Diss. (sammanfattning) Uppsala : Sveriges lantbruksuniv., 2007. / Härtill 4 uppsatser.

Diss. (sammanfattning) Umeå : Sveriges lantbruksuniv., 2006. / Härtill 4 uppsatser.

Orientador: Rouverson Pereira da Silva / Coorientador: Anderson de Toledo / Banca: Carlos Eduardo Angeli Furlani / Banca: Welington Gonzaga do Vale / Resumo: Na cadeia produtiva do setor sucroenergético, o processo de colheita mecanizada de cana-de-açúcar é considerado um dos maiores gargalos econômicos, apresentando baixa eficiência operacional e elevadas perdas. Em busca de minimizar estes problemas e auxiliar a melhoria nos processos, este trabalho objetivou avaliar o potencial de uma ferramenta estatística para a gestão dos dados de velocidade e perdas na colheita mecanizada de cana-de-açúcar, levantados durante duas safras, para cinco Frentes de trabalho. Os dados foram coletados em uma Usina da região de Ribeirão Preto, durante 9 meses da safra 2012/2013 e 9 meses da safra 2013/2014. As perdas foram subdivididas em: toco, rebolo estilhaçado, pedaço solto e fixo, cana inteira, estilhaço e total, para cada Frente separadamente. Os dados foram agrupados em 40 períodos de colheita, sendo então realizadas análises estatísticas utilizando o software Minitab 16®. Os valores de perdas geraram curvas com características assimétricas positivas e leptocúrticas. Todos os coeficientes de variação foram elevados demonstrando a grande variabilidade dos índices de perdas. Os valores de perdas na colheita mantiveram-se instáveis em todas as frentes, porém, os resultados foram considerados dentro dos índices de perdas aceitáveis para as usinas brasileiras / Abstract: In the sugarcane production chain, the sugarcane process for mechanized harvesting is considered one of the greatest economic bottlenecks, showing low levels of operational efficiencies and high levels of losses. To assist the improvement in harvesting processes and procedures you can adopt quality controls improving harvesting operations and by reducing the levels of losses. The objective of this work was to evaluate the losses at harvest data collected during two harvest season analyzing five teams. The losses data were collected in 9 months of the 2012/2013 and 9 months of the 2013/2014 harvest season by the harvest quality team. The losses were subdivided into: stubbles, stalks, splinted stalks, untied and fixed piece, whole cane, cane top, splint and total each team separately. The loss data were subdivided weekly, totaling 40 weeks of harvest, and the statistical analyses were using Minitab 16® software. The values of losses generated curves with asymmetrical features positive leptokurtic. Almost all coefficients of variation were high showing a large variability among the data collected and harvest losses indexes. With regard to the values of harvest losses, all indexes remained out of control for all teams, however the results were considered within acceptable loss rates for Brazilian Sugarcane mills / Mestre

Orientador: Rouverson Pereira da Silva / Coorientador: David Luciano Rosalen / Coorientador: Ángel Lázaro Sánchez Isnaga / Banca: Fabio Alexandre Cavichioli / Banca: Leonardo Campos de Assis / Resumo: Dentro do contexto de Agricultura de Precisão, a utilização do direcionamento automático é sem dúvidas uma das ferramentas mais populares entre os agricultores, no entanto, são poucos os produtores de amendoim que utilizam dessa tecnologia. Os benefícios do piloto automático podem ser ainda maiores na cultura de amendoim, visto que uma das principais queixas dos operadores é a dificuldade em manter o trator alinhado com a fileira da cultura no momento do arranquio, o que poderia ser reduzido quando se realiza a semeadura e o arranquio com a utilização do Piloto Automático. Nesse sentido foram realizados dois estudos, sendo o primeiro para avaliar o erro de paralelismo na operação de arranquio, mediante projeto para a execução, com direcionamento automático com sinal RTX. No segundo buscou-se identificar os principais problemas que afetam a operação de arranquio, bem como o erro de paralelismo. No primeiro foi possível observar que o uso do sinal proporcionou erros inferiores a 3,8 cm, da linha projetada com a linha executada na semeadura. No segundo, relata-se que para que o arranquio seja feito com menores perdas deve-se manter monitoramento constante de parâmetros como maturação e teor de água do solo e profundidade de trabalho do arrancador-invertedor. Por fim, é possível concluir que o uso do piloto automático reduz os erros de paralelismo, tanto na semeadura quanto no arranquio de amendoim. / Abstract: Among the precision farming tools, the use of automatic steering is without doubt one of the most popular among farmers, however, few farmers peanut using this technology. The benefits of autopilot may be even greater in the peanut crop, and one of the main complaints of the operators is the difficulty in maintaining the tractor lined up with the culture of the row at the digging. Thus, these effects can be reduced when performing the sowing and digging using the Autopilot. That it was conducted two studies, the first to evaluate the parallelism in the digging operation by design to the implementation, with automatic routing with RTX signal. The second sought to identify the main problems affecting the digging operation as well as the parallelism. At first it was possible to observe that the use of the sign provided lower errors to 3.8 cm, the line designed with the line running at sowing. In the second, it is reported that for the digging is done with smaller losses should be constant monitoring of parameters such as maturation and soil water content and depth of work Starter-Flipping. Finally, we conclude that the use of the autopilot reduces the parallelism errors, both in seeding and in peanut digging. / Mestre

O presente trabalho trata da criação de uma nova abordagem para predição de séries temporais ruidosas, com modelo desconhecido e que apresentam grandes não-linearidades. O novo método neuro-estatístico proposto combina uma rede neural de múltiplas camadas com o método estatístico Filtro de Kalman Estendido. A justificativa para a junção dessas abordagens é o fato de possuírem características complementares para o tratamento das peculiaridades das séries descritas. Quanto ao ruído, o FKE consegue minimizar a sua influência, trabalhando com a variância do ruído extraído dos dados reais. Quanto ao modelo gerador da série, as redes neurais aproximam a sua função, aprendendo a partir de amostras dos próprios dados. Grandes não-linearidades também são tratadas pelas RNs. O método neuro-estatístico segue a estrutura do FKE, utilizando a RN como processo preditivo. Com isso, elimina-se a necessidade de conhecimento prévio da função de transição de estados. O poder de tratamento de não-linearidades da RN é mantido, utilizando-se a previsão desta como estimativa de estado e os seus valores internos para cálculo das jacobianas do FKE. As matrizes de covariâncias dos erros de estimativa e dos ruídos são utilizadas para melhora do resultado obtido pela RN. A rede é treinada com um conjunto de dados retirado do histórico da série, de maneira off-line, possibilitando o uso de poderosas estruturas de redes de múltiplas camadas. Os resultados do método neuro-estatístico são comparados com a mesma configuração de RN utilizada em sua composição, sendo ambos aplicados na série caótica de Mackey-Glass e em uma série combinada de senos. Ambas séries possuem grandes não-linearidades e são acrescidas de ruído. O novo método alcança resultados satisfatórios, melhorando o resultado da RN em todos os experimentos. Também são dadas contribuições no ajuste dos parâmetros do FKE, utilizados no novo método. O método híbrido proporciona uma melhora mútua entre a RN e o FKE, explicando os bons resultados obtidos. / This work presents a new forecast method over highly nonlinear noisy time series. The neural statistical method uses a multi-layer perceptron (NN) and the Extended Kalman Filter (EKF). The justification for the combination of these approaches is that they possess complementary characteristics for the treatment of the peculiarities of the series. The EKF minimizes the influence of noise, working with the variance of the noise obtained from the real data. The NN approximates the generating model’s function. High nonlinearities are also treated by the neural network. The neural statistical method follows the structure of the EKF, using the NN as the predictive process. Thus, it isn’t necessary previous knowledge of the state transition function. The power of treatment of nonlinearities of the NN is kept, using forecast of this as estimative of state and its internal values for calculation of the Jacobian matrix of the EKF. The error estimative covariance and the noise covariance matrixes are used to improve the NN outcome. The NN is trained offline by past observations of the series, which enable the use of powerfuls neural networks. The results of the neural statistical method are compared with the same configuration of NN used in its composition, being applied in the chaotic series of Mackey-Glass and an sine mistures series. Both series are noisy and highly nonlinear. The new method obtained satisfactory result, improving the result of the regular NN in all experiments. The method also contributes in the adjustment of the parameters of the EKF. The hybrid method has a mutual improvement between the NN and the EKF, which explains the obtained good results.

This study addresses the factors that assist families towards family adaptation during adversities and contribute to family resilience. The study aimed to identify, describe and explore family resilience factors that enable urban Shona Christian families to withstand life crises in the midst of a society facing economic hardships and manage to bounce back from these challenges. The study also sought to reach out to families facing challenges and who are struggling to adapt and recover from their challenges. The Resiliency model of Family Stress, Adjustment and Adaptation was used as a theoretical framework for this study (McCubbin, Thompson & McCubbin, 2001). A quantitative method was employed. A total of 106 participants including parents and adolescents from 53 families independently completed 6 questionnaires including a biographical questionnaire. The questionnaires measured family adaptation and aspects of family functioning in accordance with the Resiliency model of Family Stress, Adjustment and Adaptation. The data collected was subjected to correlation regression analysis which was computed using SPSS to identify family resilience factors that assisted families in family adaptation. The results showed that family adaptation was fostered by first, the family’s internal strengths; affirming and less incendiary communication; passive appraisal; and control over life events and hardships. Secondly, the family’s external strengths; seeking spiritual support; social support from within the community; and mobilising the family to acquire community resources and accept help from others. These findings could be used to develop interventions that promote family resilience and establish the potential of family members within a family when facing adversities. / Psychology / M.A. (Social Science)

Made available in DSpace on 2015-01-26T13:21:13Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-07-10Bitstream added on 2015-01-26T13:30:59Z : No. of bitstreams: 1 000801679_20150801.pdf: 18193 bytes, checksum: de8bcc8deb25bf818c0af6df916adcc8 (MD5) Bitstreams deleted on 2015-08-03T12:20:54Z: 000801679_20150801.pdf,. Added 1 bitstream(s) on 2015-08-03T12:22:16Z : No. of bitstreams: 1 000801679.pdf: 1374936 bytes, checksum: 3161bdd1d262d5a72ae2e21bb7d33b48 (MD5) / Na cadeia produtiva do setor sucroenergético, o processo de colheita mecanizada de cana-de-açúcar é considerado um dos maiores gargalos econômicos, apresentando baixa eficiência operacional e elevadas perdas. Em busca de minimizar estes problemas e auxiliar a melhoria nos processos, este trabalho objetivou avaliar o potencial de uma ferramenta estatística para a gestão dos dados de velocidade e perdas na colheita mecanizada de cana-de-açúcar, levantados durante duas safras, para cinco Frentes de trabalho. Os dados foram coletados em uma Usina da região de Ribeirão Preto, durante 9 meses da safra 2012/2013 e 9 meses da safra 2013/2014. As perdas foram subdivididas em: toco, rebolo estilhaçado, pedaço solto e fixo, cana inteira, estilhaço e total, para cada Frente separadamente. Os dados foram agrupados em 40 períodos de colheita, sendo então realizadas análises estatísticas utilizando o software Minitab 16®. Os valores de perdas geraram curvas com características assimétricas positivas e leptocúrticas. Todos os coeficientes de variação foram elevados demonstrando a grande variabilidade dos índices de perdas. Os valores de perdas na colheita mantiveram-se instáveis em todas as frentes, porém, os resultados foram considerados dentro dos índices de perdas aceitáveis para as usinas brasileiras / In the sugarcane production chain, the sugarcane process for mechanized harvesting is considered one of the greatest economic bottlenecks, showing low levels of operational efficiencies and high levels of losses. To assist the improvement in harvesting processes and procedures you can adopt quality controls improving harvesting operations and by reducing the levels of losses. The objective of this work was to evaluate the losses at harvest data collected during two harvest season analyzing five teams. The losses data were collected in 9 months of the 2012/2013 and 9 months of the 2013/2014 harvest season by the harvest quality team. The losses were subdivided into: stubbles, stalks, splinted stalks, untied and fixed piece, whole cane, cane top, splint and total each team separately. The loss data were subdivided weekly, totaling 40 weeks of harvest, and the statistical analyses were using Minitab 16® software. The values of losses generated curves with asymmetrical features positive leptokurtic. Almost all coefficients of variation were high showing a large variability among the data collected and harvest losses indexes. With regard to the values of harvest losses, all indexes remained out of control for all teams, however the results were considered within acceptable loss rates for Brazilian Sugarcane mills

O presente trabalho trata da criação de uma nova abordagem para predição de séries temporais ruidosas, com modelo desconhecido e que apresentam grandes não-linearidades. O novo método neuro-estatístico proposto combina uma rede neural de múltiplas camadas com o método estatístico Filtro de Kalman Estendido. A justificativa para a junção dessas abordagens é o fato de possuírem características complementares para o tratamento das peculiaridades das séries descritas. Quanto ao ruído, o FKE consegue minimizar a sua influência, trabalhando com a variância do ruído extraído dos dados reais. Quanto ao modelo gerador da série, as redes neurais aproximam a sua função, aprendendo a partir de amostras dos próprios dados. Grandes não-linearidades também são tratadas pelas RNs. O método neuro-estatístico segue a estrutura do FKE, utilizando a RN como processo preditivo. Com isso, elimina-se a necessidade de conhecimento prévio da função de transição de estados. O poder de tratamento de não-linearidades da RN é mantido, utilizando-se a previsão desta como estimativa de estado e os seus valores internos para cálculo das jacobianas do FKE. As matrizes de covariâncias dos erros de estimativa e dos ruídos são utilizadas para melhora do resultado obtido pela RN. A rede é treinada com um conjunto de dados retirado do histórico da série, de maneira off-line, possibilitando o uso de poderosas estruturas de redes de múltiplas camadas. Os resultados do método neuro-estatístico são comparados com a mesma configuração de RN utilizada em sua composição, sendo ambos aplicados na série caótica de Mackey-Glass e em uma série combinada de senos. Ambas séries possuem grandes não-linearidades e são acrescidas de ruído. O novo método alcança resultados satisfatórios, melhorando o resultado da RN em todos os experimentos. Também são dadas contribuições no ajuste dos parâmetros do FKE, utilizados no novo método. O método híbrido proporciona uma melhora mútua entre a RN e o FKE, explicando os bons resultados obtidos. / This work presents a new forecast method over highly nonlinear noisy time series. The neural statistical method uses a multi-layer perceptron (NN) and the Extended Kalman Filter (EKF). The justification for the combination of these approaches is that they possess complementary characteristics for the treatment of the peculiarities of the series. The EKF minimizes the influence of noise, working with the variance of the noise obtained from the real data. The NN approximates the generating model’s function. High nonlinearities are also treated by the neural network. The neural statistical method follows the structure of the EKF, using the NN as the predictive process. Thus, it isn’t necessary previous knowledge of the state transition function. The power of treatment of nonlinearities of the NN is kept, using forecast of this as estimative of state and its internal values for calculation of the Jacobian matrix of the EKF. The error estimative covariance and the noise covariance matrixes are used to improve the NN outcome. The NN is trained offline by past observations of the series, which enable the use of powerfuls neural networks. The results of the neural statistical method are compared with the same configuration of NN used in its composition, being applied in the chaotic series of Mackey-Glass and an sine mistures series. Both series are noisy and highly nonlinear. The new method obtained satisfactory result, improving the result of the regular NN in all experiments. The method also contributes in the adjustment of the parameters of the EKF. The hybrid method has a mutual improvement between the NN and the EKF, which explains the obtained good results.

Made available in DSpace on 2014-06-11T19:24:43Z (GMT). No. of bitstreams: 0 Previous issue date: 2004-05-04Bitstream added on 2014-06-13T19:11:22Z : No. of bitstreams: 1 padovani_crp_me_botfca.pdf: 791754 bytes, checksum: 25763a55e0ac912a0fd3399dd40d40e6 (MD5) / Nas Ciências Agronômicas, em particular na Energia na Agricultura, encontram-se várias situações em que são observadas diversas variáveis respostas nas parcelas ou unidades experimentais. Nestas situações, um caso de interesse prático à experimentação agronômica é o que considera o estudo das regiões de similaridade entre as parcelas com atenção especial à classificação de novas unidades experimentais. Um procedimento bastante robusto para o estudo das similaridades em situações multivariadas consiste no método de discriminação de Fisher entre várias populações. Na literatura Agronômica, pouco se tem encontrado sobre o uso deste procedimento. Entende-se que este fato deve estar relacionado aos procedimentos algébricos e matriciais requeridos na construção do modelo matemático gerador das regiões e, principalmente, pela falta de um programa computacional de fácil manuseio para pesquisadores de áreas aplicadas. Neste sentido, desenvolveu-se um programa computacional para o método de Fisher, acessível e de fácil manuseio para pesquisadores de áreas aplicadas, complementado com a construção do manual do usuário. Para exemplificar o uso do programa, consideraram-se dados relativos a experimentos desenvolvidos na EMBRAPA, região de Londrina - PR, envolvendo seis diferentes variedades de girassol (Helianthus annuus) e cinco caracteres quantitativos da planta. O uso da discriminação de Fisher possibilitou a construção gráfica das regiões de classificação, segundo as diversidades genéticas do girassol, o que apresentou uma alta porcentagem de retenção de informação da variabilidade associada a uma baixa taxa de classificação errônea. / In the Agronomical Sciences, particularly in the Energy in the Agriculture, there are several situations in which many answer variables in the experimental parcels or units can be observed. In these situations, a case of practical interest to the agronomical is the study of the region similarities among the parcels, giving special attention to the classification of new experimental units. A very robust procedure for the discrimination of several multivariate populations is the Fisher's graphic method. In the Agronomical literature, not much is found about the use of this procedure. This fact may be related to algebric and matricial procedures required in the construction of the mathematical model generator of the regions and, mostly, by the lack of a friendly computational software for researchers of applied areas. In this sense, the objective is to develop a computational software for Fisher's Method, which must be accessible and of easy handling for researchers of applied areas, complementing it with the creation of the user's manual and presenting applications for the software in the rational use of energy. Datas related to experiments developed at EMBRAPA, Londrina region PR, are considered, envolving six different sunflower variables (Helianthus annuus) and five quantitative marks of the plant. Fisherþs discrimination use enable the graphic construction of the classification regions, according to the sunflwer genetic diversities, whitch presented a high percentage of information retention of the varibility associated to a low rate of erroneous classification.

O presente trabalho trata da criação de uma nova abordagem para predição de séries temporais ruidosas, com modelo desconhecido e que apresentam grandes não-linearidades. O novo método neuro-estatístico proposto combina uma rede neural de múltiplas camadas com o método estatístico Filtro de Kalman Estendido. A justificativa para a junção dessas abordagens é o fato de possuírem características complementares para o tratamento das peculiaridades das séries descritas. Quanto ao ruído, o FKE consegue minimizar a sua influência, trabalhando com a variância do ruído extraído dos dados reais. Quanto ao modelo gerador da série, as redes neurais aproximam a sua função, aprendendo a partir de amostras dos próprios dados. Grandes não-linearidades também são tratadas pelas RNs. O método neuro-estatístico segue a estrutura do FKE, utilizando a RN como processo preditivo. Com isso, elimina-se a necessidade de conhecimento prévio da função de transição de estados. O poder de tratamento de não-linearidades da RN é mantido, utilizando-se a previsão desta como estimativa de estado e os seus valores internos para cálculo das jacobianas do FKE. As matrizes de covariâncias dos erros de estimativa e dos ruídos são utilizadas para melhora do resultado obtido pela RN. A rede é treinada com um conjunto de dados retirado do histórico da série, de maneira off-line, possibilitando o uso de poderosas estruturas de redes de múltiplas camadas. Os resultados do método neuro-estatístico são comparados com a mesma configuração de RN utilizada em sua composição, sendo ambos aplicados na série caótica de Mackey-Glass e em uma série combinada de senos. Ambas séries possuem grandes não-linearidades e são acrescidas de ruído. O novo método alcança resultados satisfatórios, melhorando o resultado da RN em todos os experimentos. Também são dadas contribuições no ajuste dos parâmetros do FKE, utilizados no novo método. O método híbrido proporciona uma melhora mútua entre a RN e o FKE, explicando os bons resultados obtidos. / This work presents a new forecast method over highly nonlinear noisy time series. The neural statistical method uses a multi-layer perceptron (NN) and the Extended Kalman Filter (EKF). The justification for the combination of these approaches is that they possess complementary characteristics for the treatment of the peculiarities of the series. The EKF minimizes the influence of noise, working with the variance of the noise obtained from the real data. The NN approximates the generating model’s function. High nonlinearities are also treated by the neural network. The neural statistical method follows the structure of the EKF, using the NN as the predictive process. Thus, it isn’t necessary previous knowledge of the state transition function. The power of treatment of nonlinearities of the NN is kept, using forecast of this as estimative of state and its internal values for calculation of the Jacobian matrix of the EKF. The error estimative covariance and the noise covariance matrixes are used to improve the NN outcome. The NN is trained offline by past observations of the series, which enable the use of powerfuls neural networks. The results of the neural statistical method are compared with the same configuration of NN used in its composition, being applied in the chaotic series of Mackey-Glass and an sine mistures series. Both series are noisy and highly nonlinear. The new method obtained satisfactory result, improving the result of the regular NN in all experiments. The method also contributes in the adjustment of the parameters of the EKF. The hybrid method has a mutual improvement between the NN and the EKF, which explains the obtained good results.