Made available in DSpace on 2014-12-17T14:56:21Z (GMT). No. of bitstreams: 1 DaniloLS.pdf: 2499617 bytes, checksum: 328b5ce6d56f5a92a61ad220565411c7 (MD5) Previous issue date: 2006-07-24 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Oil spill on the sea, accidental or not, generates enormous negative consequences for the affected area. The damages are ambient and economic, mainly with the proximity of these spots of preservation areas and/or coastal zones. The development of automatic techniques for identification of oil spots on the sea surface, captured through Radar images, assist in a complete monitoring of the oceans and seas. However spots of different origins can be visualized in this type of imaging, which is a very difficult task. The system proposed in this work, based on techniques of digital image processing and artificial neural network, has the objective to identify the analyzed spot and to discern between oil and other generating phenomena of spot. Tests in functional blocks that compose the proposed system allow the implementation of different algorithms, as well as its detailed and prompt analysis. The algorithms of digital image processing (speckle filtering and gradient), as well as classifier algorithms (Multilayer Perceptron, Radial Basis Function, Support Vector Machine and Committe Machine) are presented and commented.The final performance of the system, with different kind of classifiers, is presented by ROC curve. The true positive rates are considered agreed with the literature about oil slick detection through SAR images presents / Derramamentos de ?leo sobre o mar, mesmo que acidentais, geram enormes conseq??ncias negativas para a ?rea afetada. Os preju?zos s?o ambientais e econ?micos, principalmente com a proximidade dessas manchas de ?reas de preserva??o e/ou zonas costeiras. O desenvolvimento de t?cnicas autom?ticas para a identifica??o de manchas de ?leo sobre a superf?cie marinha, capturadas atrav?s de imagens de Radar, auxiliam num completo monitoramento dos oceanos e mares. Contudo, manchas de diferentes origens podem ser visualizadas nesse tipo de produ??o de imagem, tornando o monitoramento dif?cil. O sistema proposto neste trabalho, baseado em t?cnicas de processamento digital de imagens e redes neurais artificiais, tem o objetivo de identificar a mancha analisada e discernir entre ?leo e os demais fen?menos geradores de mancha. Testes nos blocos funcionais que comp?em o sistema proposto permitem a implementa??o de diferentes algoritmos, assim como sua an?lise detalhada e pontual. Os algoritmos que tratam do processamento digital de imagem (filtragem do ru?do speckle e gradiente), assim como o de classifica??o (Perceptron de M?ltiplas Camadas, rede de fun??o de Base Radial, M?quina de Vetor de Suporte e M?quina de comit?) s?o apresentados e comentados.O desempenho final do sistema, com diferentes tipos de classificadores, ? apresentado atrav?s da curva ROC. As taxas de acertos s?o consideradas condizentes com o que a literatura de detec??o de manchas de ?leo na superf?cie oce?nica atrav?s de imagens de SAR apresenta

Nesta tese, aborda-se o problema de classificaÃÃo de dados que estÃo contaminados com pa- drÃes atÃpicos. Tais padrÃes, genericamente chamados de outliers, sÃo onipresentes em conjunto de dados multivariados reais, porÃm sua detecÃÃo a priori (i.e antes de treinar um classificador) à uma tarefa de difÃcil realizaÃÃo. Como conseqÃÃncia, uma abordagem reativa, em que se desconfia da presenÃa de outliers somente apÃs um classificador previamente treinado apresen- tar baixo desempenho, à a mais comum. VÃrias estratÃgias podem entÃo ser levadas a cabo a fim de melhorar o desempenho do classificador, dentre elas escolher um classificador mais poderoso computacionalmente ou promover uma limpeza dos dados, eliminando aqueles pa- drÃes difÃceis de categorizar corretamente. Qualquer que seja a estratÃgia adotada, a presenÃa de outliers sempre irà requerer maior atenÃÃo e cuidado durante o projeto de um classificador de padrÃes. Tendo estas dificuldades em mente, nesta tese sÃo revisitados conceitos e tÃcni- cas provenientes da teoria de regressÃo robusta, em particular aqueles relacionados à estimaÃÃo M, adaptando-os ao projeto de classificadores de padrÃes capazes de lidar automaticamente com outliers. Esta adaptaÃÃo leva à proposiÃÃo de versÃes robustas de dois classificadores de padrÃes amplamente utilizados na literatura, a saber, o classificador linear dos mÃnimos qua- drados (least squares classifier, LSC) e a mÃquina de aprendizado extremo (extreme learning machine, ELM). AtravÃs de uma ampla gama de experimentos computacionais, usando dados sintÃticos e reais, mostra-se que as versÃes robustas dos classificadores supracitados apresentam desempenho consistentemente superior aos das versÃes originais. / This thesis addresses the problem of data classification when they are contaminated with atypical patterns. These patterns, generally called outliers, are omnipresent in real-world multi- variate data sets, but their a priori detection (i.e. before training the classifier) is a difficult task to perform. As a result, the most common approach is the reactive one, in which one suspects of the presence of outliers in the data only after a previously trained classifier has achieved a low performance. Several strategies can then be carried out to improve the performance of the classifier, such as to choose a more computationally powerful classifier and/or to remove the de- tected outliers from data, eliminating those patterns which are difficult to categorize properly. Whatever the strategy adopted, the presence of outliers will always require more attention and care during the design of a pattern classifier. Bearing these difficulties in mind, this thesis revi- sits concepts and techniques from the theory of robust regression, in particular those related to M-estimation, adapting them to the design of pattern classifiers which are able to automatically handle outliers. This adaptation leads to the proposal of robust versions of two pattern classi- fiers widely used in the literature, namely, least squares classifier (LSC) and extreme learning machine (ELM). Through a comprehensive set of computer experiments using synthetic and real-world data, it is shown that the proposed robust classifiers consistently outperform their original versions.

Made available in DSpace on 2014-12-17T15:48:05Z (GMT). No. of bitstreams: 1 MarjoryCCA.pdf: 917121 bytes, checksum: 918ccb19adcf29ebd6cdbf1f3ac97310 (MD5) Previous issue date: 2006-10-26 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The use of multi-agent systems for classification tasks has been proposed in order to overcome some drawbacks of multi-classifier systems and, as a consequence, to improve performance of such systems. As a result, the NeurAge system was proposed. This system is composed by several neural agents which communicate and negotiate a common result for the testing patterns. In the NeurAge system, a negotiation method is very important to the overall performance of the system since the agents need to reach and agreement about a problem when there is a conflict among the agents. This thesis presents an extensive analysis of the NeurAge System where it is used all kind of classifiers. This systems is now named ClassAge System. It is aimed to analyze the reaction of this system to some modifications in its topology and configuration / A utiliza??o de sistemas baseados no paradigma dos agentes para resolu??o de problemas de reconhecimento de padr?es vem sendo propostos com o intuito de resolver, ou atenuar, o problema de tomada de decis?o centralizada dos sistemas multi-classificadores e, como consequ?ncia, melhorar sua capacidade de classifica??o. Com a inten??o de solucionar este problema, o Sistema NeurAge foi proposto. Este sistema ? composto por agentes neurais que podem se comunicar e negociar um resultado comum para padr?es de teste. No Sistema NeurAge, os m?todos de negocia??o s?o muito importantes para prover uma melhor precis?o ao sistema, pois os agentes necessitam alcan?ar a melhor solu??o e resolver conflitos, quando estes existem, em rela??o a um problema. Esta disserta??o apresenta uma extens?o do Sistema NeurAge que pode utilizar qualquer tipo de classificador e agora ser? chamado de Sistema ClassAge. Aqui ? feita uma an?lise do comportamento do Sistema ClassAge diante de v?rias modifica??es na topologia e nas configura??es dos componentes deste sistema