Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
|
|
- Maria Laura Vilanova Porto
- 5 Há anos
- Visualizações:
Transcrição
1 ESTUDO COMPARATIVO DE MÉTODOS PARA A CLASSIFICAÇÃO DA ATENÇÃO SELETIVA AUDITIVA Álvaro F. Bastos, Bianca S. Rocha, Leonardo B. Felix Núcleo Interdisciplinar de Análise de Sinais - NIAS, Departamento de Engenharia Elétrica, Universidade Federal de Viçosa - UFV Av. Peter Henry Rolfs, Campus Universitário - CEP: Viçosa, MG - Brasil s: alvaro.bastos@ufv.br, bianca.santos@ufv.br, leobonato@ufv.br Abstract The auditory selective attention is related to the mental capacity of focusing the attention on determined stimulus, while ignoring others present at the same time. The nervous system creates evoked potentials due to this selective attention, thus enabling its classification. Using simultaneously Neural Networks, Support Vector Machines, and Magnitude Squared Coherence yields high success rates in the determination in which ear the user is focusing his/her attention. Keywords Auditory Selective Attention, Auditory Evoked Potentials, Artificial Neural Networks, Support Vector Machines, Magnitude Squared Coherence. Resumo A atenção seletiva auditiva está relacionada à capacidade mental de focar a atenção em determinados estímulos, ignorando os demais presentes simultaneamente. O sistema nervoso gera potenciais evocados em função dessa atenção seletiva, possibilitando a sua posterior classificação. A utilização conjunta dos métodos Redes Neurais, Máquinas de Vetores de Suporte e Magnitude Quadrática de Coerência fornecem altas taxas de acerto na determinação de qual ouvido o usuário está focando sua atenção. Palavras-chave Atenção Seletiva Auditiva, Potencial Evocado Auditivo, Rede Neural Artifical, Máquinas de Vetores de Suporte, Magnitude Quadrática de Coerência. 1 Introdução Atenção seletiva é definida como a capacidade de focar em alguma atividade mental em detrimento de outras, representando a resistência a estímulos distratores (Butler, 1983). Um caso clássico dessa situação foi definido por Cherry (1953) como Cocktail Party Effect, em que cada indivíduo consegue focar sua atenção apenas em determinado locutor em um ambiente que apresenta uma mistura de conversas e ruídos de fundo. Esse fato é ilustrativo da limitação do processamento paralelo do sistema nervoso. Estudos realizados anteriormente indicaram que a audição seletiva humana produz uma alteração quantificável na resposta ao estímulo focado (Hillyard et al., 1973). Essa resposta do sistema nervoso causada por estímulos sonoros é denominada Potencial Evocado Auditivo (PEA), podendo ser classificado em transitório ou de regime permanente, variando de acordo com o tipo de estímulo aplicado. A aplicação de um tom a taxas suficientemente elevadas, evitando a sobreposição com a resposta de estímulos sonoros anteriores, gera as Respostas Auditivas de Regime Permanente (ASSR - Auditory Steady State Responses), possibilitando a gravação de seus valores a partir do escalpo humano. Um sinal modulado em amplitude (AM), por exemplo, causa uma resposta em regime permanente, caracterizada por um aumento de energia na frequência da moduladora no espectro de potência do sinal registrado, sendo que o ouvido humano comporta-se como um demodulador AM (Galambos et al., 1981). Os valores do PEA sofrem alterações em distúrbios neurológicos causados por tumores, lesões, doenças desmielinizantes e distúrbios funcionais. Dessa forma, é uma ferramenta para diagnóstico de déficits auditivos (tais como lesões e tumores nas vias auditivas) que podem ser observados mesmo em caso neonatais e na avaliação da capacidade auditiva para altas frequências. Além disso, essa ferramenta possibilita a verificação da maturidade elétrica de vias em neonatos, assim como na avaliação do grau de coma e determinação de morte cerebral (Lima et al., 2009). Devido à importância dos Potenciais Evocados Auditivos originados através da atenção seletiva, o objetivo desse trabalho é analisar técnicas computacionais que possibilitem a classificação dessas ocorrências. Cada usuário será estimulado com sinais sonoros de frequências distintas simultâneos, devendo focar sua atenção em determinado estímulo (previamente informado a ele). A análise será em função da capacidade dos modelos obtidos em identificar corretamente o estímulo em que o voluntário focou a atenção. 2.1 Estimulação 2 Metodologia Os estímulos sonoros apresentados aos voluntários consistem de um tom senoidal puro modulado em amplitude (tom AM), descrito de acordo com a Equação 1, onde A é a amplitude do sinal, λ é a profundidade de modulação, f c e f m são as frequências da onda portadora e moduladora, res- 2896
2 pectivamente. s(t) = A λ sin(2πf ct)(1 + λsin(2πf m t)) (1) A profundidade de modulação foi fixada em 100% e intensidade sonora de 75,8dB. Para o ouvido esquerdo, adotou-se a frequência da portadora em 500Hz e da moduladora em 32Hz; no ouvido direito, esses valores foram 2000Hz e 38Hz, respectivamente. De acordo com Felix et al. (2005), as frequências das moduladoras foram ajustadas para a frequência mais próxima que resulte em um número primo de ciclos em 1024 pontos, de forma a evitar o espalhamento espectral na detecção objetiva da ASSR, resultando em 31,132 e 39,356Hz. Inicialmente executa-se cada estímulo individualmente por 5s para instruir o voluntário e facilitar o reconhecimento do som posteriormente, quando os dois sinais sonoros são executados simultaneamente por 2 minutos. Os fones de ouvidos utilizados, além de representar o sistema de entrega de som, também selam completamente os ouvidos, atenuando os ruídos em torno de 30 a 40dB. 2.2 Aquisição dos dados O estudo contou com a participação de 14 voluntários, resultando em um banco de dados composto por 28 arquivos (2 para cada voluntário: estimulação no ouvido esquerdo e direito). Os dados foram coletados do eletroencefalograma seguindo o Sistema Internacional 10-20, que padroniza o posicionamento dos eletrodos no escalpo do voluntário, conforme ilustrado na Figura 1. Figura 1: Sistema Internacional A - vista lateral, B - vista superior. A coleta dos sinais foi realizada com o amplificador de sinais biológicos BrainNet BNT-36, com filtro passa-faixa entre 0,1 e 100Hz, frequência de amostragem de 600Hz e referência Oz em uma cabine acusticamente isolada. A etapa de coleta foi aprovada pelo Comitê de Ética em Pesquisa com Seres Humanos da Universidade Federal de Viçosa. 2.3 Processamento dos dados Os dados disponíveis foram separados em dois grupos: um para o treinamento e obtenção dos parâmetros do modelo (10 voluntários ou 20 arquivos de dados) e outro para a validação do modelo previamente obtido (4 voluntários ou 8 arquivos de dados), verificando a taxa de acertos obtida na classificação da atenção. Antes de realizar o treinamento das redes de classificação, os sinais coletados dos eletrodos precisam ser processados para remover ruídos e otimizar a obtenção dos parâmetros a serem utilizados na fase de classificação. Inicialmente aplicouse um filtro rejeita-faixa para remover a componente espectral de 60 Hz da rede elétrica (suas componentes harmônicas foram filtradas pelo filtro passa-faixa do BrainNet), que em geral apresentam elevado nível de potência. Conforme discutido por Amabile et al. (2008), sinais coletados de eletroencefalogramas podem conter artefatos provenientes da movimentação dos olhos, piscamento palpebral, movimentação muscular e linha de base, os quais geralmente apresentam amplitude maior que a do próprio sinal, acarretando em interpretações errôneas dos sinais. A rejeição de artefatos objetiva remover trechos do sinal que contenham essas interferências indesejadas. O método de rejeição adotado baseia-se no desvio padrão de um segmento de referência (preferencialmente que não contenha artefatos) com cerca de 20 segundos de duração. O trecho analisado será rejeitado se possuir mais de 5% de amostras contínuas ou mais de 10% de quaisquer amostras coletadas excedendo o limiar de 3 desvios padrão (a escolha desse limiar assegura a presença de 99,7% dos dados, assumindo uma distribuição normal para as amplitudes do EEG) (Infantosi et al., 2006). A elevada quantidade de dados coletados sugere a aplicação de algum método estatístico para reduzir sua dimensão, mantendo o máximo possível da variação observada no conjunto inicial. Essa etapa é especialmente importante para acelerar a classificação online da atenção auditiva. Uma das técnicas mais comumente utilizadas na redução de dados em processos de reconhecimento de padrões, e que será utilizada nesse trabalho, é a Análise de Componentes Principais (PCA - Principal Component Analysis). Seu objetivo é obter um conjunto de valores linearmente descorrelacionados e com a maior variância possível, sendo que as primeiras componentes são as mais significativas para representar a variância observada nos dados originais, além de conter menos redundância (Haykin, 1999). De fato, a utilização de apenas 5 componentes dos dados de treinamento é capaz de explicar cerca de 99% de sua variância, conforme Figura 2, 2897
3 sendo, por isso, uma boa aproximação na redução da dimensão dos dados no presente trabalho. Figura 2: Variância por componente principal. Os dados obtidos pelo eletroencefalograma representam um série temporal, que de acordo com Hefftner et al. (1988) podem ser aproximados por um modelo autorregressivo (AR) de ordem finita. Esse modelo corresponde a um filtro com entrada ruído branco de média 0 e desvio padrão 1, sendo o valor atual do processo estimado a partir da soma ponderada dos p (ordem do modelo) valores passados. A ordem do modelo é relacionada à quantidade de informação necessária para representar os dados coletados. Os coeficientes do modelo AR serão utilizados como a entrada para treinamento e do classificador da atenção auditiva. Nesse trabalho, o treinamento de cada tipo de classificador será realizado com várias combinações da ordem de PCA e do modelo AR, de forma a obter o que produza melhores taxas de acerto. Todo o trabalho foi desenvolvido utilizando o software Matlab R, desde a coleta dos dados até a classificação dos potenciais evocados. 2.4 Magnitude quadrática de coerência A magnitude quadrática de coerência (MSC - Magnitude Squared Coherence) é uma técnica para examinar a relação existente entre dois sinais. Seu valor é utilizado para indicar o grau de dependência linear entre as componentes harmônicas do estímulo e a resposta obtida no eletroencefalograma; a estimativa da MSC entre dois sinais aleatórios, discretos e de duração finita x[k] e y[k] (X e Y representam a Transformada de Fourier desses sinais, respectivamente) é dada conforme Equação 2 (Dobie and Wilson, 1989). ˆγ 2 xy(f) = 2 M Xi (f)y i (f) i=1 (2) M M X i (f) 2 Y i (f) 2 i=1 i=1 A MSC pode ser utilizada como um potencial detector de respostas a estímulos, desde que o estímulo em questão seja sempre o mesmo e a janela sincronizada com ele (Sá and Felix, 2002). Os valores críticos que representam os limiares para a detecção objetiva, a partir dos quais é possível determinar se não existe resposta detectada, são dados pela Equação 3, sendo α o nível de significância do teste. A detecção é obtida a partir da rejeição da hipótese nula (ausência de resposta) quando os valores da coerência excedem o valor crítico. ˆγ xy crit 2 = 1 α 1 M 1 (3) Aplicando a magnitude quadrática de coerência, Ranaudo et al. (2012) obteve taxas de acerto na ordem de 82% na determinação do ouvido em que o voluntário está focando sua atenção. 2.5 Rede Neural Artificial Redes neurais artificiais (RNA) são modelos matemáticos inspirados no sistema nervoso central humano e animal, porém de complexidade significativamente menor. Esses modelos são capazes de aprendizado e reconhecimento de padrões, sendo melhor ajustáveis a funções não-lineares. As unidades processadoras da rede neural, também chamadas de neurônios artificiais, estão interconectados e trocam sinais entre si. Elas são capazes de realizar funções coletivamente e em paralelo, ao invés de existir uma delimitação de subtarefas para cada unidade (Marques, 2001). A estrutura mais simples de uma rede neural é composta de 2 layers, com M entradas e N saídas. Cada uma das entradas é conectada a todas as saídas, sendo que cada uma dessas conexões é associada a um peso, conforme Figura 3. Os valores de cada um desses pesos é adaptativo, representando parâmetros numéricos que são ajustados através do algoritmo de aprendizado. Em geral, os pesos da rede neural são determinados de forma incremental à medida que novos valores entrada-saída estão disponíveis; isso diminui o esforço computacional, uma vez que não é necessário a presença de todo o conjunto de treinamento ao mesmo tempo (Yegnanarayana, 2009). Entre os diversos algoritmos disponíveis para o ajustes dos pesos, utilizou-se o de Levenberg- Marquardt (função trainlm do MATLAB) por ser geralmente o mais rápido e o mais indicado como primeira opção de teste. Além disso, adotou-se a rede neural com apenas uma camada oculta de neurônios. Após a ponderação de todas as entradas pelos seus respectivos pesos, um combinador linear agrega todos esses valores para produzir um potencial de ativação. Outro parâmetro da rede é o limiar de ativação, que representa um patamar de comparação para gerar o valor de saída do neurônio; o potencial produzido pelo neurônio será ex- 2898
4 Figura 3: Esquema básico de rede neural artificial (adaptado de Silva et al. (2010)). citatório ou inibitório, em função do valor da diferença entre a saída do combinador linear e o limiar de ativação ser positivo ou negativo, respectivamente (Silva et al., 2010). Para garantir que a saída do neurônio seja limitada, o potencial de ativação é aplicado a uma função de ativação, a qual faz com que a saída esteja limitada entre certos valores. Além disso, o uso de funções não-lineares possibilita o uso de RNA para dados complexos. Para funções do tipo Heaviside, como a função limiar, a linear por partes e a sigmóide (a forma mais utilizada, apresentando um equilíbrio entre os comportamentos lineares e não-lineares), os valores de saída situamse entre 0 e 1, assumindo o valor 1 se o campo de tal neurônio é não-negativo e 0 caso contrário. Caso seja necessário, pode-se fazer a função de ativação variar entre -1 e 1, assumindo uma forma antissimétrica em relação à origem; são exemplos desse tipo a função sinal e a tangente hiperbólica (Haykin, 1999). Nesse trabalho, optou-se por utilizar a função sigmóide simétrica, atribuindo os valores 0 e 1 para a atenção auditiva nos ouvidos direito e esquerdo, respectivamente. Com o objetivo de determinar a melhor combinação entre o número de componentes principais e a ordem do modelo AR (a qual foi estipulada em ser no máximo 10), verificou-se a taxa de acerto obtida pela rede neural com o conjunto dos dados de validação, conforme representado na Figura 4. Fica evidente que o aumento na ordem do modelo AR e na quantidade de componentes principais utilizadas na obtenção da rede neural tende a aumentar a taxa de acertos, às custas da redução da velocidade do processo de identificação. Na gama de valores considerados, o modelo AR de ordem 8 e com 4 componentes principais resultou em uma taxa de acerto da ordem de 95%, valor significativamente elevado. 2.6 Máquinas de Vetores de Suporte A Máquina de Vetores de Suporte (SVM - Support Vector Machine) é um método de reconhe- Figura 4: Variação da taxa de acerto da rede neural artificial. cimento de padrões utilizado em dados que podem ser classificados em exatamente duas categorias (Cortes and Vapnik, 1995). Essa característica o torna apropriado para o problema analisado nesse trabalho, em que as duas categorias são representadas pela atenção nos ouvidos esquerdo e direito, respectivamente. A ideia central desse método é obter hiperplanos separando os pontos das duas classes distintas; o hiperplano que apresenta a maior distância em relação aos dados de treinamento é considerado o melhor, pois assume-se que a maior margem de separação corresponde à melhor generalização do classificador. Os dados mais próximos do hiperplano ótimo são denominados vetores de suporte, pois o caracterizam e são os mais informativos no processo de classificação (Duda et al., 2001). A Figura 5 representa um caso genérico bidimensional da aplicação do SVM. Cada categoria é representada por círculos brancos e cinzas, respectivamente, e cada ponto marcado com X corresponde a um vetor de suporte. O hiperplano ótimo obtido com esses dados de treinamento é representado pela reta central. Figura 5: Representação básica da obtenção do hiperplano ótimo. Em casos como o ilustrado, com variáveis linearmente separáveis, torna-se simples obter a fronteira de decisão do método. Entretanto, dados 2899
5 práticos geralmente não apresentam essa característica, sendo necessário transformá-los para outro espaço dimensional na tentativa de torná-los mais espaçados e, consequentemente, separáveis. Comumente utiliza-se uma função Kernel para essa transformação, uma vez que esta simplifica o cálculo do produto interno (Wu and Wang, 2009). Para esses casos, Hsu et al. (2010) propõe utilizar a função de base radial gaussiana (RBF - Gaussian Radial Basis Function). A grande quantidade de dados provenientes dos eletrodos (mesmo após seu processamento com PCA e AR) torna inviável sua visualização para a análise de sua separabilidade. Por isso, inicialmente optou-se por utilizar a função kernel linear (default do Matlab R ) e verificar a eficiência do método de classificação assim obtido. Seguindo o mesmo procedimento para o treinamento da RNA, variou-se os valores do número de componentes principais e da ordem do modelo AR para obter a respectiva taxa de acerto, conforme ilustrado na Figura 6. O treinamento e classificação foram realizados a partir das funções svmtrain e svmclassify do MATLAB, respectivamente. na seção anterior, apresentou-se a taxa de acertos máxima obtida para cada um deles considerandose os potenciais obtidos dos eletrodos durante os 17 segundos iniciais de estimulação. Como essas taxas para RNA e SVM foram significativamente superiores daquela obtida pelo método da Magnitude Quadrática de Coerência, apenas os dois primeiros serão analisados em maiores detalhes. Aplicando os mesmos dados na entrada dos modelos RNA e SVM, observou-se que em algumas situações eles fornecem resultados contraditórios; isto é, enquanto RNA indica que o voluntário focou sua atenção no ouvido esquerdo, SVM identifica o foco da atenção no ouvido direito, e vice-versa. Essa situação é ilustrada na Figura 7. Analisando apenas os 17 segundos iniciais da estimulação, os dois métodos de classificação foram condizentes em 71,43% dos voluntários, sendo 67,86% classificados corretamente. Figura 7: Taxa de voluntários com atenção seletiva classificada por RNA e SVM. Figura 6: Variação da taxa de acerto do Support Vector Machine. A utilização de componentes principais mais elevadas e alta ordem do modelo AR tendem a aumentar a taxa de acertos obtida, apesar de verificar-se uma saturação desse valor. Na gama de combinações testadas, o melhor resultado é obtido com 5 componentes principais e modelo AR de ordem 6, o qual foi capaz de classificar corretamente todos os estímulos do conjunto de validação. Além disso, as elevadas taxas de acerto obtidas sugerem que a função de ativação linear é adequada para esse estudo, não sendo necessário utilizar funções não-lineares que aumentariam a complexidade do modelo. 3 Resultados e Discussão Durante a apresentação dos três métodos de classificação da atenção seletiva utilizada nesse trabalho Na tentativa de aumentar a taxa de classificação, considerou-se maiores intervalos de tempo (máximo de 85 segundos). A Figura 7 deixa evidente que a coleta de dados por mais tempo provoca maior similaridade nos resultados obtidos independentemente pelos dois classificadores. Por exemplo, aos 85 segundos de coleta, apenas o teste de 1 indivíduo não teve classificação satisfatória pelos dois métodos. Entretanto, a taxa de acertos não acompanhou o crescimento do total de exames classificados. Percebe-se facilmente que, a partir dos 17 segundos, a classificação de maior parte dos novos testes resultou em erros na identificação da atenção auditiva. Acredita-se que isso não seja devido aos parâmetros do modelo; o fator que provavelmente mais contribuiu para as elevadas taxas de erro para longos tempo de coleta foi a falta de atenção do voluntário. De fato, a concentração em determinado estímulo é maior no início do teste e tende a decair ao longo do tempo, sendo que para algumas pessoas a capacidade dessa concentração inicial dura apenas poucos segundos. 2900
6 4 Conclusões Os resultados na validação dos três modelos de classificação discutidos representam altas taxas de acerto, muito superior ao que seria esperado de um processo aleatório (50% para esquerda e 50% para direita). Isso evidencia que o treinamento para obtenção dos parâmetros do modelo foi bem sucedido. Para aumentar a confiabilidade em relação ao lado da atenção detectada, optou-se por considerar que a classificação foi realizada apenas se ambos os métodos RNA e SVM fornecerem o mesmo resultado. Nessa situação, a taxa de acertos para aproximadamente 1,5 minutos de coleta foi 78,86%, apesar de verificar-se que o aumento na duração da coleta não representa acréscimos expressivos na taxa de acertos. Com a comprovação da validade desses métodos na classificação da atenção seletiva auditiva, será viável utilizar tais métodos para testes online, em que a detecção do lado da atenção é realizado ao mesmo tempo em que os dados são coletados. Agradecimentos Os autores agredecem ao CNPq pelo apoio financeiro, o que possibilitou o desenvolvimento desse trabalho. Referências Amabile, R. A. N., Miranda, R. A., Tierra-Criollo, C. J., Mendes, E. M. A., Pompéia, S. and Manzano, G. M. (2008). Remoção automática de artefatos em sinais de EEG usando Local SSA, XVII Congresso Brasileiro de Automática. Butler, K. G. (1983). Language processing: selective attention and mnemonic strategies, Park Press. Cherry, E. C. (1953). Some experiments on the recognition of speech, with one and with two ears, The Journal of the Acoustical Society of America 25: Cortes, C. and Vapnik, V. (1995). Support vector networks, Machine Learning 20: Dobie, R. A. and Wilson, M. J. (1989). Analysis of auditory evoked responses by magnitude squared coherence, Ear Hearing 10: Duda, R. O., Hart, P. E. and Stork, D. G. (2001). Pattern Classification, 2nd edn, John Wiley & Sons. Felix, L. B., Moraes, J. E., Sá, A. M. M., Yehia, H. C. and Moraes, M. F. (2005). Avoiding spectral leakage in objective detection of auditory steady-state evoked responses in the inferior colliculus of rat using coherence, Journal of Neurosciece Methods 144(2): Galambos, R., Makeig, S. and Talmachoff, P. J. (1981). A 40-hz auditory potential recorded from the human scalp, Proceedings of the National Academy of Sciences of the United States of America 78: Haykin, S. S. (1999). Neural Networks: A Comprehensive Foundation, 2nd edn, Prentice Hall. Hefftner, G., Zucchini, W. and Jaros, G. G. (1988). The electromyogram (EMG) as a control signal for functional neuromuscular stimulation - autoregressive modeling as a mean of EMG signature discrimination, Biomedical Engineering, IEEE Transactions 35: Hillyard, S., Hink, R., Schwent, V. and Picton, T. (1973). Electrical signs of selective attention in the human brain, Science 182: Hsu, C.-W., Chang, C.-C. and Lin, C.-J. (2010). A practical guide to support vector classification. Department of Computer Science, National Taiwan University, Taiwan. Infantosi, A. F. C., Melges, D. B. and Tierra- Criollo, C. J. (2006). Use of magnitudesquared coherence to identify the maximum driving response band of the somatosensory evoked potential, Brazilian Journal of Medical and Biological Research 39: Lima, T. M. A., Crato, A. N., Mancini, P. C., oes, L. C. S. and Gonçalves, D. U. (2009). Alterations in early auditory evoked potentials in multiple sclerosis patients, Revista Brasileira de Otorrinolaringologia 75. Marques, J. P. (2001). Pattern Recognition - Concepts, Methods and Applications, Springer. Ranaudo, F. S., Sá, A. M. F. L. M. and Felix, L. B. (2012). Magnitude quadrática de coerência aplicada à classificação da atenção seletiva auditiva. Sá, A. M. M. and Felix, L. B. (2002). Improving the detection of evoked responses to periodic stimulation by using multiple coherence - application to EEG during phot stimulation, Medical, Engineering and Physics 24: Silva, I. N., Spatti, D. H. and Flauzino, R. A. (2010). Redes Neurais Artificiais para Engenharia e Ciências Aplicadas - Curso Prático, Artliber. 2901
7 Wu, K.-P. and Wang, S.-D. (2009). Choosing the kernel parameters for support vector machines by the inter-cluster distance in the feature space, Pattern Recognition 42: Yegnanarayana, B. (2009). Artificial Neural Networks, PHI Learning Pvt. Ltd. 2902
SISTEMA PARA DETECÇÃO EM TEMPO REAL DE RESPOSTAS EVOCADAS AUDITIVAS: APLICAÇÃO EM INTERFACES CÉREBRO COMPUTADOR Fernando de Souza Ranaudo, Antônio Maurício F. L. Miranda de Sá, Leonardo Bonato Felix LAPIS/Programa
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 maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
XIII Simpósio Brasileiro de Automação Inteligente MINIMIZANDO O ESPALHAMENTO ESPECTRAL EM RESPOSTAS AUDITIVAS EM REGIME PERMANENTE USANDO O FATOR DE CORREÇÃO DE DESVIO ESPECTRAL FELIPE ANTUNES, BRENDA
Leia maisAnais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
TESTE F COMO FERRAMENTA DE DETECÇÃO DE RESPOSTA OBJETIVA MULTIVARIÁVEL Paulo F. F. Rocha, Eduardo M. A. M. Mendes, Leonardo B. Felix Programa de Pós-Graduação em Engenharia Elétrica - Universidade Federal
Leia maisAnais do XIX Congresso Brasileiro de Automática, CBA 2012.
Anais do XIX Congresso Brasileiro de Automática, CBA 2012. INVESTIGAÇÃO DA ATENÇÃO SELETIVA AUDITIVA USANDO MÁQUINAS DE VETOR DE SUPORTE E REDES NEURAIS ARTIFICIAIS. MATHEUS J. S. PEDROSA, DIEGO M. DOURADO,
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
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 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 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 maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisÁLVARO FURLANI BASTOS ESTUDO DE MÉTODOS CLASSIFICATÓRIOS DA ATENÇÃO SELETIVA AUDITIVA A PARTIR DE POTENCIAIS CEREBRAIS EVOCADOS
UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA ELÉTRICA ÁLVARO FURLANI BASTOS ESTUDO DE MÉTODOS CLASSIFICATÓRIOS DA ATENÇÃO SELETIVA AUDITIVA A PARTIR
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisUma abordagem educacional para o estudo de OFDM
Uma abordagem educacional para o estudo de OFDM Bruno A. Pereira 1, Henrique T. Kuehne 2, Luciano L. Mendes 3 e José S. G. Panaro 4 Resumo O objetivo deste artigo é apresentar um conjunto de ferramentas
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 maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
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 mais06/01/2011. Desenvolvendo equipamentos para a avaliação eletrofisiológica. Introdução. Introdução. Potenciais evocados. Avaliação do PEA e do VEMP
Desenvolvendo equipamentos para a avaliação eletrofisiológica Introdução Potenciais evocados auditivos (PEA) e Miogênicos vestibulares (VEMP) Método objetivo considerado eficiente na observação da integridade
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 maisParâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução.
Parâmetros importantes de um Analisador de Espectros: Faixa de frequência Exatidão (frequência e amplitude) Sensibilidade Resolução Distorção Faixa dinâmica Faixa de frequência: Determina as frequências
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 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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
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 maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia mais4 Pré-Processamento e Extração de Características
42 4 Pré-Processamento e Extração de Características Uma vez digitalizados, os sinais EEG precisam ser pré-processados, o que é feito basicamente em quatro etapas: eliminação de ruídos remanescentes, filtragem
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisPCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Programa de Pós-Graduação em Ciência da Computação PCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial Eduardo Luz Rensso Mora
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 maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisUm Tutorial em processamento de sinais para EEG
Um Tutorial em processamento de sinais para EEG Técnicas para reconhecimento de estados mentais em Interfaces Cérebro-Computador Grupo de Pesquisa em Computação Musical - IME/USP March 14, 2016 Interfaces
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 maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia mais7 Extração de Dados Quantitativos
Capítulo 7 - Extração de Dados Quantitativos 119 7 Extração de Dados Quantitativos A técnica de medição desenvolvida e descrita nos capítulos anteriores produz como resultado a variação temporal da espessura
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisCLASSIFICAÇÃO COM MÁQUINA DE VETORES DE SUPORTE E COERÊNCIA NA IMAGÉTICA MOTORA COM PRÁTICA MENTAL
CLASSIFICAÇÃO COM MÁQUINA DE VETORES DE SUPORTE E COERÊNCIA NA IMAGÉTICA MOTORA COM PRÁTICA MENTAL Erazo-Costa, F., Santos,C.C. 2, Gomes, M.E.D and Tierra-Criollo, C.J.,2 Programa de Pós-Graduação em Engenharia
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisIntrodução a filtros digitais. Theo Pavan e Adilton Carneiro TAPS
Introdução a filtros digitais Theo Pavan e Adilton Carneiro TAPS Filtro anti-aliasing Com um sinal já digitalizado não é possível distinguir entre uma frequência alias e uma frequência que realmente esteja
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
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 maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisReconhecimento de Padrões de EEG Relacionados a Potenciais Evocados por Foto-Estimulação Intermitente
Reconhecimento de Padrões de EEG Relacionados a Potenciais Evocados por Foto-Estimulação Intermitente Mauricio Kugler 1, Ivana Naomi Mukai 2, Heitor S. Lopes 3, Valfredo Pilla Júnior 4 1,2,3,4 Laboratório
Leia maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
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 maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisUm Wrapper para Seleção de Eletrodos em Interfaces Cérebro Computador Baseadas em Imaginação de Movimento
Um Wrapper para Seleção de Eletrodos em Interfaces Cérebro Computador Baseadas em Imaginação de Movimento Maria B Kersanach Luisa F S Uribe Thiago B S Costa Romis Attux 2015-2016 Interface Cérebro Computador:
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia maisPotencial Evocado Auditivo de Estado Estável (ASSR) / Neuro-Audio. Fga. Mara Rosana Araújo
Potencial Evocado Auditivo de Estado Estável (ASSR) / Neuro-Audio Fga. Mara Rosana Araújo mara@neurosoftbrasil.com.br Atividade bioelétrica provocada por uma estimulação auditiva. Os potenciais evocados
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia maisdetecção de voz cantada em sinais de áudio polifônicos
detecção de voz cantada em sinais de áudio polifônicos Aplicações, Abordagens e Desafios Shayenne Moura 23. April 2018 Instituto de Matemática e Estatística Universidade de São Paulo o problema Detecção
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisProcessamento de Sinais e Imagem
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Projecto de filtros Processamento
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisCATHERINE SALVADOR HENRIQUE BUSCA DE ARRANJOS DE DETECTORES ÓTIMOS NA ESTIMACÃO DO AUDIOGRAMA USANDO A MAGNITUDE QUADRÁTICA DA COERÊNCIA MÚLTIPLA
UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA ELÉTRICA CATHERINE SALVADOR HENRIQUE BUSCA DE ARRANJOS DE DETECTORES ÓTIMOS NA ESTIMACÃO DO AUDIOGRAMA
Leia maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisReconhecimento de Sinais EMG (Plano Horizontal Sem Carga)
Reconhecimento de Sinais EMG (Plano Horizontal Sem Carga) Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Thiago Henrique do Nascimento N FEI: 111107778-0 Início:
Leia maisAbordagem para Extração Automática de Características para Reconhecimento de Aves Tinamidae Baseada em Análise Espectral
Abordagem para Extração Automática de Características para Reconhecimento de Aves Tinamidae Baseada em Análise Espectral Paulo Francisco da CONCEIÇÃO Escola de Engenharia Elétrica e de Computação pfrancisco43@gmail.com
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisUNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA ELÉTRICA DIEGO MARQUES DOURADO
UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA ELÉTRICA DIEGO MARQUES DOURADO CLASSIFICAÇÃO DA ATENÇÃO SELETIVA AUDITIVA EM INTERFACE CÉREBRO-COMPUTADOR
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisProjeto Multiresolução de Operadores Morfológicos. Morfológicos a Partir de Exemplos
Projeto Multiresolução de Operadores Morfológicos a Partir de Exemplos Daniel André Vaquero Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística (IME)
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisPlano de Pesquisa. Emprego das Funções de Gabor Sintonizadas para a Análise de Sinais e a Modelagem Neuronal
Plano de Pesquisa Emprego das Funções de Gabor Sintonizadas para a Análise de Sinais e a Modelagem Neuronal Sílvia Mara da Costa Campos Victer Instituto de Computação, UFF 17 de março de 2014 Plano de
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 maisAVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisAnais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
MÉTODO DE DETECÇÃO OBJETIVA DE RESPOSTAS EM MEIOS RUIDOSOS A PARTIR DO TESTE F OCA MÚTIPO GUSTAVO. MOURÃO, EONARDO B. FEIX, EDUARDO M. A. M. MENDES Nias Núcleo Interdisciplinar de Análise de Sinais, Departamento
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisCENTRO DE CIÊNCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE ACADÊMICA DE TECNOLOGIA DE ALIMENTOS DISCIPLINA: FÍSICA II ONDAS SONORAS. Prof.
CENTRO DE CIÊNCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE ACADÊMICA DE TECNOLOGIA DE ALIMENTOS DISCIPLINA: FÍSICA II ONDAS SONORAS Prof. Bruno Farias Ondas Sonoras De todas as ondas mecânicas da natureza,
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Leia mais