Made available in DSpace on 2016-04-29T14:23:48Z (GMT). No. of bitstreams: 1 Paulo Kuester Neto.pdf: 1284476 bytes, checksum: 99c3eadc17da7f6d51803dba0833899f (MD5) Previous issue date: 2009-04-24 / This project is part of the research line Collective Intelligence and Interactive Environments and aims to investigate modes of pattern recognition and classification in three-dimensional images using artificial neural networks. To achieve this, three-dimensional images will be submitted to a connection is system based on Artificial Neural Networks according to a back propagation algorithm used as the basis for training, in order to obtain patterns that are common among these images. This work aims to contribute to image analysis so that it can be applied to research, from forest mapping and virtual worlds construction to prognostics and/or diagnoses in health-related areas, in which, due to variances and imperfections in images that are said to be similar, it is not possible to use simple algorithms that recognize similarities between them. In light of the theoretical presuppositions discussed in chapter 2 and to the state-of-the-art approached in chapter 3, the characteristics, organization modes, learning algorithms and free parameters of this neural model that best adapt to the nature of the research are defined. The work must involve a simulation environment, the framework for neural models experimentation and results verification, chosen according to characteristics like reliability, viability and adequacy to hardware conditions and limitations. In addition, the environment must be capable of dealing with the research object, that is, the analysis and classification of three-dimensional forms and their recognition through adjustments to the parameters of the neural model. The research to be carried out was divided into two phases: the first one is network training, in which some images are arbitrarily chosen from an image base. These images share common characteristics that must be recognized to make adjustments to the Neural Network. In the second phase, after the stage of tests and training, the network must be capable of dealing with the rest of the selected image base. The system must also effectively deal with exceptions and variation in some characteristics, such as light, positioning and color. The challenge is making the neural network training be as generic as possible, so it can deal with these variations, offering a degree of reliability without substantial decrease in effectiveness / Este projeto se insere na linha de pesquisa Inteligência Coletiva e Ambientes Interativos, visando investigar os modos de reconhecimento e classificação de padrões em imagens tridimensionais utilizando Redes Neurais Artificiais. Para tanto, pretende-se submeter imagens tridimensionais a um sistema conexionista baseado em Redes Neurais Artificiais de acordo com um algoritmo de retro-propagação (backpropagation) como base para treinamento, buscando-se obter padrões comuns entre essas imagens. Este trabalho objetiva contribuir com a análise de imagens para aplicação em pesquisa, desde mapeamento florestal, construção de mundos virtuais até prognósticos e/ou diagnóstico em áreas relacionadas à saúde, em que, devido a variâncias e imperfeições em imagens ditas similares, não se aplicam a utilização de algoritmos simples que reconheçam semelhanças entre elas. De acordo com os pressupostos teóricos discutidos no capítulo 2 e o estado da arte no capítulo 3, definem-se características, modos de organização, algoritmos de aprendizagem e parâmetros livres desse modelo neural que melhor se adaptam a natureza da pesquisa. O trabalho deve envolver um ambiente de simulação, framework para experimentação dos modelos neurais e verificação de resultados, escolhido de acordo com características como confiabilidade, viabilidade e adequação as condições e limitações de hardware. O ambiente deve ser capaz de lidar ainda com o objeto de pesquisa, ou seja, a análise e a classificação de formas tridimensionais e seu reconhecimento através de ajustes nos parâmetros do modelo neural. A pesquisa a ser realizada foi dividida em duas fases, a primeira, de treinamento da rede, escolhendo arbitrariamente, a partir de um banco de imagens, algumas que compartilhem características comuns que devem ser reconhecidas para ajustes da Rede Neural. Na segunda fase, posterior a etapa de testes e treinamento, a rede deve ser capaz de lidar com o restante do banco de imagens selecionado. O sistema deve ainda ser efetivo ao lidar com exceções e variação em algumas características como luminosidade, posicionamento e cor. O desafio é tornar o treinamento da Rede Neural o mais genérico possível a fim de lidar com essas variações, oferecendo um grau de confiabilidade sem degradação substancial de efetividade

Made available in DSpace on 2016-04-29T14:23:53Z (GMT). No. of bitstreams: 1 Marcus Vinicius Cardador Francisco.pdf: 1267870 bytes, checksum: 9cad63d4aeb66e7ee5b764e9855e2b06 (MD5) Previous issue date: 2009-12-15 / This research has as goal to introduce an alternative solution for vehicles traffic flow control. Researches on similar subjects around the world were taken as a basement for this study which makes use of a hybrid architecture. This architecture is composed by a back-propagation algorithm, which is responsible for creating and training the networks that will take care of traffic flow control, and a genetic algorithm, responsible for all chromosome relations which will generate new networks based on its previews parents. The results for this combined algorithms shows that errors were decreased if compared to the other researches described below. This makes this a plausible solution. The whole complexity involved on current study as well as on traffic flow control gives many possibilities for development of new solutions and improvements on traffic flow subject / O objetivo deste trabalho é prover uma solução alternativa para o gerenciamento de fluxos de tráfego por meio de Redes Neurais. Pesquisas em diferentes partes do mundo dentro de um mesmo âmbito foram analisadas e forneceram uma base concreta para o corrente estudo que utiliza uma arquitetura híbrida. Essa arquitetura é composta por um algoritmo de propagação reversa com a finalidade de criar e treinar as redes destinadas ao gerenciamento dos fluxos de tráfego e por um algoritmo genético incumbido de realizar cruzamentos entre as redes anteriormente geradas em busca de novas redes a partir de suas sucessoras. Os resultados obtidos pela combinação dos algoritmos apresentam, de forma constante, valores de erros inferiores aos dos estudos analisados, tornado-a uma alternativa plausível. A complexidade envolta no presente estudo, bem como nos fluxos de tráfego, abre espaço para o desenvolvimento de novos trabalhos e projetos no âmbito de soluções e melhorias para sistemas de tráfego