Comparação entre um Classificador Estatístico e Redes Neurais para a identificação da posição angular do braço
|
|
- Micaela Raminhos Caires
- 7 Há anos
- Visualizações:
Transcrição
1 Comparação entre um Classificador Estatístico e Redes Neurais para a identificação da posição angular do braço Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Caio Gerab Tramontina N FEI: Início: Setembro/1 Provável conclusão: Agosto/11
2 RESUMO DO PROJETO O eletromiograma (EMG) é o sinal elétrico gerado em um músculo durante sua contração e representa a atividade neuromuscular. Durante os últimos anos o interesse no EMG cresceu além das aplicações clínicas. Diferentes métodos de processamento de sinais foram propostos para serem utilizados em sistemas de reabilitação, nas interfaces homem-máquina, e no controle de robôs. Para estas finalidades, a idéia principal de todos os sistemas propostos é reconhecimento de padrões. Isto significa análise do sinal de EMG para o reconhecimento e classificação automáticos de um padrão específico relacionado a um movimento, ou tipo de contração representando a intenção do sujeito. Em trabalhos anteriores de Iniciação Científica foi aplicada uma técnica de análise estatística multivariada conhecida como Análise de Discriminantes Lineares (LDA) em dados do EMG visando controle da posição angular do braço. Experiências que misturaram os sinais do Bíceps Braquial e do Tríceps Braquial, adquiridos durante dois tipos de movimentos de flexão e extensão, com e sem carga, com o objetivo de identificar a posição angular do braço mostraram que é possível extrair esta informação dos sinais do EMG, tendo uma boa separabilidade entre as classes, para até 18 classes. O objetivo deste trabalho é dar continuidade, testando e validando o LDA utilizando para isso a técnica de validação cruzada que consiste em utilizar uma parte dos dados para treinamento (8%) e outra parte para validação (2%). Para classificar os dados de teste será utilizado a Distância Euclidiana. Como método comparativo a essa abordagem estatística propõe-se o desenvolvimento, aplicação e teste de uma rede Neural com o mesmo objetivo de separação e classificação dos dados de EMG identificando as posições angulares correspondentes. Palavras-chave: 1. Classificadores 2. LDA 3. Distância Euclidiana 4. Redes Neurais. Posição Angular do braço 6. Eletromiografia
3 I. REVISÃO BIBLIOGRÁFICA O eletromiograma (EMG) é o sinal elétrico gerado em um músculo durante sua contração e representa a atividade neuromuscular. Durante os últimos anos o interesse no EMG cresceu além das aplicações clínicas. Diferentes métodos de processamento de sinais foram propostos para serem utilizados em sistemas de reabilitação, nas interfaces homem-máquina, e no controle de robôs [1]- []. Para estas finalidades, a idéia principal de todos os sistemas propostos é o reconhecimento de padrões. Isto significa análise do sinal de EMG para o reconhecimento e classificação automáticos de um padrão específico relacionado a um movimento, ou tipo de contração representando a intenção do sujeito. Na abordagem estatística, cada padrão é representado em termos de d características e é visto como um ponto em um espaço d-dimensional. O objetivo é escolher quais as características que permitem que diferentes classes ocupem regiões compactas e disjuntas no espaço m-dimensional. Dado um conjunto de padrões de treinamento de cada uma das g classes, o objetivo é definir os limites de decisão no espaço de características que separa padrões distintos pertencentes a diferentes classes. Assim, uma das primeiras etapas, conhecido como extração de características, corresponde em determinar um subconjunto adequado de dimensionalidade m do espaço original de dimensionalidade d. Uma vez que m < d a extração de características é geralmente utilizado para fins de redução de dimensionalidade [6]. A Análise Discriminante Linear (LDA) também pode ser usada para fins de redução de dimensionalidade, mas com poder discriminatório, enfatizando a separação inter-classes. O objetivo é maximizar a dispersão entre classes representada pela matriz Sb (definida por (2)), e minimizar a dispersão dentro das classes, representada pela matriz S (dada por (3)), onde g é o número de classes, Ni o número de amostras na classe Xi, x i a média da classe Xi e x o vetor média total, considerando todas as amostras de todas as g classes [7] - [9]. Devido ao critério de Fisher uma maneira de fazer isso é maximizar a razão definida por (4). Se S é não singular, a solução é um problema típico de autovetores, como definido por (), onde λ e φ são, respectivamente, os autovetores e os autovalores de, com no máximo (g-1) autovalores diferentes de zero. S 1 S b S = g T S b Ni( xi x)( xi x) i= 1 g = i= 1 xk X i W lda T ( x xi )( x xi ) k T W SbW = arg max W T W S W k (2) (3) (4) S φ = λs φ () b No entanto, em aplicações práticas, a dispersão intra-classes S é sempre singular ou quase singular. Isto vem do fato de que, em geral, o número de padrões Ni no conjunto de treinamento é muito menor que a dimensionalidade d do conjunto de dados [7] - [9]. Para superar a dificuldade da singularidade de S, existem vários métodos na literatura. Um deles chamado LDA regularizado (RLDA), adiciona uma constante α para os elementos da diagonal da matriz de dispersão total St, da matriz Sp e até mesmo de S, sendo que <α<1 é conhecido como o parâmetro de regularização. Esse processo estabiliza a estimativa da matriz de covariância e melhora o desempenho da classificação da LDA. Por outro lado, escolher um valor adequado de regularização é uma questão crítica na RLDA, uma vez que um grande valor pode perturbar significativamente as informações, enquanto um valor pequeno pode não ser eficaz para resolver o problema de instabilidade [8] - [1]. S p S = S + S (6) t b ( N g) = S (7) Sete voluntários participaram de um programa piloto [11], no qual foram coletados os dados do bíceps braquial (bíceps) e tríceps braquial (tríceps) durante movimentos de flexão / extensão, sem carga, e com carga de, Kg presa ao punho e a posição angular do cotovelo também foi monitorada. Dois tipos de movimentos, foram repetidos três vezes cada um:
4 Mov.1 - O voluntário flexionou o braço direito em incrementos de 1 a cada 3 seg., passando de o a 9 e retornando para a posição de extensão, da mesma forma. A velocidade de movimento foi 1 o /sec. Mov2 - O voluntário moveu a braço direito de o a 9 e voltou a o, mas desta vez não houve pausas. O movimento foi realizado de forma contínua. A velocidade também foi 1 o /sec. Os sinais EMG do bíceps e tríceps foram pré-processados, retificados e filtrados com um filtro passa baixa de alisamento para obter a envoltória da amplitude. Os 2 ms do início de cada intervalo de 1 foram selecionados, resultando em dados de dimensão d = 2, formando, no máximo, g = 18 classes (9 de flexão e 9 para extensão) com Ni = 21 amostras por classe, para cada movimento (7 voluntários x 3 execuções) ou Ni = 42 amostras por classe, quando ambos os movimentos foram misturados (7 voluntários x 3 x 2 execuções de movimentos). Esta configuração permitiu a avaliação da influência do número e da proximidade dos intervalos de classe no processo de separação. Os sinais de ambos os músculos também foram misturados para verificar a influência das informações contidas no sinal de um único músculo e as informações de ambos os músculos associados. Alguns dos resultados obtidos podem ser vistos nos gráficos a seguir, que evidenciam a separabilidade entre as classes, apesar da grande dependência desta com o parâmetro de regularização [11]. Regularized LDA Data Projection Regularized LDA Data Projection Figura 1 Dados do bíceps e tríceps do Mov.1 projetados nas três componentes mais discriminantes x 1-3 x Figura 2. Dados do bíceps e tríceps do Mov.1 projetados nas três componentes mais discriminantes x 1 Regularized LDA Data Projection x 1-3 Figura 3. Dados do bíceps e tríceps do Mov.2 projetados nas três componentes mais discriminantes. - x x 1-3 Figura. Dados do bíceps e tríceps dos Mov.1 e Mov.2,considerados em conjunto para formar as 1 classes, projetados nas três componentes mais discriminantes. Uma Rede Neural pode ser entendida como uma estrutura conexionista (figura 6) de unidades de processamento conectadas entre si por uma rede de comunicação associada a pesos. Cada unidade de processamento faz operações apenas aos dados locais que são entradas recebidas através da rede de comunicação x Regularized LDA Data Projection x 1-3
5 Figura 6 Topologia da Rede Neural [12] A propriedade mais importante das Redes Neurais é a habilidade de aprender e isso é feito através de um processo iterativo de ajustes aplicado aos pesos associados à rede de comunicação, conhecida como fase de treinamento. O aprendizado ocorre quando a Rede Neural atinge uma solução generalizada para uma classe de problemas[12]-[14]. O algoritmo de aprendizagem é composto pelo conjunto de regras para a solução do problema. Existem muitos tipos de algoritmos que diferem entre si principalmente pelo modo como os pesos são modificados. O "Backpropagation" é um dos algoritmos para treinamento de Redes Multi-Camadas mais difundido, que baseia-se no aprendizado supervisionado por correção de erros. Durante a fase treinamento devemos apresentar um conjunto formado pelo par: entrada da rede e valor desejado como resposta à entrada. A saída será comparada ao valor desejado e será computado o erro global da rede, influenciando na correção dos pesos no passo de retropropagação. Apesar de não haver garantias que a rede forneça uma solução ótima para o problema, este processo é muito utilizado por apresentar uma boa solução para o treinamento de Perceptrons Multi Camadas [12]-[14]. O processo ocorre da seguinte forma: 1 - Propagação: Depois de apresentado o padrão de entrada, a resposta de uma unidade é propagada como entrada para as unidades na camada seguinte, até a camada de saída, onde é obtida a resposta da rede e um erro é calculado, comparando com a resposta desejada (Figura 7); Figura 7- Fase de Propagação [13] 2 - Retropropagação ("backpropagation"): Desde a camada de saída até a camada de entrada, são feitas alterações nos pesos sinápticos de modo a minimizar o erro calculado (Figura 8). Figura 8 - Fase de Retropropagação [13]
6 Centro Universitário da FEI Projeto de pesquisa II. PROJETO DE PESQUISA II.1. Objetivos e justificativas Tendo em vista que a RLDA mostrou que os dados podem ser linearmente separáveis, a continuação do trabalho anterior é a validação da RLDA e para isso pretende-se utilizar a técnica de validação cruzada que consiste em aplicar uma parte dos dados para treinamento (8%) e outra parte para validação (2%). Para classificar os dados de teste será utilizado a Distância Euclidiana. A validação se dará através da análise das porcentagens de acerto e erro de classificação. Como método comparativo a essa abordagem estatística propõe-se o desenvolvimento, aplicação e teste de uma Rede Neural com o mesmo objetivo de separação e classificação dos dados de EMG identificando as posições angulares correspondentes. Com a conclusão deste trabalho pretende-se ter material suficiente para submissão em congressos específicos da área e juntamente com os resultados dos trabalhos anteriores submissão de artigo em revista científica da área. II.2. Metodologia II.2.1. Recursos humanos e materiais Os algoritmos serão desenvolvidos e testados no ambiente do MATLAB e os arquivos de dados exportados para Excel. O Depto de Elétrica e o CGI possuem todo o material necessário para o desenvolvimento do projeto. II.2.2. Métodos Tendo em vista que o aluno em questão não participou das fases de aquisição de dados e também não foi o mesmo das etapas anteriores do trabalho em questão, na fase inicial ele precisará fazer um estudo sobre os movimentos avaliados e sobre as técnicas utilizadas no processamento na primeira fase do projeto. Em seguida o estudo teórico sobre RLDA, Distância Euclidiana, Classificadores, Validação Cruzada e a forma de implementação dos algoritmos no MATLAB e a realização da primeira fase de testes. Na segunda parte do trabalho será necessário um estudo teórico sobre redes neurais e treinamento por Backpropagation e na sequência a implementação dos algoritmos no MATLAB coma realização da segunda etapa de testes de treinamento e validação. A fase final consistirá na comparação dos resultados obtidos pelos dois métodos através das porcentagens de acertos e erros de classificação obtidos. II.3. Plano de trabalho e cronograma Estudo das etapas anteriores meses atividade Revisão Bibliográfica e Estudo teórico RLDA, Distância Euclidiana, Classificadores, Validação Cruzada Desenvolvimento dos Algoritmos, Treinamento e Validação RLDA - Distância Euclidiana Revisão Bibliográfica e Estudo teórico Redes neurais e Backpropagation Desenvolvimento dos Algoritmos, Treinamento e Validação RLDA Análise e Comparação dos resultados Relatório
7 Centro Universitário da FEI Projeto de pesquisa II. Referências Bibliográficas [1] M. B. I. Reaz, M. S. Hussian, and F. Mohd-Yasin, Techniques of EMG signal analysis: detection, processing, classification and applications, Biol. Proced. Online, vol. 8, no. 1, pp.11-3, 26. Avaiable from: [2] Md. R. Ahsan, M. I. Ibrahimy, and O. O. Khalifa, EMG signal classification for human computer interaction: a revie. Europ. J. Scientific Research, vol. 33, no. 3, pp.48-1, 29. [3] M. Khezri, and M. Jahed, Real-time intelligent pattern recognition algorithm for surface EMG signal, BioMed. Eng. Online, vol. 6:4, Dec., 27. Avaiable from: [4] K. Englehart, B. Hudgins, P. A. Parker, and M. Stevenson, Classification of the myoelectric signal using time-frequency based representations, Med. Eng. Phys. Especial Issue on Intell. Data Anal. Electromyog. Electroneurog., vol. 21, pp , Jul., [] B. Hudgins, P. Parker, and R. N. Scott, A ne strategy for multifunction myoelectric control, IEEE Trans. Biom. Eng., vol. 4, pp , Jan., [6] A. K. Jain, R. P. W. Duin, and J. Mao, Statistical pattern recognition: a revie, IEEE Trans Pattern Anal. Intell., vol. 22, pp.4-37, Jan., 2. [7] P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, Eigenfaces vs Fisherfaces: recognition using class specific linear projection, IEEE Trans. Pattern Anal. Mach. Intell., vol. 19, pp , Jul [8] C. E. Thomaz, E. C. Kitani, and D. F. Gillies, A maximum uncertainty LDA-based approach for limited sample size problems ith application to face recognition, J. Brazilian Comput. Soc., Vol. 12, pp. 7-18, Sept., 26. [9] J. Ye, et al., Efficient model selection for regularized linear discriminant analysis, Proc. 1 th ACM Int. Conf. Inform. Knoledge Manage., Virginia, USA, 26, pp [1] Y. Guo, T. Hastie, and R. Tibshirani, Regularized linear discriminant analysis and its application in microarrays, Biostat., vol. 8, pp. 86-1, Apr., 27. [11] M. C. F. Castro, Statistical Approach for Angular Position Separability Classes of EMG Data, submetido ao Biosignals and Biorobotics Conference 211. [12] A. C. P. L. F. Carvalho, Redes neurais Artificiais, disponível em: (acessado em 23/8/21). [13] Laboratório de Bioinformática Laboratório. Nacional de Computação Científica Tutorial de Redes Neurais: Aplicações em Bioinformática. Disponível em: (acessado em 23/8/21). [14] A. Mueller, Uma Aplicação de redes neurais Artificiais na Previsão do Mercado Acionário, Dissertação de Mestrado, Universidade Federal de Santa Catarina, Depto. De Pós Graduação em Eng. de Produção, Disponível em: (acessado em 23/8/21). Caio G. Tramontina Maria Claudia F. Castro
Reconhecimento de Padrões no sinal mioelétrico (Plano Vertical com e sem Carga)
Reconhecimento de Padrões no sinal mioelétrico (Plano Vertical com e sem Carga) Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Milka Savili Crem Costa N FEI: 12109404-9
Leia maisESTUDO DA ANÁLISE DE DISCRIMINANTES LINEARES COMO UM CLASSIFICADOR ESTATÍSTICO DE SINAIS MIOELÉTRICOS
ESTUDO DA ANÁLISE DE DISCRIMINANTES LINEARES COMO UM CLASSIFICADOR ESTATÍSTICO DE SINAIS MIOELÉTRICOS Caio Gerab Tramontina, Maria Claudia F. Castro Depto. Eng. Elétrica / Centro Universitário da FEI,
Leia maisReconhecimento de Sinais EMG (Plano Horizontal Sem Carga)
Reconhecimento de Sinais EMG (Plano Horizontal Sem Carga) Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Thiago Henrique do Nascimento N FEI: 111107778-0 Início:
Leia maisCOMPARAÇÃO DE CARACTERÍSTICAS DO SINAL MIOELÉTRICO VISANDO O RECONHECIMENTO DA POSIÇÃO ANGULAR DO BRAÇO
COMPARAÇÃO DE CARACTERÍSTICAS DO SINAL MIOELÉTRICO VISANDO O RECONHECIMENTO DA POSIÇÃO ANGULAR DO BRAÇO Pedro A. Camargo e Maria Claudia F. Castro Depto. de Eng. Elétrica / Centro Universitário da FEI,
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 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 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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisANÁLISE MULTILINEAR DISCRIMINANTE DE FORMAS FRONTAIS DE IMAGENS 2D DE FACE
ANÁLISE MULTILINEAR DISCRIMINANTE DE FORMAS FRONTAIS DE IMAGENS 2D DE FACE Eliana Zacchi Tenorio, Carlos Eduardo Thomaz Centro Universitário da FEI Av. Humberto de Alencar Castelo Branco, 3972 - Assunção
Leia maisUtilização das transformadas wavelets na detecção de características em um sinal de ECG
Utilização das transformadas wavelets na detecção de características em um sinal de ECG Orientador: Prof. Dr. Aldo Artur Belardi Departamento: Engenharia Elétrica Candidato: Gabriel Diego Porfirio N FEI:.206.062-9
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia 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 maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisAnálise Univariada de Sinais Mioelétricos
Análise Univariada de Sinais Mioelétricos Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Luiz Victor Esteves N FEI: 11209220-0 Início: Setembro/10 Provável conclusão:
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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
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 maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
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 maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia 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 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 maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia 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 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 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 maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia 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 maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia 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 maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
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 AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia 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 mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
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 Tópicos 1. Seleção de atributos 2. Redução de
Leia maisUm Tutorial em processamento de sinais para EEG
Um Tutorial em processamento de sinais para EEG Técnicas para reconhecimento de estados mentais em Interfaces Cérebro-Computador Grupo de Pesquisa em Computação Musical - IME/USP March 14, 2016 Interfaces
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
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 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 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 maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
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 maisRECONHECIMENTO DA POSIÇÃO INDIVIDUAL DOS DEDOS ATRAVÉS DA ANÁLISE DE DISCRIMINANTES LINEARES
RECONHECIMENTO DA POSIÇÃO INDIVIDUAL DOS DEDOS ATRAVÉS DA ANÁLISE DE DISCRIMINANTES LINEARES Luiz V. Esteves e Maria Claudia F. Castro Depto de Eng. Elétrica / Centro Universitário da FEI, São Bernardo
Leia maisIF-705 Automação Inteligente Perceptrons de Múltiplas Camadas
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisDetecção de Outliers Multivariados em Redes de Sensores Sem Fio
22 de julho de 2011 Fabrício G. Valadares (UFOP) PPGCC 22 de julho de 2011 1 / 17 Detecção de Outliers Multivariados em Redes de Sensores Sem Fio Fabrício G. Valadares Orientadores: Álvaro R. Pereira Jr.(UFOP)
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 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 Multi-Layer Perceptrons
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia 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 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 maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisCLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3
CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3 1 CEPSRM - Centro Estadual de Pesquisa em Sensoriamento Remoto
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA - UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA - UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento de toolbox de análise multivariada para o matlab. Uberlândia 28/09/10 IDENTIFICAÇÃO DO TRABALHO Título
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisCOMPRESSÃO DE SINAIS DE ELETROMIOGRAFIA
Universidade de Brasília UnB Faculdade de Tecnologia FT Departamento de Engenharia Elétrica ENE COMPRESSÃO DE SINAIS DE ELETROMIOGRAFIA Marcus Vinícius Chaffim Costa 1, Alexandre Zaghetto 2, Pedro de Azevedo
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia 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 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 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 maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
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 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 maisRECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D
RECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D Fernanda Maria Sirlene Pio SUMÁRIO 1. Introdução 2. Trabalhos relacionados 3. Metodologia 1. Segmentação 2. Normalização
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Aluno: Larissa Lages de Oliveira (llo@cin.ufpe.br) Orientador: Daniel Carvalho da Cunha (dcunha@cin.ufpe.br)
Leia maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
Leia maisEstatística Aplicada à Administração II
Estatística Aplicada à Administração II Tópico: Análise Discriminante (No SPSS e no Minitab) Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 1992 L.J. Corrar; E. Paulo;
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia 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 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 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 mais