Made available in DSpace on 2015-03-03T15:07:33Z (GMT). No. of bitstreams: 1 AlexandreGL_DISSERT.pdf: 5013567 bytes, checksum: e16408257f23b984754d0a91e2a173b4 (MD5) Previous issue date: 2011-08-12 / Remote sensing is one technology of extreme importance, allowing capture of data from the Earth's surface that are used with various purposes, including, environmental monitoring, tracking usage of natural resources, geological prospecting and monitoring of disasters. One of the main applications of remote sensing is the generation of thematic maps and subsequent survey of areas from images generated by orbital or sub-orbital sensors. Pattern classification methods are used in the implementation of computational routines to automate this activity. Artificial neural networks present themselves as viable alternatives to traditional statistical classifiers, mainly for applications whose data show high dimensionality as those from hyperspectral sensors. This work main goal is to develop a classiffier based on neural networks radial basis function and Growing Neural Gas, which presents some advantages over using individual neural networks. The main idea is to use Growing Neural Gas's incremental characteristics to determine the radial basis function network's quantity and choice of centers in order to obtain a highly effective classiffier. To demonstrate the performance of the classiffier three studies case are presented along with the results. / O sensoriamento remoto de uma tecnologia de extrema import?ncia na atualidade, permitindo a capta??o de dados da superf?cie terrestre que s?o utilizados com diversas finalidades, entre as quais, fiscaliza??o ambiental, acompanhamento de uso dos recursos naturais, prospec??ao geol?gica e monitoramento de cat?strofes. Uma das aplica??es principais do sensoriamento remoto ? a gera??o de mapas tem?ticos e posterior levantamento de ?reas a partir de imagens geradas por sensores orbitais ou sub-orbitais. M?todos de classica??o de padr?es s?o utilizados na implementa??o de rotinas computacionais que automatizem essa atividade. As redes neurais artificiais apresentam-se como m?todos alternativos vi?veis aos classicadores estat?sticos tradicionais, principalmente em aplica??es cujos dados apresentem alta dimensionalidade como os provenientes de sensores hiperespectrais. Este trabalho tem como objetivo principal desenvolver um classicador baseado nas redes neurais de fun??o de base radial e Growing Neural Gas e que apresenta algumas vantagens em rela??o ? utiliza??o individual de redes neurais. A id?ia principal ? utilizar as caracter?sticas incrementais da rede Growing Neural Gas para determinar a quantidade e a escolha de centros da rede de fun??o de base radial com o intuito de obter um classificador altamente ecaz. Para atestar o desempenho do classicador s?o apresentados tr?s estudos de caso juntamente com os resultados obtidos

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-01-20T20:57:18Z No. of bitstreams: 1 AlessandraMendesPachecoGuerraVale_TESE.pdf: 6083940 bytes, checksum: 50490507cf0394240eea06786d58ff08 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-01-21T19:07:52Z (GMT) No. of bitstreams: 1 AlessandraMendesPachecoGuerraVale_TESE.pdf: 6083940 bytes, checksum: 50490507cf0394240eea06786d58ff08 (MD5) / Made available in DSpace on 2016-01-21T19:07:52Z (GMT). No. of bitstreams: 1 AlessandraMendesPachecoGuerraVale_TESE.pdf: 6083940 bytes, checksum: 50490507cf0394240eea06786d58ff08 (MD5) Previous issue date: 2014-12-26 / A detec??o autom?tica de componentes sangu?neos em imagens microsc?picas ? um importante t?pico da ?rea hematol?gica. A segmenta??o permite que os componentes sangu?neos sejam agrupados em ?reas comuns e a classifica??o diferencial dos leuc?citos possibilita que os mesmos sejam analisados separadamente. Com a segmenta??o autom?tica e classifica??o diferencial, contribui-se no processo de an?lise dos componentes sangu?neos, fornecendo ferramentas que propiciem a diminui??o do trabalho manual e o aumento da sua precis?o e efici?ncia. Utilizando t?cnicas de processamento digital de imagens associadas a uma abordagem fuzzy gen?rica e autom?tica, este trabalho apresenta dois Sistemas de Infer?ncia Fuzzy, definidos como I e II, para a segmenta??o autom?tica de componentes sangu?neos e classifica??o diferencial de leuc?citos, respectivamente, em imagens microsc?picas de esfrega?os. Utilizando o Sistema de Infer?ncia Fuzzy I, a t?cnica desenvolvida realiza a segmenta??o da imagem em quatro regi?es: n?cleo e citoplasma leucocit?rios, eritr?citos e ?rea de plasma e utilizando o Sistema de Infer?ncia Fuzzy II e os leuc?citos segmentados (n?cleo e citoplasma leucocit?rios), os classifica diferencialmente em cinco tipos: bas?filos, eosin?filos, linf?citos, mon?citos e neutr?filos. Foram utilizadas para testes 530 imagens contendo amostras microsc?picas de esfrega?os sangu?neos corados com m?todos variados. As imagens foram processadas e seus ?ndices de Acur?cia e Gold Standards foram calculados e comparados com os resultados manuais e com outros resultados encontrados na literatura para os mesmos problemas. Quanto ? segmenta??o, a t?cnica desenvolvida demonstrou percentuais de acur?cia de 97,31% para leuc?citos, 95,39% para eritr?citos e 95,06% para plasma sangu?neo. Quanto ? classifica??o diferencial, os percentuais variaram entre 92,98% e 98,39% para os diferentes tipos leucocit?rios. Al?m de promover a segmenta??o autom?tica e classifica??o diferencial, a t?cnica desenvolvida contribui ainda com defini??o de novos descritores e a constru??o de um banco de imagens utilizando diversos processos de colora??o hematol?gicos / Automatic detection of blood components is an important topic in the field of hematology. The segmentation is an important stage because it allows components to be grouped into common areas and processed separately and leukocyte differential classification enables them to be analyzed separately. With the auto-segmentation and differential classification, this work is contributing to the analysis process of blood components by providing tools that reduce the manual labor and increasing its accuracy and efficiency. Using techniques of digital image processing associated with a generic and automatic fuzzy approach, this work proposes two Fuzzy Inference Systems, defined as I and II, for autosegmentation of blood components and leukocyte differential classification, respectively, in microscopic images smears. Using the Fuzzy Inference System I, the proposed technique performs the segmentation of the image in four regions: the leukocyte?s nucleus and cytoplasm, erythrocyte and plasma area and using the Fuzzy Inference System II and the segmented leukocyte (nucleus and cytoplasm) classify them differentially in five types: basophils, eosinophils, lymphocytes, monocytes and neutrophils. Were used for testing 530 images containing microscopic samples of blood smears with different methods. The images were processed and its accuracy indices and Gold Standards were calculated and compared with the manual results and other results found at literature for the same problems. Regarding segmentation, a technique developed showed percentages of accuracy of 97.31% for leukocytes, 95.39% to erythrocytes and 95.06% for blood plasma. As for the differential classification, the percentage varied between 92.98% and 98.39% for the different leukocyte types. In addition to promoting auto-segmentation and differential classification, the proposed technique also contributes to the definition of new descriptors and the construction of an image database using various processes hematological staining

Made available in DSpace on 2014-12-17T14:52:57Z (GMT). No. of bitstreams: 1 KatiaYA.pdf: 245375 bytes, checksum: a888164361e9c94e138c9a7e686f31bf (MD5) Previous issue date: 2006-05-19 / Este trabalho tem como objetivo estudar os sistemas de Classifica??es existentes para a garantia da gest?o da qualidade no setor hoteleiro, tendo como foco principal a Matriz de Classifica??o para os Meios de Hospedagem da EMBRATUR e a ISO 9000, observando os benef?cios que esses sistemas e/ou processos de gest?o poder?o vir a proporcionar para o setor hoteleiro no que se refere ? qualidade de seus servi?os. Para a obten??o dessas informa??es foi realizada uma an?lise comparativa dos sistemas de gest?o da qualidade atrav?s de pesquisas bibliogr?ficas e de question?rios enviados para empreendimentos hoteleiros certificados e classificados, onde os principais resultados fornecidos pela pesquisa foram trabalhados de forma a apresentar, de maneira clara, a superioridade de um sistema em rela??o ao outro

Made available in DSpace on 2014-12-17T14:54:48Z (GMT). No. of bitstreams: 1 AntonioPMH.pdf: 3481703 bytes, checksum: 60ec6cc8df48e68b6c13c12104d289d6 (MD5) Previous issue date: 2008-08-08 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The use of the maps obtained from remote sensing orbital images submitted to digital processing became fundamental to optimize conservation and monitoring actions of the coral reefs. However, the accuracy reached in the mapping of submerged areas is limited by variation of the water column that degrades the signal received by the orbital sensor and introduces errors in the final result of the classification. The limited capacity of the traditional methods based on conventional statistical techniques to solve the problems related to the inter-classes took the search of alternative strategies in the area of the Computational Intelligence. In this work an ensemble classifiers was built based on the combination of Support Vector Machines and Minimum Distance Classifier with the objective of classifying remotely sensed images of coral reefs ecosystem. The system is composed by three stages, through which the progressive refinement of the classification process happens. The patterns that received an ambiguous classification in a certain stage of the process were revalued in the subsequent stage. The prediction non ambiguous for all the data happened through the reduction or elimination of the false positive. The images were classified into five bottom-types: deep water; under-water corals; inter-tidal corals; algal and sandy bottom. The highest overall accuracy (89%) was obtained from SVM with polynomial kernel. The accuracy of the classified image was compared through the use of error matrix to the results obtained by the application of other classification methods based on a single classifier (neural network and the k-means algorithm). In the final, the comparison of results achieved demonstrated the potential of the ensemble classifiers as a tool of classification of images from submerged areas subject to the noise caused by atmospheric effects and the water column / A utiliza??o de mapas, derivados da classifica??o de imagens de sensores remotos orbitais, tornou-se de fundamental import?ncia para viabilizar a??es de conserva??o e monitoramento de recifes de corais. Entretanto, a acur?cia atingida no mapeamento dessas ?reas ? limitada pelo efeito da varia??o da coluna d ?gua, que degrada o sinal recebido pelo sensor orbital e introduz erros no resultado final do processo de classifica??o. A limitada capacidade dos m?todos tradicionais, baseados em t?cnicas estat?sticas convencionais, para resolver este tipo de problema determinou a investiga??o de uma estrat?gia ligada ? ?rea da Intelig?ncia Computacional. Neste trabalho foi constru?do um conjunto de classificadores baseados em M?quinas de Vetor de Suporte e classificador de Dist?ncia M?nima, com o objetivo de classificar imagens de sensoriamento remoto de ecossistema de recifes de corais. O sistema ? composto por tr?s est?gios, atrav?s dos quais acontece o refinamento progressivo do processo de classifica??o. Os padr?es que receberam uma classifica??o amb?gua em uma determinada etapa do processo s?o reavaliados na etapa posterior. A predi??o n?o amb?gua para todos os dados aconteceu atrav?s da redu??o ou elimina??o dos falsos positivos. As imagens foram classificadas em cinco tipos de fundos: ?guas profundas, corais submersos, corais intermar?s, algas e fundo arenoso. A melhor acur?cia geral (89%) foi obtida quando foram utilizadas M?quinas de Vetor de Suporte com kernel polinomial. A acur?cia das imagens classificadas foi comparada, atrav?s da utiliza??o de matriz de erro, aos resultados alcan?ados pela aplica??o de outros m?todos de classifica??o baseados em um ?nico classificador (redes neurais e o algoritmo k-means). Ao final, a compara??o dos resultados alcan?ados demonstrou o potencial do conjunto de classificadores como instrumento de classifica??o de imagens de ?reas submersas, sujeitas aos ru?dos provocados pelos efeitos atmosf?ricos e da coluna d ?gua

Made available in DSpace on 2014-12-17T14:56:05Z (GMT). No. of bitstreams: 1 AndreFB_DISSERT.pdf: 2147554 bytes, checksum: 3ed5f0d06e3b072597f2eae69b7d1ca2 (MD5) Previous issue date: 2012-02-24 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The Brain-Computer Interfaces (BCI) have as main purpose to establish a communication path with the central nervous system (CNS) independently from the standard pathway (nervous, muscles), aiming to control a device. The main objective of the current research is to develop an off-line BCI that separates the different EEG patterns resulting from strictly mental tasks performed by an experimental subject, comparing the effectiveness of different signal-preprocessing approaches. We also tested different classification approaches: all versus all, one versus one and a hierarchic classification approach. No preprocessing techniques were found able to improve the system performance. Furthermore, the hierarchic approach proved to be capable to produce results above the expected by literature / As interfaces c?rebro-computador (ICC) t?m como objetivo estabelecer uma via de comunica??o com o sistema nervoso central (SNC) que seja independente das vias padr?o (nervos, m?sculos), visando o controle de algum dispositivo. O objetivo principal da presente pesquisa ? desenvolver uma ICC off-line que separe os diferentes padr?es de EEG resultantes de tarefas puramente mentais realizadas por um sujeito experimental, comparando a efic?cia de diferentes abordagens de pr?-processamento do sinal. Tamb?m foram testadas diferentes abordagens de classifica??o: todos contra todos, um contra um e uma abordagem hier?rquica de classifica??o. N?o foram encontradas t?cnicas de pr?-processamento que melhorem os resultados do sistema. Al?m disso, a abordagem hier?rquica sugerida mostrou-se capaz de produzir resultados acima do padr?o esperado pela literatura

Submitted by SBI Biblioteca Digital (sbi.bibliotecadigital@puc-campinas.edu.br) on 2017-10-04T13:38:28Z No. of bitstreams: 1 GEISA PERAL GIMENES MARTINS.pdf: 1580175 bytes, checksum: 8f822a47410e0626bff8ea2311ea33fc (MD5) / Made available in DSpace on 2017-10-04T13:38:28Z (GMT). No. of bitstreams: 1 GEISA PERAL GIMENES MARTINS.pdf: 1580175 bytes, checksum: 8f822a47410e0626bff8ea2311ea33fc (MD5) Previous issue date: 2017-02-17 / In this dissertation we present the results of the research on the initiative of the State Department of Education of S?o Paulo that, using the results of school performance in SARESP and data of school dropout, categorized or ranked schools in the colors blue, green, yellow, orange or red, in order to understand the trajectory, the operation and the reactions triggered by this governmental initiative in the educational scenario. In order to achieve the proposed objectives, we carried out a bibliographic research and established the state of the art in the academic-scientific literature regarding the categorization or ranking of schools by color, empirical research in order to understand the operation, implementation and extinction of this initiative in the light of perceptions of the school directors and regional directorates of education managers and, finally, documentary research, to study the repercussion of the implementation from the news reports published in the mainstream press, in the trade union press and in data on legal proceedings instituted against the Education of the State of S?o Paulo. The research pointed out that in the academic-scientific literature, in the mainstream press and in the legal media, there is a tendency to value the awards received by schools that obtained high performance in SARESP, with predominantly negative-biased speeches on schools ranking by color, focusing on the resistance of the teachers' union and teachers' dissatisfaction with the neoliberal logic that would be present in the government policies of the PSDB, with a reduced emphasis on positive aspects related to the actions of the State Department of Education. School principals and regional directories of education managers pointed out several positive points related to the categorization or ranking of schools by color, such as the motivation of the school teams that wanted to improve their results, the reflection of the pedagogical practice regarding the results obtained, the secretariat's investments in training courses, funds for underperforming schools, the simplicity of the quality indicator, and the fact that the results of ranking schools took teachers out of a comfort zone. However, the negative points, such as the stigmatization of poor-performing school-based school teams, motivated parents to transfer their children to better-performing schools, as well as the lack of clarity regarding the criteria used in schools ranking, accentuated the dissatisfaction and discomfort of many teachers with the actions that subsidized the categorization or ranking of color schools and raised the level of tension between teachers and the state secretariat of education, pressing the state government to extinguish the initiative in 2002, soon after its implementation. / Por meio da presente disserta??o apresentamos os resultados da pesquisa sobre a iniciativa da Secretaria de Educa??o do Estado de S?o Paulo que, utilizando-se dos resultados do desempenho escolar no SARESP e dados da evas?o escolar, categorizava ou classificava as escolas nas cores azul, verde, amarelo, laranja ou vermelho, com vistas a compreender a trajet?ria, o funcionamento e as rea??es desencadeadas por essa iniciativa governamental no cen?rio educacional. Para atingir os objetivos propostos, realizamos pesquisa bibliogr?fica e estabelecemos o estado da quest?o na literatura acad?mico-cient?fica referente a categoriza??o ou classifica??o das escolas por cores, pesquisa emp?rica com vistas a compreender o funcionamento, a implementa??o e a extin??o dessa iniciativa ? luz das percep??es dos diretores de escola e de gestores das diretorias regionais de ensino e, por fim, pesquisa documental, para estudar a repercuss?o da implementa??o a partir das not?cias veiculadas na grande imprensa, na imprensa sindical e em informa??es constantes de processos judiciais instaurados contra a Secretaria de Educa??o do Estado de S?o Paulo. A pesquisa apontou que na literatura acad?mico-cient?fica, na grande imprensa e nos meios legais h? uma tend?ncia de se valorizar as premia??es recebidas pelas escolas que obtiveram alto desempenho no SARESP, com predomin?ncia de discursos com vi?s negativo sobre a classifica??o das escolas por cores, focados na resist?ncia do sindicato dos professores e na insatisfa??o de professores com a l?gica neoliberal que estaria presente nas pol?ticas governamentais do PSDB, havendo reduzida ?nfase em aspectos positivos relacionados ?s a??es da secretaria estadual de educa??o. Os diretores de escola e gestores das diretorias regionais de ensino apontaram diversos pontos positivos relacionados ? categoriza??o ou classifica??o das escolas por cores, como por exemplo, a motiva??o das equipes escolares que desejavam melhorar seus resultados, a reflex?o da pr?tica pedag?gica diante dos resultados obtidos, os investimentos da secretaria em cursos de capacita??o, as verbas para as escolas com baixo desempenho, a simplicidade do indicador de qualidade e o fato de que os resultados da classifica??o das escolas tiraram os professores de uma zona de conforto. Entretanto, os pontos negativos, como por exemplo a estigmatiza??o das equipes escolares com o r?tulo de ruins que as escolas de baixo desempenho ficaram motivavam pais a transferir seus filhos para escolas com melhor desempenho, e, ainda, a falta de clareza quanto aos crit?rios utilizados na classifica??o das escolas, acentuaram a insatisfa??o e o desconforto de muitos professores com as a??es que subsidiavam a categoriza??o ou classifica??o das escolas por cores e elevaram o n?vel de tens?o entre os professores e a secretaria estadual de educa??o, pressionando o governo estadual a extinguir a iniciativa no ano de 2002, logo ap?s a sua implementa??o.

Made available in DSpace on 2016-04-04T18:36:33Z (GMT). No. of bitstreams: 1 Leiva Nunes.pdf: 403940 bytes, checksum: 08a12e3b692121cf143bf8b7ef89ceae (MD5) Previous issue date: 2007-12-12 / The theoretical basis to build on this research was the discussion of the concepts, paradigms and pertinent approaches to the classification areas in Biblioteconomics, specially concerning to the information classification and organization, considering the changing of the heritage paradigm and the information paradigm, as well as the behavior of the bibliographical classification enlighten by the connection to the access to the documents. Recurring to the inductive hypothetical method, to the exploratory and historical research, and to the documental analysis, it has been tried to find the necessary explanations that interconnects themselves and should be further and deeper investigated and understood. The bibliographical classification, as a study topic, encircle from the most incipient phase of the scientific research, in which there is the heritage as the identification of the problem to be studied to the moment that the produced knowledge is absorbed and internalized as an access to the human knowledge. Identify relations and differences between taxonomies and classification schemes and thesauri. To analyze the access approaching the language as a preponderant factor, its possibilities, its differential and it contribution to the Information Science and its institutionalization. / A base te?rica para o fundamento desta pesquisa foi a discuss?o dos conceitos, paradigmas e abordagens pertinentes ?s ?reas de classifica??o em Biblioteconomia, especialmente, quanto ? classifica??o e ? organiza??o da informa??o, ao levar em considera??o a altera??o do paradigma do acervo para o paradigma da informa??o, bem como o comportamento da classifica??o bibliogr?fica ? luz de liga??o de acesso aos documentos. Ao recorrer-se ao m?todo hipot?tico indutivo, ? pesquisa explorat?ria e hist?rica e ? an?lise document?ria, buscaram-se as explica??es necess?rias que se interrelacionam e que devem ser mais bem investigadas e compreendidas. A classifica??o bibliogr?fica, como t?pico de estudos, abrange desde a fase mais incipiente da pesquisa cientifica, quando temos o acervo como a identifica??o do problema a ser estudado at? o momento em que o conhecimento produzido ? absorvido e internalizado como acesso ao saber humano. Identifica rela??es e diferen?as entre taxonomias, esquemas de classifica??o e tesauros. Analisa o acesso com abordagem ? linguagem, como fator preponderante, e o que possibilita, qual o diferencial dele e em que contribui para a Ci?ncia da Informa??o e a institucionaliza??o da mesma.

Made available in DSpace on 2014-12-17T15:47:44Z (GMT). No. of bitstreams: 1 RaulBP.pdf: 1811907 bytes, checksum: 007d54350318472b95b8e06144b749a5 (MD5) Previous issue date: 2007-07-27 / Although some individual techniques of supervised Machine Learning (ML), also known as classifiers, or algorithms of classification, to supply solutions that, most of the time, are considered efficient, have experimental results gotten with the use of large sets of pattern and/or that they have a expressive amount of irrelevant data or incomplete characteristic, that show a decrease in the efficiency of the precision of these techniques. In other words, such techniques can t do an recognition of patterns of an efficient form in complex problems. With the intention to get better performance and efficiency of these ML techniques, were thought about the idea to using some types of LM algorithms work jointly, thus origin to the term Multi-Classifier System (MCS). The MCS s presents, as component, different of LM algorithms, called of base classifiers, and realized a combination of results gotten for these algorithms to reach the final result. So that the MCS has a better performance that the base classifiers, the results gotten for each base classifier must present an certain diversity, in other words, a difference between the results gotten for each classifier that compose the system. It can be said that it does not make signification to have MCS s whose base classifiers have identical answers to the sames patterns. Although the MCS s present better results that the individually systems, has always the search to improve the results gotten for this type of system. Aim at this improvement and a better consistency in the results, as well as a larger diversity of the classifiers of a MCS, comes being recently searched methodologies that present as characteristic the use of weights, or confidence values. These weights can describe the importance that certain classifier supplied when associating with each pattern to a determined class. These weights still are used, in associate with the exits of the classifiers, during the process of recognition (use) of the MCS s. Exist different ways of calculating these weights and can be divided in two categories: the static weights and the dynamic weights. The first category of weights is characterizes for not having the modification of its values during the classification process, different it occurs with the second category, where the values suffers modifications during the classification process. In this work an analysis will be made to verify if the use of the weights, statics as much as dynamics, they can increase the perfomance of the MCS s in comparison with the individually systems. Moreover, will be made an analysis in the diversity gotten for the MCS s, for this mode verify if it has some relation between the use of the weights in the MCS s with different levels of diversity / Apesar de algumas t?cnicas individuais de Aprendizado de M?quina (AM) supervisionado, tamb?mconhecidos como classificadores, ou algoritmos de classifica??o, fornecerem solu??es que, na maioria das vezes, s?o consideradas eficientes, h? resultados experimentais obtidos com a utiliza??o de grandes conjuntos de padr?es e/ou que apresentam uma quantidade expressiva de dados incompletos ou caracter?sticas irrelevantes, que mostram uma queda na efic?cia da precis?o dessas t?cnicas. Ou seja, tais t?cnicas n?o conseguem realizar um reconhecimento de padr?es de uma forma eficiente em problemas complexos. Com o intuito de obter um melhor desempenho e efic?cia dessas t?cnicas de AM, pensouse na id?ia de fazer com que v?rios tipos de algoritmos de AM consigam trabalhar conjuntamente, dando assim origem ao termo Sistema Multi-Classificador (SMC). Os SMC s apresentam, como componentes, diferentes algoritmos de AM, chamados de classificadores base, e realizam uma combina??o dos resultados obtidos por estes algoritmos para atingir o resultado final. Para que o SMC tenha um desempenho melhor que os classificadores base, os resultados obtidos por cada classificador base devem apresentar uma determinada diversidade, ou seja, uma diferen?a entre os resultados obtidos por cada classificador que comp?em o sistema. Pode-se dizer que n?o faz sentido ter SMC s cujos classificadores base possuam respostas id?nticas aos padr?es apresentados. Apesar dos SMC s apresentarem melhores resultados que os sistemas executados individualmente, h? sempre a busca para melhorar os resultados obtidos por esse tipo de sistema. Visando essa melhora e uma maior consist?ncia nos resultados, assim como uma maior diversidade dos classificadores de um SMC, v?m sendo recentemente pesquisadas metodologias que apresentam como caracter?sticas o uso de pesos, ou valores de con- fian?a. Esses pesos podem descrever a import?ncia que um determinado classificador forneceu ao associar cada padr?o a uma determinada classe. Esses pesos ainda s?o utilizados, em conjunto com as sa?das dos classificadores, durante o processo de reconhecimento (uso) dos SMC s. Existem diferentes maneiras de se calcular esses pesos e podem ser divididas em duas categorias: os pesos est?ticos e os pesos din?micos. A primeira categoria de pesos se caracteriza por n?o haver a modifica??o de seus valores no decorrer do processo de classifica??o, ao contr?rio do que ocorre com a segunda categoria, onde os valores sofrem modifica??es no decorrer do processo de classifica??o. Neste trabalho ser? feito uma an?lise para verificar se o uso dos pesos, tanto est?ticos quanto din?micos, conseguem aumentar o desempenho dos SMC s em compara??o com estes sistemas executados individualmente. Al?m disso, ser? feita uma an?lise na diversidade obtida pelos SMC s, para dessa forma verificar se h? alguma rela??o entre o uso dos pesos nos SMC s com diferentes n?veis de diversidade

Made available in DSpace on 2014-12-17T15:48:09Z (GMT). No. of bitstreams: 1 FillipeMR_DISSERT.pdf: 1204563 bytes, checksum: 66d7e69371d4103cf2e242609ed0bbb7 (MD5) Previous issue date: 2014-02-21 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / The techniques of Machine Learning are applied in classification tasks to acquire knowledge through a set of data or information. Some learning methods proposed in literature are methods based on semissupervised learning; this is represented by small percentage of labeled data (supervised learning) combined with a quantity of label and non-labeled examples (unsupervised learning) during the training phase, which reduces, therefore, the need for a large quantity of labeled instances when only small dataset of labeled instances is available for training. A commom problem in semi-supervised learning is as random selection of instances, since most of paper use a random selection technique which can cause a negative impact. Much of machine learning methods treat single-label problems, in other words, problems where a given set of data are associated with a single class; however, through the requirement existent to classify data in a lot of domain, or more than one class, this classification as called multi-label classification. This work presents an experimental analysis of the results obtained using semissupervised learning in troubles of multi-label classification using reliability parameter as an aid in the classification data. Thus, the use of techniques of semissupervised learning and besides methods of multi-label classification, were essential to show the results / As t?cnicas de Aprendizado de M?quina s?o aplicadas em tarefas de classifica??o para a aquisi??o de conhecimento atrav?s de um conjunto de dados ou informa??es. Alguns m?todos de aprendizado utilizados pela literatura s?o baseados em aprendizado semissupervisionado; este ? representado por pequeno percentual de exemplos rotulados (aprendizado supervisionado) combinados com uma quantidade de exemplos rotulados e n?o rotulados (n?o-supervisionado) durante a fase de treinamento, reduzindo, portanto, a necessidade de uma grande quantidade de dados rotulados quando apenas um pequeno conjunto de exemplos rotulados est? dispon?vel para treinamento. O problema da escolha aleat?ria das inst?ncias ? comum no aprendizado semissupervisionado, pois a maioria dos trabalhos usam a escolha aleat?ria dessas inst?ncias o que pode causar um impacto negativo. Por outro lado, grande parte dos m?todos de aprendizado de m?quina trata de problemas unirr?tulo, ou seja, problemas onde exemplos de um determinado conjunto s?o associados a uma ?nica classe. Entretanto, diante da necessidade existente de classificar dados em uma grande quantidade de dom?nios, ou em mais de uma classe, essa classifica??o citada ? denominada classifica??o multirr?tulo. Este trabalho apresenta uma an?lise experimental dos resultados obtidos por meio da utiliza??o do aprendizado semissupervisionado em problemas de classifica??o multirr?tulo usando um par?metro de confiabilidade como aux?lio na classifica??o dos dados. Dessa maneira, a utiliza??o de t?cnicas de aprendizado semissupervisionado, bem como de m?todos de classifica??o multirr?tulos, foram imprescind?veis na apresenta??o dos resultados

Made available in DSpace on 2014-12-17T14:55:37Z (GMT). No. of bitstreams: 1 SergioPS.pdf: 2376478 bytes, checksum: 7999af148ddd33a9739b28a9fdf05cf3 (MD5) Previous issue date: 2009-04-11 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Equipment maintenance is the major cost factor in industrial plants, it is very important the development of fault predict techniques. Three-phase induction motors are key electrical equipments used in industrial applications mainly because presents low cost and large robustness, however, it isn t protected from other fault types such as shorted winding and broken bars. Several acquisition ways, processing and signal analysis are applied to improve its diagnosis. More efficient techniques use current sensors and its signature analysis. In this dissertation, starting of these sensors, it is to make signal analysis through Park s vector that provides a good visualization capability. Faults data acquisition is an arduous task; in this way, it is developed a methodology for data base construction. Park s transformer is applied into stationary reference for machine modeling of the machine s differential equations solution. Faults detection needs a detailed analysis of variables and its influences that becomes the diagnosis more complex. The tasks of pattern recognition allow that systems are automatically generated, based in patterns and data concepts, in the majority cases undetectable for specialists, helping decision tasks. Classifiers algorithms with diverse learning paradigms: k-Neighborhood, Neural Networks, Decision Trees and Na?ves Bayes are used to patterns recognition of machines faults. Multi-classifier systems are used to improve classification errors. It inspected the algorithms homogeneous: Bagging and Boosting and heterogeneous: Vote, Stacking and Stacking C. Results present the effectiveness of constructed model to faults modeling, such as the possibility of using multi-classifiers algorithm on faults classification / A manuten??o de equipamentos ? um dos principais fatores de custo no ambiente industrial, sendo de fundamental import?ncia o desenvolvimento de t?cnicas de preven??o de falhas. Os motores de indu??o trif?sicos s?o os equipamentos el?tricos mais utilizados na industria, pois apresentam um baixo custo e boa robustez, entretanto, n?o est?o imunes a diversos tipos de falhas como curto-circuitos nos enrolamentos e quebra de barras rot?ricas. Diversas formas de aquisi??o, processamento e an?lise dos sinais s?o aplicadas para melhorar seu diagn?stico. As t?cnicas mais eficazes utilizam sensores de corrente e a an?lise de sua assinatura. Neste trabalho, s?o apresentadas an?lises a partir destes sensores, sendo esta informa??o processada atrav?s do vetor de Park, que fornece uma boa capacidade de visualiza??o dos padr?es. Visando a obten??o destes padr?es fora do ambiente de opera??o, foi desenvolvida uma metodologia para a constru??o das bases de dados. Para a modelagem da m?quina tamb?m ? aplicada a transforma??o de Park no referencial estacion?rio para solucionar as equa??es diferenciais da m?quina. Detec??o de falhas requer uma an?lise profunda das vari?veis envolvidas e suas influ?ncias, tornando o diagn?stico complexo. Reconhecimento de padr?es permite que sistemas sejam gerados automaticamente, por encontrar padr?es e conceitos nos dados, muitas vezes n?o detectados por especialistas, auxiliando na tomada de decis?es. Algoritmos de classifica??o com diferentes paradigmas de aprendizado como k-vizinhos mais pr?ximos, Redes Neurais, ?rvores de Decis?o e Na?ve-Bayes s?o utilizados para reconhecer os padr?es dos motores. M?todos de multiclassifica??o s?o empregados para melhorar o desempenho na taxa de erro de classifica??o, s?o examinados os seguintes algoritmos homog?neos: Bagging e Boosting e heterog?neos: Vote, Stacking e Stacking C. Nos resultados ? poss?vel notar a efic?cia do modelo constru?do para simular as falhas assim como dos algoritmos multiclassificadores para a classifica??o de falhas