Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-12-01T23:34:00Z No. of bitstreams: 1 DanielHolandaNoronha_DISSERT.pdf: 2617561 bytes, checksum: 88cfc246d074eabfd971d5b81edbf109 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-12-05T21:07:17Z (GMT) No. of bitstreams: 1 DanielHolandaNoronha_DISSERT.pdf: 2617561 bytes, checksum: 88cfc246d074eabfd971d5b81edbf109 (MD5) / Made available in DSpace on 2017-12-05T21:07:18Z (GMT). No. of bitstreams: 1 DanielHolandaNoronha_DISSERT.pdf: 2617561 bytes, checksum: 88cfc246d074eabfd971d5b81edbf109 (MD5) Previous issue date: 2017-11-20 / A import?ncia do uso de FPGAs como aceleradores vem crescendo fortemente nos ?ltimos anos. Companhias como Amazon e Microsoft est?o incorporando FPGAs em seus data centers, objetivando especialmente acelerar algoritmos em suas ferramentas de busca. No centro dessas aplica??es est?o algoritmos de aprendizado de m?quina, como ? o caso da M?quina de Vetor de Suporte (SVM). Entretanto, para que essas aplica??es obtenham a acelera??o desejada, o uso eficiente dos recursos das FPGAs ? necess?rio. O projeto possui como objetivo a implementa??o paralela em hardware tanto da fase feed-forward de uma M?quina de Vetores de Suporte (SVM) quanto de sua fase de treinamento. A fase feed-forward (infer?ncia) ? implementada utilizando o kernel polinomial e de maneira totalmente paralela, visando obter a m?xima acelera??o poss?vel ao custo de uma maior utiliza??o da ?rea dispon?vel. Al?m disso, a implementa??o proposta para a infer?ncia ? capaz de computar tanto a classifica??o quanto a regress?o utilizando o mesmo hardware. J? o treinamento ? feito utilizando Otimiza??o Sequencial M?nima (SMO), possibilitando a resolu??o da complexa otimiza??o da SVM atrav?s de passos simples. A implementa??o da SMO tamb?m ? feita de modo extremamente paralelo, fazendo uso de t?cnicas para acelera??o como a cache do erro. Ademais, o Kernel Amig?vel ao Hardware (HFK) ? utilizado para diminuir a ?rea utilizada pelo kernel, permitindo que um n?mero maior de kernels seja implementado em um chip de mesmo tamanho, acelerando o treinamento. Ap?s a implementa??o paralela em hardware, a SVM ? validada por simula??o e s?o feitas an?lises associadas ao desempenho temporal da estrutura proposta, assim como an?lises associadas ao uso de ?rea da FPGA. / The importance of Field-Programmable Gate Arrays as compute accelerators has dramatically increased during the last couple of yers. Many companies such as Amazon, IBM and Microsoft included FPGAs in their data centers aiming to accelerate their search engines. In the center of those applications are many machine learning algorithms, such as Support Vector Machines (SVMs). For FPGAs to thrive in this new role, the effective usage of FPGA resources is required. The project?s main goal is the parallel FPGA implementation of both the feed-forward phase of a Support Vector Machine as well as its training phase. The feed-forward phase (inference) is implemented using the polynomial kernel in a highly parallel way in order to obtain maximum throughput at the cost of some extra area. Moreover, the inference implementation is capable of computing both classification and regression using a single hardware. The training phase of the SVM is implemented using Sequential Minimal Optimization (SMO), which enables the resolution of a complex convex optimization problem using simple steps. The SMO implementation is also highly parallel and uses some acceleration techniques, such as the error cache. Moreover, the Hardware Friendly Kernel (HFK) is used in order to reduce the kernel?s area, enabling the increase in the number of kernels per area. After the parallel implementation in hardware, the SVM is validated by simulation. Finally, analysis associated with the temporal performance of the proposed structure, as well as analysis associated with FPGA?s area usage are performed.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-06-13T19:12:08Z No. of bitstreams: 1 FranciscoDasChagasDaSilvaJunior_TESE.pdf: 12071942 bytes, checksum: d85f48da1e07b1c67fd7d5ed15a593f5 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-06-14T21:11:29Z (GMT) No. of bitstreams: 1 FranciscoDasChagasDaSilvaJunior_TESE.pdf: 12071942 bytes, checksum: d85f48da1e07b1c67fd7d5ed15a593f5 (MD5) / Made available in DSpace on 2017-06-14T21:11:29Z (GMT). No. of bitstreams: 1 FranciscoDasChagasDaSilvaJunior_TESE.pdf: 12071942 bytes, checksum: d85f48da1e07b1c67fd7d5ed15a593f5 (MD5) Previous issue date: 2017-02-03 / Este trabalho aborda o problema de projeto de controladores adaptativos por posicionamento de polos para plantas incertas, monovari?veis, lineares e invariantes no tempo (LTI), tanto de fase m?nima como de fase n?o m?nima. No primeiro esquema apresentado, denominado Controle Adaptativo por Posicionamento de Polos e Estrutura Vari?vel (VS-APPC), os par?metros do controlador s?o calculados a cada instante de tempo a partir das estimativas dos par?metros da planta, que s?o geradas por leis chaveadas baseadas na teoria dos Sistemas com Estrutura Vari?vel (VSS), e de um polin?mio caracter?stico, escolhido com base em especifica??es de desempenho e que define a posi??o desejada para os polos de malha fechada. O segundo esquema, denominado Controle Adaptativo Intervalar por Posicionamento de Polos e Estrutura Vari?vel (IVS-APPC), ? projetado para plantas intervalares, ou seja, plantas cujos par?metros s?o desconhecidos mas limitados a intervalos conhecidos, que s?o comuns em situa??es pr?ticas onde muitas vezes os modelos de sistemas LTI tratados s?o na verdade aproxima??es de sistemas n?o-lineares, por exemplo, o que pode resultar em incertezas param?tricas significativas para os sistemas de controle. No projeto do IVS-APPC, os par?metros do controlador s?o calculados da mesma forma que no caso do VS-APPC, mas devem estar contidos em intervalos previamente calculados por um algoritmo de otimiza??o que busca solucionar um problema de Programa??o N?o-Linear, de forma a garantir que os polos de malha fechada permane?am em uma regi?o convexa definida pelas ra?zes de um polin?mio caracter?stico intervalar, cuja estabilidade ? garantida pelo Teorema de Kharitonov. A principal motiva??o deste trabalho ? a aplica??o dos esquemas propostos a plantas de fase n?o m?nima, j? que a abordagem de controle conhecida como Controle Adaptativo por Modelo de Refer?ncia e Estrutura Vari?vel (VS-MRAC), que tem apresentado ao longos dos ?ltimos anos resultados satisfat?rios de desempenho e robustez, ? restrita a plantas de fase m?nima. Resultados de simula??o s?o apresentados para ilustrar as propriedades dos esquemas propostos, como por exemplo transit?rio r?pido, sinal de controle suave sem filtragem e robustez a varia??es param?tricas.

No description available.

Made available in DSpace on 2014-12-17T15:47:45Z (GMT). No. of bitstreams: 1 GivanaldoRS.pdf: 1524067 bytes, checksum: d73e18e4ae3a0bffab7711efc808bffa (MD5) Previous issue date: 2006-05-19 / Combinatorial optimization problems have the goal of maximize or minimize functions defined over a finite domain. Metaheuristics are methods designed to find good solutions in this finite domain, sometimes the optimum solution, using a subordinated heuristic, which is modeled for each particular problem. This work presents algorithms based on particle swarm optimization (metaheuristic) applied to combinatorial optimization problems: the Traveling Salesman Problem and the Multicriteria Degree Constrained Minimum Spanning Tree Problem. The first problem optimizes only one objective, while the other problem deals with many objectives. In order to evaluate the performance of the algorithms proposed, they are compared, in terms of the quality of the solutions found, to other approaches / Os problemas de otimiza??o combinat?ria t?m como objetivo maximizar ou minimizar uma fun??o definida sobre um certo dom?nio finito. J? as metaheur?sticas s?o procedimentos destinados a encontrar uma boa solu??o, eventualmente a ?tima, consistindo na aplica??o de uma heur?stica subordinada, a qual tem que ser modelada para cada problema espec?fico. Este trabalho apresenta algoritmos baseados na t?cnica de otimiza??o por nuvem de part?culas (metaheur?stica) para dois problemas de otimiza??o combinat?ria: o Problema do Caixeiro Viajante e o Problema da ?rvore Geradora M?nima Restrita em Grau Multicrit?rio. O primeiro ? um problema em que apenas um objetivo ? otimizado, enquanto o segundo ? um problema que deve lidar com m?ltiplos objetivos. Os algoritmos propostos s?o comparados a outras abordagens para o mesmo problema em quest?o, em termos de qualidade de solu??o, a fim de verificar a efici?ncia desses algoritmos