Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental

Tamanho: px
Começar a partir da página:

Download "Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental"

Transcrição

1 Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado em Batch ( Batch Learning, por ciclo, etc Aprendizado Incremental ( on-line, pattern-mode, por padrão, etc Aprendizado Batch x Incremental Aprendizado em Batch (por ciclo Somente ajusta os pesos após a apresentação de TODOS os padrões Cada padrão é avaliado com a MESMA configuração de pesos obtém-se os termos derivativos δe p /δw e depois obtém-se a soma total do algoritmo: E E cálculo correto p = do gradiente. w w p Aprendizado Batch x Incremental Aprendizado em Batch (por ciclo Melhor aproximação do verdadeiro gradiente 1

2 Aprendizado Incremental Aprendizado Incremental (por padrão Atualiza os pesos a cada apresentação de um novo padrão os pesos são atualizados usando o gradiente do erro de um único padrão não é mais uma aproximação simples do gradiente mais atualizações ocorrem em um mesmo período de tempo tende a aprender melhor o último padrão apresentado sequência aleatória Aprendizado Incremental Verdadeiro gradiente x Gradiente de um padrão O gradiente de um único padrão pode ser visto como uma estimativa ruidosa do verdadeiro gradiente; Ele pode ter projeções negativas sobre o verdadeiro gradiente; Na média, ele se move downhill ; Quando η << 1, os dois métodos se aproximam. Aprendizado Incremental Aprendizado Incremental Na apresentação randômica dos padrões, a descida não é mais suave; Na média diminui o erro mas pode, eventualmente, aumentá-lo; No final do treinamento η deve ser pequeno para evitar oscilações. Batch X Incremental O modo Batch necessita de menos atualizações de pesos Tende a ser mais rápidor Batch fornece uma medida mais precisa da mudança necessária dos pesos Incremental tem menos chance de ficar preso em um local devido à apresentação aleatória dos padrões natureza estocástica stica de busca no espaço o de pesos Tende a ser mais rápido r se o conjunto de treinamento for grande e ruidoso. A eficiência dos dois métodos depende do problema em questão 2

3 Avaliação do Algoritmo Apesar do grande sucesso do Back Propagation, existem alguns problemas: definição do tamanho da rede; problema de paralisia da Rede Neural; problema de ficar preso em um local. Avaliação do Algoritmo Apesar do grande sucesso do Back Propagation, existem alguns problemas: definição do tamanho da rede; problema de paralisia da Rede Neural; problema de ficar preso em um local. Tamanho da Rede Neural Define o camadas escondidas e o processadores em cada uma dessas camadas. Compromisso entre Convergência e Generalização. Também conhecido como bias and variance dilemma. Convergência É a capacidade da Rede Neural de aprender todos os padrões do conjunto de treinamento. Se a rede neural for pequena, não será capaz de armazenar todos os padrões necessários. Isto é, a rede não deve ser rígida a ponto de não modelar fielmente os dados. 3

4 f(x Convergência É a capacidade da Rede Neural de aprender todos os padrões do conjunto de treinamento. Rede muito pequena Poucos parâmetros para aprender todos os padrões Generalização Se a rede for muito grande (muitos parâmetros = pesos, não responderá corretamente aos padrões nunca vistos. Isto é, a rede não deve ser excessivamente flexível a ponto de modelar também o ruído f(x generalizações Rede com muitos parâmetros Boa interpolação x 1 x 2 x 3 x 4 x 5 x i pontos do conjunto de treinamento x novo novo ponto para generalização x x 1 x 2 x 3 x novo x 4 x 5 x i pontos do conjunto de treinamento x novo novo ponto para generalização x Generalização Generalização Métricas: Métricas: Usou Kolmogorov Theorem: qualquer função de n variáveis Hecht-Nielsen pode ser representada por 2n+1 funções de uma variável PEs na camada escondida N hidden 2N in + 1 Upadhyaya & Eryurek pesos W N in. log 2 P O parâmetros necessários para codificar P padrões binários é log 2 P entradas entradas padrões 4

5 Métricas: Generalização Métricas: Generalização Baum-Haussler padrões N w ε sinapses 0 < ε 1/8 desejado no teste (erro trein = ε /2 Baum-Haussler padrões N w ε sinapses 0 < ε 1/8 desejado no teste (erro trein = ε /2 (generalização x precisão (generalização x precisão N hidden = w N in + N out Métricas: Generalização padrões desejado no teste Baum-Haussler N Nhidden N ε test N in + N número output de PEs na camada escondida entradas PEs na camada de saída GENERALIZAÇÃO Resumo sobre Processadores Escondidos Nunca escolha h > 2i; Pode-se armazenar p padrões de i elementos em i log 2 p processadores escondidos nunca utilize mais do que esse limite para uma boa generalização utilize um número consideravelmente menor Assegure-se que se tem pelo menos 1/ε vezes mais padrões do que w Número de padrões > 10 x pesos 5

6 Avaliação do Algoritmo Problema de Paralisia Apesar do grande sucesso do Back Propagation, existem alguns problemas: Com o treinamento, os pesos podem alcançar valores muito grandes (w ji F(net j definição do tamanho da rede; problema de paralisia da Rede Neural; problema de ficar preso em um local. A soma ponderada de cada processador torna-se também muito grande (net j = Σ x i.w ji + θ j w ji F (net j ~ 0 ji ~ 0 A Rede Neural não consegue aprender net j Regiões de derivada aproximadamente zero Problema de Paralisia Como evitar paralisia da Rede? Deve-se escolher valores de pesos e bias uniformemente distribuídos dentro de um intervalo pequeno; Os neurônios devem, inicialmente, operar na sua região linear; O processadores na(s camada(s escondida(s deve ser pequeno. Avaliação do Algoritmo Apesar do grande sucesso do Back Propagation, existem alguns problemas: definição do tamanho da rede; problema de paralisia da Rede Neural; problema de ficar preso em um local. 6

7 Problema do Local Problema do Local De acordo com o método do gradiente, tem-se: w ji = η.s i.e j Taxa de aprendizado 0.05 η 0.75 A taxa de aprendizado não deve ser nem muito pequena treinamento lento, nem muito grande oscilações Partindo da posição inicial 1: η pequeno Local w L1 Posição Inicial 1 Problema do Local Problema do Local Partindo da posição inicial 1: η pequeno Partindo da posição inicial 1: η pequeno Posição Inicial 1 Posição 2 Posição j Local w w L2 w L1 w Lj 7

8 Problema do Local Problema do Local Partindo da posição inicial 1: η pequeno do Gradiente Qualquer pequena mudança faz o erro aumentar não consegue sair do vale w Lj Posição j Com η pequeno e dependendo da inicialização dos pesos (feita de forma aleatória não é possível calcular um w que faça a a Rede Neural sair do Local A Rede Neural não consegue aprender com a precisão especificada ((! Problema do Local Posição Inicial 2 Partindo da posição inicial 2: η grande Problema do Local Partindo da posição inicial 2: η grande Posição Inicial 2 Posição 2 w G1 w w G1 w G2 8

9 Problema do Local Problema do Local Partindo da posição inicial 2: η grande Partindo da posição inicial 2: η grande Posição 2 w w G2 Posição 3 w G3 w G3 Posição 3 w Posição 4 w G4 Problema do Local Problema do Local Partindo da posição inicial 2: η grande Quando η é grande, a Rede Neural pode nunca conseguir chegar ao pois os valores de w são grandes. Oscilações ões. Posição 4 w Posição 5 w G4 w G5 As mudança não são suficientemente pequenas para levar a uma configuração de erro. A Rede Neural também não consegue aprender com a precisão especificada (fica oscilando em torno do global! 9

10 Problema do Local Partindo da posição inicial 2: η adequado Posição Inicial 2 Problema do Local Partindo da posição inicial 2: η adequado Posição Inicial 2 Posição 2 w G1 w w G1 w G2 Problema do Local Problema do Local Partindo da posição inicial 2: η adequado Partindo da posição inicial 2: η adequado Posição 2 w w G2 Posição 3 w G3 w G3 Posição 3 w Gk Posição k 10

11 Problema do Local Soluções: Utilizar taxa de aprendizado (η adaptativa; Utilizar o termo de Momento (α. Uma forma de diminuir a possibilidade de oscilações com valores de η maiores é incluir o Termo de Momento na atualização dos pesos sinápticos w ji (t+1 = η.s i.e j + α. w ji (t Termo proporcional ao valor anterior de atualização do peso 0 < α < 0.9 w ji (t+1 = η.s i.e j + α. w ji (t Situação 1: Ponto Inicial - A Corte na Superfície de 11

12 Ponto Inicial - A Ponto Inicial - A A w(t A w(t A -η E(t+1 + α w(t Situação 2: A A Ponto Inicial - A w(t -η E(t+1 + α w(t Ponto Inicial - B A e A estão na mesma direção α acelera o aprendizado 12

13 Ponto Inicial - B Ponto Inicial - B B w(t α w(t B -η E(t+1 B Aprendizado em Batch sem Termo de Momento Ponto Inicial - B α w(t B -η E(t+1 B B e B estão em direções opostas α evita oscilações 13

14 Aprendizado em Batch com Termo de Momento Aprendizado em Batch com Termo de Momento Simulações com a mesma configuração inicial de pesos Conforme α aumenta converge mais rápido (para valores pequenos Conforme α aumenta mais pode oscilar Batch X Incremental ICADEMO Formato de Entrada: Apresentação aleatória dos padrões Oscilações comuns. 14

15 ICADEMO Formato de Saída: Topologia: ICADEMO Vetor de 10 elementos binários dígito 1 dígito 2 dígito 0 0 Aplicação Prática Reconhecimento de Dígitos ICADEMO 15

Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.

Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado

Leia mais

4 Redes Neurais Artificiais

4 Redes Neurais Artificiais 4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características

Leia mais

Paradigmas de Aprendizagem

Paradigmas de Aprendizagem Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com

Leia mais

Inteligência Computacional

Inteligência Computacional Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma

Leia mais

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS 1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá

Leia mais

Redes Neurais Artificiais. Everton Gago

Redes Neurais Artificiais. Everton Gago Redes Neurais Artificiais Everton Gago Como vai ser? O que é RNA? Conglomerado de neurônios!?!? Neurônio: Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3

Leia mais

Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida

Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas

Leia mais

Redes Neuronais e Aprendizagem Automática 1

Redes Neuronais e Aprendizagem Automática 1 Redes Neuronais e Aprendizagem Automática 2005/2006 9 a aula Fernando.Silva@ist.utl.pt Instituto Superior Técnico Redes Neuronais e Aprendizagem Automática 1 Sumário Aprendizagem e generalização Redes

Leia mais

5 Experimentos Conjunto de Dados

5 Experimentos Conjunto de Dados Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Equações diferenciais ordinárias

Equações diferenciais ordinárias Departamento de Física Universidade Federal da Paraíba 24 de Junho de 2009 Motivação Problemas envolvendo equações diferenciais são muito comuns em física Exceto pelos mais simples, que podemos resolver

Leia mais

Lista de exercícios de MAT / II

Lista de exercícios de MAT / II 1 Lista de exercícios de MAT 271-26 / II 1. Converta os seguintes números da forma decimal para a forma binária:x 1 = 37; x 2 = 2347; x 3 =, 75; x 4 =(sua matrícula)/1; x 5 =, 1217 2. Converta os seguintes

Leia mais

Andréa Maria Pedrosa Valli

Andréa Maria Pedrosa Valli Raízes de Equações Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-27 Raízes

Leia mais

Sistemas Inteligentes

Sistemas Inteligentes Sistemas Inteligentes UNIDADE 5 Redes Neurais Artificiais (Perceptron Multicamadas Conceitos) Prof. Ivan Nunes da Silva. Rede Perceptron Multicamadas Aspectos de arquitetura Redes Perceptron de Múltiplas

Leia mais

Métodos Numéricos. Turma CI-202-X. Josiney de Souza.

Métodos Numéricos. Turma CI-202-X. Josiney de Souza. Métodos Numéricos Turma CI-202-X Josiney de Souza josineys@inf.ufpr.br Agenda do Dia Aula 5 (16/09/15) Zero de funções: Introdução Tipos de métodos Diretos Indiretos ou iterativos Fases de cálculos Isolamento

Leia mais

Inteligência Artificial Redes Neurais Artificiais

Inteligência Artificial Redes Neurais Artificiais Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta

Leia mais

Mistura de modelos. Marcelo K. Albertini. 31 de Julho de 2014

Mistura de modelos. Marcelo K. Albertini. 31 de Julho de 2014 Mistura de modelos Marcelo K. Albertini 31 de Julho de 2014 2/11 Mistura de modelos Ideia básica Em vez de aprender somente um modelo, aprender vários e combiná-los Isso melhora acurácia Muitos métodos

Leia mais

Física II Ondas, Fluidos e Termodinâmica USP Prof. Antônio Roque Aula

Física II Ondas, Fluidos e Termodinâmica USP Prof. Antônio Roque Aula Aula 3 010 Movimento Harmônico Simples: Exemplos O protótipo físico do movimento harmônico simples (MHS) visto nas aulas passadas um corpo de massa m preso a uma mola executando vibrações de pequenas amplitudes

Leia mais

Tabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37

Tabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37 4 Estudo de Casos A metodologia proposta no capítulo 3 foi aplicada em casos reais coletados de equipamentos Caterpillar da Sotreq. As falhas aqui estudadas são referentes a dois componentes do caminhão:

Leia mais

Introdução a Algoritmos Genéticos

Introdução a Algoritmos Genéticos Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da

Leia mais

Regressão, Interpolação e Extrapolação Numéricas

Regressão, Interpolação e Extrapolação Numéricas , e Extrapolação Numéricas Departamento de Física Universidade Federal da Paraíba 29 de Maio de 2009, e Extrapolação Numéricas O problema Introdução Quem é quem Um problema muito comum na física é o de

Leia mais

3 Métodos Numéricos Análise das Equações de Movimento

3 Métodos Numéricos Análise das Equações de Movimento 3 Métodos Numéricos A dinâmica de sistemas mecânicos normalmente é modelada como um sistema de equações diferenciais. Estas equações diferenciais devem ser resolvidas a fim de relacionar as variáveis entre

Leia mais

Modelos Pioneiros de Aprendizado

Modelos Pioneiros de Aprendizado Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron

Leia mais

Estimativas e Tamanhos de Amostras

Estimativas e Tamanhos de Amostras Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

Cálculo Numérico. Introdução. Prof. Jorge Cavalcanti twitter.com/jorgecav

Cálculo Numérico. Introdução. Prof. Jorge Cavalcanti twitter.com/jorgecav Universidade Federal do Vale do São Francisco Cálculo Numérico Introdução Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br twitter.com/jorgecav 1 Cálculo Numérico Plano de Ensino Objetivos Ementa

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

Inteligência Artificial. Redes Neurais Artificiais Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:

Leia mais

Os computadores ditigais podem ser classificados em 5 grupos distintos:

Os computadores ditigais podem ser classificados em 5 grupos distintos: Informática A informática engloba toda atividade relacionada ao uso dos computadores, permitindo aprimorar e automatizar tarefas em qualquer área de atuação da sociedade. Informática é a "Ciência do tratamento

Leia mais

Halliday Fundamentos de Física Volume 1

Halliday Fundamentos de Física Volume 1 Halliday Fundamentos de Física Volume 1 www.grupogen.com.br http://gen-io.grupogen.com.br O GEN Grupo Editorial Nacional reúne as editoras Guanabara Koogan, Santos, Roca, AC Farmacêutica, LTC, Forense,

Leia mais

OMNET++ APLICADO À ROBÓTICA COOPERATIVA

OMNET++ APLICADO À ROBÓTICA COOPERATIVA OMNET++ APLICADO À ROBÓTICA COOPERATIVA Daniel Costa Ramos Doutorando Disciplina de Redes de Comunicação Professor Carlos Montez 07/2014 2/25 Estrutura da Apresentação Introdução Robótica Cooperativa Material

Leia mais

Máquinas de suporte vetorial e sua aplicação na detecção de spam

Máquinas 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 mais

ESTRUTURAS DE REPETIÇÃO - PARTE 1

ESTRUTURAS DE REPETIÇÃO - PARTE 1 AULA 15 ESTRUTURAS DE REPETIÇÃO - PARTE 1 15.1 O comando enquanto-faca- Considere o problema de escrever um algoritmo para ler um número inteiro positivo, n, e escrever todos os números inteiros de 1 a

Leia mais

Monitor: Diego Augusto Silva (P8 Eng. Elétrica) Atendimento: 2as. de 19:45h às 21:30h

Monitor: Diego Augusto Silva (P8 Eng. Elétrica)   Atendimento: 2as. de 19:45h às 21:30h Monitor: Diego Augusto Silva (8 Eng. Elétrica) Email: Atendimento: as. de 9:5h às :30h A Nota arcial de Aproveitamento (NA) será obtida da seguinte forma: NA = 0.6 NT + 0. N A nota prática será dada por:

Leia mais

INTRODUÇÃO. Noções preliminares. Um pouco de matemática. 100 Pb

INTRODUÇÃO. Noções preliminares. Um pouco de matemática. 100 Pb INTRODUÇÃO Este artigo pretende criar no leitor uma percepção física do funcionamento de um controle PID, sem grandes análises e rigorismos matemáticos, visando introduzir a técnica aos iniciantes e aprimorar

Leia mais

Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais

Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,

Leia mais

CURSO BÁSICO DE PROGRAMAÇÃO AULA 6. Revisão Laços de Repetição

CURSO BÁSICO DE PROGRAMAÇÃO AULA 6. Revisão Laços de Repetição CURSO BÁSICO DE PROGRAMAÇÃO AULA 6 Revisão Laços de Repetição TRABALHO 1º Semestre Prazo de entrega: 14/06. Individual ou em Dupla Compactar todos os exercícios em um arquivo. Enviar para o e-mail do PET:

Leia mais

Aula 22. Conversão Sigma-Delta (continuação)

Aula 22. Conversão Sigma-Delta (continuação) Aula 22 Conversão Sigma-Delta (continuação) A estrutura mostrada na figura A.22.1 é chamado modulador Sigma-Delta (Σ- ). Esta estrutura, além de ser mais simples, pode ser considerada como uma versão suavizada

Leia mais

Otimização por Descida de Gradiente

Otimização por Descida de Gradiente Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Otimização por Descida de Gradiente Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com

Leia mais

Análise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.

Análise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão. A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas

Leia mais

Departamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R

Departamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação

Leia mais

Estatística - aulasestdistrnormal.doc 13/10/05

Estatística - aulasestdistrnormal.doc 13/10/05 Distribuição Normal Introdução O pesquisador estuda variáveis. O estatístico diz que essas variáveis são aleatórias porque elas têm um componente que varia ao acaso. Por exemplo, a variabilidade dos pesos

Leia mais

ANÁLISE NUMÉRICA DO MÉTODO DE NEWTON PARA OBTENÇÃO DE ZEROS DE FUNÇÕES.

ANÁLISE NUMÉRICA DO MÉTODO DE NEWTON PARA OBTENÇÃO DE ZEROS DE FUNÇÕES. ANÁLISE NUMÉRICA DO MÉTODO DE NEWTON PARA OBTENÇÃO DE ZEROS DE FUNÇÕES. Edevilson Gomes Pereira PUCPR- edevilson.pereira@pucpr.b Viviana Cocco Mariani PUCPR- viviana.mariani@pucpr.br Resumo: Neste artigo

Leia mais

Capítulo 4 - Equações Não-Lineares

Capítulo 4 - Equações Não-Lineares Capítulo 4 - Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil, Química e Gestão Industrial Carlos Balsa Métodos Numéricos 1/

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

Leia mais

Consideremos uma função definida em um intervalo ] [ e seja ] [. Seja um acréscimo arbitrário dado a, de forma tal que ] [.

Consideremos uma função definida em um intervalo ] [ e seja ] [. Seja um acréscimo arbitrário dado a, de forma tal que ] [. 6 Embora o conceito de diferencial tenha sua importância intrínseca devido ao fato de poder ser estendido a situações mais gerais, introduziremos agora esse conceito com o objetivo maior de dar um caráter

Leia mais

Teoria da Informação

Teoria da Informação Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/

Leia mais

ALGORITMOS COM SELEÇÃO 1 - ESTRUTURA CONDICIONAL (ESTRUTURAS DE CONTROLE)

ALGORITMOS COM SELEÇÃO 1 - ESTRUTURA CONDICIONAL (ESTRUTURAS DE CONTROLE) Algoritmos e Estruturas de Dados 1 Prof. Eduardo 1 ALGORITMOS COM SELEÇÃO 1 - ESTRUTURA CONDICIONAL (ESTRUTURAS DE CONTROLE) Até o momento da disciplina vimos comandos de entrada, processamento e saída

Leia mais

1o. Método - utilização das taxas de juros a termo em base anualizada

1o. Método - utilização das taxas de juros a termo em base anualizada Método para estimar a taxa Selic esperada pelo mercado para reuniões futuras do COPOM - Comitê de Política Monetária do Banco Central -, utilizando-se para isso o mercado futuro de taxas de juro - DI's

Leia mais

Algoritmo baseado em vetor de distâncias

Algoritmo baseado em vetor de distâncias Algoritmo baseado em vetor de distâncias Distance-vector-based (DV) Equação de Bellman-Ford (programação dinâmica) Define d x (y) := custo do caminho de menor custo de x para y Então d x (y) = min v {c(x,v)

Leia mais

Guia de Atividades 2

Guia de Atividades 2 Guia de Atividades 2 Atividade A Nesta atividade você trabalhará com a planilha intitulada iodo.sxc, que se encontra no material de apoio do Teleduc. As duas primeiras colunas desta planilha apresentam

Leia mais

9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla

9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual

Leia mais

Aplicações Práticas com Redes Neurais Artificiais em Java

Aplicações Práticas com Redes Neurais Artificiais em Java com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org

Leia mais

UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO REDES DE COMUNICAÇÕES

UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO REDES DE COMUNICAÇÕES 1 a. Lista Redes de Comunicações I pg. 1/5 UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO REDES DE COMUNICAÇÕES 1 Prof. Flávio Alencar 1 a. LISTA (Assuntos: Filas, probabilidade e estatística aplicada a redes

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais MLP: Modelos Avançados - Acelerando o Back-Propagation Modelos: Rprop, Quick-Prop, Cascade-Correlation Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando

Leia mais

Funcionamento do computador. Conceito e definição de algoritmos. Prof. Alex Camargo

Funcionamento do computador. Conceito e definição de algoritmos. Prof. Alex Camargo UNIVERSIDADE FEDERAL DO PAMPA CAMPUS BAGÉ ALGORITMOS E PROGRAMAÇÃO Funcionamento do computador. Conceito e definição de algoritmos Prof. Alex Camargo alexcamargoweb@gmail.com Funcionamento do computador

Leia mais

Estruturas de Repetição Parte I ENQUANTO-FAÇA

Estruturas de Repetição Parte I ENQUANTO-FAÇA Estruturas de Repetição Parte I ENQUANTO-FAÇA Prof. Dr. Edson Pimentel Centro de Matemática, Computação e Cognição Objetivos Reconhecer a necessidade do uso de estruturas de repetição Aprender a sintaxe

Leia mais

PARTE 3: COMUNICAÇÃO POR SATÉLITE AULA 18: ANTENAS. Sistemas de Telecomunicações II Prof. Flávio Ávila

PARTE 3: COMUNICAÇÃO POR SATÉLITE AULA 18: ANTENAS. Sistemas de Telecomunicações II Prof. Flávio Ávila PARTE 3: COMUNICAÇÃO POR SATÉLITE AULA 18: ANTENAS Sistemas de Telecomunicações II Prof. Flávio Ávila Antenas nas estações terrenas 2 Três classes principais Antenas cornetas (Horn Antenna) Rede de antenas

Leia mais

Planificação Anual. 0,5 Geometria no plano e no espaço II. 32 Avaliações escritas e respetivas correcções. 5 Auto-avaliação

Planificação Anual. 0,5 Geometria no plano e no espaço II. 32 Avaliações escritas e respetivas correcções. 5 Auto-avaliação 3º Período 2º Período 1º Período AGRUPAMENTO DE ESCOLAS DE CASTRO DAIRE Escola Secundária de Castro Daire Grupo de Recrutamento 500 MATEMÁTICA Ano lectivo 2012/2013 Planificação Anual Disciplina: Matemática

Leia mais

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias. TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X

Leia mais

MESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação. Aula 06. Prof. Dr. Marco Antonio Leonel Caetano

MESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação. Aula 06. Prof. Dr. Marco Antonio Leonel Caetano MESTRADO EM MACROECONOMIA e FINANÇAS Disciplina de Computação Aula 06 Prof. Dr. Marco Antonio Leonel Caetano 1 Guia de Estudo para Aula 06 Aplicação de AutoValores - Usando autovalor para encontrar pontos

Leia mais

APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA. PALAVRAS-CHAVE: Redes Neurais Artificiais; Rede Neural de Base Radial; Meteorologia.

APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA. PALAVRAS-CHAVE: Redes Neurais Artificiais; Rede Neural de Base Radial; Meteorologia. APLICAÇÃO DAS REDES NEURAIS DE BASE RADIAL NA METEOROLOGIA Emerson Yoshio Maeda (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM), math.maeda@gmail.com Juliano Fabiano da Mota (OR), (UNESPAR/FECILCAM), jfmota@fecilcam.br

Leia mais

Representação de números - Conversão de base b para base 10

Representação de números - Conversão de base b para base 10 Representação de números - Conversão de base b para base Números em base 0,,,, 8, 9,,,,, 9, 0,,, 99, 0,,, 47,, 999, 00, 0, dígitos que constituem a base Valor depende da posição dos dígitos centenas unidades

Leia mais

Cap.11 Trabalho Trabalho e energia cinética Calculando e usando trabalho

Cap.11 Trabalho Trabalho e energia cinética Calculando e usando trabalho Cap.11 Trabalho Do professor para o aluno ajudando na avaliação de compreensão do capítulo. É fundamental que o aluno tenha lido o capítulo. 11.2 Trabalho e energia cinética Consultar o arquivo Cap10_Energia.pdf:

Leia mais

Álgebra Linear I - Aula 5. Roteiro

Álgebra Linear I - Aula 5. Roteiro 1. Produto vetorial. 2. Aplicações. 3. Produto misto. Álgebra Linear I - Aula 5 1 Produto vetorial Roteiro Definição: Dados vetores ū = (u 1, u 2, u 3 ) e v = (v 1, v 2, v 3 ) de R 3 definimos o produto

Leia mais

Suplemento Roteiro 2. GEX 132 Laboratório de Física I

Suplemento Roteiro 2. GEX 132 Laboratório de Física I Suplemento Roteiro 2 GEX 132 Laboratório de Física I Título: Gráficos em Papel Milimetrado Objetivos: Gráficos são utilizados com o intuito de representar a dependência entre duas ou mais grandezas (físicas,

Leia mais

Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD

Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável

Leia mais

Sistemas Digitais Circuitos Aritméticos e Representação de Números com Sinal

Sistemas Digitais Circuitos Aritméticos e Representação de Números com Sinal Sistemas Digitais Circuitos Aritméticos e Representação de Números com Sinal João Paulo Baptista de Carvalho (Prof. Auxiliar do IST) joao.carvalho@inesc.pt Circuitos Aritméticos Circuitos aritméticos são

Leia mais

Princípios de Modelagem Matemática Aula 04

Princípios de Modelagem Matemática Aula 04 Princípios de Modelagem Matemática Aula 04 Prof. José Geraldo DFM CEFET/MG 09 de abril de 2014 1 Análise dimensional Análise dimensional A análise dimensional permite encontrar relações entre variáveis

Leia mais

ANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:

ANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante

Leia mais

Plano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov

Plano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar

Leia mais

Trabalho 2: Apredizagem em perceptrões multicamada. Discentes: Ricardo Seromenho a23842 Rui Dias a24254

Trabalho 2: Apredizagem em perceptrões multicamada. Discentes: Ricardo Seromenho a23842 Rui Dias a24254 Universidade do Algarve Faculdade de Ciências e Tecnologia Departamento de Engª Electrónica e Informática Inteligência Artificial (2005/2006 2º Semestre) Trabalho 2: Apredizagem em perceptrões multicamada

Leia mais

RIP Routing Information Protocol

RIP Routing Information Protocol Routing Information Protocol Carlos Gustavo A. da Rocha Introdução O objetivo final de qualquer protocolo de roteamento é automatizar o processo de preenchimento das tabelas de rotas de roteadores Dependendo

Leia mais

Algoritmos e Estruturas de Dados. Grupo 1

Algoritmos e Estruturas de Dados. Grupo 1 Licenciatura em Engenharia Electrotécnica e de Computadores Algoritmos e Estruturas de Dados Trabalho prático P1B 2003/04 2 o semestre Efectue as tarefas de programação descritas abaixo, usando a linguagem

Leia mais

Sistemas Embarcados. Projeto de Sistemas Embarcados

Sistemas Embarcados. Projeto de Sistemas Embarcados Sistemas Embarcados Projeto de Sistemas Embarcados Projeto de Sistemas Embarcados Identificação do problema Identificação da melhor tecnologia para a solução do problema Elaboração de um modelo de arquitetura

Leia mais

Licenciatura em Ciências Biológicas Universidade Federal de Goiás. Bioestatística. Prof. Thiago Rangel - Dep. Ecologia ICB

Licenciatura em Ciências Biológicas Universidade Federal de Goiás. Bioestatística. Prof. Thiago Rangel - Dep. Ecologia ICB Licenciatura em Ciências Biológicas Universidade Federal de Goiás Bioestatística Prof. Thiago Rangel - Dep. Ecologia ICB rangel.ufg@gmail.com Página do curso: http://www.ecologia.ufrgs.br/~adrimelo/bioestat

Leia mais

Teste de hipótese de variância e Análise de Variância (ANOVA)

Teste de hipótese de variância e Análise de Variância (ANOVA) Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Testes sobre variâncias Problema: queremos saber se há diferenças estatisticamente

Leia mais

Triangulação de Delauney

Triangulação de Delauney Triangulação de Delauney Um pedaço da superfície terrestre é chamado de terreno. Um terreno é uma superfície 2-dimensional em um espaço 3-dimensional com uma propriedade especial: cada linha vertical intercepta

Leia mais

Elasticidade e Análise Marginal

Elasticidade e Análise Marginal GOVERNO FEDERAL MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO VALE DO SÃO FRANCISCO CÂMPUS JUAZEIRO/BA COLEG. DE ENG. ELÉTRICA PROF. PEDRO MACÁRIO DE MOURA MATEMÁTICA APLICADA A ADM 2015.2 Discentes CPF

Leia mais

FILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança)

FILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança) PROCESSAMENTO DE IMAGEM #5 Operações Aritméticas Orientadas à Vizinhanças Filtragem no Domínio Espacial (Máscaras) Máscaras de suavização (média e mediana) e aguçamento (laplaciano) Correlação x Convolução

Leia mais

Distribuições de Probabilidade. Distribuição Normal

Distribuições de Probabilidade. Distribuição Normal Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno

Leia mais

Avaliação de Sistemas de Medição

Avaliação de Sistemas de Medição Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o

Leia mais

Agrupamento de Escolas do Fundão

Agrupamento de Escolas do Fundão Agrupamento de Escolas do Fundão MATEMÁTICA P GPI 13 12º Ano CURRÍCULO DA DISCIPLINA E Nº DE AULAS PREVISTAS Período PLANIFICAÇÃO ANUAL Módulos a leccionar + Conteúdos Programáticos Módulo A6- Taxa de

Leia mais

CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES

CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios não lineares; Equações transcendentais equações que envolvem funções

Leia mais

Guia Linear. Tamanho. Patins. Patins --- A. Características Técnicas Material das guias DIN 58 CrMoV4 Material dos patins DIN 16 MnCr5

Guia Linear. Tamanho. Patins. Patins --- A. Características Técnicas Material das guias DIN 58 CrMoV4 Material dos patins DIN 16 MnCr5 Guias Lineares - Série R Guia Linear R - Modelo amanho 07 25 09 30 12 35 15 45 20 Curso Máx. 4000mm Exemplo: R15-200 R15-100 R atins - Modelo amanho 07 25 09 30 12 35 15 45 20 atins --- A ixação Sem Aba

Leia mais

Universidade Federal de Pelotas Cálculo com Geometria Analítica I Prof a : Msc. Merhy Heli Rodrigues Aplicações da Derivada

Universidade Federal de Pelotas Cálculo com Geometria Analítica I Prof a : Msc. Merhy Heli Rodrigues Aplicações da Derivada 1) Velocidade e Aceleração 1.1 Velocidade Universidade Federal de Pelotas Cálculo com Geometria Analítica I Prof a : Msc. Merhy Heli Rodrigues Aplicações da Derivada Suponhamos que um corpo se move em

Leia mais

Exercícios. 1. O que escreva o programa abaixo? Por que? 2. O que escreva o programa abaixo? Por que? algoritmo "foo" var a: inteiro

Exercícios. 1. O que escreva o programa abaixo? Por que? 2. O que escreva o programa abaixo? Por que? algoritmo foo var a: inteiro 33-34. Exercícios 1. O que escreva o programa abaixo? Por que? algoritmo "foo" var a: inteiro funcao g(x: inteiro): inteiro a

Leia mais

ROTEIRO PARA O EXPERIMENTO PRÁTICO SISMÓGRAFO

ROTEIRO PARA O EXPERIMENTO PRÁTICO SISMÓGRAFO ROTEIRO PARA O EXPERIMENTO PRÁTICO SISMÓGRAFO ÁREA DO CONHECIMENTO Física CONTEÚDO Mecânica: oscilações; movimento harmônico simples; ondas mecânicas. OBJETIVO(S) Mostrar o princípio de funcionamento de

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 22 07/2014 Resolução Numérica de Equações Diferenciais Ordinárias Objetivo: Resolver Equações Diferenciais Ordinárias utilizando

Leia mais

IMPLEMENTAÇÃO E RESOLUÇÃO DE MODELOS MATEMÁTICOS UTILIZANDO A PLANILHA EXCEL

IMPLEMENTAÇÃO E RESOLUÇÃO DE MODELOS MATEMÁTICOS UTILIZANDO A PLANILHA EXCEL IMPLEMENTAÇÃO E RESOLUÇÃO DE MODELOS MATEMÁTICOS UTILIZANDO A PLANILHA EXCEL 1. INTRODUÇÃO Este tutorial apresenta, passo-a-passo, o processo de implementação e resolução de modelos matemáticos na planilha

Leia mais

EES-49/2012 Resolução da Prova 3. 1 Dada a seguinte função de transferência em malha aberta: ( s 10)

EES-49/2012 Resolução da Prova 3. 1 Dada a seguinte função de transferência em malha aberta: ( s 10) EES-49/2012 Resolução da Prova 3 1 Dada a seguinte função de transferência em malha aberta: ( s 10) Gs () ss ( 10) a) Esboce o diagrama de Nyquist e analise a estabilidade do sistema em malha fechada com

Leia mais

Universidade Federal do Rio de Janeiro COPPE. Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos

Universidade Federal do Rio de Janeiro COPPE. Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos Universidade Federal do Rio de Janeiro COPPE Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos Nome: Fernanda Duarte Vilela Reis de Oliveira Professores: Antonio

Leia mais

energia extraída do objeto é trabalho negativo. O trabalho possui a mesma unidade que energia e é uma grandeza escalar.

energia extraída do objeto é trabalho negativo. O trabalho possui a mesma unidade que energia e é uma grandeza escalar. !!"#$#!"%&' OBS: Esta nota de aula foi elaborada com intuito de auxiliar os alunos com o conteúdo da disciplina. Entretanto, sua utilização não substitui o livro 1 texto adotado. ( ) A energia cinética

Leia mais

INTRODUÇÃO À ROBÓTICA MÓVEL

INTRODUÇÃO À ROBÓTICA MÓVEL INTRODUÇÃO À ROBÓTICA MÓVEL Aula 19 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Campos Potenciais Harmônicos É um metodo proposto por Connolly

Leia mais

Linguagens Formais e Autômatos P. Blauth Menezes

Linguagens Formais e Autômatos P. Blauth Menezes Linguagens Formais e Autômatos P. Blauth Menezes blauth@inf.ufrgs.br Departamento de Informática Teórica Instituto de Informática / UFRGS Matemática Discreta para Ciência da Computação - P. Blauth Menezes

Leia mais

Filtro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento

Filtro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro

Leia mais

APLICAÇÃO DA TÉCNICA DE TERMOGRAFIA ATIVA NA INSPEÇÃO NÃO-DESTRUTIVA DE TAMBORES DE REJEITO NUCLEAR

APLICAÇÃO DA TÉCNICA DE TERMOGRAFIA ATIVA NA INSPEÇÃO NÃO-DESTRUTIVA DE TAMBORES DE REJEITO NUCLEAR APLICAÇÃO DA TÉCNICA DE TERMOGRAFIA ATIVA NA INSPEÇÃO NÃO-DESTRUTIVA DE TAMBORES DE REJEITO NUCLEAR Aluno: Igor Szczerb Orientador: Marcos Venicius Soares Pereira Introdução A termografia ativa é um método

Leia mais

TRANSMISSÃO DE DADOS

TRANSMISSÃO DE DADOS TRANSMISSÃO DE DADOS Aula 2: Dados e sinais Notas de aula do livro: FOROUZAN, B. A., Comunicação de Dados e Redes de Computadores, MCGraw Hill, 4ª edição Prof. Ulisses Cotta Cavalca

Leia mais

USO DA CALCULADORA CIENTÍFICA

USO DA CALCULADORA CIENTÍFICA USO DA CALCULADORA CIENTÍFICA Este guia usa a calculadora Casio modelo fx-82ms ou similares. REGRA BÁSICA PARA O USO CONSCIENTE DA CALCULADORA: Salvo em situações mais complicadas, UTILIZE A CALCULADORA

Leia mais

Redes de Computadores

Redes de Computadores Redes de Computadores por fldotti@inf.pucrs.br Redes de Computadores Nível de Rede Algoritmos de Roteamento Redes de Computadores 2 1 Nível de Rede Roteamento ligação entre redes é realizada por estações

Leia mais