Boletim de Ciências Geodésicas ISSN: Universidade Federal do Paraná Brasil
|
|
- Washington Fidalgo Caminha
- 8 Há anos
- Visualizações:
Transcrição
1 Boletm de Cêncas Geodéscas ISSN: Unversdade Federal do Paraná Brasl ANDREOLA, RAFAELA; HAERTEL, VITOR CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Boletm de Cêncas Geodéscas, vol. 16, núm. 2, abrl-juno, 2010, pp Unversdade Federal do Paraná Curtba, Brasl Dsponível em: Como ctar este artgo Número completo Mas artgos Home da revsta no Redalyc Sstema de Informação Centífca Rede de Revstas Centífcas da Amérca Latna, Carbe, Espanha e Portugal Projeto acadêmco sem fns lucratvos desenvolvdo no âmbto da ncatva Acesso Aberto
2 CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Classfcaton of Hyperspectral Images wth Support Vector Machnes RAFAELA ANDREOLA VITOR HAERTEL Unversdade Federal do Ro Grande do Sul UFRGS Centro Estadual de Pesqusas em Sensoramento Remoto e Meteorologa - CEPSRM Caxa Postal CEP Porto Alegre - RS, Brasl rafaela.andreola@gmal.com; vctor.haertel@ufrgs.br. RESUMO Neste estudo é nvestgado o desempenho do classfcador Support Vector Machnes (SVM) na classfcação de magens em alta dmensonaldade. Como SVM opera em um par de classes a cada vez, propõe-se aqu a sua mplementação em uma estrutura em forma de árvore bnára, onde somente duas classes são tratadas em cada nó. A acuráca da magem temátca produzda por este esquema de classfcação é avalada para duas funções kernel dstntas e em função do valor para dmensonaldade dos dados. Os testes foram realzados empregando magens hperespectras adqurdas pelo sstema sensor AVIRIS. São aqu apresentados e dscutdos os resultados obtdos. Palavras-chave: Support Vector Machnes; Classfcador em Árvore Bnára; Sensoramento Remoto; Imagens Hperespectras. ABSTRACT In ths study we nvestgate the performance of the Support Vector Machnes (SVM) classfer when appled to the classfcaton of hgh dmensonal remotely sensed mage data. As SVM deals wth a par of classes at a tme, we propose ts mplementaton n a bnary tree approach where two classes only are dealt wth at each node. The accuracy of the thematc mage produced by ths classfcaton scheme was evaluated for two dfferent kernel functons and dfferent data dmensonalty. Tests were performed usng hperspectral mage data collected by the sensor system AVIRIS. Results are presented and dscussed.
3 Andreola, R. e Haertel, V Keywords: Hyperspectral Image Data; Support Vector Machnes; Bnary Tree Classfer; Remote Sensng. 1. INTRODUÇÃO Dados em alta dmensonaldade (hperespectras) podem oferecer um poder dscrmnante bem mas elevado do que dados tradconas em baxa dmensonaldade. FUKUNAGA (1990) demonstra que classes espectralmente muto semelhantes entre s (classes que compartlham vetores de médas muto próxmos) podem, frequentemente, ser separadas satsfatoramente em espaços de dmensão mas alta. Esta é uma das motvações para o desenvolvmento de sstemas sensores com um número grande de bandas espectras, conhecdos como sensores hperespectras. Entretanto, uma das prncpas dfculdades que surgem no processo de classfcação de dados em alta dmensonaldade por meo de classfcadores paramétrcos como, por exemplo, o da Máxma Verossmlhança Gaussana (MVG), dz respeto ao número geralmente lmtado de amostras de trenamento dsponíves, em comparação com o número de parâmetros a serem estmados. Um número lmtado de amostras de trenamento resulta em uma estmatva pouco confável dos parâmetros e, conseqüentemente, em um valor reduzdo na acuráca da magem temátca produzda. Este fato pode ser comprovado varando a dmensonaldade dos dados. Incando o processo de classfcação com dados em dmensonaldade reduzda, a acuráca da magem temátca tende ncalmente a aumentar na medda em que nformações adconas (na forma de bandas espectras) são ncluídas. Em um determnado momento, a acuráca atnge um máxmo para em seguda passar a dmnur, na medda em que a dmensonaldade dos dados contnua a aumentar. Este problema é conhecdo pela comundade nternaconal como fenômeno de Hughes. Redução na dmensonaldade dos dados por meo de técncas de extração ou seleção de varáves feature selecton/extracton (WANG, 2008; ZHONG & WANG, 2008), ntrodução de mostras de trenamento sem-rotuladas (LICZBINSKI & HAERTEL, 2008; JACKSON & LANDGREBE, 2001; SHASHAHANI & LANDGREBE, 1994), técncas de análse dscrmnante regularzada (FRIEDMAN, 1989; AEBERHARD et al., 1994; KUO & CHANG, 2007; BERGE et al., 2007), são abordagens que vem sendo nvestgadas com o objetvo de mnmzar as conseqüêncas de tal fenômeno. Neste contexto, desperta o nteresse a utlzação de classfcadores não paramétrcos, como é o caso de SVM, que apresenta a vantagem de não ser afetado por este tpo de problema (HUANG et al., 2002). O emprego de SVM na classfcação de magens hperespectras em sensoramento remoto vem sendo nvestgado por alguns autores. MELGANI e BRUZZONE (2004) apresentam resultados obtdos com a aplcação de SVM em magens hperespectras. Em seu estudo os dos autores comparam os resultados obtdos por SVM com os produzdos por outros dos classfcadores também não-paramétrcos (redes neuras RBF e K- vznhos mas próxmos). No presente estudo, a avalação é feta comparando os
4 212 Classfcação de magens hperespectras empregando suport vector machnes. resultados produzdos por SVM com aqueles produzdos pelo classfcador paramétrco mas frequentemente utlzado pela comundade em sensoramento remoto (MVG). SHAH et al. (2003) apresentam um sumáro dos város trabalhos desenvolvdos por aqueles autores com vstas à classfcação de magens hperespectras, nclundo o emprego de SVM com a etapa de otmzação mplementada va método Lagrangano. WATANACHATURAPORN et al. (2004) relatam uma nvestgação ncal no emprego de SVM na classfcação de magens hperespectras em sensoramento remoto. Em seu trabalho, aqueles autores nvestgam os efetos na acuráca dos resultados causados pelos dferentes métodos de mplementar SVM em problemas com múltplas classes e pelo tpo de kernel utlzado. Outras aplcações empregando técncas de SVM têm sdo nvestgadas por outros autores como, por exemplo, BROWN et al. (2000) e BROWN et al. (1999). Nestes trabalhos os autores nvestgam a utlzação de SVM em problemas de mstura espectral, comparando uma abordagem envolvendo SVM com o bem conhecdo Modelo Lnear de Mstura Espectral. A utlzação do classfcador SVM apresenta, entretanto, algumas dfculdades. Possvelmente a mas óbva resda no fato de SVM ser aplcável dretamente a apenas um par de classes a cada vez (ABE, 2005). Na metodologa proposta, nvestga-se a mplementação de SVM em um classfcador em estágo múltplo estruturado na forma de árvore bnára. Uma vantagem adconal desta estrutura resde na possbldade de otmzação na escolha das varáves ou feções (features) que conferem um maor poder dscrmnante entre o par de classes a cada nó ndvdual da árvore bnára. 2. SUPPORT VECTOR MACHINES (SVM) SVM é um classfcador lnear no qual busca-se mnmzar o erro com relação ao conjunto das amostras de trenamento (rsco empírco) e o erro com relação ao conjunto das amostras de teste (rsco na generalzação). O objetvo de SVM consste em obter o equlíbro entre esses erros, mnmzando o excesso de ajustes com respeto às amostras de trenamento (overfttng) e aumentando, conseqüentemente, a capacdade de generalzação do classfcador (VAPNIK, 1999). O problema denomnado de overfttng consste em o classfcador memorzar os padrões de trenamento, gravando suas peculardades e ruídos, ao nvés de extrar as característcas geras que permtrão a generalzação ou reconhecmento de padrões não utlzados no trenamento do classfcador (SMOLA et al., 2000). A questão da generalzação pode ser mas bem avalada para o caso de duas classes. Assumndo que as amostras de trenamento das duas classes são lnearmente separáves, a função de decsão mas adequada é aquela para a qual a dstânca entre os conjuntos das amostras de trenamento é maxmzada. Neste contexto, a função de decsão que maxmza esta separação é denomnada de ótma (Fgura 1). Este prncípo é mplementado em SVM e a correspondente formulação matemátca dada a segur está baseada em ABE (2005).
5 Andreola, R. e Haertel, V Seja um conjunto com M amostras de trenamento x (=1,..., M) em um problema que consste de duas classes lnearmente separáves (ω 1 e ω 2 ). Cada amostra fca assocada a um rótulo: y =1 se x ω 1, y = -1 se x ω 2. A forma geral de uma função lnear de decsão é dada por: T D( x) = w x + b (1) onde x é um vetor m-dmensonal representando o padrão a ser classfcado, w também é um vetor m-dmensonal (pesos) e b o termo ndependente. Como estamos supondo amostras lnearmente separáves, não ocorrerá a stuação em que wx + b = 0. Desta forma, o crtéro para classfcação pode ser escrto como: wx +b > a para x ω 1 (y =1) (2) wx +b < -a para x ω 2 (y = -1) para a>0. Dvdndo ambos os membros da desgualdade por a, o crtéro para classfcação fca: 1 1 T para y = wx + b (3) 1 para y = 1 Deste modo, ambas as condções podem ser combnadas em uma únca: T y ( w x + b) 1 para =1, 2,..., M (4) sendo M o número de amostras dsponíves. Fgura 1 - O hperplano ótmo separando os dados com a máxma margem ρ. Os support vectors (amostras crculadas) e uma dstrbução dos dados no R 2 (atrbutos x 1 e x 2 ). Fonte: Adaptado de ABE (2005).
6 214 Classfcação de magens hperespectras empregando suport vector machnes. O hperplano: T D( x) = w x + b= c para 1< c < 1 (5) forma, então, uma superfíce de separação entre as duas classes. Para c= 0, a Equação (5) defne um hperplano stuado à mea dstânca entre os dos hperplanos extremos (c=1 e c=-1). A dstânca entre estes dos hperplanos extremos é denomnada de margem, representada por ρ na Fgura 1. Supondo a exstênca de pelo menos uma amostra x para a qual D(x)= 1, e pelo menos uma outra amostra para a qual D(x)= -1, então o hperplano D(x)= 0 representa a melhor superfíce de separação entre estas amostras, no sentdo de que maxmza o poder de generalzação do classfcador. A regão entre os dos hperplanos extremos (-1 D(x) 1) pode ser entendda como a regão de generalzação. O hperplano D(x)=0, ao maxmzar o valor da margem, maxmza a regão de generalzação sendo, portanto, neste sentdo ótmo (Fgura 1). A dstânca d(x) de uma amostra x a um plano qualquer D(x) é dada por: d(x) = D( x) / w (6) O hperplano ótmo será, portanto, aquele para o qual esta dstânca é máxma. Esta condção pode ser obtda mnmzando-se w, ou equvalentemente, mnmzando: T Q ( w) = w = w w (7) 2 2 com respeto aos parâmetros da função D(x), w e b. Para satsfazer a convenção adotada com relação ao rótulo de cada amostra (y ), a restrção da Equação (4) deve ser mposta. Tal restrção é mposta de manera a assegurar que não ocorram amostras de trenamento na regão de separação entre as duas classes (entre as margens). A nclusão das restrções (4) no problema de mnmzação da Equação (7) pode ser resolvdo por meo da técnca dos multplcadores de Lagrange (α). Esta abordagem pode ser expressa por mnmzar M 1 T T Q( w, b, α) = ww α{ y( wx + b) 1 (8) } 2 = 1 com relação a w, b e maxmzar com relação a α, sendo α=(α 1,,..., α M ) os multplcadores de Lagrange, um vetor de dmensão M, com α 0. Deste modo, obtém-se a forma dual, expressa em termos de α somente (HAMEL, 2009; ABE, 2005): M M 1 T Q( α) = α αα y y xx j j = 1 2, j= 1 j (9)
7 Andreola, R. e Haertel, V A solução deste problema permte expressar w em termos de α resultando em uma nova forma para a função de decsão (1): T D( x) = α yx x + b S onde S é o conjunto de índces dos support vectors, sto é, as amostras de trenamento para as quas α >0. A formulação acma apresenta solução somente no caso de as amostras x pertencentes às duas classes serem lnearmente separáves. Em stuações reas, entretanto, os dados frequentemente não são lnearmente separáves. Este fato ocorre com frequênca em magens multespectras cobrndo cenas naturas, como aquelas empregadas em sensoramento remoto (Landsat-TM e SPOT, entre outros sstemas sensores), nas quas as dferentes classes de cobertura do solo mutas vezes não são lnearmente separáves. Para estender a formulação acma para conjuntos de dados não lnearmente separáves, permte-se que alguns dados possam volar a restrção da Equação (4), por meo da ntrodução do conceto de varável de folga (slack varable) representada por ξ (ξ 0). Tas varáves relaxam as restrções mpostas ao problema de otmzação. Neste caso, a restrção expressa na Equação (4) torna-se: y ( w T x + b) 1 (11) Esta abordagem é conhecda como SVMs com margens suaves (soft-margn) (HAMEL, 2009; LORENA & CARVALHO, 2007; ABE, 2005). Para o caso de 0<ξ <1 a correspondente amostra x não terá margem máxma, mas será rotulada corretamente. No caso de ξ 1, a amostra x será rotulada erroneamente. Para levar em consderação o termo ξ, mnmzando assm o erro sobre os dados de trenamento, a Equação (7) é reformulada como: M 1 2 Q( w, b, ξ) = w + C ξ (12) 2 = 1 A constante C, conhecda como parâmetro de margem, estabelece o equlíbro entre a maxmzação da margem e a mnmzação dos erros. O procedmento, neste caso, é semelhante ao desenvolvdo para o caso de margens rígdas, resultando em uma função de decsão semelhante à anteror (Equação 10), com a únca dferença de C α 0 para =1,..., M (HAMEL, 2009; ABE, 2005). As SVMs lneares são efcazes na classfcação de conjuntos de dados lnearmente separáves, contamnados com a presença de alguns ruídos e outlers. Entretanto, em stuações reas ocorre com bastante freqüênca classes não lnearmente separáves. A solução mas smples nestes casos consstra na adoção ξ (10)
8 216 Classfcação de magens hperespectras empregando suport vector machnes. de polnômos de grau mas elevado. Entretanto, esta abordagem apresenta o rsco de excesso de ajuste (overfttng), e a conseqüente redução no poder de generalzação do classfcador (DUDA et al., 2000). Uma opção mas efcente consste em mapear os dados para um espaço de dmensão mas alta, no qual os dados tornam-se lnearmente separáves (HAMEL, 2009; CRISTIANINI & SHAWE-TAYLOR, 2000). Na abordagem apresentada a segur, as M amostras no espaço orgnal (x 1, x 2,..., x M ), com dmensão m são mapeadas no novo espaço (espaço característco) por meo de uma função g de dmensão n>m: g = ( g1, g2, L g n ). Neste novo espaço as M amostras x (dmensão m) são mapeadas em M amostras com dmensão n: g1( x1) g2( 1) x M g ( ) n x1, g1( x2) g2( 2) x M g ( ) n x2,..., g1( xm ) g2( M ) x M gn( xm) O processo consta então de dos passos: 1- uma função não lnear g mapea os dados do espaço orgnal para um novo espaço de dmensão mas alta; 2- a classfcação é feta neste novo espaço empregando uma função de decsão lnear. A forma geral da função de decsão no espaço orgnal é dada pela Equação (1). Neste novo espaço, a função lnear de decsão fca: D( x) = w. g( x ) + b (13) e a Equação (9) torna-se, portanto: M M 1 Q( α ) = α α α j y y j H ( x, x j ) (14) 2 = 1, j= 1 onde H(x, x j ) = g(x ) T.g(x j ), que recebe a denomnação de kernel. A condção necessára para que uma função H seja um kernel é conhecda como condção de Mercer: M hh jh( x, x j) 0 (15), j= 1 para todo M, x e h, onde h é um número real (ABE, 2005). Neste novo espaço, a função de decsão expressa em termos de α - Equação (10) - torna-se:
9 Andreola, R. e Haertel, V D( x) = α yg( x ) g( x ) + b (16) S ou alternatvamente expressa em termos de kernel: com b dado por: D ( x) = α y H ( x, x) + b (17) S 1 b = y j α y H ( x x j ) U j U S sendo U o conjunto dos support vectors denomnados de unbounded, sto é, aqueles para os quas 0<α <C. Exstem, portanto, duas possíves abordagens ao problema do mapeamento de dados em espaços de dmensão mas elevada para fns de classfcação empregando funções de decsão lneares g(x) (HAMEL, 2009; HERBRICH, 2002): 1- Selecone explctamente uma função g para mapeamento dos dados em um espaço de dmensão mas alta. 2- Selecone dretamente um kernel H que satsfaça as condções de Mercer. Este kernel va defnr de uma forma mplícta a função de mapeamento g. Do ponto de vsta matemátco, as duas possíves abordagens ctadas acma são equvalentes. A segunda abordagem (escolha dreta de um kernel) apresenta, entretanto, a vantagem de ser mas fácl de mplementar e de ser nterpretada. Outra vantagem oferecda por esta abordagem consste em não se necesstar operar dretamente no espaço em dmensão mas alta, no qual os dados estão sendo mapeados. Tanto a fase de trenamento do classfcador quanto a fase de classfcação dos dados utlza-se dretamente H(x, x) em lugar da função de mapeamento g(x). Exemplos comuns de kernel são a Radal Bass Functon (RBF) (Equação 19) e o kernel Polnomal (Equação 20): 2 H ( xx, ) = exp( γ x x ) (19) onde γ é um parâmetro postvo para controle T d H ( xx, ) = ( xx + 1) (20) e d é um número natural e determna o grau do polnômo. A regra de classfcação é dada por: D(x )>0 x ω 1 (21) D(x )<0 x ω 2 Se D(x )=0, então x está sobre o hperplano separador e não é classfcado. Quando as amostras de trenamento são lnearmente separáves, a regão {x 1>D(x)> -1} é a regão de generalzação. (18)
10 218 Classfcação de magens hperespectras empregando suport vector machnes. Pode-se mostrar que SVM apresenta vantagens com respeto a classfcadores convenconas, especalmente quando o número de amostras de trenamento é pequeno e a dmensonaldade dos dados é grande, devdo ao fato de que os classfcadores convenconas não têm mecansmos para maxmzar a margem (dstânca entre os dos hperplanos extremos). A maxmzação da margem permte aumentar a capacdade de generalzação do classfcador (ABE, 2005). 3. MATERIAIS E MÉTODOS 3.1 Materas Nestes expermentos são empregados dados em alta dmensonaldade (hperespectras) coletados pelo sstema sensor AVIRIS sobre uma área agrícola de testes, desenvolvda pela Purdue Unversty, e denomnada de Indan Pnes, localzada no noroeste do Estado de Indana, EUA, sob a denomnação de 92AV220. Da cena 92av220, fo seleconado de um segmento de magem de (435x435) um recorte de (145x118), num total de pxels. Esta área dspõe de dados de verdade terrestre. O que torna a área atraente para os estudos que empregam dados em alta dmensonaldade é esta possur classes com característcas espectras muto semelhantes entre s e, portanto, dfíces de serem separados por meo de dados tradconas em baxa dmensonaldade como, por exemplo, dados Landsat-TM. Do conjunto de 220 bandas que dspõe a cena AVIRIS (cobre a regão 0.4μm à 2.4μm do espectro eletromagnétco, com resolução espectral de 10nm), foram removdas as bandas rudosas causados por problemas atmosfércos (vapor de água, CO 2, O 3 ). A dmensonaldade fnal dos dados utlzados é de 190 bandas. A área seleconada apresenta 10 classes de cobertura do solo. Para realzar os expermentos foram seleconadas ses classes que apresentam a maor dfculdade de separação (Ver Tabela 1). Tabela 1 - Relação das classes usadas nos expermentos. A magem fo obtda no níco da época de crescmento das culturas de soja e mlho. Nesta etapa apenas aproxmadamente 5% da área está efetvamente coberta pela vegetação, sendo os restantes 95% composto por solo exposto e resíduo de colhetas anterores. Estas condções resultam em classes espectralmente muto
11 Andreola, R. e Haertel, V semelhantes (vetores de méda muto semelhantes entre s), consttundo-se por esta razão em um desafo ao processo de classfcação. A classe pastagens/árvores (grass trees) fo ncluída por possur característcas espectras bem dferentes das demas sendo, portanto, faclmente separável das demas classes, servndo de referênca no processo de classfcação. A Fgura 2 lustra o comportamento espectral médo das classes da Tabela 1, onde se verfcam dos aspectos prncpas: a dferença espectral da classe pastagens/árvores com relação às demas classes, e a alta semelhança entre as outras cnco classes (varações das culturas de mlho e soja). Fgura 2 - Curvas de resposta espectral méda para cada uma das classes: mlho cultvo mínmo (cnza pontlhada), mlho planto dreto (cnza contínua fna), pastagens/árvores (cnza contnua grossa), soja cultvo mínmo (preta contínua fna), soja planto dreto (preta contínua grossa), soja cultvo convenconal (preta pontlhada). resposta espectral [uw/(cm^2*nm*sr)] bandas Como nos dados utlzados o ntervalo numérco de varação dos contadores dgtas ao longo do conjunto das bandas espectras é muto grande, decdu-se padronzar estes dados (equações 22 e 23) para méda gual a zero e desvo padrão gual a um (JOHNSON E WICHERN,1982): ( ) ( Z= V X μ ) (22)
12 220 Classfcação de magens hperespectras empregando suport vector machnes. onde μ é o vetor de médas, X é o espaço orgnal, Z é o espaço normalzado e V 1/2 é dado por: σ11 0 L 0 (23) 1 0 σ 2 22 L 0 V = M M O M 0 0 σ L pp O resultado deste processo de padronzação está lustrado na Fgura 3. Fgura 3 - Curvas de resposta espectral méda para as classes após a padronzação: mlho cultvo mínmo (cnza pontlhada), mlho planto dreto (cnza contínua fna), pastagens/árvores (cnza contnua grossa), soja cultvo mínmo (preta contínua fna), soja planto dreto (preta contínua grossa), soja cultvo convenconal (preta pontlhada). 1 0,5 resposta espectral ,5-1 -1,5 bandas Do conjunto das amostras dsponíves para cada classe foram extraídos dos subconjuntos: um com amostras de trenamento e um segundo com amostras de teste (método holdout). Com a fnaldade de capturar as varações naturas que ocorrem ao longo da área coberta pela magem, as amostras em ambos os subconjuntos foram extraídos alternadamente do conjunto das amostras dsponíves nos dados de verdade terrestre.
13 Andreola, R. e Haertel, V Para tornar os resultados obtdos para as váras classes comparáves entre s, os expermentos empregaram subconjuntos de trenamento e de teste de mesmo tamanho para todas as classes em estudo: 50, 100, 200 e 300 amostras por classe para trenamento e 300 amostras por classe para teste. As amostras de trenamento e teste foram tomadas a ntervalos regulares no conjunto total de amostras para cada classe. Desta forma, as amostras de trenamento em um expermento não necessaramente constam no conjunto das amostras de trenamento do expermento segunte. 3.2 Métodos A metodologa adotada mplementa SVM em uma árvore bnára, do tpo bottom-up, a fm de possbltar a utlzação de SVM em problemas mult-classe. Os resultados produzdos por este classfcador assm proposto foram comparados com aqueles resultantes do classfcador MVG - largamente usado na comundade centífca em reconhecmento de padrões. Para o trenamento do classfcador, em cada nó da árvore, aplca-se o algortmo que pode ser vsto na Fgura 4a. As amostras de trenamento são ncalmente atrbuídas ao nó raz. Em seguda, supondo-se que os dados sejam normalmente dstrbuídos, escolhe-se as duas classes que orgnarão os nós flhos pelo crtéro dstânca de Bhattacharyya: ( Σ 1 1+ Σ2) 1 T Σ1+ Σ2 1 ( 2 (24) B = μ1 μ2) ( μ1 μ2) + ln Σ1 Σ 2 onde μ 1 e μ 2 são os vetores de médas das classes ω 1 e ω 2 respectvamente, e Σ 1 e Σ 2 as matrzes de covarânca. O uso do algortmo SFS (Sequental Forward Selecton) tem por objetvo seleconar, em cada nó, o subconjunto das N bandas com maor poder dscrmnante (SERPICO et al., 2003). Estas serão usadas para o cálculo dos coefcentes no caso do uso do classfcador SVM ou para a estmação dos parâmetros no caso do uso do classfcador MVG cujas acurácas serão comparadas. Utlzando-se as respectvas funções de decsão, classfca-se as amostras de trenamento das demas classes em um dos dos nós flhos. Caso a porcentagem das amostras de trenamento de uma dada classe classfcada em um dos nós flhos seja maor que determnado lmar de verossmlhança (LV), todas as amostras serão atrbuídas a este nó flho. Caso contráro, as amostras de trenamento desta classe são replcadas em ambos os nós flhos. Esse processo será repetdo até que cada nó contenha apenas uma classe (nós termnas). A Fgura 4b lustra o fluxograma do algortmo para teste do classfcador. Entra-se com as amostras de teste no nó raz. Com base nos parâmetros estmados (caso do classfcador MVG) ou nos coefcentes calculados (caso do classfcador
14 222 Classfcação de magens hperespectras empregando suport vector machnes. SVM) na fase de trenamento, em cada nó decde-se em qual nó flho a amostra de teste será classfcada. Este processo é repetdo para cada amostra, ao longo dos város níves na árvore bnára, até que um nó termnal seja atngdo, atrbundo desta forma um rótulo a cada uma das amostras. Fgura 4 (a) Fluxograma do algortmo de trenamento do classfcador. (b) Fluxograma do algortmo de teste do classfcador.
15 Andreola, R. e Haertel, V Para fns de mplementação da metodologa proposta neste estudo, fo desenvolvda uma ferramenta denomnada de Classfcador em Árvore Bnára (CAB). O CAB, mplementado em forma de árvore bnára, possu duas versões, uma para o classfcador MVG e outra para o classfcador SVM. Desenvolvdos em ambente MATLAB 6.1, o CAB-MVG e o CAB-SVM apresentam como resultado a Matrz de Confusão. 4. RESULTADOS E DISCUSSÕES Os expermentos foram desenvolvdos com o objetvo de quantfcar numercamente os resultados de desempenho da metodologa proposta na classfcação de magens dgtas de alta dmensonaldade em sensoramento remoto, utlzando dferentes kernels e parâmetros no classfcador SVM mplementados pela ferramenta CAB-SVM. Fo realzada uma sére de expermentos, tomando-se a dmensonaldade dos dados como varável ndependente e a resultante acuráca na classfcação como varável dependente. O valor da dmensonaldade dos dados, sto é, o número de bandas espectras empregadas, varou entre 20 e 180. Em um prmero conjunto de expermentos as bandas espectras foram seleconadas por meo do algortmo SFS, a um ntervalo de 20 bandas. Em um segundo conjunto de expermentos a seleção destas bandas foram fetas a ntervalos regulares no espectro eletromagnétco (sem o uso do SFS), com o ntuto de verfcar a efcáca do SFS em um classfcador não paramétrco como o SVM. O objetvo dos expermentos é analsar o comportamento da acuráca produzda pelo classfcador SVM em função da dmensonaldade dos dados e dos parâmetros escolhdos. Os resultados assm obtdos são comparados com aqueles obtdos nas mesmas condções, empregando-se um classfcador paramétrco tradconal (MVG), mplementado pela ferramenta CAB-MVG. Notase que o valor mínmo admssível para as amostras de trenamento no caso do CAB- MVG é gual à dmensonaldade dos dados mas um. Um valor nferor resultará em uma matrz de covarânca sngular e, portanto, não utlzável (LANDGREBE, 2003). O número de amostras de trenamento fo escolhdo delberadamente pequeno com relação à dmensonaldade dos dados para desta forma melhor evdencar os problemas que ocorrem em stuações reas, ou seja, o pequeno número de amostras de trenamento normalmente dsponíves. Na realzação dos expermentos foram usadas 80 bandas para o cálculo da dstânca de Bhattacharyya (no caso de 50 amostras de trenamento, todas elas são usadas para o cálculo da dstânca de Bhattacharyya) e LV de 99%. Decdu-se fxar o LV em 99% para que fosse obtda sempre a maor estrutura possível, ou seja, o número máxmo de nós termnas (MORAES, 2005). Segundo o autor, valores mas altos para o LV produzem, uma menor varabldade no valor estmado da acuráca de cada classe ndvdual, em função da dmensão dos dados.
16 224 Classfcação de magens hperespectras empregando suport vector machnes. Outras grandezas são requerdas pela ferramenta CAB-SVM. Os multplcadores de Lagrange (Equação 8) foram calculados empregando a função quadprog.m dsponível em MATLAB, enquanto que o parâmetro de margem C (Equação 12) fo tomado gual a um (1). Nos város expermentos realzados, envolvendo dferentes sub-conjuntos de amostras de trenamento, foram nvestgados dstntos valores para o grau do polnômo (no caso do kernel polnomal) e para gamma (γ), no caso do kernel RBF. As Fguras 5-12 lustram os resultados produzdos pelo classfcador SVM (ferramenta CAB-SVM mplementando os kernels polnomal e RBF) juntamente com aqueles produzdos pelo classfcador mas tradconal MVG (ferramenta CAB-MVG), para 50, 100, 200 e 300 amostras de trenamento. Nas Fguras 5, 7, 9 e 11 estão lustrados o resultados dos expermentos empregando bandas seleconadas va SFS e nas Fguras 6, 8, 10 e 12 os resultados com bandas seleconadas sem SFS. Deve-se observar aqu que os expermentos empregando a ferramenta CAB-SVM evdencaram que a acuráca nos resultados depende dos valores adotados para o grau do polnômo no caso do kernel polnomal e para gamma (γ) no caso do kernel RBF. Para fns de comparação entre os dos classfcadores, estas fguras lustram os melhores resultados obtdos em cada caso. Fgura 5 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 2 e RBF γ 1.5 para 50 amostras de trenamento com SFS. 50 amostras de trenamento com SFS 95 Acuráca Méda (%) MVG POLY 2 RBF Dmensonaldade dos Dados
17 Andreola, R. e Haertel, V Fgura 6 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 2 e RBF γ 1.5 para 50 amostras de trenamento sem SFS. 50 amostras de trenamento sem SFS 95 Acuráca Méda (%) MVG POLY 2 RBF Dmensonaldade dos Dados Fgura 7 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 3 e RBF γ 2 para 100 amostras de trenamento com SFS. 100 amostras de trenamento com SFS 95 Acuráca Méda (%) MVG POLY 3 RBF Dmensonaldade dos Dados
18 226 Classfcação de magens hperespectras empregando suport vector machnes. Fgura 8 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 3 e RBF γ 2 para 100 amostras de trenamento sem SFS. 100 amostras de trenamento sem SFS Acuráca Méda (%) Dmensonaldade dos Dados MVG Poly 3 RBF 2 Como se pode perceber pela análse das Fguras 5 à 8, os resultados obtdos para 50 amostras de trenamento são pratcamente guas com e sem o uso de SFS, e para 100 amostras de trenamento, os resultados sem SFS são melhores do que os com uso de SFS nos expermentos realzados com a ferramenta CAB-SVM. O mesmo não acontece para os expermentos realzados com a ferramenta CAB- MVG, onde os resultados se mostram claramente melhores com o uso do SFS, apesar de apresentarem, em ambos os casos, os efetos do fenômeno de Hughes. Em todos os casos as acurácas médas para o classfcador SVM são superores às acurácas médas utlzando o classfcador MVG. Fgura 9 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 3 e RBF γ 0.5 para 200 amostras de trenamento com SFS. 200 amostras de trenamento com SFS Acuráca Méda (%) Dmensonaldade dos Dados MVG POLY 3 RBF 0.5
19 Andreola, R. e Haertel, V Fgura 10 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 3 e RBF γ 0.5 para 200 amostras de trenamento sem SFS. 200 amostras de trenamento sem SFS 95 Acuráca Méda(%) MVG Poly 3 RBF Dmensonaldade dos Dados Fgura 11 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 3 e RBF γ 1.5 para 300 amostras de trenamento com SFS. 300 amostras de trenamento com SFS 95 Acuráca Méda (%) MVG POLY 3 RBF Dmensonaldade dos Dados
20 228 Classfcação de magens hperespectras empregando suport vector machnes. Fgura 12 - Acuráca Méda para os classfcadores MVG e SVM com kernel Polnomal grau 3 e RBF γ 1.5 para 300 amostras de trenamento sem SFS. 300 amostras de trenamento sem SFS 95 Acuráca Méda (%) MVG Poly 3 RBF Dmensonaldade dos Dados Pode-se perceber que, mesmo com o aumento do número de amostras de trenamento de 200 para 300 (Fguras 9 à 12), a acuráca méda não se eleva substancalmente (com o uso da ferramenta CAB-SVM SVM mplementado em forma de árvore bnára); pelo contráro, na maora dos casos a acuráca méda para 300 amostras de trenamento é levemente menor ou gual que aquela para 200. Isso acontece porque o poder máxmo de generalzação do classfcador é atngdo com 200 amostras de trenamento, ou seja, o conjunto de 200 amostras representa bem as característcas de cada classe, e o ncremento para 300 apresenta o rsco de aumento no número de amostras rudosas, para um reduzdo acréscmo de nformação. Comparando-se os resultados lustrados nas Fguras 5 à 12 pode-se perceber que o maor ganho obtdo empregando o método SFS baseado em dstâncas estatístcas ocorre em classfcadores paramétrcos como a MVG. Neste caso, os expermentos mostraram um ganho sgnfcatvo no valor da acuráca méda com o pco passando de 81.3% para 87.9% no expermento empregando 100 amostras de trenamento e de 85.7% para 89.2% com 200 amostras de trenamento. O mesmo não ocorreu nos expermentos empregando o classfcador SVM. Utlzando-se SFS com o crtéro Dstânca de Bhattacharyya para seleção de varáves o ganho para o classfcador SVM mostrou ser mínmo, resultando anda em uma osclação nos valores de acuráca méda estmada para dstntos valores de dmensonaldade dos dados. Os expermentos envolvendo 100 amostras de trenamento (Fgura 7) servem
CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Classfcaton of Hyperspectral Images wth Support Vector Machnes RAFAELA ANDREOLA VITOR HAERTEL Unversdade Federal do Ro Grande
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisPLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS
PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisCelso Liczbinski 1,2 Vitor Haertel 2
Uma nova abordagem na estmação de probabldades a pror na classfcação de magens dgtas em sensoramento remoto Celso Lczbns,2 Vtor Haertel 2 Dretora de Servço Geográfco do Exércto DSG ª Dvsão de Levantamento
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisCONGRESSO DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO - I CICPG SUL BRASIL Florianópolis 2010
Floranópols 200 ANÁLISE COMPARATIVA DA INFLUÊNCIA DA NEBULOSIDADE E UMIDADE RELATIVA SOBRE A IRRADIAÇÃO SOLAR EM SUPERFÍCIE Eduardo Wede Luz * ; Nelson Jorge Schuch ; Fernando Ramos Martns 2 ; Marco Cecon
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
Leia maisRAE-eletrônica ISSN: 1676-5648 rae@fgv.br. Escola de Administração de Empresas de São Paulo. Brasil
RAE-eletrônca ISSN: 676-5648 rae@fgv.br Escola de Admnstração de Empresas de São Paulo Brasl Gumarães, Ináco Andrusk; Chaves Neto, Anselmo RECONHECIMENTO DE PADRÕES: METODOLOGIAS ESTATÍSTICAS EM CRÉDITO
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisInvestigações sobre o uso de dados hiperespectrais na classificação de especies agrícolas com respostas espectrais muito semelhantes 1
Revsta Braslera de Agrometeorologa, Santa Mara, v., n., p. 85-94, 003 Recebdo para publcação em 6/08/00. Aprovado em 08/05/003. ISSN 004-347 Investgações sobre o uso de dados hperespectras na classfcação
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisGeração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3
Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900
Leia maisUso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos
Leia maisMetodologia IHFA - Índice de Hedge Funds ANBIMA
Metodologa IHFA - Índce de Hedge Funds ANBIMA Versão Abrl 2011 Metodologa IHFA Índce de Hedge Funds ANBIMA 1. O Que é o IHFA Índce de Hedge Funds ANBIMA? O IHFA é um índce representatvo da ndústra de hedge
Leia maisUM ALGORITMO EXATO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
UM ALGORITMO EXATO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE Dssertação de mestrado em matemátca aplcada fnancada pelo CNPq IMECC - UNICAMP Pedro Ferraz Vllela Prof.
Leia maisEstimativa da fração da vegetação a partir de dados AVHRR/NOAA
Estmatva da fração da vegetação a partr de dados AVHRR/NOAA Fabane Regna Cunha Dantas 1, Céla Campos Braga, Soetâna Santos de Olvera 1, Tacana Lma Araújo 1 1 Doutoranda em Meteorologa pela Unversdade Federal
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisProf. Benjamin Cesar. Onde a(n, i) é o fator de valor atual de uma série de pagamentos. M: montante da renda na data do último depósito.
Matemátca Fnancera Rendas Certas Prof. Benjamn Cesar Sére de Pagamentos Unforme e Peródca. Rendas Certas Anudades. É uma sequênca de n pagamentos de mesmo valor P, espaçados de um mesmo ntervalo de tempo
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisMODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE
MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisUM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
Unversdade Estadual de Campnas Insttuto de Matemátca, Estatístca e Computação Centífca Departamento de Matemátca Aplcada DISSERTAÇÃO DE MESTRADO UM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
Leia maisEscola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000)
Internet: http://rolvera.pt.to ou http://sm.page.vu Escola Secundára Dr. Ângelo Augusto da Slva Matemátca.º ano Números Complexos - Exercícos saídos em (Exames Naconas 000). Seja C o conjunto dos números
Leia maisMáquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisSoftware para Furação e Rebitagem de Fuselagem de Aeronaves
Anas do 14 O Encontro de Incação Centífca e Pós-Graduação do ITA XIV ENCITA / 2008 Insttuto Tecnológco de Aeronáutca São José dos Campos SP Brasl Outubro 20 a 23 2008. Software para Furação e Rebtagem
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia mais7.4 Precificação dos Serviços de Transmissão em Ambiente Desregulamentado
64 Capítulo 7: Introdução ao Estudo de Mercados de Energa Elétrca 7.4 Precfcação dos Servços de Transmssão em Ambente Desregulamentado A re-estruturação da ndústra de energa elétrca que ocorreu nos últmos
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
Leia maisINTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída
INTRODUÇÃO O que é sstema? O que é um sstema de controle? SISTEMAS O aspecto mportante de um sstema é a relação entre as entradas e a saída Entrada Usna (a) Saída combustível eletrcdade Sstemas: a) uma
Leia maisPROGRAMAÇÃO DIÁRIA DE IMAGENS DE UM SATÉLITE DE OBSERVAÇÃO: UMA FORMULAÇÃO REDUZIDA
PROGRAMAÇÃO DIÁRIA DE IMAGENS DE UM SATÉLITE DE OBSERVAÇÃO: UMA FORMULAÇÃO REDUZIDA Glaydston Mattos Rbero 1,2 e Luz Antono Noguera Lorena 2 1 Departamento de Cênca da Computação e Informátca Faculdade
Leia maisPOLARIMETRIA ÓPTICA E MODELAGEM DE POLARES OBSERVADAS NO OPD/LNA NO PERÍODO DE 2010-2012
5 POLARIMETRIA ÓPTICA E MODELAGEM DE POLARES OBSERVADAS NO OPD/LNA NO PERÍODO DE 00-0 OPTICAL POLARIMETRY AND MODELING OF POLARS OBSERVED IN OPD/LNA IN THE PERIOD 00-0 Karleyne M. G. Slva Cláuda V. Rodrgues
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisVariáveis dummy: especificações de modelos com parâmetros variáveis
Varáves dummy: especfcações de modelos com parâmetros varáves Fabríco Msso, Lucane Flores Jacob Curso de Cêncas Econômcas/Unversdade Estadual de Mato Grosso do Sul E-mal: fabrcomsso@gmal.com Departamento
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisNORMAS DE SELEÇÃO AO DOUTORADO
1. INSCRIÇÕES PARA SELEÇÃO 1.1. Para a Área de Irrgação e Drenagem Poderão nscrever-se canddatos formados em Engenhara Agrícola, Agronoma, Meteorologa e demas Engenharas, ou em outras áreas afns a crtéro
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisControle de qualidade de produto cartográfico aplicado a imagem de alta resolução
Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca
Leia maisSinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.
Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só
Leia maisFUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES
FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda
Leia maisESPELHOS E LENTES ESPELHOS PLANOS
ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem
Leia maisUniversidade Estadual de Ponta Grossa/Departamento de Economia/Ponta Grossa, PR. Palavras-chave: CAPM, Otimização de carteiras, ações.
A CONSTRUÇÃO DE CARTEIRAS EFICIENTES POR INTERMÉDIO DO CAPM NO MERCADO ACIONÁRIO BRASILEIRO: UM ESTUDO DE CASO PARA O PERÍODO 006-010 Rodrgo Augusto Vera (PROVIC/UEPG), Emerson Martns Hlgemberg (Orentador),
Leia mais