Dissertação (mestrado)—Universidade de Brasília, Programa de Pós-Graduação em Sistemas Mecatrônicos, 2016. / Submitted by Camila Duarte (camiladias@bce.unb.br) on 2016-09-14T17:33:55Z No. of bitstreams: 1 2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-10-21T18:14:35Z (GMT) No. of bitstreams: 1 2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / Made available in DSpace on 2016-10-21T18:14:35Z (GMT). No. of bitstreams: 1 2016_EmersonGrzeidak.pdf: 5274560 bytes, checksum: 0f649b217c325601c125fad908bc164f (MD5) / O presente trabalho considera o problema de identificação de sistemas não-lineares comestrutura incerta na presença de distúrbios limitados. Dado a estrutura incerta do sistema, a estimação dos estados é baseada em redes neurais com uma camada escondida e então, para assegurar a convergência dos erros residuais de estimação dos estados para zero, as leis de aprendizagem são projetadas usando a teoria de estabilidade de Lyapunov e resultados já disponíveis na teoria de controle adaptativo. Primeiramente, um esquema de identificação usando aprendizagem extrema é apresentado. O modelo proposto assegura a convergência dos erros residuais de estimação dos estados para zero e a limitação de todos os demais erros e distúrbios. Usando o lema de Barbalat e uma análise tipo Lyapunov, é empregado um modelo de rede neural dinâmica com uma camada escondida (SHLNN) gerada aleatoriamente para assegurar as propriedades supramencionadas. Dessa maneira, assegura-se uma convergência mais rápida e melhor eficiência computacional do que os modelos SHLNN convencionais. Além disso, com algumas modificações que envolvem a seleção da função ativação e a estrutura do vetor regressor, o algoritmo proposto pode ser aplicado para qualquer rede neural parametrizável linearmente. Em seguida, como uma extensão da metodologia proposta, um modelo de rede neural com uma camada escondida e parametrizável não-linearmente (SHLNN) é estudado. Os pesos da camada escondida e de saída são ajustados simultaneamente por leis adaptativas robustas obtidas através da teoria de estabilidade de Lyapunov. O segundo esquema também assegura a convergência dos erros residuais de estimação dos estados para zero e a limitação de todos os demais erros de aproximação associados, mesmo na presença de erros de aproximação e distúrbios. Adicionalmente, como no primeiro esquema, não é necessário conhecimento prévio sobre os pesos ideias, erros de aproximação ou distúrbios. Simulações extensivas para a validação dos resultados teóricos e demonstração dos métodos propostos são fornecidos. _________________________________________________________________________________________________ ABSTRACT / The present research work considers the identification problem of nonlinear systems with uncertain structure and in the presence of bounded disturbances. Given the uncertain structure of the system, the state estimation is based on single-hidden layer neural networks and then, to ensure the convergence of the state estimation residual errors to zero, the learning laws are designed using the Lyapunov stability theory and already available results in adaptive control theory. First, an identification scheme via extreme learning machine neural network is developed. The proposed model ensures the convergence of the state estimation residual errors to zero and boundedness of all associated approximation errors, even in the presence of approximation error and disturbances. Lyapunov-like analysis using Barbalat’s Lemma and a dynamic single-hidden layer neural network (SHLNN) model with hidden nodes randomly generated to establish the aforementioned properties are employed. Hence, faster convergence and better computational efficiency than conventional SHLNNs is assured. Furthermore, with a few modifications regarding the selection of activation function and the regressor vector’s structure, the proposed algorithm can be applied to any linearly parameterized neural network model. Next, as an extension of the proposed methodology, a nonlinearly parameterized single-hidden layer neural network model (SHLNN) is studied. The hidden and output weights are simultaneously adjusted by robust adaptive laws that are designed via Lyapunov stability theory. The second scheme also ensures the convergence of the state estimation residual errors to zero and boundedness of all associated approximation errors, even in the presence of approximation error and disturbances. Additionally, as in the first scheme, it is not necessary any previous knowledge about the ideal weights, approximation error and disturbances. Extensive simulations to validate the theoretical results and show the effectiveness of the two proposed methods are also provided.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2016. / Submitted by Fernanda Percia França (fernandafranca@bce.unb.br) on 2017-02-22T20:04:46Z No. of bitstreams: 1 2016_PauloRobertoRochaVitorino.pdf: 1808150 bytes, checksum: 9b18327b79b2cc2767d80de6ba986444 (MD5) / Approved for entry into archive by Ruthléa Nascimento(ruthleanascimento@bce.unb.br) on 2017-02-24T19:20:18Z (GMT) No. of bitstreams: 1 2016_PauloRobertoRochaVitorino.pdf: 1808150 bytes, checksum: 9b18327b79b2cc2767d80de6ba986444 (MD5) / Made available in DSpace on 2017-02-24T19:20:18Z (GMT). No. of bitstreams: 1 2016_PauloRobertoRochaVitorino.pdf: 1808150 bytes, checksum: 9b18327b79b2cc2767d80de6ba986444 (MD5) / Este trabalho apresenta uma nova abordagem para detecção de automática de pornográfica infantil em imagens, que se utiliza de técnicas de aprendizado profundo para extração das características discriminadoras de imagens, e um classificador de padrões baseado em máquinas de vetores de suporte, para determinar se as imagens contêm, ou não, pornografia infantil (PI). Adicionalmente, também é proposta técnica baseada em sacolas de palavras para resolver o problema. As soluções desenvolvidas atingem um acerto de +87% de acurácia de classificação quando separando conteúdo de pornografia infantil de conteúdos de pornografia geral e imagens normais, sobressaindo-se em relação às técnicas existentes na literatura. / In this work, we present a new method for automatic detection of sexually exploitative imagery of children (SEIC) or child pornography content. Our solution leverages cutting-edge concepts of deep learning – for extracting discriminative features from images – and the support vector machine classifier, it point out whether or not an image contains child pornography content. Moreover, it is also proposed one technique based on bags of visual words methodology to deal with this difficult problem. The developed solutions lead to as much as 87% classification accuracy when separating SEIC content from adult (adult pornography) and other seemingly innocuous content (everyday image content) clearly outperforming existing counterparts in the literature.

Orientador : Prof. Dr. Eduardo Todt / Coorientador : Prof. Dr. Carlos Sanquetta / Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 25/11/2016 / Inclui referências : f. 76-84 / Área de concentração : Ciência da computação / Resumo: Vive-se em um mundo onde a escassez de recursos naturais leva a um uso cada vez mais racional destes, seja água, recursos minerais, biológicos, hídricos e energéticos. Especificamente quando se trata de madeira, o homem evoluiu muito no manejo de florestas plantadas, aplicando técnicas de cultivo e planejamento de corte para a exploração. Estas técnicas fazem uso da mensuração florestal para medição e estimação de valores dendrométricos importantes, como altura, volume e biomassa. A estimativa de valores dendrométricos é de extrema importância, pois não é viável o abate de toda uma população para que sejam observados os exatos valores. Assim, pesquisadores fazem uso de ferramentas estatísticas em mensuração florestal há anos, com bastante sucesso em suas estimações. Recentemente, com o avanço da área da inteligência artificial, técnicas de aprendizado de máquina têm se mostrado também capazes de competir com os métodos estatísticos de regressão, abrindo assim um leque de opções aos pesquisadores. Inserido neste contexto, o objetivo deste trabalho é aplicar técnicas de aprendizado de máquina para resolução de problemas de mensuração florestal, mostrando também que este se encaixa como um processo de descoberta de conhecimento, inserido na área da Ciência da Computação. Foram realizados experimentos com dados de árvores de Acácia-negra para avaliação de biomassa e relação hipsométrica, Pinus para estimativa de volumes e relação hipsométrica, e com uma amostra de árvores de florestas tropicais de várias regiões do mundo, para estimativa de biomassa. Compararam-se modelos alométricos clássicos com Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (SVM) e Random Forest (RF), e em todos os testes realizados o modelo que obteve melhor correlação é uma técnica de aprendizado de máquina. Para a predição de volumes de Pinus, o melhor modelo foi SVM com correlação de 99,19%. Para estimativa de biomassa da Acácia-negra, SVM obteve a melhor correlação com 98,6%. Para estimativa de biomassa de florestas tropicais, o melhor modelo foi RNA com correlação de 98,06%. Para relação hipsométrica da Acácia-negra, o modelo de SVM obteve a melhor correlação, de 97,73%. Já para relação hipsométrica de Pinus, o modelo de melhor predição foi RNA com correlação de 98,02%. O teste de Friedman mostrou a presença de diferença estatística entre os métodos e, embora o pós-teste de Nemenyi não tenha conseguido evidenciá-la, foi detectada uma tendência a uma separação entre os métodos. Os resultados obtidos mostram fortemente que os modelos de aprendizado de máquina são uma alternativa competitiva frente aos métodos clássicos, superando-os nos experimentos aqui realizados. Palavras chave: Inventário Florestal, Mensuração Florestal, Descoberta de Conhecimento em Bases de Dados, Aprendizado de Máquina, Redes Neurais, Máquinas de Vetores de Suporte, Árvores de Modelos, Florestas Aleatórias. / Abstract: We live in a world where scarcity of natural resources leads to an increasing rational use of these resources, like water, minerals, biological or energetical. Specifically wood, man evolved much in the management of planted forests by applying cultivation techniques and cutting planning for exploration. These techniques make use of forest measurement to estimation of important dendrometric values such as height, volume and biomass. The estimation of dendrometric values is extremely important because is not feasible to cut down the whole population to note the exact values. Thus, researchers make use of statistical tools for measuring forest for years with success in their estimates. Recently, with the advancement of artificial intelligence, machine learning techniques have been able to compete with the statistical regression methods, thereby opening a range of options to researchers. Within this context, the objective of this work is to use machine learning techniques to resolution of forest measurement problems, showing that this is a process of knowledge discovery, from the area of Computer Science. Experiments were performed with data of Acacia-negra trees for evaluation of biomass and hypsometric relation, Pinus to estimate volumes and hypsometric relation, and with a sample of tropical forest trees of various regions to estimate biomass. Classical allometric models were compared with Artificial Neural Networks (ANN), Support Vector Machines (SVM) and Random Forest (RF), and in all tests the model that obtained the best correlation was a machine learning technique. For the prediction of Pinus volumes, the best model was SVM with correlation of 99.19 %. To estimate Acacia-negra biomass, SVM showed the best correlation with 98.6 %. To estimate biomass of tropical forest trees, the best model was RNA with a correlation of 98.06 %. For hypsometric relation of Acacia-negra, the SVM model obtained the best correlation, of 97.73 %. As for the hypsometric relation of Pinus, the best prediction model was RNA with a correlation of 98.02The Friedman test showed the presence of statistical difference between the methods and, although the Nemenyi post-hoc test was not able to show it, it was detectecd a tendency towards a separation of methods. The results obtained strongly show that machine learning models are a competitive alternative in comparison to the classical methods, surpassing them in the experiments carried out here. Keywords: Forest Inventory, Forest Measuring, Knowledge Discovery in Databases Machine Learning, Neural Networks, Support Vector Machines, Model Trees, Random Forest.

Orientador : Prof. Dr. Eduardo Gonçalves de Lima / Coorientador : Prof. Dr. Bernardo R. B. de Almeida Leite / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 12/12/2016 / Inclui referências : f. 82-83 / Área de concentração / Resumo: Nos sistemas modernos de telecomunicações sem fio, necessita-se de uma elevada eficiência espectral que é a razão entre a largura de banda ocupada e a taxa de transferência de dados. Isso se deve às altas taxas de transmissão de dados e tem como consequência a utilização da modulação da amplitude (AM) e fase (PM) de uma portadora de rádio frequência (RF). A modulação AM exige linearidade no sistema de transmissão, sobretudo dos amplificadores de potência (PAs). Porém, para se obter alta eficiência energética, o PA necessita operar próximo à saturação, aumentando a sua não linearidade. Com a finalidade de melhorar a eficiência energética dos PAs, porém mantendo o compromisso com a linearidade que as agências reguladoras exigem, existem algumas alternativas, como a de utilizar um linearizador em cascata com um PA de topologia mais eficiente. Portanto, neste trabalho é proposto o projeto de um RFPA em topologia Doherty adequado para fabricação com processo CMOS (complementary metal-oxide-semiconductor) de 180 nm. O amplificador principal é polarizado em classe AB e o efeito de modulação é proporcionado por um amplificador auxiliar em classe C com uma rede inversora de impedância. Em seguida é realizada a linearização do RFPA com o uso da técnica da pré-distorção digital em banda base (DPD). Esta técnica necessita de um modelo comportamental para o amplificador o qual é realizado através do uso de redes neurais artificiais (ANNs). Em específico neste trabalho foram propostas modificações para modelos comportamentais já utilizados com o objetivo de melhorar o compromisso entre a complexidade computacional e a precisão na execução de linearização de amplificadores. Resultados importantes foram encontrados na modelagem comportamental. Em um cenário de mesma quantidade de parâmetros, foram obtidas reduções entre 2,5 dB e 5 dB no erro quadrático médio normalizado (NMSE) usando o modelo comportamental proposto. Em um segundo cenário, em uma situação de precisão comparável (NMSE=-50 dB), foi observado que o modelo proposto pode reduzir o número de parâmetros na rede de 146 para 106. Utilizando sinal OFDMA com PAPR de 9,7 dB, ocorreu melhora de 8,64 dB no ACLR upper e 9,95 dB no ACLR lower do amplificador com uma rodada de linearização utilizando a DPD. Nesta etapa, o EVM diminui de 11,34% para 2,54%, utilizando o linearizador. Realizando novamente a DPD do resultado anterior, a melhoria do ACLR foi de 32,09 dB no ACLR upper e 29,89 dB no ACLR lower. Os parâmetros de EVM também diminuíram substancialmente com a linearização, sendo de 11,49% para 0,38% para segunda rodada de linearização. Verificando outros parâmetros do PA, foi notado aumento de até 1,94 dBm da potência máxima de saída, já a PAE máxima aumentou em até 2,97% utilizando a DPD. Somente para o caso com duas rodadas de linearização o amplificador atinge completamente as especificações da norma IEEE 802.11n. Palavras chave: CMOS 180 nm, Doherty, modelagem comportamental, pré-distorção digital em banda base, redes neurais artificiais. / Abstract: In modern wireless systems, high spectral efficiency which is the ratio between occupied bandwidth and data transfer rate is necessary. This is due high data transfer rates and causes the use of amplitude (AM) and phase (PA) modulation of the carrier. The AM modulation requires linearity in the transmitter chain, especially of power amplifiers (PAs). However, with the objective to obtain high power efficiency, the PA must be driven until saturation, what increases its non-linearity. In order to improve the power efficiency of PAs, but, keeping the commitment of linearity with the standards of regulatory agencies, there are some alternatives, as to use a linearizer cascaded with an amplifier whose topology allows high efficiency. Therefore, in this work a RFPA design in Doherty topology suitable to 180 nm CMOS (complementary metal-oxidesemiconductor) process is proposed. In this topology, the main amplifier is biased in class AB. The load modulation effect is achieved by an auxiliary amplifier biased in class C followed by a dephasing network. Digital baseband predistortion (DPD) is applied to linearize the designed PA. However, in this technique a behavioral model for the amplifier is necessary. Such model is based on a multi-layer perceptron artificial neural network model. Particularly, in this work modifications into a previous behavioral model are proposed with the purpose of decreasing the number of parameters of the network in order to have low computational cost to implement the linearization. Important results were found in the Behavioral Modeling. In a scenario of the same number of parameters, reductions between 2.5 dB and 5 dB in the normalized mean square error (NMSE) were found using the proposed behavioral model. In a second scenario, in a situation of comparable modeling accuracy (NMSE=-50 dB) it was observed that the proposed model can reduce the number of parameters from 146 to 106. Applying in the input an OFDMA signal with PAPR of 9.7 dB, the ACLR was improved in 8.64 dB in the ACLR upper and in 9.95 dB in the ACLR lower in the first sequence of linearization. In this stage, the EVM decreased from 11.34% to 2.54%. For the second sequence of linearization, in the output the ACLR was improved in 32.09 dB in the ACLR upper and in 29.89 dB in the ACLR lower. The EVM was decreased from 11.49% to 0.38%. The saturated power was increased in 1.94 dBm. The use of DPD provided an improvement of 2.97% in the peak PAE. Only for the case with two linearization sequences the PA fulfills completely the IEEE 802.11n. Key-words: CMOS 180 nm, Doherty, behavioral model, digital baseband predistortion, artificial neural network.

Made available in DSpace on 2014-06-11T19:22:26Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-07-29Bitstream added on 2014-06-13T19:07:53Z : No. of bitstreams: 1 ferreira_ms_me_prud.pdf: 1897420 bytes, checksum: 1aede604709494154b2f75d18806c9fc (MD5) / O conhecimento da distribuição espacial da concentração de componentes da água é de fundamental importância para inferir a respeito dos processos ecológicos que ocorrem num sistema hídrico sendo, entretanto, de difícil obtenção. Dentre as variáveis que merecem atenção no monitoramento de ambientes aquáticos, destaca-se a clorofila a, a qual é uma substância presente em algas responsáveis pela fotossíntese, organismos que constituem a base da cadeia alimentar nesses ambientes. Por se tratar de um pigmento fotossintetizante, a clorofila a apresenta a propriedade de interagir com a radiação eletromagnética, e dessa interação resultam diferentes processos, identificáveis por meio de sensores remotos. Assim sendo, a presente pesquisa se propôs a desenvolver um método de inferência da concentração de clorofila a utilizando Redes Neurais Artificiais (RNA). Utilizou-se como dados de entrada para a inferência combinações de bandas espectrais de uma imagem World View-2 e valores de concentração de clorofila a obtidos com um fluorômetro de campo, o qual possibilitou uma amostragem densa na área de estudos. A imagem multiespectral foi corrigida radiometricamente, eliminando efeitos de instrumentação e atmosféricos. Ainda, efetuou-se uma suavização espectral em cada uma das bandas e foi avaliado se esse tratamento na imagem possibilitaria... / The knowledge of the spatial distribution of water components concentrations is of fundamental importance to infer about the ecological processes that occur in an aquatic system, however, is difficult to obtain it. Among the variables that deserve attention in the monitoring of aquatic environments, cite the chlorophyll a, which is a substance of photosynthetic algae, organisms that are the basis of the food chain in these environments. Because it is a photosynthetic pigment, chlorophyll a has the property to interact with electromagnetic radiation, and it results in different processes, identifiable through remote sensing. Thus, this research intended to develop a chlorophyll a concentration inference method using Artificial Neural Networks (ANN). As input for the inference, it was used combinations of World View-2 spectral bands and chlorophyll a concentration values obtained with a field fluorometer, which allowed a dense sampling in the study area. The multispectral imagery was radiometrically corrected, eliminating the instrumentation and atmospheric effects. Still, it was performed a spectral smoothing in each of the spectral bands and evaluated whether this treatment would give... (Complete abstract click electronic access below)

Made available in DSpace on 2014-06-11T19:22:32Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-12-02Bitstream added on 2014-06-13T19:08:06Z : No. of bitstreams: 1 mantovani_wa_me_ilha.pdf: 572859 bytes, checksum: 6f6dbbff3d2181a18b8a8a253a4fc213 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Com o surgimento de novas tecnologias, a eletrônica de potência passou a ser utilizada cada vez mais, resultando no aumento das cargas não-lineares e na adoção de dispositivos que provocam distorções harmônicas na rede elétrica. Essas distorções harmônicas geram maiores custos às empresas distribuidoras de energia elétrica, como a troca de cabos e redimensionamento de transformadores, que podem sofrer superaquecimento ou sobrecarga. Estes fenômenos prejudicam o fornecimento de energia e podem gerar futuras taxações a estas empresas, uma vez que já existe a discussão de normas que limitam o nível de distorções harmônicas presentes nos sistemas de distribuição. Uma vez constatada uma violação dos limites estabelecidos, torna-se necessária a adoção de uma sistemática para mitigação dos efeitos resultantes, que na maioria dos casos está relacionada a instalação de filtros harmônicos, sejam de natureza passiva, ativa ou híbridos. Por outro lado, em decorrência desta medida, surge naturalmente a questão vinculada a responsabilidade financeira sobre os investimentos relacionados com os procedimentos de mitigação a serem implementados. Para a realização do compartilhamento de responsabilidades, é necessário determinar a parcela de distorção harmônica total relativa somente à não-linearidade da carga. Até a presente dissertação, a única forma de se obter tal valor era desacoplando a carga do sistema e alimentando-a com uma tensão senoidal, tornando-se um processo difícil e até inviável. A proposta deste trabalho é a utilização de redes neurais recorrentes na determinação da característica não-linear da carga através da medida da tensão no PAC e da corrente no ramo da carga em questão. A partir de um processo de treinamento, a rede neural simula a admitância da carga através... / With the advent of new technologies, the power electronics has become increasingly used, resulting in increased non-linear loads and the adoption of devices that cause harmonic distortion on the grid. These harmonic distortions generate higher costs for electricity distribution companies, such as replacing cables and transformer sizing, which can overheat or overload. These problems affect the power supply and can create future taxation of these companies. There is already discussion of rules limiting the level of harmonic distortion present in distribution systems. When is found a violation of limits, becomes necessary to adopt a systematic approach to mitigating the effects arising, which in most cases is related to installation of harmonic filters, are such as passive, active or hybrid. On the other hand, as a result of this action, the question naturally arises linked to financial liability on investments related to the mitigation procedures to be implemented. For the realization of shared responsibility, is necessary to determine the share of total harmonic distortion relative just to the non-linearity of the load. Until the present work, the only way to obtain that value was decoupling the system load and feeding it with a sinusoidal voltage, making it a difficult process and even infeasible. The purpose of this work is the use of recurrent neural networks in determining the non-linear characteristic of the load by measuring the voltage at the PCC and the current in branch of the load in question. From a training process, the neural network simulates the admittance of the load by adjusting their weights. Then these weights are transferred to a second neural network simulation, which when applied to enter a purely sinusoidal voltage, a current referring just to non-linear characteristic of the load is obtained

Made available in DSpace on 2014-06-11T19:22:54Z (GMT). No. of bitstreams: 0 Previous issue date: 2004-06-23Bitstream added on 2014-06-13T18:49:49Z : No. of bitstreams: 1 ferreira_fr_me_sjrp.pdf: 884938 bytes, checksum: cb71cfbd072d7a80c82fa5ec84776eea (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A predição de estruturas secundárias e terciárias pode contribuir para elucidar o problema de enovelamento de proteínas. Para isso, métodos de Redes Neurais Artificiais (RNAs) e Algoritmos Genéticos são utilizados a fim de predizê-las, a partir de determinadas seqüências primárias de aminoácidos. Neste sentido, esta pesquisa visa à utilização de três níveis de RNAs. O primeiro nível é composto por um vetor de entrada representando a seqüência primaria dos aminoácidos, com uma dimensão de 22.n, onde n é o tamanho da janela compreendida entre 7 a 23. O segundo nível possui a implementação dos resultados da primeira rede. Por fim o terceiro nível é composto por um júri de decisão. As RNAs são treinadas no Simulador MATLAB 5.0, um software composto de vários recursos para a sua implementação (Neural Network Toolbox). As RNAs implementadas são do tipo Multi Layer Perceptron (MLP), que utilizam o algoritmo backpropagation (RPROP) e a função de treinamento trainrp. Os dados obtidos são comparados com os preditores 'The Predict Protein Server Default' (www.emblheidelberg.de/predictprotein/submit_def.html), 'The PSA Protein Structure Prediction Server' (http//bmerc-www.bu.edu/psa/request.html) e 'The PSIPRED Protein Structure Prediction Server' (http://bioinf.cs.ucl.ac.uk/psipred/), a fim de se obter um modelo de predição. / The prediction of (secondaray and tertiary) structures of proteins can contribute to elucidadate the protein-folding problem. In oder to predict these structures we used methods of Artificial Neural Network (ANN) and genetic algorithms starting from the primary sequences of amino acids. The present work is composed of 3 networks levels. The first level is composed of ANNs of an input vector representing a segment of primary amino acid sequence. Since the encoding scheme uses a local window into the sequence, the input vector is a 22.n dimensional vector where n is the number of positions in the window (between 7 and 23). The outputs of level 1 are the inputs of the second level ANNs. The third level is the jury decision. The ANNs were trained with the Simulator MATLAB 5.0, software with several tools for its implementation (Neural Network Toolbox). The implemented ANNs are Multi Layer Perceptron (MLP) kind, which use the backpropagation algorithms (RPROP) together with training function trainrp. The obtained date are compared with the predictors 'The Predict Protein Server Default' (www.emblheidelberg.de/predictprotein/submit_def.html), 'The PSA Protein Structure Prediction Server' (http//bmerc-www.bu.edu/psa/request.html) e 'The PSIPRED Protein Structure Prediction Server' (http://bioinf.cs.ucl.ac.uk/psipred/) in order to heve an idea of the quality of the prediction.

Made available in DSpace on 2014-06-11T19:24:44Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-02-13Bitstream added on 2014-06-13T20:12:57Z : No. of bitstreams: 1 almeida_tns_me_botfca.pdf: 1241932 bytes, checksum: 07854bf02598b50f78f036c397c7598d (MD5) / O presente trabalho tem como objetivo avaliar a estimação da radiação solar ultravioleta diária (UV) utilizando técnicas de aprendizado de máquina em Botucatu/SP/Brasil. Para a geração dos modelos foram utilizadas as redes neurais artificiais com função linear (RNA), a máquina de vetores de suporte com função linear (SVM-Linear) e a máquina de vetores de suporte com função RBF (SVM-RBF). Como entrada, para cada uma das técnicas, foram testados cinco grupos contendo diferentes variáveis meteorológicas medidas como rotina na estação de radiometria solar de Botucatu. A maior precisão na estimação da UV foi obtida utilizando a SVM-RBF e, como variáveis de entrada, foram utilizados dados de insolação, umidade relativa, temperatura do ar, precipitação, fotoperíodo, radiação solar no topo da atmosfera, radiação ultravioleta no topo da atmosfera, radiação solar global, transmissividade atmosférica e massa ótica relativa. Este modelo apresentou MBE = 0,321%; RMSE = 5,712%; d = 0.991 e R² = 0.969, porém o conjunto de entradas utilizando apenas a radiação global, radiação solar no topo da atmosfera e radiação ultravioleta no topo da atmosfera merece atenção por apresentar resultados próximos a partir de apenas uma variável medida (radiação global) e duas calculadas. Este grupo apresentou MBE = 1,614%; RMSE = 6,749%; d= 0,989 e R² = 0,959. Tais resultados foram comparados com modelos encontrados na literatura e se mostraram equivalentes aos que utilizaram técnicas de aprendizado de máquina para estimar a radiação UV em outras cidades e superiores aos modelos estatísticos gerados com o intuito de estimar a UV para a cidade de Botucatu / In this papper is evaluated the estimation of daily solar ultraviolet radiation (UV) using machine learning techniques in Botucatu / SP / Brazil. To develop the model was utilized the artificial neural networks with linear function, the support vector machine with linear function and with RBF function. As input to each of the techniques, were tested five groups containing different weather variables measured as routine in Botucatu radiometry solar station. A more precise estimation of UV was obtained using the SVM-RBF and as input variables, we used data of insolation, relative humidity, air temperature, precipitation, photoperiod, solar radiation at the top of the atmosphere, ultraviolet radiation at the top of atmosphere, solar radiation, atmospheric transmissivity and relative optical mass. This model presented MBE = 0.321%; RMSE = 5.712%; d = 0991 and R²=0969, but the set of entries using only the global radiation, solar radiation at the top of the atmosphere and ultraviolet radiation at the top of the atmosphere deserves attention for presenting similar results from only one measured variable (global solar radiation) and two calculated. This group presented MBE = 1.614%; RMSE = 6.749%; d = 0.989 and R²=0.959. These results were compared to models found in the literature and proved equivalent to that used machine learning techniques to estimate the UV radiation in other cities and higher than the statistical models generated in order to estimate the UV to the Botucatu city

Made available in DSpace on 2016-06-02T19:55:31Z (GMT). No. of bitstreams: 1 3949.pdf: 14912363 bytes, checksum: 74603ee22b1b95849f34a28e1a73f179 (MD5) Previous issue date: 2011-06-30 / Currently, the amount of contaminants (such as sulfur, nitrogen and aromatics) in diesel oil is strictly controlled, due to their impact on pollutant emissions. The most important process used to meet fuel specifications regarding contaminants is the catalytic hydrogenation, specifically hydrotreatment (HDT). Optimization of the HDT process can benefit from reliable kinetic models of the hydrodesulfurization (HDS) and hydrodenitrogenation (HDN) reactions, among others. Modeling the HDS and HDN reactions is a complex task, as these occur in triphasic media and it is difficult to determine the composition of diesel oil. Fenomenological models demand a huge experimental effort on generation of data to estimate transport parameters or the utilization of empirical correlations, frequently developed under conditions dissimilar to those of an HDT process. Additionally, utilization of detailed kinetic models is unfeasible, due to the complexity of the reactional mixture. Consequently, pseudo-homogeneous models are largely employed, as they are simpler than heterogeneous models. The equations used to described HDS and HDN kinetics are based on power-law or Langmuir-Hinshelwood terms, Lumping of sulfur or nitrogen compounds into a single pseudo-component does not allow for extrapolation of a model adjusted to a given feed to other feeds, independently of the type of model (homo- or heterogeneous) and equation of reaction rate (power-law or Langmuir-Hinshelwood) employed. However, it is interesting to use a single heteroatomic pseudo-component in the models, as a reduced demand for experimental data enhances the potential for application of the models, given that the model-feed specificity is overcome. In the present work, generalization of pseudo-homogeneous models employing power-law based kinetic rates was accomplished through the inference of apparent kinetics parameters using seven macro-properties of the feeds, which were: density at 20oC; viscosity at 20oC; total sulfur concentration; total and basic nitrogen concentrations; total aromatics content; and temperature of 90% vaporization of the simulated distillation curve. Conventional artificial neural networks (feedforward multilayer perceptrons) performed the inference. Experimental data are scarce, mainly due to the high cost of experimentation, inducing the development of a methodology for dataset enlargement, based on statistical variability of the kinetic parameters and macro-properties. Dataset enlargement made possible the development of independent neural networks for prediction of each kinetic parameter, correctly capturing correlations among macroproperties and the parameters. Two different groups of neural networks were developed, one with higher complexity networks (expressed by a larger number of hidden neurons) and another with simpler ones (possessing fewer hidden neurons). Both were capable of capturing the aforementioned correlations, even though the simpler networks filter out the majority of the disturbances applied to the inputs. / Atualmente, a presença de contaminantes como enxofre, nitrogênio e aromáticos no óleo diesel é severamente controlada, devido ao impacto destes contaminantes nas emissões de poluentes. O processo mais importante para atender às especificações relacionadas a esses contaminantes é a hidrogenação catalítica, especificamente o hidrotratamento (HDT). A otimização do processo de HDT pode se beneficiar de modelos cinéticos confiáveis das reações de hidrodessulfurização (HDS) e hidrodesnitrogenação (HDN), entre outras. A modelagem das reações de HDS e HDN é complexa, pois o processo ocorre em meio trifásico e devido à dificuldade da determinação da composição do óleo diesel. Modelos fenomenológicos demandam grande esforço experimental na geração de dados para estimação dos parâmetros de transporte ou a utilização de correlações empíricas nem sempre obtidas em condições semelhantes ao HDT. Além disso, a complexidade da mistura reacional torna inviável a utilização de modelos cinéticos detalhados. Em consequência, modelos pseudo-homogêneos, por sua simplicidade em comparação aos modelos heterogêneos, têm sido largamente empregados. As equações usadas para descrever a cinética das reações de HDS e HDN são do tipo lei de potências ou Langmuir-Hinshelwood. Seja na modelagem heterogênea ou homogênea, utilizando a cinética tipo lei de potências ou Langmuir-Hinshelwood, a caracterização dos compostos de enxofre ou nitrogênio por um único pseudo-componente não possibilita a extrapolação de modelos ajustados a uma carga a outras diferentes. A utilização de um único pseudo-componente heteroatômico, entretanto, é interessante, pois a carga analítica reduzida potencializa a sua aplicação, desde que seja superada a especificidade carga-modelo. Neste trabalho, a generalização de modelos pseudo-homogêneos com cinética do tipo lei de potências foi conseguida através da inferência de seus parâmetros de cinética aparente a partir de sete macro-propriedades das cargas. As macro-propriedades utilizadas foram: densidade a 20C, viscosidade a 20C, concentração de enxofre total, concentrações de nitrogênio total e básico, aromáticos totais e temperatura 90% da destilação simulada. Redes neurais artificiais convencionais (feedforward multilayer perceptrons) foram aplicadas para inferência. Devido ao alto custo do levantamento de dados experimentais, estes são escassos, o que motivou o desenvolvimento de uma metodologia para ampliação das informações, com base nas variabilidades estatísticas dos parâmetros cinéticos e das macro-propriedades. Após a ampliação dos dados, foi possível construir redes neurais independentes para cada parâmetro, que identificaram corretamente as correlações entre as macro-propriedades e os parâmetros cinéticos da reação de HDS. Dois grupos de redes foram construídos, um com maior complexidade, expressa no maior número de neurônios, e outro mais simples, com menos neurônios. Ambos foram capazes de identificar as correlações, porém as redes menos complexas filtram grande parte das perturbações impostas nas variáveis de entrada.

Made available in DSpace on 2016-06-02T19:55:35Z (GMT). No. of bitstreams: 1 5013.pdf: 1979597 bytes, checksum: 32451f04988763d04cb1954a38679def (MD5) Previous issue date: 2013-03-11 / Universidade Federal de Sao Carlos / In the process of paste drying in spouted bed, the paste is submitted to the system, changes in rheological properties occur, a powder is formed and collected by a cyclone. Currently, various pastes have been tested and their chemical composition may indicate the behavior of the process. When it comes to modeling, many challenges are found, mainly the ones related to the incorporation of the pastes in the models. Therefore, this work was developed in order to obtain more detailed information about the drying process of pastes in a spouted bed, considering the effect of their chemical composition. Based on the effects of the presence of pastes, a hybrid CST / Neural model was verified experimentally to describe the heat and mass transfer phenomena. Besides, a neural model capable of predicting variations in the fluid dynamic behavior of the process was proposed. Drying experiments were carried out with water, homogenized egg, propolis, sweet whey, whole milk, skimmed milk, semi-skimmed milk and low lactose content milk in a spouted bed of cylindrical column of 0.5 m of diameter and 1 m of height, inferior conical base (angle of 60°) with an entrance nozzle of 0.03 m of diameter, top cone (angle of 60°) and outlet diameter of 0.05m. Polyethylene particles of 4.38mm were used as the inert part. During the experiments, changes in pressure drop, inlet air temperature, particle bed temperature at three positions axially from the annular region, outlet temperature, temperature of dry and wet bulb at the cyclone exhaust, as well as the moisture of the powder produced and covering formed on the inert particles were determined. From the information obtained, it is clear that the presence of sugar and fat cause different changes in the behavior of the spouted bed, especially when it comes to relative moisture and pressure drop. Regarding the modeling, the models proposed presented simplicity as for implementation and flexibility to interpolating values. These might be used in the future for other types of pastes by including other input data in the neural network, for example, physical properties of pastes. / No processo de secagem de pastas em leito de jorro a pasta é submetida no sistema, modificações nas propriedades reológicas ocorrem, um pó é formado e coletado por um ciclone. Atualmente várias pastas têm sido testadas e a composição química das mesmas pode indicar o comportamento do processo, contudo vários desafios são ainda encontrados. Neste contexto, este trabalho foi desenvolvido de modo a obter informações mais detalhadas sobre o processo de secagem de pastas em leito de jorro, levando em consideração o efeito da composição química das mesmas. Com base nos efeitos da presença das pastas, foi verificado experimentalmente a utilização de um modelo híbrido CST/Neural para descrever os fenômenos de transferência de calor e massa. Além de propor um modelo neural capaz de prever as variações do comportamento fluidodinâmico do processo. Para tanto, foram realizados testes de secagem com água, ovo homogeneizado, própolis, soro de leite doce, leite integral, desnatado, semidesnatado e de baixo teor de lactose em um leito de jorro de coluna cilíndrica de 0,5 m de diâmetro e 1 m de altura, base cônica inferior (angulação de 60°) com bocal de entrada de 0,03 m de diâmetro, cone superior (angulação de 60°) e diâmetro de saída de 0,05 m. Como inerte utilizou-se partículas de polietileno de 4,38mm de diâmetro. Durante os experimentos foram determinadas as variações de queda de pressão, temperatura do ar de entrada, temperatura do leito de partículas em três posições axiais da região anular, temperatura de saída, temperatura de bulbo seco e bulbo úmido na saída do ciclone, bem como a umidade do pó produzido e recobrimento formado nas partículas inertes. Das informações obtidas ficou nítido que a presença de açúcares e de gorduras causam diferentes modificações no comportamento do leito de jorro, principalmente nos parâmetros de umidade relativa e queda de pressão. No que se refere a modelagem os modelos propostos apresentaram simplicidade, em termos de implementação, e flexibilidade para interpolar valores. Posteriormente os mesmos poderão ser usados, para outros tipos de pastas fazendo a inclusão de outros dados de entrada na rede neural, como por exemplo, propriedades físicas das pastas.