas de trabalho e cargas limites na estaca. A arquitetura desse modelo é formada por 6 nós na camada de entrada, 20 neurônios distribuídos em 3 camadas ocultas, e 1 neurônio na camada de saída, correspondente ao recalque medido para a estaca. O processo de alteração dos pesos sinápticos, na fase de validação do modelo, com 4 milhões de iterações resultou no maior coeficiente de correlação entre os recalques estimados e os recalques medidos, que foi de 0,89, o qual pode ser considerado satisfatório, em se tratando da previsão de um fenômeno complexo.

SANTOS FILHO. E. Q. Um Sistema de visão computacional para classificação da qualidade do couro caprino. 2013. 85 f. Dissertação (Mestrado em Engenharia de Teleinformática) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2013. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2015-02-27T19:00:53Z No. of bitstreams: 1 2013_dis_eqsantosfilho.pdf: 4685351 bytes, checksum: 54b73c3fbf463604705094bd650b2cdd (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2015-03-04T16:51:14Z (GMT) No. of bitstreams: 1 2013_dis_eqsantosfilho.pdf: 4685351 bytes, checksum: 54b73c3fbf463604705094bd650b2cdd (MD5) / Made available in DSpace on 2015-03-04T16:51:14Z (GMT). No. of bitstreams: 1 2013_dis_eqsantosfilho.pdf: 4685351 bytes, checksum: 54b73c3fbf463604705094bd650b2cdd (MD5) Previous issue date: 2013-08-08 / An important economic alternative for the semi-arid region of Brazil is the goat/sheep farming. Besides milk and meat, goat/sheep skins are much appreciated in the manufacturing of fine artifacts (e.g. shoes, bags & purses, wall ets, and jackets). However, due to the extensive mode of raising/breeding and the informality of slaughtering, sheep/goat farmers deliver to industry skin pieces with different types and levels of defects. Then, at the industry, specialized workers have to classify/discriminate the skin pieces according to their qualities. This handmade work is time - consuming and extremely dependent on the experience of the employee in charge of the skin - quality discrimination. Even the same employee may produce different classifications if he/she is asked to reclassify the skin lot. Thus, in order to handle these problems, in this paper we report the first results of a computer vision based system aiming at classifying automatically the quality of goat/sheep skin pieces. For this purpose, we compare the performances of statistica l and neural network classifiers using several feature extraction techniques, such as Column - Variance (VAR), Haar wavelet transform (HAAR), Non - Negative Matrix Factorization (NMF), Principal Component Analysis (PCA) and Gray Level Co - occurence Matrices (GL CM). We also implemented the reject option in the evaluated classifiers. Reject option is a technique used do improve classifier's reliability in decision support systems. It consists in withholding the automatic classification of an item, if the decision is considered not sufficiently reliable. The rejected item is then handled by a different classifier or by a human expert. By means of an in - depth analysis of the results, it was possible to observe that, without the reject option mechanism, the VAR, NMF a nd HAAR techniques achieved the best performances when associated with the ELM and SVM classifiers. When the reject option mechanism was present, it was observed a considerable improvement of the classification rates, at the expenses of relatively high rej ection rates. It was also possible to observe that, for the evaluated classifiers, the HAAR and GLCM techniques were less affected by the use of the reject option mechanism in comparison to the results achieved for the case without reject option / Uma alternativa econômica importante para a região semi-árida do Brasil é a criação de ovinos e caprinos. Além de leite e carne de caprinos/ovinos, as peles são muito apreciadas na fabricação de artefatos finos (por exemplo, sapatos, bolsas, carteiras e casacos). No entanto, devido ao modo extensivo de criação/reprodução e informalidade do abate, as peles de ovinos/caprinos são entregues ao curtume com diferentes tipos e níveis de defeitos. Na indústria, trabalhadores especializados têm a tarefa de classificar/discriminar as peles de acordo com a qualidade das mesmas. Este trabalho é artesanal, demorado e extremamente dependente da experiência do funcionário responsável pela discriminação da qualidade da pele. O mesmo funcionário pode produzir diferentes classificações se ele/ela tiver que reclassificar o lote de pele. Assim, a fim de lidar com esses problemas, neste trabalho, apresentam-se os primeiros resultados de um sistema baseado em visão computacional cujo objetivo é classificar automaticamente a qualidade da pele de caprinos/ovinos. Para isso, comparamos os desempenhos de classificadores estatísticos e neurais utilizando diversas técnicas de extração de características, tais como a Variância das colunas (VAR), Transformada Wavelet de Haar (HAAR), Fatoração em Matrizes Não-Negativas (NMF), Análise de Componentes Principais (PCA) e Matrizes de Co-ocorrência de níveis de cinza (GLCM). Também foram implementados mecanismos de opção de rejeição nos classificadores avaliados. Opção de rejeição é uma técnica usada para aumentar a confiabilidade do classificador em sistemas de apoio à tomada de decisão, que consiste em reter a classificação automática de um item, caso a decisão não seja considerada suficientemente confiável. Já com a utilização da opção de rejeição, de uma forma geral, foi possível observar uma considerável melhora nas taxas de acerto dos classificadores avaliados, às expensas de uma taxa de rejeição relativamente alta. Também foi possível observar que, para os classificadores analisados, os extratores HAAR e GLCM foram menos sensíveis à aplicação da opção de rejeição, em comparação com os resultados obtidos para o caso sem opção de rejeição.

SILVEIRA, M. V. Modelo neuronal para previsão de recalques em estacas hélice contínua, metálica e escavada. 2014. 148 f. Dissertação (Mestrado em Engenharia Civil: Geotecnia) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2014. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2015-04-09T12:13:49Z No. of bitstreams: 1 2014_dis_mvsilveira.pdf: 2442039 bytes, checksum: ff2533d468edafc815c81f1d3cfcc253 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2015-04-16T11:57:17Z (GMT) No. of bitstreams: 1 2014_dis_mvsilveira.pdf: 2442039 bytes, checksum: ff2533d468edafc815c81f1d3cfcc253 (MD5) / Made available in DSpace on 2015-04-16T11:57:17Z (GMT). No. of bitstreams: 1 2014_dis_mvsilveira.pdf: 2442039 bytes, checksum: ff2533d468edafc815c81f1d3cfcc253 (MD5) Previous issue date: 2014-08-01 / Predicting the settlement in deep foundation is a very complex, uncertain and not yet fully understood, due to the many uncertainties associated with factors that affect the magnitude of this deformation. Artificial Neural Network (ANN) is a tool that works similarly to the human brain, its main unit, the artificial neuron, works in a similar way to the biological neuron. This alternative tool has been successfully applied in many geotechnical engineering problems and can therefore be used as an alternative tool to evaluate the behavior of settlement in isolated piles. In this paper, the ANN used were the multilayer perceptron type, employing a supervised training that uses the error back propagation algorithm. The model developed relates settlement in isolated piles with the type and the geometrical properties of the piles (diameter and length), the stratigraphy and characteristics of compactness or consistency of soils by means of the SPT tests results, and the load applied, obtained in static pile load tests performed in continuous helix, steel driven and excavated pile types. The data set used to model consisted of 1.947 samples of input and output. QNET 2000 was the program used to assist the training and validation of various architectures of neural networks. The architecture formed by 10 nodes in the input layer, 28 neurons distributed in 4 intermediate layers and one neuron in the output layer, corresponding to the measured discharge for cutting (A10: 14:8:4:2:1) was the one that showed the best performance, with the correlation coefficient between the estimated settlements and settlements measured during the validation phase of 0.94, such value can be considered satisfactory when considering the prediction of a complex phenomenon. After comparing the performance of the applied load x settlement estimated by model proposed curve with the applied load x settlement measured in static pile load test curve and the applied load x settlement estimated by an elasto-plastic model thru numerical simulation, it was found that the ANN were able to understand the behavior of deep foundations of continuous helix, steel driven and excavated piles type, allowing among other things, the definition of workloads and load limits at the pile. / Estimar o recalque em estacas é um problema muito complexo, incerto e ainda não totalmente compreendido, devido às muitas incertezas associadas aos fatores que afetam a magnitude desta deformação. As RNA são ferramentas que funcionam analogamente ao cérebro humano, e sua unidade principal, o neurônio artificial, trabalha de maneira semelhante ao neurônio biológico. Esta ferramenta alternativa vem sendo aplicada com sucesso em muitos problemas de engenharia geotécnica, podendo, portanto ser utilizadas como uma ferramentas alternativas para avaliar recalques em estacas isoladas. Nessa pesquisa as RNA utilizadas foram do tipo perceptron de múltiplas camadas, empregando um treinamento supervisionado utilizando o algoritmo de retropropagação do erro. O modelo desenvolvido relaciona o recalque em estacas isoladas com as propriedades geométricas das estacas (diâmetro e comprimento), a estratigrafia e as características de compacidade, ou consistência dos solos por meio dos resultados obtidos nos ensaios SPT, e a carga atuante, obtidas em provas de carga realizadas em estacas hélice contínua, cravada metálica e escavada. O conjunto de aprendizagem foi composto por 1947 exemplos de entrada e saída. Com auxilio do programa QNET2000 foram treinadas e validadas várias arquiteturas de redes neurais. Após comparar o desempenho da curva carga x recalque elaborada com os recalques estimados pelo modelo proposto com a curva carga x recalque resultante da prova de carga estática e com a curva carga x recalque gerada pelo emprego do programa comercial baseado em elementos finitos tridimensionais PLAXIS 3D Foundation, constatou-se que as RNA foram capazes de entender o comportamento das fundações profundas do tipo estacas hélice contínua, escavada e cravada metálica, possibilitando dentre outras coisas, a definição das cargas de trabalho e cargas limites nas estacas.

BEZERRA, E. C. Aplicação de ferramentas de inteligência computacional para previsão da velocidade do vento. 2012. 127 f. Dissertação (Mestrado em em Engenharia Elétrica) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2012. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2012-03-22T18:53:25Z No. of bitstreams: 1 2012_dis_ecbezerra.pdf: 23608008 bytes, checksum: 44e699b9603806222ce35ede1e2cc22d (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2012-03-22T18:53:59Z (GMT) No. of bitstreams: 1 2012_dis_ecbezerra.pdf: 23608008 bytes, checksum: 44e699b9603806222ce35ede1e2cc22d (MD5) / Made available in DSpace on 2012-03-22T18:53:59Z (GMT). No. of bitstreams: 1 2012_dis_ecbezerra.pdf: 23608008 bytes, checksum: 44e699b9603806222ce35ede1e2cc22d (MD5) Previous issue date: 2012-01 / Many countries have devoted a lot of attention in the use of renewable energy sources to ensure the growing of energy demand and sustainable development. Projections by the Global Wind Energy Council (GWEC) indicate that by 2015 the worldwide capacity of installed wind power will reach 449 GW, almost the double in 2010. The wind generation is characterized by the variability in production and the restricted control. The wind power forecast is essential for a reliable, safety and economic operation of power system. This paper presents and analyse the predicted wind velocity of Artificial Neural Networks (FTDNN, Elman, Jordan, NARX) to the forecasts horizons of 1h, 6h, 12h and 24h. Other Computacional Intelligence tools (PSO & GA) are used to improve the ANN performance. It was used as reference the results obtained through the Persistence model. It was used a time series with 45,658 measurement of wind speed, which 80% were selected for the training phase and 20% for validation purposes. As criteria for evaluate the performance of ANN were considered the error methods: MAE, RMSE and MAPE. The results shows that all the ANN ha similar results for 1h forecasts and better than the results from Persistence model. The use of PSO as a training tool results in better forecasts than the ones from backpropagation training. / Muitos países têm devotado elevada atenção ao uso de fontes renováveis para atender a demanda crescente de energia e assegurar um desenvolvimento sustentável. As projeções pelo Global Wind Energy Council (GWEC) indicam que até 2015 a capacidade mundial de potência eolielétrica instalada deverá chegar a 449 GW, o dobro existente em 2010. A geração eolielétrica tem como característica a variabilidade da produção e o controle restrito da geração, sendo a previsão da geração eólica uma necessidade para a operação confiável, segura e econômica dos sistemas de potência. Este trabalho apresenta e analisa o resultado da previsão da velocidade do vento utilizando Redes Neurais Artificiais (FTDNN, Elman, Jordan, e modelo Neural NARX) nos horizontes futuros de 1h, 6h, 12h e 24h. Outras ferramentas de Inteligência Computacional (PSO e GA) são também utilizadas para buscar melhorar o desempenho das RNAs na previsão. A análise comparativa das previsões obtidas teve como referência o modelo de Persistência. Os dados de velocidade do vento considerados provêm de uma série histórica com 45.658 amostras de medição, em que 80% foram selecionadas para a fase de treinamento e 20% para a validação. Como critério de avaliação do desempenho das Redes Neurais foram consideradas três medidas baseadas no erro da previsão (MAE, RMSE e MAPE). Para os dados utilizados, os modelos neurais testados se mostraram semelhantes (horizonte de 1h) e superiores (demais horizontes) ao modelo de Persistência, a depender do horizontes de previsão. Observou-se uma significativa melhoria das previsões dos modelos neurais ao adotar PSO como algoritmo de treinamento.

OLIVEIRA, H. A. Sistema de reconhecimento de padrões para identificação de porte de veículos através de análise de perfil magnético. 69 f. 2011. Dissertação (Mestrado em Engenharia Elétrica) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2011. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-03-17T12:55:10Z No. of bitstreams: 1 2011_dis_haoliveira.pdf: 4210663 bytes, checksum: e0c70a7230381c8e38615ea48ab45615 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-03-17T15:47:12Z (GMT) No. of bitstreams: 1 2011_dis_haoliveira.pdf: 4210663 bytes, checksum: e0c70a7230381c8e38615ea48ab45615 (MD5) / Made available in DSpace on 2016-03-17T15:47:12Z (GMT). No. of bitstreams: 1 2011_dis_haoliveira.pdf: 4210663 bytes, checksum: e0c70a7230381c8e38615ea48ab45615 (MD5) Previous issue date: 2011-09-08 / Currently, transit agencies use traffic monitoring systems to reduce traffic accidents and as a fundamental tool for collecting statistical data for planning and management of road systems. These data are observed as the amount of information vehicles that travel at a certain point, the average speed and the identification of the category of vehicles. The identification of the category of vehicles that travels on a path allows you to control access lanes connecting to a specific class of vehicles. The objective of this work is to propose a solution for vehicle classification by analyzing signals collected from inductive sensors at the time the vehicle passes over the sensors. This set of signs for each vehicle is called the magnetic profile. This work used a classifier based on Artificial Neural Network (ANN) to identify the type of vehicle according to the pattern of magnetic profile collected. The implemented system used a Java framework that enabled the integration of ANN to the application that operates in the traffic monitoring equipment. It was developed a Java application that trains the ANN using data collected in the equipment and also allows evaluating further classification results obtained by the ANN. The vehicles were classified into the following categories: motorcycles, small vehicles, medium vehicles, buses and trucks. The developed system has been integrated into a traffic monitoring equipment manufactured by Fotosensores® and gave satisfactory results with an overall success rate above 97%. It represents an improvement in the equipment that carried out the classification. / Atualmente os órgãos de trânsito utilizam os sistemas de monitoramento de tráfego para redução de acidentes de trânsito e como ferramenta fundamental para a coleta de dados estatísticos para auxiliar no planejamento e gerenciamento dos sistemas viários. Nestes dados são observadas informações como a quantidade de veículos que trafegam em determinado ponto, a velocidade média e a identificação da categoria dos veículos. A identificação da categoria dos veículos que trafegam em uma via permite o controle de acesso a faixas de rolagem destinadas a uma classe de veículos específica. O objetivo desse trabalho é propor uma solução para classificação de veículos através da análise de sinais coletados de sensores indutivos no momento em que o veículo passa sobre os mesmos. O conjunto destes sinais para cada veículo é denominado perfil magnético. Foi utilizado um classificador baseado em Rede Neural Artificial (RNA) para identificar o tipo de veículo de acordo com o padrão do perfil magnético coletado. Na implementação do sistema foi utilizado um framework Java que possibilitou a integração da RNA ao aplicativo que opera no equipamento de monitoramento de tráfego. Também foi desenvolvido um aplicativo em Java que permite realizar o treinamento da rede utilizando dados coletados no equipamento e também permite avaliar posteriormente os resultados obtidos pela RNA. Os veículos foram classificados nas seguintes categorias: motos, veículos pequenos, veículos médios, ônibus e caminhões. O sistema desenvolvido foi integrado a um equipamento de fiscalização de tráfego fabricado pela empresa Fotosensores® e apresentou resultados satisfatórios, pois o índice de acerto geral do classificador foi de 97%, além de representar uma melhoria no equipamento que anteriormente realizava a classificação em somente quatro classes de veículos.

RAMALHO, G. L. B. Deteção de manchas de óleo em imagens SAR através da combinação de características e de classificadores. 2007. 100 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2007. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-04T14:47:08Z No. of bitstreams: 1 2007_dis_glbramalho.pdf: 6245692 bytes, checksum: c40029d4e31b6cafe7ad3943452a4997 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-06T17:47:42Z (GMT) No. of bitstreams: 1 2007_dis_glbramalho.pdf: 6245692 bytes, checksum: c40029d4e31b6cafe7ad3943452a4997 (MD5) / Made available in DSpace on 2016-04-06T17:47:42Z (GMT). No. of bitstreams: 1 2007_dis_glbramalho.pdf: 6245692 bytes, checksum: c40029d4e31b6cafe7ad3943452a4997 (MD5) Previous issue date: 2007-12-14 / Mapping ocean oil pollution by using Synthetic Aperture Radar (SAR) images is an important area of interest for environmental surveillance. One can make use of the SAR images to extract features by using different methods in order to predict if a specific region contains an oil spill or not using Artificial Neural Networks (ANN). A major problem in this approach is the number of false alarms due to misclassification. Oil spills are rare events and the number of available images containing spills is atistically small which is a limitation for the classifier performance. This work proposes the use of multiple feature sets and classifier combining methods to minimize the number of false alarms and thus, reduce the operational costs of automatic oil spill detection systems. The SAR images used in this work are not limited to a specific imaging system and different feature sets based on geometry and texture of the spills were tested. The generalization performances of classifier combination methods as boosting and bagging were compared with those resulting from single classifiers as Multilayer Perceptron (MLP) and Support Vector Machines (SVM). The experimental results suggest that oil spill characterization can be significantly improved using boosting even when few image samples are available and the feature sets have high dimensionality. / O mapeamento da poluição de óleo no mar utilizando imagens de Radar de Abertura Sintética (SAR, do inglês Synthetic Aperture Radar) é uma importante área de interesse na área da vigilância ambiental. Pode-se utilizar imagens SAR para extrair características através de diferentes métodos com o objetivo de predizer através de Redes Neurais Artificiais (RNAs) se uma região específica contém ou não uma mancha de óleo. O principal problema dessa abordagem é a ocorrência de excessivos alarmes falsos decorrentes de erros de classificação. Manchas de óleo são eventos raros e a pequena disponibilidade de imagens contendo manchas é um fator limitante do desempenho dos classificadores. Este trabalho propõe a utilização de múltiplos conjuntos de características e métodos de combinação de classificadores para minimizar o número de alarmes falsos a fim de possibilitar a redução de custos operacionais de sistemas automáticos de deteção de manchas de óleo. As imagens SAR utilizadas neste trabalho não estão limitadas a um único sistema de imageamento e diferentes conjuntos de características baseados na geometria e textura das manchas foram testados. Os desempenhos de generalização de métodos de combinação de classificadores, como boosting e bagging, foram comparados com aqueles obtidos com classificadores individuais, como Perceptron Multi-Camadas (MLP, do inglês Multi-Layer Perceptron) e Máquina de Vetor de Suporte (SVM, do inglês Support Vector Machine). Os resultados experimentais sugerem que a caracterização das manchas de óleo pode ser significativamente melhorada através do uso do boosting,mesmo quando poucas imagens amostrais estão disponíveis.

SOUZA, L. G. M. Proposição e avaliação de algoritmos de filtragem adaptativa baseados na rede de kohonen. 2005. 97 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2005. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-04T18:59:48Z No. of bitstreams: 1 2005_dis_lgmsouza.pdf: 1427421 bytes, checksum: 3da4fe84055886937bef6a27a148b289 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-06T18:41:14Z (GMT) No. of bitstreams: 1 2005_dis_lgmsouza.pdf: 1427421 bytes, checksum: 3da4fe84055886937bef6a27a148b289 (MD5) / Made available in DSpace on 2016-04-06T18:41:14Z (GMT). No. of bitstreams: 1 2005_dis_lgmsouza.pdf: 1427421 bytes, checksum: 3da4fe84055886937bef6a27a148b289 (MD5) Previous issue date: 2005-06-02 / The Self-Organizing Network Kohonen (Self-Organizing Map - SOM), by employing an unsupervised learning algorithm, has been traditionally implemented in signal processing area in quantization tasks vector, while MLP (Multi-Layer Perceptron ) and RBF (Radial Basis Function) dominate applications that require the approach of input-output mappings. This type of application is commonly found in adaptive filtering tasks that can be formatted from the perspective of direct and inverse modeling systems such as identification equalization of communication channels. In this dissertation, the range of SOM network applications is extended by proposing neural adaptive filter based on this network, showing that they are viable alternatives to non-linear filters based on MLP and RBF networks. This becomes possible through the use of a newly proposed technique, Quantized Temporal Associative Memory - VQTAM), which basically uses the philosophy called Memory Associative Temporal by Quantization Vector (Vector) network training SOM to perform simultaneous vector quantization of spaces input and output relating to the filtering problem analyzed. From the VQTAM technique are proposed three architectures adaptive filters based on SOM, whose performances were evaluated in identifying tasks and equalization of nonlinear channels. The channel used in the simulations was modeled as an autoregressive process of Gauss-Markov first order, contaminated with Gaussian white noise and provided with nonlinearity of the type saturation (sigmoidal). The results show that adaptive filters based on SOM network have equivalent or superior performance to traditional linear transversal filters and non-linear filters based on MLP. / A Rede Auto-Organizável de Kohonen (Self-Organizing Map - SOM), por empregar um algoritmo de aprendizado não supervisionado, vem sendo tradicionalmente aplicada na área de processamento de sinais em tarefas de quantização vetorial, enquanto que redes MLP (Multi-layer Perceptron) e RBF (Radial Basis Function) dominam as aplicações que exigem a aproximação de mapeamentos entrada-saída. Este tipo de aplicação é comumente encontrada em tarefas de filtragem adaptativa que podem ser formatadas segundo a ótica da modelagem direta e inversa de sistemas, tais como identificação equalização de canais de comunicação. Nesta dissertação, a gama de aplicações da rede SOM é estendida através da proposição de filtros adaptativos neurais baseados nesta rede, mostrando que os mesmos são alternativas viáveis aos filtros não-lineares baseados nas redes MLP e RBF. Isto torna-se possível graças ao uso de uma técnica recentemente proposta, Quantized Temporal Associative Memory - VQTAM), que basicamente usa a filosofia de chamada Memória Associativa Temporal por Quantização Vetorial (Vector )treinamento da rede SOM para realizar a quantização vetorial simultânea dos espaços de entrada e de saída relativos ao problema de filtragem analisado. A partir da técnica VQTAM, são propostos três arquiteturas de filtros adaptativos baseadas na rede SOM, cujos desempenhos foram avaliados em tarefas de identificação e equalização de canais nãolineares. O canal usado nas simulações foi modelado como um processo auto-regressivo de Gauss-Markov de primeira ordem, contaminado com ruído branco gaussiano e dotado de não-linearidade do tipo saturação (sigmoidal). Os resultados obtidos mostram que filtros adaptativos baseados na rede SOM têm desempenho equivalente ou superior aos tradicionais filtros transversais lineares e aos filtros não-lineares baseados na rede MLP.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2016. / Made available in DSpace on 2017-08-22T04:22:16Z (GMT). No. of bitstreams: 1 347911.pdf: 1690914 bytes, checksum: e43f9150ef3cb130f6d5696b46a68fa5 (MD5) Previous issue date: 2016 / Abstract : Geostatistics aggregates a set of tools designed to deal with spatially correlated data. Two significant problems that Geostatistics tackles are the spatial interpolation and geostatistical simulation. Kriging and Sequential Gaussian Simulation (SGS) are two examples of traditional geostatistical tools used for these kinds of problems. These methods perform well when the provided Variogram is well modeled. The problem is that modeling the Variogram requires expert knowledge and a certain familiarity with the dataset. This complexity might make Geostatistics tools the last choice of a non-expert. On the other hand, an important feature present in neural networks is their ability to learn from data, even when the user does not have much information about the particular dataset. However, traditional models, such as Multilayer Perceptron (MLP), do not perform well in spatial interpolation problems due to their difficulty in accurately modeling the spatial correlation between samples. With this motivation in mind, we adapted the Incremental Gaussian Mixture Network (IGMN) model for spatial interpolation and geostatistical simulation applications. The three most important contributions of this work are: 1. An improvement in the IGMN estimation process for spatial interpolation problems with sparse datasets; 2. An algorithm to perform Sequential Gaussian Simulation using IGMN instead of Kriging; 3. An algorithm that mixes the Direct Sampling (DS) method and IGMN for cluster-based Multiple Point Simulation (MPS) with training images. Results show that our approach outperforms MLP and the original IGMN in spatial interpolation problems, especially in anisotropic and sparse datasets (in terms of RMSE and CC). Also, our algorithm for sequential simulation using IGMN instead of Kriging can generate equally probable realizations of the defined simulation grid for unconditioned simulations. Finally, our algorithm that mixes the DS method and IGMN can produce better quality simulations and runs much faster than the original DS. To the best of our knowledge, this is the first time a Neural Network model is specialized for spatial interpolation applications and can perform a geostatistical simulation.<br> / A Geoestatística agrega um conjunto de ferramentas especializadas em dados espacialmente correlacionados. Dois problemas importantes na Geoestatística são a interpolação espacial e a simulação. A Krigagem e a Simulação Sequencial Gaussiana (SGS) são dois exemplos de ferramentas geoestatísticas utilizadas para esses tipos de problemas, respectivamente. A Krigagem e a SGS possuem bom desempenho quando o Variograma fornecido pelo usuário representa bem as correlações espaciais. O problema é que a modelagem do Variograma requer um conhecimento especializado e certa familiaridade com o conjunto de dados em estudo. Essa complexidade pode tornar difícíl a popularização dessas técnicas entre não-especialistas. Por outro lado, uma característica importante presente em Redes Neurais Artificiais é a capacidade de aprender a partir dos dados, mesmo quando o usuário não possui familiaridade com os dados. No entanto, os modelos tradicionais, como o Multilayer Perceptron (MLP), têm dificuldade em identificar a correlação espacial entre amostras e não apresentam um bom desempenho em problemas de interpolação espacial. Com essa motivação, nós adaptamos e aplicamos a Incremental Gaussian Mixture Network (IGMN) em problemas de interpolação espacial e simulação geoestatística. As três principais contribuições deste trabalho são: 1. Melhoria no processo de estimação da IGMN para problemas de interpolação espacial; 2. Um algoritmo para realizar simulação sequencial gaussiana utilizando a IGMN como interpolador; 3. Um algoritmo que mistura o método Direct Sampling (DS) e a IGMN para realizar simulação multiponto (MPS) a partir de imagens de treinamento. Os resultados mostram que a nossa abordagem é mais precisa que o MLP e a IGMN original em problemas de interpolação espacial, especialmente em conjuntos de dados esparsos e com anisotropia (em termos de RMSE e CC). Nosso algoritmo de simulação sequencial que utiliza a IGMN como interpolador é capaz de gerar simulações não condicionadas que respeitam características do conjunto original de dados. Finalmente, nosso algoritmo de simulação multiponto, que mistura o método DS e a IGMN, é capaz de realizar simulações condicionadas e produz realizações com qualidade superior num tempo de execução inferior ao do DS. Até onde sabemos, esta a primeira vez que um modelo de rede neural é especializado para aplicações de interpolação espacial e é capaz de realizar simulação geostatística.

Made available in DSpace on 2016-08-29T15:32:43Z (GMT). No. of bitstreams: 1 tese_2753_Patrick_tese.pdf: 6162584 bytes, checksum: a94d478a04680143f35c1eb308769c46 (MD5) Previous issue date: 2012-12-12 / Este trabalho apresenta uma abordagem baseada em Redes Neurais Artificiais para problemas de classificação multi-rotulada. Em particular, foi empregada uma versão modificada da Rede Neural Probabilística para tratar de tais problemas. Em experimentos realizados em várias bases de dados conhecidas na literatura, a Rede Neural Probabilística proposta apresentou um desempenho comparável, e algumas vezes até superior, a outros algoritmos especializados neste tipo de problema. Como o foco principal deste trabalho foi o estudo de estratégias para classificação automática de texto de atividades econômicas, foram realizados também experimentos utilizando uma base de dados de atividades econômicas. No entanto, diferente das bases de dados utilizadas anteriormente, esta base de dados apresenta um número extenso de categorias e poucas amostras de treino por categoria, o que aumenta o grau de dificuldade deste problema. Nos experimentos realizados foram utilizados a Rede Neural Probabilística proposta, o classificador k-Vizinhos mais Próximos Multi-rotulado, e um Algoritmo Genético para otimização dos parâmetros dos mesmos. Nas métricas utilizadas para avaliação de desempenho, a Rede Neural Probabilística mostrou resultados superiores e comparáveis aos resultados obtidos pelo k-Vizinhos mais Próximos Multi-rotulado, mostrando que a abordagem utilizada neste trabalho é promissora.