Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018. / Submitted by Robson Amaral (robsonamaral@bce.unb.br) on 2018-05-09T16:30:39Z No. of bitstreams: 1 2017_ArthurAmaralFerreira.pdf: 3415138 bytes, checksum: fa21fc4af8c1c0c11b8d1d071618e0a8 (MD5) / Approved for entry into archive by Patrícia Nunes da Silva (patricia@bce.unb.br) on 2018-06-04T14:14:01Z (GMT) No. of bitstreams: 1 2017_ArthurAmaralFerreira.pdf: 3415138 bytes, checksum: fa21fc4af8c1c0c11b8d1d071618e0a8 (MD5) / Made available in DSpace on 2018-06-04T14:14:01Z (GMT). No. of bitstreams: 1 2017_ArthurAmaralFerreira.pdf: 3415138 bytes, checksum: fa21fc4af8c1c0c11b8d1d071618e0a8 (MD5) Previous issue date: 2018-06-04 / Uma das principais fontes de erro no posicionamento baseado em Sistemas Globais de Navegação por Satélite (GNSS) para usuários de receptores de uma frequência é o atraso de propagação nos sinais GNSS ao atravessarem a ionosfera. Esse atraso, em uma aproximação de primeira ordem, é diretamente proporcional ao Conteúdo Total de Elétrons (TEC). Assim, estimar o TEC é uma tarefa bastante relevante para correção dos efeitos ionosféricos sobre a propagação dos sinais. Para corrigir os erros de distância devido à ionosfera, os usuários de receptores GNSS de uma única frequência necessitam de modelos que representem o TEC. Neste cenário, este trabalho propõe a utilização de Redes Neurais Artificiais (ANN) para estimar o TEC obtido a partir de medidas GNSS na região do Brasil. As investigações apresentadas neste trabalho iniciam o desenvolvimento de um modelo regional que possa ser usado para determinar o TEC vertical sobre as regiões Nordeste, Centro-Oeste e Sul do Brasil, visando futuras aplicações em estimação próxima a tempo real e em previsão de curto prazo. Neste trabalho são utilizados dados GNSS das redes GLONASS para pesquisa e desenvolvimento, e da Rede Brasileira de Monitoramento Contínuo dos Sistemas GNSS (RBMC). Os parâmetros de entrada da rede neural baseiam-se em fatores que influenciam os valores do TEC, incluindo localização geográfica do receptor GNSS, atividade geomagnética, variações sazonais e diurnas e atividade solar. O modelo de ANN proposto é utilizado para estimar os valores de GNSS TEC vertical em regiões desprovidas de receptores GNSS de duas bandas de frequência que possam ser utilizados para tal fim. Diferentes análises são realizadas, divididas em três estudos de caso. Estas análises incluem a avaliação de desempenho espacial, avaliação de diferentes estruturas ANN, habilidade de previsão em curto-prazo e comparação de desempenho em relação aos Mapas Ionosféricos Globais (Global Ionospheric Maps) fornecidos pelo Centro para Determinação de órbita na Europa (CODE) durante a tempestade geomagnética registrada nos dias 13 e 14 de Outubro de 2016. Os resultados obtidos a partir das análises conduzidas sugerem que os modelos de NN propostos fornecem bom desempenho espacial e apresentam-se como ferramentas promissoras para aplicações de previsão de TEC de curto-prazo. / One of the main error sources on Global Navigation Satellite Systems (GNSS) positioning solutions for users of single frequency receivers is the propagation refraction of the GNSS signals as they pass through the ionosphere. The estimation of the Total Electron Content (TEC) is very important for the correction of ionosphere propagation effects on GNSS signals. In order to correct the ionospheric range errors, GNSS single-frequency users need to rely on TEC models. In this framework, the present investigates the use of Artificial Neural Network models (ANN) to estimate TEC derived from GNSS measurements in Brazil. More specific, the investigations start the development of a regional model that can be used to determine the vertical TEC (vTEC) over Northeast, Central-West and South regions of Brazil, aiming future applications on a near real-time frame estimations and short-term forecasting. This work uses GNSS data from the GLONASS network for research and development, and from the Brazilian Network for Continuous Monitoring of the GNSS (RBMC). The input parameters of the ANN models are based on features known to influence TEC values, including the geographic location of the GNSS receiver, geomagnetic activity, seasonal and diurnal variations, and solar activity. The proposed ANN model is used to estimate the GNSS TEC values at void locations, where no dual-frequency GNSS receiver that may be used as a source of data for GNSS TEC estimation is available. Different analyses are carried out divided into three case studies. These analyses include spatial performance evaluation, evaluation of different ANN structures, short-term forecasting ability and performance comparison against CODE (Center for Orbit Determination in Europe) Global Ionospheric Maps during the geomagnetic storm registered on 13th and 14th October 2016. The results obtained from the described analysis suggest that the proposed ANN models provides good spatial performance and presents to be a promising tool for short-term forecasting applications.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2011. / Submitted by Alaíde Gonçalves dos Santos (alaide@unb.br) on 2013-02-26T14:51:44Z No. of bitstreams: 1 2011_RodrigoLange.pdf: 4767682 bytes, checksum: 9e6ac9c0b404cdb35fcffd1cdff63181 (MD5) / Approved for entry into archive by Luanna Maia(luanna@bce.unb.br) on 2013-03-01T14:51:02Z (GMT) No. of bitstreams: 1 2011_RodrigoLange.pdf: 4767682 bytes, checksum: 9e6ac9c0b404cdb35fcffd1cdff63181 (MD5) / Made available in DSpace on 2013-03-01T14:51:02Z (GMT). No. of bitstreams: 1 2011_RodrigoLange.pdf: 4767682 bytes, checksum: 9e6ac9c0b404cdb35fcffd1cdff63181 (MD5) / O presente trabalho propõe o desenvolvimento de um método do identificação do tráfego de rede gerado pelo aplicativo peer-to-peer eMule. Com a identificação do fluxo do rede do eMule, podem ser obtidas informações periciais importantes tais como: provas de materialidade, indícios de autoria, comprovação da intenção do agente na conduta criminosa (dolo), delimitação geográfica dos locais para onde foram transferidos arquivos, entre outras informações. A proposta deste trabalho emprega Redes Neurais Artificiais (RNA), com o uso de Multilayer Perceptron. para classificar o fluxo de dados que utilizou criptografia e heurística em caso contrário. A RNA foi treinada e testada com fluxos de dados contendo pacotes gerados pelo eMule. Parte desse conjunto de treinamento e testes estava criptografado para que a RNA fosse capaz de classificar fluxos de dados independentemente; do conteúdo dos pacotes estarem cifrados ou não. Desta forma, este trabalho contribui para a obtenção de informações de relevância pericial, as quais serão utilizadas durante a persecução penal. Como resultado experimental, foram detectados 100% dos pacotes do conjunto de teste não criptografado do eMule: sendo que 86,03% do tráfego criptografado loi identificado pela RNA. Os resultados experimentais alcançados demonstram a viabilidade da utilização de RNA para a identificação de tráfego do eMule. _______________________________________________________________________________________ ABSTRACT / This research presents the development of a method to identify network traffic data generated by the eMule peer-to-peer application. Upon this identification, forensic important artifacts may be obtained, such as: materiality evidence, authorship inkling, proof of intention in the course of the criminal behavior, geographical boundaries to where files have been transferred, among other information. The proposed system uses Artificial Neural Networks (ANNs) with Multilayer Perceptron in order to classify the data flow that was encrypted and heuristics in other case. The ANN has been trained and tested with network traffic containing packets generated by eMule. Part of the training set was encrypted, with the objective of being able to classify the data, being the content of the packets cyphered or not. The contribution of the presented work is to obtain information of forensic relevance, which will be used throughout litigation. Experimental results demonstrate the viability to use ANNs to identify eMule network traffic data, since 100% of not encrypted and 86,03% of encrypted eMule traffic were detected.

Made available in DSpace on 2014-06-12T17:20:03Z (GMT). No. of bitstreams: 2 arquivo572_1.pdf: 1212560 bytes, checksum: 17195f6a9a419934856bdf5e4472d49e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O ano de 2008 foi marcado pelo ápice da crise financeira mundial, iniciada no mercado imobiliário dos Estados Unidos. Também nesse período, constatou-se o aumento da produção de estudos teóricos e empíricos sobre os determinantes de crises no sistema financeiro e, especificamente, no sistema bancário. Embora diversos trabalhos desenvolvidos analisem os determinantes de falência bancária, buscando identificar quais variáveis econômicas causam desequilíbrios no sistema financeiro, as conclusões encontradas nem sempre convergem para modelos eficientes no processo de early warning. O presente trabalho tem por objetivo avaliar como os modelos de redes neurais artificiais podem ser utilizados enquanto ferramentas para previsão de insolvência bancária no Brasil. Para tanto, foram utilizados dados a respeito de liquidação bancária entre os anos de 1996 e 1999 associados a três processos distintos de amostragem dos bancos solventes. Os resultados mostram que o maior volume de variáveis explicativas (neurônios de entrada) no modelo de redes neurais torna o modelo melhor ajustado à série e com menor erro quadrado médio de previsão, ainda que seja possível verificar uma forte presença de multicolinearidade entre essas variáveis. Finalmente, verificou-se que os modelos de redes neurais artificiais apresentam bom desempenho na previsão de falência bancária no Brasil independentemente do processo de amostragem selecionado

Submitted by PPG Engenharia El?trica (engenharia.pg.eletrica@pucrs.br) on 2017-10-31T19:10:47Z No. of bitstreams: 1 dissertacao_Nicholas_Correa.pdf: 4887337 bytes, checksum: bbb103765cb34dd0f4606f6e4681234c (MD5) / Rejected by Caroline Xavier (caroline.xavier@pucrs.br), reason: Devolvida "tarefa", devido a arquivo PDF estar sem a folha de rosto (folha com as informa??es principais), passando direto da capa para a ficha catalogr?fica. on 2017-11-10T13:48:15Z (GMT) / Submitted by PPG Engenharia El?trica (engenharia.pg.eletrica@pucrs.br) on 2017-11-24T11:54:51Z No. of bitstreams: 1 NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) / Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-12-01T12:53:14Z (GMT) No. of bitstreams: 1 NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) / Made available in DSpace on 2017-12-01T12:56:20Z (GMT). No. of bitstreams: 1 NICHOLAS_KLUGE_CORREA_DIS.pdf: 3713060 bytes, checksum: 2d90a32cab66a7fce736606072ad37de (MD5) Previous issue date: 2017-08-31 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior - CAPES / Skateboarding is one of the most popular cultures in Brazil, with more than 8.5 million skateboarders. Today Skateboarding is more recognize as a true sports discipline, also given by its debut on the Olympic Games in Tokyo 2020. The present study aims to develop methods detection and classification of Skateboarding flat ground tricks, using a Inertial Module Unit (IMU) allied whit Artificial Neural Networks (ANN). Using state of the art knowledge on movement detection in Skateboarding, 181 artificial flat ground tricks divided between 5 different classes were generated, equivalent to 543 signals (X, Y and Z) of acceleration. A classification heuristic based on cross-correlation coefficients was applied to the discriminate between classes, and using the Neural Network Toolbox a Multilayer Feed Forward Network was architect with three layers and a scaled conjugate gradient back propagation algorithm. The results showed that with the use of ANNs trained specifically for each axis measured by the IMU, being the Z-axis the best differentiator, we can reach error percentages inferior to 0.05 %, with a computational efficiency that makes real time applications possible. Machine learning is a useful tool in pattern recognition of complex movements, as long that the classifiers are properly architected and the task is expressed with clarity this technique is a promising application in Exergames and motion detection. / Skate ? uma das culturas mais populares no Brasil, com mais de 8.5 milh?es de adeptos. O movimento esportivo atualmente se encontra em uma fase de grande crescimento, dada inclusive a estr?ia da modalidade nos Jogos Ol?mpicos em T?quio 2020. O presente estudo teve como objetivo desenvolver t?cnicas de detec??o e classifica??o de manobras de Street Skate, utilizando sensores inerciais IMU (Inertial Module Unit) e Redes Neurais Artificiais (RNA). Utilizando conhecimento do estado da arte em detec??o de movimentos no Skate, foram gerados 181 registros artificiais, resultando em 543 sinais de acelera??o (X, Y e Z) divididos entre 5 classes de manobras. Foi desenvolvida uma heur?stica de classifica??o utilizando coeficientes de correla??o cruzada para discriminar cada classe, e com a Neural Network Toolbox foi criada uma Multilayer Feed Forward Network de tr?s camadas treinada atrav?s de um algoritmo de aprendizagem supervisionado (scaled conjugate gradient backpropagation). Os resultados mostraram que com a utiliza??o de RNAs treinadas especificamente para cada eixo, sendo o eixo Z o maior discriminador, podemos alcan?ar um percentual de erro inferior a 0.05%, com uma efici?ncia computacional que disponibiliza respostas em tempo real. Aprendizado de m?quina ? uma podersoa ferramenta na classifica??o de padr?es de movimento complexos, contanto que os classificadores sejam arquitetados de maneira eficiente e o problema proposto de maneira clara, essa t?cnica possui promissoras aplica??es para Exergames e detec??o de movimentos.

A disponibilidade de séries contínuas de chuva pode viabilizar a execução de muitos estudos que não seriam possíveis com séries que apresentam falhas, pois muitos modelos hidrológicos não apresentam bons resultados quando utilizados dados de entrada com valores faltantes. Neste estudo, as capacidades de Redes Neurais Artificiais (RNAs) foram analisadas para estimar falta de dados das estações pluviométricas. Assim, o objetivo deste trabalho consistiu em testar a utilização de séries pluviométricas preenchidas, em escala horária, a partir de redes neurais artificiais como entrada em um modelo hidrológico de base física, com parâmetros distribuídos. A hipótese levantada neste estudo é que o preenchimento de falhas de séries históricas de precipitação com as Redes Neurais Artificiais potencializam a sua utilização em estudos e na modelização hidrológica. Na metodologia foi proposto um método para preenchimento de falhas dos dados históricos de precipitação horária monitorados em dezoito postos pluviométricos. Posteriormente os dados de precipitação preenchidos foram aplicados em um modelo de previsão de vazão (SWAT). Foram simuladas sete situações para a verificação do desempenho do modelo SWAT, utilizando dados de entrada horários preenchidos de 16 postos pluviométricos, posteriormente, as séries de entrada foram sendo reduzidas, para 8 postos, 4, 2 e por fim 1 posto pluviométrico. Também foi simulado um cenário onde se utilizou como dados de entrada as 16 séries de dados horários sem preenchimento, e um cenário onde os dados horários preenchidos foram convertidos em diários. Foram construídos 1784 modelos para preenchimento de falhas nas séries de dados horários dos postos pluviométricos da bacia. O preenchimento das falhas apresentou coeficientes de analise de desempenho dos modelos elevados. De maneira geral, os valores do coeficiente de Nash-Sutcliffe (NS) encontrados no treinamento e na verificação das redes variaram de 0,80 a 0,99. A frequência com que foram encontrados valores de NS menores que 0.90 nos preenchimentos dos pluviógrafos foi baixa, da ordem de 3,6%. Na aplicação do modelo SWAT, a calibração e a verificação dos parâmetros do modelo foram realizadas com o uso das 16 séries horárias preenchidas com as RNAs. Resultados demonstraram que o coeficiente de eficiência de NS diminui à medida que quantidade de estações pluviométricas utilizadas na entrada do modelo são reduzidas, de 16 para 8, de 8 para 4, de 4 para 2 e de 2 para 1. Variaram de NS = 0,86 (com 16 pluviógrafos) a NS = 0,75 (com dois e um pluviógrafos). Ao se utilizar os dados sem preenchimento o modelo obteve um desempenho inferior, alcançando um coeficiente de NS 6 igual a 0,69. Com relação ao último cenário, em que os dados horários preenchidos foram acumulados e convertidos em diários para serem inseridos no modelo, os resultados foram os piores obtidos, o NS se igualou a 0,61. Nota-se que o preenchimento das falhas das precipitações horárias proporcionou a maximização dos dados disponíveis, com representação das variabilidades espaciais e, a realização de simulações para intervalos de tempo compatíveis com o tempo de resposta da bacia. / The availability of continuous rainfall series can enable the execution of many studies that are not possible with failed series, because many hydrological models do not provide good results when used input data with missing values. In this study, the capabilities of Artificial Neural Networks (ANN) were analyzed to estimate missing data rainfall stations. The aim of this study was to test the use of filled rainfall series as an hourly scale, as of artificial neural networks as input to a hydrological model physical basis, with distributed parameters. The hypothesis in this study is that the filling of historic precipitation series faults with the Artificial Neural Networks maximizes its use in studies and hydrological modeling. The methodology has been proposed a method for gap filling of the historical data of hourly rainfall monitored in eighteen rain gauges. Subsequently the completed precipitation data were applied in a flow forecasting model (SWAT). Seven situations were simulated to verify the efficiency of the SWAT model, a scenario with input time of 16 rain gauges with gap filling using RNAs, subsequently the input series were being reduced to 8 stations, 4, 2 and finally 1 rain gauges data filled. Was also simulated a scenario in which were used as input hourly data series of 16 unfilled posts, and a scenario with daily data entry was also simulated, where the hourly data filled of 16 stations were converted to daily data. 1784 models were constructed to fill gaps in the hourly data series of rain gauges in the basin. The gaps filling in hourly precipitation showed high efficiency coefficients of models. In general, coefficient of Nash-Sutcliffe (NS) values found during the training and verification networks ranged from 0.80 to 0.99. The frequency with which NS values smaller than 0.90 were found in the fill of the rain gauge was 3.6%. Based on the rainfall filled series, these were tested for their efficiency in the hydrologic simulation process, using the physically based SWAT model. The calibration and verification of the model parameters were performed using 16 pluviograph stations with hourly series filled with RNAs. Results showed that the efficiency coefficients of NS decreases as the amount of rainfall stations used in the input model are reduced from 16 to 8, from 8 to 4, 4 to 2 and 2 to 1. Ranged from NS = 086 (16 pluviographs) NS = 0.75 (with two one pluviographs). When using the not filling data, the model obtained a lower performance, achieving a 8 coefficient NS equal to 0.69. On respect to the latter scenario, in which hourly data were accumulated and converted filled in daily to be inserted in the model, the worst results were obtained, the NS equaled 0.61. It is noticed in this way, that the filling gaps of hourly rainfall provided the maximization of available data, with representation of spatial variability and, performing simulations to intervals compatible with the response time of the basin.

Made available in DSpace on 2014-06-12T17:39:51Z (GMT). No. of bitstreams: 2 arquivo6971_1.pdf: 519832 bytes, checksum: 35de3846e1bc6e866dd2ee8b7a6bc74b (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / O presente trabalho apresenta um sistema de previsão de carga horária em curto prazo (sete dias à frente) formado por duas etapas. Na primeira etapa foram escolhidas duas redes neurais artificiais para prever o consumo diário total em um horizonte de sete dias à frente, uma rede para os dias úteis e outra para aos dias não-úteis, o processo de escolha das redes passou por uma análise da estrutura de entrada, da base de dados e do algoritmo de treinamento. Para gerar as melhores redes utilizou-se o método k-fold crossvalidation. A segunda etapa é responsável em fornecer o comportamento da curva de carga, ou seja, a distribuição horária do consumo diário, para isso utilizou-se o sistema ANFIS (Adaptive Network-based Fuzzy Inference System) para gerar um Sistema de Inferência Fuzzy- SIF que fornece um coeficiente que representa a fração do consumo horário em relação ao consumo diário, para inicialização dos modelos optou-se pela comparação entre dois métodos: o método de clusterização subtrativa desenvolvido por Chui S e o método por inspeção onde o SIF é gerado a partir do conhecimento do especialista. Optou-se por estes modelos devido à facilidade de implementação, a capacidade de generalização e resposta rápida. Os resultados obtidos foram comparados com a bibliografia e mostram que o modelo desenvolvido tem alta capacidade de generalização e apresenta baixos valores de MAPE (erro médio percentual), além de utilizar somente dados de carga elétrica como entrada para as redes e para o sistema ANFIS sem a necessidade de dados climáticos

Orientador: Aparecido Augusto de Carvalho / Resumo: A patologia mais recorrente na coluna vertebral é a escoliose. A modificação estrutural causada pela escoliose gera o desalinhamento postural global do indivíduo. Uma das modificações causadas pelo desalinhamento postural é a forma como o indivíduo distribui o peso na região plantar dos pés. O objetivo deste trabalho foi implementar um sistema eletrônico constituído por um baropodômetro e redes neurais artificiais para separar pacientes com Grau I na classificação de Ricard, de 1o a 19o de escoliose, em dois grupos, C1 (1o a 9o) e C2 (10o a 19o). A maior percentagem de pacientes com escoliose está nesta faixa, aqueles que não precisam usar coletes ou fazer cirurgia, e cujo tratamento é realizado com ginásticas especiais e com avaliações freqüentes pelo profissional de saúde. A classificação dos pacientes nos grupos de escoliose foi implementada com o software Matlab e redes neurais artificiais, usando o algoritmo de treinamento backpropagation. A precisão média da classificação foi de 93,7% para o grupo C1 e 94,5% para o grupo C2. As acurácias na classificação foram de 83,3% para o grupo C1 e 96% para o grupo C2. O sistema implantado pode contribuir para o tratamento de pacientes com grau de escoliose na faixa de 1o a 19o, o intervalo de maior incidência desta patologia, no qual o monitoramento da condição clínica com técnicas não invasivas é de fundamental importância. / Mestre

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2016. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2016-05-12T16:15:07Z No. of bitstreams: 1 2016_IlvanMedeirosLustosaJunior.pdf: 5972646 bytes, checksum: c5b3f56ef268e42b07b37bf113fec2dd (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-05-23T21:29:44Z (GMT) No. of bitstreams: 1 2016_IlvanMedeirosLustosaJunior.pdf: 5972646 bytes, checksum: c5b3f56ef268e42b07b37bf113fec2dd (MD5) / Made available in DSpace on 2016-05-23T21:29:44Z (GMT). No. of bitstreams: 1 2016_IlvanMedeirosLustosaJunior.pdf: 5972646 bytes, checksum: c5b3f56ef268e42b07b37bf113fec2dd (MD5) / A Mata atlântica vem sendo alvo constante no uso demasiado de recursos naturais, não obstante, o componente florestal tem sido explorado de forma insustentável, promovendo um alto grau de degradação ambiental no Bioma. Conhecer o comportamento arbóreo, num determinado intervalo de tempo, permite fornecer subsídios científicos na fundamentação de políticas de conservação e manejo florestal. A competição florestal é um dos fatores que influenciam no crescimento e longevidade dos indivíduos arbóreos, e é decorrente da demanda por recursos essenciais, tais quais, água, luz e nutrientes. Portanto, objetivou-se com o presente estudo, analisar a influência da competição florestal, por meio de índices de competição independentes e semidependentes de distância (raios de 2, 3, 4, 5 e 6 metros), no crescimento dendrométrico e agregar os aspectos competitivos na projeção, através de modelos tradicionais e redes neurais artificiais, em fragmento de Floresta Estacional Semidecidual, MG. Para tal estudo foi realizada uma classificação dos indivíduos em grupos ecológicos e de acordo a exigência por luz, visando avaliar se o cálculo da competição é mais significativo ao ser avaliado para cada grupo, ao invés da análise generalizada para todas as espécies do fragmento em estudo. Avaliar a competição por grupo ecológico se mostrou mais eficaz, visto que apresentou correlações superiores. O índice independente BAL obteve o melhor desempenho para analisar a influência da competição no crescimento dos indivíduos no fragmento estudado. Projetar o crescimento dendrométrico por Redes Neurais Artificiais foi mais eficiente que por modelos de regressões tradicionais. _______________________________________________________________________________________________ ABSTRACT / The Atlantic Forest natural resources have been largely explored, regardless; the forest is used in an unsustainable way, provoking an elevated level of damage in the Biome. Knowing the arboreal behavior, in a certain period, allows providing scientific grants for conservation and forestry management policies. The forestry competition is one of the factors that influence on the growth and longevity of the specimens, and is due the demand for essential resources, such as, water, light and nutrients. Therefore, this research aimed to analyze how the forestry competition affects the dendrometric measurements, by using distance independent and distance semi-independent competition indexes (radius at 2, 3, 4, 5 and 6 meters), and to aggregate the competitive aspects on the projection, through traditional models and neural artificial networks, in a Semi-Deciduous Seasonal Forest, in Minas Gerais (Brazil). In this study was carried out a classification of individuals according to their ecological groups and their light demand, in order to evaluate whether the calculation of the competition is more significant when evaluated for each group, rather than the generalized analysis to all species of the fragment under study. To evaluate the competition per ecologic group was more efficient, since it presented superior correlations. The BAL independent index obtained the best performance to analyze the influence of the competition on the specimens’ growth on the fragment studied. Projecting the dendrometric measurement using Neural Artificial Networks was more efficient than the traditional means.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2016. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2016-06-06T13:21:02Z No. of bitstreams: 1 2016_CaueZaghetto.pdf: 14491723 bytes, checksum: cb3b4c34391e97435c3414fd256d02ae (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-06-17T21:13:26Z (GMT) No. of bitstreams: 1 2016_CaueZaghetto.pdf: 14491723 bytes, checksum: cb3b4c34391e97435c3414fd256d02ae (MD5) / Made available in DSpace on 2016-06-17T21:13:26Z (GMT). No. of bitstreams: 1 2016_CaueZaghetto.pdf: 14491723 bytes, checksum: cb3b4c34391e97435c3414fd256d02ae (MD5) / Este trabalho apresenta um método baseado em Redes Neurais Artificiais que avalia o malposicionamento dos dedos devido à rotação em dispositivos de aquisição de impressões digitais multivista sem toque. O objetivo é determinar se o dedo está rotacionado ou não, uma vez que o adequado posicionamento do dedo é mandatório para garantir altas taxas de correspondência entre impressões digitais. Um conjunto de teste de 9000 imagens adquiridas foi utilizado para treinar, validar e testar um conjunto de classificadores baseados em redes neurais artificiais multicamadas. Até o momento, não existe um método definitivo que abordou o problema da qualidade de impressões digitais em dispositivos de captura que utilizem a tecnologia multivista sem toque, e a detecção da rotação de dedos apresentada neste trabalho é um dos passos que devem ser levados em conta se um futuro método automático para avaliação da qualidade de impressões digitais for considerado. Os resultados médios, mostram que: o classificador identifica corretamente o mal-posicionamento em aproximadamente 98,50% dos casos; e quando o mal-posicionamento é detectado, o ângulo de rotação é corretamente estimado em 95,25% dos casos. _______________________________________________________________________________________________ ABSTRACT / This work presents a method based on Artificial Neural Network that evaluates the rotational bad-positioning of fingers on touchless multiview fingerprinting devices. The objective is to determine whether the finger is rotated or not, since a proper positioning of the finger is mandatory for high fingerprint matching rates. A test set of 9000 acquired images has being used to train, validate and test a set of multilayer Artificial Neural Network classifiers. To our knowledge, there is no definitive method that addressed the problem of fingerprint quality on touchless multiview scanners. The proposed finger rotation detection here presented is one of the steps that must be taken into account if a future automatic image quality assessment method is to be considered. Average results show that: our classifier correctly identifies bad-positioning in approximately 98.50% of cases; and if bad-positioning is detected, the rotation angle is correctly estimated in 95.25% evaluations.

A disponibilidade de séries contínuas de chuva pode viabilizar a execução de muitos estudos que não seriam possíveis com séries que apresentam falhas, pois muitos modelos hidrológicos não apresentam bons resultados quando utilizados dados de entrada com valores faltantes. Neste estudo, as capacidades de Redes Neurais Artificiais (RNAs) foram analisadas para estimar falta de dados das estações pluviométricas. Assim, o objetivo deste trabalho consistiu em testar a utilização de séries pluviométricas preenchidas, em escala horária, a partir de redes neurais artificiais como entrada em um modelo hidrológico de base física, com parâmetros distribuídos. A hipótese levantada neste estudo é que o preenchimento de falhas de séries históricas de precipitação com as Redes Neurais Artificiais potencializam a sua utilização em estudos e na modelização hidrológica. Na metodologia foi proposto um método para preenchimento de falhas dos dados históricos de precipitação horária monitorados em dezoito postos pluviométricos. Posteriormente os dados de precipitação preenchidos foram aplicados em um modelo de previsão de vazão (SWAT). Foram simuladas sete situações para a verificação do desempenho do modelo SWAT, utilizando dados de entrada horários preenchidos de 16 postos pluviométricos, posteriormente, as séries de entrada foram sendo reduzidas, para 8 postos, 4, 2 e por fim 1 posto pluviométrico. Também foi simulado um cenário onde se utilizou como dados de entrada as 16 séries de dados horários sem preenchimento, e um cenário onde os dados horários preenchidos foram convertidos em diários. Foram construídos 1784 modelos para preenchimento de falhas nas séries de dados horários dos postos pluviométricos da bacia. O preenchimento das falhas apresentou coeficientes de analise de desempenho dos modelos elevados. De maneira geral, os valores do coeficiente de Nash-Sutcliffe (NS) encontrados no treinamento e na verificação das redes variaram de 0,80 a 0,99. A frequência com que foram encontrados valores de NS menores que 0.90 nos preenchimentos dos pluviógrafos foi baixa, da ordem de 3,6%. Na aplicação do modelo SWAT, a calibração e a verificação dos parâmetros do modelo foram realizadas com o uso das 16 séries horárias preenchidas com as RNAs. Resultados demonstraram que o coeficiente de eficiência de NS diminui à medida que quantidade de estações pluviométricas utilizadas na entrada do modelo são reduzidas, de 16 para 8, de 8 para 4, de 4 para 2 e de 2 para 1. Variaram de NS = 0,86 (com 16 pluviógrafos) a NS = 0,75 (com dois e um pluviógrafos). Ao se utilizar os dados sem preenchimento o modelo obteve um desempenho inferior, alcançando um coeficiente de NS 6 igual a 0,69. Com relação ao último cenário, em que os dados horários preenchidos foram acumulados e convertidos em diários para serem inseridos no modelo, os resultados foram os piores obtidos, o NS se igualou a 0,61. Nota-se que o preenchimento das falhas das precipitações horárias proporcionou a maximização dos dados disponíveis, com representação das variabilidades espaciais e, a realização de simulações para intervalos de tempo compatíveis com o tempo de resposta da bacia. / The availability of continuous rainfall series can enable the execution of many studies that are not possible with failed series, because many hydrological models do not provide good results when used input data with missing values. In this study, the capabilities of Artificial Neural Networks (ANN) were analyzed to estimate missing data rainfall stations. The aim of this study was to test the use of filled rainfall series as an hourly scale, as of artificial neural networks as input to a hydrological model physical basis, with distributed parameters. The hypothesis in this study is that the filling of historic precipitation series faults with the Artificial Neural Networks maximizes its use in studies and hydrological modeling. The methodology has been proposed a method for gap filling of the historical data of hourly rainfall monitored in eighteen rain gauges. Subsequently the completed precipitation data were applied in a flow forecasting model (SWAT). Seven situations were simulated to verify the efficiency of the SWAT model, a scenario with input time of 16 rain gauges with gap filling using RNAs, subsequently the input series were being reduced to 8 stations, 4, 2 and finally 1 rain gauges data filled. Was also simulated a scenario in which were used as input hourly data series of 16 unfilled posts, and a scenario with daily data entry was also simulated, where the hourly data filled of 16 stations were converted to daily data. 1784 models were constructed to fill gaps in the hourly data series of rain gauges in the basin. The gaps filling in hourly precipitation showed high efficiency coefficients of models. In general, coefficient of Nash-Sutcliffe (NS) values found during the training and verification networks ranged from 0.80 to 0.99. The frequency with which NS values smaller than 0.90 were found in the fill of the rain gauge was 3.6%. Based on the rainfall filled series, these were tested for their efficiency in the hydrologic simulation process, using the physically based SWAT model. The calibration and verification of the model parameters were performed using 16 pluviograph stations with hourly series filled with RNAs. Results showed that the efficiency coefficients of NS decreases as the amount of rainfall stations used in the input model are reduced from 16 to 8, from 8 to 4, 4 to 2 and 2 to 1. Ranged from NS = 086 (16 pluviographs) NS = 0.75 (with two one pluviographs). When using the not filling data, the model obtained a lower performance, achieving a 8 coefficient NS equal to 0.69. On respect to the latter scenario, in which hourly data were accumulated and converted filled in daily to be inserted in the model, the worst results were obtained, the NS equaled 0.61. It is noticed in this way, that the filling gaps of hourly rainfall provided the maximization of available data, with representation of spatial variability and, performing simulations to intervals compatible with the response time of the basin.