CLASSIFICAÇÃO EM GÊNEROS MUSICAIS. Gabriel BRITTO Luiz CHAMON
|
|
- Luísa Sabrina Varejão Terra
- 7 Há anos
- Visualizações:
Transcrição
1 CLASSIFICAÇÃO EM GÊNEROS MUSICAIS Gabriel BRITTO Luiz CHAMON
2 Introdução Contexto e justiicativa O problema e a solução Features RNA Estrutura Aprendizado Resultados e discussões Demonstração Conclusão e perspectivas
3 CONTEXTO E JUSTIFICATIVA Aumentaram enormemente as bases de dados musicais (itunes: 14 milhões de músicas) Gêneros são a principal onte de classiicação musical mas é diícil deini-los O que é rock? O que é jazz? (3 musicólogos levaram 1 ano para categorizar 1 músicas do MSN music search) Discordância entre taxonomias (Amazon: 719 gêneros itunes: 244 gêneros) CLASSIFICAÇÃO MUSICAL É UM PROBLEMA NÃO-TRIVIAL
4 DESCRIÇÃO DO PROBLEMA Categorizar músicas em gêneros automaticamente baseado em trechos de suas gravações e exemplos rotulados a priori A SOLUÇÃO Trecho de 3 s Cálculo de eatures Gênero GTZAN [6] Chamon Gabriel
5 FEATURES 2 MFCCs [2] Muito usado em reconhecimento de voz É uma medida de variações no tom RMS [2] Usado como medida da energia média da música Spectral Centroid [2] Uma espécie de centro de massa do espectro, determina uma relação entre altas e baixas reqüências
6 FEATURES Spectral bandwidth [2] Mede a variação do espectro em torno da centróide espectral Zero-crossing [2] Representa uma medida do ruído de undo em uma música Trata-se simplesmente do número de cruzamentos por zero no domínio do tempo Band energy ratio [2] Razão da energia no primeiro quarto do espectro com relação ao espectro todo
7 FEATURES Octave spectral contrast [3] Medida da dierença entre espectros em bandas de oitava Loudness [4] Modelo psicoacústico de sensação sonora ( intensidade percebida) Sharpness [4] Medida de conteúdo espectral de altas reqüências Avaliação psicoacústica do quão aiado, agudo um som é
8 ESTRUTURA Gêneros Musicais Considerados 1) Blues 2) Classical 3) Country 4) Disco 5) Hip-Hop 6) Jazz 7) Metal 8) Pop 9) Reggae 1) Rock
9 ESTRUTURA Pesos V Pesos W N1 y1 x1 x2 N2 y2 Entradas (Features) x3 x75 N3 y3 y1 Saídas (Gêneros) N2 Camada Oculta Camada de Saída
10 1 amostras 1 amostras 1 amostras Entradas (75 eatures) Saídas (1 gêneros) Gênero 1 Gênero 2 Gênero 1 ESTRUTURA Formato das Entradas e Saídas
11 APRENDIZADO Conjuntos de Treinamento, Validação e Teste Conjunto Completo Conjunto de Treinamento Conjunto de Validação Conjunto de Teste Gênero 1 (Blues) Gênero 2 (Classical) Gênero 1 Gênero 2 Gênero 1 75% das Amostras Gênero 1 Gênero 2 Gênero 1 15% das Amostras Gênero 1 Gênero 2 Gênero 1 1% das Amostras Gênero 1 (Rock)
12 APRENDIZADO 2 abordagens Gradiente Descendente com Cross-Validation Gradiente Normalizado com Early Stopping
13 APRENDIZADO Gradiente Descendente com Cross-Validation oalgoritmo: Backpropagation e Cross-Validation oparâmetros: Número de nós: 2 na camada oculta 1 na camada de saída (1 para cada gênero) Taxa de aprendizagem: η =,35 Erro máximo no aprendizado: erro = 1 Número máximo de iterações: nummaxit = 5
14 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Treinando RNA V W 1º treino Gênero 2 (Classical) Gênero 1 (Rock)
15 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Validando RNA V W 1º treino Gênero 2 (Classical) Gênero 1 (Rock)
16 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Treinando RNA Gênero 2 (Classical) V W 2º treino Gênero 1 (Rock)
17 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Validando RNA Gênero 2 (Classical) V W 2º treino Gênero 1 (Rock)
18 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Treinando RNA Gênero 2 (Classical) Gênero 1 (Rock) V W 3º treino
19 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Validando RNA Gênero 2 (Classical) Gênero 1 (Rock) V W 3º treino
20 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Escolhendo o melhor conjunto de pesos V W 1º treino Gênero 2 (Classical) V W 2º treino Gênero 1 (Rock) V W 3º treino
21 APRENDIZADO Gradiente Descendente com Cross-Validation Gênero 1 (Blues) Testando RNA Matriz de Conusão Gênero 2 (Classical) Gênero 1 (Rock)
22 APRENDIZADO Gradiente Normalizado com Early Stopping o Algoritmo: Scaled conjugate gradient e early stopping o Parâmetros: Número de nós: 2 na camada oculta 1 na camada de saída Regularização: λ = 5e-7 Erros na validação: max_ail = 1 Número máximo de iterações: epochs = 5 Fonte: Haykin [7]
23 AMOSTRAS DE TESTE x RNA Gradiente Descendente com Cross-Validation Na igura acima, amostras de teste de cada gênero (azul) comparadas aos resultados obtidos com a RNA treinada (vermelho)
24 MATRIZES DE CONFUSÃO (TREINO E VALIDAÇÃO) Gradiente Descendente com Cross-Validation
25 MATRIZES DE CONFUSÃO (TREINO E VALIDAÇÃO) Gradiente Normalizado com Early Stopping
26 MATRIZES DE CONFUSÃO (TESTE) Gradiente Descendente com Cross-Validation
27 MATRIZES DE CONFUSÃO (TESTE) Gradiente Normalizado com Early Stopping
28 COMPARAÇÃO COM A LITERATURA Reerência Base de Dados Precisão Bergstra GTZAN 825% Li GTZAN 785% Panagakis GTZAN 782% Britto, Chamon ¹ GTZAN 77% Lidy GTZAN 768% Benetos GTZAN 75% Holzapel GTZAN 74% Britto, Chamon ² GTZAN 68% Tzanetakis GTZAN 61% Fonte: Panagakis et al [5]
29 Índice de conusão Erro médio quadrático Introdução Features RNA Resultados CONFUSÃO x NÚMERO DE NÓS 7 Conusão em unção do número de nós 24 Erro médio quadrático em unção do número de nós Número de nós Número de nós
30 DEMONSTRAÇÃO 1 Gladiators - Dreadlocks the time is now 14 BB King - My Guitar Sings The Bluesmp
31 CONCLUSÃO E PERSPECTIVAS O problema de classiicação em gêneros musicais é não-trivial, devido à indeinição e subjetividade destes É undamental para um bom desempenho da solução que os conjuntos de treinamento, validação e teste sejam adequados, assim como a técnica de aprendizagem adotada Os resultados talvez pudessem ser melhorados com a inclusão de novos eatures (eg ritmo) e uma base de dados mais extensa
32 REFERÊNCIAS [1] SCARINGELLA, N; ZOIA, G; MLYNEK, D Automatic genre classiication o music content: a survey Signal Processing Magazine Piscataway, v 23[2], p , 26 [2] LI,D; SETHI, I K; DIMITROVA, N; McGEE, T Classiication o general audio data or content-based retrieval Pattern Recognition Letters Amsterdam, v 22, p , 21 [3] JIANG, D-N; LU, L; ZHANG, H-J; TAO, J-H; CAI, L-H Music type classiication by spectral contrast eature In: IEEE ICME, 22, Lausanne Anais Lausanne: Swiss Federal Institute o Techonology, 22 [4] McKINNEY, M F; BREEBAART, J Features or audio and music classiication In: ISMIR, 23, Baltimore Anais [5] PANAGAKIS, Y; KOTROPOULOS, C; ARCE, G R Music genre classiication via sparse representations o auditory temporal modulations In: EUSIPCO, 29, Glasgow Anais [6] TZANETAKIS, G; COOK, P GTZAN Genre Collection Disponível em: Acesso em: 7 de jun 211 [7] HAYKIN, S Neural Networks: A comprehensive oundation Upper Saddle River: Prentice-Hall, p [8] REFAEILZADEH, P; TANG, L; LIU, H Cross-Validation In: ÖSZU, M T; LIU, L Encyclopedia o Database Systems New York: Springer, 29 Disponível em: Acesso em: 7 de jun 211
Classificação Automática de Gêneros Musicais
Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação
Leia maisEstudo da Relevância das Características num Sistema Neural de Classificação do Gênero Musical
Estudo da Relevância das Características num Sistema Neural de Classificação do Gênero Musical Juliana Lopes, Yure Souza, Eduardo Simas Filho, Claudia Farias. Grupo de Pesquisa em Ensaios Não Destrutivos,
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Introdução Filtros adaptativos, os quais têm como meta transformar os sinais portadores de informação em versões limpas ou melhoradas, ajustam suas características de acordo
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 DE CAXIAS DO SUL LUIZ EDUARDO ROMANO
UNIVERSIDADE DE CAXIAS DO SUL LUIZ EDUARDO ROMANO RECONHECIMENTO AUTOMÁTICO DE GÊNEROS MUSICAIS UTILIZANDO CLASSIFICADORES BASEADOS EM MÚLTIPLAS CARACTERÍSTICAS CAXIAS DO SUL 2014 UNIVERSIDADE DE CAXIAS
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
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 maisCelso A. A. Kaestner. Co-autores: Alessandro L. Koerich, Carlos N. Silla Jr.
Celso A. A. Kaestner Co-autores: Alessandro L. Koerich, Carlos N. Silla Jr. Com a expansão da Internet enormes bases de dados passaram se tornar disponíveis, e em particular, as informações multimídia;
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 maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia maisEstudo de Flutuação de Variância em Sinais de Áudio Classificados em Gêneros Musicais
Estudo de Flutuação de Variância em Sinais de Áudio Classificados em Gêneros Musicais Dirceu de F. P. Melo IFBA - Departamento de Ciências Aplicadas 40.110-150, Salvador, BA E-mail: dirceu@ifba.edu.br
Leia maisA UTILIZAÇÃO DE REDES NEURAIS PARA CÁLCULO DE "LOUDNESS"
A UTILIZAÇÃO DE REDES NEURAIS PARA CÁLCULO DE "LOUDNESS" Belisário Nina Huallpa () ; Stelamaris Rolla Bertoli (2) ; José Roberto de França Arruda () () DMC-FEM-UNICAMP Brasil, Caixa Postal 622 CEP: 3083-970,
Leia maisProceedings of the 11th Brazilian Symposium on Computer Music
11 o Simpósio Brasileiro de Computação Musical The 11th Brazilian Symposium on Computer Music Proceedings of the 11th Brazilian Symposium on Computer Music Instituto de Matemática e Estatística e Escola
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisClassificação Automática de Gêneros Musicais Utilizando Métodos de Bagging e Boosting
Classificação Automática de Gêneros Musicais Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. 1, Celso A. A. Kaestner 1, Alessandro L. Koerich 1 1 Pontifícia Universidade Católica do Paraná
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
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 maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisParte 7. Redes Neurais INTRODUÇÃO
Parte 7. Redes Neurais INTRODUÇÃO As redes neurais representam uma técnica de inteligência artificial que permaneceu pouco estudada por muito tempo, sendo utilizada basicamente no reconhecimento de imagens.
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 maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
ANÁLISE DE CONFIGURAÇÕES DE REDES NEURAIS PARA SISTEMA DE RECONHECIMENTO DE PADRÕES DE SINAIS DE VOZ UTILIZANDO PARÂMETROS TCD DE BAIXA ORDEM PRISCILA LIMA, WASHINGTON SILVA, ALLAN BARROS Universidade
Leia mais29/05/14. Psicoacústica. Conceito. Psicoacústica. Psicoacústica. Lei de Weber-Fechner. Lei de Weber-Fechner
Conceito A refere-se ao estudo da percepção do estímulo acústico que chega a um indivíduo, diferenciando-se do estímulo físico e se aproximando da resposta psicológica dada a este estímulo A faz uma relação
Leia maisAPRENDIZADO EM MODELOS CONEXIONISTAS
APRENDIZADO EM MODELOS CONEXIONISAS Aprendizado é o processo pelo qual os parâmetros (os pesos das coneões entre os neurônios) de uma rede neural são austados através de uma forma continuada de estímulo
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 maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisREDES NEURONAIS Conceitos. Jorge M. Santos
REDES NEURONIS Conceitos Jorge M. Santos jms@isep.ipp.pt Definição e enquadramento histórico neural network is a massively parallel distributed processor made up of simple processing units that has a natural
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 maisRede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó Camilo A. S. de Farias Celso A. G. Santos Alcigeimes B. Celeste Estrutura da Apresentação Motivação
Leia maisRedes Neurais Feedforward e Backpropagation. André Siqueira Ruela
Redes Neurais Feedforward e Backpropagation André Siqueira Ruela Sumário Introdução a redes feedforward Algoritmo feedforward Algoritmo backpropagation Feedforward Em uma rede feedforward, cada camada
Leia maisIntrodução Objetivos Materiais e Métodos Resultados Considerações Finais Referências Bibliográficas. Brasileira. Bruna Wundervald e Rogério Hultmann
Engenharia de Características Baseadas em Cifras para a Classificação de Gêneros na Música Brasileira Bruna Wundervald e Rogério Hultmann Orientador: Prof. Dr. Walmes Marques Zeviani Departamento de Estatística
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Multi-layer Perceptrons e Backpropagation Marcílio Souto DIMAp/UFRN Redes de várias camadas MLP - Multi-Layer Perceptron (Adaline?!) Backpropagation network Superar as limitações
Leia maisReconhecedor de Alcoolismo
Gabriel Figueiredo I Maria Luísa Cantadori Ricardo Bernardina Projeto da disciplina PSI 2672 Introdução Objetivo: Criar uma rede neural capaz de encontrar uma relação entre o sinal do EEG e a predisposição
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisCompressão de Áudio Digital. Aluno: Marcio Masaki Tomiyoshi Supervisor: Marcelo Gomes de Queiroz
Compressão de Áudio Digital Aluno: Marcio Masaki Tomiyoshi Supervisor: Marcelo Gomes de Queiroz Introdução Motivações Com perdas (lossy) o MP3 Sem perdas (lossless) o FLAC Representação Digital do Som
Leia maisRedes Neurais: MLP. 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: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisSegmentação automática de sinais musicais monofônicos para análise da expressividade
Segmentação automática de sinais musicais monofônicos para análise da expressividade Tairone Magalhães Rodrigo Borges Thiago Campolina Davi Mota Maurício Alves Loureiro Universidade Federal de Minas Gerais
Leia maisReconhecimento de Gestos
Reconhecimento de Gestos Henrique Augusto Richter Tópicos em Visão Computacional Universidade Federal do Paraná Sumário Introdução Utilização Problemas Trabalhos Artigo 1 Artigo 2 Project Soli Introdução
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 maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
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 maisRECONHECIMENTO DE TONS DTMF UTILIZANDO UMA REDE NEURAL DE KOHONEN
Lima e Minussi 36 RECONHECIMENTO DE TONS DTMF UTILIZANDO UMA REDE NEURAL DE KOHONEN Fernando Parra dos Anjos Lima 1 engfernandoparra@gmail.com Carlos Roberto Minussi 2 minussi@dee.feis.unesp.br RESUMO
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas II Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de
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 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 maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisClassificação de Gêneros Musicais Utilizando Vetores de Característica Híbridos
Classificação de Gêneros Musicais Utilizando Vetores de Característica Híbridos Carlos N. Silla Jr. 1, Celso A. A. Kaestner 2, Alessandro L. Koerich 3,4 1 School of Computing University of Kent Canterbury,
Leia mais[1] ALCAIM, A.. Processamento de Voz e Imagem. PUC Rio, 1999.
Referências Bibliográficas [1] ALCAIM, A.. Processamento de Voz e Imagem. PUC Rio, 1999. [2] ATAL, B.. Automatic Recognition of speakers from Their Voices. Proceeding of the IEEE, Vol. 64, No. 4, pp. 460-475,
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 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 maisSISTEMAS DE CLASSIFICAÇÃO MUSICAL COM REDES NEURONAIS
SISTEMAS DE CLASSIFICAÇÃO MUSICAL COM REDES NEURONAIS Ricardo Malheiro*/** Rui Pedro Paiva** António José Mendes** Teresa Mendes** Amílcar Cardoso** Como resultado da evolução e inovação tecnológicas,
Leia maisDescoberta de conhecimento em redes sociais e bases de dados públicas
Descoberta de conhecimento em redes sociais e bases de dados públicas Trabalho de Formatura Supervisionado Bacharelado em Ciência da Computação - IME USP Aluna: Fernanda de Camargo Magano Orientadora:
Leia maisRECONHECIMENTO DE AVES DE NOMES ONOMATOPÉICOS UTILIZANDO ÁRVORE DE DECISÃO
RECONHECIMENTO DE AVES DE NOMES ONOMATOPÉICOS UTILIZANDO ÁRVORE DE DECISÃO Célio S. de Brito Junior 1, Paulo César M. Machado 1 e Rodrigo P. Lemos 1 1 Escola de Engenharia Elétrica e de Computação Universidade
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
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 maisGENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES
GENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES Igor Amazonas de Andrade 1 Mosar Faria Botelho 2 Selma Regina Aranha
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 PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
PREDIÇÃO DA SÉRIE TEMPORAL DE MACKEY-GLASS UTILIZANDO REDE NEURAL ARTIFICIAL APLICADA À BIOMÉDICA Luís Augusto Mesquita de Castro, Leiliane Borges Cunha, Antonio da Silva Silveira, Rejane de Barros Araújo
Leia maisESTRATÉGIA PARA SELEÇÃO DE SUB-BANDAS WAVELET EM SISTEMAS DE MONITORAMENTO DE DESCARGAS PARCIAIS
XVI ERIAC DECIMOSEXTO ENCUENTRO REGIONAL IBEROAMERICANO DE CIGRÉ Puerto Iguazú, Argentina 17 al 21 de mayo de 2015 A1-11 Comité de Estudio A1 - Máquinas Eléctricas Rotativas ESTRATÉGIA PARA SELEÇÃO DE
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 maisCLASSIFICADORES DE GÊNEROS MUSICAIS USANDO MÁQUINAS DE VETOR DE SUPORTE E REDES NEURAIS. Salvador, Bahia, , Brasil
CLASSIFICADORES DE GÊNEROS MUSICAIS USANDO MÁQUINAS DE VETOR DE SUPORTE E REDES NEURAIS ELMO A. T. BORGES JR 1, EDUARDO F. SIMAS FILHO 2, ANTÔNIO CARLOS LOPES FERNANDES JR 12 1 Laboratório de Sistemas
Leia maisANÁLISE DA TAXA DE CONVERGÊNCIA DO CONSENSO EM SISTEMAS MULTI-AGENTE COM RETARDOS DE ENTRADA
Anais do 14 O Encontro de Iniciação Científica e Pós-Graduação do ITA XIV ENCITA / 2008 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 20 a 23 2008. ANÁLISE DA TAXA DE CONVERGÊNCIA
Leia maisDESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA
DESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA ALINE J. AMORIM 1, MARA L. LOPES 2, CARLOS R. MINUSSI 1, ESTELIO S. AMORIM 2 1. Departamento de Engenharia Elétrica, UNESP - Universidade
Leia maisPrevisão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado Thays Abreu 1, Carlos R. Santos Junior 2 Mara L. M. Lopes 1 Anna Diva Lotudo 1 Carlos R Minussi 1 1 Universidade
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisComparação de Descritores de Forma aplicados na Classificação de Grãos de Café
Comparação de Descritores de Forma aplicados na Classificação de Grãos de Café Pedro Ivo de Castro Oyama 1 ; Evandro Luís Linhari Rodrigues 2 ; Lúcio André de Castro Jorge 3 1- Mestrando, Escola de Engenharia
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Formas de Aprendizado Existe
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisPrevisão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression
Previsão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression Gabriel I. S. Ruas 1, Ticiano A. C. Bragatto 1, Marcus V. Lamar 2, Alexandre R. Aoki 3, Silvio Michel
Leia maisPrevisão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy
Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy C. M. Oliveira, A. D. P. Lotufo Departamento de Engenharia Elétrica Universidade Estadual Paulista, UNESP Ilha Solteira, São
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
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 maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
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 maisIntrodução às Redes Neurais Artificiais. Eduardo Simas
Introdução às Redes Neurais Artificiais Eduardo Simas (eduardo.simas@ufba.br) Sumário O que são as Redes Neurais Artificiais? Para que servem? Processamento da Informação Tipos de Redes Neurais Modos de
Leia maisGoogLeNet - Going Deeper with Convolutions
- Going Deeper with Convolutions Heyde Francielle do Carmo França Prof. Dr. Anderson Soares Instituto de Informática Universidade Federal de Goiás 02 de Dezembro de 2016 1 / 35 Sumário I 1 2 3 2 / 35 3
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisSociedade de Engenharia de Áudio Artigo de Convenção Apresentado na VIII Convenção Nacional de Junho de 2004, São Paulo, SP
Sociedade de Engenharia de Áudio Artigo de Convenção Apresentado na VIII Convenção Nacional 21-23 de Junho de 2004, São Paulo, SP Este artigo foi reproduzido do original entregue pelo autor, sem edições,
Leia maisThe Latin Music Database: Uma Base de Dados Para a Classificação Automática de Gêneros Musicais
The Latin Music Database: Uma Base de Dados Para a Classificação Automática de Gêneros Musicais Carlos N. Silla Jr. 1, Celso A. A. Kaestner 2, Alessandro L. Koerich 1 1 Pontifícia Universidade Católica
Leia maisComparação de Abordagens de Classificação para um Problema de Mineração de Dados Meteorológicos
Comparação de Abordagens de Classificação para um Problema de Mineração de Dados Meteorológicos Glauston Roberto Teixeira de Lima, Stephan Stephany, INPE Laboratório Associado de Computação e Matemática
Leia maisImplementação de um phmetro através de Redes Neurais Artificiais e Algoritmos Genéticos
Prof. Emílio Del Moral Hernandez Implementação de um phmetro através de Redes Neurais Artificiais e Algoritmos Genéticos Alexandre Kimiyaki Ligo César Augusto Mayor Herrera Massaki de Oliveira Igarashi
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia mais5 Experimentos Conjunto de Dados
Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto
Leia maisUso das redes neurais de função de base radial e Growing Neural Gas na classificação de imagens de sensoriamento remoto
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7247 Uso das redes neurais de função de base radial e Growing Neural Gas na classificação
Leia maisMedidas da Onda Sonora Prof. Theo Z. Pavan
Medidas da Onda Sonora Prof. Theo Z. Pavan Física Acústica Aula 8 Energia transportada pelas ondas Ondas transportam energia. Intensidade I de uma onda: Potência transportada por unidade de área perpendicular
Leia maisDiagnóstico de falhas em sistemas degradados utilizando técnicas de Redes Neurais Artificiais
Diagnóstico de falhas em sistemas degradados utilizando técnicas de Redes Neurais Artificiais Ricardo de Carvalho Destro Volans Informática Ltda Centro Universitário da FEI 04548-005, São Paulo, São Paulo,
Leia maisMODELAGEM NEURAL DA FREQUÊNCIA DE RESSONÂNCIA DE ANTENAS PATCHES EM MICROFITA QUASE-FRACTAL
MODELAGEM NEURAL DA FREQUÊNCIA DE RESSONÂNCIA DE ANTENAS PATCHES EM MICROFITA QUASE-FRACTAL Adaildo G. D ASSUNÇÃO (1); Elder Eldervitch C. DE OLIVEIRA (2); Ronaldo de A. MARTINS (3); João Bosco L. de OLIVEIRA
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
Toolbox de Redes Neurais MATLAB Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Toolbox de Redes Neurais Introdução ao Matlab Linha de comando NNTool Estudo de Casos Análise de Crédito Bancário (Classificação).
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Leia mais1 O que é uma Rede Neuronal?
Curso de Data Mining Sandra de Amo Aula 10 - Classificação utilizando Redes Neuronais 1 O que é uma Rede Neuronal? Até o momento, temos dois tipos de conceitos que podem ser produzidos em resposta a uma
Leia maisReconhecimento Automático de Fala em Português usando Redes Neurais Artificiais Profundas
Reconhecimento Automático de Fala em Português usando Redes Neurais Artificiais Profundas Diana A. Bonilla C, Nadia Nedjah Departamento de Engenharia Eletrônica e Telecomunicações Faculdade de Engenharia
Leia maisPredição genômica de caracteres quantitativos por meio de Redes Neurais Artificias
Universidade Federal de Viçosa Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias Isabela de Castro Sant Anna Supervisor: Moysés Nascimento Laboratório de Inteligência Computacional
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 mais