A Transferência Indutiva de Potência (TIP) é uma maneira de se realizar transferência de energia elétrica sem fio e tem se popularizado atualmente por conta da comodidade e segurança que ela proporciona. Esta dissertação apresenta o estudo de um sistema TIP para recarga de baterias e existem vários desafios que devem ser superados nesta área. Um deles é a metodologia de projeto dos indutores primário e secundário, pois não é uma tarefa trivial encontrar uma relação entre parâmetros geométricos, elétricos e magnéticos. Diante deste fato este trabalho apresenta e aperfeiçoa uma metodologia de projeto utilizando uma ferramenta computacional gratuita baseada no método dos elementos finitos. Os resultados experimentais demonstram que o método é válido e a ferramenta é adequada não somente para o projeto dos indutores, mas também para análise do comportamento dos mesmos diante de desalinhamentos espaciais. Além disso, é apresentado o funcionamento básico de dois conversores muito utilizados em TIP e o estado da arte das malhas ressonantes, cuja função é minimizar a energia reativa consumida nos circuitos primário e secundário. Em seguida são discutidas técnicas de estimação de tensão e corrente na carga utilizando medidas de tensão e/ou corrente em elementos do circuito primário. Essas técnicas são importantes, pois permitem a utilização apenas do controlador presente no circuito primário e isto implica na redução dos custo e complexidade do sistema TIP. Durante o estudo verificou-se na literatura que não existia uma técnica de estimação para o sistema TIP adotado neste trabalho e portanto, foi necessário desenvolver uma nova proposta de estimador. Os resultados de simulação demonstram que o estimador possui um bom desempenho mesmo diante de variações do coeficiente de acoplamento e da resistência na carga e é portanto adequado para situações em que é necessário realizar recarga de baterias com TIP. / Inductive Power Transfer (IPT) is a way to conduct wireless power transfer and has become popular today because of the convenience and security it provides. This dissertation presents the study of a IPT system for battery recharging and there are several challenges that must be overcome in this area. One of them is the design methodology of the primary and secondary inductors, since it is not a trivial task to find a relation between geometric, electric and magnetic parameters. In view of this fact, this work presents and improves a project methodology using a free computational based on the finite element method. The experimental results demonstrate that the method is valid and the tool is suitable not only for the design of the inductors, but also for the analysis of their behavior in face of spatial misalignments. In addition, this dissertation presents the basic operation of two widely used IPT converters and the state of the art of compensations networks, whose function is to minimize the reactive energy consumed in the primary and secondary circuits. Next, load voltage and load current estimation techniques are discussed using voltage and/or current measurements on elements of the primary circuit. These techniques are important because they allow the use of a single controller in the primary circuit, reducing the cost and complexity of the IPT system. During the study, it was verified in the literature the inexistence of a estimation technique for the IPT system adopted in this work and therefore, it was necessary to propose and develop a new estimator. The simulation results show that the proposed estimator performs well even in the case of variations in the coupling coefficient and load resistance and is therefore suitable for situations where it is necessary to recharge IPT batteries.

Made available in DSpace on 2014-12-17T15:12:16Z (GMT). No. of bitstreams: 1 RicardoGAP_DISSERT.pdf: 757603 bytes, checksum: bfeae294ee68b7c0f314886fbbd624fb (MD5) Previous issue date: 2012-10-02 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The following work is to interpret and analyze the problem of induction under a vision founded on set theory and probability theory as a basis for solution of its negative philosophical implications related to the systems of inductive logic in general. Due to the importance of the problem and the relatively recent developments in these fields of knowledge (early 20th century), as well as the visible relations between them and the process of inductive inference, it has been opened a field of relatively unexplored and promising possibilities. The key point of the study consists in modeling the information acquisition process using concepts of set theory, followed by a treatment using probability theory. Throughout the study it was identified as a major obstacle to the probabilistic justification, both: the problem of defining the concept of probability and that of rationality, as well as the subtle connection between the two. This finding called for a greater care in choosing the criterion of rationality to be considered in order to facilitate the treatment of the problem through such specific situations, but without losing their original characteristics so that the conclusions can be extended to classic cases such as the question about the continuity of the sunrise / O seguinte trabalho consiste na interpreta??o e an?lise do problema da indu??o sob uma vis?o fundamentada em teoria de conjuntos e teoria de probabilidades como base para a solu??o de suas implica??es filos?ficas negativas relativas aos sistemas de l?gica indutiva de maneira geral. Devido ? import?ncia do problema e aos desenvolvimentos recentes nos referidos campos de conhecimento (in?cio do s?culo 20), bem como ?s rela??es vis?veis entre eles e o processo de infer?ncia indutivo, tem-se aberto um campo de possibilidades relativamente inexplorado e promissor. O ponto-chave para o estudo consiste na modelagem do processo de aquisi??o de informa??o usando conceitos de teoria de conjuntos, seguido por um tratamento usando teoria de probabilidades. Ao longo do estudo foi poss?vel identificar, como obst?culos principais ? justifica??o probabil?stica, tanto o problema da defini??o do conceito de probabilidade quanto do de racionalidade, al?m da sutil conex?o entre ambos. Essa constata??o permitiu um maior cuidado na escolha do crit?rio de racionalidade a ser considerado no intuito de viabilizar o tratamento do problema por meio de situa??es-exemplo espec?ficas, mas sem a perda de suas caracter?sticas originais, de modo que as conclus?es obtidas possam ser estendidas a casos cl?ssicos como o relativo ? d?vida sobre a continuidade do nascer do sol

Este trabalho investiga Aprendizado Indutivo de Máquina como função das linguagens de descrição, utilizadas para expressar instancias, conceitos e teoria do domínio. A ampliação do poder de representação do aprendizado proporcional e abordada no contexto de indução construtiva, no domínio de funções booleanas, com a proposta de uma estratégia de composição de atributos denominada root-fringe. Avaliações experimentais dessa e de outras estratégias de construção de novos atributos foram conduzidas e os resultados analisados. Dois métodos de poda, para tratamento de ruídos, em aprendizado de arvores de decisão, foram avaliados num ambiente de indução construtiva e os resultados discutidos. Devido a limitação do aprendizado proposicional, foram investigadas formas de ampliação dos limites do aprendizado, através da ampliação do poder representacional das linguagens de descrição. Foi escolhida Programação Lógica Indutiva - PLI - que e um paradigma de aprendizado indutivo que usa restrições de Lógica de Primeira Ordem como linguagens de descrição. O aprendizado em PLI só é factível quando as linguagens utilizadas estão restritas e é fortemente controlado, caso contrário, o aprendizado em PLI se torna indecidível. A pesquisa em PLI se direcionou a formas de restrição das linguagens de descrição da teoria do domínio e de hipóteses. Três algoritmos que \"traduzem\" a teoria do domínio de sua forma intencional, para extensional, são apresentados. As implementações de dois deles são discutidas. As implementações realizadas deram origem a dois ambientes experimentais de aprendizado: o ambiente proposicional experimental, do qual fazem parte o ambiente experimental construtivo, e o ambiente experimental relacional. / This work investigates Inductive Machine Learning as a function of the description languages employed to express instances, concepts and domain theory. The enlargement of the representational power of propositional learning methods is approached via constructive induction, in the domain of boolean functions, through the proposal of a bias for composing attributes, namely, the bias root-fringe. Experimental evaluation of root-fringe, as well as other biases for constructing new attributes was conducted and the results analyzed. Two pruning methods for decision trees were evaluated in an environment of constructive induction and the results discussed. Due to the limitations of propositional learning, ways of enlarging the limits of the learning process were investigated through enlarging the representational power of the description languages. It was chosen Inductive Logic Programming - ILP - that is an inductive learning paradigm that uses restrictions of First Order Logic as description languages. Learning using ILP is only feasible when the languages are restricted and are strongly controlled; otherwise, learning in ILP becomes undecidible. Research work in ILP was directed towards restricting domain theory and hypotheses description languages. Three algorithms that \"translate\" the intentional expression of a domain theory into its extensional expression are presented. The implementations of two of them are discussed. The implementations gave rise to two experimental learning environments: the propositional environment, which includes the constructive environment, and the relational environment.

O Aprendizado de Máquina trata da questão de como desenvolver programas de computador capazes de aprender um conceito ou hipótese a partir de um conjunto de exemplos ou casos observados. Baseado no conjunto de treinamento o algoritmo de aprendizado induz a classificação de uma hipótese capaz de determinar corretamente a classe de novos exemplos ainda não rotulados. Linguagens de descrição são necessárias para escrever exemplos, conhecimento do domínio bem como as hipóteses aprendidas a partir dos exemplos. Em geral, essas linguagens podem ser divididas em dois tipos: linguagem baseada em atributo-valor ou proposicional e linguagem relacional. Algoritmos de aprendizado são classificados como proposicional ou relacional dependendo da liguagem de descrição que eles utilizam. Além disso, no aprendizado simbólico o objetivo é gerar a classificação de hipóteses que possam ser facilmente interpretadas pelos humanos. Algoritmos de aprendizado proposicional utilizam a representação atributo-valor, a qual é inadequada para representar objetos estruturados e relações entre esses objetos. Por outro lado, a Programação lógica Indutiva (PLI) é realizada com o desenvolvimento de técnicas e ferramentas para o aprendizado relacional. Sistemas de PLI são capazes de aprender levando em consideração conhecimento do domínio na forma de um programa lógico e também usar a linguagem de programas lógicos para descrever o conhecimento induzido. Neste trabalho foi implementado um módulo chamado Kaeru para converter dados no formato atributo-valor para o formato relacional utilizado pelo sistema de PLI Aleph. Uma série de experimentos foram realizados com quatro conjuntos de dados naturais e um conjunto de dados real no formato atributo valor. Utilizando o módulo conversor Kaeru esses dados foram convertidos para o formato relacional utilizado pelo Aleph e hipóteses de classificação foram induzidas utilizando aprendizado proposicional bem como aprendizado relacional. É mostrado também, que o aprendizado proposicional pode ser utilizado para incrementar o conhecimento do domínio utilizado pelos sistemas de aprendizado relacional para melhorar a qualidade das hipóteses induzidas. / Machine Learning addresses the question of how to build computer programs that learn a concept or hypotheses from a set of examples, objects or cases. Descriptive languages are necessary in machine learning to describe the set of examples, domain knowledge as well as the hypothesis learned from these examples. In general, these languages can be divided into two types: languages based on attribute values, or em propositional languages, and relational languages. Learning algorithms are often classified as propositional or relational taking into consideration the descriptive language they use. Typical propositional learning algorithms employ the attribute value representation, which is inadequate for problem-domains that require reasoning about the structure of objects in the domain and relations among such objects. On the other hand, Inductive Logig Programming (ILP) is concerned with the development of techniques and tools for relational learning. ILP systems are able to take into account domain knowledge in the form of a logic program and also use the language of logic programs for describing the induced knowledge or hypothesis. In this work we propose and implement a module, named kaeru, to convert data in the attribute-value format to the relational format used by the ILP system Aleph. We describe a series of experiments performed on four natural data sets and one real data set in the attribute value format. Using the kaeru module these data sets were converted to the relational format used by Aleph and classifying hipoteses were induced using propositional as well as relational learning. We also show that propositional knowledge can be used to increment the background knowledge used by relational learners in order to improve the induded hypotheses quality.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.

A comunicação multilíngue é uma tarefa cada vez mais imperativa no cenário atual de grande disseminação de informações em diversas línguas. Nesse contexto, são de grande relevância os sistemas de tradução automática, que auxiliam tal comunicação, automatizando-a. Apesar de ser uma área de pesquisa bastante antiga, a Tradução Automática ainda apresenta muitos problemas. Um dos principais problemas é a ambigüidade lexical, ou seja, a necessidade de escolha de uma palavra, na língua alvo, para traduzir uma palavra da língua fonte quando há várias opções de tradução. Esse problema se mostra ainda mais complexo quando são identificadas apenas variações de sentido nas opções de tradução. Ele é denominado, nesse caso, \"ambigüidade lexical de sentido\". Várias abordagens têm sido propostas para a desambiguação lexical de sentido, mas elas são, em geral, monolíngues (para o inglês) e independentes de aplicação. Além disso, apresentam limitações no que diz respeito às fontes de conhecimento que podem ser exploradas. Em se tratando da língua portuguesa, em especial, não há pesquisas significativas voltadas para a resolução desse problema. O objetivo deste trabalho é a proposta e desenvolvimento de uma nova abordagem de desambiguação lexical de sentido, voltada especificamente para a tradução automática, que segue uma metodologia híbrida (baseada em conhecimento e em córpus) e utiliza um formalismo relacional para a representação de vários tipos de conhecimentos e de exemplos de desambiguação, por meio da técnica de Programação Lógica Indutiva. Experimentos diversos mostraram que a abordagem proposta supera abordagens alternativas para a desambiguação multilíngue e apresenta desempenho superior ou comparável ao do estado da arte em desambiguação monolíngue. Adicionalmente, tal abordagem se mostrou efetiva como mecanismo auxiliar para a escolha lexical na tradução automática estatística / Crosslingual communication has become a very imperative task in the current scenario with the increasing amount of information dissemination in several languages. In this context, machine translation systems, which can facilitate such communication by providing automatic translations, are of great importance. Although research in Machine Translation dates back to the 1950\'s, the area still has many problems. One of the main problems is that of lexical ambiguity, that is, the need for lexical choice when translating a source language word that has several translation options in the target language. This problem is even more complex when only sense variations are found in the translation options, a problem named \"sense ambiguity\". Several approaches have been proposed for word sense disambiguation, but they are in general monolingual (for English) and application-independent. Moreover, they have limitations regarding the types of knowledge sources that can be exploited. Particularly, there is no significant research aiming to word sense disambiguation involving Portuguese. The goal of this PhD work is the proposal and development of a novel approach for word sense disambiguation which is specifically designed for machine translation, follows a hybrid methodology (knowledge and corpus-based), and employs a relational formalism to represent various kinds of knowledge sources and disambiguation examples, by using Inductive Logic Programming. Several experiments have shown that the proposed approach overcomes alternative approaches in multilingual disambiguation and achieves higher or comparable results to the state of the art in monolingual disambiguation. Additionally, the approach has shown to effectively assist lexical choice in a statistical machine translation system

Orientador: Prof. Dr. Francisco Eugenio Mendonça da Silveira / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Física, 2014. / Neste trabalho, discutimos o efeito de uma relaxação finita para a corrente sobre a instabilidade axialmente simetrica de uma coluna de plasma com perfil parabólico na aproximacão não indutiva. A forma funcional da densidade de momento angular específico é dada por L = ar2+br..1=2, onde a e b s~ao constantes. Isto signica que L possui um valor mnimo para uma dada coordenada radial r, limitada pelas paredes do vaso que contem o uido. Como consequ^encia, o sistema pode se tornar instavel se a frequ^encia epicclica k = [2 (2 + r 0)]1=2 for um numero imaginario, onde denota a velocidade angular do uido e a linha, uma derivada total em relac~ao a r. Uma analise de instabilidade linear e desenvolvida para os limites de grande e pequena resistividade do uido. Os resultados apresentados aqui podem contribuir para tornar a noc~ao da aproximac~ao n~ao indutiva em um conceito mais preciso. Finalmente, apresentamos uma proposta de continuidade natural deste trabalho. / In this work, we discuss the efect of a fnite relaxation for the current on the axisymmetric instability of a plasma column with parabolic profile in the inductionless approximation. The functional form of the specic angular momentum density is given by L = ar2 + br..1=2, where a and b are constants. As a consequence, the system may become unstable if the epicyclic frequency k = [2 (2 + r 0)]1=2 is an imaginary number, where denotes the angular velocity of the uid and the prime, a total derivative with respect to r. A linear stability analysis is developed for the limits of large and of small resistivity of the uid. The results presented here may contribute to turn the notion of the inductionless approximation into a more precise concept. Finally, we present a proposal of natural continuity of this work.

Submitted by Paulo Armando Panunzio null (330698) on 2016-03-15T14:50:59Z No. of bitstreams: 1 VERSÃOFINALTESE24022016V22.pdf: 3679161 bytes, checksum: 20211476e30e236ed54da33d4530b7e1 (MD5) / Approved for entry into archive by Ana Paula Grisoto (grisotoana@reitoria.unesp.br) on 2016-03-15T17:27:06Z (GMT) No. of bitstreams: 1 panunzio_pa_dr_guara.pdf: 3679161 bytes, checksum: 20211476e30e236ed54da33d4530b7e1 (MD5) / Made available in DSpace on 2016-03-15T17:27:06Z (GMT). No. of bitstreams: 1 panunzio_pa_dr_guara.pdf: 3679161 bytes, checksum: 20211476e30e236ed54da33d4530b7e1 (MD5) Previous issue date: 2016-02-16 / A proposta dessa Tese é o projeto e desenvolvimento de um sistema de fornecimento de energia elétrica conectada à rede sem a utilização de circuitos eletrônicos complexos. O sistema eletroeletrônico convencional utiliza um inversor de frequência que transfere a potência ativa do nível de tensão e corrente CC para o nível compatível com a rede elétrica CA em frequência, tensão e sincronismo de fases. Já o desenvolvimento do projeto teve como parte experimental a utilização de indutores adequados com valores variáveis de 200 mH a 500 mH entre os painéis fotovoltaicos e a rede convencional. A tensão e a corrente máxima de CC foi de 29,6 V e a máxima possível foi de 20 amperes. Utilizou-se do princípio do casamento de impedâncias entre o painel fotovoltaico e o sistema de fornecimento de energia CA. Assim o painel fotovoltaico fornece somente potência ativa para a rede não interferindo no sincronismo. Na onda de tensão e corrente CA há uma pequena alteração no nível CA em relação a simetria do eixo dos tempos, dentro dos limites previstos para a rede convencional de energia. Logo evidencia-se o fornecimento de potência ativa para a rede CA. Os resultados obtidos permitiram inserção na rede de cerca de 10% da potência ativa dos painéis fotovoltaicos, com a otimização dos valores dos indutores, ocorrendo a transferência de potência ativa dos painéis fotovoltaicos para a rede convencional de energia CA. / The purpose of this thesis is the design and development of a delivery system of electricity connected to the network without the use of complex electronic circuits. The electronics system uses a frequency inverter that transfers the active power level voltage and DC current to the level compatible with the mains AC frequency, voltage and phase synchronization. But the project was to develop experimental part the use of suitable inductors with variable values of 200 mH to 500 mH between the PV panels and the conventional network. The maximum current was 20 amperes. We used the principle of impedance matching between the photovoltaic panel and the power supply system CA. So the photovoltaic panel supplies only active power to the grid not interfering with the timing. In the wave of AC voltage and current for a small change in CA level against the symmetry axis of time. Logo is evident in the supply of active power to the grid CA. The results allowed inclusion in the network of about 10% of the active power of photovoltaic panels by optimizing the values of the inductors for the occurrence of power transfer of conventional photovoltaic panels for energy occurs CA.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.

A comunicação multilíngue é uma tarefa cada vez mais imperativa no cenário atual de grande disseminação de informações em diversas línguas. Nesse contexto, são de grande relevância os sistemas de tradução automática, que auxiliam tal comunicação, automatizando-a. Apesar de ser uma área de pesquisa bastante antiga, a Tradução Automática ainda apresenta muitos problemas. Um dos principais problemas é a ambigüidade lexical, ou seja, a necessidade de escolha de uma palavra, na língua alvo, para traduzir uma palavra da língua fonte quando há várias opções de tradução. Esse problema se mostra ainda mais complexo quando são identificadas apenas variações de sentido nas opções de tradução. Ele é denominado, nesse caso, \"ambigüidade lexical de sentido\". Várias abordagens têm sido propostas para a desambiguação lexical de sentido, mas elas são, em geral, monolíngues (para o inglês) e independentes de aplicação. Além disso, apresentam limitações no que diz respeito às fontes de conhecimento que podem ser exploradas. Em se tratando da língua portuguesa, em especial, não há pesquisas significativas voltadas para a resolução desse problema. O objetivo deste trabalho é a proposta e desenvolvimento de uma nova abordagem de desambiguação lexical de sentido, voltada especificamente para a tradução automática, que segue uma metodologia híbrida (baseada em conhecimento e em córpus) e utiliza um formalismo relacional para a representação de vários tipos de conhecimentos e de exemplos de desambiguação, por meio da técnica de Programação Lógica Indutiva. Experimentos diversos mostraram que a abordagem proposta supera abordagens alternativas para a desambiguação multilíngue e apresenta desempenho superior ou comparável ao do estado da arte em desambiguação monolíngue. Adicionalmente, tal abordagem se mostrou efetiva como mecanismo auxiliar para a escolha lexical na tradução automática estatística / Crosslingual communication has become a very imperative task in the current scenario with the increasing amount of information dissemination in several languages. In this context, machine translation systems, which can facilitate such communication by providing automatic translations, are of great importance. Although research in Machine Translation dates back to the 1950\'s, the area still has many problems. One of the main problems is that of lexical ambiguity, that is, the need for lexical choice when translating a source language word that has several translation options in the target language. This problem is even more complex when only sense variations are found in the translation options, a problem named \"sense ambiguity\". Several approaches have been proposed for word sense disambiguation, but they are in general monolingual (for English) and application-independent. Moreover, they have limitations regarding the types of knowledge sources that can be exploited. Particularly, there is no significant research aiming to word sense disambiguation involving Portuguese. The goal of this PhD work is the proposal and development of a novel approach for word sense disambiguation which is specifically designed for machine translation, follows a hybrid methodology (knowledge and corpus-based), and employs a relational formalism to represent various kinds of knowledge sources and disambiguation examples, by using Inductive Logic Programming. Several experiments have shown that the proposed approach overcomes alternative approaches in multilingual disambiguation and achieves higher or comparable results to the state of the art in monolingual disambiguation. Additionally, the approach has shown to effectively assist lexical choice in a statistical machine translation system