Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2014. / Submitted by Ana Cristina Barbosa da Silva (annabds@hotmail.com) on 2014-12-16T17:24:51Z No. of bitstreams: 1 2014_BeatrizdosSantosPes.pdf: 154089457 bytes, checksum: 65b0335535d4e3d7669292c7903e5dbb (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2014-12-30T16:14:42Z (GMT) No. of bitstreams: 1 2014_BeatrizdosSantosPes.pdf: 154089457 bytes, checksum: 65b0335535d4e3d7669292c7903e5dbb (MD5) / Made available in DSpace on 2014-12-30T16:14:42Z (GMT). No. of bitstreams: 1 2014_BeatrizdosSantosPes.pdf: 154089457 bytes, checksum: 65b0335535d4e3d7669292c7903e5dbb (MD5) / A habilidade de simular de forma mais realista o comportamento do cérebro humano fez com que as redes neurais pulsantes (SNNs, Spiking Neural Networks) se tornassem populares entre os pesquisadores. Estes circuitos, altamente densos, apresentam grande capacidade de processamento de dados. Inicialmente, acreditava-se que arquiteturas reconfiguráveis, como FPGAs, Field Programmable Gale Arrays, poderiam ser usadas como protótipos para a construção de SNNs. Entretanto, FPGAs não suportam os altos níveis de conectividade entre neurônios em uma SNN densa. Além disso, a implementação através de FPGAs não fornece melhorias quanto a dissipação de potência ou área ocupada. Por este motivo, os pesquisadores começaram a utilizar NoCs, Networks-on-Chip, para interconectar SNNs. O uso de NoCs é capaz de reduzir o número de interconexões e apresenta uma grande vantagem relativa à tolerância a falhas: redundância. Neste contexto, algumas configurações combinando neurônios e roteadores foram propostas. Estes componentes constituem o bloco básico, presente em cada no da NoC. Vários modelos de neurônios pulsantes e vários algoritmos de roteamento foram usados. Todas estas propostas buscam a implementação de redes cada vez mais densas, reduzindo a dissipação de potência e a área ocupada. No entanto, nenhum dos trabalhos anteriores usa um modelo nanoeletrônico para o neurônio pulsante. A implementação nanoeletrônica e bem conhecida pelos ganhos que apresenta justamente nesses dois parâmetros: dissipação de potencia e área ocupada. Assim, este trabalho propõe um bloco básico de construção para ser utilizado em uma NoC do tipo 2D mesh. Este bloco consiste de um neurônio pulsante nanoeletrônico conectado a um roteador, implementado através de uma LUT, Look-Up Table. Primeiramente, o modelo do neurônio foi redimensionado para funcionar a 300 K, a temperatura ambiente. Depois, o comportamento do neurônio foi testado através da implementação de várias portas lógicas, tais como inversora, OU, E e XOR. Um elemento roteador simples e, então, proposto a fim de construir o primeiro bloco para a NoC. Para testar a funcionalidade deste bloco, uma XOR com 2 entradas foi apresentada para a SNN construída com este bloco. Finalmente, um roteador capaz de comunicar neurônios em 4 direções foi proposto e um bloco de construção para a NoC com este roteador foi implementado. O problema da XOR, com 3 e com 5 entradas, foi usado para validar a funcionalidade deste bloco. ____________________________________________________________________________________ ABSTRACT / The ability to emulate more realisticaly the behavior of the human brain made Spiking Neural Networks (SNNs) gain prominence between researchers. These highly dense circuits feature large capacity of data processing. Searching for reconfigurable devices, computer scientists and engineers used Field Programmable Gate Arrays (FPGAs) as prototypes for SNNs. However, FPGAs cannot support the highlevels of connectivity between neurons in a dense SNN. Besides, implementation with FPGA does not provide improvements re garding power dissipation or scale. Therefore, researchers began to use Networks-on-Chip (NoCs) to interconnect SNNs. The use of NoCs may reduce the number of interconnections and presents a big advantage regarding fault tolerance: redundancy. In this context, several configurations combining neurons and routers were proposed. These devices constitute the basic block, present in every node of the NoC. Various models of spiking neurons were used, combined with various routing algorithms. All these proposals aim the implementation of denser networks, reducing the power dissipation and the occupied area. However, none of the previous works uses a nanoelectronic model for the spiking neuron. Nanoelectronic im¬plementation is well known for the gains that it presents precisely in these two parameters: occupicd area and power dissipation. Thus, this work proposes a basic block for a 2D-mesh NoC, consisting of a nanoelectronic spiking neuron connected to a router, implemented with a Look-Up Table (LUT). First, the model for the nanoelectronic neuron is scaled in order to work at 300 K, the room temperature. Then, the behaviour of the neuron is tested through the implementation of various logic gates, such as NOT, AND, OR and XOR gates. A simple routing element is proposed to construct the first building block. In order to test the functionality of this block, a 2 inputs XOR problem is presented to a SNN implemented with this block. Finally, a full directional router is proposed and a building block using this router is implemented. The XOR problem, with 3 and with 5 inputs, is used to validate the functionality of this block.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2011. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2012-09-05T15:13:09Z No. of bitstreams: 1 2011_GeorgerRommelFerreiraAraujo.PDF: 2835953 bytes, checksum: dd16eaff79eecf269f263e5c9d9db626 (MD5) / Approved for entry into archive by Luanna Maia(luanna@bce.unb.br) on 2012-09-10T13:05:29Z (GMT) No. of bitstreams: 1 2011_GeorgerRommelFerreiraAraujo.PDF: 2835953 bytes, checksum: dd16eaff79eecf269f263e5c9d9db626 (MD5) / Made available in DSpace on 2012-09-10T13:05:29Z (GMT). No. of bitstreams: 1 2011_GeorgerRommelFerreiraAraujo.PDF: 2835953 bytes, checksum: dd16eaff79eecf269f263e5c9d9db626 (MD5) / Coleções textuais de Informática Forense são normalmente muito heterogêneas. Embora técnicas de classificação, por tipo de arquivo ou outros critérios, possam auxiliar na exploração dessas coleções textuais, elas não ajudam a agrupar documentos com conteúdo assemelhado. A Teoria da Ressonân- cia Adaptativa (Adaptive Resonance Theory – ART) descreve várias Redes Neurais Artificiais auto-organizáveis que utilizam um processo de aprendizado não-supervisionado e são especialmente projetadas para resolver o dilema da estabilidade/plasticidade. Este trabalho aplica o algoritmo ART1 (ART com vetores de entrada binários) para agrupar tematicamente documentos retor- nados de uma ferramenta de busca utilizada com coleções textuais forenses. Documentos que antes seriam apresentados em uma lista desorganizada e frequentemente longa passam a ser agrupados por conteúdo, oferecendo ao perito uma forma organizada de obter uma visão geral do conteúdo dos documentos durante o exame pericial. Os resultados experimentais são indicativos da validade da abordagem proposta, obtendo uma correspondência adequada entre a solução de agrupamento processada com o protótipo de aplicação desenvolvido e as classes-padrão definidas por um especialista. ______________________________________________________________________________ ABSTRACT / Computer forensic text corpora are usually very heterogeneous. While classifi- cation, by file type or other criteria, should be an aid in the exploration of such corpora, it does not help in the task of grouping together documents themati- cally. Adaptive Resonance Theory (ART) describes a number of self-organizing artificial neural networks that employ an unsupervised learning process and are specially designed to learn new patterns without forgetting what they have al- ready learned, overcoming the important restriction defined by the stability/ plasticity dilemma. This work applies the ART1 algorithm (ART with binary input vectors) to thematically cluster documents returned from a query tool used with forensic text corpora. Documents that would previously be presented in a disorganized and often long list are thematically clustered, giving the ex- aminer an organized way of obtaining a general picture of document content during forensic examinations. Experimental results validated the approach, achieving adequate agreement between the clustering solution processed with the developed prototype software package and the gold standard defined by a domain specialist.

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.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2008. / Submitted by Thaíza da Silva Santos (thaiza28@hotmail.com) on 2010-02-27T13:21:30Z No. of bitstreams: 1 Dissert_KatiaCristinaBLMelo.pdf: 1770951 bytes, checksum: ce67e59c63431aab75d29ba1bb17578f (MD5) / Approved for entry into archive by Lucila Saraiva(lucilasaraiva1@gmail.com) on 2010-03-02T00:48:12Z (GMT) No. of bitstreams: 1 Dissert_KatiaCristinaBLMelo.pdf: 1770951 bytes, checksum: ce67e59c63431aab75d29ba1bb17578f (MD5) / Made available in DSpace on 2010-03-02T00:48:12Z (GMT). No. of bitstreams: 1 Dissert_KatiaCristinaBLMelo.pdf: 1770951 bytes, checksum: ce67e59c63431aab75d29ba1bb17578f (MD5) Previous issue date: 2008-02-15 / O presente trabalho propõe um simulador de rede neural capaz de predizer a intensidade do campo elétrico de uma onda de superfície, a partir de algumas características físicas do ambiente de propagação. Para o treinamento da rede, foram utilizados dados coletados na região central do Brasil, próximo à cidade de Brasília, consistindo de um sinal de rádio AM transmitido na freqüência de 980 kHz. Inicialmente, apresenta-se um resumo teórico sobre os dois assuntos centrais da pesquisa: propagação de ondas de rádio e redes neurais. Em seguida, especifica-se o projeto da rede neural, incluindo o detalhamento da arquitetura dessa rede e a descrição do processo de tratamento dos dados utilizados no treinamento e na validação da rede neural. Na busca por um resultado satisfatório, foram desenvolvidas três redes neurais distintas. Com o objetivo de validar a eficiência e a aplicabilidade de cada uma das redes neurais projetadas, os resultados obtidos foram comparados com os valores medidos de campo elétrico nessa região e também com valores teóricos obtidos segundo as orientações fornecidas pela recomendação ITU-R P.368-7. Os resultados encontrados neste trabalho validam o uso do simulador projetado como uma ferramenta prática para o projeto de novos sistemas de comunicação, bem como no planejamento dos futuros sistemas digitais de rádio. _________________________________________________________________________________________ ABSTRACT / The purpose of the current work is to create a neural network simulator capable of predicting the electric field intensity of a surface wave, from some physical characteristics of the propagation environment. For the network training, it was used data collected on the central region of Brazil, near the Brasília city, consisting of an AM radio signal transmitted at 980 kHz frequency. Initially, it is presented a brief theoretical review of the two major topics of this research: radio wave propagation and neural networks. Next, it specifies the neural network project, including details of the network architecture and description of the data treatment process used on the neural networking training and validation. Aiming for a satisfactory result, three distinct neural networks were built. In order to validate the efficiency and applicability of each designed network, its obtained results were compared with the measured electric field values for the region, and with the theoretical electric field values obtained by following the ITU-R P.368-7 prescriptions. The results obtained in this work validate the use of the designed simulator as a practical tool for new communications systems projects, including the future digital radio project.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2009. / Submitted by Jaqueline Ferreira de Souza (jaquefs.braz@gmail.com) on 2011-06-11T01:59:35Z No. of bitstreams: 1 2009_RobertoRodriguesLoiola.pdf: 8933604 bytes, checksum: 35516e2dcac7ddee716226fa67e9a6d0 (MD5) / Approved for entry into archive by Jaqueline Ferreira de Souza(jaquefs.braz@gmail.com) on 2011-06-11T02:00:24Z (GMT) No. of bitstreams: 1 2009_RobertoRodriguesLoiola.pdf: 8933604 bytes, checksum: 35516e2dcac7ddee716226fa67e9a6d0 (MD5) / Made available in DSpace on 2011-06-11T02:00:24Z (GMT). No. of bitstreams: 1 2009_RobertoRodriguesLoiola.pdf: 8933604 bytes, checksum: 35516e2dcac7ddee716226fa67e9a6d0 (MD5) / Essa dissertação aborda o problema da localização em ambientes fechados baseada em técnicas de redes neurais artificiais. Nesse sistema, a informação da intensidade do sinal recebido (RSSI) disponibilizada por interfaces de rede sem fio padrão é a base para a previsão de localização de dispositivos móveis. Métodos tradicionais de localização indoor possuem diversas características indesejáveis, tais como dificuldade de implementação, pouca flexibilidade (não permitem a utilização da infra-estrutura presente no local sem grandes alterações na disposição de APs), número elevado de parâmetros e alto custo computacional. Foram realizadas implementações de algoritmos tradicionais de localização (Algoritmo do Vizinho mais Próximo), métodos baseados em Redes Neurais Multicamadas (Perceptron MLP) e mapas auto-organizáveis de Kohonen. Conclui-se que esta última implementação (Kohonen) é capaz de prover resultados significativamente superiores àqueles obtidos em estudos recentes de localização indoor. _______________________________________________________________________________ ABSTRACT / This thesis addresses the indoor location problem using on artificial neural networks-based techniques. In this system, the received signal strength information (RSSI) provided by standard network wireless interfaces are the basis for mobile device's location prediction. Traditional methods of indoor location have several undesirable characteristics, such as implementation difficulties, lack of flexibility (requiring APs specific position), high number of parameters and high computational cost. Traditional indoor location algorithms such as the Nearest Neighbor Algorithm were compared to methods based on Multilayer Neural Networks (Perceptron MLP) and the Kohonen self-organized map. We conclude that the Kohonen's implementation is able to provide significantly better results (less errors, faster localization) than those obtained in recent studies of indoor localization.

Na primeira etapa investigamos detalhadamente as propriedades de armazenamento de um modelo de redes de neurônios que apresenta uma organização em aglomerados semelhante àquela existente no Modelo Hierárquico de Dyson para ferromagnetismo. As memórias, neste modelo, são armazenadas através da Regra de Aprendizagem de Hebb, superposta à estrutura hieráquica. No caso de um número finito de padrões, mostramos que, junto com os padrões originais ou "ancestrais", o sistema é capaz de recuperar uma hierarquia de padrões "descendentes". Estes padrões diferem dos "ancestrais" nos sinais relativos das magnetizações nos diferentes blocos, e o número destas soluções cresce exponencialmente com o número de blocos, n(t) e0451, para grande. Para um número extensivo de padrões armazenados p = aN , onde N é o tamanho do sistema, nós investigamos a capacidade crítica de armazenamento do modelo tanto para "ancestrais" como para "descendentes". Usando dois métodos distintos, uma formulação de mecânica estatística de equilíbrio (campo médio) e uma análise de sinal-ruído, nós obtemos uma sucessão de capacidades de armazenamento que são sempre menores que o valor correspondente ao modelo de Hopfield. Usamos as razões entre estas capacidades e a do modelo de Hopfield para comparar os resultados dos dois métodos. Nós apresentamos o diagrama de fases no plano a — T para o caso especial de dois blocos e um único "descendente". A segunda parte é relacionada com o estudo do espaço de interações dos modelos de redes de neurônios. Neste caso nós buscamos determinar a máxima capacidade crítica de armazenamento para modelos que apresentem, de alguma forma, a mesma estrutura de blocos que discutimos antes. Para ter em conta esta estrutura foi preciso modificar o problema de Gardner. Para o armazenamento de padrões "ancestrais", obtivemos um valor de anc i". sempre menor que 2, o qual corresponde ao caso de modelos sem estrutura predefinida. Este resultado combina com aquele que encontramos anteriormente na análise de sinal-ruído. Por outro lado, mostramos que no caso especial de dois blocos esta estrutura pouco afeta a armazenagem conjunta de "ancestrais" e "descendentes". / In the first part we perform a detailed investigation of the storage properties of a model for neural networks that exhibits the same organization into clusters as Dyson's hierarchical model, for ferromagnetism, combined with Hebb's learning algorithm for p stored patterns. In the case of finite p, we show that together with the original stored patterns or "ancestors" the system retrieves also a hierarchy of "descendants". The "descendants" differ from the "ancestor" in the signs of the cluster overlaps, and the number of this solutions increases exponentially with the cluster number, n(t) ti e"", for large values of t. For an extensive number of stored patterns p = aN , where N is the size of the network, we investigate the criticai storage capacity of the model to both "ancestor" and "descendant" patterns. By using two different methods, a statistical mechanics formulation (mean-field) and a signal-to-noise analysis, we obtain a succession of criticai storage capacities that are below the corresponding value for Hopfield's model. We use the ratio of this criticai storage capacities to the same quantity as evaluated in Hopfield's model to compare the results in both methods. We present the phase diagram in the a — T plane for the particular case of two clusters and one descendant. The second part is related with the study of the space of interactions in neural network models. In this case we search for the maximal criticai storage capacity of models that present, in some sense, the same cluster struture that we discussed before. In order to take this structure in account we redefine the Gardner Program. Concerning the storage of "ancestors" we obtain a value of arx. always lower than 2, which corresponds to the original case of models without structure. This result agrees with that we found before in the signal-to-noise analysis. On the other side we show in the special case of two clusters that this structure barely affects the storage of "ancestors" and "descendants" together.

O objetivo principal deste trabalho é propor uma metodologia de classificação de imagens de sensoriamento remoto que integre a importância de atributos de textura na seleção de feições, através da utilização de freqüências espaciais de cada classe textural e sua direção, com a eficiência das redes neurais artificiais para classificá-las. O processo é composto por uma etapa de filtragem baseada nos filtros de Gabor, seguida de uma fase de classificação através de uma rede neural Multi-Layer Perceptron com algoritmo BackPropagation. A partir da transformada de Fourier são estimados os parâmetros a serem utilizados na constituição dos filtros de Gabor, adequados às freqüências espaciais associadas a cada classe presente na imagem a ser classificada. Desta forma, cada filtro gera uma imagem filtrada. O conjunto de filtros determina um conjunto de imagens filtradas (canais texturais). A classificação pixel a pixel é realizada pela rede neural onde cada pixel é definido por um vetor de dimensionalidade igual ao número de filtros do conjunto. O processo de classificação através da rede neural Multi-Layer Perceptron foi realizado pelo método de classificação supervisionada. A metodologia de classificação de imagens de sensoriamento remoto proposta neste trabalho foi testada em imagens sintética e real de dimensões 256 x 256 pixels. A análise dos resultados obtidos é apresentada sob a forma de uma Matriz de Erros, juntamente com a discussão dos mesmos.

Este trabalho apresenta o estudo, investigação e realização de experimentos práticos, empregados na resolução do problema de reconhecimento de regiões promotoras em organismos da família Mycoplasmataceae. A partir disso, é proposta uma metodologia para a solução deste problema baseada nas Redes Neurais Artificiais. Os promotores são considerados trechos de uma seqüência de DNA que antecedem um gene, podem ser tratados como marcadores de uma seqüência de letras que sinalizam a uma determinada enzima um ponto de ligação. A posição onde se situa o promotor antecede o ponto de início do processo de transcrição, onde uma seqüência de DNA é transformada em um RNA mensageiro e, este potencialmente, em uma proteína. As Redes Neurais Artificiais representam modelos computacionais, inspirados no funcionamento de neurônios biológicos, empregadas com sucesso como classificadores de padrões. O funcionamento básico das Redes Neurais está ligado ao ajuste de parâmetros que descrevem um modelo representacional. Uma revisão bibliográfica de trabalhos relacionados, que empregam a metodologia de Redes Neurais ao problema proposto, demonstrou a sua viabilidade. Entretanto, os dados relativos à família Mycoplasmataceae apresentam determinadas particularidades de difícil compreensão e caracterização, num espaço restrito de amostras comprovadas. Desta forma, esta tese relata vários experimentos desenvolvidos, que buscam estratégias para explorar o conteúdo de seqüências de DNA, relativas à presença de promotores. O texto apresenta a discussão de seis experimentos e a contribuição de cada um para consolidação de um framework que agrega soluções robustas consideradas adequadas à solução do problema em questão.

Os sistemas de alerta de cheias exigem dos modelos de previsão de níveis, precisão e antecipação adequadas. Especialmente em bacias pequenas com resposta rápida, estas necessidades são atendidas com modelos de previsão continua, e que utilizam a previsão hidrometeorlógica como dado de entrada. Nesta pesquisa, é proposta uma exploração de recursos matemáticos na modelagem empírica de redes neurais progressivas de múltiplas camadas, abordando-se as dificuldades corriqueiras desta técnica, tais como problemas de convergência, eleição da arquitetura ótima, particionamento da amostra e índices de avaliação da qualidade do modelo. Estas dificuldades são pouco discutidas, ou até mesmo totalmente ignoradas, em grande parte dos trabalhos. A aplicação da metodologia utilizou dados da bacia do rio Quaraí, onde as cidades fronteiriças de Quaraí (Br) e Artigas (Uy) sofrem com inundações ribeirinhas. A área da bacia de contribuição é de 4.500 km², salientando-se que a bacia apresenta uma rápida resposta aos eventos de precipitação, decorrente de uma baixa capacidade de armazenamento e infiltração. O modelo proposto de previsão de níveis por redes neurais tem como entradas, níveis observados nos 2 dias anteriores e previsão numérica de precipitação (ETA-CPTEC) para até 5 dias à frente. O provável ganho em qualidade ao utilizar-se previsão de precipitação no modelo de previsão de nível foi analisado, comparando-se os resultados do modelo completo de redes neurais com os obtidos, também por um modelo de redes neurais, porém, sem o emprego de previsão de precipitação, pois assim, a avaliação deste ganho não tem a influência das características do modelo utilizado. Foi verificado um pequeno ganho ao utilizar-se a previsão de precipitação, mesmo com a baixa capacidade em acertar a magnitude da precipitação. Para efeitos de experimentação da técnica de aglutinação dos índices de qualidade dos resultados da modelagem, foram obtidas e comparadas as previsões de níveis de um modelo de regressão com as de um modelo por redes neurais. Foi analisado o comportamento do índice de erro associado à freqüência de ocorrência, que indica a magnitude do erro de modo absoluto, o qual, devido a seu significado intuitivo, dispensa a comparação com modelos alternativos. A técnica de aglutinação foi importante para a comparação dos resultados das modelagens, tendo indicado a vantagem das redes neurais sobre a regressão. Os recursos desenvolvidos nesta pesquisa, para contornar as dificuldades expostas, podem contribuir para a correta utilização de redes neurais progressivas de múltiplas camadas, em especial na área de recursos hídricos. Observa-se, ainda, que a delimitação dos limites de abrangência da amostra de dados tem uma importante influência na escolha do correto modelo a ser utilizado. / Flood alert systems require appropriate anticipation and accuracy from level forecasting models. Particularly for small basins with quick response these requirements are fulfilled by continuous forecasting models that use rain forecasting data as input. The purpose of this research is an analysis of mathematical resources in the multilayer feedforward neural networks empirical modelling. Usual limitations to adapt these techniques, such as convergence problems, optimum architecture selection, sample partitions and indexes for the models quality evaluation are presented and analyzed. These difficulties are rarely discussed and often disregarded by networks literature. The data employed for the methodology application refers to the Quaraí River basin where the neighboring cities of Quaraí (Brazil) and Artigas (Uruguay) are subjected to river floods. The contribution basin area is 4,500km² and the basin responds quickly to precipitation events since it has low infiltration and storage capacity. The adopted level forecasting model using neural network techniques was applied to two previous observed levels and the rainfall forecasting data (ETA-CPTEC) up to five days ahead as input. The potential gain on quality by using rainfall forecasting on the level forecasting model was analyzed by comparing results from the neural network model using precipitation forecasting with results from the neural network model that did not use it. On this approach the gain valuation isn’t influenced by the models characteristics. A small improvement was obtained by using the rainfall forecasting, even considering the low performance to estimate rainfall values. Level forecasting data generated by a regression model was compared with the level forecasting obtained from the neural network model in order to test the gathering techniques of the models results quality indexes,. The behavior of the error index associated with the frequency index, which indicates the error magnitude in the absolute mode and do not need any further comparisons because of its intuitive meaning, was analysed. The use of gathering techniques was important to compare the model results, indicating an advantage of the neural networks techniques when compared to the regresion model. The resources developed to solve the difficulties found in this research can give indication for the correct use of multi-layer feedforward neural networks, specially when applied to hydraulic resources. It was also observed that the determination of the sample’s valid range can present important role in the choice of the adequate model for use in each case.

Este trabalho apresenta e discute uma estratégia e discute uma estratégia inédita para o problema de exploração e mapeamento de ambientes desconhecidos usandoo robô NOMAD 200. Esta estratégia tem como base a solução numéricqa de problemas de valores de contorno (PVC) e corresponde ao núcleo da arquitetura de controle do robô. Esta arquitetura é similar à arquitetura blackboard, comumente conhecida no campo da Inteligência Artificial, e é responsável pelo controle e gerenciamento das tarefas realizadas pelo robô através de um programa cleinte. Estas tarefas podem ser a exploração e o mapeamento de um ambiente desconhecido, o planejamento de caminhos baseado em um mapa previamente conhecido ou localização de um objeto no ambiente. Uma características marcante e importante é que embora estas tarefas pareçam diferentes, elas têm em comum o mesmo princípio: solução de problemas de valores de contorno. Para dar sustentabilidade a nossa proposta, a validamos através de inúmeros experimentos, realizados e simulação e diretamente no robô NOMAD 200, em diversos tipos de ambientes internos. Os ambientes testados variam desde labirintos formados por paredes ortogonais entre si até ambientes esparsos. Juntamente com isso, introduzimos ao longo do desenvolvimento desta tese uma série de melhorias que lidam com aspectos relacionados ao tempo de processamento do campo potencial oriundo do PVC e os ruídos inseridos na leitura dos sensores. Além disso, apresentamos um conjunto de idéias para trabalhos futuros.