A suinocultura é uma atividade de grande importância em termos mundiais e de Brasil. Entretanto, por serem animais homeotérmicos, algumas alterações no ambiente térmico de alojamento podem alterar suas respostas fisiológicas e comportamentais para manutenção da temperatura interna. Portanto, o objetivo dessa pesquisa foi avaliar o comportamento alimentar de suínos, mediante a influência do ambiente térmico, nas fases de crescimento e terminação para diferentes linhagens comerciais e sexo. Além disso, buscou-se o desenvolvimento de modelos matemáticos e sistemas inteligentes para predição do tempo em alimentação (TM, min dia-1) dos suínos. Os dados foram coletados em uma granja experimental de suínos, localizada na cidade de Clay Center, Nebraska, Estados Unidos. O período experimental contemplou duas estações durante o ano 2015/2016 (verão e inverno), totalizando 63 dias (9 semanas) de informações coletadas para cada estação. Os animais alojados foram de três linhagens comerciais distintas: Landrace, Duroc e Yorkshire. Cada baia apresentava composição mista, sendo alojados 40 animais de diferentes linhagens comerciais e sexo. No total, foram confinados 240 animais, sendo 80 animais para cada linhagem comercial entre machos castrados e fêmeas. Foram registrados dados de temperatura do ar (Tar, °C), temperatura do ponto de orvalho (Tpo, °C) e umidade relativa do ar (UR, %) a cada 5 minutos no interior da instalação. Para TM, os dados foram coletados e registrados a cada 20 segundos por meio de um sistema de coleta de dados por rádio frequência. O conforto térmico foi analisado a partir do Índice de Temperatura e Umidade (ITU) e a Entalpia Específica (H, kJ kg-1 de ar seco). Para avaliar a relação entre o ambiente térmico e TM, foi utilizada estatística multivariada por meio de análise de componentes principais (ACP) e agrupamento para obtenção de padrões e seleção de variáveis para entrada nos modelos. O modelo fuzzy e as redes neurais artificias foram desenvolvidos em ambiente MATLAB® R2015a por meio dos toolboxes Fuzzy e Neural Network, com o objetivo de predizer TM, tendo como variáveis de entrada: linhagem comercial, sexo, idade e ITU. De uma maneira geral, as médias de Tar estiveram dentro da zona de termoneutralidade (ZCT) em todo período experimental, sendo que apenas a UR apresentou valores abaixo da UR crítica inferior. Para o ITU, apenas no verão foram encontrados valores acima da ZCT, entretanto, esses valores estiveram abaixo do ITU crítico superior. Diante da análise dos resultados, pôde-se observar em relação ao comportamento alimentar, que a fêmea Landrace apresentou o menor tempo em alimentação com médias de 42,19 min dia-1 e 43,73 min dia-1 para o inverno e verão, respectivamente, seguido do macho castrado de mesma linhagem. Enquanto as demais linhagens apresentaram valores acima de 60 min dia-1. Não foi observado correlação linear significativa entre o ambiente térmico e TM uma vez que os animais estiveram dentro de sua ZCT ao longo de todo período experimental, indicando que o comportamento alimentar foi influenciado principalmente pelos fatores homeostáticos e cognitivos-hedônicos. A estatística multivariada dividiu os animais em 8 grupos. Foi observado que animais de linhagens e sexos distintos se comportaram da mesma maneira, dificultando a modelagem matemática. Entretanto, alguns grupos apresentaram maior quantidade de animais de determinada linhagem e sexo, sendo estes utilizados como \"grupos padrão\" para o desenvolvimento do modelo fuzzy e a rede neural artificial. O modelo fuzzy apresentou R2 de 0,858 quando utilizado os dados do grupo padrão, entretanto, para todos os valores o R2 foi de 0,549. Já a rede neural apresentou um R2 de 0,611 para os dados completos e R2 de 0,914 para o \"grupo padrão\". Portanto, a rede neural artificial mostrou-se como uma ferramenta de maior precisão e acurácia na predição do comportamento alimentar de suínos nas fases de crescimento e terminação. / The swine production in an activity of great importance to Brazil and to the world. However, because they maintain a constant body temperature and, alterations in the thermic accommodation environment can directly affect their physiological and behavioral responses for maintaining the internal temperature. Thus, the objective of this study was to access the feeding behavior of growing-finishing pigs of different sirelines and gender and its relationship with climate variables (thermic environment). Furthermore, mathematical models based on classic logic was developed as well as an intelligent system for predicting the total time spent eating (TM, min day -1). The data was collected in an experimental farm located in Clay Center, Nebraska, United States. The experimental period contemplated two seasons (summer and winter), totalizing 63 days (9 weeks) of information collected for each season. The housed animals were from three different commercial sirelines: Landrace, Duroc and Yorkshire. Each pen presented a mix composition, being housed 40 animals of different sirelines and gender. In total, there were 240 housed animals, being 80 animals for each sireline among barrows and gilts. The data registered were air temperature (Tar, °C), dew point temperature (Tpo, °C) and relative humidity of the air (UR, %) every 5 minutes inside the facility. For TM, the data were collected and registered every 20 seconds by a radio frequency data collection system. The thermal comfort was analyzed from the Temperature and Humidity Index (THI) and Specific Enthalpy (H, kJ kg-1 of dry air). In order to evaluate the relationship between the thermic environment and TM, the multivariate statistics through principal component analysis (PCA) and grouping was utilized for obtaining the selection standards of variables to enter in the models. The fuzzy model and the artificial neural networks were developed in a MATLAB® R2015a environment through the Fuzzy and the Neural Network toolboxes with the objective to predict TM, having as entry variables: sireline, gender, age and THI. On the whole, the Tar averages were inside the thermoneutral zone (ZCT), however, these values were below the superior critic THI. In the face of the results analysis, it could be observed in ration to the feeding behavior that the Landrace gilt presented the shortest time eating with averages of 42.19 min day-1 and 43.73 min day-1 for winter and summer respectively followed by the barrow from the same sireline, while the other sirelines presented values above 60 min day-1. It was not observed a significative linear correlation between the thermic environment and TM once the animals were inside their ZCT throughout all the experimentation period, indicating that the feeding behavior was influenced mainly by the homeostatic and cognitivehedonic factors. The multivariate statistics divided the animals in 8 groups, being observed that animals of different sirelines and gender behave the same way throughout the experimentation period, making the mathematical modeling difficult. However, some groups presented a bigger amount of animals of determined sireline and gender, being utilized as \"standard groups\" for the development of the fuzzy model and the artificial neural network. The fuzzy model presented an R2 of 0,858 when utilizing the \"standard group\" data, however, for all the values the R2 was 0.549. In the other hand the neural network presented an R2 of 0.611 for the complete data and an R2 of 0.914 for the \"standard group\". Thus, the artificial neural network appeared to be a tool of a better precision and accuracy when predicting the feeding behavior of pigs on growing-finishing phases.

O oxicorte produz superfícies que variam entre um padrão semelhante à usinagem até outro em que o corte é praticamente sem qualidade. Além das condições de equipamentos e habilidade de operadores, estas possibilidades são conseqüências da correta seleção de parâmetros e variáveis de trabalho. O processo baseia-se numa reação química fortemente exotérmica, que gera parte de calor necessário para sua ocorrência juntamente com o restante do calor proveniente da chama do maçarico. A proporção entre estes valores é fortemente dependente, entre outros fatores, da espessura do material utilizado. Este trabalho mostra como calcular a quantidade de energia gerada no oxicorte, com duas metodologias de diferentes autores, estuda de que maneira fatores como a variação da concentração do oxigênio e a temperatura inicial das chapas cortadas podem variar o balanço térmico e simula, com a utilização de Redes Neurais Artificiais, alguns dos dados necessários para a realização destes cálculos. Para isto foram cortadas chapas de aço carbono ASTM A36 de 12,7 a 50,8 mm, com diferentes concentrações de O2 (99,5% e 99,95%) e diferentes temperaturas de pré-aquecimento das chapas (30 e 230±30ºC). As superfícies cortadas foram caracterizadas, os óxidos produzidos identificados e os resultados foram correlacionados com o uso de tratamento matemático e técnicas de inteligência artificial. Para a realização do trabalho alguns aspectos não existentes em literatura foram superados como o desenvolvimento de uma metodologia para a caracterização dos óxidos de Fe por meio de difração de raios X com o método de Rietveld, a utilização de redes neurais artificiais para estimativa de resultados no processo oxicorte e a comparação entre diferentes redes neurais artificiais, que são também aspectos inéditos apresentados nos sete artigos técnicos publicados no decorrer deste trabalho. Os resultados apresentam: uma metodologia para a análise da eficiência energética do processo, o desenvolvimento de técnicas que, com o emprego de inteligência artificial simulam o comportamento de aspectos do processo, o que por fim possibilita a simulação da análise de sua eficiência energética. / Oxygen cutting process produces surfaces that vary from a machine cut finishing to one of virtually no quality at all. Besides equipment conditions and operators\' skills, these possibilities result from the correct selection of work parameters and variables. The process is based on a highly exothermic chemical reaction that generates part of the heat needed for its occurrence, along with the rest of heat resultant from the flame of the blowpipe. The ratio between these values depends highly on the thickness of the material used. This work shows how to calculate the amount of energy generated in the cutting process. Based on two methodologies of different authors, this research studies how factors such as the change in the oxygen concentration and the pre heating temperature of plates can vary the heat balance and simulates, with the use of Artificial Neural Networks, some of the data needed to perform these calculations. ASTM A36 carbon steel plates, from 12.7 to 50.8 mm thick, with different oxygen concentration (99,5% e 99,95%) and preheating temperatures (30 and 230 ±30ºC) were cut. The cut surfaces and the produced oxides were characterized and the results were correlated with the use of mathematical treatment and artificial intelligence techniques. In order to carry out this work some previously inexistent aspects in literature have been developed, such as a Fe oxides characterization methodology with X-ray diffraction and Rietveld method; the use of artificial neural networks to simulate the results in the oxygen cutting process and the comparison between different artificial neural networks, which are unpublished aspects of this work that can be seen in seven technical papers published while this work was in progress. Results show: a methodology for the analysis of the energy efficiency of the process; the development of techniques that, together with artificial intelligence, simulate the results of aspects of the process; which finally allows the simulation analysis of the energy efficiency of the process.

Garantir a qualidade da carne bovina produzida no Brasil tem sido uma preocupação dos produtores, pois contribui para aumentar a exportação e o consumo interno do produto. Por isso, tem-se pesquisado novos métodos que analisam e garantam a qualidade da carne, de forma rápida, eficiente e não destrutiva. A ressonância magnética nuclear (RMN) tem se destacado como uma das técnicas de controle de qualidade de carne. Neste trabalho as redes neurais artificiais estão sendo utilizadas para o reconhecimento de padrões dos dados de ressonância magnética nuclear oriundos de carne bovina. Mais especificamente, os respectivos dados têm sido utilizados por uma rede perceptron multicamadas para a extração de características da carne bovina, possibilitando a classificação do grupo genético e do sexo dos animais a partir de uma amostra da referida carne. Os resultados dos experimentos são também apresentados para ilustrar o desempenho da abordagem proposta. / Guaranteeing the quality of the bovine meat produced in Brazil has been a concern of the producers because it contributes to increase the export and the domestic consumption of the product. Therefore, new methods have been researched that analyze and guarantee the quality of the meat in a fast, efficient and non destructive way. Nuclear magnetic resonance (NMR) has been highlighted as one of the techniques of meat quality control. In this work study artificial neural networks are being used for pattern recognition from data obtained by the resonance equipment, originating from bovine meat. More specifically, the respective data have been used by a multilayer perceptron network for extraction of bovine meat characteristics, making possible the classification of both genetic group and animal sex starting from a single meat sample. Several results of experimental tests are also presented to illustrate the performance of the proposed approach.

Este trabalho apresenta o desenvolvimento de um instrumento de apoio à gestão territorial, denominado Banco de Dados Geográficos – BDG, constituído de uma base de dados georreferenciadas, de um sistema de gerenciamento de banco de dados, de um sistema de informação geográfica – SIG e de um simulador de redes neurais artificiais – SRNA. O roteiro metodológico adotado permitiu a transposição do Detalhamento da Metodologia para Execução do Zoneamento Ecológico-Econômico pelos Estados da Amazônia Legal para um modelo conceitual materializado no BDG, que serviu de suporte para a criação de uma base de dados geográficos, na qual utilizou-se os conceitos de geo-campos e geo-objetos para modelagem das entidades geográficas definidas. Através deste ambiente computacional foram realizados procedimentos de correção e refinamento dos dados do meio físico e sócio-econômicos, de interpretação de imagens de satélite e análises e combinações dos dados, que permitiram definir unidades básicas de informação do território, a partir das quais foram geradas as sínteses referentes à potencialidade social e econômica, à sustentabilidade do ambiente, aos subsídios para ordenação do território, incluindo orientações à gestão do território na área de estudo localizada no sudoeste do estado de Rondônia. Sobre os dados do meio físico, foram utilizadas duas técnicas de análise geográfica: álgebra de mapas e rede neural artificial, que produziram cenários relativos à vulnerabilidade natural à erosão. A análise das matrizes de erros obtidas da tabulação cruzada entre os cenários, revelou uma boa exatidão global (acima de 90%) entre os cenários obtidos através da modelagem via álgebra de mapas e via rede neural artificial e, uma exatidão global regular (em torno de 60%), quando foram comparados os cenários obtidos via álgebra de mapas e via rede neural artificial com o cenário obtido através de procedimentos manuais. / This work presents the development of a tool to support the land management called Geographical Data Base (GDB) formed by a georrefered data base, a data base management system (DBMS), a geographic information system (GIS) and an artificial neural net simulator (ANNS). The methodological approach allowed the conceptual modelling of the methodology of the ZEE (Ecological-Economic Zoning) institutional program within GDB, using both field and object concepts, in which the geographic entities were modelled. Using this computacional framework both natural and socio-economic data were corrected and improved, and also procedures of satellite image interpretation using image processing techniques, of analysis and data manipulation using GIS tools, were accomplished. These procedures allowed to define basic units of mapping and to get the following synthesis for the study area located in State of Rondonia: social potenciality, environmental vulnerability, environmental sustentability, land management maps, and guidelines about land management. With the abiotic and biotic data, two different geographical inference methods were used to produce the environmental vulnerability map: a) the common Map Algebra approach and b) an Artificial Neural Network approach – as a technique to deal with the non-linearities involved in inferencial processes. Error matrices were computed from cross tabulation among different scenaries obtained from those inference methods. A good global accuracy (over 90%) was obtained when ANN and Map Algebra scenaries were compared. Medium global accuracies (around 60%) were obtained when ANN and Map Algebra were compared with scenaries obtained by manual procedures.

Úlceras cutâneas constituem um problema de saúde pública no mundo atual. A eficiência do seu tratamento é observada pela redução das áreas total, de fibrina (amarelo) e de granulação (vermelho) da úlcera, calculados manualmente e/ou por imagens, processos demorados e posteriores à consulta médica. O trabalho propõe uma nova técnica não-invasiva e automatizada de acompanhamento das úlceras por redes neurais artificiais (RNAs). Foram utilizadas imagens digitais do banco de imagens do ADUN (Ambulatório da Dermatologia de Úlceras Neurovasculares) do Hospital das Clínicas da FMRP-USP (Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo), escolhidas aleatoriamente, sendo 50 imagens para treinamento da RNA e 250 para o teste da RNA. Para validação da RNA foram criados os grupos: 1 (n=15 imagens poligonais com áreas e cores definidas previamente); 2 (n=15 imagens poligonais com áreas e cores definidas previamente, submetidas a variações de iluminação, brilho, contraste, saturação); 3 (n=15 imagens poligonais constituídas de texturas de fibrina e de granulação); 4 (n=15 imagens de úlceras cutâneas reais preenchidas totalmente em cor preta sua superfície). Para avaliar a sua aplicação clínica foram utilizadas 50 imagens padronizadas submetidas aos cálculos das áreas pela RNA. Os resultados da RNA foram comparados aos do programa Image J (segmentação manual) e/ou às medidas-padrão. Estatisticamente os programas foram considerados similares quando p > 0,05 pelo Teste t Student. Quando p < 0,05 e r positivo, considerou-se o coeficiente de correlação de Pearson. A base de imagens de úlceras cutâneas foi eficiente para a aquisição das imagens, para a criação e execução dos algoritmos de extração de cores, de treinamento e de teste da RNA. A rede neural artificial desenvolvida apresentou desempenho similar ao Image J e às medidas-padrão adotadas para a segmentação das figuras do grupo 1, sendo p > 0,05 para as áreas total, de fibrina e de granulação. Na avaliação de interferência de ruídos (grupo 2), foi verificado que tais fatores não interferiram na segmentação da área dos polígonos (p > 0,05), pela RNA e pelo Image J. Entretanto, apesar de interferirem na segmentação de cores de granulação, sendo p < 0,05, o coeficiente de correlação RNA/Image J foi de 0,90 com p < 0,0001. No grupo 3, os cálculos das áreas foram semelhantes pela RNA e pelo Image J (p > 0,05). Quando comparadas às áreas calculadas pelos programas às medidas-padrão, o coeficiente de correlação foi significante (p < 0,0001) para todas as áreas. A segmentação das áreas das úlceras do grupo 4 pela RNA foi validada quando comparada à segmentação manual pelo Image J (p> 0,05). A aplicação clínica da RNA sobre o banco de imagens foi semelhante ao Image J para a segmentação das áreas (p > 0,05). Enfim, a rede neural artificial desenvolvida no Matlab 7.0 mostrou desempenho eficaz e validado na segmentação das úlceras de perna quanto à automatização do cálculo das áreas total, de fibrina e de granulação, semelhante à oferecida manualmente pelo programa Image J. Além disso, mostrou-se de grande aplicação clínica devido a facilidade de sua utilização através da interface web criada, sua praticidade, não interferência do usuário (automatização), propriedades essas que a consolida como uma metodologia adequada para o acompanhamento dinâmico-terapêutico da evolução das úlceras cutâneas. / Cutaneous ulcers are a public health problem worldwide. The efficiency of their treatment is observed through the reduction on the total affected areas, slough (yellow) and granulation (red) of the ulcer, manually calculated and/or through images, which are delayed processes usually performed after medical consultation. This work proposes a new non-invasive and automated technique to follow-up ulcers through artificial neural networks (ANN). Digital images from the ADUN (Neurovascular Ulcers Dermatology Ambulatory) image bank - FMRP General Hospital (Ribeirão Preto Medical School - University of São Paulo) were used and randomly selected as follows: 50 images for ANN training and 250 for the ANN test. For the ANN validation, the following groups were created: 1 (n=15 polygonal images with areas and colors previously defined); 2 (n=15 polygonal images with areas and colors previously defined submitted to illumination, brightness, contrast and saturation variation); 3 (n=15 polygonal images composed of slough and granulation textures); 4 (n=15 images of actual cutaneous ulcers with their surface fully filled in black). To evaluate its clinical application, 50 standard images were used and submitted to calculation of areas using ANN. The ANN results were compared to those obtained with the Image J software (manual segmentation) and/or to standard measures. The programs were statistically considered similar when p > 0.05 through the t Student test. When p < 0.05 and r is positive, the Pearson correlation coefficient was considered. The cutaneous ulcer image bank was efficient for the acquisition of images, for the creation and execution of color extraction algorithms, ANN training and tests. The artificial neural network developed presented performance similar to that obtained with the Image J software and to standard measures adopted for the segmentation of figures from group 1, with p > 0.05 for total areas, slough and granulation. In the noise interference assessment (group 2), it was verified that such factors did not interfere in the polygons area segmentation (p > 0.05) through both ANN and Image J. However, although interfering in the color and granulation segmentation, with p < 0.05, the ANN/Image J correlation coefficient was of 0.90, with p < 0.0001. In group 3, the calculations of areas were similar through both ANN and Image J (p > 0.05). When compared to standard measures, the correlation coefficient was significant (p < 0.0001) for all areas. The segmentation of ulcer areas of group 4 through ANN was validated when compared to manual segmentation through Image J (p> 0.05). The clinical application of ANN on the image bank was similar to Image J for the segmentation of areas (p > 0.05). Finally, the Artificial Neural Network developed in Matlab 7.0 environment showed good performance and was validated in the segmentation of leg ulcers in relation to the automation of the calculation of total areas, slough and granulation, which was similar to that obtained with the Image J software. Moreover, it presented a large clinical application due to the easiness of its application through the web interface created and the non interference of the user (automation), properties that consolidate this technique as a suitable methodology for the dynamic-therapeutic follow-up of the evolution of cutaneous ulcers.

A Barragem de Itaipu é uma obra de engenharia de grande importância. Localizada na fronteira entre o Brasil e o Paraguai no Rio Paraná e com coordenadas geográficas aproximadas 25°24\'29\"S, 54°35\'21\"O, ela fornece energia elétrica a estes dois países e deve ser constantemente monitorada de modo a manter níveis de qualidade e segurança. Mais de dois mil instrumentos foram instalados e fornecem dados contínuos sobre diversas características da fundação e estrutura da barragem, incluindo mais de 650 piezômetros. A avaliação de níveis piezométricos em barragens é importante, pois refletem os valores de subpressão que atuam na estrutura da barragem. A utilização de novos métodos em tais análises pode permitir agilidade na tomada de decisões por parte da equipe de segurança de barragens. Dependendo do método aplicado, uma melhor compreensão do fenômeno no tempo e espaço pode ser obtida. Este estudo aplica Redes Neurais Artificiais (RNA) para simular o comportamento dos piezômetros instalados em uma descontinuidade geológica na fundação da Barragem de Itaipu. Ele considera diferentes tipos de dados de entrada em uma Rede Neural Multicamadas e determina a melhor arquitetura de RNA que mais se aproxima da situação real. / Itaipu Dam is an engineering work of high importance. Located at the border between Brazil and Paraguay in the Paraná River and with approximated geographical coordinates 25°24\'29\"S, 54°35\'21\"W, it provides electrical energy to these two countries and has to be constantly monitored in order to maintain its levels of quality and security. Over two thousand instruments have been installed and they provide continuous data about several characteristics of the dam foundation and structure, including more than 650 piezometers. The evaluation of piezometric levels in dams is important for it reflects the values of the uplift pressure that acts on the structure of the dam. The utilization of new methods in such an analysis can provide agility to decisions-taking by the security team of the dam. Depending on the method applied, a better comprehension of the phenomenon in time and space may be achieved. This study employs Artificial Neural Networks (ANN) to simulate the behavior of the piezometers installed in a geological discontinuity in the foundation of Itaipu Dam. It considers different types of entry data in a Multilayer Neural Network and determines the best ANN architecture that is closest to the real situation.

Before a radiation treatment on a cancer patient can get accomplished the treatment planning system (TPS) needs to undergo a quality assurance (QA). The QA consists of a pre-treatment (PT-QA) on a synthetic phantom body. During the PT-QA, data is collected from the phantom detectors, a set of monitors (transmission detectors) and the angular state of the machine. The outcome of this thesis project is to investigate if it is possible to predict the radiation dose distribution on the phantom body based on the data from the transmission detectors and the angular state of the machine. The motive for this is that an accurate prediction model could remove the PT-QA from most of the patient treatments. Prediction difficulties lie in reducing the contaminated noise from the transmission detectors and correctly mapping the transmission data to the phantom. The task is solved by modeling an artificial neuron network (ANN), that uses a u-net architecture to reduce the noise and a novel model that maps the transmission values to the phantom based on the angular state. The results show a median relative dose deviation ~ 1%.

Úlceras cutâneas constituem um problema de saúde pública no mundo atual. A eficiência do seu tratamento é observada pela redução das áreas total, de fibrina (amarelo) e de granulação (vermelho) da úlcera, calculados manualmente e/ou por imagens, processos demorados e posteriores à consulta médica. O trabalho propõe uma nova técnica não-invasiva e automatizada de acompanhamento das úlceras por redes neurais artificiais (RNAs). Foram utilizadas imagens digitais do banco de imagens do ADUN (Ambulatório da Dermatologia de Úlceras Neurovasculares) do Hospital das Clínicas da FMRP-USP (Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo), escolhidas aleatoriamente, sendo 50 imagens para treinamento da RNA e 250 para o teste da RNA. Para validação da RNA foram criados os grupos: 1 (n=15 imagens poligonais com áreas e cores definidas previamente); 2 (n=15 imagens poligonais com áreas e cores definidas previamente, submetidas a variações de iluminação, brilho, contraste, saturação); 3 (n=15 imagens poligonais constituídas de texturas de fibrina e de granulação); 4 (n=15 imagens de úlceras cutâneas reais preenchidas totalmente em cor preta sua superfície). Para avaliar a sua aplicação clínica foram utilizadas 50 imagens padronizadas submetidas aos cálculos das áreas pela RNA. Os resultados da RNA foram comparados aos do programa Image J (segmentação manual) e/ou às medidas-padrão. Estatisticamente os programas foram considerados similares quando p > 0,05 pelo Teste t Student. Quando p < 0,05 e r positivo, considerou-se o coeficiente de correlação de Pearson. A base de imagens de úlceras cutâneas foi eficiente para a aquisição das imagens, para a criação e execução dos algoritmos de extração de cores, de treinamento e de teste da RNA. A rede neural artificial desenvolvida apresentou desempenho similar ao Image J e às medidas-padrão adotadas para a segmentação das figuras do grupo 1, sendo p > 0,05 para as áreas total, de fibrina e de granulação. Na avaliação de interferência de ruídos (grupo 2), foi verificado que tais fatores não interferiram na segmentação da área dos polígonos (p > 0,05), pela RNA e pelo Image J. Entretanto, apesar de interferirem na segmentação de cores de granulação, sendo p < 0,05, o coeficiente de correlação RNA/Image J foi de 0,90 com p < 0,0001. No grupo 3, os cálculos das áreas foram semelhantes pela RNA e pelo Image J (p > 0,05). Quando comparadas às áreas calculadas pelos programas às medidas-padrão, o coeficiente de correlação foi significante (p < 0,0001) para todas as áreas. A segmentação das áreas das úlceras do grupo 4 pela RNA foi validada quando comparada à segmentação manual pelo Image J (p> 0,05). A aplicação clínica da RNA sobre o banco de imagens foi semelhante ao Image J para a segmentação das áreas (p > 0,05). Enfim, a rede neural artificial desenvolvida no Matlab 7.0 mostrou desempenho eficaz e validado na segmentação das úlceras de perna quanto à automatização do cálculo das áreas total, de fibrina e de granulação, semelhante à oferecida manualmente pelo programa Image J. Além disso, mostrou-se de grande aplicação clínica devido a facilidade de sua utilização através da interface web criada, sua praticidade, não interferência do usuário (automatização), propriedades essas que a consolida como uma metodologia adequada para o acompanhamento dinâmico-terapêutico da evolução das úlceras cutâneas. / Cutaneous ulcers are a public health problem worldwide. The efficiency of their treatment is observed through the reduction on the total affected areas, slough (yellow) and granulation (red) of the ulcer, manually calculated and/or through images, which are delayed processes usually performed after medical consultation. This work proposes a new non-invasive and automated technique to follow-up ulcers through artificial neural networks (ANN). Digital images from the ADUN (Neurovascular Ulcers Dermatology Ambulatory) image bank - FMRP General Hospital (Ribeirão Preto Medical School - University of São Paulo) were used and randomly selected as follows: 50 images for ANN training and 250 for the ANN test. For the ANN validation, the following groups were created: 1 (n=15 polygonal images with areas and colors previously defined); 2 (n=15 polygonal images with areas and colors previously defined submitted to illumination, brightness, contrast and saturation variation); 3 (n=15 polygonal images composed of slough and granulation textures); 4 (n=15 images of actual cutaneous ulcers with their surface fully filled in black). To evaluate its clinical application, 50 standard images were used and submitted to calculation of areas using ANN. The ANN results were compared to those obtained with the Image J software (manual segmentation) and/or to standard measures. The programs were statistically considered similar when p > 0.05 through the t Student test. When p < 0.05 and r is positive, the Pearson correlation coefficient was considered. The cutaneous ulcer image bank was efficient for the acquisition of images, for the creation and execution of color extraction algorithms, ANN training and tests. The artificial neural network developed presented performance similar to that obtained with the Image J software and to standard measures adopted for the segmentation of figures from group 1, with p > 0.05 for total areas, slough and granulation. In the noise interference assessment (group 2), it was verified that such factors did not interfere in the polygons area segmentation (p > 0.05) through both ANN and Image J. However, although interfering in the color and granulation segmentation, with p < 0.05, the ANN/Image J correlation coefficient was of 0.90, with p < 0.0001. In group 3, the calculations of areas were similar through both ANN and Image J (p > 0.05). When compared to standard measures, the correlation coefficient was significant (p < 0.0001) for all areas. The segmentation of ulcer areas of group 4 through ANN was validated when compared to manual segmentation through Image J (p> 0.05). The clinical application of ANN on the image bank was similar to Image J for the segmentation of areas (p > 0.05). Finally, the Artificial Neural Network developed in Matlab 7.0 environment showed good performance and was validated in the segmentation of leg ulcers in relation to the automation of the calculation of total areas, slough and granulation, which was similar to that obtained with the Image J software. Moreover, it presented a large clinical application due to the easiness of its application through the web interface created and the non interference of the user (automation), properties that consolidate this technique as a suitable methodology for the dynamic-therapeutic follow-up of the evolution of cutaneous ulcers.

Este trabalho apresenta o desenvolvimento de um fluxo de projeto de circuitos digitais integrados, visando a incluir células geradas automaticamente pela ferramenta ASTRAN. Como parte integrante deste novo fluxo, desenvolveu-se uma nova técnica de comparação entre células, utilizando Redes Neurais Artificiais, para a modelagem das células ASTRAN, esta técnica se mostrou flexível ao se adaptar a diversos tipos de células e com resultados robustos tendo 5% de desvio padrão e 4% para o erro relativo. Também, foi criada uma ferramenta capaz de substituir células comerciais por células ASTRAN, tendo como objetivo melhorar as características de potência consumida e área utilizada pelo circuito, e por fim gerando um circuito misto composto de células comerciais feitas à mão e células ASTRAN geradas automaticamente. O foco principal deste trabalho encontra-se na integração do fluxo de geração de células geradas automaticamente a um fluxo de síntese comercial de circuitos digitais. Os resultados obtidos mostraram-se promissores, obtendo-se ganhos em redução de área e potência dos circuitos analisados. Em média os circuitos tiveram uma redução de 3,77% na potência consumida e 1,25% menos área utilizada. Com um acréscimo de 0,64% por parte do atraso total do circuito. / This work presents the development of a design flow for digital integrated circuits, including cells generated automatically by the ASTRAN tool. Moreover, a new technique, using Artificial Neural Networks, was developed to perform a comparison between two different cells, i.e. commercial and ASTRAN’s cell. This technique proved to be flexible when adapting to several types of cells and with robust results having 5% of standard deviation and 4% for relative error. Also, a new tool was developed, capable of performing cell replacement between ASTRAN and commercial cells, to improve power consumption an used area. Finally a mixed circuit composed of handmade commercial cells and cells automatically generated by ASTRAN was generated. A target was to mix an automatic cell synthesis tool with commercial synthesis tools dedicated to standard cells. Comparisons have shown that our approach was able to produce satisfactory results related area and power consumption. In average the circuits had a reduction of 3.77% in the power consumed and 1.25% less used area. With an increase of 0.64% due to the total delay of the circuit.

Les images hyperspectrales (HSI) fournissent des informations spectrales détaillées sur les objets analysés. Étant donné que différents matériaux ont des signatures spectrales distinctes, les objets ayant des couleurs et des formes similaires peuvent être distingués dans le domaine spectral. Toutefois, l’énorme quantité de données peut poser des problèmes en termes de stockage et de transmission des données. De plus, la haute dimensionnalité des images hyperspectrales peut entraîner un surajustement du classificateur en cas de données d'apprentissage insuffisantes. Une façon de résoudre de tels problèmes consiste à effectuer une sélection de bande (BS), car elle réduit la taille du jeu de données tout en conservant des informations utiles et originales. Dans cette thèse, nous proposons trois méthodes de sélection de bande différentes. La première est supervisée, conçu pour utiliser seulement 20% des données disponibles. Pour chaque classe du jeu de données, une classification binaire un contre tous utilisant un réseau de neurones est effectuée et les bandes liées aux poids le plus grand et le plus petit sont sélectionnées. Au cours de ce processus, les bandes les plus corrélées avec les bandes déjà sélectionnées sont rejetées. Par conséquent, la méthode proposée peut être considérée comme une approche de sélection de bande orientée par des classes. La deuxième méthode que nous proposons est une version non supervisée du premier framework. Au lieu d'utiliser les informations de classe, l'algorithme K-Means est utilisé pour effectuer une classification binaire successive de l'ensemble de données. Pour chaque paire de grappes, un réseau de neurones à une seule couche est utilisé pour rechercher l'hyperplan de séparation, puis la sélection des bandes est effectuée comme décrit précédemment. Pour la troisième méthode de BS proposée, nous tirons parti de la nature non supervisée des auto-encodeurs. Pendant la phase d'apprentissage, le vecteur d'entrée est soumis au bruit de masquage. Certaines positions de ce vecteur sont basculées de manière aléatoire sur zéro et l'erreur de reconstruction est calculée sur la base du vecteur d'entrée non corrompu. Plus l'erreur est importante, plus les fonctionnalités masquées sont importantes. Ainsi, à la fin, il est possible d'avoir un classement des bandes spectrales de l'ensemble de données. / Hyperspectral images (HSIs) are capable of providing a detailed spectral information about scenes or objects under analysis. It is possible thanks to both numerous and contiguous bands contained in such images. Given that di_erent materials have distinct spectral signatures, objects that have similar colors and shape can be distinguished in the spectral domain that goes beyond the visual range. However, in a pattern recognition system, the huge amount of data contained in HSIs may pose problems in terms of data storage and transmission. Also, the high dimensionality of hyperspectral images can cause the overfitting of the classifer in case of insufficient training data. One way to solve such problems is to perform band selection(BS) in HSIs, because it decreases the size of the dataset while keeping both useful and original information. In this thesis, we propose three different band selection frameworks. The first one is a supervised one, and it is designed to use only 20% of the available training data. For each class in the dataset, a binary one-versus-all classification using a single-layer neural network is performed, and the bands linked to the largest and smallest coefficients of the resulting hyperplane are selected. During this process, the most correlated bands with the bands already selected are automatically discarded, following a procedure also proposed in this thesis. Consequently, the proposed method may be seen as a classoriented band selection approach, allowing a BS criterion that meets the needs of each class. The second method we propose is an unsupervised version of the first framework. Instead of using the class information, the K-Means algorithm is used to perform successive binary clustering of the dataset. For each pair of clusters, a single-layer neural network is used to find the separating hyperplane, then the selection of bands is done as previously described. For the third proposed BS framework, we take advantage of the unsupervised nature of autoencoders. During the training phase, the input vector is subjected to masking Noise - some positions of this vector are randomly flipped to zero and the reconstruction error is calculated based on the uncorrupted input vector. The bigger the error, the more important the masked features are. Thus, at the end, it is possible to have a ranking of the spectral bands of the dataset.