Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-graduação em Ciência da Computação. / Made available in DSpace on 2013-07-16T02:44:15Z (GMT). No. of bitstreams: 1 220915.pdf: 1197301 bytes, checksum: ba6d9b831022cb36e59f61860063cc4f (MD5) / Este trabalho apresenta uma abordagem simplificada de detecção de intrusão, aplicando técnicas de inteligência artificial para a classificação de eventos em redes de computadores. A base desta abordagem é o monitoramento do fluxo de dados da rede, o qual é considerado subsídio para análises posteriores, onde aplicam-se métodos especiais como análise semântica e redes neurais artificiais. O modelo proposto para esta abordagem possui arquitetura baseada em rede, método de detecção que incorpora funcionalidades de abuso e anomalia e geração de respostas passivas aos eventos detectados. Os resultados gerados pelo processo de análise são valores numéricos, os quais classificam os eventos analisados em padrões considerados intrusivos ou normais. A eficiência desta classificação é modelada durante a fase de aquisição de conhecimento, denominada treinamento. A forma de representação e aquisição do conhecimento, bem como as características adaptativas obtidas pelo processo de generalização do modelo, caracterizam contribuições efetivas da pesquisa realizada, cujas comprovações são demonstradas pelos experimentos realizados sobre o protótipo desenvolvido.

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2013-07-16T03:16:38Z (GMT). No. of bitstreams: 1 265729.pdf: 7445141 bytes, checksum: 4c73116489d06d272a5ed3a703bc6788 (MD5)

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-22T10:17:45Z (GMT). No. of bitstreams: 1 232766.pdf: 1361063 bytes, checksum: 53a0ce36debe115f6f7581a29868d37f (MD5) / Essa dissertação tem o objetivo de analisar a capacidade da rede CMLP de separar as espículas das piscadas em sinais de EEG (Eletroencefalograma). Já existe um grande número de trabalhos desenvolvidos com MLP#s utilizando o algoritmo backpropagation real, visando à detecção de padrões epilépticos. A opção de utilizar a rede MLP (Perceptron Multicamadas) com algoritmo backpropagation-complexo para essa verificação, está baseada em fatos tais como: (a) A média da velocidade de aprendizado da MLP com algoritmo backpropagationcomplexo é superior à velocidade média de aprendizado da rede MLP com algoritmo backpropagation-real. (b) O número de pesos e bias necessários para a MLP com algoritmo backpropagation-complexo fica em torno da metade daqueles necessários na MLP com backpropagation-real. (c) Alguns valores matemáticos reais são melhor entendidos quando considerados no plano complexo, pois considera-se um maior número de informações, que não seriam levadas em conta no plano real. Focou-se este trabalho na diferenciação entre espículas e piscadas, pois é um dos casos críticos encontrados na detecção automática de padrões em EEG (eletroencefalograma). Para a realização do mesmo, utilizou-se um banco de dados fornecido pelo MNI (Montreal Neurological Institute), de pacientes comprovadamente epilépticos, onde as espículas e piscadas foram marcadas por especialistas da área médica. O treinamento foi realizado utilizando-se 120 épocas de um segundo de duração. Os testes específicos foram feitos a partir de 600 épocas, marcadas exclusivamente para este fim. A validação dos dados foi feita através dos indicadores estatísticos sensibilidade e especificidade, onde foram obtidas taxas simultâneas em torno de 55% na classificação; e também pela análise comparativa do desempenho de redes MLP que utilizam backpropagation-real e da rede MLP com backpropagation-complexo, a qual demonstrou um desempenho superior a RMLP (Rede Perceptron Multicamadas com algoritmo backpropagation-Real) no que se refere à velocidade de treinamento, dentro da metodologia aplicada nesta análise. Também se mostrou mais eficiente na classificação de eventos espículas e piscadas, quando comparada a RMLP, dentro do parâmetro estabelecido pelas curvas ROC (Receiver Operating Characteristic). This work analises the behavior of the complex MLP (multilayer Perceptron) neural network, trained with complex backpropagation, in tasks of epileptiform patterns classification (in particular, of spikes and eye-blinks events), in electroencephalogram (EEG) signals. Despite of the development of several real MLP-based approaches to automatically detect epileptiform patterns, these systems are still jeopardized by very frequent false-positive detections, caused for example by ocular movements. Potentially, the MLP neural network with complex backpropagation presents interesting features to this application, as follows: (a) the learning speed is several times faster than in the conventional technique (real MLP); (b) the space complexity (i.e. the number of learnable parameters) is only about the half of the demanded by the real MLP; (c) and comprehension of many mathematical objects is more substantial when they are considered in the complex plane (e.g., by using the Hilbert Transform), because part of its related-information is fundamentally complex, such as the phase. In fact, we have noted that spikes and eye-blinks, which are patterns of difficult differentiation using real tools, could be separated by using a complex MLP, maybe due to this complex information, usually excluded in conventional analysis. This work uses the MNI (Montreal Neurological Institute) data bank, which is formed from seven epileptic patients. Three electroencephalographers marked the spikes and blinks events of the EEG signals. The complex MLP was trained with 120 epochs of one-second of duration, and was tested with 600 different epochs. The results have been validated with sensitivity and specificity statistical parameters, obtaining simultaneous rates of about 55% in classification. Also a qualitative comparison between results with the real MLP and the complex MLP is evaluated, showing the approach#s suitability in terms of velocity and the parameters of the ROC, (Receiver Operating Characteristic), graphics.

MENEZES JÚNIOR, J. M. P. Contribuições ao problema de predição recursiva de séries temporais univariadas usando redes neurais recorrentes. 2012. 186 f. Tese (Doutorado em Engenharia de Teleinformática)–Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2012. / Submitted by Hohana Sanders (hohanasanders@hotmail.com) on 2017-04-11T16:46:00Z No. of bitstreams: 1 2012_tese_jmpmenezesjúnior.pdf: 8865921 bytes, checksum: 029824a1fa5ffbf3ffe36c81c0b8f5f5 (MD5) / Approved for entry into archive by Marlene Sousa (mmarlene@ufc.br) on 2017-06-02T13:54:13Z (GMT) No. of bitstreams: 1 2012_tese_jmpmenezesjúnior.pdf: 8865921 bytes, checksum: 029824a1fa5ffbf3ffe36c81c0b8f5f5 (MD5) / Made available in DSpace on 2017-06-02T13:54:13Z (GMT). No. of bitstreams: 1 2012_tese_jmpmenezesjúnior.pdf: 8865921 bytes, checksum: 029824a1fa5ffbf3ffe36c81c0b8f5f5 (MD5) Previous issue date: 2012-03-02 / In this thesis, we tackle the problem of recursive prediction of univariate time series, also known as long-term prediction, using recurrent neural networks. This type of problem often emerges from nonlinear dynamical systems modelling and prediction tasks, particularly from those producing signals of chaotic nature, where one can observe the presence of long-term temporal dependencies. In recursive prediction, differently from the one-step-ahead prediction task, predicted values are fed back to the input of the neural model, a feature that makes time series with long-term temporal dependencies more difficult to deal with due to the propagation of prediction errors. That being said, in order to handle the problem of recursive prediction of univariate time series, extensions of the neural NARX (Nonlinear AutoRegressive model with eXogenous inputs) model ar eintroduced in this thesis. These extensions result from attempts to embed into the NARX model different strategies to capture temporal information, either of short-term or long-term nature. Among such strategies, we highlight the following ones: (i) simultaneous prediction of several steps ahead, also known as MIMO (multi-input, multi-output model) prediction, (ii) prediction via dynamical random projections, as in the ESN (echo state network) model, (iii) prediction via static random projections, as in the ELM (extreme learning machine) network, and (iv) prediction via hybrid recurrent models based the NARX and ELMAN networks. Additionally, a novel methodology for the design (i.e. parameter selection) and performance comparison of the proposed models is also introduced in this model with the aim of evaluating them under similar conditions and to serve as reference for further studies. For this purpose, synthetic and real-world benchmarking time series are used. The obtained results suggest that the proposed neural models present themselves as efficient alternatives to the state of the art in recursive prediction of univariate time series using recurrent neural architectures. / Nesta tese aborda-se o problema de predição recursiva de séries temporais univariadas, também chamado de predição de longo prazo, usando redes neurais recorrentes. Este tipo de problema surge, com frequência, em tarefas de modelagem e predição de sistemas dinâmicos não-lineares, principalmente os que produzem sinais de natureza caótica, em que se observa a presença de dependência temporal (memória) de longa duração. Na predição recursiva, diferentemente da predição de um passo à frente (one-step-ahead prediction), as predições são realimentadas para a entrada do modelo neural, característica esta que dificulta a predição de séries com dependência temporal longa devido à propagação do erro de predição. Isto posto, para tratar o problema de predição recursiva de séries temporais, extensões do modelo neural NARX (Nonlinear AutoRegressive model with eXogenous inputs) são propostas nesta tese. Estas extensões resultam da tentativa de incorporar à rede NARX diferentes estratégias de modelagem da informação temporal, tanto de curto quanto de longo prazo. Dentre estas estratégias, destacamse: (i) predição (simultânea) de vários passos à frente, também chamada de predição MIMO (multi-input, multi-output model), (ii) predição via projeções aleatórias dinâmicas, tal como na rede ESN (echo state network), (iii) predição via projeções aleatórias estáticas, tal como na rede ELM(extreme learning machine), e (iv) predição via modelos recorrentes híbridos baseados nas redes NARX e ELMAN. Além disso, uma metodologia para projeto (i.e. seleção de parâmetros) e comparação dos desempenhos dos modelos propostos é também desenvolvida nesta tese com o objetivo de avaliá-los sob as mesmas condições e servir de referência para estudos futuros. Para este fim, são utilizadas séries temporais sintéticas e reais comumente presentes em benchmarks de desempenho. Os resultados obtidos sugerem que os modelos propostos apresentam-se como alternativas eficientes ao estado da arte em modelos de redes neurais recorrentes para predição de séries temporais univariadas, principalmente aqueles baseados em projeções aleatórias devido ao baixo custo computacional.

Dissertação (mestrado) - Pontifícia Universidade Católica do Paraná, Curitiba, 2008 / Bibliografia: f. 67-71 / A transmissão em tempo-real do eletrocardiograma (ECG) em situações de urgência pode aumentar consideravelmente as chances de sobrevida do paciente. No entanto, um dos grandes problemas envolvendo essa aplicacão da telemedicina em tempo-real envolve as li / The real-time transmission of the electrocardiogram (ECG) in urgent situations can improve the chances of the patient. However, one of the greatest problems involving this kind of telemedicine application is the leakage of network bandwidth. ECG exams may

Dissertação (mestrado) - Pontifícia Universidade Católica do Paraná, Curitiba, 2005 / Inclui bibliografia / Este trabalho investiga mecanismos de zoneamento perceptivo para reconhecimento de caracteres manuscritos. Propõe-se um mecanismo de zoneamento não simétrico baseado na análise das matrizes de confusão dos classificadores individuais (Classe-Modular). Zon

Dissertação (mestrado) - Pontifícia Universidade Católica do Paraná, Curitiba, 2004 / Inclui bibliografias / O estudo das palavras manuscritas está ligado ao desenvolvimento de métodos de reconhecimento voltados a aplicações do mundo real envolvendo palavras manuscritas, tais como: cheques bancários, envelopes postais, textos manuscritos, entre outros. Neste tra / The study of handwritten words is tied up to the development of recognition methods for real world applications involving handwritten words, such as: bank checks, postal envelopes, handwritten texts, among others. In this work, handwritten words of the co

Dissertação (mestrado) - Pontifícia Universidade Católica do Paraná, Curitiba, 2009 / Bibliografia: f. 55-61 / A concessão de crédito é uma decisão importante para as instituições financeiras. Devido a isso, cada vez mais as empresas têm buscado sistemas computacionais para fazer a pontuação de crédito (credit score). O objetivo da pontuação de crédito é prever / The granting of credit is an important decision for financial institutions. Because of this, more companies have sought to make the computer systems of credit scores. The purpose of credit scores is to predict the probability of granting credit to a cli

Made available in DSpace on 2015-12-06T23:46:58Z (GMT). No. of bitstreams: 0 Previous issue date: 2007 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A respiracao bucal cronica e uma sindrome que pode promover altera¬coes na postura corporal. Por existirem diferentes etiologias e possivel que e¬xistam diferentes categorias de alteracoes posturais associadas a respiracao bucal. Metodos estatisticos tem sido propostos a fim de realizar modelagem nao-linear com alta dimensionalidade de dados biomedicos, entre eles desta¬cam-se as redes neurais artificiais (RNA). RNA sao ferramentas estatisticas que realizam mapeamentos nao-lineares entre um conjunto de variaveis de entrada e um conjunto de variaveis de saida. O objetivo deste trabalho e utilizar o mapa auto-organizavel (SOM) na investigacao do perfil postural de criancas respiradoras bucais e desenvolver um software utilizando RNA que classifique automaticamente o perfil postural de criancas respiradoras bucais. Para esta investigacao utilizou-se uma base de dados de avaliacao postural de 84 crian¬cas, sendo 52 respiradoras bucais e 32 respiradoras nasais, contendo variaveis antropometricas, medidas da excursao do diafragma e postura corporal. Quatro algoritmos de RNA - SOM, perceptron, backpropagation e aprendizagem por quantizacao vetorial (L VQ) - tiveram seus desempenhos avaliados por meio de tecnicas de validacao cruzada, buscando-se o modelo mais adequado na ex¬tracao de caracteristicas e classificacao do perfil postural. Na investigacao pos¬tural foram definidas 4 classes distintas por meio do SOM englobando respira¬dores bucais e nasais. Na classificacao da postura, o L VQ apresentou sensibi¬lidade 0,98 e especificidade 0,97 utilizando o conjunto de dados de treinamen¬to. Para o conjunto de dados de validacao, o L VQ apresentou sensibilidade 0,95 e especificidade 0,90. Alem disto, o software baseado no LVQ realizou corretamente (100 por cento de acerto) a classificacao da postura de criancas respira¬doras bucais, de acordo com uma escala de gravidade arbitraria. Palavras-chave: Redes neurais artificiais, postura, respiracao bucal, tecnicas de apoio para a decisao / BV UNIFESP: Teses e dissertações

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2014 / Made available in DSpace on 2015-02-05T21:22:14Z (GMT). No. of bitstreams: 1 330919.pdf: 4438577 bytes, checksum: 6248b7dd51131ac7a20534d616d61b1c (MD5) Previous issue date: 2014 / Capacidade de refrigeração é um parâmetro altamente representativo da qualidade do compressor hermético e da sua adequação a um sistema de refrigeração. Atualmente, a medição desse parâmetro é realizada através de ensaio laboratorial com duração média de 4,5 horas e incerteza de medição de aproximadamente ±3%. Devido ao tempo e custos envolvidos no ensaio, quando um lote de compressores é produzido, esse parâmetro é avaliado através de uma amostra muito pequena. Para contornar esse problema, a proposta apresentada nesta tese se afasta do conceito tradicional de medição da capacidade de refrigeração. A ideia central do método proposto é a utilização da correlação existente entre a capacidade de refrigeração e a capacidade do compressor em elevar a pressão de ar num volume fixo. Através de compressores ensaiados tanto na linha de produção (medição da taxa de elevação da pressão) quanto em laboratório (medição da capacidade de refrigeração) foi possível avaliar a viabilidade de uso de tal correlação. Um conjunto de ensaios foi utilizado para treinamento de modelos neurais artificiais, os quais foram empregados para realizar inferências sobre o valor da capacidade de refrigeração através da capacidade de elevação da pressão. Através do estudo de caso, que faz parte deste documento, os compressores de um conjunto de teste apresentaram diferenças típicas de 1% entre os resultados obtidos no laboratório e na linha de produção. No entanto, mesmo o modelo neural apresentando bons resultados de inferência, um dos entraves mais significativos para o uso de redes neurais em atividades metrológicas é a inexistência de métodos de avaliação de incerteza condizentes com os preceitos metrológicos. Para contornar esse problema, uma nova técnica foi desenvolvida. Tal técnica utiliza uma combinação da reamostragem bootstrap, frequentemente utilizada para fornecer intervalos de confiança em redes neurais, e o método de Monte Carlo, frequentemente utilizado na avaliação da incerteza de medição. Assim, é possível obter uma incerteza da inferência que considere, além dos erros provenientes do processo de treinamento, as incertezas das medições durante o treinamento e uso das redes neurais. A integração desses métodos representa uma evolução no estado da arte no que concerne estimar a dúvida na saída de um modelo neural artificial. No estudo de caso, os compressores de teste apresentaram o valor típico de ±4,5% para a incerteza da inferência do modelo neural. O tempo médio para obtenção de um resultado na linha de produção ficou próximo a 7 segundos, o que significa que essa ocorrerá em tempo inferior a um milésimo do atualmente necessário para medição da capacidade de refrigeração em uma bancada no laboratório.<br> / Abstract: The refrigerating capacity is an important parameter for the quality of hermetic compressors and to make a proper assignment of them to a certain refrigeration system. Typical tests for measuring de refrigerating capacity are run in laboratory facilities and which last 4.5 hours, at average, and present measurement uncertainty of about ±3%. As a consequence related to typical tests duration and their associated costs, the evaluation of production lots are made by testing small samples. The purpose of this thesis is to present a method to overcome the small sample issue through the measurement of the refrigerating capacity using a strategy that avoids the typical tests approach. The main idea is the use of the existing correlation between the refrigerating capacity and the capacity of the compressor to increase the air pressure in a fixed volume vessel. The appropriateness on using this correlation was evaluated through test data obtained from production line tests (air pressure increase rate measurements) and from laboratory tests (refrigerating capacity measurements). The data was used for training neural networks models that were designed to infer the refrigerating capacity using air pressure increase rate. The evaluation presented in this thesis shown that the differences between production line inferences and laboratory results were about 1%. However, even with the good results obtained using neural networks, a lack of a proper way for evaluating the uncertainties related to the use of neural networks on metrological activities should be fulfilled. To overcome this problem a new technique was developed. It uses the bootstrap resampling method - usually applied for the determination of neural networks confidence intervals - and the Monte Carlo method - usually applied for measurement uncertainty evaluation. Therefore, it is possible to achieve an inference uncertainty that considers the errors from the neural networks training process as well as the measurement uncertainties related the inputs during the training and the using of the neural networks. The integration of these methods represents an evolution on the state of art related to the estimation of the doubt of an artificial neural network model.The results presented in this thesis shown typical uncertainties for the inferences of about ±4.5%. The average duration for the tests in the production line was about 7 seconds - less than a thousandth of the time required for the refrigerating capacity measurement in laboratory.