Condições distintas de iluminação numa imagem podem produzir representações desiguais do mesmo objeto, dificultando o processo de segmentação e reconhecimento de padrões, incluindo o reconhecimento facial. Devido a isso, a distribuição de iluminação numa imagem é considerada de grande importância, e novos algoritmos de normalização utilizando técnicas mais recentes ainda vêm sendo pesquisados. O objetivo dessa pesquisa foi o de avaliar os seguintes algoritmos de normalização da iluminação encontrados na literatura, que obtiveram bons resultado no reconhecimento de faces: LogAbout, variação do filtro homomórfico e método baseado em wavelets. O objetivo foi o de identificar o método de normalização da iluminação que resulta na melhor taxa de reconhecimento facial. Os algoritmos de reconhecimento utilizados foram: auto-faces, PCA (Principal Component Analyses) com rede neural LVQ (Learning Vector Quantization) e wavelets com rede neural MLP (Multilayer Perceptron). Como entrada, foram utilizadas imagens do banco Yale, que foram divididas em três subconjuntos. Os resultados mostraram que o método de normalização da iluminação que utiliza wavelet e LogAbout foram os que apresentaram melhoria significativa no reconhecimento facial. Os resultados também evidenciaram que, de uma maneira geral, com a utilização dos métodos de normalização da iluminação, obtém-se uma melhor taxa do reconhecimento facial, exceto para o método de normalização variação do filtro homomórfico com os algoritmos de reconhecimento facial auto-faces e wavelet com rede neural MLP. / Distinct lighting conditions in an image can produce unequal representations of the same object, compromising segmentation and pattern recognition processes, including facial recognition. Hence, the lighting distribution on an image is considered of great importance, and normalization algorithms using new techniques have still been researched. This research aims to evaluate the following illumination normalization algorithms found in literature: LogAbout, variation of homomorphic filter and wavelet based method. The main interest was to find out the illumination normalization method which improves the facial recognition rate. The algorithms used for face recognition were: eigenfaces, PCA (Principal Component Analysis) with LVQ neural network and wavelets with MLP (Multilayer Perceptron) neural network. Images from Yale Face Database B, divided into three subsets have been used. The results show that the wavelet and LogAbout technique provided the best facial recognition rate. Experiments showed that the illumination normalization methods, in general, improve the facial recognition rate, except for the variation of homomorphic filter technique with the algorithms: eigenfaces and PCA with LVQ.

O desenvolvimento tecnológico proporciona uma melhoria na qualidade de vida devido à facilidade, rapidez e flexibilidade no acesso à informação. Na área biomédica, a tecnologia é reconhecidamente uma importante aliada, permitindo o rápido desenvolvimento de métodos e técnicas que auxiliam o profissional na atenção à saúde. Recentes avanços na análise computadorizada de imagens médicas contribuem para o diagnóstico precoce de uma série de doenças. Nesse trabalho é apresentada uma metodologia para o desenvolvimento de um sistema computacional para caracterização de padrões em imagens pulmonares, baseado em técnicas de redes neurais artificiais. No estudo, buscou-se verificar a utilização de redes neurais auto-organizáveis como ferramenta de extração de atributos e redução de dimensionalidade de imagens radiográficas de tórax, objetivando a caracterização de lesões intersticiais de pulmão. Para a redução de dimensionalidade e extração de atributos, implementou-se um algoritmo baseado nos mapas auto-organizáveis (SOM), com algumas variações, obtendo-se uma redução dos cerca de 3 milhões de pixels que compõe uma imagem, para 240 elementos. Para a classificação dos padrões, utilizou-se uma rede Perceptron multi-camadas (MLP), validada com a metodologia leave-one-out. Com uma base contendo 79 exemplos de padrão linear, 37 exemplos de padrão nodular, 30 exemplos de padrão misto, e 72 exemplos de padrão normal, o classificador obteve a média de 89,5% de acerto, sendo 100% de classificação correta para o padrão linear, 67,5% para o padrão nodular, 63,3% para o padrão misto, e 100% para o padrão normal. Os resultados obtidos comprovam a validade da metodologia. / The technological development provides an improvement in the quality of life due to easiness, speed and flexibility in the access to the information. In the biomedical area, the technology is admitted as an important allied, allowing the fast development of methods and techniques that assist the professional in the health care. Recent advances in the computerized analysis of medical images contribute for the precocious diagnosis of a series of diseases. In this work a methodology for the development of a computational system for characterization of patterns in pulmonary images, based in techniques of artificial neural networks is presented. In the study, has searched for the verification the use of self-organizing neural networks as a feature extraction and dimensionality reduction tool of chest radiographs, willing to characterize interstitial lung disease. For the dimensionality reduction and feature extraction, an algorithm based on Self-Organizing Maps (SOM) was implemented, with some variations, getting a reduction of about 3 million pixels that it composes an image, for 240 elements. For the pattern classification, a Multilayer Perceptron (MLP) was used, validated with the leave-one-out methodology. With a database containing 79 samples of linear pattern, 37 samples of nodular pattern, 30 samples of mixed pattern, and 72 samples of normal pattern, the classifier provided an average result of 89.5% of right classification, with 100% of right classification for linear pattern, 67.5% for nodular pattern, 63.3% for mixed pattern, and 100% for normal pattern. The results prove the validity of the methodology.

Esta tese teve por objetivo desenvolver um algoritmo preciso e robusto capaz de compensar os erros térmicos volumétricos de um centro de usinagem 5 eixos em diferentes condições operacionais. O comportamento térmico da máquina foi modelado usando técnicas do método dos elementos finitos (MEF) com base na teoria do calor de atrito e calor de convecção, e validadas através dos vários campos de temperatura obtidos experimentalmente usando termopares e imagens térmicas. Os principais subsistemas da máquina foram inicialmente modelados, como o conjunto de fusos de esferas, guias lineares e motofuso, o que permitiu posteriormente a validação do comportamento termoelástico da máquina completa para onze ciclos de trabalho em vazio, seis ciclos de usinagem, nove ciclos de posicionamento e dois ciclos com temperatura ambiente variando, obtendo erros máximos inferiores a 9%, ao comparar os resultados numéricos com os resultados experimentais. A validação do modelo em elementos finitos permitiu usar os resultados obtidos para treinar e validar uma rede neural artificial (RNA) para prever os erros térmicos do centro de usinagem. Os desvios entre os erros térmicos previstos pela RNA e os calculados pelo MEF foram inferiores a 5%. Baseado nos resultados obtidos pelas medições das peças de trabalho usinadas foi possível formular e implementar um modelo de compensação dos erros térmicos no CNC do centro de usinagem, que obteve uma redução dos erros entre 62% e 100% nas peças usinadas com compensação. Foi também proposto um algoritmo de previsão e compensação dos erros térmicos para o centro de usinagem, baseado em todos os ciclos e simulações realizadas, e que se comparando com os resultados experimentais mostrou-se capaz de reduzir os erros térmicos entre 50% e 95%. Após sua validação, foi possível concluir que o algoritmo desenvolvido é uma ferramenta precisa e robusta para compensar os erros térmicos da máquina para várias condições de trabalho, podendo compensá-los mesmo com esta movendo-se a diferentes velocidades, em usinagem ou mesmo operando em temperatura ambiente variável. / This thesis aims to develop an accurate and robust algorithm capable of compensating the volumetric thermal errors of a 5-axis machining center under different operating conditions. The thermal behavior of the machine was first modeled using finite element method (FEM) techniques based on theory of friction heat and convection heat, and validated with the various experimentally raised temperature fields using thermocouples and thermal imaging. The main machine subsystems were initially modeled, such as the ball screw system, linear guides and spindle, which allowed for validating of the thermoelastic behavior of the entire machine for eleven no load duty cycles, six cycles of machining, nine cycles of positioning and two cycles with varying ambient temperature, obtaining errors lower than 9%, when comparing the numerical results with the experimental results. The validation of the finite element model allowed for the use of the results obtained to train and validate an artificial neural network (ANN) for predicting the thermal errors of the machining center. The deviations between the thermal errors predicted by ANN and the FEM simulation results were less than 5%. Based on the results obtained by the measurements of the machined workpieces, it was possible to formulate and implement a model of compensation of the thermal errors in the CNC of the machining center, which obtained a reduction of errors of 62% and 100% of the machined parts with compensation. It was also proposed a thermal error prediction and compensation algorithm for the machining center, based on all cycles and simulations performed, and that, comparing with the experimental results, it was able to reduce the thermal errors between 50% and 95%. After its validation, it was possible to conclude that the developed algorithm is an accurate and robust tool to compensate the thermal errors of the machine for various duty conditions, being able to compensate the errors even when it is moving at different speeds, in machining process or even operating in variable ambient temperature.

O uso de imagens provenientes de sensores remotos, tal como sistemas acoplados em aviões e satélites, é cada vez mais frequente, uma vez que permite o monitoramento continuo e periódico ao longo do tempo por meio de diversas observações de uma mesma região, por vezes ampla ou de difícil acesso. Essa ferramenta tem se mostrado importante e significativa em aplicações como o mapeamento de solo e fronteiras; acompanhamento de áreas de desmatamento, queimadas e de produção agrícola. Para gerar resultados interpretáveis ao usuário final, essas imagens devem ser processadas. Atualmente, o método de classificação por máxima verossimilhança é o mais empregado para classificação de imagens multiespectrais de sensores remotos, entretanto, por se tratar de uma técnica supervisionada, seus resultados dependem extensivamente da qualidade do conjunto de treinamento, utilizado para definir os parâmetros do método. A seleção de um bom conjunto de treinamento é um processo custoso e inviabiliza a automação da classificação para diversas imagens. O método de classificação por máxima verossimilhança é também paramétrico e portanto exitem algumas suposições quanto a distribuição dos dados que devem ser atendidas, caso contrário a aplicação do método pode gerar resultados ruins. Tendo em vista essas desvantagens do método da máxima verossimilhança, este trabalho propõe um novo método para a classificação de imagens multiespectrais provenientes de sensores remotos de forma que o procedimento seja autônomo, veloz e preciso, minimizando dessa forma os possíveis erros humanos inseridos em etapas intermediárias do processo, tal como a definição de conjuntos de treinamento. O método aqui proposto pertence ao conjunto das redes neurais artificiais (RNAs) e é denominado growing neural gas (GNG). Este método baseia-se no aprendizado não supervisionado de padrões \"naturais\" dentro de um conjunto de dados por meio da criação e adaptação de uma rede mínima de neurônios. Os resultados gerados a partir da classificação pela RNA foram comparados com os métodos mais utilizados na literatura atual, sendo eles o método da máxima verossimilhança e o método k-means. A partir da biblioteca espectral ASTER, mantida e criada parcialmente pela NASA, foram realizadas várias repetições do experimento, que consiste em classificar os dados de acordo com as diferentes classes existentes, e para cada uma destas repetições calculou-se uma medida de acurácia, denominada índice kappa, além do tempo de execução de cada método, de forma que suas médias foram comparadas via intervalo de confiança gerados por bootstrap não paramétrico. Também investigou-se como a análise de componentes principais (ACP), técnica utilizada para reduzir a dimensão dos dados e consequentemente o custo computacional, pode influenciar no desempenho dos métodos, tanto em sua qualidade de classificação quanto em relação ao tempo de execução. Os resultados mostram que o método proposto é superior nos dois aspectos estudados, acurácia e tempo de execução, para a maioria dos fatores aplicados. Mostra-se ainda um exemplo de aplicação prática em que uma imagem multiespectral de satélite não satisfaz as pré-suposições estabelecidas para o uso do método da máxima verossimilhança e verifica-se a diferença entre os métodos com relação a qualidade final da imagem classificada. / The use of images from remote sensors, such as coupled systems in airplanes and satellites, are increasingly being used because they allow continuous and periodic surveillance over time through several observations of some particular area, sometimes large or difficult to access. This sort of image has shown an important and meaningful participation in applications such as soil and borders mapping; surveillance of deforestation, forest fires and agricultural production areas. To generate interpretable results to the end user, these images must be processed. Currently, the maximum likelihood classification method is the most used for multispectral image classification of remote sensing, however, because it is a supervised technique, the results depend extensively on the quality of the training set, used to define the parameters of the method. Selecting a good training set is a costly process and prevents the automation of classification for different images. The maximum likelihood classification method is also parametric, and therefore, some assumptions about the distribution of the data must be met, otherwise the application of the method can generate bad results. In view of these disadvantages of the maximum likelihood method, this dissertation proposes a new, autonomous, fast and accurate method for multispectral remote sensing imagery classification thereby minimizing the possible human errors inserted at intermediate stages of the process, such as the definition of training sets. The method proposed here belongs to the set of artificial neural networks (ANN) and is called growing neural gas (GNG). This method is based on unsupervised learning of \"natural\" patterns in a dataset through the creation and adaptation of a minimum network of neurons. The results generated from the classification by ANN were compared with the most commonly used methods in the literature: the maximum likelihood method and the k-means method. From the spectral library Aster, maintained and made in part by NASA, several replications of the experiment were made, which is to classify the data according to different preestablished classes, and a measure of accuracy called kappa index was calculated for each of the replicates, in addition to the execution time of each method, so that their means were compared via confidence interval generated by nonparametric bootstrap. It was additionally investigated how principal component analysis (PCA), technique which reduces dimension of data and consequently the computational cost, can influence the performance of methods, both in its quality rating and runtime. The results show that the proposed method is superior in both aspects studied, accuracy and runtime, for the majority of applied factors. Furthermore, it is shown an example of a practical application in which a multispectral satellite image does not necessarily meet the established assumptions for using the maximum likelihood method, and there is a difference between the methods, regarding to its final classified image quality.

Este trabalho apresenta a metodologia, o desenvolvimento e testes de um sistema de automação independente, baseado em Redes Neurais Artificiais, para redução de perdas técnicas em redes de distribuição subterrâneas reticuladas por meio do controle ótimo dos bancos de capacitores presentes na rede. A metodologia proposta contempla funcionalidades típicas de Redes Inteligentes, incluindo soluções práticas para o posicionamento de sensores de corrente em redes subterrâneas, coleta de medições de campo e transmissão para o Centro de Operação da Distribuição e controle em tempo real dos equipamentos de campo (bancos de capacitores). Portanto este trabalho consiste na implementação da solução através de baixo custo de investimento na mitigação do controle do fator de potência nos pontos de entrega ao consumidor, sendo que com isto ocorrem melhorias nos indicadores de qualidade e confiabilidade atendendo aos requisitos regulamentares e contratuais de fornecimento das distribuidoras. Para validação da metodologia proposta, foram utilizados os dados da concessionária de energia AES Eletropaulo sobre a Rede de Distribuição Subterrânea Reticulada do centro da cidade de São Paulo. As etapas da metodologia proposta e os principais aspectos do desenvolvimento do sistema são também descritos, bem como os testes realizados para comprovação dos resultados e validação do sistema. / This work presents the methodology, development and testing of an independent automation system, based on Artificial Neural Networks, to reduce technical losses in reticulated underground distribution networks by means of the optimal control of the capacitor banks present in the network. The proposed methodology includes typical functionalities of Intelligent Networks, including practical solutions for the positioning of current sensors in underground networks, collection of field measurements and transmission to the Distribution Operation Center and real-time control of field equipment (capacitors banks). Therefore, this work consists in the implementation of the solution through a low cost of investment in the mitigation of the control of the power factor in the points of delivery to the consumer, and with this there are improvements in the indicators of quality and reliability taking into account the regulatory and contractual requirements of supply of the distributors. The energy concessionaire AES Eletropaulo had great participation in this research project, providing the necessary data of the Reticulated Underground Distribution Network of the city center of São Paulo. The steps of the proposed methodology and the main aspects of system development are also described, as well as the tests performed to prove the results and validate the system.

O objetivo deste trabalho é o estudo das tecnologias adaptativas aplicadas às redes neurais artificiais e às redes de Petri. Além disso, uma metodologia é proposta para estas aplicações a partir da definição de uma rede de Petri colorida adaptativa. Inicialmente, as redes neurais artificiais são estudadas do ponto de vista da extração de regras. Uma das críticas recorrentes às redes neurais artificiais é a característica de \"caixa preta\" das soluções, significando que as soluções escondem o mecanismo de funcionamento, deixando em dúvida a razão de seu funcionamento. A extração de regras a partir das redes neurais artificiais objetiva apresentar uma solução equivalente baseada em regras que para os especialistas em uma determinada área seja mais inteligível ou transparente. Outro ponto importante é a inserção de regras nas redes neurais artificiais. Esta inserção é possível a partir da versão baseada em regras das redes neurais artificiais. Um especialista humano em uma área muitas vezes cria um conjunto de regras que o auxiliam na compreensão do problema. Se estas regras forem inseridas ao conjunto de regras obtidas através dos dados, o novo conjunto de regras conterá ao mesmo tempo o conhecimento humano e o conhecimento extraído dos dados. As tecnologias adaptativas de extração e inserção de regras tornam as soluções mais flexíveis. As redes de Petri são, em certo sentido, complementares às redes neurais artificiais pois foram criadas para tratar os \"Sistemas a Eventos Discretos\" ou sistemas sequenciais, enquanto que as redes neurais artificiais possuem uma natureza combinatória. Muitas extensões foram propostas à redes de Petri ao longo dos anos e entre estas extensões aparecem associações de redes de Petri e redes neurais artificiais. Nestas associações, muitas técnicas desenvolvidas para as redes neurais artificiais foram incorporadas às redes de Petri como, por exemplo, as diversas formas de aprendizado. Utilizando a característica das redes de Petri de modelagem de sistemas sequenciais, a fase de treinamento das redes neurais artificiais pode ser controlada pela rede de Petri. Neste trabalho, a incorporação de regras à rede de Petri é examinada assim como a sua aplicação a sistemas de apoio à decisão e a sistemas de manufatura flexível. / The objective of this work is the study of adaptive technologies applied to artificial neural networks and Petri nets. In addition, a methodology is proposed for these applications from the definition of an adaptive color Petri net. Initially, artificial neural networks are studied from the point of view of rule extraction. One of the recurring criticisms of artificial neural networks is the \"black box\" feature of the solutions, meaning that the solutions hide the working mechanism, casting doubt on the reason for its operation. The extraction of rules from the artificial neural networks aims to present an equivalent solution based on rules that for the experts in a given area is more intelligible or transparent. Another important point is the insertion of rules in artificial neural networks. This insertion is possible from the rule-based version of artificial neural networks. A human expert in an area often creates a set of rules that aid in understanding the problem. If these rules are inserted into the set of rules obtained from the data, the new set of rules will contain at the same time the human knowledge and the knowledge extracted from the data. Adaptive rule extraction and insertion technologies make solutions more flexible. Petri nets are, in a sense, complementary to artificial neural networks as they were designed to treat \"Discrete Event Systems\" or sequential systems, while artificial neural networks have a combinatorial nature. Many extensions have been proposed to the Petri nets over the years and among these extensions appear associations of Petri nets and artificial neural networks. In these associations, many techniques developed for artificial neural networks were incorporated into Petri nets, such as the various forms of learning. Using the Petri nets feature of sequential modeling, the training phase of artificial neural networks can be controlled by the Petri net. In this work, the incorporation of rules into the Petri net is examined as well as its application to decision support systems and flexible manufacturing systems.

Este trabalho investiga um procedimento para retroanálise utilizando Redes Neurais Artificiais (RNAs). Nesta pesquisa foram utilizadas 35.472 bacias de deflexões hipotéticas, criadas pelo programa ELSYM5. A base de dados de treinamento das RNAs consistiu dessas bacias de deflexão e dos módulos e espessuras que as geraram. A camada de entrada das RNAs foi compostas da(s) espessura(s) da(s) camada(s) do pavimento, da bacia de deflexão (na simulação com a viga Benkelman, além desses parâmetros, incluiu-se o raio de curvatura (R)) e a camada de saída foi composta pelos módulos resilientes das camadas do pavimento. Esses dados serviram de entrada para o processo de aprendizagem, utilizando-se o simulador EasyNN 3.2, que se baseia em redes Multilayer Perceptron e no algoritmo de treinamento Backpropagation. Para o procedimento de retroanálise proposto foram implementadas seis RNAs: duas simulando o procedimento para pavimento de duas camadas (uma simulando o ensaio da viga Benkelman e a outra a do Falling Weight Deflectometer), duas para pavimento de três camadas (simulação com os mesmos aparelhos) e duas para pavimento de quatro camadas (simulando os ensaios descritos anteriormente). Mediante as regressões lineares entre os módulos reais (ELSYM5) e os previstos pela RNA, obtiveram-se coeficientes de determinação (R2) e erros médios relativos (EMR). Estes parâmetros demonstraram uma boa correlação linear entre os módulos reais (ELSYM5) e os previstos (RNA). Com os resultados obtidos, conclui-se que as RNAs são ferramentas potentes para serem utilizadas como procedimento de retroanálise para pavimentos flexíveis de duas, três e quatro camadas. / This paper investigates a backcalculation procedure using Artificial Neural Networks (ANNs). In the research 35,472 hypothetical deflection basins were used, created by the program ELSYM5. The ANNs training database consisted of these basins, and of the moduli and thickness used to generate them. The input layer of these ANNs was composed by thickness(es) of the pavement layer(s), the deflection basin (in the simulation with the Benkelman beam, beyond of those parameters, the curvature radius included (R)) and the output layer was composed by the resilient moduli of the layers of the pavement. Those data were used as output for the learning process, using the easyNN 3.2 simulator, which is based on Multilayer Perceptron and in the training algorithm Backpropagation. For the backcalculation procedure proposed six ANNs they were implemented: two simulating the procedure for pavement of two layers (a simulating the testing of the Benkelman beam and the other the one of Falling Weight Deflectometer), two for pavement of three layers (simulation with the same equipments) and two for pavement of for layers (simulating the testing described previously). The values founds throught linear regression between the real moduli (ELSYM5) and the predicted of ones for ANN, were obtained determination coefficients (R2) and relative average errors (EMR). These parameters demonstrated a good linear correlation between the real moduli (ELSYM5) and the predicted of ones (ANN). The conclusion .is that ANNs are potent tools for they be used in backcalculation procedures flexible pavements of two, three and four layers.

Ce travail de recherche consiste en la proposition d’une nouvelle approche de caractérisation non destructive de l’endommagement des matériaux composites (carbone/époxy) sollicités en fatigue par des essais d’auto-échauffement (blocs de chargements croissants). Cette approche est basée sur l’utilisation de plusieurs techniques non destructives appliquées in-situ, en temps réel ou différé, dont l’analyse est, soit redondante soit complémentaire. Au total, six techniques ont été utilisées (émission acoustique, thermographie infrarouge, corrélation d’images numériques, acousto-ultrasons, ultrasons C-scan et ondes de Lamb) et leurs résultats post-traités puis fusionnés à l’aide d’algorithmes basés sur les réseaux de neurones. Les résultats obtenus ont permis d’évaluer et de localiser l’endommagement du matériau et d’estimer sa durée de vie résiduelle. Ce faisant, plusieurs avancés scientifiques ont été obtenus en réalisant, par exemple, une localisation 2D des évènements acoustiques à l’aide seulement de deux capteurs avec une précision millimétrique, ou encore le développement d’une nouvelle technique imagée d’acousto-ultrasons permettant un contrôle hors contraintes de l’état d’endommagement du matériau, …et enfin, le pronostic de la durée de vie résiduelle du matériau basé sur une fusion de données par réseaux de neurones. / This research work consists in a new approach for non-destructive characterisation of damage in composite materials (carbon/epoxy) subjected to fatigue during self-heating tests (increasing load blocks). This approach is based on the use of several non-destructive techniques applied in-situ, in real time or delayed, whose analysis is either redundant or complementary. Six techniques were used (acoustic emission, infrared thermography, digital image correlation, acousto-ultrasound, C-scan ultrasound and lamb waves) and their post-processed results were merged using algorithms based on neural networks. The results obtained made it possible to assess and locate the damage of the material and to estimate its residual life. In doing so, several scientific advances have been obtained by, for example, carrying out a 2D localization of acoustic events using only two sensors with millimetric precision, or the development of a new pictorial acousto-ultrasonic technique allowing an control of the state of material damage at free stress conditions, ... and finally, the prognosis of the residual lifetime of the material based on a data fusion by neural networks.

Recommender systems are an advanced form of software applications, more specifically decision-support systems, that efficiently assist the users in finding items of their interest. Recommender systems have been applied to many domains from music to e-commerce, movies to software services delivery and tourism to news by exploiting available information to predict and provide recommendations to end user. The suggestions generated by recommender systems tend to narrow down the list of items which a user may overlook due to the huge variety of similar items or users’ lack of experience in the particular domain of interest. While the performance of traditional recommender systems, which rely on relatively simpler information such as content and users’ filters, is widely accepted, their predictive capability perfomrs poorly when local context of the user and situated actions have significant role in the final decision. Therefore, acceptance and incorporation of context of the user as a significant feature and development of recommender systems utilising the premise becomes an active area of research requiring further investigation of the underlying algorithms and methodology. This thesis focuses on categorisation of contextual and non-contextual features within the domain of context-aware recommender system and their respective evaluation. Further, application of the Multilayer Perceptron Model (MLP) for generating predictions and ratings from the contextual and non-contextual features for contextual recommendations is presented with support from relevant literature and empirical evaluation. An evaluation of specifically employing artificial neural networks (ANNs) in the proposed methodology is also presented. The work emphasizes on both algorithms and methodology with three points of consideration: contextual features and ratings of particular items/movies are exploited in several representations to improve the accuracy of recommendation process using artificial neural networks (ANNs), context features are combined with user-features to further improve the accuracy of a context-aware recommender system and lastly, a combination of the item/movie features are investigated within the recommendation process. The proposed approach is evaluated on the LDOS-CoMoDa dataset and the results are compared with state-of-the-art approaches from relevant published literature.

Nos tempos atuais, as imagens médicas são fonte de dados fundamentais na medicina moderna. As imagens armazenadas em uma base de dados de acordo com as respectivas categorias são um importante passo para aplicações como mineração de dados e recuperação de imagens por conteúdo. Estas aplicações podem apoiar médicos e estudantes na decisão de diagnóstico, permitir pesquisas e ser usadas como material didático. O trabalho propõe o uso de Mapas Auto-Organizáveis (SOM) e TransformadaWavelet combinada com momentos de Hu para a categorização de imagens médicas. Para tanto, são realizados experimentos para definição do tamanho do mapa SOM, uso do mesmo na categorização, definição da melhor família wavelet e nível de decomposição, sumarização dos coeficientes wavelets descartados por momento de Hu e experimentos comparativos com outras abordagens de categorização. Além dos experimentos de classificação comparativos em termos de taxa de acerto, é apresentada uma proposta de contribuição para uso do Mapa SOM na classificação. Nesta proposta, os resultados de classificação e o tempo de recurso computacional despendido pelo Mapa SOM mostram-se eficientes, quando comparados aos resultados e tempo apresentados pelo tradicional classificador K vizinhos mais próximos. / Nowadays, images are fundamental data source in modern medicine. The images stored in a database according with categories are an important step for data mining and contentbased image retrieval. They can support doctors and students in diagnostic decisions and provide research and didactic material. This work addresses the use of Self-Organizing Map (SOM) and discrete wavelet transform joint with Hus moments to medical image categorization. Furthermore, extensive experiments to define map size were done, employing the map in categorization, the best wavelet family and level of decomposition were defined, the coefficient discarded was summarized by Hus moments and contrastive studies with another successfull approach of categorization were done. Moreover, an approach to use SOM map in categorization is addressed, in which the SOM map for classification carried on better performance and computational time than traditional K nearest neighbor algorithm.