Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e Automação, 2012. / Submitted by Alaíde Gonçalves dos Santos (alaide@unb.br) on 2012-06-05T13:51:53Z No. of bitstreams: 1 2012_ThiagodaRocha.pdf: 4149743 bytes, checksum: e943bb5c2633ad1dc18db2f78cb73e4a (MD5) / Approved for entry into archive by Jaqueline Ferreira de Souza(jaquefs.braz@gmail.com) on 2012-06-14T14:08:22Z (GMT) No. of bitstreams: 1 2012_ThiagodaRocha.pdf: 4149743 bytes, checksum: e943bb5c2633ad1dc18db2f78cb73e4a (MD5) / Made available in DSpace on 2012-06-14T14:08:22Z (GMT). No. of bitstreams: 1 2012_ThiagodaRocha.pdf: 4149743 bytes, checksum: e943bb5c2633ad1dc18db2f78cb73e4a (MD5) / A recente revolução tecnológica ocorrida nas últimas décadas nos proporcionou a disponibilização de computadores com grande capacidade de armazenamento e processamento. Além disso, também temos ao nosso alcance câmeras de vídeo com alta qualidade de captura de imagens. Este cenário nos permite criar, armazenar e distribuir grande quantidade de vídeos. Diversas áreas da sociedade, tais como, vigilância, controle de tráfego e entretenimento, tem demandado o desenvolvimento de novas técnicas e metodologias automatizadas de análise de vídeos, as quais são independentes da avaliação humana ou de buscas exaustivas pelos arquivos de vídeo. Aplicações naturais para estas áreas podem incluir: reconhecimento baseado em movimento, navegação veicular, vigilância automatizada, monitoramento de fluxo de veículos e pedestres, controle de qualidade em fábricas, indexação de vídeos e iteração homem-máquina. Neste trabalho propomos uma metodologia para o reconhecimento de ações humanas executadas em sequências de imagens usando Visão Computacional e Inteligência Computacional. Na etapa de Visão Computacional utilizamos uma combinação de duas técnicas de análise de movimento: Histograma de Fluxo Óptico Orientado e Análise de Contorno de Objetos. Na etapa de Inteligência Computacional nós utilizamos um Mapa-Auto Organizável (SOM, do inglês Self-Organizing Map) otimizado através da rede de Aprendizado por Quantização Vetorial (LVQ, do inglês Learning Vector Quantization). Testamos a metodologia proposta com uma base de dados que contém diferentes tipos de ações humanas. Por meio dos resultados obtidos e comparando-os com outras propostas encontradas na literatura, demonstramos a utilidade e a robustez da técnica. _______________________________________________________________________________ ABSTRACT / The technology evolution that we experienced over the last decades increased the availability of computers with high processing and storage capacity, and video cameras with high quality image capture. It made it easier to create, store and upload videos. Considering this scenario, the areas such as surveillance, traffic control and entertainment deal with increasingly high amounts of video information, and require the development of new methodologies and techniques for video analysis. The increase in the overall amount of available video has set a requirement for simpler video analysis, independent of human evaluation and exhaustive searches. Natural applications of automatic video analysis include: motion based recognition, vehicle navigation, surveillance automation, pedestrian and vehicle flow monitoring, quality control in factories, video indexing and man-machine interaction. In this work we develop and test a method for recognition of human actions in sequence of images using Computer Vision and Computational Intelligence. The Computer Vision stage is a combination of two motion analysis techniques: Histogram of Oriented Optical Flow and Object Contour Analysis. For the Computational Intelligence stage we use a Self-Organizing Map (SOM) optimized through Learning Vector Quantization (LVQ). We test the proposed method against a database with different kinds of human actions. From the results and comparing it to other proposals in the literature, we show the usefulness and robustness of this method.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2016. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2017-01-25T14:49:59Z No. of bitstreams: 1 2016_EbberthLopesdePaula.pdf: 3248212 bytes, checksum: 8a9dd24ed5ebc93ba3f6fc1b9bba4411 (MD5) / Approved for entry into archive by Thayse Natália Cantanhede Santos(thaysesantos@bce.unb.br) on 2017-02-15T20:28:24Z (GMT) No. of bitstreams: 1 2016_EbberthLopesdePaula.pdf: 3248212 bytes, checksum: 8a9dd24ed5ebc93ba3f6fc1b9bba4411 (MD5) / Made available in DSpace on 2017-02-15T20:28:24Z (GMT). No. of bitstreams: 1 2016_EbberthLopesdePaula.pdf: 3248212 bytes, checksum: 8a9dd24ed5ebc93ba3f6fc1b9bba4411 (MD5) / Este trabalho apresenta o uso de técnicas de mineração de dados para detecção de empresas exportadoras brasileiras suspeitas de operarem exportações fictícias e conseqüente incorrência no crime de lavagem de dinheiro. A partir de estudos de aprendizagem de máquina com algoritmos supervisionados, foi desenvolvido um modelo capaz de classificar empresas suspeitas de operarem exportações fictícias. Em paralelo, foram desenvolvidos ainda estudos não supervisionados com Deep Learning Autoencoder e identificado um padrão de relacionamento entre os atributos numéricos representativos dos dados econômicos, mercantis, tributários e sociais das empresas que permitem a identificação de anomalias em dados de outras empresas. As empresas identificadas a partir do modelo supervisionado proposto neste trabalho foram submetidas à área específica de fiscalização aduaneira dentro da RFB e julgadas aptas a integrarem a programação de seleção para fiscalizações no ano de 2017. A metodologia desenvolvida, seus resultados e sua aplicabilidade foram divulgadas a todos escritórios de pesquisa e investigação da RFB por meio de Informação de Pesquisa e Investigação (IPEI). Um estudo de caso apresentando a metodologia aqui desenvolvida está previsto para ocorrer no 1o Encontro Nacional da RedeLab de 2017. Melhorias futuras a este trabalho incluem a detecção de anomalias e classificação de suspeição na exportação com maior granularidade dos dados, permitindo a sua identificação independente da empresa: por exemplo, a partir de transações, por rotas de produtos ou por tipo de mercadoria. / This research presents the use of data mining techniques to detect brazilian exporting companies suspected of operating dummy exports and consequently incurring the crime of money laundering. Based on studies involving supervised analyzes, a model was developed capable of classifying companies suspected of operating dummy exports. Based on studies with Deep Learning Autoencoder, a pattern of relationship was identified between the numerical attributes representative of the economic and tax data of the companies. From this pattern, is possible to identify anomalies in data of another companies. The companies identified in this study were submitted to the specific area of customs supervision and found fit to integrate the selection schedule for inspections in the year 2017. The technique developed was disclosed to all investigation offices of the RFB through a document called IPEI. A case study presenting the methodology developed is expected to take place at the first national meeting of RedeLab 2017. Future improvements to this work include detection of anomalies and classification of export suspicious with greater granularity of the data, allowing them to be identified independently of the company: for example from transactions, product routes and by commodity type.

Orientador: Alexandre César Rodrigues da Silva / Banca: Aledir Silveira Pereira / Banca: Norian Marranghello / Banca: Tércio Alberto dos Santos Filho / Banca: Ivan Nunes da Silva / Resumo: Com o uso da agricultura de precis~ao procura-se melhorar o sistema de produ c~ao agr cola com o objetivo de reduzir os custos, aumentar a produtividade e minimizar a degrada c~ao do meio ambiente. Para isso, faz-se necess ario o monitoramento de recursos essenciais as plantas com o intuito de reduzir o uso de insumos agr colas. No monitoramento da folha da planta pode-se identi car doen cas ou a falta de nutrientes. Neste trabalho desenvolveuse um sistema que identi ca a de ci^encia de nutrientes pela an alise das folhas de diversas culturas. O sistema foi desenvolvido em diferentes n veis de abstra c~oes para consolidar os resultados do sistema e facilitar o projeto em baixo n vel. A principal contribui c~ao do trabalho est a no desenvolvimento de um sistema com uma rede neural arti cial multicamadas em dispositivo recon gur avel, com a fun c~ao de identi car a de ci^encia do macronutriente de Pot assio pela folha da soja. O sistema faz uso de arquitetura parcialmente paralela para computa c~ao dos neur^onios em ponto utuante, com precis~ao de 32 bits padronizada. A aproxima c~ao da fun c~ao de ativa c~ao foi investigada com diversos m etodos, dois principais m etodos h bridos foram desenvolvidos: HPR - H brido com rela c~ao entre divis~ao em partes lineares (PWL) e m ultiplo endere camento de entradas (RALUT), e HPC - H brido entre PWL e express~oes booleanas simpli cadas. O sistema desenvolvido em hardware foi aplicado na segmenta c~ao de imagens pelas folhas da soja e comparado ao sistema de alto n vel de abstra c~ao. Nos resultados do dispositivo recon gur avel, a m edia do percentual de acertos na folha e de 92%, no trif olio e de 96% e no ambiente externo e de 95%. O erro m edio quadr atico alcan cou valores em 10����2 e o fator de qualidade entre 8,5 e 9,0. Al em disso, diversas outras contribui c~oes foram realizadas no trabalho, para tornar poss vel o desenvolvimento do sistema em baixo n vel de ... / Abstract: The precision agriculture seeks improve the agricultural production system with aim of reduce costs, increase productivity and minimize environment degradation. Thus, the monitoring of essential resources plants is necessary for reducing the use of inputs agricultural. In the monitoring of the plant leaf can be identi ed disease or nutrients de ciency. This research work was made a system that identi es the nutrient de ciency by leaf of the several cultivars. The system was developed in di erent levels of abstractions for consolidate the results of the system and facilitate low-level design. The main contribution of the work is in the development of a multilayer arti cial neural network system in recon gurable device, with the function of identify de ciency of the Potassium macronutrient by soybean leaf. The system makes use of partially parallel architecture for computing of the neuron in oating point, with precision 32 bits standardized. The approximation of the activation function was investigated with methods distinct, two main hybrids methods were developed: HPR - Hybrid with relation between piecewise linear(PWL) and multiple addressing of inputs (RALUT), and HPC - Hybrid between PWL and the simpli ed booleans expressions. The system developed in hardware was applied in the images segmentation by soybean leaves and was compared to high-level system. In the results of the recon gurable device the mean of the hit percentage by leaf is 92%, in the trefoil is 96% and in external environment is 95%. The mean square error achieved values in 10����2 and the quality factor between 8.5 and 9.0. Furthermore, several others contributions were made in the work for make possible the development of the system in abstraction low-level / Doutor

Resumo: A proposta deste trabalho consiste em investigar o comportamento de transformadores de distribuição de 25 KVA e de 45 KVA submetidos a ensaios de impulsos atmosféricos. Essa investigação consistiu da verificação da influência dos valores de tempos de frente e de cauda, da forma de onda do impulso, na amplitude das correntes produzidas nos enrolamentos do transformador durante o ensaio. Tais correntes são usualmente empregadas para avaliar o desempenho elétrico dos transformadores e, nessa dissertação, foram usadas para o treinamento e tese de Redes Neurais Artificiais desenvolvidas como ferramentas inteligentes computacionais. Neste contexto, o desempenho de duas Redes Neurais foi avaliado. A primeira rede usou como variável de entrada, os valores de tempo de frente, de caula e da tensão máxima (crista) e, como saída, a corrente máxima no transformador. Na segunda rede neural, a entrada correspondente ao valor da tensão máxima, da primeira rede neural, é substituída pelo valor da taxa de crescimento da tensão. Com base nos resultados obtidos, pode-se verificar que, para determinados valores de tempos de frente e de cauda, a amplitude da corrente máxima, aumenta ou diminui, apresentando um comportamento não-linear. A utilização das Redes Neurais desenvolvidas neste trabalho poderá auxiliar na escolha das características das formas de onda de impulso que tornem mais sensíveis os ensaios de impulsos atmosféricos em transformadores de distribuição. O objetivo é que esse aumento da sensibilidade do ensaio minimize o empirismo e erros de avaliação, contribuindo para tornar mínima a taxa de falha em transformadores / Abstract: The proposal of this work is to investigate and to analyze the behavior of 25 kVA and 45 KVA distribution transformers under impulses/surge tests. This research consited in a verification of the influence of front and and tail time values, from surge waverfom, in the current magnitude produced in transformer windings during the test. Such currents are usually employed to evalute the perfomers and, in this dissertation, were used for the training and test the Artificial Neural Networks, developed as intelligent computational tools. In this context, the performance of two Neural Networks was evaluated. This first network has used as entry variables: front and tail time and the maximun voltage (crest) values and, as an exist, the maximum current in transformer. In the second neural network, the entry corresponding to the maximum voltage value, from the first neural network, is replaced by the value of the rate of growth of the voltage. Based on the obtained results, one may find out, for certain values front and tail times values, the amplitude of maximum current, increases or decreases, presenting a non-linear behavior. The use of Neural Networks developed in this work can help someone to choose the best impulse waveform characteristics which make the impulse test in distribution transformers more sinsitive. The objective is that the rising the test sensitivity will minimize the empiricism and errors of assessment, helping to reduce the failure rate in transformers / Orientador: André Nunes de Souza / Coorientador: Pedro da Costa Junior / Banca: Oscar Armando Maldonado Astorga / Banca: André Christóvão Pio Martins / Mestre

Orientador: Norian Marranghello / Banca: Aledir Silveira Pereira / Banca: Furio Damiani / Resumo: A compreensão da linguagem humana é uma das tarefas mais difíceis do Processamento da Linguagem Natural (PLN) e de modo mais geral da Automação e da Inteligência Artificial (IA). O objetivo desta pesquisa é estudar os mecanismos que permitem utilizar uma rede neural artificial para poder interpretar textos. Este trabalho deveria ser utilizado, futuramente, para criar uma interface em um ambiente de co-projeto, capaz de agrupar/classificar termos/conceitos, reconhecendo padrões textuais. Para alcançar nossos objetivos de pesquisa em nível de Mestrado, utilizamos o modelo semântico de Bernard Pottier, e uma Rede Neural Artificial de Kohonen. A escolha do modelo de Bernard Pottier deve-se ao fato de que este autor é um dos mais conceituados lingüistas da atualidade e que seu modelo é largamente utilizado por pesquisadores de vários paises, tendo sido, assim, comprovada a sua validade. No que diz respeito à rede de Kohonen, acreditamos que seja a mais indicada para este tipo de aplicação, tendo em vista o fato de que essa rede tenta imitar o funcionamento do cérebro humano, em particular, reproduzindo o mapeamento de suas áreas especializadas, e tendo como hipótese de partida que, no córtex humano, conceitos similares ou de áreas afins distribuem-se em áreas limítrofes. A escolha desse tipo de rede para o nosso trabalho deve-se, outrossim, ao fato de que ela utiliza um tipo de treinamento competitivo e não-supervisionado que permite organizar os vetores (dados) de entrada em agrupamentos (clusters). / Abstract: The understanding of human language is one of the most difficult tasks of Natural Language Processing (NLP), and, in general, of Automation and Artificial Intelligence (AI). The aim of our research is to study the mechanisms that allow using an artificial neural network for interpreting text. Later, our work should be used to create an interface, in a hardware/software co-design environment, capable of clustering/classifying terms/concepts, and recognizing text patterns. In order to achieve the objectives of our research, we used the semantic model of Bernard Pottier, and a Kohonen Artificial Neural Network. The choice of Bernard Pottier's model was motivated by the fact that the author is one of the most eminent linguists nowadays, and his model is largely used by researchers in many countries, thus proving the validity of his proposal. About the Kohonen net, we believe that it is the most appropriate net for this kind of application, due to the fact that this net tries to imitate the functioning of the human brain, particularly reproducing the map of its specialized areas, as well as due to the fact that this net has as initial hypothesis that, in the human cortex, similar concepts or concepts of similar areas are distributed in closed areas. Another reason for the choice of this kind of net in our study is that it uses a competitive and non-supervising training, that allows organizing entry vectors (data) in clusters. / Mestre

Orientador: Carlos Roberto Minussi / Banca: Dilson Amancio Alves / Banca: Fábio Roberto Chavarette / Banca: Fernanda Caseño Lima Trindade / Banca: Luciana Cambraia Leite / Resumo: Nesta pesquisa apresenta-se o desenvolvimento de um sistema inteligente que realize, de maneira integrada, o diagnóstico e o prognóstico de falhas nos sistemas de distribuição de energia elétrica de maneira proativa. Trata-se de um procedimento para identificar, classificar e localizar situações críticas de defeitos que potencialmente podem provocar danos em componentes do sistema em um estágio incipiente àquele que venha causar a interrupção do fornecimento de energia aos consumidores. Este sistema inteligente baseia-se no uso combinado da transformada wavelet, teoria da evidência de Dempster-Shafer e redes neurais artificiais, em especial uma arquitetura da família ART (Adaptive Resonance Theory), a rede neural ARTMAP-Fuzzy. Por ser uma arquitetura estável e plástica, esta rede neural permite a inclusão do módulo do treinamento continuado, o qual possibilita a extração do conhecimento sem a necessidade de reiniciar o processo de treinamento com a inclusão de novos padrões, diferentemente do que ocorre com a maioria das redes neurais. O sistema contempla as principais falhas caracterizadas por distúrbios de tensão e faltas de alta impedância. Resultados obtidos mostram a eficiência, confiabilidade e robustez da metodologia desenvolvida, o que permite sua aplicação em sistemas de tempo real / Abstract: This project presents the development of an intelligent system that performs, on an integrated way, the failure diagnosis and prognosis in electric power distribution systems. It is a procedure to identify, classify and localize critical situations of failures that can potentially cause damage to system's components in an incipient stage of that which will cause the interruption of electric power supply to consumers. This intelligent system is based on the combined use of wavelet transform, Dempster-Shafer theory of evidence and artificial neural networks, in special the ART (Adaptive Resonance Theory) family architecture, i.e., the ARTMAP-Fuzzy. Due to the stability and plasticity characteristics, this architecture enables the introduction of the continuous training module, which allows the knowledge extraction without the need to restart the training process when a new training pattern is included, unlike what happens in most neural networks. The system contemplates the main failures characterized by voltage disturbances and high impedance faults. Results show the efficiency, speed, reliability and robustness of the developed methodology, which allows its application in real-time systems / Doutor

Orientador: Nobuo Oki / Banca: Carlos Roberto Minussi / Banca: Suely Cunha Amaro Mantovani / Banca: Alberto Martins Jorge / Banca: Marcelo Arturo Jara Perez / Resumo: Neste trabalho, apresenta-se o desenvolvimento de redes de base radial em tecnologia CMOS. Para tanto, dois circuitos unidimensionais, denominados RBF1 e RBF2, são propostos. Sua funcionalidade é demonstrada por meio de simulações SPICE e também pela sua implementação prática com a utilização de conjuntos de MOSFETs presentes em circuitos integrados comerciais. Demonstra-se também o desenvolvimento dos circuitos para o caso multidimensional, com o uso de simulações SPICE e a implementação de um circuito RBF1 bidimensional. Além disso, são apresentadas versões dos circuitos RBF1 e RBF2 para tecnologia BiCMOS. Os circuitos propostos são utilizados no projeto de redes de base radial bidimensionais em processo CMOS AMS 0.35 μm. No intuito de testar sua funcionalidade, as redes foram simuladas para algumas aplicações, apresentando bons resultados. A questão da quantização no armazenamento dos parâmetros das redes de base radial e da sua influência na aproximação de funções também é tratada na tese. Foram realizadas várias simulações com diferentes níveis de quantização para algumas tarefas de aproximação de funções. Os resultados obtidos mostram que, mesmo com uma quantização severa, as redes apresentam a capacidade de aproximação de funções, porém de maneira limitada, ou seja, o erro obtido aumenta para um número menor de níveis de quantização. A quantização dos parâmetros diminui o tamanho da memória e a complexidade necessária para armazenar os parâmetros das redes, permitindo a implementação de circuitos compactos e adequados para aplicações de baixo consumo de potência. / Abstract: In this work, we present the development of radial basis function circuits in CMOS technology. Two one-dimensional circuits, namely RBF1 and RBF2, are proposed for radial basis function realization, and their functionality is demonstrated by SPICE simulations and by their implementation with commercial MOSFET array integrated circuits. Multidimensional capability is demonstrated by the implementation of a bidimensional RBF1 circuit and by SPICE simulation results. In addition, BiCMOS versions are also presented for RBF1 and RBF2. The proposed cells are used in the design of bidimensional radial basis function neural networks in AMS 0.35μm CMOS process. In order to test their functionality, the networks were simulated for some applications with good results achieved. The issue of parameter quantization and its influence on the network function approximation capability is also dealt with in this dissertation. We carried out several simulations with different levels of quantization. The results obtained show that the network presents a capability of learning functions, even with a severe parameter quantization. As expected, the error increases for less bits of quantization. Nevertheless, the parameter quantization decreases the memory size and complexity necessary for network parameter storage, allowing the implementation of compact circuits and being adequate for low power applications. / Doutor

Orientador: Fabricio Aparecido Breve / Banca: João Paulo Papa / Banca: Ricardo Cerri / Resumo: Detectores óticos de caracteres, ou Optical Character Recognition (OCR) é o nome dado à técnologia de traduzir dados de imagens em arquivo de texto. O objetivo desse projeto é usar aprendizagem profunda, também conhecido por aprendizado hierárquico ou Deep Learning para o desenvolvimento de uma aplicação com a habilidade de detectar áreas candidatas, segmentar esses espaços dan imagem e gerar o texto contido na figura. Desde 2006, Deep Learning emergiu como uma nova área em aprendizagem de máquina. Em tempos recentes, as técnicas desenvolvidas em pesquisas com Deep Learning têm influenciado e expandido escopo, incluindo aspectos chaves nas área de inteligência artificial e aprendizagem de máquina. Um profundo estudo foi conduzido com a intenção de desenvolver um sistema OCR usando apenas arquiteturas de Deep Learning.A evolução dessas técnicas, alguns trabalhos passados e como esses trabalhos influenciaram o desenvolvimento dessa estrutura são explicados nesse texto. Essa tese demonstra com resultados como um classificador de caracteres foi desenvolvido. Em seguida é explicado como uma rede neural pode ser desenvolvida para ser usada como um detector de objetos e como ele pode ser transformado em um detector de texto. Logo após é demonstrado como duas técnicas diferentes de Deep Learning podem ser combinadas e usadas na tarefa de transformar segmentos de imagens em uma sequência de caracteres. Finalmente é demonstrado como o detector de texto e o sistema transformador de... / Abstract: Optical Character Recognition (OCR) is the name given to the technology used to translate image data into a text file. The objective of this project is to use Deep Learning techniques to develop a software with the ability to segment images, detecting candidate characters and generating textthatisinthepicture. Since2006,DeepLearningorhierarchicallearning, emerged as a new machine learning area. Over recent years, the techniques developed from deep learning research have influenced and expanded scope, including key aspects of artificial intelligence and machine learning. A thorough study was carried out in order to develop an OCR system using only Deep Learning architectures. It is explained the evolution of these techniques, some past works and how they influenced thisframework'sdevelopment. Inthisthesisitisdemonstratedwithresults how a single character classifier was developed. Then it is explained how a neural network can be developed to be an object detector and how to transform this object detector into a text detector. After that it shows how a set of two Deep Learning techniques can be combined and used in the taskoftransformingacroppedregionofanimageinastringofcharacters. Finally, it demonstrates how the text detector and the Image-to-Text systemswerecombinedinordertodevelopafullend-to-endOCRsystemthat detects the regions of a given image containing text and what is written in this region. It shows the idea of using only Deep Learning structures can outperform other ... / Mestre

Orientadora : Profª Drª Jeroniza Nunes Marchaukoski / Co-Orientador: Prof. Dr. Geraldo Picheth / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Educação profissional e Tecnológica, Programa de Pós-Graduação em Bioinformática. Defesa: Curitiba, 21/02/2011 / Bibliografia: fls. 84-88 / Resumo: As determinações do perfil lipídico (colesterol total, HDL-colesterol, LDL-colesterol, triglicérides) e da glicemia em jejum são ensaios de grande demanda nos laboratórios clínicos. A liberação destes resultados por profissionais consome tempo e atenção. O estudo se propõe avaliar a aplicação das redes neuronais, Multilayer Perceptron (MLP) e Free Associative Neurons (FAN), como ferramentas de inteligência artificial para colaborar na liberação dos resultados, em processo designado "segunda opinião". O projeto tem a aprovação do Comitê de Ética em Pesquisa com Seres Humanos do HC-UFPR (CAE: 0253.0.208.000-10). Uma amostra contendo 60.006 registros obtidos do banco de dados do HC-UFPR foi analisada. A idade média dos pacientes foi cerca de 47 anos (amplitude de variação de 2 a 99 anos), com predomínio de mulheres (~65%). Esta amostra foi classificada em "liberado" quando todo os valores dentro dos critérios estabelecidos de normalidade e "retido" quando qualquer analito estudado se mostrou fora da referência. Esta classificação resultou em 62% da amostra classificada no grupo "retido". Quando as redes neuronais foram testadas com arquivos completos (n=30.003) a rede FAN apresentou divergência cerca de 6 vezes superior à rede MLP (7,6% vs. 1,2%) embora ambas tenham um desempenho satisfatório em acurácia (>90%). Foram treinadas e testadas as redes FAN e MLP com arquivos incompletos, aracterizados pela ausência de algum dos parâmetros em estudo com diferentes tamanhos de arquivos (30.536, 65.536 e 120.000 registros). Nesta condição que mimetiza os resultados liberados pelo laboratório clínico, a rede neuronal MLP apresentou desempenho superior à rede FAN. O estudo permitiu concluir que: (1) a rede neuronal FAN perde desempenho com arquivos incompletos, (2) a rede neuronal MLP apresentou desempenho superior à rede FAN quando estudada com arquivos completos ou incompletos, (3) o tamanho amostral utilizado para treinamento e teste não afetaram o desempenho da rede neuronal MLP, enquanto que a rede FAN é afetada por perda de sensibilidade, (4) resultados divergentes da rede neuronal MLP avaliados por especialistas humanos evidenciaram que os ensaios com valores alterados foram o principal elemento de inconsistência. Em síntese, a rede neuronal MLP é recomendada para outros estudos com desenho amostral semelhante e apresenta potencial para aplicação no laboratório clínico como suporte a decisão na liberação de resultados. / Abstract: The lipid profile (total cholesterol, HDL-cholesterol, LDL-cholesterol, triglycerides) and fasting blood glucose are tests of high throughput in clinical laboratories. In the process of liberate these results professionals needs to takes time and attention. The study aims to evaluate the application of neural networks, Multilayer Perceptron (MLP) and Free Associative Neurons (FAN), as artificial intelligence tools to assist in the release of the results, a process called "second opinion". The project was approved by the Ethic Committee in Human Research of the HC-UFPR (CAE: 0253.0.208.000-10). A sample containing 60,006 registers obtained from HC-UFPR Database was analyzed. The mean age of patients was about 47 years (range: 2-99 years) with predominance of women (~65%). This sample was classified as "released", when all values were within the established criteria of normality and "retained" when any studied analyte showed values outside the reference of normality. This classification resulted in 62% of the sample classified as "retained". When neural networks were tested with complete files (n=30,003) FAN network disagreement was about 6 times higher compared with the MLP network (7.6% vs. 1.2%) although both have a satisfactory performance in accuracy (> 90%). The FAN and MLP networks were also trained and tested with incomplete files, characterized by the absence of any of the parameters under study with different file sizes (30,536, 65,536 and 120,000 registers). In this condition that mimics the results released by a clinical laboratory, the MLP neural network showed a superior performance compared to the FAN network. The study concluded that: (1) the FAN neural network loses performance with incomplete files, (2) the performance of MLP neural network was superior to the FAN network when tested with complete or incomplete files, (3) the sample size used to training and testing did not affect the performance of MLP neural network, while FAN network that is affected by loss of sensitivity, (4) divergent results of the MLP neural network evaluated by human experts showed that the tests with high values were the main element of inconsistency. In summary, the MLP neural network is recommended for other studies with similar sample design and presents a potential for application in the clinical laboratory as a decision support system.

Orientador : Prof. Dr. Tony Vinicius Moreira Sampaio / Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Geografia. Defesa: Curitiba, 11/08/2016 / Inclui referências : fls. 133-148 / Área de concentração / Resumo: Mapeamentos das redes de drenagens vem sendo conduzidos, inicialmente a partir de interpretação visual de imagens, depois com auxilio de algoritmos para extração automática. Em detrimento da melhora na resolução espacial das imagens e na variedade dos algoritmos disponíveis, cada um deles com estratégia diferente para a geração dos canais de drenagem, a acurácia dos mapeamentos ainda e um problema recorrente. Nesta pesquisa avaliou-se o potencial de aplicação de técnicas de inteligência artificial no processo de extração automática de redes de drenagem, visando melhorar acurácia do mapeamento. Um banco de dados espaciais foi construído, e reuniu dados oriundos do Modelo Digital de Elevação - MDE, parâmetros morfométricos, imagens SAR e SPOT 5, geologia, geomorfologia, hidrogeologia e solo. Uma Rede Neural Artificial - RNA foi criada para classificar amostras nas classes drenagem e não drenagem. A RNA, do tipo perceptron multicamadas com algoritmo de retropropagação de erros (backpropagation), foi definida com uma camada de entrada com 42 neurônios (quando usadas todas as variáveis possíveis), três camadas escondidas com 119 neurônios e uma camada de saída. A rede foi treinada a partir de quatro conjuntos de dados, e os testes realizados a partir de outros 16 conjuntos distintos de testes contendo amostras diferentes daquelas usadas no treinamento. Percebeu-se que a RNA foi mais eficiente na classificação dos conjuntos de dados com pixel de 2,5 metros, quando foram usadas na camada de entrada da rede todas as variáveis disponíveis e a camada de saída continha apenas duas classes (drenagem e não drenagem). Neste caso, a acurácia total ficou sempre acima de 68%. Foram identificados canais de primeira ordem que não constavam na base cartográfica de referencia. A melhoria da acurácia temática e da completude foi observada, atestando que mineração de dados e RNA podem efetivamente contribuir na melhoria dos mapeamentos. Palavras-chave: Mineração de dados. Redes Neurais Artificiais. Hidrologia. Cartografia. Qualidade de Dados Geoespaciais. / Abstract: Mapping of drainage networks have been performed using visual interpretation of images, at first, then with the assist of automatic extraction algorithms. The limitation of spatial resolution of the available images and the diversity of available algorithms with different approaches in generating drainage channels, the accuracy level of this kind of mapping is still a frequent problem. This research evaluated the potential application of artificial intelligence techniques in auto-extracting process of drainage networks, in order to improve the mapping accuracy. A spatial database was built using data from: the Digital Elevation Model - DEM, morphometric parameters, SAR and SPOT 5 images, geology, geomorphology, hydrogeology and soil. An Artificial Neural Network - ANN was created to classify samples in classes of drainage and non-drainage. The multilayer perceptron ANN, with error back propagation algorithm, was set with one input layer with 42 neurons (when all possible variables were used), three hidden layers of 119 neurons and an output layer. The network was trained from four datasets, and tests from 16 other distinct sets of tests with different samples from those used in training. The ANN was more efficient in classification of datasets with 2.5 meters pixels when all available variables were used in the network's input layer and the output layer had only two classes (drainage and non-drainage). Following this scenario, the overall accuracy has been always above 68%. First order draining channels were identified where nothing was described in the base map reference. The improvement of thematic accuracy was observed, confirming data mining and RNA as an effective way to contribute to the improvement of this sort of mapping. Key-words: Data Mining. Artificial Neural Networks. Mapping. Hidrology. Cartography. Geoespatial Data Quality.