REDES NEURAIS ARTIFICIAIS PARA A CLASSIFICAÇÃO DE SONS VOCÁLICOS
|
|
- Carolina Philippi Brezinski
- 6 Há anos
- Visualizações:
Transcrição
1 REDES EURIS RTIFICIIS R CLSSIFICÇÃO DE SOS VOCÁLICOS lexandre de Souza Brandão Unversdade Federal Flumnense GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, São Domngos teró RJ Brasl brandaoalexandre@g.com.br Edson Cataldo Unversdade Federal Flumnense Departamento de Matemátca plcada, Centro, teró, Brasl GMEC rograma de pós-graduação em Engenhara Mecânca rograma de pós-graduação em Engenhara de Telecomuncações Rua Máro Santos Braga, s/ o Centro teró RJ Brasl ecataldo@zpmal.com Jorge Carlos Lucero Unversdade de Brasíla Departamento de Matemátca DF lucero@mat.unb.br Fabana Rodrgues Leta Unversdade Federal Flumnense Departamento de Engenhara Mecânca GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, São Domngos teró RJ- Brasl fabana@c.uff.br Resumo: este artgo, serão usadas redes neuras artfcas (R) para classfcação de padrões de voz obtdos através de medções acústcas realzadas sobre snas de voz dgtalzados. Os padrões são representados por vetores, cujas componentes correspondem a medções acústcas. Usando R classfcam-se os snas de vozes normas e com característcas de patologa: nódulo nas cordas vocas ou paralsa unlateral das cordas vocas. alavras-chave: Redes euras rtfcas, Modelagem, Classfcação de adrões, rocessamento de Snas bstract. In ths paper, we wll use artfcal neural network () to classfy patterns of voce (voced sounds) usng acoustc measures n sgnals orgnated from real voces. The used voce patterns consst n acoustc measurements vectors. Usng we classfy a real voce nto a set of real voces samples (normal voces and voces wth characterstcs of onesde paralyss of the vocal cords). Keywords: eural networks, Mechancal models, attern matchng, coustc measurements.. ITRODUÇÃO produção da voz ocorre a partr de um processo de contração-expansão dos pulmões. O escoamento de ar que é crado, passa pela larnge e, ncalmente homogêneo, se transforma em uma sére de pulsos (trem de pulsos ou snal glotal) de ar que chegam na boca e na cavdade nasal. Os pulsos de ar são modulados pela geometra da língua, dos dentes e dos lábos de forma a produzr o
2 que se conhece por voz. O snal glotal, porém, possu propredades mportantes de dfícl reprodução que estão ntmamente lgadas às característcas anatômcas e fsológcas da larnge. Um dos prncpas dferencadores do som é a forma de exctação. Identfcam-se dos tpos báscos de exctação: () vocálco e (2) não-vocálco. este trabalho, tratamos apenas de sons vocálcos. Uma das prncpas formas de se caracterzar o snal de voz é através de medções acústcas, pelo fato de que tas meddas podem revelar mportantes característcas fsológcas através de varações de seus valores [,2]. Quando conjuntos de medções acústcas aproxmadamente guas são obtdos, chegam-se aos chamados padrões de voz. Uma vez obtdos os padrões de voz, redes neuras artfcas (R) podem ser usadas para classfcá-los. s R possuem a habldade de nferr relações não-lneares complexas e também a capacdade de resolver os problemas sem a necessdade de defnção de lstas de regras.este contexto, a proposta deste artgo é mapear as característcas não lneares das medções acústcas através de redes neuras artfcas, buscando a classfcação entre três tpos de padrões de voz (normal, nódulo e paralsa). 2. MEDIÇÕES CÚSTICS SOBRE O SIL DE VOZ s medções acústcas descrtas neste artgo foram obtdas através do programa de análse fonétca RT [3], de lvre dstrbução. Os pulsos de ar do snal glotal são formados entre os nstantes de fechamento das cordas vocas, sendo o ntervalo de tempo entre eles equvalente ao período (T), ou cclo, do snal de voz. freqüênca fundamental do snal de voz (/T) é chamada de ptch e a varação dos ntervalos de tempo que representam os pulsos do snal de voz é chamada jtter. varação da ampltude do snal de voz, obtda através da dferença entre a ampltude do snal de voz obtda em um período e a do período segunte é chamada shmmer. ssm, jtter e shmmer são meddas da varação do período e da ampltude do snal, cclo-a-cclo, respectvamente. Há váras formas de se medr jtter e shmmer. s meddas que foram usadas neste trabalho serão descrtas a segur [4,5]. 2. Meddas de Jtter () Jtter (local): Jtter ( local ) + () onde é o número de amostras e e + são ntervalos de tempo consecutvos do snal de voz. () Jtter (rap) e Jtter (ppq5): Jtter ( rap) J + J J ( j ) J + + j + 0.5( J ) (2) onde é o número de amostras, e + são ntervalos de tempo consecutvos do snal de voz e J é o tamanho de uma janela de tempo. o caso de Jtter (rap) o valor de J é 3 e para o Jtter (ppq5) valor de J é 5. () Jtter (ddp): 464
3 Jtter ( ddp) (3) onde é o número de amostras,, +, +2 e +3 são ntervalos de tempo consecutvos do snal de voz. 2.2 Meddas de Shmmer () Shmmer (local): Shmmer ( local) + (4) onde é o número de amostras e e + são ampltudes do snal de voz correspondentes a ntervalos de tempo consecutvos. Shmmer (apq3), Shmmer (apq5) e Shmmer (apq): J + J ( ) + j j + 0.5( J ) (5) Shmmer ( apq3) J + J onde é o número de amostras e e + são ampltudes do snal de voz correspondentes a ntervalos de tempo consecutvos. o caso de Shmmer apq3 o valor de J é 3, no caso de Shmmer apq5 o valor de J é 5 e no caso de Shmmer apq o valor de J é.. Shmmer(ddp): Shmmer ( ddp) (6) onde é o número de amostras e, +, +2 e +3 correspondentes a ntervalos de tempo consecutvos. são as ampltudes do snal de voz 2.3 tch (freqüênca fundamental méda) lém das meddas de Jtter e Shmmer temos anda o tch que é a freqüênca cujo valor corresponde ao recíproco da méda dos ntervalos de tempo consderados. tch ( médo) (7) 3 MEDIÇÕES OS SIIS DE VOZ segur são apresentadas as tabelas geradas, a partr das medções descrtas acma, para padrões de voz normal, com nódulo e com paralsa unlateral respectvamente, sendo o fonema utlzado para análse a vogal sustentada /e/. Esta vogal fo escolhda para as medções por apresentar mas nítdas as medções descrtas na seção anteror. 465
4 Tabela Medções para vozes normas Tabela 2 Medções para vozes com nódulo Tabela 3 Medções para vozes com paralsa 4 REDES EURIS RTIFICIIS Uma rede neural artfcal consste em camadas de processadores nterlgadas por conexões ponderadas. fgura () mostra a R projetada para este trabalho. Fgura Rede eural rtfcal rojetada 466
5 este expermento utlza-se uma rede neural artfcal desenvolvda no ambente MTLB. Em redes neuras artfcas almentadas adante, os dados fluem das undades de entrada para as undades de saída de uma manera dreta, ou seja, não há realmentação. O algortmo de aprendzado da R é o de retropropagação e consste, bascamente, no segunte: dado um conjunto de pesos ncal, a rede neural recebe como amostras os valores das medções descrtas anterormente (na forma de um vetor de entrada). Cada vetor de entrada representa as característcas que se deseja dstngur entre as amostras de voz. Durante o trenamento da rede, o resultado correto para cada entrada é mostrado para a rede, ou seja, os pesos da rede são ajustados, através de uma regra chamada "regra delta", de modo que a rede mostre o resultado correto para cada uma das entradas conhecdas. "regra delta" consste em adconar ao valor do peso da conexão ponderada, a cada teração, um valor de ajuste baseado no gradente da função de erro do valor de saída da rede neural em relação ao valor da saída desejada. Maores detalhes sobre redes neuras e o algortmo de retropropagação podem ser encontrados em [6]. O ajuste da rede é testado colocando-se vetores de entrada que não foram usados para trenar a rede. déa é que vozes de um determnado padrão tenham vetores de medções com dstâncas eucldanas pequenas entre s. Desse modo, vetores de entrada que não foram usados para trenar a rede, mas que pertencem ao mesmo padrão, serão nterpolados entre os vetores que a rede conhece e classfcados como tas. fgura (2) apresenta um exemplo em que os vetores de entrada possuem três componentes (apenas para facltar a vsualzação gráfca). Fgura 2 Classfcação pela Rede eural ara um problema de classfcação de M classes, no caso três classes (normas, nódulo e paralsa), onde a unão das M classes dstntas forma o espaço de entrada ntero, necessta-se de um total de M saídas para representar todas as decsões de classfcação possíves [6]. rede é trenada com vetores-alvo bnáros S cujas componentes são escrtas como: S k quando a amostra pertence à classe C k S k 0 quando a amostra não pertence à classe C k partr desta notação, na rede projetada, a classe é representada por um vetor alvo de dmensão três. ssm, 467
6 S 0 padrão normal S padrão nódulo S 0 padrão paralsa 0 Uma rede neural classfcadora de múltplas camadas trenada com o algortmo de retropropagação, com um conjunto fnto de exemplos ndependentemente e dentcamente dstrbuídos (..d.), leva a uma aproxmação assntótca das probabldades de classe a posteror subjacentes [6], desde que o tamanho do conjunto de trenamento seja sufcentemente grande e que o processo de aprendzagem por retropropagação não fque preso em um mínmo local da função de erro do valor de saída da rede neural em relação ao valor da saída desejada. O número de neurônos na camada oculta depende de quão bem se deseja que a rede mapee ou absorva a varabldade do conjunto de amostras dsponível para trenamento [7]. Como não se tem noção a pror desta varabldade e o banco de amostras de voz conta, por enquanto, com apenas trnta amostras, este número de neurônos fo defndo expermentalmente. Ou seja, a rede fo trenada ncalmente com três neurônos na camada oculta, depos com quatro, depos com cnco, e assm por dante observando-se o índce de acertos em relação às amostras dexadas de fora do trenamento. confguração de camada oculta com cnco neurônos fo aquela em que se obteve maor índce de acertos. déa é começar com um número reduzdo de neurônos na camada oculta parte do prncípo de que o número de neurônos deve ser sempre pequeno em relação ao número de amostras para não sobre-parametrzar o modelo da rede (caso em que não se obtém melhora apesar do aumento do número de neurônos) [6]. Fo utlzada apenas uma camada oculta, pos se pode provar que uma rede neural com apenas uma camada oculta é capaz de realzar qualquer mapeamento. O número de amostras dexado de fora do trenamento fo baseado na segunte relação [6]: 2W r ótmo (8) 2( W ) onde r ótmo representa a fração do conjunto de amostras dsponível que será destnada ao trenamento da rede neural e W é o total de pesos da rede. ara o projeto da rede neste trabalho os dados são mostrados na tabela abaxo: Tabela 4 Total de pesos da rede neural projetada esos da entrada Vetores de componentes 5 neurônos ocultos 55 esos da saída 5 neurônos ocultos 5 3 neurônos saída olarzadores por neurôno 8 (5 ocultos e 3 saída) Total de pesos (W) 78 Substtundo-se W78 em (8) obtém-se r ótmo ssm 92,56% das amostras serão para trenar a rede e o restante para teste. Como há trnta amostras, vnte e sete delas serão utlzadas para trenamento e três para teste. rede neural artfcal fo trenada com duzentas épocas de trenamento, ou seja, o algortmo de retropropagação se repete duzentas vezes até que a dstânca eucldana entre o vetor de saída da rede e o vetor resposta desejado, para cada amostra de trenamento, seja mnmzada ou que as épocas de trenamento se encerrem (Tabela 5). 468
7 5 RESULTDOS OBTIDOS Tabela 5 Resumo da Rede eural rtfcal Tpo almentada adante lgortmo retro-propagação Camadas ocultas eurônos na camada oculta 5 eurônos na camada de saída 3 Função de atvação (camada oculta) Sgmóde Função de atvação (camada de saída) Lnear Conforme fo dto na seção 3, do total de trnta amostras, correspondentes à soma das amostras apresentadas nas tabelas, 2 e 3, vnte e sete foram usadas no trenamento da rede neural e três foram dexadas para testes. ssm, foram extraídas as colunas: 5 da tabela, 8 da tabela 2 e 7 da tabela 3. Estas colunas/amostras foram escolhdas por apresentarem valores em algumas de suas componentes mas acentuados em relação às suas respectvas tabelas/classes. Isto fo feto como uma forma de testar a capacdade de generalzação da rede neural artfcal, ou seja, oferecer um pouco mas de dfculdade ao teste da R. orém, as três colunas para o teste da R também poderam ter sdo retradas aleatoramente. Uma vez trenada a rede, seus resultados devem aproxmar-se dos vetores alvos correspondentes ao seu padrão, ou seja, cada componente de um vetor saída deve ser aproxmadamente 0 ou sendo o lmar de decsão 0,5. or exemplo, o resultado da rede a uma entrada para ser entenddo como normal deve ter a prmera componente do vetor coluna maor que 0,5 e as outras duas menores que 0,5. tabela 6 segur mostra a rede avalando corretamente a tabela teste, formada pelos 3 vetores colunas dexados de fora do trenamento anterormente Tabela 6 Classfcação correta para valores não usados no trenamento 6 COCLUSÕES Uma rede neural artfcal fo modelada para classfcar padrões de vozes: normas, com nódulo nas cordas vocas e com paralsa unlateral. Os resultados obtdos demonstram sua efcênca nesta classfcação, consegundo nterpolar com sucesso as três entradas dexadas de fora do trenamento entre as entradas dos seus respectvos grupos. 469
8 R trenada com este conjunto de amostras fo capaz de reconhecer corretamente os três tpos de vozes (amostras dexadas de fora do trenamento), além de uma amostra da mnha própra voz, que também fo reconhecda corretamente. precsão da R na sua tarefa de classfcação depende da varabldade dos valores das amostras usadas como exemplos para o seu trenamento, como também do número de amostras, da segunte forma: o número de amostras deve ser não apenas sufcente, mas deve também ser composto por amostras, cujos valores estejam sufcentemente dstrbuídos entre os valores possíves do sstema para permtr que a rede o modele com a precsão desejada. Isso justfca o fato de a R projetada neste artgo ter consegudo classfcar com sucesso, apesar do número pequeno de amostras, ou seja, não se tem noção da varabldade de cada grupo de vozes, porém provavelmente as vnte e sete amostras usadas possuem valores sufcentemente dstrbuídos para permtr que a rede nterpole corretamente. Outro fato a ser notado é que a quantdade de medções dferentes, que compõem o vetor de entrada da rede neural, aumenta a sua capacdade classfcadora. Essas medções são equvalentes a atrbutos de um objeto (amostra de voz), assm quanto maor a quantdade de atrbutos para comparação, maor a capacdade de dscernr entre duas classes de objetos. or exemplo, podemos ter dos objetos (amostras de voz) de classes dferentes com onze atrbutos (medções componentes do vetor de entrada). nda que essas duas amostras de voz possuam atrbutos semelhantes (passíves de erro de classfcação pela rede neural) em dez posções do vetor de entrada, a rede neural anda podera acertar se o atrbuto (medção) não pertencente aos dez menconados anterormente for sufcentemente dstnto entre as duas amostras. 7 REFERÊCIS [] ROS, M. O. nálse cústca da Voz para ré-dagnóstco de atologas da Larnge. 29p. Dssertação (Mestrado em Engenhara Elétrca). Escola de Engenhara de São Carlos, US, São aulo, 998. [2] VIEIR, M.. utomated Measures of Dysphonas and the honatory Effects of symmetres n the osteror Larynx. Tese (Doutorado em Engenhara Elétrca). Unversdade de Ednburg 997. [3] RT rograma para análse fonétca, [4] VIEIR M.., MCIES F. R., JCK M.. Comparatve ssessment of Electroglottographc and coustc Measures of Jtter n athologcal Voces. Journal of Speech, Language and Hearng Research, Vol. 40, 70-82, Feverero 997. [5] VIEIR M.., MCIES F. R., JCK M.. On the nfluence of laryngeal pathologes on acoustc and electroglottographc jtter measures. Journal of coustc Socety of merca. (2), Feverero 2002.[6] HYKI, S. Redes euras rncípos e rátca, 2a Edção, orto legre: Bookman, 200. [7] KOSKO, B. eural etworks and Fuzzy Systems. rentce-hall, US,
XXVIII CNMAC USANDO REDES NEURAIS PARA CLASSIFICAÇÃO DE PADRÕES DE VOZ
XXVIII CMC USDO REDES EURIS PR CLSSIFICÇÃO DE PDRÕES DE VOZ lexandre de Souza Brandão Unversdade Federal Flumnense PGMEC Programa de Pós-Graduação em Engenhara Mecânca Rua Passo da Pátra, 56-2420-240 São
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisEXPANSÃO TÉRMICA DOS LÍQUIDOS
Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisPROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS
PROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS Renato S. Gomde 1, Luz F. B. Loja 1, Edna L. Flôres 1 1 Unversdade Federal de Uberlânda, Departamento de Engenhara
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia mais8 Regime de transição
8 Regme de transção Por delberação do Senado Unverstáro em reunão de 2 de Março de 2006 (Cf. Pág. 2 da Mnuta nº 10) consdera-se que, «a partr do ano lectvo de 2006/07, todos os cursos da Unversdade do
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia maisMatemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t
Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisAs leis de Kirchhoff. Capítulo
UNI apítulo 11 s les de Krchhoff s les de Krchhoff são utlzadas para determnar as ntensdades de corrente elétrca em crcutos que não podem ser convertdos em crcutos smples. S empre que um crcuto não pode
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisREDE NEURAL ARTMAP NEBULOSA PARA ANÁLISE DE ESTABILIDADE TRANSITÓRIA DE SISTEMAS DE ENERGIA ELÉTRICA
REDE NEURAL ARTMAP NEBULOSA PARA ANÁLISE DE ESTABILIDADE TRANSITÓRIA DE SISTEMAS DE ENERGIA ELÉTRICA Sandra C. Marchor Carlos R. Mnuss Anna Dva P. Lotufo Unversdade Estadual Paulsta UNESP - Câmpus de Ilha
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisCARGA E DESCARGA DE UM CAPACITOR
EXPEIÊNCIA 06 CAGA E DESCAGA DE UM CAPACITO 1. OBJETIVOS a) Levantar, em um crcuto C, curvas de tensão no resstor e no capactor em função do tempo, durante a carga do capactor. b) Levantar, no mesmo crcuto
Leia maisUM SISTEMA NEURO-FUZZY APLICADO À AVALIAÇÃO DA SEGURANÇA DINÂMICA DE SISTEMAS DE POTÊNCIA
UM SISTEMA NEURO-FUZZY APLICADO À AVALIAÇÃO DA SEGURANÇA DINÂMICA DE SISTEMAS DE POTÊNCIA Tatana Marano Lessa Asss Unversdade Federal Flumnense Departamento de Engenhara Elétrca Rua Passo da Pátra, 56
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisO íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4
O íon lantanídeo no acoplamento Russell-aunders e a classfcação de seus estados segundo os subgrupos do grupo G(4 ) O hamltonano, H, dos íons lantanídeos contém uma parte que corresponde ao campo central,
Leia maisIBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG
IBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG ESTUDO COMPARATIVO ENTRE REDES NEURAIS ARTIFICIAIS E ANÁLISE DE REGRESSÃO MÚLTIPLA NA AVALIAÇÃO DE BENS,
Leia maisReconhecimento Automático de Modulação Digital de Sinais de Comunicações
Reconhecmento Automátco de Modulação Dgtal de Snas de Comuncações Marcelo Corrêa Horewcz, Caro Lúco ascmento Jr. e Waldecr João Perrella Insttuto Tecnológco de Aeronáutca Praça Marechal Eduardo Gomes,
Leia maisCap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisFiltros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.
1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisMedida de Quatro Pontas Autor: Mauricio Massazumi Oka Versão 1.0 (janeiro 2000)
Medda de Quatro Pontas Autor: Maurco Massazum Oka Versão.0 (janero 000) Introdução A técnca de medda de quatro pontas é largamente usada para a medda de resstvdades e resstêncas de folha. O método em s
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisElectromagnetismo e Óptica
Electromagnetsmo e Óptca aboratóro - rcutos OBJETIOS Obter as curvas de resposta de crcutos do tpo sére Medr a capacdade de condensadores e o coefcente de auto-ndução de bobnas por métodos ndrectos Estudar
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisCAPITULO II - FORMULAÇAO MATEMATICA
CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia mais