RECONHECIMENTO DE PADRÕES DE ESPÉCIES DE MORCEGOS DO SUL DA BAHIA UTILIZANDO CLUSTERIZAÇÃO FUZZY
|
|
- Theodoro Estrela Guterres
- 7 Há anos
- Visualizações:
Transcrição
1 RECONHECIMENTO DE PADRÕES DE ESPÉCIES DE MORCEGOS DO SUL DA BAHIA UTILIZANDO CLUSTERIZAÇÃO FUZZY Pedro Henrique Silva Coutinho, Thiago Pereira das Chagas Departamento de Ciências Exatas e Tecnológicas Universidade Estadual de Santa Cruz Ilhéus, Bahia, Brasil s: coutinho.p92@gmail.com, tpchagas@uesc.br Abstract This work presents a methodology to pattern recognition of bat species based on fuzzy clustering. The fuzzy feature provides robustness to real data analysis, since classification is represented by membership degrees. The metodology is based on extraction of features using principal component analysis, determination of the number of species present in the data set by different cluster validity indices and unsupervised classification using a hybrid method, the Subtractive Fuzzy ckmeans. The method was tested in data sets with different number of species represented by six parameters extracted from echolocation signals. With the increase of the amount of species, the used parameters were insufficient to descorrelate the features of species, indicating that new parameters should be introduced to data to increase the efficient classification. Keywords Fuzzy clustering, pattern recognition, bat species, echolocation signals. Resumo Este trabalho apresenta uma metodologia para reconhecimento de padrões de espécies de morcegos baseada em agrupamento fuzzy. O caráter fuzzy provê robustez à análise de dados reais, já que a classificação é representada por graus de pertinência. A metodologia se baseia na extração de características utilizando análise de componentes principais, determinação da quantidade de espécies presentes no conjunto de dados a partir de índices de validade de agrupamento e classificação fuzzy não-supervisionada utilizado um método híbrido, o Fuzzy ckmeans Subtrativo. O método foi testado em conjuntos de dados com diferentes números de espécies representadas por seis parâmetros extraídos de sinais de ecolocalização. Com o aumento da quantidade de espécies no conjunto de dados, os parâmetros utilizados foram insuficientes para descorrelacionar as características das espécies, indicando que novos parâmetros devam ser inseridos aos dados para aumento da eficiência da classificação. Palavras-chave Agrupamento fuzzy, reconhecimento de padrões, espécies de morcegos, sinais de ecolocalização. 1 Introdução A maioria dos morcegos, com exceção das raposas voadoras, utilizam sinais de ecolocalização para orientação espacial e captura de alimentos. Os morcegos emitem ondas que são refletidas nos objetos ao redor e processadas pelo sistema auditivo, permitindo o reconhecimento do espaço e localização de potenciais presas (Farias, 2012). Cada espécie possui características próprias destes sinais e, com isso, diversos estudos puderam ser realizados a fim de identificar espécies acusticamente. Sabe-se que estas características podem variar em algumas situações. No processo de caça, quando o morcego se aproxima do alvo, o intervalo entre os pulsos emitidos aumenta, permitindo maior precisão na localização. Desta forma, para identificação de espécies, são utilizados sinais em regime. A identificação acústica de morcegos é realizada com a análise do espectrograma do sinal de ecolocalização, que é um gráfico que relaciona a intensidade do sinal nos domínios da frequência e do tempo. Atualmente, a identificação pode ser realizada por métodos manuais ou automáticos (Preatoni et al., 2005). Nos manuais, o espectrograma é gerado e características são extraídas de sua análise. Então é realizada uma busca na literatura por espécies com características acústicas similares. Entretanto, esse processo demanda tempo e é suscetível a falhas humanas. Nos automáticos, métodos estatísticos ou inteligência artificial são aplicados para a identificação(parsons, 2001; Parsons & Jones, 2000; Jennings et al., 2008). Existem softwares utilizados para geração do espectrograma e a identificação automática de espécies, mas possuem um alto custo e seus resultados são imprecisos para espécies do sul da Bahia. O estudo relacionado à identificação ainda não é aplicado em espécies da Mata Atlântica. Neste trabalho é apresentado um método fuzzy de agrupamento para reconhecimento de padrões de espécies de morcegos da região sul da Bahia. O método se constitui em determinar a quantidade de subestruturas (espécies) contidas no conjunto de dados e em classificá-los nãosupervisionadamente. Para determinação das subestruturas foram aplicados índices de validação de agrupamento e para a classificação foi utilizado um método híbrido de agrupamento fuzzy. A característica fuzzy permite avaliar incertezas de dados reais através dos graus de pertinência, que expressam a probabilidade de um ponto de dado pertencer a um dado grupo. O método foi aplicado em conjuntos gerados com diferentes números de espécies de morcegos do sul da Bahia, sendo que cada morcego é representado por parâmetros extraídos do seu sinal de ecolocalização.
2 Este trabalho está organizado em 5 seções. Uma breve fundamentação teórica das técnicas utilizadas é apresentada na Seção 2. Na seção 3 é apresentada a metodologia proposta. Os resultados obtidos são apresentados e discutidos na Seção 4. Além disso, os resultados são comparados com o método clássico de agrupamento fuzzy, o Fuzzy c-means. Finalmente, a Seção 5 trata das conclusões e perspectivas do trabalho. 2 Fundamentação Teórica 2.1 Agrupamento fuzzy O processo de agrupamento, ou classificação nãosupervisionada, é definido como a organização dos elementosdeumconjuntodedadosz=[z 1,...,z N ] em c N grupos, onde N é a quantidade de elementos (ou amostra) z R l,l N. Essa organização busca garantir a similaridade entre elementos de um mesmo grupo e a dissimilaridade entre elementos de grupos diferentes (Jain et al., 1999). Os métodos de agrupamento costumam ser classificados como hard ou fuzzy. A abordagem fuzzy é capaz de capturar a incerteza proveniente de dados reais e prover resultados mais robustos que os agrupamentos hard (Vargas & Bedregal, 2010), já que um ponto de dado é classificado por graus de pertinência relacionados a cada grupo Fuzzy ckmeans O método de agrupamento Fuzzy ckmeans (FCKM) é uma variação do Fuzzy c-means(fcm) (Vargas & Bedregal, 2010). O FCM realiza o processo de agrupamento solucionando o problema de otimização descrito pela equação (1) (Bezdek, 1981) a partir da minimização da distância entre cada elemento z k e cada centro v i. Um centro é um ponto que representa um grupos obtido no processo de agrupamento. J(Z,U,V) = c i=1 k=1 N (µ ik ) m z k v i (1) onde m é uma constante dada no intervalo (1, ), denominada parâmetro de fuzzyficação, c é a quantidade de grupos, V= [v 1,...,v c ] a matriz de centros e U= [µ ik ] a matriz de pertinências µ [0,1]. No FCKM, o modo com que os centros dos grupos são calculados é semelhante ao do algoritmo k-means (MacQueen, 1967). Uma matriz binária, denominada µcrisp, é obtida a partir da matriz de pertinência U gerada pelo FCM com a condição apresentada na equação (2) (Vargas & Bedregal, 2010): µcrisp ij = max µ ij c, max µ µ ij (2) N il max µ l=1 lj l=1 onde µcrisp ij é a pertinência de cada elemento a cada grupo para o FCKM. O primeiro termo da condição garante que seja atribuído o valor 1 ao grupo a que um elemento possua maior grau de pertinência. Enquanto o segundo garante que exista pelo menos um elemento contido em cada grupo. Esta variação permite obter resultados similares ao FCM, porém com menor esforço computacional. Entretanto, assim como o FCM, o FCKM necessita da informação a priori da quantidade de grupos c e da matriz V de centros iniciais. 2.2 Agrupamento Subtrativo O agrupamento subtrativo, proposto por Chiu (1994), considera cada ponto de dado um potencial centro. Ao longo das iterações, o ponto que apresenta maior potencial é escolhido como centro e os potenciais dos demais pontos são subtraídos pelo seu. Este processo se repete até que um dado critério de parada seja alcançado. O potencial do elemento z k é dado pela equação (3). onde p k = N j=1 e α z k z j α = 4 r a 2, p R,k = 1,2,...,N e α,r a > 0 (3) Os potenciais são atualizados de acordo com a equação (4). p k p k p le β z k z l (4) onde z l é o l-ésimo elemento com potencial p l e β = 4 r b 2, β,r b > 0 As constantes r a e r b determinam a influência da vizinhança no cálculo do potencial de um ponto. Com a diminuição do valor de r a a quantidade de grupos gerados tende a aumentar. Para evitar a obtenção de grupos próximos, o valor de r b é escolhido comumente como r b = 1.5r a (Chiu, 1994), implicando na diminuição de β. 2.3 Fuzzy ckmeans Subtrativo Um dos principais problemas em métodos de agrupamento fuzzy é a inicialização dos centros. Yang et al. (2010) propuseram o agrupamento subtrativo para essa finalidade ao FCM. Aqui, a mesma proposta foi aplicada ao FCKM.
3 O Fuzzy ckmeans Subtrativo (FCKMS) é um método híbrido de agrupamento que utiliza o agrupamento subtrativo para inicializar a matriz de centros do FCKM. Com isso, a inicialização dos centros passa a ser automática e em pontos obtidos do conjunto de dados. Estes pontos estão localizados próximos aos centros obtidos ao final do processo do FCKM, aumentando a probabilidade de convergência e reduzindo o custo computacional. O número de centros gerados é determinado pela variação do raio de influência r a do método subtrativo. Como para valores pequenos de r a, a quantidade de centros gerados é maior, o seu valor é acrescido de valores pequenos até um valor que gere a quantidade de centros desejada. 2.4 Índices de validade de agrupamento Os índices de validade de agrupamento quantificam a qualidade do agrupamento obtido através de diferentes critérios como densidade e separação dos grupos, por exemplo. Estes índices podem ser aplicados para determinação do número apropriadodegruposemumconjuntodedados(babuska, 1998). Para isso, o processo de agrupamento é realizado para diferentes números de grupos e os índices de validade são calculados para cada um. A qualidade do agrupamento e, consequentemente, o valor de grupos a ser escolhido, é indicada por valores de máximo ou mínimo, a depender do método. 2.5 Análise de componentes principais A análise de componentes principais (PCA - principal component analysis) (Jolliffe, 2002) é uma técnica vastamente utilizada para extração de características e redução de dados. Ela é baseada na transformação de dados cujas características podem estar correlacionadas em um espaço onde as características sejam não correlacionadas. As componentes do espaço gerado são denominadas componentes principais e são ordenadas em ordem decrescente de variância. 3 Metodologia Para realização dos testes foram gerados conjuntos de dados com 30 morcegos de cada espécie utilizando dados de média e desvio padrão de parâmetros extraídos dos sinais de ecolocalização descritos na literatura (Farias, 2012). Foram escolhidas espécies disponíveis em um banco de dados de sinais gravados, cujos parâmetros estão em fase de extração. Foram gerados dois conjuntos de dados, denominados C1 1 e C2 2, com cinco e oito espé- 1 Eptescicus furinalis, Eumops auripendulus, Molossus molossus, Myotis nigricans e M. riparius 2 Eptescicus furinalis, Eumops auripendulus, Molossus cies encontradas no sul da Bahia, respectivamente. Cada conjunto possui 30 morcegos de cada espécie, caracterizados por seis parâmetros extraídos dos espectrogramas dos sinais de ecolocalização. Um exemplo de espectrograma é apresentado na Figura 1. Os parâmetros relacionados ao sinal no tempo são duração do sinal e intervalo entre pulsos, em ms, e relacionados à frequência são frequência inicial, frequência final, máxima frequência e menor frequência, em khz. Figura 1: Espectrograma da espécie Nyctinomops laticaudatus (N.l.) (Farias, 2012) A metodologia baseia-se em três etapas: extração de características, determinação do número de espécies contidas nos conjuntos de dados e classificação não-supervisionada. A etapa de extração de características foi realizada com a aplicação do PCA aos conjuntos de dados. Com isso, a dimensionalidade dos dados foi reduzida para a quantidade de componentes principais que apresentaram variância significativa para a classificação. A determinação da quantidade de espécies foi realizada com a análise dos resultados dos índices de validade de agrupamento. Os índices foram obtidos após a realização da classificação nãosupervisionada para diferentes valores de grupos. Como cada índice possui um valor indicativo do número ótimo de grupos, foi escolhida a moda, que é o valor que mais se repete, dos valores indicados por cada índice. Neste trabalho foram aplicados quatro índices de validade de agrupamento (Babuska, 1998): distância média entre grupos (AWCD - average within-cluster distance), hipervolume fuzzy (FH - fuzzy hypervolume), densidade média da separação (APD - average partition density) e achatamento médio dos grupos(acf- average cluster flatness). O número adequado de grupos é indicado pelo APD por valores de máximo, enquanto no FH e no ACF por valores de mínimo. O AWCD decai de forma monótona com o aumento do número de grupos, uma diminuição acentuada na taxa de decaimento no gráfico indica o valor adequado. Para a classificação não-supervisionada foi aplicado o FCKMS, sendo utilizada a norma euclidiana como medida de distância entre os pontos molossus, M. rufus, Myotis nigricans, M. riparius, Lasiurus cinerus e L. ega
4 e os centros. 4 Resultados A qualidade dos resultados obtidos foi medida quantitativamente utilizando o produto de eficiência (EP), que é a média geométrica dos percentuais de morcegos classificados corretamente em cada espécie (Ef i ). Matematicamente, é expresso pela equação (5). EP = [(Ef 1 )...(Ef c )] 1 c (5) O FH, o APD e o AWCD indicaram 5 grupos, enquanto o ACF 4 grupos. Desta forma, foi escolhido o valor 5 para realização da classificação não-supervisionada. O FCKMS foi inicializado com m=2 e para determinação dos centros iniciais, variou-se o parâmetro r a até que fossem gerados 5 centros, resultado obtido com r a =0.12. A disposição espacial dos grupos obtidos está apresentada na Figura 4. Os elementos foram classificados aos grupos que apresentaram maior grau de pertinência. 4.1 Conjunto de dados C1 Com a aplicação do PCA a dimensionalidade foi reduzida para 2 componentes principais, pois apresentaram variância explicativa de 91%. A disposição espacial das espécies no espaço do PCA está apresentada na Figura 2. Figura 4: Disposição espacial das espécies do conjunto C1 separadas por símbolos. Os centros obtidos são apresentados em vermelho. Nesse resultado, todos os elementos foram classificados corretamente, portanto EP=1. Figura 2: Disposição espacial das espécies do conjunto C1 separadas por símbolos. Os índices de validade de agrupamento foram obtidos para o número de grupos de 1 a 10 e estão apresentados na Figura 3. Figura 3: Índices de validade de agrupamento aplicados a C Conjunto de dados C2 Com a aplicação do PCA ao conjunto de dados C2 foi obtida a disposição espacial presente na Figura 5. Neste caso, as duas primeiras componentes principais explicaram 88% da variância e a terceira componente 7%. A influência na classificação da terceira componente principal foi testada e o resultado foi inferior ao obtido com duas componentes. Os valores dos índices de validade de agrupamento obtidos para este conjunto estão apresentados na Figura 6. Apenas o APD e o AWCD indicaram a quantidade correta de grupos. O FH apresentou valores de mínimo para 3 e 7 grupos e o ACF para 6 grupos. Sabe-se que foram gerados 8 grupos, porém em uma situação de completo desconhecimento das espécies, há uma prevalência deste número. Este resultado é favorável à metodologia utilizada. O resultado obtido com a aplicação do FCKMS, inicializado com m=2 e os 8 centros iniciais obtidos com r a =0.225, é mostrado na Figura 7.
5 Figura 5: Disposição espacial das espécies do conjunto C2 separadas por símbolos. Figura 8: Detalhe da disposição espacial das espécies de C2 classificadas incorretamente, separadas por símbolos. Os centros obtidos são apresentados em vermelho. 81% eficiente. Com a análise dos graus de pertinência realizada por um especialista, a classificação dos morcegos pode ser avaliada e eventualmente alterada. Sendo assim, o problema de classificação manual passa a ser apenas de um subconjunto dos dados originais. Na Figura 9 são apresentados os graus de pertinência da espécie representada por na Figura 5 em relação aos grupos próximos, representados por, e na Figura 7. Índices de validade de agrupamento aplica- Figura 6: dos a C2. Figura 9: Graus de pertinência dos morcegos da espécie de C2 da Fig. 5 aos grupos (preto), (cinza) e (branco) da Fig. 7. Figura 7: Disposição espacial das espécies do conjunto C2 separadas por símbolos. Os centros obtidos são apresentados em vermelho. A região onde ocorreram as classificações incorretas pode ser melhor visualizada pela Figura 8. Neste resultado, a classificação foi cerca de Nesse caso, pode-se perceber que os graus de pertinência dos morcegos classificados incorretamente são baixos em relação ao grupo que deveriam pertencer (preto). 4.3 Comparação com o Fuzzy c-means e o Fuzzy ckmeans A comparação de desempenho entre o FCKM e o FCM foi realizada em de Vargas (2010), com resultados favoráveis para o Fuzzy ck-means. Nesta seção é realizada esta comparação para os conjun-
6 tos de dados dos chamados dos morcegos, averiguando os efeitos da inicialização com o método subtrativo. Para isso, são comparados resultados de EP e número de iterações obtidos com o FCM e o FCKM para 100 inicializações aleatórias de centros. Os resultados das inicializações aleatórias são comparados aos obtidos para os conjuntos C1 e C2 utilizando o FCKMS nas Tabelas 1 e 2, respectivamente. Tabela 1: Maiores produtos de eficiência (%) e média das iterações dos 100 testes com o FCM e FCKM para o conjunto de dados C1 Maior EP n o de iterações FCM 98,63 42 ± 25 FCKM ± 2 FCKMS Tabela 2: Maiores produtos de eficiência (%) e média das iterações dos 100 testes com o FCM e FCKM para o conjunto de dados C2 Maior EP n o de iterações FCM 64,60 90 ± 29 FCKM 82,15 10 ± 4 FCKMS 81,49 4 O FCKMS apresentou eficiências similares às obtidas com o FCKM e superiores às do FCM. Entretanto, o custo computacional requerido foi menor, já que os centros são inicializados em pontos próximos aos de convergência. 5 Conclusões Com o aumento da quantidade de espécies contidas no conjunto de dados, os parâmetros utilizados não se mostraram suficientes para descorrelacionar as espécies de maneira eficiente. Pretende-se empregar esta metodologia em conjuntos de dados obtidos a partir de sinais gravados localmente. Contudo, mais características deverão ser extraídas dos sinais de ecolocalização, implicando na maior possibilidade de descorrelação de características de um grande número de espécies. Além disso, outros tipos de técnicas de extração de características, como a análise de componentes independentes, deverão ser implementadas à metodologia e novos índices de validade de agrupamento para determinação do número de espécies. O reconhecimento das espécies referentes a cada grupo é realizada a partir das características dos centros obtidos. Um sistema especialista fuzzy está sendo desenvolvido para realização automática desta etapa. À Universidade Estadual de Santa Cruz. Ao Rogério Vargas, Fábio Falcão e ao projeto FAPEDB/UESC: Identificação automática de espécies de morcegos através do sinal de ecolocalização utilizando sistemas Fuzzy. Bibliografia BABUŠKA, R. Fuzzy modeling for control. New York: Springer, ISBN BEZDEK, J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum Press, CHIU, S. L., Fuzzy Model Identfication Based on Cluster Estimation.Journal of Intelligent and Fuzzy Systems, v. 2, p , de Vargas, R.R; BEDREGAL, B. R. C., A comparative study between fuzzy c-means and ckmeans algorithms. Fuzzy Information Processing Society (NAFIPS), 2010 Annual Meeting of the North American, p. 1-6, FARIAS, H. M. Monitoramento e identificação acústica de espécies de morcegos da Mata Atlântica por sinais de ecolocalização: contribuições ecológicas e potencial para conservação f. Dissertação (Mestrado em Ecologia e Conservação de Biodiversidade) - Universidade Estadual de Santa Cruz, Ilhéus JAIN, A.; MURTY, M.; FLYNN, P. Data Clustering: A review. ACM Comput. Surv., vol. 31, no.3, p , JENNINGS, N.; PARSONS, S.; POCOCK, M. J. O. Human vc. machine: identification of bat species from their echolocation calls by humans and by artificial neural networks. Can. J. Zool., 86, , JOLLIFFE, I. T. Principal Component Analysis. Springer, MACQUEEN, J. Some Methds for Classification and Analysis of Multivariate Observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, p , Berkeley, CA. University of California Press, PARSONS, S. Identification of New Zealand bats (Chalinolobus tuberculatus and Mystacina tuberculata) in flight from analysis of echolocation calls by artificial neural networks. J. Zool. Lond., 253, , PARSONS, S.; JONES, G. Acoustic identification of twelve species of echolocating bat by discriminant function analysis and artificial neural networks. The Journal of Experimental Biology, 203, , PREATONI, D. G. et al. Identifying bats from time-expanded recordings of search calls: comparing classification methods. Journal of Wildlife Management, 69 (4), , VARGAS, R.; BEDREGAL, B.: Uma nova forma de calcular o centro dos clusters no algoritmo Fuzzy c-means. Proceedings of CNMAC 2010, v. 3, p , YANG, Q.; ZHANG, D.; TIAN, F. An initialization method for Fuzzy C-means algorithm using Subtractive Clustering. 3rd International Conference on Intelligent Networks and Intelligent Systems, p , Nov Agradecimentos
Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy
Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy Pedro Henrique S. Coutinho, Thiago P. das Chagas, Fábio da C. Cruz DCET - UESC Ilhéus, Bahia, Brasil Emails:
Leia maisUma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means
Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal, Departamento de Matemática Aplicada e Informática, DIMAp, UFRN 59072-970, Natal,
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisUso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos Jorge V. R. Bonato, Paulo H. Siqueira Programa de
Leia maisUma Extensão Intervalar do Algoritmo Fuzzy C-Means
Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Rogério R. de Vargas e Benjamín R. C. Bedregal CNMAC 2009 Cuiabá-MT, Setembro de 2009 Vargas e Bedregal PPgSC/ Universidade Federal do Rio Grande do Norte
Leia maisREVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS
REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS Eduardo Braun - eduardotbraun@gmail.com Universidade Federal de Santa Maria, Campus Camobi, 97105-900 - Santa Maria, RS, Brasil Alice de
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisChuvas e Precipitações
Chuvas e Precipitações Chuvas e Precipitações 1. Mais chuvosos; Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; 3. Menos chuvosos. Chuvas
Leia maisA Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining
A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining José Márcio Cassettari Junior, Merisandra Côrtes de Mattos 2, Priscyla Waleska Targino de Azevedo Simões 2, Cristian
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisA procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
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 maisA comparison between K-Means, FCM and ckmeans algorithms
2011 Workshop-School on Theoretical Computer Science A comparison between K-Means, FCM and ckmeans algorithms Rogério R. de Vargas, Benjamín R. C. Bedregal Departamento de Informática e Matemática Aplicada
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 maisClusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel
19 a 21 de mar o de 2010 157 Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel José Márcio Cassettari Junior 1, Merisandra Côrtes de Mattos 1, João Manuel M. De Carlo 1, Priscyla
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisALGORITMO HÍBRIDO DE OTIMIZAÇÃO GLOWWORM-BOIDS. {oliveira,
ALGORITMO HÍBRIDO DE OTIMIZAÇÃO GLOWWORM-BOIDS Gian FRITSCHE 1,2,*, Paulo B. Moura OLIVEIRA 1, Eduardo J. Solteiro PIRES 1, Pedro L. Paula FILHO 2 1 INESC TEC INESC Tecnologia e Ciência (INESC Porto, polo
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Clusterização: Conceitos Básicos Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisInteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013
Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de 2013 http://rogerio.in slide 1 Introdução http://rogerio.in slide 2 Como agrupar?
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
Leia maisClusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar
Clusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar Rogério R. de Vargas, Benjamín R. C. Bedregal, Macilon A. Costa Neto 2 Programa de Pós-Graduação em Sistemas
Leia maisMineração de Textos na Web
Mineração de Textos na Web Luciano Antonio Digiampietri Escola de Artes Ciências e Humanidades da Universidade de São Paulo digiampietri@usp.br Resumo: Com o crescimento das informações disponíveis na
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
IDENTIFICAÇÃO AUTOMÁTICA DE ESPÉCIES DE MORCEGOS INSETÍVOROS DA MATA ATLÂNTICA ATRAVÉS DO SINAL DE ECOLOCALIZAÇÃO UTILIZANDO SISTEMA ESPECIALISTA FUZZY E MÁQUINAS DE VETOR DE SUPORTE Pedro Henrique Silva
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisDespacho Econômico com Zonas de Operação Proibidas através de Otimização Bioinspirada
Despacho Econômico com Zonas de Operação Proibidas através de Otimização Bioinspirada Ezequiel S. Oliveira, Ivo C. Silva Junior, Leonardo W. Oliveira, Bruno H. Dias, Manuela Filgueiras Universidade Federal
Leia maisComplexidade Computacional do Algoritmo de Detecção de Energia
4 Simulações Este capítulo apresenta a comparação e avaliação dos algoritmos que foram apresentados no capítulo anterior. O primeiro resultado apresentado é a comparação da complexidade computacional dos
Leia maisTRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS
TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS Junior Leal do Prado Instituto Federal de Sergipe Av. Gentil Tavares da Mota, 1166 - Getúlio Vargas Aracaju/SE
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisAplicação de Mapa Auto-Organizável ao Agrupamento de Dados de Refletividade de Radar
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Aplicação de Mapa Auto-Organizável ao Agrupamento de Dados de Refletividade de Radar Jorge V. R. Bonato, Paulo H. Siqueira, Programa de Pós-Graduação
Leia maisUm Algoritmo de Mapa Auto-Organizável por Lote Baseado em Distâncias Adaptativas
Um Algoritmo de Mapa Auto-Organizável por Lote Baseado em Distâncias Adaptativas Luciano D. S. Pacífico 1, Francisco de A. T. de Carvalho 1 1 Centro de Informática Universidade Federal de Pernambuco (UFPE)
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisOTIMIZAÇÃO BIOINSPIRADA COM APLICAÇÕES NO SETOR ELÉTRICO
UNIVERSIDADE FEDERAL DE JUIZ DE FORA FACULDADE DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA - PPEE OTIMIZAÇÃO BIOINSPIRADA COM APLICAÇÕES NO SETOR ELÉTRICO Prof. Ivo Chaves da Silva Junior
Leia maisCLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Leia maisSumário. Referências utilizadas. Introdução. MAFIA: Merging of Adaptive Finite Intervals. Introdução Visão Geral e Objetivos do MAFIA
Sumário : Merging of Adaptive Finite Intervals Elaine Ribeiro de Faria Análise de Agrupamento de Dados ICMC-USP Dezembro 2010 Introdução Visão Geral e Objetivos do Algoritmo Grid Adaptativo Algoritmo Algoritmo
Leia maisNEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO. Marcos Aurélio Santos da Silva 1
NEUROCOMPUTAÇÃO E SIG NO SUPORTE AO PLANEJAMENTO URBANO Marcos Aurélio Santos da Silva 1 Palavras-chave: Redes Neurais Artificiais, Análise Espacial de Área, Visualização de dados, Análise de Agrupamentos
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multivariados 1 Análise de componentes principais 2 Aplicações de análise
Leia maisAPLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia mais6 Clustering: Definindo Grupos Estratégicos
6 Clustering: Definindo Grupos Estratégicos 6.1 Introdução Não é difícil deduzir que as 60 empresas distribuidoras de energia elétrica, operantes no SEB, apresentam características heterogêneas. Entretanto,
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisMétodo q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisProjected Clustering Algorithm
Projected Clustering Algorithm Emanuel Matos 5560105 Disciplina : Análise de Agrupamentos Prof. Dr. Ricardo Campello Dez/2010 View Problema Objetivo Definições/Premissas Algoritmo Acurácia Escalabilidade
Leia mais2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL
2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL Esta dissertação trata da pesquisa e análise dos métodos existentes que utilizam arranjo matricial (array-based clustering), para obtenção
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAlgoritmos de segmentação por corte em grafo generalizado
Algoritmos de segmentação por corte em grafo generalizado Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br Corte
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisFundamentos de Entropia Máxima para Aplicação na Modelagem de Distribuição Geográfica de Espécies
Escola Politécnica da Universidade de São Paulo EPUSP Departamento de Engenharia de Computação e Sistemas Digitais PCS Laboratório de Linguagens e Técnicas Adaptativas LTA Laboratório de Automação Agrícola
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisESTUDO DE CASO PARA VERIFICAR A SEGURANÇA EM DUTOS COM DEFEITOS DE CORROSÃO
ESTUDO DE CASO PARA VERIFICAR A SEGURANÇA EM DUTOS COM DEFEITOS DE CORROSÃO Maylon Dieferson Silva de Sobral 1 ; Juliana Von Schmalz Torres 2 1 Estudante do Curso de Engenharia Civil CAA UFPE. E-mail:
Leia maisAlgoritmo ckmeans Aplicado ao Sensoriamento Remoto
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo ckmeans Aplicado ao Sensoriamento Remoto Rogério R. de Vargas
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisConsistência de agrupamentos de acessos de alho via análise discriminante
Consistência de agrupamentos de acessos de alho via análise discriminante 1 Introdução 1 Anderson Rodrigo da Silva 1 Paulo Roberto Cecon 1 Mário Puiatti 2 Moysés Nascimento 1 Fabyano Fonseca e Silva 1
Leia maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda e-mail: valentin@sel.eesc.sc.usp.br
Leia maisFORMAÇÃO DE REGIÕES HOMOGÊNEAS DE PRECIPITAÇÃO POR AGRUPAMENTO FUZZY C-MEANS. Eixo temático: Gerenciamento de Recursos Hídricos e Energéticos
, E 3 DE SETEMBRO DE FORMAÇÃO DE REGIÕES HOMOGÊNEAS DE PRECIPITAÇÃO POR AGRUPAMENTO FUZZY C-MEANS Evanice Pinheiro Gomes () ; Claudio José Cavalcante Blanco (), Francisco Carlos Lira Pessoa (3) () Mestranda
Leia maisPalavras chave: ensaios não destrutivos, processamento digital de sinal, redes neurais, pulso eco, ultrassom
CLASSIFICAÇÃO DE SINAIS ULTRASSÔNICOS PRÉ-PROCESSADOS PELA TRANSFORMADA DE FOURIER ATRAVÉS DAS REDES NEURAIS ARTIFICIAIS UTILIZANDO A TÉCNICA PULSO ECO PARA IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS
Leia maisAplicação de Sistemas de Partículas e Smoothed Particle Hydrodynamics na Simulação de Regiões Espaço-Tempo Afetadas por Singularidades
Aplicação de Sistemas de Partículas e Smoothed Particle Hydrodynamics na Simulação de Regiões Espaço-Tempo Afetadas por Singularidades Autor: Douglas Farias Cordeiro, Orientadora: Celia A. Zorzo Barcelos
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisTrilha Learning Machine Cluster Analysis em 4 passos Marco Siqueira Campos
Trilha Learning Machine Cluster Analysis em 4 passos Marco Siqueira Campos Marco Siqueira Campos Sócio fundador Siqueira Campos Associados e sos-stat Estatístico UFRGS Certificado Data Science Specialization
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia mais5 Resultados Dados artificiais Convergência à mediana e à média com dados artificiais
5 Resultados Os resultados da aplicação do método proposto estão estruturados de forma a evidenciar: 1. A convergência numérica do algoritmo proposto nesta tese para a mediana e para a média de grupos
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 mais7. Resultados. 7 MATLAB é um produto da The MathWorks, Inc.
7. Resultados O modelo foi implementado por meio da linguagem computacional utilizada no software Matlab 7 e através da utilização do otimizador GLPK (GNU Linear Programming kit), em uma plataforma de
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisCAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisUtilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
Leia maisNebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means
NebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means Valmir Macário 1, Francisco de A T de Carvalho 1 1 Centro de Informática, Universidade Federal de Pernambuco; Av Prof
Leia mais