Espaços Especulares: articulações entre o real e o virtual é um estudo em artes visuais. O tema principal a partir do qual os trabalhos são baseados é a criação de relações entre espaços reais e espaços virtuais. Dois conceitos operatórios fundamentam a criação das obras: a utilização de reflexões especulares e o site-specific. Esses conceitos serão abordados de duas maneiras distintas: a utilização de espelhos em artes visuais através da noção de Espelho como Dispositivo; já o site-specific será relacionado ao conceito de Estética da Opacidade, ligado à teoria do cinema. O objeto de estudo é composto por dezenove obras criadas no período de 2008 a 2013. São trabalhos produzidos por meio de técnicas híbridas que utilizam procedimentos da arquitetura, computação gráfica e artes visuais. Como metodologia de pesquisa, serão analisados os processos e conceitos operatórios utilizados na produção relacionados com referenciais teóricos e práticos. / Specular Spaces: articulations between the real and the virtual is a study in visual arts. The main theme from which the work is based is creating relationships between real spaces and virtual spaces. Two creative concepts underlie the artistic process: the use of specular reflections and the site-specific. These concepts will be addressed in two different ways: the use of mirrors in the visual arts will be based on the notion of Mirror as a Device, whereas the site-specific is related to the concept of Aesthetics of Opacity, bound to film theory. The object of study is comprised of nineteen artworks created in the period of 2008 to 2013. They are artworks produced by hybrid techniques that utilizes procedures of architecture, computer graphics and visual arts. As a research methodology, the processes and creative concepts will be analyzed related to theoretical and practical examples.

Made available in DSpace on 2014-06-12T15:51:33Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Este trabalho investiga a otimização de Redes Neurais Artificiais (RNA) por métodos baseados em Enxame de Partículas (PSO) para a resolução do problema de previsão de séries temporais. O PSO, apesar de ser uma técnica linear, quando hibridizado com uma técnica não linear, como as redes neurais artificiais, formam um sistema híbrido inteligente (SHI) com um poderoso mecanismo de busca global(exploração) e local (explotação) capaz de capturar as características não lineares presentes em problemas complexos do mundo real. O problema de previsão de séries temporais é abordado através de diferentes modelos de otimização por enxame de partículas, que visam a ajustar os parâmetros livres das RNAs, ora de forma isolada, ora em conjunto com algoritmos de aprendizagem comumente encontrados na literatura. Cada um dos sistemas híbridos inteligentes baseados em PSO age de forma distinta para modelar o fenômeno gerador da série, sendo seu desempenho testado de acordo com um conjunto de cinco métricas robustas para análise de comportamento dos modelos na previsão de séries temporais. Diversos experimentos foram realizados sobre um conjunto de cinco séries temporais de complexidades distintas, sendo duas naturais (série de Manchas Solares e Série de Medidas de Brilho de uma Estrela) e três econômico-financeiras (série das cotações das ações da Petrobras, Índice Dow Jones Industrial Average, e Índice Standard & Poor 500), e os resultados obtidos com os modelos fundamentados em PSO são analisados e comparados com outros métodos clássicos baseados em redes neurais artificiais isoladas e com redes neurais conjugadas com algoritmos genéticos. Os experimentos com modelos baseados em enxames de partículas obtiveram bom desempenho quando comparados com técnicas já consolidadas na literatura (RNA e AG+RNA), mostrando-se capazes de auxiliar de forma significativa na resolução do problema de previsão

Made available in DSpace on 2014-06-12T15:53:49Z (GMT). No. of bitstreams: 2 arquivo6171_1.pdf: 2423042 bytes, checksum: 949507b002f02df43a3c9f1955b129d9 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Esta tese propõe um novo método híbrido que utiliza simulated annealing e o algoritmo de treinamento padrão de retro-propagação dos erros para otimizar redes MLP (Multi Layer Perceptron) aplicadas ao problema de previsão de séries temporais. Este método, denominado aqui de ANNSATS (Artificial Neural Networks and Simulated Annealing for Time Series Forecasting), começa a partir de uma topologia inicial completamente conectada e com um número pré-definido de neurônios e pesos. O sistema híbrido proposto executa ciclos compostos por uma etapa de otimização de topologia de redes neurais seguida por outra etapa de otimização de pesos. Estes ciclos continuam até que são encontrados uma topologia otimizada de rede neural e um ajuste otimizado para os pesos das conexões. Em cada ciclo, primeiramente é criada uma nova rede neural MLP candidata, que é potencialmente mais adequada para resolver o problema específico de previsão. A nova rede é criada habilitando e desabilitando neurônios de entrada e escondidos. Em seguida, os pesos desta nova topologia são ajustados utilizando o algoritmo padrão de retro-propagação dos erros, empregando um número pré-especificado e pequeno de épocas. Após este ajuste, a rede neural candidata é avaliada de acordo com uma função objetivo. Esta função objetivo é proporcional ao número de neurônios correntemente ativos na topologia e ao erro de modelagem para a série temporal. Dependendo do valor calculado para a função objetivo e dos parâmetros correntes do simulated annealing, a topologia candidata pode ser aceita ou rejeitada. Se esta for aceita, então a mesma é utilizada como base para a geração de uma nova rede neural candidata. Se a topologia candidata não for aceita, então a última topologia válida é utilizada para começar um novo ciclo. Resultados experimentais com uma série simulada (série de Hénon) e com outras oito séries de fenômenos reais mostraram que o novo método é capaz de produzir redes MLP com os retardos esperados e com o número de neurônios escondidos suficientes para obter previsões, em média, melhores do que as calculadas por redes MLP treinadas pelo algoritmo padrão de retro-propagação e melhor do que outros resultados disponíveis na literatura relacionada

Made available in DSpace on 2014-06-12T15:54:09Z (GMT). No. of bitstreams: 2 arquivo1961_1.pdf: 7429302 bytes, checksum: f3051d36d41c342d86505592605868d8 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / De forma geral, as abordagens descritas na literatura utilizam apenas a própria série para realizar a previsão, descartando a série de resíduos proveniente da diferença entre os dados reais da série e a previsão do modelo. Os métodos tradicionais de inteligência artificial não tratam a série de resíduos, considerando assim que essa série tenha o comportamento de um ruído branco, contendo pouca ou nenhuma informação relevante. Estudos realizados em torno das séries de resíduos, geradas pelo Método Time-lag Added Evolutionary Forecasting Method(TAEF), possibilitaram a constatação da não existência de características de ruído branco, mas conjuntos de padrões que detém informações relevantes que podem ser captadas pelo método. Com base nesses estudos e inspirado na Teoria da Perturbação, um conceito já comumente usado em outros ramos da ciência, o Método Perturbative Time-lag Added Evolutionary Forecasting Method (Método P-TAEF) foi desenvolvido para tratamento e previsão das séries residuais. A Teoria da Perturbação é semelhante a uma expansão de potências, como na expansão de Taylor, onde cada termo acrescentado à expansão introduz um fator de correção, que converge para a solução real do problema. Vários experimentos foram realizados com o Método P-TAEF com séries temporais com diferentes características. Foram utilizadas séries de natureza e complexidade distintas, de tal modo a comprovar a eficiência do método proposto. Foi testado um conjunto de sete séries, sendo uma artificial (série do Mapa de Hénon), duas de fenômenos da natureza (série das Manchas Solares e série de Medidas do Brilho de uma Estrela) e quatro séries econômico-financeiras (Índice Dow Jones Industrial Average, Índice Nasdaq,´ Índice S&P500 e valores de Fechamento das Ações da Petrobras (PetrobrasON)). Os experimentos foram comparados com técnicas tradicionais de IA encontradas na literatura e com o Método TAEF

Made available in DSpace on 2014-06-12T15:56:09Z (GMT). No. of bitstreams: 2 arquivo2750_1.pdf: 2282996 bytes, checksum: f61a8b47ec62dc124a6eafe258c2c9a0 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco / As pesquisas relacionadas à previsão de séries temporais têm sido uma área de bastante interesse nas últimas décadas. Várias técnicas têm sido pesquisadas para a previsão de séries temporais. Este trabalho propõe métodos híbridos, com a finalidade de tentar representar o complexo fenômeno de previsão de séries temporais do mundo real. A gênese do estudo é baseada no conceito sobre o qual, diferentes partes da série temporal podem ser resultantes de diferentes processos físicos que ocorrem na natureza e necessitam, portanto, de diferentes modelagens. A dissertação divide-se em duas etapas. Na primeira, são propostos mais dois sistemas híbridos (BH + MLP e BMT + MLP) para a seleção das variáveis de entradas para os modelos de previsão. Na segunda, são propostas dois métodos híbridos (SOM + MLP e MLP + Fuzzy) para o processo de previsão de séries temporais. Para realizar o estudo comparativo entre as técnicas, dez séries temporais do mundo real foram utilizadas. No que diz respeito à seleção de variáveis os resultados mostraram que a utilização do sistema híbrido Busca pela Memória Temporal e Redes Neurais (BMT + MLP) foi capaz de encontrar um subconjunto de variáveis representativo para o problema. Dos resultados obtidos pode-se concluir que a seleção de variáveis ocorreu de forma bastante satisfatória com a utilização da Busca Harmônica e Redes Neurais, mas ocorreu com maior rapidez e eficiência quando da utilização do sistema proposto BMT + MLP. Apesar dos erros médios quadráticos obtidos pela rede neural serem, em geral, estatisticamente similares para as duas técnicas, a principal vantagem da BMT + MLP é a capacidade de encontrar o subconjunto de variáveis considerado ótimo de forma bastante rápida. Ao realizar a comparação dos resultados obtidos dos modelos propostos com dois modelos da literatura, os modelos propostos apresentaram um melhor desempenho. Quanto aos modelos de previsão propostos, os resultados obtidos apresentaram menor erro ou no máximo iguais em comparação com a rede MLP e com os modelos Estatísticos, para todas as séries simuladas. Por outro lado, os dois modelos propostos (SOM + MLP e MLP + Fuzzy) apresentaram em média resultados que foram considerados estatisticamente similares

Made available in DSpace on 2014-06-12T15:56:12Z (GMT). No. of bitstreams: 2 arquivo2764_1.pdf: 1664422 bytes, checksum: 79eaee65874c2baef2a7f616acbbb579 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco / A proposta desta dissertação é a criação de sistemas de reconhecimento de padrões baseada em abordagens híbridas, com o intuito de reduzir o tempo computacional e melhorar o desempenho quando comparado com outras técnicas de agrupamento. Esta dissertação propõe os métodos de agrupamentos SOMAK, que é a combinação dos Mapas Auto-Organizáveis (SOM) seguido do algoritmo Ant Kmédias (AK), ASCAK, composto pelos os algoritmos ASCA e AK e SOINAK, composto pela Rede Neural Incremental Auto-Organizável (SOINN) e AK. SOM é uma Rede Neural Artificial (RNA) que permite a visualização de dados de alta dimensionalidade e implementa um mapeamento ordenado de uma distribuição de alta dimensão dentro de uma grade regular de baixa dimensão. ASCA e AK são algoritmos de agrupamentos baseados na otimização da colônia de formigas (ACO). ACO é uma abordagem meta-heurística recentemente proposta para resolver problemas de difícil otimização combinatória. SOINN é uma rede neural de representação topológica útil para solucionar problemas de aprendizagem não supervisionada, gerando grupos de dados correlacionados e pode ser capaz de realizar este aprendizado de forma incremental. SOMAK, ASCAK e SOINAK empregam SOM, ASCA e a rede neural SOINN respectivamente como classificadores de características sobre os dados de entrada, ao invés de realizar o agrupamento dos dados diretamente. Primeiro, um conjunto grande de protótipos é formado pela rede neural SOM, o algoritmo ASCA e a rede neural incremental SOINN. Na segunda etapa, os protótipos são interpretados e então combinados para formar os agrupamentos finais ou definitivos. O benefício dos métodos propostos é a redução de ruídos. O algoritmo AK modifica o algoritmo K-médias localizando os objetos em seguida agrupando-os de acordo com probabilidades que são atualizadas pelo feromônio. SOINAK tem apresentado um melhor desempenho quando comparado com algumas outras técnicas híbridas de agrupamento, diferentemente do desempenho alcançado pelos métodos de agrupamentos SOMAK e ASCAK

Made available in DSpace on 2014-06-12T15:57:14Z (GMT). No. of bitstreams: 2 arquivo3150_1.pdf: 1307018 bytes, checksum: ba6c797961ba6b10284f16cd4227343f (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Este trabalho propõe uma metodologia de otimização multimodal e simultânea de pesos e arquiteturas de Redes Neurais Artificiais (RNAs) com Evolução Diferencial. O sistema neural híbrido proposto busca por arquiteturas de forma construtiva e realiza o ajuste dos pesos invasivamente, dispensando assim o uso de algoritmos de treinamento por correção de erros. A motivação para o desenvolvimento do presente trabalho é propor uma abordagem que contorne a sensibilidade natural dos métodos construtivos e invasivos aos mínimos locais , tanto na busca de arquiteturas, quanto no ajuste dos pesos das RNAs. Para isto, utilizou-se uma estraté- gia implícita de manutenção da diversidade inspirada na computação evolucionária paralela. A combinação desta estratégia em um sistema neural híbrido, assim como sua adaptação em uma metodologia construtiva e invasiva, é a principal inovação deste trabalho. Como base evolucionária da metodologia proposta, foram utilizadas a Evolução Diferencial em sua forma original e também uma recente variação deste algoritmo, a Evolução Diferencial baseada em Oposição. Desta forma, esta dissertação possui dois objetivos primários: (1) avaliar a performance da metodologia proposta comparando com outros sistemas neurais híbridos encontrados na literatura; (2) avaliar e comparar o desempenho dos dois algoritmos evolucionários utilizados na otimização de redes neurais. Os experimentos foram conduzidos com o propósito de otimizar redes Multi-Layer Perceptron (MLP) para problemas de classificação. Os critérios utilizados para análise de performance do método foram a capacidade de generalização, tamanho da arquitetura encontrada e tempo de convergência. Os resultados obtidos indicam que o método proposto possui grande capacidade de generalização com qualidade de resposta superior ou equivalente a muitos métodos encontrados na literatura, e geralmente com menor arquitetura. Além do mais, a metodologia multimodal proposta obteve estes bons resultados com velocidade plausível, necessitando de poucos segundos para convergir. Estas análises ressaltam a boa performance geral do sistema neural híbrido proposto, cuja característica uni-modular sugere que bons resultados podem ser obtidos sem excessiva complexidade e em tempo hábil

Made available in DSpace on 2014-06-12T15:59:48Z (GMT). No. of bitstreams: 2 arquivo5591_1.pdf: 1590353 bytes, checksum: 797ebf6670d6408c7051ea1631a937a4 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Nos últimos anos, têm-se registrado um crescente interesse e popularização de imagens digitais, através de dispositivos tais como câmeras digitais, celulares, webcam ou filmadoras digitais. Com a grande quantidade de informação visual disponível, cresce a dificuldade do usuário em recuperar essas informações de forma precisa e eficiente. Atualmente, existem inúmeros mecanismos de busca baseados em descrições textuais ou keywords. No entanto, existem grandes dificuldades nessa abordagem, (i ) o trabalho manual requerido para notação das imagens e (ii ) a subjetividade para essa notação. Devido a essas e outras dificuldades, os mecanismos de busca baseado em keywords geram uma grande quantidade de respostas não relevantes. Nesse contexto, grandes esforços têm sido feito na área de recuperação de imagens baseados em conteúdo, de forma a tornar esse tipo de conteúdo mais acessível aos seus usuários. A proposta geral para a dissertação é desenvolver uma nova estratégia de recuperação de imagens baseada na forma, utilizando o descritor de forma Curvature Scale Space (CSS) e Mapas Auto-Organizáveis (SOM) para descrever, classificar, indexar e recuperar imagens. Essa nova abordagem possibilita a realização de consultas por similaridade levando em consideração a semelhança entre o contorno fechado dos objetos pesquisados. As características dos objetos são representados através de uma imagem multi-escalar CSS e pr´e-processados, constituindo em dados que serão usados como treinamento da rede SOM. Nesse estudo, avaliamos a acurácia e o tempo de busca através de uma base benchmark denominada Core Experiment (CE-1B). Utilizamos variações dessa base para analisar o desempenho sobre transformações geométricas de escala, rotação e translação. Os resultados obtidos mostram que a combinação do descritor CSS e SOM representa uma estratégia promissora para recuperação de imagens, com uma alta performance de tempo

Made available in DSpace on 2014-06-12T15:59:51Z (GMT). No. of bitstreams: 2 arquivo5651_1.pdf: 8886352 bytes, checksum: da501aea5abdb4aea97774ec7b6e1fd7 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Neste trabalho é realizado um estudo sistemático para a resolução do problema de previsão de séries temporais com a utilização de técnicas de Inteligência Artificial. Inicialmente, modelos de Box & Jenkins são aplicados para a previsão de séries temporais para a geração de um padrão de referência. São investigadas então técnicas da Inteligência Artificial mais comumente encontradas na literatura, como redes neurais artificiais e algoritmos genéticos, bem como um sistema híbrido inteligente resultante da união destas duas técnicas. Observando as deficiências e os pontos fortes das metodologias estudadas, foi desenvolvido um novo método para a previsão de séries temporais, the Time-lag Added Evolutionary Forecasting (TAEF) Method, combinando redes neurais artificiais, um algoritmo genético modificado, um mecanismo de busca evolutiva pela dimensionalidade mínima necessária para a reconstrução do espaço de fase gerador da série, e um procedimento de pós-processamento para a determinação da fase da previsão gerada. Experimentos extensivos realizados com o Método TAEF com séries temporais de natureza, complexidade e características de comportamento diversificadas, comprovam a eficiência e robustez do método proposto. Tendo sido testado em um conjunto de oito séries temporais, sendo duas séries artificiais (série do Mapa de H_enon e série Random Walk), duas de fenômenos naturais (série das Manchas Solares e série de Medidas de Brilho de uma Estrela) e quatro séries econômicas e financeiras (Índice Dow Jones, Índice Nasdaq, Índice S&P500 e Ações da Petrobras), o método TAEF apresenta um desempenho de previsão comprovadamente superior às demais técnicas investigadas e a vários outros trabalhos encontrados na literatura. Além deste experimentos, séries artificiais com características peculiares também foram criadas para a certificação da robustez do método, como séries de Random Walk com Drift e/ou Sazonalidade aditiva, Séries geradas a partir de modelos GARCH, SETAR e STAR. Por fim, simulações de um sistema de apoio à decisão para a compra e venda de ações na bolsa de valores do estado de São Paulo (Bovespa) são montadas, demonstrando a possibilidade de uso prático do método TAEF, consolidando-o como uma nova metodologia viável e de alto desempenho para a resolução do problema de previsão de séries temporais

Made available in DSpace on 2014-06-12T16:00:14Z (GMT). No. of bitstreams: 2 arquivo6093_1.pdf: 741570 bytes, checksum: fdadc967604851f84c712755a38b8051 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / A alocação de veículos para uma determinada demanda de consumidores, espalhados geograficamente, está sujeita a uma explosão combinatória de possibilidades, devido às infinitas alternativas de escalonamento. Esta característica impossibilita, para grandes demandas, o tratamento deste problema por algoritmos exatos, ou seja, aqueles que buscam com garantia a solução ótima do problema. Em contrapartida, existem os métodos heurísticos, que são capazes de resolver tais problemas de forma satisfatória, mas não garantindo que a solução alcançada seja a melhor possível. Esta dissertação apresenta, como principal contribuição, um Sistema Híbrido (SH) para o conhecido Problema de Roteamento de Veículos com Janela de Tempo (PRVJT). Este SH é composto dos métodos (i) Recozimento Simulado Não Monotônico (RSNM), (ii) Subida na Encosta (SE) e (iii) Reinício Aleatório (RA). Os métodos foram combinados visando promover a diversificação e a intensificação na busca por soluções do PRVJT. Como contribuição secundária, este trabalho apresenta um arcabouço de métodos estatísticos que é capaz de ajustar parâmetros de sistemas estocásticos para otimização de desempenho. Os resultados dos experimentos realizados com o modelo proposto foram comparados com cada um dos melhores resultados individuais, alcançados anteriormente, pelos diferentes algoritmos conhecidos, para toda a base de dados de Solomon. Os resultados obtidos pelo SH se mostraram relevantes, tendo o método superado ou igualado 37 das 56 instâncias testadas, caracterizando o SH como um método eficaz e robusto no tratamento do PRVJT