A lesão medular pode prejudicar a marcha de um indivíduo. Para estes casos, uma técnica de reabilitação que tem se tornado mais popular é a Estimulação Elétrica Neuro Muscular (EENM). Na marcha assistida por EENM tradicional, o controle da estimulação é realizado utilizando-se acionamento manual, um fato que ajuda a torná-la distante da marcha saudável. Este trabalho propõe um sistema que monitora variáveis da marcha - ângulos da articulação do joelho, e forças de reação do solo (retropé e antepé) - e as utiliza como entradas para uma rede neural artificial (RNA), a fim de poder controlar automaticamente a EENM na marcha. Os transdutores utilizados para medir ângulos foram eletrogoniômetros, montados nos membros inferiores do indivíduo utilizando tiras de velcro. Para medição das forças, os transdutores utilizados foram células de carga construídas com strain gages, montadas em sandálias instrumentadas. Os métodos para construção do hardware de aquisição de dados (transdutores e interface) e do software estão descritos, bem como os métodos de calibração dos transdutores. Todos os transdutores apresentaram comportamento linear. Testes iniciais foram realizados, utilizando primeiramente um indivíduo saudável, e depois dois pacientes que normalmente realizam treinamento de marcha com suspensão de peso (assistida por EENM ou não). Os resultados mostraram que o módulo de monitoramento permite gravar os dados coletados, e realizar comparações entre padrões de marcha de diferentes indivíduos, bem como diferentes estágios de reabilitação para um mesmo indivíduo. O treinamento da RNA para o indivíduo saudável apresentou uma taxa de acerto próxima de 90%, e para os pacientes lesados medulares a taxa foi de cerca de 80%. O módulo de controle apresentou resultados promissores nos testes práticos realizados, com respostas rápidas e corretas para o indivíduo saudável. Sugestões para trabalhos futuros foram dadas, para que testes práticos de controle possam ser realizados utilizando pacientes lesados medulares. / Spinal cord injury (SCI) may impair an individual\'s gait. For these cases, a rehabilitation technique that has become more popular is functional electrical stimulation (FES). On traditional FES-assisted gait, the stimulation control is performed with manual triggering, a fact that helps make it distant from healthy gait. This work proposes a system that monitors gait variables - knee joint angles, and ground reaction forces (rearfoot and forefoot) - and uses them as inputs for an Artificial Neural Network (ANN), in order to be able to automatically control gait FES. The transducers used for angle measurement were electrogoniometers, mounted on the individuals lower limbs using Velcro straps. For force measurement, the transducers used were load cells built with strain gages, mounted on instrumented sandals. The methods for building the data acquisition hardware (transducers and interface) and software are described, along with the transducer calibration methods. All transducers presented linear behavior. Initial tests were performed, using first a healthy individual, and then a couple of patients that normally undergo suspended gait raining (FES-assisted or not). The results showed that the monitoring module allows recording the data collected, and making comparison between different individuals\' gait patterns, as well as different rehabilitation stages for the same individual. The ANN training for the healthy individual presented an accuracy rate close to 90%, and for the SCI patients the rate was about 80%. The control module showed promising results on practical tests performed, with quick and accurate responses for the healthy individual. Suggestions for future works were given, so that practical control tests can be performed using SCI patients.

Neste trabalho, um novo enfoque para detecção e diagnóstico de falhas (DDF) em robôs manipuladores é apresentado. Um robô com falhas pode causar sérios danos e pode colocar em risco o pessoal presente no ambiente de trabalho. Geralmente, os pesquisadores têm proposto esquemas de DDF baseados no modelo matemático do sistema. Contudo, erros de modelagem podem ocultar os efeitos das falhas e podem ser uma fonte de alarmes falsos. Aqui, duas redes neurais artificiais são utilizadas em um sistema de DDF para robôs manipuladores. Um perceptron multicamadas treinado por retropropagação do erro é usado para reproduzir o comportamento dinâmico do manipulador. As saídas do perceptron são comparadas com as variáveis medidas, gerando o vetor de resíduos. Em seguida, uma rede com função de base radial é usada para classificar os resíduos, gerando a isolação das falhas. Quatro algoritmos diferentes são empregados para treinar esta rede. O primeiro utiliza regularização para reduzir a flexibilidade do modelo. O segundo emprega regularização também, mas ao invés de um único termo de penalidade, cada unidade radial tem um regularização individual. O terceiro algoritmo emprega seleção de subconjuntos para selecionar as unidades radiais a partir dos padrões de treinamento. O quarto emprega o mapa auto-organizável de Kohonen para fixar os centros das unidades radiais próximos aos centros dos aglomerados de padrões. Simulações usando um manipulador com dois graus de liberdade e um Puma 560 são apresentadas, demostrando que o sistema consegue detectar e diagnosticar corretamente falhas que ocorrem em conjuntos de padrões não-treinados. / In this work, a new approach for fault detection and diagnosis in robotic manipulators is presented. A faulty robot could cause serious damages and put in risk the people involved. Usually, researchers have proposed fault detection and diagnosis schemes based on the mathematical model of the system. However, modeling errors could obscure the fault effects and could be a false alarm source. In this work, two artificial neural networks are employed in a fault detection and diagnosis system to robotic manipulators. A multilayer perceptron trained with backpropagation algorithm is employed to reproduce the robotic manipulator dynamical behavior. The perceptron outputs are compared with the real measurements, generating the residual vector. A radial basis function network is utilized to classify the residual vector, generating the fault isolation. Four different algorithms have been employed to train this network. The first utilizes regularization to reduce the flexibility of the model. The second employs regularization too, but instead of only one penalty term, each radial unit has a individual penalty term. The third employs subset selection to choose the radial units from the training patterns. The forth algorithm employs the Kohonen’s self-organizing map to fix the radial unit center near to the cluster centers. Simulations employing a two link manipulator and a Puma 560 manipulator are presented, demonstrating that the system can detect and isolate correctly faults that occur in nontrained pattern sets.

Informações sobre as características funcionais e estruturais da unidade motora (UM) são altamente relevantes em investigações fisiológicas e nos estudos clínicos das disfunções neuromusculares. A eletromiografia (EMG) é um método adequado para obtenção dessas informações. Entretanto, devido à dificuldade na separação da atividade individual de uma unidade motora das outras que estão simultaneamente ativas, seu uso em clínica prática se dá comumente através de métodos invasivos, empregando eletrodos de agulha ou fios implantados. Apesar da EMG de superfície ser não-invasiva e, portanto mais apropriada para aplicações clínicas, não é usada em clínica porque não há até o presente um método satisfatório para decomposição do sinal EMG de superfície. Um EMG de superfície é muito mais difícil de decompor devido a significante superposição dos Potenciais de Ação das UMs (MUAPs) e a relação sinal-ruído relativamente baixa, se comparada aos métodos invasivos. Defendemos que a separação da atividade individual das UMs pode ser feita de modo não-invasivo aliando-se técnicas de aquisição altamente especializadas com técnicas usadas em reconhecimento de padrões. Desenvolvemos um método para decomposição de EMGs de superfície, a partir do qual foi possível extrair características relevantes das UMs, que permitem seu uso em avaliação e diagnóstico de desordens neuromusculares. Em nossa abordagem, o sinal EMG é inicialmente captado sob contração isométrica fraca usando eletrodos desuperfície. O sinal EMG bruto passa em seguida por um filtro Diferencial Passa-Baixas Ponderado (DPBP) em série com um detector de picos, que detecta os picos de MUAPs e extrai suas formas de onda. Na sequência, o conjunto de MUAPs extraído é classificado por uma rede neural SOM, e os MUAPs agrupados pela similaridade de suas formas de onda. No próximo passo a informação temporal dos disparos é checada, eliminando possíveis erros de classificação, e finalmente os Trens de MUAPs (MUAPTs) das UMs individuais são reconstituídos do EMG original. As estatísticas de disparos (IPI) bem como as formas de ondas dos MUAPs das respectivas UMs são então extraídas e armazenadas para estudos posteriores. Resultados preliminares obtidos com EMGs normais e patológicos, extraídos de membros superiores sob contração fraca, indicam que, o método mostrou-se apto a decompor EMGs de superfícies, além de potencial para aplicações em estudos clínicos não-invasivos de disfunções neuromusculares.Informações sobre as características funcionais e estruturais da unidade motora (UM) são altamente relevantes em investigações fisiológicas e nos estudos clínicos das disfunções neuromusculares. A eletromiografia (EMG) é um método adequado para obtenção dessas informações. Entretanto, devido à dificuldade na separação da atividade individual de uma unidade motora das outras que estão simultaneamente ativas, seu uso em clínica prática se dá comumente através de métodos invasivos, empregando eletrodos de agulha ou fios implantados. Apesar da EMG de superfície ser não-invasiva e, portanto mais apropriada para aplicações clínicas, não é usada em clínica porque não há até o presente um método satisfatório para decomposição do sinal EMG de superfície. Um EMG de superfície é muito mais difícil de decompor devido a significante superposição dos Potenciais de Ação das UMs (MUAPs) e a relação sinal-ruído relativamente baixa, se comparada aos métodos invasivos. Defendemos que a separação da atividade individual das UMs pode ser feita de modo não-invasivo aliando-se técnicas de aquisição altamente especializadas com técnicas usadas em reconhecimento de padrões. Desenvolvemos um método para decomposição de EMGs de superfície, a partir do qual foi possível extrair características relevantes das UMs, que permitem seu uso em avaliação e diagnóstico de desordens neuromusculares. Em nossa abordagem, o sinal EMG é inicialmente captado sob contração isométrica fraca usando eletrodos desuperfície. O sinal EMG bruto passa em seguida por um filtro Diferencial Passa-Baixas Ponderado (DPBP) em série com um detector de picos, que detecta os picos de MUAPs e extrai suas formas de onda. Na sequência, o conjunto de MUAPs extraído é classificado por uma rede neural SOM, e os MUAPs agrupados pela similaridade de suas formas de onda. No próximo passo a informação temporal dos disparos é checada, eliminando possíveis erros de classificação, e finalmente os Trens de MUAPs (MUAPTs) das UMs individuais são reconstituídos do EMG original. As estatísticas de disparos (IPI) bem como as formas de ondas dos MUAPs das respectivas UMs são então extraídas e armazenadas para estudos posteriores. Resultados preliminares obtidos com EMGs normais e patológicos, extraídos de membros superiores sob contração fraca, indicam que, o método mostrou-se apto a decompor EMGs de superfícies, além de potencial para aplicações em estudos clínicos não-invasivos de disfunções neuromusculares. / Information on the functional and structural characteristics of the motor unit (MU) they are highly important in physiologic investigations and in the clinical studies of the neuromuscular dysfunctions. The electromyography (EMG) it is an appropriate method for obtaining of that information. However, due to the difficulty in the separation of the individual activity of a motor unit of the another that are simultaneously active, your use in practical clinic happen commonly through methods invasive, employing needle electrodes or implanted threads. In spite of surface EMG to be non-invasive and, therefore more appropriate for clinical applications, it is not used at clinic because there is not until the present a satisfactory method for decomposition of the surface EMG sign. A surface EMG is much more difficult of decomposing due to significant overlap of the Motor Unit Action Potentials (MUAPs) and the relationship sign-noise relatively low, if compared to the invasive methods. We defended that the separation of the individual activity of MUs can be made in way non-invasive allying highly specialized acquisition techniques with techniques used in recognition of patterns. We developed a method for decomposition of surface EMGs, starting from which was possible to extract important characteristics of MUs, which allow your use in evaluation and diagnosis of neuromuscular disorders. In our approach, the sign EMG is captured initially under weak isometriccontraction using surface electrodes. The sign EMG raw raisin soon after for a Biased Low-Pass Differential filter (BLPD) in series with a detector of peaks, that detects the peaks of MUAPs and it extracts your wave forms. In the sequence, a SOM neural network classifies the set of extracted MUAPs, and MUAPs are clustered by the similarity in your wave shape. In the next step the temporal information of the discharges is checked, eliminating possible classification mistakes, and finally the MUAPs Trains (MUAPTs) of individual MUs they are reconstituted of original EMG. The statistics of discharges (IPI) as well as the forms of waves of MUAPs of respective MUs are then extracted and stored for subsequent studies. Results preliminaries obtained with normal and pathological EMGs, extracted of superior members under weak contraction, they indicate that, the method was shown capable to decompose surfaces EMGs, besides potential for applications in clinical studies non-invasive of neuromuscular dysfunctions.

As falsas memórias são um tipo falha de memória, em que o indivíduo pode (a) reconhecer como tendo visto antes um objeto ou evento que não tenha ocorrido ou (b) não reconhecer algo previamente presenciado. Estes são o falso reconhecimento e a rejeição errada. Segundo a teoria do rastro difuso, dois processos distintos agem em paralelo durante a memorização e reconhecimento, um sobre as informações literais (verbatim) e o outro sobre a essência do significado da palavra (gist). Neste trabalho é proposto um sistema modular de redes neurais artificiais que considera estes dois processos, características funcionais das estruturas cerebrais envolvidas na memorização e fluxo de informação análogo ao ocorrido no cérebro. O modelo neural é validado através de treinamento para armazenar e recuperar listas de palavras semanticamente relacionadas. Na formulação do modelo e da representação foram considerados a representação fonológica e significado das palavras, de forma a simular as computações ocorridas e os resultados obtidos em experimentos efetuados com sujeitos humanos. Nestes experimentos, 12 listas de aproximadamente 15 palavras, cada lista semanticamente relacionadas a um tema são ouvidas e, em seguida, algumas destas palavras, a palavra tema e outras palavras não relacionadas são também ouvidas e os indivíduos respondem se cada palavra fora ouvida previamente. Os resultados obtidos computacionalmente aproximam-se bastante dos resultados obtidos com sujeitos humanos, e o modelo produzido serve como base para estudo das influências dos diversos processos atuantes durante a memorização e reconhecimento. / False memories are a kind of memory failure, in which the subject may (a) recognize as known an never seen object or never happened fact or (b) don\'t recognize something that was already presented him. These are false memories and wrong rejections. According to false memory theory, two parallel processes act during memorization and recognition, one on verbatim information and other on gist information. In this work is proposed a artificial neural network model system that takes in account these two processes, functional issues about brain structures involved on memorization and the an information flow analog to the occurred in the brain. The neural model is validated by training to store in recover lists of semantically related words. In the model and representation scheme formulation, phonological and semantic informations were used intending to simulate brain computations and results of human subjects experiments. In such experiment, 12 lists of something about 15 semantically related words, are heard and, in the second step, in the sequence, many of these words, other related words and not related words are heard in a recognition test, when subjets say if that word was or was not heard during memorization steps. Results obtained from computer tests are very close of human results, and the produced model may be used as a tool for analysis of the influences of the many processes that take place during memorization and recognition.

A utilização de Redes Neurais Artificias para fins de identificação e controle de sistemas dinâmicos têm recebido atenção especial de muitos pesquisadores, principalmente no que se refere a sistemas não lineares. Neste trabalho é apresentado um estudo sobre a utilização de um tipo em particular de Rede Neural Artificial, uma Perceptron Multicamadas com Atraso de Tempo, na estimação de estados da etapa fermentativa do processo de Reichstein para produção de vitamina C. A aplicação de Redes Neurais Artificiais a este processo pode ser justificada pela existência de problemas associados à esta etapa, como variáveis de estado não mensuráveis e com incertezas de medida e não linearidade do processo fermentativo, além da dificuldade em se obter um modelo convencional que contemple todas as fases do processo. É estudado também a eficácia do algoritmo de Levenberg-Marquadt, na aceleração do treinamento da Rede Neural Artificial, além de uma comparação do desempenho de estimação de estados das Redes Neurais Artificiais estudadas com o filtro estendido de Kalman, baseado em um modelo não estruturado do processo fermentativo. A análise do desempenho das Redes Neurais Artificiais estudadas é avaliada em termos de uma figura de mérito baseada no erro médio quadrático sendo feitas considerações quanto ao tipo da função de ativação e o número de unidades da camada oculta. Os dados utilizados para treinamento e avaliação da Redes Neurais Artificiais foram obtidos de um conjunto de ensaios interpolados para o intervalo de amostragem desejado. / ldentification and Control of dynamic systems using Artificial Neural Networks has been widely investigated by many researchers in the last few years, with special attention to the application of these in nonlinear systems. ls this works, a study on the utilization of a particular type of Artificial Neural Networks, a Time Delay Multi Layer Perceptron, in the state estimation of the fermentative phase of the Reichstein process of the C vitamin production. The use of Artificial Neural Networks can be justified by the presence of problems, such as uncertain and unmeasurable state variables and process non-linearity, and by the fact that a conventional model that works on all phases of the fermentative processes is very difficult to obtain. The efficiency of the Levenberg Marquadt algorithm on the acceleration of the training process is also studied. Also, a comparison is performed between the studied Artificial Neural Networks and an extended Kalman filter based on a non-structured model for this fermentative process. The analysis of lhe Artificial Neural Networks is carried out using lhe mean square errors taking into consideration lhe activation function and the number of units presents in the hidden layer. A set of batch experimental runs, interpolated to the desired time interval, is used for training and validating the Artificial Neural Networks.

Este trabalho propõe uma nova abordagem conexionista, chamada de IGMN (do inglês Incremental Gaussian Mixture Network), para aproximação incremental de funções e tarefas de tempo real. Ela é inspirada em recentes teorias do cérebro, especialmente o MPF (do inglês Memory-Prediction Framework) e a Inteligência Artificial Construtivista, que fazem com que o modelo proposto possua características especiais que não estão presentes na maioria dos modelos de redes neurais existentes. Além disso, IGMN é baseado em sólidos princípios estatísticos (modelos de mistura gaussianos) e assintoticamente converge para a superfície de regressão ótima a medida que os dados de treinamento chegam. As principais vantagens do IGMN em relação a outros modelos de redes neurais são: (i) IGMN aprende instantaneamente analisando cada padrão de treinamento apenas uma vez (cada dado pode ser imediatamente utilizado e descartado); (ii) o modelo proposto produz estimativas razoáveis baseado em poucos dados de treinamento; (iii) IGMN aprende de forma contínua e perpétua a medida que novos dados de treinamento chegam (não existem fases separadas de treinamento e utilização); (iv) o modelo proposto resolve o dilema da estabilidade-plasticidade e não sofre de interferência catastrófica; (v) a topologia da rede neural é definida automaticamente e de forma incremental (novas unidades são adicionadas sempre que necessário); (vi) IGMN não é sensível às condições de inicialização (de fato IGMN não utiliza nenhuma decisão e/ou inicialização aleatória); (vii) a mesma rede neural IGMN pode ser utilizada em problemas diretos e inversos (o fluxo de informações é bidirecional) mesmo em regiões onde a função alvo tem múltiplas soluções; e (viii) IGMN fornece o nível de confiança de suas estimativas. Outra contribuição relevante desta tese é o uso do IGMN em importantes tarefas nas áreas de robótica e aprendizado de máquina, como por exemplo a identificação de modelos, a formação incremental de conceitos, o aprendizado por reforço, o mapeamento robótico e previsão de séries temporais. De fato, o poder de representação e a eficiência e do modelo proposto permitem expandir o conjunto de tarefas nas quais as redes neurais podem ser utilizadas, abrindo assim novas direções nos quais importantes contribuições do estado da arte podem ser feitas. Através de diversos experimentos, realizados utilizando o modelo proposto, é demonstrado que o IGMN é bastante robusto ao problema de overfitting, não requer um ajuste fino dos parâmetros de configuração e possui uma boa performance computacional que permite o seu uso em aplicações de controle em tempo real. Portanto pode-se afirmar que o IGMN é uma ferramenta de aprendizado de máquina bastante útil em tarefas de aprendizado incremental de funções e predição em tempo real. / This work proposes IGMN (standing for Incremental Gaussian Mixture Network), a new connectionist approach for incremental function approximation and real time tasks. It is inspired on recent theories about the brain, specially the Memory-Prediction Framework and the Constructivist Artificial Intelligence, which endows it with some unique features that are not present in most ANN models such as MLP, RBF and GRNN. Moreover, IGMN is based on strong statistical principles (Gaussian mixture models) and asymptotically converges to the optimal regression surface as more training data arrive. The main advantages of IGMN over other ANN models are: (i) IGMN learns incrementally using a single scan over the training data (each training pattern can be immediately used and discarded); (ii) it can produce reasonable estimates based on few training data; (iii) the learning process can proceed perpetually as new training data arrive (there is no separate phases for leaning and recalling); (iv) IGMN can handle the stability-plasticity dilemma and does not suffer from catastrophic interference; (v) the neural network topology is defined automatically and incrementally (new units added whenever is necessary); (vi) IGMN is not sensible to initialization conditions (in fact there is no random initialization/ decision in IGMN); (vii) the same neural network can be used to solve both forward and inverse problems (the information flow is bidirectional) even in regions where the target data are multi-valued; and (viii) IGMN can provide the confidence levels of its estimates. Another relevant contribution of this thesis is the use of IGMN in some important state-of-the-art machine learning and robotic tasks such as model identification, incremental concept formation, reinforcement learning, robotic mapping and time series prediction. In fact, the efficiency of IGMN and its representational power expand the set of potential tasks in which the neural networks can be applied, thus opening new research directions in which important contributions can be made. Through several experiments using the proposed model it is demonstrated that IGMN is also robust to overfitting, does not require fine-tunning of its configuration parameters and has a very good computational performance, thus allowing its use in real time control applications. Therefore, IGMN is a very useful machine learning tool for incremental function approximation and on-line prediction.

Entender as causas geradoras do movimento de pedestres é muito importante para o planejamento urbano das cidades, a fim de inferir se as atitudes tomadas na concepção e manutenção dos espaços estão de fato contribuindo para o fortalecimento da dinâmica social. No entanto, determinar como funciona o movimento dos pedestres é uma tarefa difícil devido à complexidade das estruturas sociais que criam esse fenômeno. Uma maneira de contornar esse problema é através da criação de modelos que associam diretamente os atributos das calçadas e suas relações. Dentre as metodologias observadas para a construção do modelo, aquelas que mais se adequaram para entender os fatores contidos no espaço urbano foram a sintaxe espacial e o nível de serviço dos passeios. A Sintaxe Espacial ajuda na compreensão desse fenômeno, pois permite a análise das relações espaciais da cidade. No entanto, possui a limitação de prever apenas parte desse movimento e, ainda, só encontrar correlações significativas quando a medida de inteligibilidade (correlação entre a integração e conectividade) apresenta valores elevados. Do mesmo modo, a qualidade do passeio interfere diretamente no modo que o pedestre utiliza esse espaço. O fluxo de pedestre é um fenômeno complexo e, como tal, não pode ser entendido através de relações lineares ou de causa e efeito entre quaisquer variáveis, sejam elas espaciais ou não. Para entender a complexidade desse fenômeno será utilizada a abordagem conexionista das redes neurais artificiais, uma forma de processamento em paralelo com capacidade de trabalhar através de exemplos, generalizando e abstraindo as informações das variáveis e suas ligações. Deste modo, este trabalho pretende apresentar uma abordagem diferenciada para entender parte da dinâmica social através do fenômeno da movimentação de pedestres. / In Urban Planning, understanding pedestrian movement generative causes is key issue. Through it is possible to check if public policies targeting maintenance and improvement of open spaces are effectively reaching their goals in strengthening social dynamics. Nevertheless it is quite difficult to determinate how pedestrian movement functions due to social structure complexity driving these phenomena emergency and the extensive row of variables underlying it. One of the most effective problem-solving tools targeting the subject is modeling sidewalk attributes through the relations held amidst their physical variables and measured levels of use. Among several methods applied in model building, Space Syntax and Sidewalks Service Leveling were those which provided the best suitable tools to face the research problems. Space Syntax methods are helpful to understand the phenomena, since they allow to depict tendencies for pedestrian movement related directly to grid deformation patterns and spatial configuration. But its scope is limited since it substantiates movement potential rather than measured. Also because correlations found between pedestrian movement measurements and urban morphology are only robust when Integibility measure (correlating Integration to connectivity) is high. Likewise, sidewalk physical qualities are directly responsible for the way in which people move around, establish their routes or use public spaces, fulfilling or hijacking movement potential standards. Pedestrian fluxes are complex phenomena and being such, unable to be pictured by linear relations or explained through cause – effect conditioning between spatial or a-spatial variables. To depict the interdependence between variables amidst these phenomena complexity we opted for a connective approach found at Artificial Neural Nets; a way of parallel data processing which is able to modeling from samples due to their generalization capacity and that of extract information from the structuring variables and their relationships and linkages. Being so, this research presents an original combination of tools and methods that allow approaching social dynamics starting from pedestrian movement phenomena empirical data.

Submitted by (ana.araujo@ufrpe.br) on 2016-06-28T16:05:18Z No. of bitstreams: 1 David Augusto Silva.pdf: 1453777 bytes, checksum: 4516b869e7e749b770a803eb7e91a084 (MD5) / Made available in DSpace on 2016-06-28T16:05:18Z (GMT). No. of bitstreams: 1 David Augusto Silva.pdf: 1453777 bytes, checksum: 4516b869e7e749b770a803eb7e91a084 (MD5) Previous issue date: 2011-07-01 / The techniques for Time Series Analysis and Forecasting have great presence on the literature over the years. The computational resources combined with statistical techniques are improving the predictive results, and these results have been become increasingly accurate. Computational methods base on Artificial Neural Networks (ANN) and Evolutionary Computing (EC) are presenting a new approach to solve the Time Series Analysis and Forecasting problem. These computational methods are contained in the branch of Artificial Intelligence (AI), and they are biologically inspired, where the ANN models are based on the neural structure of intelligent organism, and the EC uses the concept of nature selection of Charles Darwin. Both methods acquire experience from prior knowledge and example of the given problem. In particular, for the Time Series Forecasting Problem, the objective is to find the predictive model with highest forecast perfomance, where the performance measure are statistical errors. However, there is no universal criterion to identify the best performance measure. Since the ANNs are the predictive models, the EC will constantly evaluate the forecast performance of the ANNs, using a fitness functions to guide the predictive model for an optimal solution. The Data Envelopment Analysis (DEA) was employed to predictive determine the best combination of variables based on the relative efficiency of the best models. Therefore, this work to study the optimization Fitness Function process with Data Envelopment Analysis applied the Intelligence Hybrid System for time series forecasting problem. The data analyzed are composed by financial data series, agribusiness and natural phenomena. The C language program was employed for implementation of the hybrid intelligent system and the R Environment version 2.12 for analysis of DEA models. In general, the perspective of using DEA procedure to evaluate the fitness functions were satisfactory and serves as an additional resource in the branch of time series forecasting. Researchers need to compute the results under different perspectives, whether in the matter of the computational cost of implementing a particular function or which function was more efficient in the aspect of assessing which combinations are unwanted saving time and resources. / As técnicas de análise e previsão de séries temporais alcançaram uma posição de distinção na literatura ao longo dos anos. A utilização de recursos computacionais, combinada com técnicas estatísticas, apresenta resultados mais precisos quando comparados com os recursos separadamente. Em particular, técnicas que usam Redes Neurais Artificiais (RNA) e Computação Evolutiva (CE), apresenta uma posição de destaque na resolução de problemas de previsão na análise de séries temporais. Estas técnicas de Inteligência Artificial (AI) são inspiradas biologicamente, no qual o modelo de RNA é baseado na estrutura neural de organismos inteligentes, que adquirem conhecimento através da experiência. Para o problema de previsão em séries temporais, um fator importante para o maior desempenho na previsão é encontrar um método preditivo com a melhor acurácia possível, tanto quanto possível, no qual o desempenho do método pode ser analisado através de erros de previsão. Entretanto, não existe um critério universal para identificar qual a melhor medida de desempenho a ser utilizada para a caracterização da previsão. Uma vez que as RNAs são os modelos de previsão, a CE constantemente avaliará o desempenho de previsão das RNAs, usando uma função de fitness para guiar o modelo preditivo para uma solução ótima. Desejando verificar quais critérios seriam mais eficientes no momento de escolher o melhor modelo preditivo, a Análise Envoltória de Dados (DEA) é aplicada para fornecer a melhor combinação de variáveis visando a otimização do modelo. Portanto, nesta dissertação, foi estudado o processo de otimização de Funções de Fitness através do uso da Análise Envoltória de Dados utilizando-se de técnicas hibridas de Inteligência Artificial aplicadas a área de previsão de séries temporais. O banco de dados utilizado foi obtido de séries históricas econômico- financeiras, fenômenos naturais e agronegócios obtidos em diferentes órgãos específicos de cada área. Quanto à parte operacional, utilizou-se a linguagem de programação C para implementação do sistema híbrido inteligente e o ambiente R versão 2.12 para a análise dos modelos DEA. Em geral, a perspectiva do uso da DEA para avaliar as Funções de Fitness foi satisfatório e serve como recurso adicional na área de previsão de séries temporais. Cabe ao pesquisador, avaliar os resultados sob diferentes óticas, quer seja sob a questão do custo computacional de implementar uma determinada Função que foi mais eficiente ou sob o aspecto de avaliar quais combinações não são desejadas poupando tempo e recursos.

Orientadores: Fernando Jose Von Zuben, Jonatas Manzolli / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-06T18:10:14Z (GMT). No. of bitstreams: 1 Caetano_MarceloFreitas_M.pdf: 11758987 bytes, checksum: 2521dc99ef68d0b0a4e06b9ea4751fc5 (MD5) Previous issue date: 2006 / Resumo: Não há limitações teóricas para o uso do computador como fonte de sons musicais. O computador digital permite a produção de qualquer som concebivel dada a seqüência correta de números (amostras digitais). No entanto, produzir uma dada seqüência de números que corresponda a um som musical que possua determinadas características perceptivas desejadas é uma tarefa de difícil resolução. Grande parte dos métodos e sistemas de síntese sonora digital utiliza modelos e/ou incorpora técnicas que não levam em conta a natureza dinâmica dos sons musicais ou que não foram originalmente desenvolvidas para manipulação musical. Neste trabalho, é apresentada uma abordagem populacional para síntese sonora no domínio temporal. Foi estudado um espaço sonoro e um conjunto de atratores, isto é, um conjunto de formas de onda com qualidades sonoras desejadas e definidas a priori, e foi possível obter sons que possuem características associadas a um ou mais atratores, representando variantes dos mesmos. Este método de síntese de sons musicais pode ser interpretado como um processo de busca no espaço vetorial que contém todas as possibilidades sonoras decorrentes da representação adotada, e tem por objetivo a criação de formas de onda digítalizadas com características emergentes e potencial para serem utilizadas em diversas aplicações musicais. Os resultados representam variantes e/ou possuem íntersecções das características próprias dos atratores, responsáveis por indicar as regiões de interesse do espaço de busca. A proposta de pesquisa envolveu a utilização de algoritmos bioinspirados - os quais expressam propriedades de sistemas auto-organizados e adaptativos - como definidores de processos de geração e estruturação dos elementos sonoros, entendidos aqui como problemas de otimização. A auto-organização e os mecanismos de manutenção de diversidade e de adaptação, intrínsecos aos sistemas bio-inspirados, fundamentam a proposta no sentido de viabilizarem a emergência temporal de estruturas estáveis sem um elemento organizador externo / Abstract: There are no theoretical limitations to the use of the computer as a source of musical sounds. The digital computer allows for the production of any conceivable sound given the carrect sequence af numbers (digital samples). Nevertheless, producing the correct sequence of numbers that correspond to a musical sound expressing predefined perceptual characteristics is a very difficult task. Most sound synthesis methods and systems utilize models and/or incorporate techniques which do not take into account the dynamic nature of musical sounds or were not originally developed for the manipulation of musical tones. In this work we are proposing a populational sound synthesis approach in the time domain. A soundspace and a set of attractors, i.e. waveforms containing a priari desired features or qualities, and a population of agents communicating by means of local interaction were studied, and it was possible to attain sounds which share some qualities from more than one of the attractors, resulting exclusively from low-Ievel rules followed by these agents. This sound synthesis method can be regarded as a search in the vector space that contains ali the possible sounds resulting from the adopted representation, and its objective is to synthesize digital waveforms that possess emergent properties and the potential to be used in musical applications. The resulting sounds are variants or hybrids that share some of the intrinsic features of the attractors, which are responsible for indicating the regions of interest in the search space. This proposal involved the use of bio-inspired algorithms, which express features of adaptive, self-organizing systems, as definers of generating and structuring processes of sound elements, regarded herein as optimization processes. Self-organization and diversity maintenance and adaptation mechanisms, intrinsic to bio-inspired systems, lay the foundations of this proposal so as to make viable the temporal emergence of stable structures without an externa I organizing element / Mestrado / Engenharia de Computação / Mestre em Engenharia Elétrica

Orientadores: Ana Maria Frattini Fileti, Galba Maria de Campos Takaki / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-06T21:06:24Z (GMT). No. of bitstreams: 1 Albuquerque_ClarissaDaisydaCosta_D.pdf: 8871218 bytes, checksum: 55101c854d0f7293da9222f2518c7c15 (MD5) Previous issue date: 2006 / Resumo: Entre as técnicas convencionais usadas para desenvolvimento de software sensores, redes neurais artificiais têm mostrado ser um instrumento poderoso em modelagem e controle de bioprocessos complexos. O objetivo geral do presente trabalho é o desenvolvimento de software sensores baseados em redes neurais para estimação e previsão em tempo real da concentração de biomassa e da atividade de emulsificação no processo de produção de bioemulsificante por Cândida lipolytica. Bioemulsificantes normalmente apresentam vantagens como biodegradabilidade, baixa toxicidade e biocompatibilidade em relação a emulsifícantes sintetizados quimicamente. Adicionalmente, eles apresentam potencial para serem sintetizados a partir de substratos de baixo custo e são normalmente efetivos em condições extremas de pH, temperatura e salinidade. Consequentemente, bioemulsificantes têm sido aplicados com sucesso em áreas como biorremediaçào e recuperação de óleos. Contudo, os bioemulsificantes não são ainda largamente empregados por conta do seu alto custo de produção, resultante primeiramente da baixa produtividade dos microrganismos empregados e do alto custo de recuperação. Entretanto, neste trabalho foi mostrado que o desenvolvimento de softsensores neurais juntamente com otimização de componentes de meio de produção e ampliação de escala do processo podem contribuir para tomar a produção de bioemulsificante mais eficiente e econômica. O modelo quadrático obtido na otimização dos componentes do meio usando planejamento composto central com três fatores e metodologia de superfície de resposta mostrou significância estatística e capacidade preditiva. A máxima atividade de emulsificação para emulsões água-em-hexadecano obtida foi de 4,415 UAE e as concentrações ótimas de uréia, sulfato de amónio e fosfato monobásico de potássio foram respectivamente iguais a 0,544 % (w/v), 2,131 % (w/v) and 2,628 % (w/v). O rendimento do processo foi otimizado em 272%. A ampliação do processo da escala de frascos para a escala de fermentador de bancada foi realizada com sucesso e os efeitos e interações da temperatura e velocidade de agitação sobre a atividade de emulsificação do bioemulsificante produzido por Cândida lipolytica foram investigados. Os conjuntos de dados necessários para o treinamento, validação e teste dos softsensores foram obtidos de experimentos de produção de bioemulsificante realizados em biorreator de 5L, sob diferentes condições de temperatura e agitação. Os conjuntos de treinamento, validação e teste dos softsensores foram suavizados e expandidos usando interpolação com spline cúbica. Várias topologias de redes neurais com uma camada escondida foram testadas. As variáveis de entrada do processo incluíram pH, oxigênio dissolvido, densidade ótica e salinidade do liquido metabólico livre de células. O algoritmo de treinamento usado foi o algoritmo de retropropagação baseado em Levenberg-Marquardt em conjunção com regularização bayesiana. A raiz do erro quadrático médio (RMSE) e o coeficiente de determinação global (Rg2) foram usados entre outros índices para comparar o desempenho dos modelos. Os resultados mostram que softsensores neurais fornecem estimação e previsão on-line de concentração de biomassa e de atividade de emulsificação dentro de uma variação aceitável de 5% dos valores experimentais. Coeficientes de determinação global superiores a 0,90 indicam o excelente ajuste dos modelos de redes neurais com os valores experimentais testados, obtidos para concentração de biomassa e atividade de emulsificação / Abstract: Among conventional techniques used for development of 'software sensors', artificial neural networks have showed to be a powerful tool for modelling and control of complex bioprocess. The present work deals with the development of neural network based software sensors for real time estimation and prediction of biomass concentration and emulsification activity in a bioemulsifier production process by Candida lipolytics Bioemulsifiers commonly have the advantages of biodégradation, low toxicity, and biocompability over chemically synthesized emulsifiers. In addition, they can potentially be synthesized from cheap subtrates and are commonly effective at extremes of pH, temperature, and salinity. As a result, bioemulsifiers have found successful application in areas such as bioremediation and oil recovery. However, bioemulsifiers are not widely available because of their high production costs, which results primarily from low strain productivities and high recovery expenses. Therefore, in this work was showed that on-iine neural softsensor development jointly with media optimization and scale up of the process can make bioemulsifier production more efficient and more economical.The second order model obtained in the optimization of the medium components using three-factor central composite design and response surface methodology showed statistical significance and predictive ability. It was found that the maximum emulsification activity to water-in-hexadecane emulsion produced was 4,415 UEA and the optimum levels of urea, ammonium sulfate and potassium dihydrogen orthophosphate were, respectively, 0,544 % (w/v), 2,131 % (w/v) and 2,628 % (w/v). The emulsifier production process yield was optimized in 272 %. Successful scale-up from flasks to laboratory scale bioreactor was attained and the effects and interactions of the temperature and agitation rate on the emulsification activity of the bioemulsifier produced by Candida lipolytica were investigated. The data sets required to training, validation and test the neural software sensors were obtained from bioemulsifier production experiments carried out using com oil and sea water based media in a 5L bioreactor, under different temperature and agitation conditions. The training, validation and test sets were smoothed and expanded by interpolation using a piecewise smoothing cubic spline. Several neural network topologies with one hidden layer were tested. The input process variables included pH, dissolved oxygen, optic density and free cell metabolic liquid salinity. The training algorithm used was the Levenberg-Marquardt based backpropagation algorithm, in conjunction with Bayesian regularization. The root mean square error (RMSE) and the global determination coefficient (Rg2) among others index were used to compare model performances. The results showed that neural 'software sensors' supplied for biomass concentration and emulsification activity on-line estimation and prediction within an acceptable variation of 5% of the experimental values. Global coefficients of determination higher than 0.90 indicated excellent agreement of the neural network models with experimental test values, obtained for biomass concentration and emulsification activity / Doutorado / Sistemas de Processos Quimicos e Informatica / Doutor em Engenharia Química