s:
|
|
- Estela Leonor Gameiro
- 5 Há anos
- Visualizações:
Transcrição
1 IDENTIFICAÇÃO DE PERDAS NÃO-TÉCNICAS UTILIZANDO AGRUPAMENTO DE DADOS POR FLORESTA DE CAMINHOS ÓTIMOS Caio C. O. Ramos, André N. Souza, Danilo S. Gastaldello, Rodrigo Y. M. Nakamura, João P. Papa Av. Prof. Luciano Gualberto, Travessa 3, 158, CEP , Engenharia Elétrica - PEA Escola Politécnica da Universidade de São Paulo - EPUSP São Paulo, SP, Brasil Av. Eng. Luiz Edmundo C. Coube, 14-01, CEP , Engenharia Elétrica Faculdade de Engenharia da Universidade Estadual Paulista - FEB/UNESP Bauru, SP, Brasil Av. Eng. Luiz Edmundo C. Coube, 14-01, CEP , Ciência da Computação Faculdade de Ciências da Universidade Estadual Paulista - FC/UNESP Bauru, SP, Brasil s: caioramos@gmail.com, andrejau@feb.unesp.br, dandangastaldello@gmail.com, rodrigo.mizobe@fc.unesp.br, papa@fc.unesp.br Abstract Non-technical losses identification has been paramount in the last decade. Since we have datasets with hundreds of legal and illegal profiles, one may have a method to group data into subprofiles in order to minimize the search for consumers that cause great frauds. In this context, a electric power company may be interested in to go deeper a specific profile of illegal consumer. In this paper, we introduce the Optimum-Path Forest (OPF) clustering technique to this task, and we evaluate the behavior of a dataset provided by a brazilian electric power company with different values of an OPF parameter. Keywords Clustering, Optimum-Path Forest, Non-Technical Losses Identification. Resumo Identificação de perdas não-técnicas foi fundamental na última década. Uma vez que se tenha conjuntos de dados com centenas de perfis legais e ilegais, pode-se ter um método para agrupar dados em subperfis a fim de minimizar a procura dos consumidores que causam grandes fraudes. Neste contexto, uma empresa de energia elétrica pode estar interessada em se aprofundar em um perfil específico de consumidor ilegal. Neste artigo, é introduzido a técnica de agrupamento de dados por Floresta de Caminhos Ótimos (OPF) para esta tarefa e é avaliado o comportamento de um conjunto de dados fornecidos por uma empresa de energia elétrica brasileira, com diferentes valores para um parâmetro do OPF. Palavras-chave Agrupamento, Floresta de Caminhos Ótimos, Identificação de Perdas Não-Técnicas. 1 Introdução Hoje em dia, companhias de energia elétrica estão dando uma atenção especial com relação às perdas não-técnicas, principalmente porque eles precisam maximizar a energia disponível para avaliação e reduzir os furtos ou fraudes de energia. Investimentos nesta área têm como objetivo obter uma significativa melhoria no desempenho técnico e financeiro, buscando maior produtividade, eficiência e rentabilidade (Davidson, 2002). Os furtos de energia, também conhecidos como perdas não-técnicas, referem-se à energia entregue ao usuário mas que não é faturada, propiciando uma perda nos lucros. As perdas nãotécnicas estão relacionadas às ligações clandestinas no sistema de distribuição e são calculadas como sendo a diferença entre a perda total e as perdas técnicas, a qual é determinada como energia perdida no transporte, na transformação e nos equipamentos de medição. Portanto, é necessária a realização de inspeções periódicas a fim de combater as perdas nãotécnicas. O principal problema é que esse procedimento é muito caro para as empresas de energia elétrica. Assim, várias maneiras de reduzir o número de inspeções e orientar melhor a forma de identificar os consumidores irregulares têm sido estudadas nos últimos anos. Alguns avanços nessa área pode ser evidenciados com a aplicação de técnicas de inteligência artificial para identificação automática de perdas não-técnicas. Nagi et al. (Nagi et al., 2010), por exemplo, utilizaram Máquinas de Vetores de Suporte (SVMs) com o objetivo de realizar esta tarefa. Uma abordagem híbrida entre Algoritmos Genéticos (GA) e SVMs para detecção de perdas não-técnicas também foi abordada (Nagi et al., 2008). Nizar et al. (Nizar et al., 2008) aplicaram Métodos de Máquinas com Aprendizagem Extrema para análise de perdas não-técnicas, e Monedero et al. (Monederon et al., 2006) propuseram a utilização de Redes Neurais Artificiais (RNAs) em conjunto com análise estatística para detecção de fraudes no consumo de energia elétrica. Ramos et al.(ramos et al., 2011) apresentaram o classificador Floresta de Caminhos Ótimos (OPF) neste contexto, mostrando as suas vanta- ISSN: Vol. X 744
2 gens sobre as abordagens acima mencionadas. Embora se possa encontrar vários trabalhos utilizando técnicas supervisionadas, isto é, aqueles que fazem uso de bases de dados rotuladas, muitas vezes é comum encontrar trabalhos que aplicam técnicas não-supervisionadas para realizar identificação de perdas não-técnicas. Monedero et al. (Monederon et al., 2010) utilizaram análise de regressão para esta finalidade e Chicco et al. (Chicco and Ilie, 2009) propuseram o uso do agrupamento de dados por SVMs (SVC) para calcular os grupos e identificar os outliers que apresentam comportamento anômalo. Desde então, encontrar conjuntos de dados inteiramente rotulados não é uma tarefa comum, técnicas não-supervisionadas podem ser a única solução viável para resolver este problema. Outra questão é que se pode visualizar melhor os perfis dos consumidores, que são representadas pelos agrupamentos no espaço de características. Neste artigo, é introduzido o OPF nãosupervisionado (Rocha et al., 2009) no contexto de identificação de perdas não-técnicas. Assim, pelo que é conhecido na literatura, é a primeira vez que o agrupamento de dados por OPF (OPF Clustering) é utilizado neste contexto. O restante deste trabalho está organizado como segue. A Seção 2 descreve a teoria do agrupamento de dados por Floresta de Caminhos Ótimos e a Seção 3 apresenta as características do conjunto de dados utilizado. Finalmente, os resultados experimentais e as conclusões são discutidos nas Seções 4 e 5, respectivamente. 2 Agrupamento de Dados por Floresta de Caminhos Ótimos Seja N uma base de dados tal que, para toda amostra s N, existe um vetor de características v(s). Seja d(s, t) uma distância entre s e t no espaço de características (por exemplo, d(s,t) = v(t) v(s) ). O problema fundamental na área de agrupamento de dados é identificar grupos naturais em N. Um grafo (N,A) é definido tal que os arcos (s,t) A conectam k-vizinhos mais próximos no espaço de características. Os arcos são ponderados por d(s,t) e os nós s N são ponderados por um valor de densidade ρ(s), dado por ρ(s) = 1 γ, (1) 2πσ2 A(s) onde γ = t A(s) exp ( d 2 (s,t) 2σ 2 ), A(s) = k, σ = d f 3, e d f é o comprimento do maior arco em (N,A). A escolha deste parâmetro considera todos os nós para o cálculo da densidade, assumindo que uma função gaussiana cobre a grande maioria das amostras com d(s,t) [0,3σ]. O método tradicional para estimar a função de densidade de probabilidade (fdp) é dado pelas janelas de Parzen. A Equação 1 pode fornecer uma estimativa da janela de Parzen baseada em uma função gaussiana isotrópica quando são definidos os arcos por (s,t) A se d(s,t) d f. Esta escolha, entretanto, apresenta problemas com diferenças na escala e concentrações de amostras. Soluções para este tipo de problema conduz à escolhas adaptativas de d f dependendo da região do espaço de característica (Comaniciu, 2003). Ao levar em conta os k-vizinhos mais próximos, é lidado com diferentes concentrações e problema de redução de escala para se encontrar o melhor valor de k dentro de [1,k max ], para 1 k max N. A solução proposta por Rocha et al. (Rocha et al., 2009) considera o corte mínimo no grafo provido pelo resultado do agrupamento para k [1,k max ], de acordo com a medida C(k) sugerida por Shi and Malik (Shi and Malik, 2000): C(k) = W i = W i = c W i W i +W i, (2) 1 d(s,t), (3) i=1 (s,t) A L(s)=L(t)=i (s,t) A L(s)=i,L(t) i 1 d(s,t), (4) ondel(t)éorótulodaamostrat, W i utilizatodos os pesos dos arcos entre o agrupamento i e outros agrupamentos, e W i utiliza todos os pesos dos arcos que pertencem ao agrupamento i = 1,2,...,c. O caminho π t é uma sequência de amostras adjacentes começando da raiz R(t) e terminando na amostra t, sendo π t = t um caminho trivial e π s s,t a concatenação de π s e o arco (s,t). Entre todos os possíveis caminhos π t com raízes dos máximos da fdp, deseja-se achar um caminho cujo o menor valor de densidade ao logo do mesmo é máximo. Cada máximo deveria definir uma zona de influência (agrupamento) pela seleção de amostras que são mais fortemente conectadas a ele, segundo esta definição, do que qualquer outro máximo. Mais formalmente, deseja-se maximizar f(π t ) para todo t N onde f( t ) = { ρ(t) if t R ρ(t) δ otherwise f( π s s,t ) = min{f(π s ),ρ(t)}, (5) para δ = min (s,t) A ρ(t) ρ(s) ρ(t) ρ(s) e R sendo um conjunto de raíz com um elemento para cada máximo da fdp. Altos valores de delta reduz o número de máximos. Neste trabalho é estabelecido δ = 1.0 e dimensionado números reais ρ(t) [1, 1000]. O algoritmo da IFT maximiza f(π t ) tal que os caminhos ótimos formam uma floresta de caminhos ótimos um mapa de predecessores P sem ciclos que atribui a cada amostra ISSN: Vol. X 745
3 t / R seu predecessor P(t) no caminho ótimo de R ou um marcador nil quando t R. O Algoritmo 1 abaixo implementa esse procedimento. Algoritmo 1 Agrupamento de dados por Floresta de Caminhos Ótimos Entrada: Grafo (N,A) e função ρ. Saída: Mapa de rótulos L, mapa de valores de caminhos V, floresta P. Auxiliares: Fila de prioridades Q, variáveis tmp e l Para todo s N, faça 2. P(s) nil, V(s) ρ(s) δ, insira s em Q. 3. Enquanto Q não é vazia, faça 4. Remova de Q uma amostra s tal que 5. V(s) é máximo. 6. Se P(s) = nil, então 7. Faça L(s) l, l l+1 e 8. V(s) ρ(s). 9. Para cada t A(s) e V(t) < V(s), faça 10. Calcule tmp min{v(s), ρ(t)}. 11. Se tmp > V(t) então 12. Faça L(t) L(s), P(t) s e 13. V(t) tmp. 14. Atualize a posição t em Q. Algoritmo 1 identifica uma raiz em cada máximo da fdp (P(s) = nil na Linha 6 implica que s R), associa cada raiz a um rótulo distinto na Linha 7, e calcula a zona de influência (agrupamento) de cada raiz como sendo uma árvore de caminhos ótimos em P, tal que os nós de cada árvore recebem o mesmo rótulo que sua raiz no mapa L (Linhas 12 e 13). O algoritmo também retorna o mapa de valores de caminhos ótimos V e a floresta P, sendo mais robusto do que o algoritmo Mean-shift (Cheng, 1995) pois não depende do gradientes da fdp, utiliza um grafo k-nn e associa um rótulo cara cada máximo, mesmo quando o máximo é composto por um componente conexo em (N,A). O algoritmo é mais geral, pois a escolha de f( t ) pode reduzir máximos irrelevantes (agrupamentos). Demanda Contratada (DC): o valor da demanda a ser disponível pela empresa de energiaequedeveráserpagomesmoqueaenergia elétrica não seja utilizada pelo consumidor, em quilowatts (kw); Demanda Medida ou Demanda Máxima (D max ): a demanda máxima de potência ativa, verificada por medição, em intervalos de quinze minutos durante o período de faturamento, em quilowatts (kw); Fator de Carga (FC): razão entre a demanda média (D media ) e a demanda máxima (D max ) da unidade consumidora, registrado no mesmo período de tempo, como segue: FC = D media D max. (6) O FC é um fator de índice que mostra como a energia elétrica é utilizada de forma racional, e D media é definida como a razão entre a energia total (ǫ T ) e o período de T, como descrito por e ǫ T é dado por D media = ǫ T T, (7) T 0 D(t)dt, (8) emqued(t)éacurvadedemanda(figura1). Potência Instalada (P inst ): soma da potência nominal dos equipamentos elétricos instalados e prontos para operar na unidade consumidora, em quilowatts (kw). 3 Materiais e Métodos Nesta seção, descreve-se o conjunto de dados utilizado nos experimentos, bem como as características extraídas de cada perfil de consumidor. Para o desenvolvimento deste trabalho, é utilizado um conjunto de dados obtido a partir de uma empresa brasileira de energia elétrica composta por 736 perfis de consumidores, divididos em 116 consumidores ilegais e 620 consumidores legais. Este conjunto de dados foi previamente rotulado pelos técnicos da referida empresa. Cada perfil do consumidor é representado por quatro características, como segue: Figura 1: Interpretação gráfica das características extraídos do perfil dos consumidores. 4 Resultados Experimentais Nesta seção, descreve-se os experimentos realizados pelo agrupamento de dados por OPF. Como já mencionado na Seção 3, é utilizado um conjunto de dados fornecidos por uma empresa brasileira de energia elétrica com 736 perfis, divididos em consumidores legais e ilegais. Embora as amostras sejam rotuladas, salienta-se o interesse em agrupar os dados, a fim de avaliar se ISSN: Vol. X 746
4 existem subperfis em uma determinada classe de consumidores. Desta forma, através do agrupamento de dados por OPF, pode-se ver o quanto as amostras são conectadas. Assim, com esta ideia em mente, pode-se ter mais conhecimento de uma classe mais específica dos usuários, ou seja, a empresa de energia elétrica pode estar interessada em procurar um tipo pré-determinado de consumidor ilegal, a fim de diminuir o dinheiro perdido devido aos furtos. É interessante esclarecer a importância de tal análise em conjuntos de dados grandes, o que torna inviável para a empresa efetuar uma análise in loco. O agrupamento de dados por OPF é avaliado através da variação do valor de k max descrito na Seção 2 de 1 a 200. Só para lembrar o leitor, o valor k max controla o valor máximo do tamanho da vizinhança para compor o grafo k-nn. As etapas do processo de treinamento do agrupamento de dados por OPF podem ser resumidas como segue: Figura 2: Perfis de agrupamentos de dados por OPF. de agrupamento de dados por OPF para cada valor de k max, conforme mostrado na Figura k 1 2. escolha k e construa o grafo k-nn; 3. execute o agrupamento de dados por OPF de acordo com o Algoritmo 1; 4. calcule o corte mínimo do grafo gerado pela etapa anterior; 5. aumente o valor de k e 6. vá a etapa 1 até k = k max. 7. retorne o valor de k que minimizou o corte no grafo Assim, pode-se notar a influência do valor de k max mais claramente. Ao aumentar o valor de k max, o agrupamento de dados por OPF tem uma gama maior de amostras para visitar. Mas também se tem uma relação custo-benefício entre a eficiência e o nível de detalhes sobre o agrupamento de dados desejado. A Figura 2 exibe o resultado da execução do agrupamento de dados por OPF, com k max [1,200]. Pode-se notar que o número de agrupamentos diminui à medida que aumenta k max. Isso pode ser explicado porque a relação de adjacência k-nn já pré-define o número de agrupamentos. Como referido acima, o valor de k é escolhido como aquele que minimiza o corte mínimo no grafo, sendo delimitado por k max. Assim, à medida que aumenta k max, o valor de k também pode ser aumentado, uma vez que o número de amostras conectadas em todo o gráfico será maior. O número de agrupamentos aparenta estabilizar quando k max [100,140], e este fato pode indicar um conjunto razoável de valores k max, uma vez que este é o maior intervalo que possibilita um número semelhante de agrupamentos. A Figura 3 exibe o tempo de execução (em segundos) Figura 3: Tempo de execução em segundos para o agrupamento de dados por OPF. Pode-se observar que o tempo de execução do agrupamento de dados por OPF aumenta com o valor de k max, mas ainda com eficiência aceitável. Se for levado em conta a faixa k max [100,140], o agrupamento de dados por OPF leva cerca de 2 a 3 segundos para a execução, o que pode ser considerado muito rápido já que se tem um conjunto de dados com 736 amostras. 5 Conclusões Neste trabalho, é lidado com o problema de agrupamento de perfis de consumidores por OPF nãosupervisionado, a fim de encontrar subperfis em uma determinada classe de consumidores, e também para acelerar a identificação de furtos em sistemas de distribuição de energia. O OPF-não supervisionado é executado com diferentes valores de k max, a fim de avaliar o comportamento do conjunto de dados sobre o número de agrupamentos. Conclui-se que k max [100,140] é um intervalo razoável, remetendo a ISSN: Vol. X 747
5 cerca de 10 a 13 agrupamentos, com tempo de execução de 2 a 3 segundos. Este trabalho teve como objetivo introduzir o agrupamento de dados por OPF no contexto de avaliação das perdas não-técnicas, e também estudar o quanto o conjunto de dados é afetado com relação a diferentes valores do parâmetro k max. Para trabalhos futuros, pretende-se comparar o agrupamento de dados por OPF contra outras técnicas de agrupamento não-supervisionadas no contexto de identificação de perdas não-técnicas e também avaliar os agrupamentos de dados, de forma a auxiliar as concessionárias de energia elétrica na análise dos perfis de consumidores. Agradecimentos OsautoresgostariamdeagradeceràCapeseàFA- PESP (Processos #2010/ e #2009/ ). Referências Cheng, Y. (1995). Mean shift, mode seeking, and clustering, IEEE TPAMI 17(8): Chicco, G. and Ilie, I. (2009). Support vector clustering of electrical load pattern data, IEEE Transactions on Power Systems 24: Comaniciu, D. (2003). An algorithm for datadriven bandwidth selection, IEEE Transaction on Pattern Analysis and Machine Intelligence 25(2): Nagi, J., Mohammad, A. M., Yap, K. S., Tiong, S. K. and Ahmed, S. K. (2010). Nontechnical loss detection for metered consumers in power utility using support vector machines, IEEE Transactions on Power Delivery 25: Nagi, J., Yap, K. S., Tiong, S. K., Ahmed, S. K. and Mohammad, A. M. (2008). Detection of abnormalities and electricity theft using genetic support vector machines, IEEE TEN- CON Region 10 Conference, pp Nizar, A. H., Dong, Z. Y. and Wang, Y. (2008). Power utility nontechnical loss analysis with extreme learning machine method, IEEE Transactions on Power Systems 23: Ramos, C. O., Souza, A. N., Papa, J. P. and Falcão, A. X. (2011). A new approach for nontechnical losses detection based on optimumpath forest, IEEE Transactions on Power Systems 26: Rocha, L. M., Cappabianco, F. A. M. and Falcão, A. X.(2009). Data clustering as an optimumpath forest problem with applications in image analysis, International Journal of Imaging Systems and Technology 19(2): Shi, J. and Malik, J. (2000). Normalized cuts and image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence 22(8): Davidson, I. E. (2002). Evaluation and effective management of nontechnical losses in electrical power networks, Proceedings of the 6th IEEE Africon Conference in Africa, Vol. 1, pp Monederon, I., Biscarri, F., León, C., Biscarri, J. and Millán, R. (2006). Midas: Detection of non-technical losses in electrical consumption using neural networks and statistical techniques, Proceedings of the International Conference on Computational Science and Applications, Vol. 3984, Lecture Notes in Computer Science, Springer Berlin/Heidelberg. Monederon, I., Biscarri, F., León, C., Guerrero, J., Biscarri, J. and Millán, R. (2010). Using regression analysis to identify patterns of nontechnical losses on power utilities, Proceedings of the 14th international conference on Knowledge-based and intelligent information and engineering systems: Part I, Vol. 6276, Lecture Notes in Computer Science, Springer Berlin/Heidelberg. ISSN: Vol. X 748
Congreso Internacional de Distribución Eléctrica CIDEL 2014
Congreso Internacional de Distribución Eléctrica CIDEL 2014 DETECÇÃO E IDENTIFICAÇÃO DE PERDAS COMERCIAIS USANDO CURVAS DE CARGA E CLASSIFICADOR FLORESTA DE CAMINHOS ÓTIMOS R. D. Trevizan 1 A. Rossoni
Leia maisTransformada Imagem-Floresta (IFT)
(IFT) Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br / Um caminho π no grafo G = (D I,A) é uma sequência de pixels
Leia maisTransformada Imagem-Floresta (IFT)
Transformada Imagem-Floresta (IFT) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda, aula 3 p. Caminhos
Leia maisDetecção de fraudes em hidrômetros através da utilização de técnicas de reconhecimento de padrões
Detecção de fraudes em hidrômetros através da utilização de técnicas de reconhecimento de padrões Juliana Patrícia Detroz Orientador: André Tavares da Silva Programa de Pós-Graduação em Computação Aplicada
Leia maisR.D. TREVIZAN* A. ROSSONI A.S. BRETAS UFRGS UFRGS UFRGS Brasil Brasil Brasil
DETECÇÃO E IDENTIFICAÇÃO DE PERDAS COMERCIAIS EM TRANSFORMADO- RES DE DISTRIBUIÇÃO UTILIZANDO PERFIS DE CARGA, CONSUMO MENSAL E FLORESTA DE CAMINHOS ÓTIMOS R.D. TREVIZAN* A. ROSSONI A.S. BRETAS UFRGS UFRGS
Leia maisMétodos de Agrupamento (Clustering) Aula 18
Métodos de Agrupamento (Clustering) Aula 18 Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br Existem duas classes
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisProjeto AM Francisco de A. T. de Carvalho 1
Projeto AM 2018-1 Francisco de A. T. de Carvalho 1 1 Centro de Informatica-CIn/UFPE Av. Prof. Luiz Freire, s/n -Cidade Universitaria, CEP 50740-540, Recife-PE, Brasil, fatc@cin.ufpe.br 1) No conjunto de
Leia maisSENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
SENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA 948 Metodologia para Avaliação das Perdas Técnicas em Redes de Baixa Tensão Utilizando Técnicas de Classificação O Caso da RGE A. Méffe
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisAlgoritmo da IFT 2 / 16. Algoritmo da IFT Estrutura da fila de prioridade Resolvendo empates. Algoritmo 1 Algoritmo geral da IFT
Transformada Imagem-Floresta (Estrutura de dados) Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br 1 / 16 Algoritmo
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisProf.: Eduardo Vargas Ferreira
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Prof.: Eduardo Vargas Ferreira O que é Machine Learning? Estatística Data Mining 2 O que é Machine Learning? Estatística
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisMonografia de Conclusão do Curso de Graduação em Engenharia Elétrica 2
ANÁLISE DAS PERDAS ELÉTRICAS DEVIDO A CONEXÃO DE GERAÇÃO DISTRIBUÍDA EM UM SISTEMA DE DISTRIBUIÇÃO SECUNDÁRIO 1 ANALYSIS OF ELECTRICAL LOSSES DUE TO DISTRIBUTED GENERATION CONNECTION IN A SECONDARY DISTRIBUTION
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisXX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil Altamiro Veríssimo da Silveira Jr. Choice Technologies S/A altamiro.junior@choice.com.br
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia maisMúltiplos Classificadores
Universidade Federal do Paraná (UFPR) Bacharelado em Informátia Biomédica Múltiplos Classificadores David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Múltiplos classificadores Combinação de classificadores
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Duda e Hart Capítulo 1 Reconhecimento de Padrões (imagem) Objetivo: Interpretar um conjunto de dados através de um mapeamento (classificação)
Leia maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia maisÁrvore de componentes Aula 8
Árvore de componentes Aula 8 Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br Decomposição por limiarização Uma imagem
Leia maisComputação Evolutiva no treinamento de Redes Neurais
Computação Evolutiva no treinamento de Redes Neurais Euclides Carlos Pinto Neto David Fernandes Neves Oliveira Macilio da Silva Ferreira PSI5886 - Prof. Emilio Del Moral Hernandez 1 Agenda Objetivo Otimização
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisÁrvore de componentes
Árvore de componentes Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br Decomposição por limiarização Uma imagem Î
Leia maisO uso da Inteligência Articial no auxílio à tomada de decisões para alocação dinâmica de recursos. F. C. Xavier
O uso da Inteligência Articial no auxílio à tomada de decisões para alocação dinâmica de recursos F. C. Xavier Technical Report - RT-INF_001-11 - Relatório Técnico June - 2011 - Junho The contents of this
Leia maisMétodos Não Paramétricos
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Métodos não Paramétricos Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Métodos Não Paramétricos Introduzir
Leia maisMétodos para Classificação: - Naïve Bayes.
Métodos para Classificação: - 1R; - Naïve Bayes. Visão Geral: Simplicidade em primeiro lugar: 1R; Naïve Bayes. 2 Classificação: Tarefa: Dado um conjunto de exemplos préclassificados, construir um modelo
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisTime Series Trend Detection and Forecasting Using Complex Network Topology Analysis
WAIAF 2018 Time Series Trend Detection and Forecasting Using Complex Network Topology Analysis Leandro Anghinoni Universidade de São Paulo DCM/RP Liang Zhao Universidade de São Paulo DCM/RP AGENDA Introdução
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisPUC-Rio. Subestações. Fluxo de Potência (Trabalho 2) PROFESSOR : Delberis Araujo Lima
PUC-Rio Fluxo de Potência (Trabalho 2) PROFESSOR : Delberis Araujo Lima 1 Considere os 19 consumidores fornecidos com as demandas representativas em carga leve, média e pesada alocados no alimentador na
Leia maisProblemas de Fluxo em Redes
CAPÍTULO 7 1. Conceitos fundamentais de grafos Em muitos problemas que nos surgem, a forma mais simples de o descrever, é representá-lo em forma de grafo, uma vez que um grafo oferece uma representação
Leia maisAlgoritmos de segmentação por corte em grafo generalizado
Algoritmos de segmentação por corte em grafo generalizado Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br Corte
Leia mais3 Teoria da Concatenação e Técnicas Estatísticas
Capacidade 30 3 Teoria da Concatenação e Técnicas Estatísticas A teoria apresentada neste capítulo resume-se na descrição da norma TIA/EIA TSB107 [1]. A necessidade de se prever os valores de PMD de um
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisScheduling and Task Allocation ADVANCED COMPUTER ARCHITECTURE AND PARALLEL PROCESSING Hesham El-Rewini 2005 Capítulo 10 Autor...: Antonio Edson Ceccon Professor..: Prof. Heitor Silvério Lopes Apresentação
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia mais6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5004 - APRENDIZADO DE MÁQUINA
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 18 Aprendizado Por Reforço Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisGRAFOS BUSCAS E MENOR CAMINHO. Prof. André Backes
8//6 GRAFOS BUSCAS E MENOR CAMINHO Prof. André Backes Busca em grafos Definição Consiste em explorar o grafo de uma maneira bem específica. Trata-se de um processo sistemático de como caminhar por seus
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisMineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisDeep Learning for Chinese Word Segmentation and POS Tagging
Deep Learning for Chinese Word Segmentation and POS Tagging Lin Yu Han Universidade Federal do Paraná Novembro 2015 Tagging: Sumário Sumário Introdução. Arquitetura da Rede Neural Experimentos Considerações
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisResolução de Problemas via Busca
Resolução de Problemas via Busca Aula #4.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã A 80 C 219 99 B 97 D 101 E 2 A 80 C 219 99 B 97 D 101 E Busca local com algoritmo
Leia maisMathematical Morphology An Overview
Universidade Federal Fluminense Instituto de Computação Mathematical Morphology An Overview Jacó Júlio de Souza Costa jacojulio@gmail.com jacojulio@id.uff.br March 29, 2019 Sumário 1 Definição do Tema
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia maisUniversidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2015.1 Análise de dados públicos de saúde com redes SOM Proposta de Trabalho de Graduação Aluno: Vítor Hugo Antero
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisCombinando Mineração de Textos e Análise de Redes Sociais para a Identificação das Áreas de Atuação de Pesquisadores
Combinando Mineração de Textos e Análise de Redes Sociais para a Identificação das Áreas de Atuação de Pesquisadores Bruno K. O. Miyata 1, Vitor Y. Kano 1, Luciano A. Digiampietri 1 1 Escola de Artes,
Leia maisAprendizado por Instâncias Janelas de Parzen & Knn
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Aprendizado por Instâncias Janelas de Parzen & Knn David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Aprendizado por
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia mais1. Introdução. Jorge Gustavo Sandoval Simão, Raimundo Celeste Ghizoni Teive. Universidade do Vale do Itajaí
Diferenciação de Perfis de Curva de Carga para Identificação de Perdas Não-Técnicas em Redes de Distribuição Utilizando Mineração de Dados e Aprendizado de Máquina Jorge Gustavo Sandoval Simão, Raimundo
Leia maisIgor dos Santos Montagner Orientador: Roberto Marcondes Cesar Junior 20/09/2010
Análise e conversão de tablóides de promoções Igor dos Santos Montagner Orientador: Roberto Marcondes Cesar Junior 20/09/2010 1 1 Introdução Com os avanços na área de computação e a demanda crescente por
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
Leia maisFundamentos de Entropia Máxima para Aplicação na Modelagem de Distribuição Geográfica de Espécies
Escola Politécnica da Universidade de São Paulo EPUSP Departamento de Engenharia de Computação e Sistemas Digitais PCS Laboratório de Linguagens e Técnicas Adaptativas LTA Laboratório de Automação Agrícola
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisMétodos de Análise de Dados (AO-802)
Métodos de Análise de Dados (AO-802) DADOS INFORMAÇÃO CONHECIMENTO Rodrigo A. Scarpel rodrigo@ita.br www.ief.ita.br/~rodrigo INTELIGÊNCIA Introdução: Revolução dos Serviços (final anos 80) Dilúvio de dados
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução Com o elevado índice de expansão dos sistemas elétricos de potência, os freqüentes aumentos nas interligações e o alto número de variáveis que envolvem
Leia maisProcessamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br 1 / 20 Uma imagem
Leia maisPalavras-chave: distribuição de energia elétrica; fluxo de potência; regulador de tensão.
Desenvolvimento e Modelagem de Regulador de Tensão para Fluxo de Potência em Redes de Distribuição de Energia Elétrica Rodrigo Mendonça de CARVALHO; Antônio Cesar Baleeiro ALVES Escola de Engenharia Elétrica
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia maisKanade-Lucas-Tomasi Tracker
COPPE-UFRJ Kanade-Lucas-Tomasi Tracker Ricardo Marroquim data entrega: pós-graduação: 18/05/2016 graduação: 27/05/2016 1 NOTAÇÕES Uma imagem é definida como uma função f (x, y), x, y Z, onde f (x, y) :
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisReconhecimento Facial 3D utilizando o Simulated Annealing com as Medidas Surface Interpenetration Measure e M-Estimator Sample Consensus
Reconhecimento Facial 3D utilizando o Simulated Annealing com as Medidas Surface Interpenetration Measure e M-Estimator Sample Consensus Dissertação de Mestrado em Informática Sídnei Augusto Drovetto Jr.
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisPROCESSAMENTO E ANÁLISE DE IMAGENS DE MICROARRANJOS DE DNA
U N I V E R S I D ADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2 0 0 8. 1 PROCESSAMENTO E ANÁLISE DE IMAGENS DE MICROARRANJOS DE DNA PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia mais