Orientador: Dalton Soares Arantes / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-07-28T02:12:51Z (GMT). No. of bitstreams: 1 Castro_FernandoCesarComparside_D.pdf: 5144903 bytes, checksum: 2e6a700874214362f79e59f4c5ff4bc0 (MD5) Previous issue date: 2001 / Resumo: O algoritmo CMA (Constata Modulus Algorithm) é reconhecido como o algoritmo mais amplamente utilizado em equalização autodidata de canais. Entretanto, a função de custo do algoritmo CMA exibe mínimos locais, o que freqüentemente conduz a problemas de convergência. Esta tese propõe o Equalizador Concorrente, no qual um equalizador LMS (Least Mean Square) opera cooperativamente com um equalizador CMA, controlado através de um elo nâo-lÍnear que depende do estado a priori do sistema. Os resultados de simulação utilizando modulação M-QAM mostraram que o Equalizador Concorrente apresenta uma sensibilidade muito mais baixa a mínimos locais do que apresenta a abordagem CMA / Abstract: The Constant Modulus Algorithm {CMA) is recognized as the most widely used algorithm in blind channel equalization practice. However, the CMA cost function exhibits local minima, which often leads to ill-convergence. This thesis proposes the Concurrent Equalizer, in which a Least Mean Square (LMS) equalizer operates cooperatively with a CMA equalizer, controlled through a non-linear link that depends on the system a priori state. Simulation results using M-QAM signalling have shown that the Concurrent Equalizer presents a much lower sensitivity to local minima than the CMA approach / Doutorado / Doutor em Engenharia Elétrica

Orientador : Lucila Schwantes Arouca / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Educação / Made available in DSpace on 2018-08-01T05:54:05Z (GMT). No. of bitstreams: 1 Miranda_AntonioCarlos_M.pdf: 217867 bytes, checksum: 05bd9b6efffa9304958848bd16761288 (MD5) Previous issue date: 2002 / Mestrado

Orientador: Ronaldo Dias / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-03T20:17:33Z (GMT). No. of bitstreams: 1 Rubesam_Alexandre_M.pdf: 3561307 bytes, checksum: 136856548e218dc25a0ba4ee178b63a7 (MD5) Previous issue date: 2004 / Resumo: Alguns dos métodos mais modernos e bem sucedidos de classificação são bagging, boosting e SVM (Support Vector M achines ). B agging funciona combinando classificadores ajustados em amostras bootstrap dos dados; boosting funciona aplicando-se seqüencialmente um algoritmo de classificação a versões reponderadas do conjunto de dados de treinamento, dando maior peso às observações classificadas erroneamente no passo anterior, e SVM é um método que transforma os dados originais de maneira não linear para um espaço de dimensão maior, e procura um hiperplano separador neste espaço transformado. N este trabalho estudamos os métodos descritos acima, e propusemos dois métodos de classificação, um baseado em regressão não paramétrica por Hsplines (também proposto aqui) e boosting, e outro que é uma modificação de um algoritmo de boosting baseado no algoritmo MARS. Os métodos foram aplicados em dados simulados e em dados reais / Abstract: Some of the most modern and well succeeded classification methods are bagging, boosting and SVM (Support Vector Machines). Bagging combines classifiers fitted to bootstrap samples of the training data; boosting sequentially applies a classification algorithm to reweighted versions of the training data, increasing in each step the weights of the observations that were misclassified in the previous step, and SVM is a method that transforms the data in a nonlinear way to a space of greater dimension than that of the original data, and searches for a separating hyperplane in this transformed space. In this work we have studied the methods described above. We propose two classification methods: one of them is based on a nonparametric regression method via H-splines (also proposed here) and boosting, and the other is a modification of a boosting algorithm, based on the MARS algorithm. The methods were applied to both simulated and real data / Mestrado / Mestre em Estatística

Orientador : Jose Mario Martinez / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Científica / Made available in DSpace on 2018-07-14T15:57:16Z (GMT). No. of bitstreams: 1 Carlos_LuizAmorim_M.pdf: 788388 bytes, checksum: 40543469f2d33512950b42093d5fe4f8 (MD5) Previous issue date: 1984 / Resumo: Não informado / Abstract: Not informed / Mestrado / Otimização e Pesquisa Operacional / Mestre em Matemática Aplicada

[pt] O objetivo principal desta dissertação é descrever e discutir o Modelo Bayesiano de Crescimento Linear Sazonal, formulação Estados múltiplos, utilizando descontos. As idéias originais deste modelo foram desenvolvidas por Ameen e Harrison. Na primeira parte do trabalho (capítulos 2 e 3) apresentamos idéias bem gerais sobre Séries Temporais e os principais modelos da literatura. A segunda parte (capítulos 4, 5 e 6) é dedicada à Estatística Bayesiana (conceitos gerais), ao MDL na sua formulação original, e ao nosso modelo de interesse. São apresentadas algumas sugestões operacionais e um fluxograma de operação do modelo, com vistas a uma futura implementação computacional. / [en] The aim of this thesis is to discuss in details the Multiprocess Linear Grawth Bayesian Model for seasonal and/or nonseasonal series, using discount factors. The original formulation of this model was put forward recently by Ameen and Harrison. In the first part of the thesis (chapters 2 and 3) we show some general concepts related to time series and time series modelling, whereas in the second (chapters 4, 5 and 6) we formally presented / the Bayesian formulation of the proposed model. A flow chart and some optional parameter setings aiming a computational implementation is also presented.

[pt] Esta dissertação investiga as Redes Neurais Bayesianas, que é uma nova abordagem que conjuga o potencial das redes neurais artificiais com a solidez analítica da estatística Bayesiana. Tipicamente, redes neurais convencionais como backpropagation, têm bom desempenho mas apresentam problemas de convergência, na ausência de dados suficientes de treinamento, ou problemas de mínimos locais, que trazem como conseqüência longo tempo de treinamento (esforço computacional) e possibilidades de sobre-treinamento (generalização ruim). Por essas razões, tem-se buscado desenvolver novos algoritmos de aprendizado para redes neurais baseados em princípios que pertencem a outras áreas da ciência como a Estatística, Lógica Nebulosa, Algoritmos Genéticos, etc. Neste sentido, este trabalho estuda e avalia um novo algoritmo de aprendizado baseado na estatística bayesiana, que consiste na utilização do mecanismo de interferência bayesiana no cálculo dos parâmetros (pesos) da rede neural. As principais etapas deste trabalho foram: o estudo das diferenças dos enfoques da estatística clássica e bayesiana sobre o aprendizado das redes neurais; o estudo dos métodos utilizados na inferência bayesiana; a avaliação das redes neurais Bayesianas (RNB) com aplicações Benchmarks; e por último, a avaliação das RNBs com aplicações reais. A diferença entre a estatística clássica e Bayesiana sobre o aprendizado das redes neurais esá na forma em que os parâmetros da rede são calculados. Por exemplo, o princípio de máxima verossimilhança quepertence à estatística clássica, na qual está baseada o algoritmo de backpropagation, se caracteriza por estimar um único vetor de parâmetros da rede neural. Por outro lado, a inferência Bayesiana se caracteriza por calcular uma função de densidade de probabilidade sobre todos os possíveis vetores de parâmetros que a rede neural pode possuir. Os métodos utilizados na inferência Bayesiana para calcular a função de densidade de probabilidade dos parâmetros. Neste trabalho se deu ênfase a dois métodos amplamente utilizados na estatística Bayesiana: o método de aproximação gaussiana e o método de MCMC (Markov Chain Monte Carlo), que mostraram sua efetividade com respeito ao problema da dimensão elevada do vetor de parâmetros. Para avaliar o desempenho destes algoritmos de aprendizado Bayesiano, foram feitos testes em aplicações benchmarks de previsão, classificação e aproximação de uma função. Também foram desenvolvidas aplicações reais de previsão de uma série temporal e carga elétrica e reconhecimento de face onde se avaliou o desempenho destes algoritmos. Além disso, foram feitas comparações entre estes algoritmos de aprendizado Bayesiano com o backpropagation, sistemas neuro fuzzy hierárquicos e outras técnicas estatísticas tais como Box&Jenkins e Holt-Winters. Com este trabalho, verificou-se que entre as vantagens dos algoritmos de aprendizado Bayesiano tem-se: a de minimizar o problema de sobre-treinamento (overfitting); controlar a complexidade do modelo (princípio de Occam’s razor) e ter boa generalização com poucos dados de treinamento. / [en] This dissertation investigates the Bayesianan Neural Networks, which is a new approach that merges the potencial of the artificial neural networks with the robust analytical analysis of the Bayesian Statistic. Typically, theconventional neural networks such as backpropagation, have good performance but presents problems of convergence, when enough data for training is not available, or due to problems of local minimum, which result in long training time and overfitting. For these reasons, researchers are investigating new learning algorithm for neural networks based on principle that belong to other area of science like Statistics, Fuzzy logic, Genetic Algorithms, etc. This dissertation studies and evaluates a new learning algorithm based on the Bayesian Statistics, that consists in the use of the Bayesian mechanical inference to calculate the value of the parameters of neural networks. The main steps of this research are: the study of the difference between the approach of the classical statistics and the approach of the Bayesian statistics regarding the process of learning in neural networks (RNB) with Benchmarks applications; and the evaluation of RNBs with real applications. The main differences between the classical and Bayesian statistics in regard to the learning on neural networks are in the form of calculation of the parameters. For example, the principle of maximum likelihood that belongs to classical statistics, in which the backpropagation algorithms, it is characterized for calculate only on vector of parameters of neural networks. However, the Bayesian inference, it is characterized for calculate a probabilistic density function of the parameters of neural networks are approximations or numerical methods, because the correct analytical treatment is difficult due to the high dimensions of the vector parameter. This dissertation gives especial emphasis to two methods: the Gaussian approximation and the Markov Chain Monte Carlo method (MCMC). To evaluate the performance of these Bayesian learning algorithms, a number of test has been done in application benchmarks of time series forecasting, classification and approximation of functions. Also, have been developed real applications on time serie forecasting of electrical and face recognition. Moreover, comparations have been made between the Bayesian learning algorithms with backpropagation, neuro fuzzy systems and other statistical techniques like a Box&Jenkins and Holt-Winters. This dissertation has shown that the advantages of the Bayesian learning algorithms are the minimization of the overfitting, control of the model complexity (principle of Occam’s razor)and good generalization with a few data for training.

Orientador : Rodney Carlos Bassanezi / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-07-18T03:52:56Z (GMT). No. of bitstreams: 1 Bald_AtelmoAloisio_M.pdf: 2680822 bytes, checksum: 11988a2810f2126686f8b1aa0c2c2fdf (MD5) Previous issue date: 1993 / Resumo: Não informado. / Abstract: Not informed. / Mestrado / Mestre em Matemática Aplicada

Orientador: Fabricio Guimarães Baptista / Coorientador: Francesco Ciampa / Banca: André Luiz Andreoli / Banca: Paulo Roberto de Aguiar / Banca: Rosemar Batista da Silva / Banca: Breno Ortega Fernandez / Resumo: Os sistemas de monitoramento de estruturas aeroespaciais, civis e navais, também conhecidos como sistemas de SHM ("Structural Health Monitoring"), têm como objetivo a detecção de danos estruturais em estágio inicial e, desta forma, se garantir a segurança dos usuários e reduzir os custos com manutenção. Entre as várias técnicas existentes para a detecção de danos, a técnica da impedância eletromecânica (E/M) se destaca pela sua metodologia simples e por utilizar transdutores piezelétricos de baixo custo. Basicamente, o diagnóstico de falhas estruturais se dá pela extração da impedância elétrica de um transdutor acoplado em uma estrutura hospedeira, e o diagnóstico estrutural é realizado pela aplicação de índices estatísticos como o desvio da raiz média quadrática - root mean square deviation (RMSD) - que é baseado na norma Euclidiana e o desvio do coeficiente de correlação - correlation coefficient deviation metric (CCDM) - baseado no coeficiente de correlação. Apesar de ser uma técnica promissora e eficaz, as pesquisas envolvendo a técnica da impedância eletromecânica são realizadas em laboratórios sob condições ideais. Todavia, na prática, durante a medição de impedância, é inevitável a contaminação dos sinais por ruído, o que pode influenciar e prejudicar significativamente o diagnóstico de danos estruturais, limitando a aplicabilidade da técnica E/M. Tomando como base essa questão, o objetivo deste trabalho é explorar novas técnicas de processamento de sinais oriundos das... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Structural Health Monitoring (SHM) systems aim to avoid and detect structural damages at the initial stage in order to promote human safety and reduction of maintenance costs. Among numerous SHM methods for damage detection, the electromechanical impedance (EMI) technique stands out to be a simple methodology that uses low-cost piezoelectric transducers. Basically, the structural damage diagnosis is achieved by extracting the electrical impedance of a transducer attached to a host structure and the failure quantification is accomplished by traditional statistical indices such as the root mean square deviation (RMSD) and the correlation coefficient deviation metric (CCDM). Although the EMI stands out to be an effective and promising SHM technique, research involving the electromechanical impedance is commonly performed in laboratories under ideal conditions. However, in practical applications, during the impedance measurements, it's inevitable the signal contamination by noise, which can significantly influence and impair the diagnosis of structural condition, limiting the applicability of the EMI. Based on this issue, the objective of this work is to explore new signal processing techniques from impedance measurements of piezoelectric transducers, aiming to expand the applicability of this promising SHM approach for low signal-to-noise ratio inspections conditions. Experimental tests were carried out on a carbon fiber reinforced plate and an aluminum component, which are wide... (Complete abstract click electronic access below) / Doutor

Made available in DSpace on 2015-03-26T13:32:14Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1797227 bytes, checksum: e12639c68c3972023379c9f437bc1e5c (MD5) Previous issue date: 2012-02-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The base of agribusiness of sugar cane is the breeding. Can be shown that the great strategy selection of plant would be through the prediction of genotypic values using BLUP (Best Linear Unbiased Predictor) individual (BLUPI). This procedure would use both the information of family and individuals for selection. However this method is rarely used in breeding programs because of operational problems related to obtain data plant. Recently an alternative operationally more practical was proposal and is called BLUPIS (BLUP individual simulated). In this case the data are collected at the level of plot. With this is possible to select the best families, and subsequently, to simulate the number of individuals to be selected within the best families. This work has as aims to develop an algorithm for analysis BLUP under the Bayesian focus with different settings of priors in your modeling, in statistical software R, for possible available to the user and compare it with the Classic REML / BLUP. The results showed that the method with Bayesian BLUPIS performed by the algorithm built with the R program was effective. The algorithm took into account the uncertainties on all parameters, as also allowed the use of a priori information. The Bayesian method is more efficient when considering the relationship information model and the distribution of the prior information (major genotypic effects and variances and heritability smaller). / A base do agronegócio de cana-de-açúcar é o melhoramento genético. Pode ser mostrado que a estratégia ótima de seleção da planta seria através da predição de valores genotípicos usando o BLUP (Best Linear Unbiased Predictor) individual (BLUPI). Este procedimento usaria, simultaneamente, a informação de família e de indivíduos para a seleção. No entanto esse método dificilmente é usado nos programas de melhoramento devido a problemas operacionais relacionados à obtenção dos dados ao nível de planta. Recentemente uma alternativa operacionalmente mais prática foi proposta, e é denominada BLUPIS (BLUP individual simulado). Nesse caso os dados são coletados ao nível de parcela. Com isso é possível selecionar as melhores famílias e, posteriormente, simular o número de indivíduos a serem selecionados dentro das melhores famílias. Este trabalho teve como objetivo desenvolver um algoritmo para análise do BLUPIS sob o enfoque bayesiano, com diferentes definições de distribuições a prioris na sua modelagem, no software estatístico R, para possível disponibilização ao usuário e compará-la com o método clássico REML/BLUP. Os resultados mostraram que o método BLUPIS com enfoque bayesiano realizado através do algoritmo construído junto ao programa R foi eficiente. O algoritmo levou em consideração a incerteza existente sobre todos os parâmetros do modelo, como também possibilitou o uso de priori informativa. O método bayesiano se mostrou mais eficiente, isto é, com efeitos genotípicos maiores e variâncias e herdabilidade menores, quando se consideraram no modelo a informação de parentesco e a distribuição da priori informativa.

Made available in DSpace on 2015-03-26T13:32:17Z (GMT). No. of bitstreams: 1 texto completo.pdf: 578545 bytes, checksum: f6ae6dae907e75e3f88a95fd72c929fc (MD5) Previous issue date: 2013-03-18 / The objective of this study is to identify how many factors can affect the variance of the predictions obtained by Ordinary Kriging. For this, different phenomena were simulated in order to obtain the predictions of Ordinary Kriging, using the three usual semivariogram models, different amounts of neighbors to perform the prediction, different spatial dependence indexes and sample size. It was observed that although all the models tended to produce non-biased predictions, the spherical model tended to show a greater variability of the prediction errors in most phenomena simulated, while the Gaussian got smaller. It was also found that when the value of spatial dependence indexes (FDI), the grid size and the number of nearest neighbors were increased, the models tend to have lower variability for all SDI studied, and these ones also tend to stabilize when it reaches a certain amount of neighbors. About the evaluation of the estimates, the exponential model tended to be the one with the worst rating on the variability of the predictions and the spherical the one with the best evaluation in most simulated phenomena. Nevertheless, when it increases the amount of neighbors, the models behavior changes according to the spatial dependence index. / O objetivo deste estudo é poder identificar, como diversos fatores podem afetar a variância das predições obtidas por Krigagem Ordinária. Para tanto, foram simulados diferentes cenários para poder obter as predições de Krigagem Ordinária, usando os três modelos de semivariograma usuais, quantidades diferentes de vizinhos para realizar a predição, diferentes níveis de dependência espacial e tamanhos de amostra. Observou-se que embora todos os modelos tenderam produzir predições não viesadas, o modelo esférico tendeu a apresentar a maior variabilidade dos erros de predições na maioria dos cenários simulados, enquanto que o gaussiano obteve a menor. Verificou-se também que quando se aumentou o valor do índice de dependência espacial (IDE), o tamanho do grid e a quantidade de vizinhos mais próximos, os modelos tenderam a apresentar menores variabilidades para todos IDE estudados, sendo que o mesmo tende a se estabilizar quando se chega a uma determinada quantidade de vizinhos. Quanto à avaliação das estimativas, o modelo exponencial tendeu a ser o modelo com a pior avaliação sobre a variabilidade das predições e o esférico com a melhor avaliação na maioria dos cenários simulados, porém quando se aumenta a quantidade de vizinhos, o comportamento dos modelos se alteram de acordo com o índice de dependência espacial.