Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2017. / Made available in DSpace on 2017-11-21T03:19:07Z (GMT). No. of bitstreams: 1
348590.pdf: 15855456 bytes, checksum: bd421609cb55782e75a869acf96bf852 (MD5)
Previous issue date: 2017 / A obtenção do tamanho projetado de partículas atmosféricas prismáticas é de imensa importância em diversos aspectos da vida prática. Partículas expelidas por erupções vulcânicas podem por em risco a aviação civil e militar. Cristais de gelo presentes em nuvens, dependendo de seu tamanho e formato, alteram as propriedades radiantes das nuvens que podem, por sua vez, afetar significativamente os modelos climáticos. Uma forma indireta de se obter informações sobre as partículas prismáticas é através da utilização de instrumentos que registram padrões bidimensionais de dispersão de luz. Estas imagens podem ser utilizadas para caracterizar uma partícula cristalina, fornecendo informações sobre tamanho, razão de proporção, forma, concavidade e rugosidade. Neste trabalho procurou-se aplicar técnicas de Aprendizado de Máquina, em especial alguns modelos de redes neurais artificiais e técnicas de análise de dados, de forma a encontrar um modelo que apresente um desempenho satisfatório na tarefa de predição do tamanho projetado das partículas cristalinas. Os modelos de redes neurais testados foram do tipo Feed Forward Multi-Layer Perceptron com regularização Bayesiana, as redes neurais do tipo Função de Base Radial, e as redes Deep Learning do tipo Autoencoders, a qual também foi aplicada com o propósito de redução dimensional. Também foram testadas as técnicas de análise de dados de redução dimensional utilizando Análise de Componentes Principais e invariância à rotação das imagens através da Transformada Rápida de Fourier. Os modelos apresentados foram aplicados a uma série de imagens e seus resultados comparados e analisados. O modelo desenvolvido que utiliza conceitos de Deep Learning com técnicas de Autoencoder foi aquele que obteve os melhores resultados (performance de 0.9914), em especial na predição de tamanho projetado para as partículas menores, as quais tiveram maiores dificuldades de predição nos outros modelos propostos nesse trabalho. / Abstract : Obtaining the projected size of atmospheric prismatic particles is of immense importance in many aspects of practical life. Particles expelled by volcanic eruptions may threat to civil and military aviation. Ice crystals present in clouds, depending on their size and shape, can modify the radiant properties of clouds that can significantly affect the climate models. An indirect way of obtaining information on prismatic particles is through the use of instruments that record two-dimensional light scattering patterns. These images can be used to characterize a crystalline particle, providing information on size, aspect ratio, shape, concavity and roughness. In this work we tried to apply Machine Learning techniques, especially some models of artificial neural networks and techniques of data analysis, in order to find a model that presents a satisfactory performance in the task of predicting the projected size of the crystalline particles. The models of neural networks tested were Feed Forward Multi-Layer Perceptron neural network with Bayesian regularization, Radial Basis Function neural network and Deep Learning network with Autoencoders, which was applied for dimensional reduction purpose as well. We also tested techniques of data dimensional reduction such as Principal Component Analysis and techniques for image rotation invariance such as the Fast Fourier Transform. The presented models were applied to a series of images and their results were compared and analysed. The developed model which used concepts of Deep Learning with techniques of Autoencoder was the one that obtained the best results (0.9914 of performance), and especially in the prediction of projected size of the smaller particles, which had greater difficulties of prediction when using the other models proposed in this work.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/181236 |
| Date | January 2017 |
| Creators | Priori, Daniel |
| Contributors | Universidade Federal de Santa Catarina, Roisenberg, Mauro, Sousa, Giseli de |
| Source Sets | IBICT Brazilian ETDs |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | 100 p.| il., gráfs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds