Made available in DSpace on 2014-06-11T19:30:50Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-10-22Bitstream added on 2014-06-13T20:00:53Z : No. of bitstreams: 1 moreno_al_dr_ilha.pdf: 923809 bytes, checksum: e8a55f496e6bf5bfbe0531f9211526e5 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Esta pesquisa visa o desenvolvimento de um método para análise da estabilidade transitória de sistemas de energia eletrica multimaquinas, por meio de uma rede neural ART-ARTMAP Fuzzy Euclidiana Modificada com Treinamento Continuado. Esta arquitetura apresenta tres diferenciais em e relação a outras já utilizadas para abordar tal problema: (1) a rede iniciada com apenas um neuronio ativado e vai se expandindo durante todo o o treinamento/análise, (2) possui um módulo de treinamento continuado e (3) a o possui um módulo de deteção de intruso. No primeiro diferencial, a redeé iniciada com um neuronio e vai se expandindo de acordo com a aquisição de conhecimento, isto faz com que esta se torne muito mais rápida e que o gasto computacional se torne mínimo. Com o módulo de treinamento continuado, a rede neural consegue armazenar novos dados sem a necessidade de realizar o retreinamento. Já o módulo de detecção de intruso faz com que, ao ser apresentada a rede uma configuração estranha, a rede execute um treinamento específico para que esta configuração, com um número mínimo de entradas, seja incorporada definitivamente à rede neural. A aplicação para a rede proposta nesta pesquisa, foi a análise de estabilidade transitória, considerando-se o modelo clássico (estabilidade de primeira oscilação), para um sistema composto por 10 máquinas síncronas, 45 barras e 73 linhas de transmissão / This doctoral research aims to develop a method to analyze the transient stability of multimachine eletric power systems, through a neural network Modified Euclidean Fuzzy ART-ARTMAP with Continuous Training. The architecture presented has three differences in relation to others used to deal with this problem: (1) the network starts with only one neuron activated and expands throughout the training/analysis, (2) has a continuous training module and (3) has an intrusion detection module. The first difference, is the fact that it starts with a neuron and expands according to knowledge acquisition of the network, and causes it to become much faster and the computational expenses becomes minimum. With continuous training mod- ule, the neural network can store the new data without the need for the retraining. The intrusion detection module causes, when presented to the network a strange configuration, the network to carry out a specific training for this configuration with a minimum total of inputs so that the configu- ration is definitely incorporated to the neural network. The application for this network, in this research, was to analyze the transient stability consid- ering the classical model (stability of first oscillation) to a system composed of 10 synchronous machines, 45 buses and 73 transmission lines

A área de detecção de outliers (ou detecção de anomalias) possui um papel fundamental na descoberta de padrões em dados que podem ser considerados excepcionais sob alguma perspectiva. Detectar tais padrões é relevante de maneira geral porque, em muitas aplicações de mineração de dados, tais padrões representam comportamentos extraordinários que merecem uma atenção especial. Uma importante distinção se dá entre as técnicas supervisionadas e não supervisionadas de detecção. O presente projeto enfoca as técnicas de detecção não supervisionadas. Existem dezenas de algoritmos desta categoria na literatura e novos algoritmos são propostos de tempos em tempos, porém cada um deles utiliza uma abordagem própria do que deve ser considerado um outlier ou não, que é um conceito subjetivo no contexto não supervisionado. Isso dificulta sensivelmente a escolha de um algoritmo em particular em uma dada aplicação prática. Embora seja de conhecimento comum que nenhum algoritmo de aprendizado de máquina pode ser superior a todos os demais em todos os cenários de aplicação, é uma questão relevante se o desempenho de certos algoritmos em geral tende a dominar o de determinados outros, ao menos em classes particulares de problemas. Neste projeto, propõe-se contribuir com o estudo, seleção e pré-processamento de bases de dados que sejam apropriadas para se juntarem a uma coleção de benchmarks para avaliação de algoritmos de detecção não supervisionada de outliers. Propõe-se ainda avaliar comparativamente o desempenho de métodos de detecção de outliers. Durante parte do meu trabalho de mestrado, tive a colaboração intelectual de Erich Schubert, Ira Assent, Barbora Micenková, Michael Houle e, principalmente, Joerg Sander e Arthur Zimek. A contribuição deles foi essencial para as análises dos resultados e a forma compacta de apresentá-los. / The outlier detection area has an essential role in discovering patterns in data that can be considered as exceptional in some perspective. Detect such patterns is important in general because, in many data mining applications, such patterns represent extraordinary behaviors that deserve special attention. An important distinction occurs between supervised and unsupervised detection techniques. This project focuses on the unsupervised detection techniques. There are dozens of algorithms in this category in literature and new algorithms are proposed from time to time, but each of them uses its own approach of what should be considered an outlier or not, which is a subjective concept in the unsupervised context. This considerably complicates the choice of a particular algorithm in a given practical application. While it is common knowledge that no machine learning algorithm can be superior to all others in all application scenarios, it is a relevant question if the performance of certain algorithms in general tends to dominate certain other, at least in particular classes of problems. In this project, proposes to contribute to the databases study, selection and pre-processing that are appropriate to join a benchmark collection for evaluating unsupervised outlier detection algorithms. It is also proposed to evaluate comparatively the performance of outlier detection methods. During part of my master thesis, I had the intellectual collaboration of Erich Schubert, Ira Assent, Barbora Micenková, Michael Houle and especially Joerg Sander and Arthur Zimek. Their contribution was essential for the analysis of the results and the compact way to present them.

A time series is a time-ordered dataset. Due to its ubiquity, time series analysis is interesting for many scientific fields. Time series data mining is a research area that is intended to extract information from these time-related data. To achieve it, different models are used to describe series and search for patterns. One approach for modeling temporal data is by using complex networks. In this case, temporal data are mapped to a topological space that allows data exploration using network techniques. In this thesis, we present solutions for time series data mining tasks using complex networks. The primary goal was to evaluate the benefits of using network theory to extract information from temporal data. We focused on three mining tasks. (1) In the clustering task, we represented every time series by a vertex and we connected vertices that represent similar time series. We used community detection algorithms to cluster similar series. Results show that this approach presents better results than traditional clustering results. (2) In the classification task, we mapped every labeled time series in a database to a visibility graph. We performed classification by transforming an unlabeled time series to a visibility graph and comparing it to the labeled graphs using a distance function. The new label is the most frequent label in the k-nearest graphs. (3) In the periodicity detection task, we first transform a time series into a visibility graph. Local maxima in a time series are usually mapped to highly connected vertices that link two communities. We used the community structure to propose a periodicity detection algorithm in time series. This method is robust to noisy data and does not require parameters. With the methods and results presented in this thesis, we conclude that network science is beneficial to time series data mining. Moreover, this approach can provide better results than traditional methods. It is a new form of extracting information from time series and can be easily extended to other tasks. / Séries temporais são conjuntos de dados ordenados no tempo. Devido à ubiquidade desses dados, seu estudo é interessante para muitos campos da ciência. A mineração de dados temporais é uma área de pesquisa que tem como objetivo extrair informações desses dados relacionados no tempo. Para isso, modelos são usados para descrever as séries e buscar por padrões. Uma forma de modelar séries temporais é por meio de redes complexas. Nessa modelagem, um mapeamento é feito do espaço temporal para o espaço topológico, o que permite avaliar dados temporais usando técnicas de redes. Nesta tese, apresentamos soluções para tarefas de mineração de dados de séries temporais usando redes complexas. O objetivo principal foi avaliar os benefícios do uso da teoria de redes para extrair informações de dados temporais. Concentramo-nos em três tarefas de mineração. (1) Na tarefa de agrupamento, cada série temporal é representada por um vértice e as arestas são criadas entre as séries de acordo com sua similaridade. Os algoritmos de detecção de comunidades podem ser usados para agrupar séries semelhantes. Os resultados mostram que esta abordagem apresenta melhores resultados do que os resultados de agrupamento tradicional. (2) Na tarefa de classificação, cada série temporal rotulada em um banco de dados é mapeada para um gráfico de visibilidade. A classificação é realizada transformando uma série temporal não marcada em um gráfico de visibilidade e comparando-a com os gráficos rotulados usando uma função de distância. O novo rótulo é dado pelo rótulo mais frequente nos k grafos mais próximos. (3) Na tarefa de detecção de periodicidade, uma série temporal é primeiramente transformada em um gráfico de visibilidade. Máximos locais em uma série temporal geralmente são mapeados para vértices altamente conectados que ligam duas comunidades. O método proposto utiliza a estrutura de comunidades para realizar a detecção de períodos em séries temporais. Este método é robusto para dados ruidosos e não requer parâmetros. Com os métodos e resultados apresentados nesta tese, concluímos que a teoria da redes complexas é benéfica para a mineração de dados em séries temporais. Além disso, esta abordagem pode proporcionar melhores resultados do que os métodos tradicionais e é uma nova forma de extrair informações de séries temporais que pode ser facilmente estendida para outras tarefas.

O comércio de vegetais minimamente processados (VMP) tem crescido substancialmente nos últimos anos devido a sua conveniência, frescor e aparente salubridade. No entanto, o processamento mínimo não reduz as populações de microrganismos patogênicos para níveis seguros. A irradiação de alimentos é utilizada para estender a vida de prateleira e inativar patógenos presentes nos alimentos. Seu uso combinado com o processamento mínimo poderia aumentar a segurança e qualidade dos VMP. Dois diferentes métodos de detecção de alimentos irradiados, um biológico, o DEFT/APC, e outro bioquímico, o teste do cometa, foram aplicados a VMP com o objetivo de testar sua aplicabilidade na detecção do tratamento por radiação. O DEFT/APC é um método de varredura microbiológico baseado no uso da técnica de epifluorescência direta em filtro (DEFT) e da contagem padrão em placas (APC). O teste do cometa detecta o dano no DNA devido, por exemplo, a radiação ionizante. Amostras de acelga, agrião, alface, catalônia, couve, escarola, espinafre e repolho do comércio varejista foram irradiadas com 0,5kGy e 1,0kGy utilizando um irradiador de 60Co. O processamento por irradiação garantiu a redução de pelo menos dois ciclos logarítmicos nas populações de microrganismos aeróbios e psicrotróficos. Em geral, com o aumento das doses de radiação, as contagens DEFT se mantiveram similares independentemente do processamento por irradiação, enquanto as contagens APC diminuíram gradualmente. A diferença das duas contagens aumentou gradualmente com o incremento da dose em todas as amostras. Uma diferença entre o valor de DEFT e do APC maior a 2,0 log seria indicativa de que o VMP foi tratado por irradiação. O teste do cometa permitiu distinguir amostras não irradiadas das irradiadas, que mostraram diferentes tipos de cometas decorrentes da fragmentação do DNA. Tanto o método DEFT/APC quanto o teste do cometa foram satisfatoriamente utilizados como métodos de varredura para a detecção do tratamento por irradiação. / Marketing of minimally processed vegetables (MPV) are gaining impetus due to its convenience, freshness and apparent healthy. However, minimal processing does not reduce pathogenic microorganisms to safe levels. Food irradiation is used to extend the shelf life and inactivation of food-borne pathogens. Its combination with minimal processing could improve the safety and quality of MPV. Two different food irradiation detection methods, a biological, the DEFT/APC, and another biochemical, the DNA Comet Assay were applied to MPV in order to test its applicability to detect irradiation treatment. DEFT/APC is a microbiological screening method based on the use of the direct epifluorescent filter technique (DEFT) and the aerobic plate count (APC). DNA Comet Assay detects DNA damage due to ionizing radiation. Samples of lettuce, chard, watercress, dandelion, kale, chicory, spinach, cabbage from retail market were irradiated 0.5kGy and 1.0kGy using a 60Co facility. Irradiation treatment guaranteed at least 2 log cycle reduction for aerobic and psychrotroph microorganisms. In general, with increasing radiation doses, DEFT counts remained similar independent of irradiation processing while APC counts decreased gradually. The difference of the two counts gradually increased with dose increment in all samples. It could be suggested that a DEFT/APC difference over 2.0 log would be a criteria to judge if a MPV was treated by irradiation. DNA Comet Assay allowed distinguishing non-irradiated samples from irradiated ones, which showed different types of comets owing to DNA fragmentation. Both DEFT/APC method and DNA Comet Assay would be satisfactorily used as a screening method for indicating irradiation processing.

Curbs and road markings were designed to provide a visual low-level spatial perception of road environments. In this sense, a perception system capable of detecting those road features is of utmost importance for an autonomous vehicle. In vision-based approaches, few works have been developed for curb detection, and most of the advances on road marking detection have aimed lane markings only. Therefore, to detect all these road features, multiple algorithms running simultaneously would be necessary. Alternatively, as the main contribution of this work, it was proposed to employ an architecture of Fully Convolutional Neural Network (FCNN), denominated as 3CSeg-Multinet, to detect curbs and road markings in a single inference. Since there was no labeled dataset available for training and validation, a new one was generated with Brazilian urban scenes, and they were manually labeled. By visually analyzing experimental results, the proposed approach has shown to be effective and robust against most of the clutter present on images, running at around 10 fps in a Graphics Processing Unit (GPU). Moreover, with the intention of granting spatial perception, stereo vision techniques were used to project the detected road features in a point cloud. Finally, as a way to validate the applicability of the proposed perception system on a vehicle, it was also introduced a vision-based metric localization model for the urban scenario. In an experiment, compared to the ground truth, this localization method has revealed consistency on its pose estimations in a map generated by LIDAR. / Guias e sinalizações horizontais foram projetados para fornecer a percepção visual de baixo nível do espaço das vias urbanas. Deste modo, seria de extrema importância para um veículo autônomo ter um sistema de percepção capaz de detectar tais características visuais. Em abordagens baseadas em visão, poucos trabalhos foram desenvolvidos para detecção de guias, e a maioria dos avanços em detecção de sinalizações horizontais foi focada na detecção de faixas apenas. Portanto, para que fosse possível detectar todas essas características visuais, seria necessário executar diversos algoritmos simultaneamente. Alternativamente, como sendo a principal contribuição deste trabalho, foi proposto a adoção de uma Rede Neural Totalmente Convolutiva, denominado 3CSeg-Multinet, para detectar guias e sinalizações horizontais em apenas uma inferência. Como não havia um conjunto de dados rotulados disponível para treinar e validar a rede, foi gerado um novo conjunto com imagens capturadas em ambiente urbano brasileiro, e foi realizado a rotulação manual. Através de uma análise visual dos resultados experimentais obtidos, o método proposto mostrou-se eficaz e robusto contra a maioria dos fatores que causam confusão nas imagens, executando a aproximadamente 10 fps em uma GPU. Ainda, com o intuito de garantir a percepção espacial, foram usados métodos de visão estéreo para projetar as características detectadas em núvem de pontos. Finalmente, foi apresentado também um modelo de localização métrica baseado em visão para validar a aplicabilidade do sistema de percepção proposto em um veículo. Em um experimento, este método de localização revelou-se capaz de manter as estimativas consistentes com a verdadeira pose do veículo em um mapa gerado a partir de um sensor LIDAR.

O comércio de vegetais minimamente processados (VMP) tem crescido substancialmente nos últimos anos devido a sua conveniência, frescor e aparente salubridade. No entanto, o processamento mínimo não reduz as populações de microrganismos patogênicos para níveis seguros. A irradiação de alimentos é utilizada para estender a vida de prateleira e inativar patógenos presentes nos alimentos. Seu uso combinado com o processamento mínimo poderia aumentar a segurança e qualidade dos VMP. Dois diferentes métodos de detecção de alimentos irradiados, um biológico, o DEFT/APC, e outro bioquímico, o teste do cometa, foram aplicados a VMP com o objetivo de testar sua aplicabilidade na detecção do tratamento por radiação. O DEFT/APC é um método de varredura microbiológico baseado no uso da técnica de epifluorescência direta em filtro (DEFT) e da contagem padrão em placas (APC). O teste do cometa detecta o dano no DNA devido, por exemplo, a radiação ionizante. Amostras de acelga, agrião, alface, catalônia, couve, escarola, espinafre e repolho do comércio varejista foram irradiadas com 0,5kGy e 1,0kGy utilizando um irradiador de 60Co. O processamento por irradiação garantiu a redução de pelo menos dois ciclos logarítmicos nas populações de microrganismos aeróbios e psicrotróficos. Em geral, com o aumento das doses de radiação, as contagens DEFT se mantiveram similares independentemente do processamento por irradiação, enquanto as contagens APC diminuíram gradualmente. A diferença das duas contagens aumentou gradualmente com o incremento da dose em todas as amostras. Uma diferença entre o valor de DEFT e do APC maior a 2,0 log seria indicativa de que o VMP foi tratado por irradiação. O teste do cometa permitiu distinguir amostras não irradiadas das irradiadas, que mostraram diferentes tipos de cometas decorrentes da fragmentação do DNA. Tanto o método DEFT/APC quanto o teste do cometa foram satisfatoriamente utilizados como métodos de varredura para a detecção do tratamento por irradiação. / Marketing of minimally processed vegetables (MPV) are gaining impetus due to its convenience, freshness and apparent healthy. However, minimal processing does not reduce pathogenic microorganisms to safe levels. Food irradiation is used to extend the shelf life and inactivation of food-borne pathogens. Its combination with minimal processing could improve the safety and quality of MPV. Two different food irradiation detection methods, a biological, the DEFT/APC, and another biochemical, the DNA Comet Assay were applied to MPV in order to test its applicability to detect irradiation treatment. DEFT/APC is a microbiological screening method based on the use of the direct epifluorescent filter technique (DEFT) and the aerobic plate count (APC). DNA Comet Assay detects DNA damage due to ionizing radiation. Samples of lettuce, chard, watercress, dandelion, kale, chicory, spinach, cabbage from retail market were irradiated 0.5kGy and 1.0kGy using a 60Co facility. Irradiation treatment guaranteed at least 2 log cycle reduction for aerobic and psychrotroph microorganisms. In general, with increasing radiation doses, DEFT counts remained similar independent of irradiation processing while APC counts decreased gradually. The difference of the two counts gradually increased with dose increment in all samples. It could be suggested that a DEFT/APC difference over 2.0 log would be a criteria to judge if a MPV was treated by irradiation. DNA Comet Assay allowed distinguishing non-irradiated samples from irradiated ones, which showed different types of comets owing to DNA fragmentation. Both DEFT/APC method and DNA Comet Assay would be satisfactorily used as a screening method for indicating irradiation processing.

Orientador: Adriano Mauro Cansian / Banca: Cesar Augusto Cavalheiro Marcondes / Banca: Leandro Alves Neves / Resumo: Ataques às redes de computadores têm sido cada vez mais constantes e possuem grande capacidade destrutiva. Os sistemas de detecção de intrusão possuem um importante papel na detecção destas ameaças. Dentre estes sistemas, a detecção de anomalias tem sido uma área amplamente explorada devido à possibilidade de detectar ataques até então desconhecidos. Devido à complexidade para a geração de modelos que sejam capazes de descrever o comportamento padrão de um ambiente, técnicas de aprendizagem automática vêm sendo amplamente exploradas. Este trabalho aborda a detecção de ataques a redes de computadores utilizando uma combinação de técnicas de agrupamento. Desse modo, espera-se obter um sistema adaptativo, capaz de encontrar anomalias presentes na rede sem a necessidade de uma etapa de treinamento com dados rotulados. Dado que a taxa de falsos negativos é um dos maiores problemas encontrados na utilização de algoritmos não supervisionados, pretende-se alcançar uma melhora neste quesito através do uso combinado de diferentes técnicas / Abstract: Attacks on computer networks have been constantly increased and have great destructive capacity. Intrusion detection systems have an important role in the detection of these threats. Among these systems, anomaly detection has been widely explored due to the possibility of detecting unknown attacks. These systems are usually built using machine learning techniques due to the complexity of generating models capable of describing the normal behavior of an environment. We aim to addresses the detection of anomalies on computer networks using a combination of clustering techniques. Thus, we expect to achieve an adaptive system, able to find anomalies present in the network without the need of a training step with labeled data. Given that false positive rate is one of the major problems faced when using unsupervised algorithms, we intend to achieve an improvement in this issue with the combined use of different techniques / Mestre

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The analysis of network traffic is a key area for the management of fault-tolerant systems, since anomalies in network traffic can affect the availability and quality of service (QoS). Intrusion detection systems in computer networks are used to analyze network traffic in order to detect attacks and anomalies. The analysis based on anomalies allows attacks detection by analyzing the behavior of the traffic network. This work proposes an intrusion detection tool to quickly and effectively detect anomalies in computer networks generated by denial of service (DoS). The detection algorithm is based on the two-dimensional wavelet transform (2D Wavelet), a derived method of signal analysis. The wavelet transform is a mathematical tool with low computational cost that explores the existing information present in the input samples according to the different levels of the transformation. The proposed algorithm detects anomalies directly based on the wavelet coefficients, considering threshold techniques. This operation does not require the reconstruction of the original signal. Experiments were performed using two databases: a synthetic (DARPA) and another one from data collected at the Federal University of Santa Maria (UFSM), allowing analysis of the intrusion detection tool under different scenarios. The wavelets considered for the tests were all from the orthonormal family of Daubechies: Haar (Db1), Db2, Db4 and Db8 (with 1, 2, 4 and 8 null vanishing moments respectively). For the DARPA database we obtained a detection rate up to 100% using the Daubechies wavelet transform Db4, considering normalized wavelet coefficients. For the database collected at UFSM the detection rate was 95%, again considering Db4 wavelet transform with normalized wavelet coefficients. / A análise de tráfego de rede é uma área fundamental no gerenciamento de sistemas tolerantes a falhas, pois anomalias no tráfego de rede podem afetar a disponibilidade e a qualidade do serviço (QoS). Sistemas detectores de intrusão em redes de computadores são utilizados para analisar o tráfego de rede com o objetivo de detectar ataques ou anomalias. A análise baseada em anomalias permite detectar ataques através da análise do comportamento do tráfego de rede. Este trabalho propõe uma ferramenta de detecção de intrusão rápida e eficaz para detectar anomalias em redes de computadores geradas por ataques de negação de serviço (DoS). O algoritmo de detecção é baseado na transformada Wavelet bidimensional (Wavelet 2D), um método derivado da análise de sinais. A transformada wavelet é uma ferramenta matemática de baixo custo computacional, que explora as informações presentes nas amostras de entrada ao longo dos diversos níveis da transformação. O algoritmo proposto detecta anomalias diretamente nos coeficientes wavelets através de técnicas de corte, não necessitando da reconstrução do sinal original. Foram realizados experimentos utilizando duas bases de dados: uma sintética (DARPA), e outra coletada na instituição de ensino (UFSM), permitindo a análise da ferramenta de detecção de intrusão sob diferentes cenários. As famílias wavelets utilizadas nos testes foram as wavelets ortonormais de Daubechies: Haar (Db1), Db2, Db4 e Db8 (com 1, 2, 4 e 8 momentos nulos respectivamente). Para a base de dados DARPA obteve-se uma taxa de detecção de ataques DoS de até 100% utilizando a wavelet de Daubechies Db4 com os coeficientes wavelets normalizados, e de 95% para a base de dados da UFSM com a wavelet de Daubechies Db4 com os coeficientes wavelets normalizados.

Made available in DSpace on 2015-05-14T12:14:15Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 4811188 bytes, checksum: e6a9d4d69f963d42f294d99b19a7c9fb (MD5) Previous issue date: 2014-07-30 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Dark Matter (DM) is a key piece for our understanding of the universe evolution. Its existence has been confirmed by gravitational effects on the known matter, and we do not know its constitution just yet. The assumption that DM is composed of particles demands an extension of the Standard Model of Elementary Particles (SM). There are many experiments searching for neutral, stable, weakly interacting particles so called WIMPs, but no conclusive positive signal has been observed so far. That being said, we propose a Majorana fermion to be our DM candidate in one of the simplest minimal extensions of the SM, which adds to the scalar sector a neutral scalar that mixes to the Higgs boson. Further, we study another model which supplements the former by adding a charged scalar, which mediates interactions between the DM particle and leptons. In both models, we compute the relic density, the scattering cross section off nucleon (Direct Detection), and its annihilation rate in Standard Model particles (Indirect Detection) using the numerical package micrOMEGAs. In conclusion, we interestingly find that such models have regions of the parameter space yielding the right abundance while compatible with direct and indirect detection limits. Lastly, we investigate the possibility having the Majoron risen in our extensions as dark radiation in the light of the recent CMB spectrum analyses. / A Matéria Escura (ME) é uma peça fundamental para nosso entendimento sobre a evolução do universo. Sua existência foi confirmada pelos efeitos gravitacionais que exerce sobre a matéria que conhecemos e até hoje não sabemos sua constituição. Assumir que ela seja constituída de partículas implica na necessidade de estender o Modelo Padrão das Partículas Elementares (MP). Há vários experimentos buscando partículas neutras, estáveis e pouco interagentes conhecidas como WIMPs, mas até agora nenhum sinal positivo é conclusivo. Em vista disso, propomos um férmion de Majorana como candidato à ME em uma das extensões mais simples do MP, adicionando ao setor escalar um escalar neutro singleto que se mistura com o bóson de Higgs. Em seguida, estudamos outro modelo que acrescenta ao anterior um escalar carregado singleto mediando interações entre as partículas de ME e os léptons. Nos dois modelos, computamos a abundância relíquia, a seção de choque de espalhamento com nucleons (detecção direta) e a taxa de aniquilação de ME em partículas do MP (detecção indireta) usando o pacote numérico micrOMEGAs. Em conclusão, mostramos que esses modelos têm uma interessante região de parâmetros que fornece a abundância relíquia correta estando de acordo com os limites das detecções direta e indireta. Finalmente, investigamos a possibilidade de o majoron que aparece em nossas extensões ser radiação escura, à luz de recentes análises do espectro da radiação CMB.

A time series is a time-ordered dataset. Due to its ubiquity, time series analysis is interesting for many scientific fields. Time series data mining is a research area that is intended to extract information from these time-related data. To achieve it, different models are used to describe series and search for patterns. One approach for modeling temporal data is by using complex networks. In this case, temporal data are mapped to a topological space that allows data exploration using network techniques. In this thesis, we present solutions for time series data mining tasks using complex networks. The primary goal was to evaluate the benefits of using network theory to extract information from temporal data. We focused on three mining tasks. (1) In the clustering task, we represented every time series by a vertex and we connected vertices that represent similar time series. We used community detection algorithms to cluster similar series. Results show that this approach presents better results than traditional clustering results. (2) In the classification task, we mapped every labeled time series in a database to a visibility graph. We performed classification by transforming an unlabeled time series to a visibility graph and comparing it to the labeled graphs using a distance function. The new label is the most frequent label in the k-nearest graphs. (3) In the periodicity detection task, we first transform a time series into a visibility graph. Local maxima in a time series are usually mapped to highly connected vertices that link two communities. We used the community structure to propose a periodicity detection algorithm in time series. This method is robust to noisy data and does not require parameters. With the methods and results presented in this thesis, we conclude that network science is beneficial to time series data mining. Moreover, this approach can provide better results than traditional methods. It is a new form of extracting information from time series and can be easily extended to other tasks. / Séries temporais são conjuntos de dados ordenados no tempo. Devido à ubiquidade desses dados, seu estudo é interessante para muitos campos da ciência. A mineração de dados temporais é uma área de pesquisa que tem como objetivo extrair informações desses dados relacionados no tempo. Para isso, modelos são usados para descrever as séries e buscar por padrões. Uma forma de modelar séries temporais é por meio de redes complexas. Nessa modelagem, um mapeamento é feito do espaço temporal para o espaço topológico, o que permite avaliar dados temporais usando técnicas de redes. Nesta tese, apresentamos soluções para tarefas de mineração de dados de séries temporais usando redes complexas. O objetivo principal foi avaliar os benefícios do uso da teoria de redes para extrair informações de dados temporais. Concentramo-nos em três tarefas de mineração. (1) Na tarefa de agrupamento, cada série temporal é representada por um vértice e as arestas são criadas entre as séries de acordo com sua similaridade. Os algoritmos de detecção de comunidades podem ser usados para agrupar séries semelhantes. Os resultados mostram que esta abordagem apresenta melhores resultados do que os resultados de agrupamento tradicional. (2) Na tarefa de classificação, cada série temporal rotulada em um banco de dados é mapeada para um gráfico de visibilidade. A classificação é realizada transformando uma série temporal não marcada em um gráfico de visibilidade e comparando-a com os gráficos rotulados usando uma função de distância. O novo rótulo é dado pelo rótulo mais frequente nos k grafos mais próximos. (3) Na tarefa de detecção de periodicidade, uma série temporal é primeiramente transformada em um gráfico de visibilidade. Máximos locais em uma série temporal geralmente são mapeados para vértices altamente conectados que ligam duas comunidades. O método proposto utiliza a estrutura de comunidades para realizar a detecção de períodos em séries temporais. Este método é robusto para dados ruidosos e não requer parâmetros. Com os métodos e resultados apresentados nesta tese, concluímos que a teoria da redes complexas é benéfica para a mineração de dados em séries temporais. Além disso, esta abordagem pode proporcionar melhores resultados do que os métodos tradicionais e é uma nova forma de extrair informações de séries temporais que pode ser facilmente estendida para outras tarefas.