Made available in DSpace on 2014-06-12T15:48:49Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Esta tese apresenta um método de otimização global e local, baseado na integração das heurísticas das técnicas Simulated Annealing, Tabu Search, Algoritmos Genéticos e Backpropagation. O desempenho deste método é investigado na otimização simultânea da topologia e dos valores dos pesos das conexões entre as unidades de processamento de redes neurais artificiais Multi-layer Perceptron, a fim de gerar topologias com poucas conexões e alto desempenho para qualquer conjunto de dados. A heurística proposta realiza a busca de forma construtiva e baseada na poda das conexões entre as unidades de processamento da rede. Assim, são geradas redes com arquitetura variável e que podem ser ajustadas para cada problema de forma automática. Experimentos demonstram que o método pode também ser utilizado para a seleção de atributos relevantes. Durante a otimização da arquitetura da rede, unidades de processamento de entrada podem ser eliminadas de acordo com sua relevância para o desempenho do modelo. Desta forma, é obtida uma seleção de atributos inerente ao processo de otimização das redes neurais artificiais. Os principais parâmetros de configuração do método tiveram sua influência estimada através da técnica de planejamento fatorial de experimentos. Com base no planejamento fatorial de experimentos, foi possível verificar a influência, interação e a inter-relação entre os parâmetros de configuração do modelo. Estas análises são importantes para identificar a influência de cada parâmetro e possivelmente diminuir a quantidade de parâmetros ajustáveis no projeto deste método. Nesta tese são realizados experimentos com cinco diferentes bases de dados de classificação e duas bases de dados de previsão. A técnica proposta apresentou resultados estatisticamente relevantes em comparação com outras técnicas de otimização global e local

Made available in DSpace on 2014-06-12T15:50:25Z (GMT). No. of bitstreams: 2 arquivo1971_1.pdf: 1243968 bytes, checksum: c2b0ffac3863dd2dac1588531b3c8f78 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho propõe e avalia sistemas híbridos para organização automática de documentos texto baseado em Mapas Auto-Organizáveis (do inglês Self-Organizing Maps - SOM). O objetivo é obter um sistema que ao combinar SOM com outros algoritmos de agrupamento seja capaz de gerar mapas de documentos de qualidade a um custo computacional baixo para grandes coleções de documentos texto. Um mapa de documentos é resultado de pós-processamento de uma rede neural SOM treinada com os vetores representativos dos documentos de uma coleção. Um mapa de documentos é considerado de boa qualidade quando este representa bem as relações de similaridade de conteúdo entre documentos de uma coleção. Um mapa de documentos possibilita a organização de uma coleção de documentos texto de acordo com a similaridade de conteúdo e tem aplicação na melhoria dos processos de recuperação de informação, exploração, navegação e descoberta de conhecimento sobre uma coleção. Vários trabalhos na literatura de redes neurais têm utilizado SOM para criar mapas de documentos. Entretanto, o treinamento de redes SOM ainda é uma tarefa cara computacionalmente para grandes coleções de documentos texto. Alguns métodos propostos na literatura para construir mapas de documentos mais rapidamente reduzem drasticamente a qualidade do mapa gerado; além disso, sistemas híbridos envolvendo SOM com outros algoritmos de agrupamento têm sido pouco investigados na literatura. Estes fatos motivaram o presente trabalho. Os resultados mostram que a combinação cuidadosa de algoritmos tradicionais de agrupamento como K-means e Leader com redes SOM é capaz de produzir sistemas híbridos bastante eficientes. Por este motivo, sistemas híbridos foram propostos, visando à construção automática de mapas de documentos com qualidade e a um custo computacional mais baixo. Estes sistemas híbridos representam um avanço na área de sistemas de organização automática de documentos texto, bem como sistemas neurais híbridos baseados em SOM, fornecendo resultados importantes para diversas aplicações práticas no projeto de sistemas, tais como engenhos de busca, sistemas para bibliotecas digitais e sistemas para descoberta de conhecimento em texto

Made available in DSpace on 2014-06-12T15:50:57Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / O reconhecimento automático de textos manuscritos vem a cada dia ganhando importância tanto no meio científico quanto no comercial. Como exemplos de aplicações, têm-se sistemas bancários onde os campos de valor dos cheques são validados, aplicativos presentes nos correios para leitura de endereço e código postal, e sistemas de indexação de documentos históricos. A segmentação automática do texto em palavras ou caracteres é um dos primeiros passos realizados pelos sistemas de reconhecimento dos textos manuscritos. Portanto, é essencial que seja alcançado um bom desempenho de segmentação para que as etapas posteriores produzam boas taxas de reconhecimento do texto manuscrito. O presente trabalho trata do problema de segmentação de sentenças manuscritas em palavras através de duas abordagens: (i) método baseado na métrica de distância Convex Hull com modificações que objetivam melhorar o desempenho de segmentação; (ii) um novo método baseado em Redes Neurais Artificiais que visa superar problemas existentes em outras técnicas de segmentação, tais como: o uso de heurísticas e limitação de vocabulário. O desempenho dos métodos de segmentação foi avaliado utilizando-se de uma base de dados pública de texto manuscrito. Os resultados experimentais mostram que houve melhora de desempenho das abordagens quando comparadas à abordagem tradicional baseada em distância Convex Hull

Made available in DSpace on 2014-06-12T15:55:19Z (GMT). No. of bitstreams: 2 arquivo2232_1.pdf: 2168681 bytes, checksum: 52cce4fca21c1e30911e1184708c64f7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / A mitigação de riscos é uma das grandes preocupações das empresas da área financeira. Dispor de ferramentas que possam sinalizar possíveis ocorrências de perdas e permitam realizar ações no sentido de evitá-las é de grande interesse. A inteligência artificial tem sido empregada na solução dos mais diversos problemas envolvendo processos de tomada de decisão. Este trabalho, apoiado no Ciclo de Vida de Mineração de Dados ou Data Mining Life Cycle (DMLC), analisa o ciclo de um Método de Avaliação do Risco Operacional (MARO) utilizado em bancos. A análise investiga aspectos como processos, profissionais, recursos de armazenamento de dados, fluxos de decisão e iteração entre os elementos envolvidos. Baseado na metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) e em Redes Neurais Artificiais, é proposto um modelo que suporta o método MARO, desenvolvendo um classificador neural para a análise de risco operacional de agências bancárias a partir de um conjunto de indicadores. Os experimentos realizados demonstram a eficiência do modelo proposto com adequações no modelo MARO original e desempenho de classificação que abre perspectivas de utilização da abordagem na análise rápida do risco operacional em bancos. Os principais benefícios são a aceleração das informações sobre o risco operacional, com redução do tempo necessário para geração dos indicativos de risco, o aumento da acurácia na identificação precoce de situações de alto risco e a pró-atividade em evitar perdas financeiras ou desperdício de recursos nos processos de tomada de decisão

Made available in DSpace on 2014-06-12T15:56:23Z (GMT). No. of bitstreams: 2 arquivo2920_1.pdf: 2753004 bytes, checksum: d9cabbcda1b022b793399cc38a9d033c (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / A previsão de séries temporais tem sido usada em diversos problemas do mundo real, tais como: meteorologia, previsão de carga em redes de computadores, análise de mercado, entre outras, com o objetivo de minimizar riscos, auxiliar no planejamento e na tomada de decisões. Nesta dissertação, as séries temporais são analisadas para realizar previsões de cotações de ações do mercado financeiro e, para tanto, uma metodologia baseada no uso de séries exógenas e de combinação de classificadores é proposta. As principais contribuições do presente trabalho são: i) utilização de séries exógenas como variáveis de entrada para o classificador a fim de capturar informações externas que influenciam na série a ser prevista; ii) utilização de combinação de classificadores, em especial, combinação de Redes Neurais do tipo MLP (Multi-Layer Perceptron); e, iii) concepção de uma nova medida de desempenho SLG (Sum of Loses and Gains), que é mais aderente na área de investimentos. Além disso, foram propostas diferentes abordagens para pré-processar os dados. Os estudos experimentais foram realizados utilizando a série temporal correspondente à ação preferencial da Petrobras (PETR4). Os resultados mostraram que o modelo proposto superou os modelos tradicionais, conseguindo prever a série com maior precisão e relevância para os investidores

Made available in DSpace on 2014-06-12T15:58:28Z (GMT). No. of bitstreams: 2 arquivo4576_1.pdf: 2100456 bytes, checksum: 7e1e2671c8510294e36bc66a90297bef (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Atualmente existe uma grande demanda por ambientes virtuais de aprendizado. Nestes, uma das principais ferramentas é o chat, tanto entre alunos e professor, quanto somente entre alunos. Todavia, tais sistemas não fornecem ao professor informações sobre a qualidade da interação entre os alunos. Assim, o objetivo principal deste trabalho foi investigar a viabilidade da classificação automática de diálogos para o fornecimento de feedback para professores em ambientes virtuais de aprendizado. Para tal, foram utilizadas as redes neurais artificiais como classificadoras de padrões. O trabalho começou com uma coleta de dados para a criação de uma base de diálogos, obtidos em diferentes locais da internet. Com a base formada, foram extraídas as características mais relevantes para a classificação dos diálogos quanto à presença significativa de reflexão. Logo após, foram iniciados o treinamento e testes com as redes neurais artificiais para a identificação de padrões de diálogos de qualidade e a melhoria da capacidade de classificação de novos padrões. Por fim, foi realizada a implementação de uma ferramenta de análise de diálogos colaborativos, a OXEnTCHÊ-Chat. Foram realizados experimentos com a ferramenta, tanto para avaliar sua usabilidade, quanto para avaliar a qualidade da classificação produzida. Os resultados obtidos indicam que o problema da classificação automática de diálogos pode ser tratado com redes neurais, e apontam para várias outras possibilidades de investigação. Este trabalho faz parte do projeto CVA-On, e algumas extensões possíveis já estão em desenvolvimento, tais como o aumento da base de dados com o pré-processamento destes dados, testes com outros tipos de classificadores, e melhorias na apresentação do feedback final

Made available in DSpace on 2014-06-12T15:58:44Z (GMT). No. of bitstreams: 2 arquivo4683_1.pdf: 2097336 bytes, checksum: bea2225a4b8b5aec57cc6d8bade1a5eb (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Os Transtornos Mentais Comuns (TMC´s), e dentre eles ansiedade e depressão, têm sido causas comuns de morbidade tanto em países desenvolvidos como em desenvolvimento. Esses transtornos levam a um considerável uso dos serviços de saúde e destacam-se como um importante fator que leva a uma perda de dias de trabalho. Além disso, causam um sério impacto tanto para os serviços de saúde como à sociedade de um modo geral. O uso de técnicas que possam vir a conduzir à identificação dos fatores que apresentam maior probabilidade de estarem relacionados aos TMC´s é de grande relevância para auxiliar no processo de tomada de decisões acerca do planejamento e intervenção de saúde pública nessa área. As Redes Neurais Artificiais (RNA´s) são conhecidas porque geralmente obtêm um bom desempenho na precisão dos resultados, e tem sido amplamente utilizadas para prognóstico e diagnóstico de doenças. A aplicação de RNA´s para análise dos fatores relacionados aos TMC´s foi motivada principalmente pelo fato que em RNA´s não há necessidade de independência entre as diversas variáveis estudadas, pela sua habilidade em detectar todas as possíveis interações entre as diversas variáveis explicativas, bem como por sua capacidade de aprendizado a partir do ambiente. Essas características têm sido destacadas como um atrativo para a aplicação de RNA´s em estudos epidemiológicos. Técnicas clássicas de estatística, a exemplo de regressão logística, geralmente são mais utilizadas em estudos epidemiológicos, porém, RNA´s vêm surgindo como uma alternativa interessante, principalmente em situações onde são exibidas variáveis dependentes e independentes complexas com relações não lineares. Esse trabalho teve como objetivo principal utilizar RNA para análise dos fatores relacionados a TMC´s, comparando os resultados obtidos nos experimentos realizados com os alcançados com o modelo estatístico de regressão logística. Para o desenvolvimento dos experimentos foi utilizada uma rede Multilayer Perceptron com uma camada escondida, treinada com o algoritmo Backpropagation e com o método de otimização Simulated Annealing

Made available in DSpace on 2014-06-12T16:00:14Z (GMT). No. of bitstreams: 2 arquivo6095_1.pdf: 962733 bytes, checksum: cd84cd8cc40e4c53ea64a83ca746aa93 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Pesquisas sobre o funcionamento da fisiologia do corpo humano têm contribuído para a evolução dos Sistemas Imunológicos Artificiais. Este trabalho procura investigar uma arquitetura de reconhecimento a partir de observações do comportamento imunológico natural. Algumas funcionalidades foram observadas e estudadas no ambiente biológico para modelar esta abordagem imunológica. As principais são a organização e o agrupamento de anticorpos (Ab) semelhantes durante todo o processo. Acredita-se que estas funcionalidades poderiam melhorar a capacidade de reconhecimento dos algoritmos imunológicos artificiais. Esta tecnologia procura modelar características e funcionalidades do mecanismo de defesa dos seres vivos. Este mecanismo permite que o organismo possa defender-se da invasão de substâncias estranhas. O Sistema Imunológico Natural procura armazenar em uma memória genética os melhores anticorpos encontrados. Futuramente eles são usados para identificar os antígenos já apresentados ao organismo e obter uma resposta mais rápida e eficaz. Para analisar o desempenho deste novo modelo, ele foi comparado com outras técnicas conhecidas. Foram utilizados a MLP (Multi-Layer Perceptron), o k-NN (k-Nearest Neighbour) e o Clonalg (Clonal Selection Algorithm). Assim foi possível estimar a contribuição deste novo modelo na pesquisa de Sistemas Imunológicos Artificiais para o problema de reconhecimento de padrões

Made available in DSpace on 2014-06-12T16:01:21Z (GMT). No. of bitstreams: 2 arquivo8453_1.pdf: 1913161 bytes, checksum: df3afe349b856431cbdb08a12b2cd17f (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / O mundo dos negócios é definido por qualidade, competitividade e luta por fatias de mercado. A informação é uma ferramenta indispensável nesse meio, onde organizações a usam como diferencial competitivo, uma forma de obter vantagem frente aos competidores. Segundo a Techoje (revista de opinião do IETEC - Instituto de Educação e Tecnologia), a quantidade de informação criada no ano de 2006 seria bastante para escrever 12 pilhas de livros, cada uma medindo 150 milhões de quilômetros, o que corresponde à distância da Terra ao Sol. De acordo com a Techoje, estudos estipulam que essa quantidade teria aumentado até 6 vezes até o ano de 2010. As redes de computadores são os meios utilizados para o compartilhamento dessas tão valiosas informações e sofrem com constantes tentativas de intrusão e com surgimentos cada vez mais acelerados de softwares maliciosos, que se disseminam pelos sistemas computacionais. Frente a essa realidade, IDS (Intrusion Detection Systems - Sistemas de Detecção de Intrusão) são ferramentas que auxiliam desde usuários comuns até grandes organizações a se manter seguros, contra invasores e ataques das mais diversas naturezas. Apesar de serem ferramentas úteis a seu propósito, IDS´s necessitam de implantação planejada e estruturada, ou efeitos, tais como lentidão no ambiente, alarmes falsos ou intrusões não detectadas podem vir a acontecer. O presente trabalho foca no estudo da construção de IDS´s, levando em conta as técnicas ELM (Extreme Learning Machine) e OS-ELM (Online Sequential Extreme Learning Machine) aplicadas ao problema. As técnicas citadas são usadas para o treinamento de redes neurais artificias do tipo feedforward e vêm sendo usadas em vários estudos em outras áreas de aplicação. Tais técnicas conseguem resolver problemas de forma mais rápida que técnicas tradicionais de treinamento de redes neurais, como o algoritmo backpropagation. Os resultados obtidos no estudo mostraram-se relevantes, pois alcançaram boas taxas de generalização e tempo computacional, que são fatores críticos para a área de segurança. Dessa forma, o presente estudo utiliza de forma pioneira as duas técnicas citadas, que pelas suas características, conseguem dar respostas rápidas frente ao surgimento de novos ataques

Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-07-13T19:29:03Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) final.pdf: 6504039 bytes, checksum: 6f7f7f9e2f6435f17fbf9659accd6d63 (MD5) / Made available in DSpace on 2016-07-13T19:29:03Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) final.pdf: 6504039 bytes, checksum: 6f7f7f9e2f6435f17fbf9659accd6d63 (MD5) Previous issue date: 2016-03-01 / CNPQ / A wide spectrum of social, biological, physical, chemical and computational systems have been investigated by the tools and techniques from the field of Dynamical Systems Theory to formalize the behaviour in time and quantify and qualify the parametric variations of those systems. In Biology in particular, studies have shown that learning neuron maximization can occur in specific dynamics conditions where information processing is optimized. This it may be expected that some of those conditions can be recognized and used in artificial models. This work studies the quantum artificial neuron weightless qRAM behavior, from the design iteration models - taking into account the physical and mathematical conditions of quantum computing that restricts the extraction of information at every time step - to its parametric analysis where converging behaviors, damped or oscillatory, are detailed. Tools of dynamical systems like orbits diagram and time series qualitatively illustrate its temporal variability. The main contribution of this work is to detail the neuron qRAM behavior so that the results can be used within the machine learning area, coupled with larger systems to achieve maximum learning tasks. As result, we propose a novel dynamical neuron model, named Quadratic Extraction Model (QEM), we perfom parametric studies of the existing models where underdamped, overdamped and undamped behaviour are encountered, and we present apresentation of a neuron configuration inside a quantum architecture with chaos behaviour. A quantitative measure model to compare dynamics orbits was also proposed. / Os mais variados sistemas sociais, biológicos, físicos, químicos e computacionais tem sido investigados pela área de Sistemas Dinâmicos para formalizar o comportamento no tempo e quantificar e qualificar variações paramétricas desses sistemas. Na biologia em particular, estudos tem mostrado que a maximização de aprendizado de um neurônio pode acontecer dentro de certas condições da sua dinâmica onde o processamento de informação é otimizado. Espera-se então que essas condições possam ser reconhecidas e utilizadas em modelos artificiais. Este trabalho descreve o comportamento do neurônio artificial quântico sem peso qRAM, desde a concepção de modelos de iteração - visto as condições físico matemáticas da computação quântica que restringe a extração da informação isolada do valor de saída do neurônio a cada etapa de tempo - até sua análise paramétrica de onde comportamentos convergentes, amortecidos ou oscilatórios são detalhados. Ferramentas dos sistemas dinâmicos como diagrama de órbitas e séries temporais ilustram qualitativamente sua variabilidade temporal. A principal contribuição desse trabalho é detalhar o comportamento do neurônio qRAM a fim de que os resultados possam ser usados dentro da área de aprendizagem de máquina, acoplado com sistemas maiores e complexos, com maximização de tarefas de aprendizado. Como resultado, há proposição de mais um modelo de dinâmica neuronal, o QEM, o estudo paramétrico dos modelos de dinâmicas existentes, que se identifica comportamentos subamortecidos, sobreamortecidos e não-amortecidos na dinâmica, assim como a apresentação de uma configuração neuronal dentro da arquitetura quântica que apresenta comportamento caótico. Um modelo de medição quantitivo para comparar dinâmicos foi também proposto.