Submitted by Samira Prince (prince@ufpa.br) on 2012-06-04T13:43:11Z No. of bitstreams: 2 Dissertacao_MineracaoDadosBaseada.pdf: 5299530 bytes, checksum: ff357bf983c4b641d8b7fd5ed78b78e7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) / Approved for entry into archive by Samira Prince(prince@ufpa.br) on 2012-06-04T13:43:48Z (GMT) No. of bitstreams: 2 Dissertacao_MineracaoDadosBaseada.pdf: 5299530 bytes, checksum: ff357bf983c4b641d8b7fd5ed78b78e7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) / Made available in DSpace on 2012-06-04T13:43:48Z (GMT). No. of bitstreams: 2 Dissertacao_MineracaoDadosBaseada.pdf: 5299530 bytes, checksum: ff357bf983c4b641d8b7fd5ed78b78e7 (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Previous issue date: 2011 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / As concessionárias de energia, para garantir que sua rede seja confiável, necessitam realizar um procedimento para estudo e análise baseado em funções de entrega de energia nos pontos de consumo. Este estudo, geralmente chamado de planejamento de sistemas de distribuição de energia elétrica, é essencial para garantir que variações na demanda de energia não afetem o desempenho do sistema, que deverá se manter operando de maneira técnica e economicamente viável. Nestes estudos, geralmente são analisados, demanda, tipologia de curva de carga, fator de carga e outros aspectos das cargas existentes. Considerando então a importância da determinação das tipologias de curvas de cargas para as concessionárias de energia em seu processo de planejamento, a Companhia de Eletricidade do Amapá (CEA) realizou uma campanha de medidas de curvas de carga de transformadores de distribuição para obtenção das tipologias de curvas de carga que caracterizam seus consumidores. Neste trabalho apresentam-se os resultados satisfatórios obtidos a partir da utilização de Mineração de Dados baseada em Inteligência Computacional (Mapas Auto-Organizáveis de Kohonen) para seleção das curvas típicas e determinação das tipologias de curvas de carga de consumidores residenciais e industriais da cidade de Macapá, localizada no estado do Amapá. O mapa auto-organizável de Kohonen é um tipo de Rede Neural Artificial que combina operações de projeção e agrupamento, permitindo a realização de análise exploratória de dados, com o objetivo de produzir descrições sumarizadas de grandes conjuntos de dados. / The energy utilities, for ensure that your network be reliable, need to perform a procedure for study and analysis based in your functions of delivery of energy in the points of the consumption. This study, generally called of systems planning of electric power distribution, is essential for ensure that variations in the energy demand doesn’t affect the system performance, that should whether keep operating of technique manner and viable economically. In these studies are generally analyzed, demand, typology of load curves, load factor and other aspects of the existing loads. Considering then the importance of the determining of the typologies of load curves for utilities in their planning process, the Electricity Company of Amapá (CEA) conducted a campaign of measures of load curves of the distribution transformers that were utilized for obtainment of the typologies of load curves that characterize your consumers. In this paper presents the satisfactory results obtained as from the utilization of Data Mining based in Computational Intelligence (Self-Organizing Maps of Kohonen) for selection of the typical curves and determination of the typologies of load curves of residential and industrial consumers for the city of Macapá, located in the state of Amapá. The self-organizing map of Kohonen is a type of artificial neural network that combines operations of projection and clustering, allowing the realization of exploratory data analysis, with the goal of producing summarized descriptions of large data sets.

Neste trabalho, um novo enfoque para detecção e diagnóstico de falhas (DDF) em robôs manipuladores é apresentado. Um robô com falhas pode causar sérios danos e pode colocar em risco o pessoal presente no ambiente de trabalho. Geralmente, os pesquisadores têm proposto esquemas de DDF baseados no modelo matemático do sistema. Contudo, erros de modelagem podem ocultar os efeitos das falhas e podem ser uma fonte de alarmes falsos. Aqui, duas redes neurais artificiais são utilizadas em um sistema de DDF para robôs manipuladores. Um perceptron multicamadas treinado por retropropagação do erro é usado para reproduzir o comportamento dinâmico do manipulador. As saídas do perceptron são comparadas com as variáveis medidas, gerando o vetor de resíduos. Em seguida, uma rede com função de base radial é usada para classificar os resíduos, gerando a isolação das falhas. Quatro algoritmos diferentes são empregados para treinar esta rede. O primeiro utiliza regularização para reduzir a flexibilidade do modelo. O segundo emprega regularização também, mas ao invés de um único termo de penalidade, cada unidade radial tem um regularização individual. O terceiro algoritmo emprega seleção de subconjuntos para selecionar as unidades radiais a partir dos padrões de treinamento. O quarto emprega o mapa auto-organizável de Kohonen para fixar os centros das unidades radiais próximos aos centros dos aglomerados de padrões. Simulações usando um manipulador com dois graus de liberdade e um Puma 560 são apresentadas, demostrando que o sistema consegue detectar e diagnosticar corretamente falhas que ocorrem em conjuntos de padrões não-treinados. / In this work, a new approach for fault detection and diagnosis in robotic manipulators is presented. A faulty robot could cause serious damages and put in risk the people involved. Usually, researchers have proposed fault detection and diagnosis schemes based on the mathematical model of the system. However, modeling errors could obscure the fault effects and could be a false alarm source. In this work, two artificial neural networks are employed in a fault detection and diagnosis system to robotic manipulators. A multilayer perceptron trained with backpropagation algorithm is employed to reproduce the robotic manipulator dynamical behavior. The perceptron outputs are compared with the real measurements, generating the residual vector. A radial basis function network is utilized to classify the residual vector, generating the fault isolation. Four different algorithms have been employed to train this network. The first utilizes regularization to reduce the flexibility of the model. The second employs regularization too, but instead of only one penalty term, each radial unit has a individual penalty term. The third employs subset selection to choose the radial units from the training patterns. The forth algorithm employs the Kohonen’s self-organizing map to fix the radial unit center near to the cluster centers. Simulations employing a two link manipulator and a Puma 560 manipulator are presented, demonstrating that the system can detect and isolate correctly faults that occur in nontrained pattern sets.

Neste trabalho, um novo enfoque para detecção e diagnóstico de falhas (DDF) em robôs manipuladores é apresentado. Um robô com falhas pode causar sérios danos e pode colocar em risco o pessoal presente no ambiente de trabalho. Geralmente, os pesquisadores têm proposto esquemas de DDF baseados no modelo matemático do sistema. Contudo, erros de modelagem podem ocultar os efeitos das falhas e podem ser uma fonte de alarmes falsos. Aqui, duas redes neurais artificiais são utilizadas em um sistema de DDF para robôs manipuladores. Um perceptron multicamadas treinado por retropropagação do erro é usado para reproduzir o comportamento dinâmico do manipulador. As saídas do perceptron são comparadas com as variáveis medidas, gerando o vetor de resíduos. Em seguida, uma rede com função de base radial é usada para classificar os resíduos, gerando a isolação das falhas. Quatro algoritmos diferentes são empregados para treinar esta rede. O primeiro utiliza regularização para reduzir a flexibilidade do modelo. O segundo emprega regularização também, mas ao invés de um único termo de penalidade, cada unidade radial tem um regularização individual. O terceiro algoritmo emprega seleção de subconjuntos para selecionar as unidades radiais a partir dos padrões de treinamento. O quarto emprega o mapa auto-organizável de Kohonen para fixar os centros das unidades radiais próximos aos centros dos aglomerados de padrões. Simulações usando um manipulador com dois graus de liberdade e um Puma 560 são apresentadas, demostrando que o sistema consegue detectar e diagnosticar corretamente falhas que ocorrem em conjuntos de padrões não-treinados. / In this work, a new approach for fault detection and diagnosis in robotic manipulators is presented. A faulty robot could cause serious damages and put in risk the people involved. Usually, researchers have proposed fault detection and diagnosis schemes based on the mathematical model of the system. However, modeling errors could obscure the fault effects and could be a false alarm source. In this work, two artificial neural networks are employed in a fault detection and diagnosis system to robotic manipulators. A multilayer perceptron trained with backpropagation algorithm is employed to reproduce the robotic manipulator dynamical behavior. The perceptron outputs are compared with the real measurements, generating the residual vector. A radial basis function network is utilized to classify the residual vector, generating the fault isolation. Four different algorithms have been employed to train this network. The first utilizes regularization to reduce the flexibility of the model. The second employs regularization too, but instead of only one penalty term, each radial unit has a individual penalty term. The third employs subset selection to choose the radial units from the training patterns. The forth algorithm employs the Kohonen’s self-organizing map to fix the radial unit center near to the cluster centers. Simulations employing a two link manipulator and a Puma 560 manipulator are presented, demonstrating that the system can detect and isolate correctly faults that occur in nontrained pattern sets.

Atributos visuais de textura e forma foram investigados para a recuperação baseada em conteúdo de imagens mamográficas (CBIR). Para a similaridade de imagens, foi considerada a estrutura de densidade mamária, representada principalmente pelos tecidos fibro-glandulares. A pesquisa consistiu de três etapas: (1) Preparação e processamento das imagens; (2) Extração e seleção de atributos visuais de textura e forma; (3) Implementação de um sistema de recuperação de imagem. A primeira etapa consistiu dos processos de retirada de ruído do fundo da imagem, segmentação da região da mama, detecção da região de músculo peitoral, localização do mamilo e da segmentação da região de tecidos fibro-glandulares. Utilizou-se a equação de Difusão Anisotrópica com filtro de Wiener para retirada e suavização de ruídos encontrados na imagem e preservação da borda da mama. Para a segmentação da região da mama, foram utilizadas as técnicas de limiarização de Princípio de Máxima Entropia, Método de Preservação de Momento, Método de Otsu, Método interativo de Ridler & Carvard, Método de Reddi e Método da Matriz de Co-ocorrência. A melhor imagem foi escolhida numa tarefa supervisionada. A detecção automática da região do músculo peitoral foi feita com a combinação do operador de Canny e a transformada de Radon como detector de linha. A posição do mamilo foi detectada com a transformada de Radon como detector de direção de densidade. A segmentação da região de tecidos fibro-glandulares foi feita também com as técnicas de limiarização do Princípio de Máxima Entropia, Método de Preservação de Momento, e Método de Otsu. Momentos Estatísticos extraídos do Histograma, Medida de Granulometria, Momentos Estatísticos extraídos do Domínio de Radon, Momento de Hu, e Textura de Haralick foram investigados como atributos de textura. Medida de Área, Circularidade e Razão de Diâmetro foram investigados como atributos de forma. A rede de Mapas Auto-Organizáveis de Kohonen foi utilizada como sistema de recuperação de imagem. Foram utilizadas, neste trabalho, 1080 imagens do projeto de Banco de Imagens do HCFMRP-USP, módulo Mamografia. O treinamento e teste foram feitos com a técnica de \"leaving-one-out\" e os melhores resultados obtidos foram: Taxa de precisão de 91,07% para a combinação dos cinco grupos de atributos de Forma, Estatísticos Extraídos do Histograma, Momento de Hu, Espectral no Domínio de Radon e de Medida de Granulometria; taxa de precisão e revocação do coeficiente de correlação médio representadas pela área sob a curva com valor de 0,02351 dos grupos de atributos de forma, de Textura de Haralick e Momento de Hu. Os resultados obtidos indicaram a relevância de nosso trabalho e seu potencial de utilização para a recuperação baseada em conteúdo de imagens mamográficas. / Visual texture based on texture and shape features were investigated for content-based mammographic images retrieval (CBIR). For similarity of images, the mammary density structures were considered, mainly represented by fibro-glandular tissues. This research consisted of three stages: (1) Images preparation and processing; (2) Extraction and selection of the visual features; (3) Implementation of a retrieval system. The first stage consisted of noisy removing from the image background, breast region segmentation, pectoral muscle region detection, nipple localization and the fibro-glandular tissues region segmentation. The equation of Anisotropic Diffusion was used with Wiener filter for noisy removing with the breast region edge preservation. For the breast region segmentation, the Thresholding techniques were used of Maximum Entropy Principle, Moment Preserving Method, Otsu Method, Ridler & Carvard Method, Reddi Method and Co-occurrence Matrix Method. The better image was chosen in a supervised task. The automatic pectoral muscle region detection was made with the Canny operator and Radon Transform combination as straight line detector. The nipple position was detected with the Radon Transform as density direction detector. The fibro-glandular tissues region was also defined with the thresholding techniques of the Maximum Entropy Principle, Moment Preserving Method, and Otsu Method. The Statistical Moments extracted from the Histogram, Measured of Granulometry, Statistical Moments extracted in Radon Domain, Moment of Hu, and Haralick Textures were investigated as texture features. Area, Circularity and Diameter Ratio were investigated as shape features. The Self-Organizing Maps of Kohonen was used as image retrieval system. One thousand and eighty images of the HCFMRP-USP Database Project, Mammography Module, were used in this work. The training and test processes were realized with the \"leaving-one-out\" technique and the best results obtained were: The precision rate of 91,07% for the combination of the five following features group: Shape, Statistical Moments extracted of the Histogram, Moment of Hu, Statistical Moments extracted in Radon Domain and Measure of Granulometry; precision and revocation rates of the average coefficient of correlation represented by the area under the curve with value of 0,02351 for the three following features group: Shape, Haralick Textures and Moment de Hu. The results obtained indicated the relevance of our work for the content-based mammographic images retrieval.

Atributos visuais de textura e forma foram investigados para a recuperação baseada em conteúdo de imagens mamográficas (CBIR). Para a similaridade de imagens, foi considerada a estrutura de densidade mamária, representada principalmente pelos tecidos fibro-glandulares. A pesquisa consistiu de três etapas: (1) Preparação e processamento das imagens; (2) Extração e seleção de atributos visuais de textura e forma; (3) Implementação de um sistema de recuperação de imagem. A primeira etapa consistiu dos processos de retirada de ruído do fundo da imagem, segmentação da região da mama, detecção da região de músculo peitoral, localização do mamilo e da segmentação da região de tecidos fibro-glandulares. Utilizou-se a equação de Difusão Anisotrópica com filtro de Wiener para retirada e suavização de ruídos encontrados na imagem e preservação da borda da mama. Para a segmentação da região da mama, foram utilizadas as técnicas de limiarização de Princípio de Máxima Entropia, Método de Preservação de Momento, Método de Otsu, Método interativo de Ridler & Carvard, Método de Reddi e Método da Matriz de Co-ocorrência. A melhor imagem foi escolhida numa tarefa supervisionada. A detecção automática da região do músculo peitoral foi feita com a combinação do operador de Canny e a transformada de Radon como detector de linha. A posição do mamilo foi detectada com a transformada de Radon como detector de direção de densidade. A segmentação da região de tecidos fibro-glandulares foi feita também com as técnicas de limiarização do Princípio de Máxima Entropia, Método de Preservação de Momento, e Método de Otsu. Momentos Estatísticos extraídos do Histograma, Medida de Granulometria, Momentos Estatísticos extraídos do Domínio de Radon, Momento de Hu, e Textura de Haralick foram investigados como atributos de textura. Medida de Área, Circularidade e Razão de Diâmetro foram investigados como atributos de forma. A rede de Mapas Auto-Organizáveis de Kohonen foi utilizada como sistema de recuperação de imagem. Foram utilizadas, neste trabalho, 1080 imagens do projeto de Banco de Imagens do HCFMRP-USP, módulo Mamografia. O treinamento e teste foram feitos com a técnica de \"leaving-one-out\" e os melhores resultados obtidos foram: Taxa de precisão de 91,07% para a combinação dos cinco grupos de atributos de Forma, Estatísticos Extraídos do Histograma, Momento de Hu, Espectral no Domínio de Radon e de Medida de Granulometria; taxa de precisão e revocação do coeficiente de correlação médio representadas pela área sob a curva com valor de 0,02351 dos grupos de atributos de forma, de Textura de Haralick e Momento de Hu. Os resultados obtidos indicaram a relevância de nosso trabalho e seu potencial de utilização para a recuperação baseada em conteúdo de imagens mamográficas. / Visual texture based on texture and shape features were investigated for content-based mammographic images retrieval (CBIR). For similarity of images, the mammary density structures were considered, mainly represented by fibro-glandular tissues. This research consisted of three stages: (1) Images preparation and processing; (2) Extraction and selection of the visual features; (3) Implementation of a retrieval system. The first stage consisted of noisy removing from the image background, breast region segmentation, pectoral muscle region detection, nipple localization and the fibro-glandular tissues region segmentation. The equation of Anisotropic Diffusion was used with Wiener filter for noisy removing with the breast region edge preservation. For the breast region segmentation, the Thresholding techniques were used of Maximum Entropy Principle, Moment Preserving Method, Otsu Method, Ridler & Carvard Method, Reddi Method and Co-occurrence Matrix Method. The better image was chosen in a supervised task. The automatic pectoral muscle region detection was made with the Canny operator and Radon Transform combination as straight line detector. The nipple position was detected with the Radon Transform as density direction detector. The fibro-glandular tissues region was also defined with the thresholding techniques of the Maximum Entropy Principle, Moment Preserving Method, and Otsu Method. The Statistical Moments extracted from the Histogram, Measured of Granulometry, Statistical Moments extracted in Radon Domain, Moment of Hu, and Haralick Textures were investigated as texture features. Area, Circularity and Diameter Ratio were investigated as shape features. The Self-Organizing Maps of Kohonen was used as image retrieval system. One thousand and eighty images of the HCFMRP-USP Database Project, Mammography Module, were used in this work. The training and test processes were realized with the \"leaving-one-out\" technique and the best results obtained were: The precision rate of 91,07% for the combination of the five following features group: Shape, Statistical Moments extracted of the Histogram, Moment of Hu, Statistical Moments extracted in Radon Domain and Measure of Granulometry; precision and revocation rates of the average coefficient of correlation represented by the area under the curve with value of 0,02351 for the three following features group: Shape, Haralick Textures and Moment de Hu. The results obtained indicated the relevance of our work for the content-based mammographic images retrieval.