Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores
|
|
- Lorenzo Filipe Covalski
- 5 Há anos
- Visualizações:
Transcrição
1 Classfcação de Imagens Tomográfcas de Cênca dos Solos Utlzando Redes Neuras e Combnação de Classfcadores Fabrco A. Breve, Nelson D. A. Mascarenhas Departamento de Computação Unversdade Federal de São Carlos, São Paulo, SP, Brasl {fabrco, nelson}@dc.ufscar.br Abstract Pattern Recognton s a subect beng used n a multdscplnary scope, wth dfferent approaches. One of them s ts applcaton n computerzed tomography mages, commonly acqured n order to do medcal dagnoss, but they have been used n several other applcatons as well, ncludng Sol Scence. The obectve of ths work s to study and to dscuss the performance of neural network-based classfers (Multlayer Perceptron and Radal Bass Functons) and classfer combners (Baggng, Decson Templates and Dempster-Shafer) appled to dentfy materals n Sol Scence multspectral mages, acqured usng Computerzed Tomography. The results were evaluated by error estmaton by Hold-Out and the Kappa coeffcent. 1. Introdução Reconhecmento de Padrões é um processo de descobrmento, de dentfcação e entendmento de padrões que seam relevantes à realzação de uma tarefa que pode ser baseada em magens [1]. As técncas de Reconhecmento de Padrões podem ser aplcadas às mas dversas áreas e aos mas dversos tpos de magens e snas, sendo que a Tomografa Computadorzada é uma das áreas onde elas vêm sendo amplamente utlzadas. A EMBRAPA Instrumentação Agropecuára da cdade de São Carlos proetou e construu um mntomógrafo para obtenção de magens de Cêncas de Solos. Com este equpamento, magens podem ser adqurdas com o uso de dferentes fontes de energa: raos gama provenentes de fontes radoatvas como Céso (137Cs) e Ameríco (241Am) ou raos-x com múltplas energas. Alguns trabalhos foram desenvolvdos aplcando-se técncas de classfcação multespectral com o ntuto de dentfcar materas em magens obtdas através de testes não destrutvos com tecnologa do mntomógrafo, utlzando raos-γ e raos-x com múltplas energas [2][3][4][5]. Com as crescentes pesqusas em técncas de reconhecmento de padrões baseadas em redes neuras, redes de base radal e sstemas de combnação de classfcadores, abre-se espaço para propor e apresentar novos algortmos para classfcação das magens e para combnação de classfcadores. Dentro deste contexto as Redes Neuras surgem como uma extensão das mutas técncas convenconas que vêm sendo desenvolvdas por décadas. Em determnados tpos de problema as Redes Neuras apresentam mutas vantagens com relação aos classfcadores tradconas. Neste trabalho são estudados e aplcados os classfcadores Perceptron de Múltplas Camadas e Redes de Base Radal, ambos desenvolvdos a partr do estudo das redes neuras. Combnação de Classfcadores é uma área muto dnâmca e que vem crescendo de forma extremamente rápda. Portanto se torna bastante nteressante aplcar alguns de seus métodos para avalar seus possíves benefícos. Neste trabalho são utlzadas as técncas de Baggng e os combnadores Decson Templates e Dempster-Shafer. O obetvo deste trabalho é apresentar métodos para dentfcação de materas em magens tomográfcas de solo utlzando técncas de reconhecmento de padrões baseadas em redes neuras, dando contnudade aos trabalhos anterores [2][3][4][5]. Ao classfcar amostras de solo e verfcar o desempenho de dversos algortmos de classfcação e combnação, esta dssertação deverá contrbur para as pesqusas e trabalhos nas áreas de Cênca dos Solos, Reconhecmento de Padrões e Redes Neuras. 2. Classfcação Classfcação de Imagens é o tema prncpal deste trabalho. Neste capítulo são apresentados os classfcadores baseados em redes neuras que foram utlzados.
2 2.1 Classfcadores e Redes Neuras Uma rede neural artfcal é uma máquna proetada para modelar a manera como o cérebro realza uma determnada tarefa; é mplementada por componentes eletrôncos ou smulada por programação em um computador dgtal. Para alcançar um bom resultado as redes neuras utlzam dversas células computaconas smples (denomnadas neurônos) e altamente nterlgadas. Seu obetvo é armazenar conhecmento expermental e torná-lo dsponível para uso. O conhecmento é adqurdo pela rede através de um processo de aprendzagem. O conhecmento é armazenado nos neurônos em undades denomnadas pesos snáptcos. O processo de aprendzagem consste em modfcar os pesos snáptcos da rede de uma forma ordenada para alcançar o obetvo deseado. A combnação de dversos neurônos artfcas forma a chamada rede neural. A saída de cada neurôno pode ser conectada à(s) entrada(s) de outro(s) neurôno(s) formando assm uma rede. Cada neurôno pode então ser defndo como um nó dessa rede. A formação da rede pode assumr mutas estruturas dferentes, das quas se destacam duas de partcular nteresse na tarefa de reconhecmento de padrões que serão descrtas a segur Perceptron de Múltplas Camadas O Perceptron de Múltplas Camadas é um tpo de rede que consste de um conunto de undades sensoras, que consttuem a camada de entrada, uma ou mas camadas ocultas e uma camada de saída de nós computaconas. O snal que é colocado nas entradas se propaga para frente camada por camada até chegar à camada de saída. Este tpo de rede vem sendo utlzado com sucesso para resolver problemas dfíces através de seu trenamento utlzando o algortmo de retropropagação de erro, que consste bascamente em dos passos: um passo para frente em que o snal aplcado à entrada va se propagando pelos nós computaconas da rede até chegar aos nós de saída; e um passo para trás, no qual todos os pesos snáptcos são austados de acordo com uma regra de correção de erro [6][7][8] Redes de Função de Base Radal Dferentemente das redes neuras do tpo Perceptron (que utlza uma técnca recursva conhecda na estatístca como aproxmação estocástca), as Redes de Função de Base Radal utlzam uma abordagem que vê a rede neural como um problema de auste de curva em um espaço de alta dmensonaldade. Neste contexto, aprender equvale a encontrar uma superfíce num espaço multdmensonal que forneça o melhor auste para os dados de trenamento do ponto de vsta estatístco. A construção de uma rede de função de base radal envolve três camadas com papés totalmente dferentes. A prmera camada é consttuída de nós sensoras que recebem os dados do ambente. A segunda camada, que é a únca camada oculta da rede, faz uma transformação não-lnear do espaço de entrada para um espaço oculto, normalmente de alta dmensonaldade. Fnalmente a camada de saída é lnear e fornece a resposta da rede ao snal de entrada [6]. 2.2 Avalação de Desempenho dos Classfcadores Através de métodos de avalação podemos obter números que ndcam qual fo o desempenho dos classfcadores que trenamos. Neste capítulo são descrtos os métodos de avalação utlzados Método Hold-Out Neste método, tradconalmente se separa o conunto de dados dsponíves (amostras prérotuladas) em duas metades. Usa-se uma para trenar o classfcador e a outra para testá-lo, obtendo-se a taxa de erro. Separações em outras proporções também são utlzadas. Também é possível nverter os conuntos, obter outra taxa de erro e então trar uma méda dos dos [7][9] Coefcente Kappa O Coefcente Kappa pode ser utlzado para medr o grau de concordânca entre os rótulos das amostras de teste e as saídas do classfcador. Para calcular o Coefcente Kappa podemos utlzar a segunte fórmula [10]: P( A) P( E) K =, (2.1) 1 P( E) onde P(A) é a proporção de vezes em que o classfcador acerta e P(E) é a proporção de vezes que se espera que um classfcador acertasse se as classfcações fossem fetas ao acaso. Por exemplo, se temos quatro classes equprováves o valor de P(E) será 0,25. Os valores de K podem varar entre -1 e 1. Quando não há concordânca alguma além da
3 esperada com a classfcação sendo feta ao acaso K será gual a zero. E quando há uma concordânca total entre os rótulos pré-estabelecdos e a saída do classfcador a saída será um. Valores menores que zero ndcam concordânca menor do que a esperada com a classfcação sendo feta ao acaso. 3. Combnação de Classfcadores Ao combnar classfcadores, as defcêncas de um determnado classfcador são compensadas pelas qualdades de outro [11]. A segur são descrtos os métodos utlzados neste trabalho. 3.1 Combnação de Classfcadores com Valores de Saída Contínuos O grau de suporte para uma dada entrada x pode ser nterpretado de dferentes maneras, sendo que as mas comuns são conhecdas como confança nos rótulos sugerdos e estmação de probabldades a posteror para as classes [7]. n Sea x R o vetor de característcas e Ω = { ω 1, ω2,..., ω c } o conunto de rótulos das classes. Cada classfcador D do conunto { D } D = 1,..., D L fornece c graus de suporte. Sem perda de generaldade pode-se assumr que todos os c graus estão no ntervalo [0, 1], sto é, D n [ ] c : R 0, 1. A notação d, representa o suporte que o classfcador D dá para a hpótese de que x vem da classe ω. As L saídas dos classfcadores para uma determnada entrada x pode ser organzado em um perfl de decsão (DP(x)) como a matrz: d1,1 L d1, L d1, c M M M. DP( x) = d ( ) ( ) ( ),1 x K d, x L d, c x (3.1) M M M d L,1( x) K d L, L d L, c Város métodos de combnação utlzam DP(x) para encontrar o suporte geral para cada classe e rotular a entrada x de acordo com a classe de maor suporte. 3.2 Combnador Decson Templates Neste método os combnadores dervam μ usando todos os L c graus de suporte em DP(x). Cada vetor no espaço de atrbutos ntermedáro é uma versão expandda das DP(x) obtdas concatenando-se suas L lnhas. São crados padrões de decsão (DT) que armazenam o perfl de decsão mas típco para cada classe ω. Os perfs de decsão DP(x) são então comparados com os DT. O rótulo de x é dado então a partr do DT mas smlar. O trenamento de um padrão de decsão é feto calculando-se a méda dos perfs de decsão DP ( z k ) de todos os membros de ω do conunto de dados Z [7]: 1 DT = DP( zk ), N (3.2) zk ω zk Z onde N é o número de elementos de Z vndos de ω. Após o trenamento, dada uma entrada, é possível construr seu perfl de decsão smlardade S entre DP e cada DT : u S DP, ( ) DT DP e calcular a = = 1,,c. (3.3) A smlardade S pode ser a dstânca Eucldana ou qualquer outra medda de dstânca. A classe cuo DT for mas próxmo ao perfl padrão de decsão ( ) de decsão DP rá dar rótulo à amostra. 3.3 Combnador de Dempster-Shafer Este método é baseado na teora da evdênca, ntroduzda por Glenn Shafer como uma manera de representar conhecmento cogntvo. Neste formalsmo a melhor representação de uma possbldade é uma função de crença em vez de uma dstrbução Bayesana. [12] O trenamento do combnador de Dempster-Shafer é gual ao do Decson Templates. Porém, em vez de calcular a smlardade entre o padrão de decsão e o perfl de decsão, são calculadas a proxmdade entre o modelo de decsão e a saída de cada classfcador. Estas são usadas para calcular o grau de crença para
4 cada classe. Fnalmente os graus de suporte para cada classe são calculados a partr dos graus de crença. Estes passos estão descrtos abaxo: [7]: DT 1. Sea a ésma lnha do padrão de decsão DT D e a saída de D, ou sea, D ( ) [ ( ) ( )] T x = d, 1 x,..., d, c x : a ésma lnha do perfl de decsão DP(x). Calculamos a proxmdade φ DT entre e a saída do classfcador D para a entrada x: φ, = 1+ DT c k = 1 1+ DT D k 2 D 1 2 1, (3.4) onde. é qualquer norma de matrz. Por exemplo, pode-se usar a dstânca eucldana entre os dos vetores. Portanto para cada padrão de decsão exstem L proxmdades. 2. Usando a equação anteror calculamos todas as classes, = 1,...,c; e para cada classfcador, = 1,...,L, os seguntes graus de crença φ, ( 1 Φ ( )) k k, x b ( D ) = [ ( ( ))] (3.5) 1 φ, 1 1 φ k k, x. 3. Os graus de suporte fnas são μ L = K b ( D ) = 1 = 1,..., c. onde K é uma constante de normalzação. 3.4 Baggng (3.6) Este método consste em construr réplcas do tpo bootstrap do conunto de trenamento e trená-las ndvdualmente. A saída dos dversos classfcadores é então combnada usando votação, ou sea, a saída apontada pela maora dos classfcadores é a escolhda [13]. A partr de um conunto de trenamento prérotulado são gerados aleatoramente dversos outros conuntos utlzando substtução. Para trar proveto deste método é necessáro que o classfcador base sea nstável, ou sea, um classfcador em que pequenas mudanças no conunto de trenamento levam a grandes mudanças na saída do classfcador. Se esta regra não for obedecda o que se obtém é somente um conunto de classfcadores quase dêntcos, que dfclmente rão melhorar a performance do classfcador. Neste trabalho os classfcadores utlzados são baseados em redes neuras, de natureza nstável, portanto espera-se que o uso do método Baggng possa melhorar sgnfcatvamente o desempenho dos classfcadores obtdos. 4. Metodologa Este trabalho propõe métodos para dentfcação de materas em magens multespectras rudosas de tomografa de transmssão utlzando múltplas energas. A proposta consste em explorar técncas de classfcação de magem e combnação de classfcadores nas magens tomográfcas adqurdas de um corpo de estudo através de múltplas energas. Através dos expermentos são fetas comparações e corroborações teórcas sobre as técncas utlzadas. 4.1 Aqusção de Imagens O mntomógrafo utlzado para a aqusção das magens deste trabalho fo desenvolvdo no EMBRAPA [14] e é um equpamento de prmera geração em que a fonte de raos-x ou raos-γ (que pode ser provenente de materas com decamento radoatvo como Céso ou Ameríco) e o detector (de crstal) são fxos, enquanto que a amostra em estudo sofre movmentos de rotação e translação. As magens utlzadas neste trabalho foram geradas através do mageamento de um corpo de prova nesse mntomógrafo. O corpo de prova (ou phantom) é um obeto confecconado especalmente para ser utlzado em expermentos. O phantom utlzado neste trabalho fo construído em plexglass que é um tpo de polímero e tem um formato clíndrco contendo quatro espaços (também de forma clíndrca) onde são colocados os materas a serem analsados. Nele foram nserdos 4 tpos de materas: cálco, fósforo, alumíno e água, conforme lustrado na Fgura 1. Para obtenção das proeções foram empregadas duas fontes de raos-γ (Céso e Ameríco) e duas fontes de raos-x dsponíves. As energas provenentes do céso e do ameríco são 662keV e 60keV, respectvamente e as duas energas provenentes de raos-x são 40keV e 85keV, sendo que as duas últmas foram escolhdas a partr da análse do comportamento dos coefcentes de atenuação (Fgura 2) de cada materal a ser dentfcado, de forma a obter melhor capacdade dscrmnatóra. A Tabela I mostra os valores teórcos
5 dos coefcentes de atenuação lnear de cada materal nclusve o plexglass. resultado da classfcação. Os valores observados para as bandas de 40, 60, 85 e 662 kev foram, respectvamente, 4129, 1740, 1148 e 336. Estes valores estão abaxo dos valores teórcos e esta dferença é bastante expressva em alguns casos. Pont Jr [4] atrbu esta dferença às mpurezas presentes no materal em estudo e ao ruído, nclundo o ruído nerente ao própro processo de aqusção das proeções tomográfcas e o ruído decorrente do dspostvo eletrônco de aqusção (normalmente ruído gaussano). Fgura 1 Dagrama de construção do corpo de prova (phantom) Tabela I Coefcentes de atenuação lnear em função das energas 40, 60, 85 e 662 kev. Energa (kev) Coefcentes de Atenuação Lnear dos Energas Materas Água Alumíno Cálco Fósforo Plexglass 40 0,2683 1,5349 2,8365 1,4734 0, ,2052 0,7479 1,0013 0,6315 0, ,1750 0,6250 0,7750 0,5250 0, ,0837 0,2019 0,1205 0,1365 0,0570 O procedmento de obtenção das magens fo realzado de forma que fossem geradas magens com alto nível de ruído, utlzando translação total de 7 cm, passo lnear de 0,109 cm, rotação total de 180º, passo angular de 2,81º e tempo de contagem de fótons em 3 segundos. Com o alto nível de ruído pretende-se verfcar a efcênca dos classfcadores propostos mesmo com magens de baxa qualdade. Uma vez obtdas as proeções, as magens foram reconstruídas pelo método de retroproeção fltrada. Assm, foram geradas quatro magens no tamanho 65x65 pxels, cada uma correspondendo a uma das energas utlzadas. Estas magens foram convertdas para o formato BMP (Btmap), para serem utlzadas no Matlab de forma que pudessem ser classfcadas. Nesta conversão os valores do coefcente de atenuação contdos em cada magem foram normalzados para um ntervalo de 256 valores (ntensdades). As magens utlzadas nesse trabalho são as mesmas utlzadas por Pont Jr [4][5] e são mostradas na Fgura 3. As magens mostradas são magens negatvas das orgnas e foram trabalhadas dessa forma para obter uma melhor vsualzação, uma vez que esta nversão na escala de cnzas não altera o Fgura 2 Curvas do coefcente de atenuação lnear em função da energa para a alumíno, fósforo, cálco e água [2] 40keV 60keV 85keV 662keV Fgura 3 - Imagens adqurdas com energas de 40, 60, 85 e 662 kev. 4.2 Classfcação das Imagens Uma das ferramentas utlzadas no processo de classfcação das magens e avalação dos classfcadores fo o MATLAB, um software de alto desempenho para computação técnca aplcado em dversas áreas, nclundo o Reconhecmento de Padrões. É um sstema nteratvo com dversas facldades para trabalhar com vetores e matrzes, de forma que a mplementação de um algortmo que utlza esses elementos se torna bem mas rápda no MATLAB do que em lnguagens tradconas como C, Fortran e Pascal. Ele também conta com dversas toolboxes específcas para város tpos de aplcações, nclundo aí uma toolbox específca para redes neuras, que é
6 utlzada neste trabalho e o PRTools, que é uma toolbox para o MATLAB desenvolvda pelo grupo de Reconhecmento de Padrões da Unversdade de Delft na Holanda [15]. A versão atual (4.0) do PRTools mplementa aproxmadamente 200 rotnas de reconhecmento de padrões, cobrndo uma grande parte das técncas dessa área. Foram realzados expermentos de classfcação com as magens descrtas na seção anteror. No procedmento de classfcação as quatro magens BMP são combnadas como bandas de uma únca magem multespectral. Foram consderadas 6 classes: água, alumíno, fósforo, cálco, plexglass e o fundo da magem. A probabldade a pror fo consderada gual para todas as classes por não haver nformações que pudessem ser utlzadas. 40keV 60keV 85keV 662keV Fgura 4 - Janelas de pxels escolhdos como amostras em cada magem Para o trenamento e teste foram escolhdas 80 amostras de cada classe, em anelas de 10x8 pxels que podem ser vstas na Fgura 4, totalzando 480 amostras. Este número de amostras é reduzdo devdo ao tamanho das magens geradas pelo tomógrafo, que têm apenas 65x65 pxels cada. O conunto de amostras fo subdvddo em dos subconuntos de 240 amostras cada (40 de cada classe), sendo que um subconunto fo destnado ao trenamento dos classfcadores e o outro subconunto fo destnado ao teste dos classfcadores trenados, segundo assm a técnca de hold-out. Os classfcadores escolhdos para este trabalho são o Perceptron de Múltplas Camadas e as Redes de Função de Base Radal, que foram trenados com dferentes quantdades de neurônos na camada oculta, pos a quantdade deal de neurônos depende dos dados a serem classfcados e não há nenhuma manera precsa de determnar esta quantdade a pror [16]. Desse modo, todos os classfcadores trenados têm uma camada de entrada com 4 neurônos (nós), que correspondem a cada uma das bandas da magem, uma camada ntermedára (oculta) com número de neurônos varável e uma camada de saída com 6 neurônos, que correspondem a cada uma das classes consderadas. Para o Perceptron de Múltplas Camadas foram trenados classfcadores contendo de 2 a 25 neurônos em uma únca camada oculta. Os classfcadores baseados no Perceptron de Múltplas Camadas tendem a apresentar resultados bastante dferentes dependendo dos parâmetros de ncação da rede, que são aleatóros, portanto para cada tpo de estrutura testada foram trenados 100 classfcadores dferentes (com dferentes parâmetros de ncação), de modo que fosse possível obter estatístcas confáves de seu desempenho. Assm foram obtdas as médas e desvo padrão do erro estmado e do coefcente Kappa para cada tpo de classfcador. Para as Redes de Função de Base Radal também foram trenados classfcadores contendo de 2 a 25 neurônos na camada oculta. Este tpo de rede neural não apresenta a mesma nstabldade do Perceptron de Múltplas Camadas, pos os classfcadores gerados com a mesma estrutura e as mesmas amostras tendem a ser sempre muto semelhantes. Apesar dessa observação os expermentos também foram repetdos 100 vezes com dferentes ncações para manter um padrão. Cada classfcador trenado teve seu desempenho meddo através de um teste com as amostras prevamente desgnadas. Dessa forma foram obtdos os erros estmados pelo método hold-out, bem como os Coefcentes Kappa de cada classfcador. O erro estmado representa a taxa de erro que se espera do classfcador e é obtdo pela razão entre a quantdade de erros do classfcador e o número de amostras testadas. O Coefcente Kappa é obtdo utlzando-se a equação 2.1, onde o P(E) terá sempre o valor 0, pos temos 6 classes equprováves, e P(A) é faclmente obtdo subtrando-se o erro estmado de 1. Em seguda foram executados os expermentos utlzando combnação de classfcadores. Fo utlzada prmeramente a técnca de Baggng, e em seguda foram utlzados os combnadores de Decson Templates e Dempster-Shafer. Todos foram utlzados sobre os classfcadores base Perceptron de Múltplas Camadas e Redes de Função de Base Radal, com as mesmas confgurações e quantdade de neurônos de seus respectvos testes ndvduas. Para todos os expermentos com combnadores foram trenados 10 classfcadores-base dferentes, varando sempre a ncação da rede (e também o conunto de amostras nos expermentos com Baggng). A combnação fo feta a partr das saídas desses 10 classfcadores. Todos os expermentos também foram repetdos 100 vezes para que as estatístcas fossem confáves. Assm nos expermentos utlzando Decson Templates e Dempster-Shafer foram varados os parâmetros de ncação em cada uma das 100 execuções. E nos expermentos com
7 Baggng além da varação dos parâmetros de ncação tvemos também a varação no conunto de trenamento, através dos dferentes conuntos tpo bootstrap gerados para cada classfcador. Para cada expermento com combnação também foram obtdos as estmatvas de erro por Hold-Out e os Coefcentes Kappa, para que fosse possível comparar os resultados com o dos classfcadores ndvduas. A partr dos resultados obtdos fo observado que sera nteressante estudar o que acontecera ao combnar a técnca de Baggng com os combnadores Decson Templates e Dempster-Shafer, sto é, utlzar Decson Templates e Dempster-Shafer para fazer a combnação dos classfcadores gerados para cada amostra do tpo bootstrap, e assm comparar estes resultados com os obtdos com cada técnca de combnação aplcada ndvdualmente. Dessa forma foram conduzdos expermentos utlzando Baggng com Dempster-Shafer e Baggng com Decson Templates, ambos sobre os classfcadores base Perceptron de Múltplas Camadas e Redes de Função de Base Radal, com as mesmas confgurações e quantdade de neurônos dos expermentos anterores, e também fazendo a combnação a partr de 10 classfcadores-base. Estes expermentos também foram repetdos 100 vezes, varando as ncações e os conuntos do tpo bootstrap utlzados, e assm foram obtdos as estmatvas de erro por Hold-Out e os coefcentes Kappa. 5. Resultados Neste capítulo são apresentados os resultados obtdos com os classfcadores Perceptron de Múltplas Camadas e Redes de Função de Base Radal, tanto para os classfcadores aplcados ndvdualmente (IND) como para a aplcação utlzando os combnadores: Baggng (BAG), Decson Templates (DT), Dempster-Shafer (DS), Baggng c/ Decson Templates (BAGDT) e Baggng c/ Dempster-Shafer (BAGDS). As tabelas apresentadas resumem o desempenho apresentado pelos classfcadores com cada tpo de estrutura nterna (nós na camada oculta), tanto ndvdualmente quanto com o uso de combnadores. Os melhores resultados em cada coluna estão marcados em negrto, e os pores estão marcados em tálco. Os gráfcos das tabelas e algumas magens temátcas podem ser encontradas na dssertação completa, dsponível na URL df Observando as tabelas III e IV é possível observar que todas as técncas de combnação melhoraram sgnfcatvamente o desempenho dos classfcadores Perceptron de Múltplas Camadas, pos os erros estmados dmnuíram e os coefcentes Kappa aumentaram. O combnador Decson Templates apresentou os melhores resultados, segudo por Dempster-Shafer, Baggng c/ Decson Templates e Baggng com Dempster-Shafer, nesta ordem e com pouca dferença entre os quatro. A técnca de Baggng apresentou o por desempenho entre os combnadores, prncpalmente quando foram utlzados poucos neurônos na camada oculta. A tabela V ndca que o desvo padrão dentro das 100 repetções de cada expermento dmnuu sgnfcatvamente com a aplcação de técncas de combnação de classfcadores, mostrando que todas as técncas são efcentes para establzar classfcadores Perceptron de Múltplas Camadas. Também neste caso o combnador Decson Templates apresentou o melhor desempenho, segudo por Baggng c/ Decson Templates, Dempster-Shafer e Baggng c/ Dempster-Shafer. Nos resultados para as Redes de Função de Base Radal, nas tabelas VI e VII, é possível observar que a aplcação de técncas de combnação melhora a classfcação na maora dos casos, porém essa melhora não é tão grande quanto no Perceptron de Múltplas Camadas. A técnca de Baggng apresentou os melhores resultados para as Redes de Função de Base Radal, com o combnador Baggng c/ Decson Templates sendo o segundo colocado apresentando resultados bem próxmos ao prmero. Em seguda vem o combnador Baggng c/ Dempster-Shafer c/ desempenho nferor aos dos prmeros, mas anda bastante superor a Decson Templates e Dempster- Shafer, que foram os menos efcentes. A tabela VIII mostra que as Redes de Função de Base Radal são bastante estáves nas 100 repetções de cada expermento quando comparadas ao Perceptron de Múltplas Camadas, sendo que em város casos o desvo padrão era zero, o que não fo alterado com o uso dos combnadores Baggng, Decson Templates e Dempster-Shafer. O uso dos combnadores Baggng c/ Decson Templates e Baggng c/ Dempster-Shafer causaram uma leve nstabldade nas Redes de Função de Base Radal.
8 TABELA III Erro Estmado médo para o Perceptron de Múltplas Camadas Nós IND BAG 2 0,5720 0,3675 0,0349 0,0613 0,0358 0, ,2689 0,0493 0,0163 0,0275 0,0166 0, ,1318 0,0200 0,0141 0,0177 0,0145 0, ,0976 0,0170 0,0123 0,0151 0,0150 0, ,0741 0,0168 0,0127 0,0139 0,0155 0, ,0681 0,0175 0,0129 0,0138 0,0148 0, ,0636 0,0179 0,0130 0,0137 0,0163 0, ,0511 0,0190 0,0134 0,0138 0,0167 0, ,0570 0,0190 0,0135 0,0139 0,0172 0, ,0497 0,0191 0,0136 0,0143 0,0179 0, ,0603 0,0203 0,0136 0,0143 0,0181 0, ,0525 0,0196 0,0137 0,0145 0,0185 0, ,0477 0,0204 0,0140 0,0151 0,0187 0, ,0470 0,0210 0,0143 0,0150 0,0190 0, ,0403 0,0211 0,0145 0,0147 0,0196 0, ,0426 0,0205 0,0148 0,0153 0,0185 0, ,0402 0,0211 0,0146 0,0149 0,0192 0, ,0340 0,0207 0,0145 0,0154 0,0198 0, ,0451 0,0213 0,0151 0,0153 0,0201 0, ,0275 0,0203 0,0155 0,0156 0,0201 0, ,0366 0,0215 0,0150 0,0158 0,0200 0, ,0430 0,0213 0,0150 0,0156 0,0200 0, ,0393 0,0217 0,0151 0,0156 0,0202 0, ,0348 0,0214 0,0148 0,0162 0,0204 0,0209 TABELA IV Coefcente Kappa médo para o Perceptron de Múltplas Camadas Nós IND BAG 2 0,3137 0,5591 0,9581 0,9265 0,9570 0, ,6773 0,9409 0,9805 0,9671 0,9801 0, ,8419 0,9760 0,9831 0,9788 0,9826 0, ,8829 0,9796 0,9853 0,9819 0,9821 0, ,9111 0,9799 0,9848 0,9833 0,9814 0, ,9183 0,9790 0,9845 0,9835 0,9822 0, ,9237 0,9786 0,9844 0,9836 0,9804 0, ,9387 0,9773 0,9840 0,9835 0,9800 0, ,9316 0,9773 0,9838 0,9833 0,9794 0, ,9404 0,9771 0,9837 0,9829 0,9785 0, ,9277 0,9757 0,9837 0,9829 0,9783 0, ,9371 0,9765 0,9836 0,9827 0,9778 0, ,9428 0,9756 0,9832 0,9819 0,9776 0, ,9436 0,9748 0,9828 0,9821 0,9773 0, ,9516 0,9747 0,9827 0,9824 0,9765 0, ,9489 0,9755 0,9823 0,9817 0,9778 0, ,9518 0,9747 0,9825 0,9822 0,9770 0, ,9592 0,9752 0,9826 0,9816 0,9762 0, ,9459 0,9745 0,9819 0,9817 0,9759 0, ,9671 0,9756 0,9815 0,9813 0,9759 0, ,9561 0,9743 0,9820 0,9811 0,9760 0, ,9484 0,9744 0,9821 0,9813 0,9761 0, ,9529 0,9740 0,9819 0,9813 0,9758 0, ,9583 0,9744 0,9822 0,9806 0,9756 0,9750 TABELA V Desvo Padrão do Erro Estmado e Coefcente Kappa para o Perceptron de Múltplas Camadas Nós IND BAG 2 0,2554 0,1729 0,0286 0,0348 0,0228 0, ,2892 0,0559 0,0061 0,0133 0,0064 0, ,2073 0,0079 0,0044 0,0065 0,0046 0, ,1504 0,0062 0,0029 0,0046 0,0038 0, ,1199 0,0039 0,0020 0,0028 0,0030 0, ,1065 0,0039 0,0013 0,0024 0,0026 0, ,0842 0,0037 0,0014 0,0020 0,0029 0, ,0777 0,0039 0,0018 0,0021 0,0037 0, ,0807 0,0042 0,0018 0,0023 0,0032 0, ,0770 0,0038 0,0020 0,0026 0,0036 0, ,0887 0,0050 0,0020 0,0024 0,0038 0, ,0698 0,0044 0,0021 0,0025 0,0044 0, ,0623 0,0047 0,0023 0,0026 0,0038 0, ,0704 0,0042 0,0025 0,0027 0,0042 0, ,0680 0,0041 0,0023 0,0027 0,0042 0, ,0618 0,0041 0,0027 0,0030 0,0034 0, ,0638 0,0042 0,0026 0,0025 0,0035 0, ,0480 0,0046 0,0026 0,0035 0,0041 0, ,0756 0,0044 0,0027 0,0034 0,0040 0, ,0360 0,0036 0,0029 0,0031 0,0041 0, ,0648 0,0039 0,0025 0,0031 0,0045 0, ,0650 0,0043 0,0027 0,0027 0,0037 0, ,0667 0,0039 0,0030 0,0033 0,0036 0, ,0538 0,0045 0,0027 0,0033 0,0041 0,0040 TABELA VI Erro Estmado médo para Redes de Função de Base Radal Nós IND BAG 2 0,5125 0,3720 0,4458 0,4333 0,3391 0, ,3958 0,2118 0,3583 0,3583 0,2334 0, ,2958 0,1675 0,2583 0,2583 0,2094 0, ,2292 0,1953 0,2333 0,2333 0,2100 0, ,1333 0,1269 0,1292 0,1292 0,1332 0, ,0750 0,0900 0,0708 0,0708 0,0853 0, ,0833 0,0733 0,0833 0,0833 0,0717 0, ,0750 0,0589 0,0750 0,0750 0,0596 0, ,0833 0,0500 0,0875 0,0875 0,0497 0, ,0708 0,0444 0,0667 0,0667 0,0432 0, ,0500 0,0382 0,0500 0,0500 0,0365 0, ,0390 0,0329 0,0302 0,0292 0,0321 0, ,0334 0,0265 0,0333 0,0333 0,0252 0, ,0252 0,0201 0,0250 0,0250 0,0197 0, ,0232 0,0186 0,0213 0,0208 0,0181 0, ,0219 0,0175 0,0197 0,0208 0,0175 0, ,0177 0,0160 0,0170 0,0167 0,0161 0, ,0173 0,0150 0,0166 0,0167 0,0145 0, ,0145 0,0135 0,0125 0,0125 0,0137 0, ,0130 0,0132 0,0125 0,0125 0,0130 0, ,0126 0,0129 0,0125 0,0125 0,0127 0, ,0126 0,0126 0,0125 0,0125 0,0127 0, ,0125 0,0126 0,0125 0,0125 0,0126 0, ,0125 0,0127 0,0125 0,0125 0,0126 0,0126
9 TABELA VII Coefcente Kappa médo para Redes de Função de Base Radal Nós IND BAG 2 0,3850 0,5536 0,4650 0,4800 0,5931 0, ,5250 0,7459 0,5700 0,5700 0,7199 0, ,6450 0,7990 0,6900 0,6900 0,7488 0, ,7250 0,7656 0,7200 0,7200 0,7480 0, ,8400 0,8478 0,8450 0,8450 0,8402 0, ,9100 0,8921 0,9150 0,9150 0,8976 0, ,9000 0,9120 0,9000 0,9000 0,9140 0, ,9100 0,9294 0,9100 0,9100 0,9285 0, ,9000 0,9400 0,8950 0,8950 0,9404 0, ,9150 0,9468 0,9200 0,9200 0,9482 0, ,9400 0,9542 0,9400 0,9400 0,9562 0, ,9532 0,9605 0,9638 0,9650 0,9615 0, ,9600 0,9682 0,9600 0,9600 0,9698 0, ,9698 0,9759 0,9700 0,9700 0,9764 0, ,9722 0,9777 0,9744 0,9750 0,9783 0, ,9738 0,9790 0,9764 0,9750 0,9790 0, ,9788 0,9808 0,9797 0,9800 0,9807 0, ,9793 0,9820 0,9801 0,9800 0,9826 0, ,9826 0,9838 0,9850 0,9850 0,9836 0, ,9844 0,9842 0,9850 0,9850 0,9844 0, ,9849 0,9845 0,9850 0,9850 0,9848 0, ,9849 0,9849 0,9850 0,9850 0,9848 0, ,9850 0,9849 0,9850 0,9850 0,9849 0, ,9850 0,9848 0,9850 0,9850 0,9849 0,9849 TABELA VIII Desvo Padrão do Erro Estmado e Coefcente Kappa para Redes de Função de Base Radal Nós IND BAG 2 0,0000 0,0000 0,0000 0,0000 0,0432 0, ,0000 0,0000 0,0000 0,0000 0,0357 0, ,0000 0,0000 0,0000 0,0000 0,0185 0, ,0000 0,0000 0,0000 0,0000 0,0139 0, ,0000 0,0000 0,0000 0,0000 0,0068 0, ,0000 0,0000 0,0000 0,0000 0,0097 0, ,0000 0,0000 0,0000 0,0000 0,0097 0, ,0000 0,0000 0,0000 0,0000 0,0079 0, ,0000 0,0000 0,0000 0,0000 0,0066 0, ,0000 0,0000 0,0000 0,0000 0,0063 0, ,0000 0,0000 0,0000 0,0000 0,0051 0, ,0066 0,0021 0,0019 0,0021 0,0050 0, ,0004 0,0000 0,0000 0,0000 0,0053 0, ,0012 0,0000 0,0000 0,0000 0,0029 0, ,0039 0,0015 0,0015 0,0015 0,0023 0, ,0040 0,0019 0,0020 0,0019 0,0021 0, ,0025 0,0014 0,0011 0,0014 0,0026 0, ,0015 0,0008 0,0006 0,0008 0,0024 0, ,0029 0,0000 0,0004 0,0000 0,0020 0, ,0015 0,0000 0,0000 0,0000 0,0014 0, ,0006 0,0000 0,0000 0,0000 0,0008 0, ,0006 0,0000 0,0000 0,0000 0,0009 0, ,0004 0,0000 0,0000 0,0000 0,0007 0, ,0004 0,0000 0,0000 0,0000 0,0006 0, Conclusões Analsando os resultados é possível conclur que o uso de combnação de classfcadores produzu classfcadores mas estáves, além de melhorar sgnfcatvamente os resultados meddos com o Erro Estmado pelo método Hold-Out e o Coefcente Kappa, prncpalmente nas redes com poucos neurônos na camada oculta. Enquanto os combnadores de Decson Templates e Dempster-Shafer mostraram melhor desempenho que a técnca de Baggng no Perceptron de Múltplas Camadas, o contráro ocorreu nos testes com Redes de Função de Base Radal. Nelas o Baggng teve um melhor desempenho, enquanto Decson Templates e Dempster-Shafer não se saíram tão bem. Isto pode ser explcado pela maor establdade das Redes de Função de Base Radal quando comparadas ao Perceptron de Múltplas Camadas, o que faz com que os classfcadores fquem muto parecdos e consequentemente a combnação sea menos vantaosa. O combnador Decson Templates mostrou ser o mas ndcado para combnar o Perceptron de Múltplas Camadas, apresentando o melhor desempenho e mostrando que as dferenças nas redes causadas pela ncalzação aleatóra dos parâmetros lvres á são sufcentes para produzr classfcadores bastante dferentes e bons para combnação. Além dsso, Decson Tamplates também fo o combnador que dexou o Perceptron mas estável. Para as Redes de Função de Base Radal a técnca de Baggng mostrou ser o método mas ndcado, pos fo o que apresentou o melhor desempenho. Baggng c/ Decson Templates também apresentou um bom desempenho, entretanto fo um dos métodos que trouxe uma leve nstabldade para as Redes de Função de Base Radal, de modo que seu uso deve ser feto com cautela. Decson Templates e Dempster-Shafer foram os combnadores menos efcentes, e sto provavelmente se deve ao fato das Redes de Função de Base Radal serem mas estáves, produzndo classfcadores muto parecdos, o que os torna menos ndcados para combnação. A técnca de Baggng levou vantagem por utlzar conuntos de amostras do tpo bootstrap, produzndo classfcadores dferentes para a combnação, e consequentemente melhores resultados. O uso de combnação de classfcadores para combnar redes neuras se mostrou bastante útl para dentfcar materas em magens de cêncas dos solos. Outras áreas também podem ser exploradas utlzando esta mesma abordagem, pos as regras de
10 combnação normalmente melhoraram a performance e aumentam a capacdade de generalzação dos classfcadores. Dversos trabalhos podem ser desenvolvdos como extensão deste, na área de combnação de classfcadores, como fazer uma pré-seleção dos classfcadores mas relevantes para a combnação; combnar redes neuras de tpos dferentes (por exemplo: Perceptron de Múltplas Camadas com Redes de Função de Base Radal); utlzar outros combnadores com a técnca de Baggng, como o Produto, Máxmo e Mínmo, por exemplo; combnar a saída dos combnadores, utlzando votação por maora ou qualquer outra técnca; utlzar redes neuras para combnar resultados de classfcação, dentre outros. 7. Agradecmentos Gostaríamos de agradecer ao Dr. Paulo E. Cruvnel por nos fornecer as magens multespectras utlzadas nesses expermentos, e a CAPES e a FAPESP (04/ ) pelo apoo fnancero. Este trabalho também é parcalmente apoado pelo Proeto Temátco da Fapesp 2002/ Referêncas [1] GONZALEZ, R. F.; WOODS, R. E., Processamento de Imagens Dgtas, Edgar Blücher LTDA, São Paulo, [2] HOMEM, M. R. P., Técncas de Reconhecmento de Padrões Aplcadas a Imagens Tomográfcas Adqurdas com Múltplas Energas, Dssertação de mestrado, DC- UFSCar: São Carlos, 1998, 200p. [3] HOMEM, M. R. P.; MASCARENHAS, N. D. A.; CRUVINEL, P. E., The Lnear Attenuaton Coeffcents as Features of Multple Energy CT Image Classfcaton, Nuclear Instruments and Methods n Physcs Research. V. 452, p , [7] KUNCHEVA, L. I., Combnng Pattern Classfers : Methods and Algorthms, Hoboken, NJ :Wley- Interscence, [8] BISHOP, C. M., Neural Networks for Pattern Recognton, Oxford, New York: [9] KOHAVI, R., A Study of Cross-Valdaton and Bootstrap for Accuracy Estmaton and Model Selecton, Proc. of the 14th Int. Jont Conf. on A.I., Vol. 2, Canada, p , [10] CARLETTA, J., Assessng Agreement on Classfcaton Tasks: the Kappa Statstc, Computatonal Lngustcs. V. 22(2) p , 1996 [11] PRAMPERO, P.; CARVALHO, A., Recognton of Vehcles Usng Combnaton of Classfers, Proceedngs of the IEEE World Congress on Computatonal Intellgence, WCCI 98, Anchorage, USA, [12] AHMADZADEH, M. R.; PETRON M.; SASIKALA, K. R., The Dempster-Shafer Combnaton Rule as a Tool to Classfer Combnaton, Geoscence and Remote Sensng Symposum. Proc. IGARSS 2000 IEEE Internatonal, p , [13] BREIMAN, L., Baggng Predctors, Machne Learnng. V. 26(2) p , 1996 [14] CRUVINEL, P. E.; CESAREO, R.; MASCARENHAS, S., X and γ- Rays Computerzed Mntomograph Scanner for Sol Scence. IEEE Transactons on Instrumentaton and Measurements. v. 39, n. 5, p , [15] DUIN, R. P. W; JUSZCZAK, P.; PACLIK, P.; PERALSKA, D.; RIDDER, D.; TAX, D. M. J., PRTools4: A Matlab Toolbox For Pattern Recognton, Delft Unversty of Technology, Delft, 51p., [16] DUDA, R. O.; HART, P. E., STORK, D. G., Pattern Classfcaton, Wley, 2.ed. New York, [4] PONTI JR, M. P., Combnação de Múltplos Classfcadores para Identfcação de Materas em Imagens Rudosas, Dssertação de mestrado, DC-UFSCar: São Carlos, 2004, 76p. [5] PONTI JR., M.P.; MASCARENHAS, N.D.A, Materal Analyss on Nosy Multspectral Images Usng Classfer Combnaton, Proc. IEEE Southwest Symposum on Image Analyss and Interpretaton, IEEE Computer Socety Press, Lake Tahoe, Nevada, p , [6] HAYKIN S., Redes Neuras Prncípos e Prátca, Bookman, 2 ed. Porto Alegre: 2001.
3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCOMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS RUIDOSAS
UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO COMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisMedida de Quatro Pontas Autor: Mauricio Massazumi Oka Versão 1.0 (janeiro 2000)
Medda de Quatro Pontas Autor: Maurco Massazum Oka Versão.0 (janero 000) Introdução A técnca de medda de quatro pontas é largamente usada para a medda de resstvdades e resstêncas de folha. O método em s
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisELE0317 Eletrônica Digital II
2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisGARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia mais4. Sistemas Neuro-Fuzzy
4. Sstemas Neuro-Fuzzy Neste capítulo será apresentado o sstema híbrdo Neuro-Fuzzy, o qual é a combnação das técncas de fuzzy e redes neuras. Alguns modelos Neuro-Fuzzy já desenvolvdos na lteratura são
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisESTUDO DA MÁQUINA SIMÉTRICA TRIFÁSICA
CAPÍTUO ETUDO DA ÁQUINA IÉTICA TIFÁICA. INTODUÇÃO A máquna de ndução trfásca com rotor bobnado é smétrca. Apresenta estruturas magnétcas clíndrcas tanto no rotor quanto no estator. Os enrolamentos, tanto
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Leia mais