O Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
|
|
- Adriano Sousa Guimarães
- 8 Há anos
- Visualizações:
Transcrição
1 O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação Undade Acadêmca de Cêncas, Engenharas e Tecnologas UNESC 2 Professor do Curso de Cênca da Computação Undade Acadêmca de Cêncas, Engenharas e Tecnologas UNESC anah.sour@gmal.com, {mem,pr}@unesc.net Abstract. The mprovement about data storage entaled the ncrease of large databases, resultng n the necessty for nowledge dscovery, dstngushng data mnng among nformaton analyss technques. In ths context, ths artcle presents the modelng and development of the radal bass functon networ algorthm for the classfcaton tas n a free data mnng tool called Shell Oron Data Mnng Engne. Ths nd of neural networ has as objectve to classfy non-lnear databases accordng to the group of each element, performng a mappng of nput data. Keywords: Data Mnng, Classfcaton, Neural Networs, Radal Bass Functon. Resumo. Os avanços computaconas no que se refere ao armazenamento de dados ocasonaram a formação de grandes bases de dados resultando na necessdade de extração do conhecmento, destacando-se o data mnng dentre as tecnologas para análse de nformações. Deste modo, este artgo demonstra a modelagem e desenvolvmento do algortmo de redes neuras com função de atvação de base radal para a tarefa de classfcação em uma ferramenta gratuta de data mnng denomnada Shell Oron Data Mnng Engne. Esta rede neural tem como objetvo classfcar uma base de dados não-lnear de acordo com o grupo a que cada regstro pertence realzando um mapeamento dos dados de entrada apresentados. Palavras-chave: Data Mnng, Classfcação, Redes Neuras, Radal Bass Functon. 1. Introdução Analsar e extrar conhecmento útl de grandes bases de dados tornou-se um problema complexo para as organzações devdo ao crescmento do volume de dados armazenados. Para facltar esta análse são utlzadas ferramentas de data mnng que são em sua maora comercas [Goldschmdt e Passos 2005]. A fm de dsponblzar uma ferramenta gratuta, o Grupo de Pesqusa em Intelgênca Computaconal Aplcada do Curso de Cênca da Computação da UNESC
2 mantém em desenvolvmento a Shell Oron Data Mnng Engne, que já possu dferentes tarefas e métodos mplementados. Dentre as tarefas exstentes, a classfcação é uma das mas populares e consste em encontrar propredades comuns em um conjunto de regstros de uma base de dados e relaconá-los a uma classe pré-defnda. O método de redes neuras destaca-se nesta tarefa devdo a sua capacdade de aprendzagem por experênca e classfcação de dados não conhecdos. Deste modo, neste artgo apresenta-se o desenvolvmento método de redes neuras com função de atvação de base radal para a tarefa de classfcação na Shell Oron [Han e Kamber 2006]. 2. Descoberta de Conhecmento em Bases de Dados A descoberta do conhecmento em bases de dados auxla na análse e extração de conhecmento útl de grandes bases. Este processo é dvddo em três etapas [Han e Kamber 2006]: a) pré-processamento: consste na transformação dos dados para tornar possível a aplcação dos algortmos; b) data mnng: refere-se efetvamente à busca por conhecmento e extração de padrões da base de dados, é consderada a etapa mas mportante; c) pós-processamento: realza-se a análse e nterpretação dos resultados obtdos com o data mnng, para facltar o entendmento do usuáro Data Mnng Data mnng é defndo como um processo de reconhecmento de padrões no qual são aplcadas técncas ntelgentes a fm de extrar conhecmento mplícto nas bases de dados e auxlar no processo decsóro. O uso desta técnca não é restrto as empresas, oferecendo vantagens também em áreas como saúde, economa, geologa dentre outras, devdo à potencalzação dos recursos computaconas e no constante aumento do volume de dados [Olson e Delen 2008]. As prncpas tarefas de data mnng são: a) assocação: busca relações entre os dados que possam dentfcar uma tendênca; b) clusterzação: agrupa elementos de uma base com característcas semelhantes entre s e dferentes de outros grupos; c) classfcação: assoca cada regstro de uma base de dados à uma classe; d) prevsão: prevê futuros valores de um índce por meo da análse do comportamento passado. 3. A Tarefa de Classfcação no Processo de Data Mnng A classfcação é uma tarefa predtva que realza o mapeamento dos regstros de uma base de dados em uma quantdade fnta de conjuntos, atrbundo cada elemento a uma categora pré-defnda [Han e Kamber 2001].
3 Nesta tarefa o conjunto de dados é dvddo em dos grupos: dados de trenamento, composto pelos regstros utlzados na fase de aprendzagem, e dados de teste, utlzados na avalação do modelo gerado Na aprendzagem os dados para os quas as classes são conhecdas são utlzados na cração de um modelo classfcador. Posterormente os dados de teste são utlzados para estmar a capacdade do modelo em classfcar dados não conhecdos e a habldade de atrbur cada regstro à classe correta [Russel e Norvg 2004]. 4. O Método de Redes Neuras na Tarefa de Classfcação Redes neuras são estruturas nas quas os neurônos estão dspostos em camadas e nterlgados por conexões conhecdas como pesos snáptcos que representam o conhecmento da rede. Estas estruturas possuem a capacdade de classfcar padrões desconhecdos adequando-se à resolução de problemas onde se tem pouco conhecmento das relações entre atrbutos e classes. São também capazes de adqurr conhecmento por meo de um conjunto reduzdo de exemplos e produzr respostas consstentes para dados não conhecdos [Hayn 2001]. O processo de aprendzagem de uma rede neural ocorre por meo do ajuste dos seus pesos snáptcos de acordo com a resposta da rede aos dados de entrada. O modo como é realzado este ajuste é que determna o tpo do aprendzado da rede que pode ser supervsonado quando a rede aprende utlzando exemplos fornecdos por um supervsor externo, ou não-supervsonado, quando utlza apenas os dados de entrada [Hayn 2001]. As redes neuras de uma só camada são capazes de resolver apenas problemas lnearmente separáves, ou seja, que podem ser satsfetos por uma reta ou hperplano como frontera de decsão (Fgura 1), pos utlzam algortmos de trenamento capazes de ajustar os pesos de somente uma camada. Já a resolução de problemas de classfcação não-lneares exge a utlzação de algortmos que ajustem mas de uma camada, por sso redes neuras com uma ou mas camadas ocultas são aplcáves neste tpo de problema [Bshop 1995]. Fgura 1. Classfcação lnear e não-lnear 5. O Método de Redes Neuras com Função de Atvação de Base Radal Uma rede neural com Função de Atvação de Base Radal (RBF) consste em um modelo neural multcamadas, capaz de aprender padrões complexos e resolver problemas não-lnearmente separáves.
4 Fgura 2. Arqutetura da rede RBF A arqutetura de uma rede RBF está dvdda em três camadas (Fgura 2): camada de entrada, na qual os padrões são apresentados à rede; camada ntermedára ou oculta que realza o mapeamento não-lnear do espaço de entrada utlzando função gaussana; e camada de saída que fornece a resposta da rede ao padrão apresentado [Theodords e Koutroumbas 2006]. 6. O Método de Redes Neuras com Função de Atvação de Base Radal na Shell Oron Data Mnng Engne A modelagem do módulo de classfcação com redes RBF ncou-se com a construção dos dagramas de caso de uso, atvdades e seqüênca utlzando os padrões UML. Posterormente fo desenvolvda a demonstração matemátca do funconamento da rede a fm de facltar o entendmento e a mplementação. O processo de aprendzado da rede RBF desenvolvda transforma um problema de classfcação não-lnear em um problema lnear, e é dvddo nas seguntes etapas: a) seleção dos centros (c): um subconjunto dos dados de trenamento é atrbuído aos vetores centro das funções de base radal; b) defnção do rao de abrangênca (): calcula-se a área de sensbldade da função de base em relação ao seu centro utlzando a segunte equação: dstmax ( c, c j ) σ =, j (1) 2H c) cálculo da atvação dos neurônos ocultos (u): defne-se o grau de atvação de cada neurôno da camada oculta utlzando dstânca eucldana conforme a equação (2) u ( t) = x( t) c ( t), = 1, H (2) d) mapeamento do espaço não-lnear (): na camada oculta da rede, as funções gaussanas defndas pela equação (3) realzam a transformação dos dados de entrada não-lneares;
5 2 u = ( t) ϕ ( t) exp (3) 2 2σ e) cálculo das saídas (O): os pesos de saída da rede são atualzados de acordo com a regra do perceptron smples e utlzados na próxma teração. 1, ( t) = 0, U ( t) 0 U ( t) < 0 Onde U (t) é defndo pela equação (5): ο (4) U H ( t) = m ( t) ϕ ( t) (5) = 1 f) cálculo do erro (e): dferença entre a saída desejada e a saída real da rede, onde: e ( t) d ( t) ο ( t) = (6) g) ajuste das snapses (m): a atualzação dos pesos snáptcos descrta na equação (7) ocorre somente quando o erro for dferente de zero. m ( t 1) = m ( t) +ηe ϕ ( t) + (7) h) condção de parada (E): o algortmo atnge a convergênca quando a rede não apresentar mudanças sgnfcantes nas snapses. Essa condção pode ser verfcada por meo da equação (8). 1 N = N = 1 ( ) 2 e ( t ) E (8) A apresentação de todos os vetores de trenamento à rede defne uma época de trenamento, nesta fase a condção de parada é testada e se não for satsfeta, o conjunto de trenamento é embaralhado e a rede contnua seu processamento teratvamente Implementação e Realzação de Testes A rede RBF fo mplementada no módulo de classfcação da Shell Oron Data Mnng Engne por meo da lnguagem de programação Java e ambente de programação Netbeans 6.8. A Shell Oron possblta a conexão com drvers de dferentes bancos de dados, sendo que nos testes realzados nesta pesqusa optou-se pelo uso do MySQL 5.1, dsponível gratutamente para download em: Para executar a tarefa de classfcação por meo de redes RBF é necessáro defnr alguns parâmetros da rede: a) quantdade de classes: número de classes que o algortmo rá dentfcar, o valor nformado não pode ser maor que a quantdade real de classes;
6 b) quantdade de épocas: quantdade máxma de épocas executadas. Esta é uma condção de parada utlzada somente para casos em que o algortmo não atnge a convergênca por meo do cálculo do erro médo; c) taxa de aprendzagem: taxa de atualzação dos pesos snáptcos que corresponde ao grau de aprendzagem da rede; d) quantdade de centros: quantdade de funções de base radal na camada oculta, este valor não pode ser muto alto para não ocasonar overfttng, nem muto baxo que gere underfttng; e) atrbutos de entrada: atrbutos da base de dados que serão utlzados como valores de entrada da rede neural. A Shell Oron permte que os resultados gerados pelo algortmo possam ser analsados por meo de resumo, árvore e gráfco. Na Fgura 3 observa-se o relatóro gerado pelo algortmo contendo um resumo da classfcação Fgura 3. Resumo da classfcação por meo da rede RBF. A atrbução dos regstros para cada classe pode ser faclmente vsualzada também em forma gráfca como mostra a Fgura 4, onde as classes dentfcadas são representadas por meo de Prncpal Component Analyss (PCA). O método PCA transforma uma base de dados de n dmensões em uma matrz de duas dmensões, possbltando a projeção dos dados grafcamente.
7 Fgura 4. Gráfco gerado pelo classfcador RBF Detalhes dos elementos contdos em cada classe podem ser analsados ndvdualmente por meo de uma estrutura em árvore (Fgura 5). Fgura 5. Árvore das classes dentfcadas pela rede RBF Além dsso, a ferramenta permte a exportação dos resultados gerados em formato de arquvo SQL, esta funconaldade permte uma posteror aplcação dos resultados da classfcação como entrada para outras tarefas de DM. É possível também executar dversas vezes o algortmo com parâmetros de entrada dferentes, possbltando a comparação dos resultados encontrados. Além dsso, um arquvo de
8 ajuda dsponblza a documentação necessára para auxlar o usuáro na utlzação do classfcador RBF Resultados Obtdos Nos testes realzados no módulo desenvolvdo utlzou-se a base de dados das Irdáceas, composta por entradas não-lneares, contendo dados referentes a três tpos de plantas da famíla das Irdáceas: setosa, verscolor e vrgínca, totalzando 150 regstros e 4 atrbutos (sepal_length, sepal_wdth, petal_length e petal_wdth) referentes a largura e comprmento das sépalas e pétalas das plantas. O algortmo fo executado com os seguntes parâmetros de entrada: 3 para quantdade de classes que se refere à quantdade real de classes exstentes; 2000 para quantdade máxma de épocas, sendo que o algortmo somente executa o número máxmo de épocas se não atngr a convergênca por meo do erro médo; taxa de aprendzagem de 0,1 e 20 funções de base radal, ambos defndos por tentatva e erro. Os resultados gerados pelo classfcador RBF são descrtos na Tabela 1. Tabela 1. Resultados do classfcador RBF para a base de dados das rdáceas Classe Quantdade Porcentagem de de elementos elementos Classe 1 (írs-setosa) 49 32,67% 1 2 (írs-verscolor) 55 36,67% 1 (1 ocorrênca) 2 (50 ocorrêncas) 3 (4 ocorrênca) 3 (írs-vrgínca) 46 30,67% 3 Os resultados mostram que o algortmo obteve desempenho satsfatóro, dentfcando apenas cnco regstros em classes ncorretas e confrmou-se que os parâmentros de entrada seleconados nfluencam Avalação do Desempenho A análse de desempenho do classfcador desenvolvdo realzou-se por meo da uma matrz de confusão, que combna os valores reas com os valores predtos pelo modelo (Tabela 2). Tabela 2. Matrz de confusão para a classfcação da base das rdáceas Predta\Verdadera Classe 1 Classe 2 Classe3 Total Classe Classe Classe Total Os elementos marcados em cnza representam a dagonal prncpal da matrz de confusão, que representam as concordâncas da classfcação. Já os elementos de fora desta dagonal, descrevem as dscordâncas da classfcação, ou seja, elementos classfcados ncorretamente. A partr desta matrz é possível calcular os índces de avalação de desempenho do classfcador (Tabela 3).
9 Tabela 3. Índces de avalação Índce 6.4. Tempos de Processamento Valor sensbldade 96,6% especfcdade 98,33% accuracy 97,78% erro 2,3% confabldade 96,6% appa 0,95 A fm de analsar o desempenho do módulo no que se refere a tempo de processamento, utlzou-se uma base de dados gerada aleatoramente contendo 6000 regstros e 4 atrbutos. Nesta avalação foram testados dferentes valores para os seguntes parâmetros: quantdade de classes, quantdade de atrbutos de entrada, quantdade de centros e taxa de aprendzagem da rede. Observou-se que quanto maor a quantdade de classes e atrbutos de entrada, maor é o tempo de processamento da rede. Para taxa de aprendzagem com valores altos a rede apresentou melhores tempos no entanto mostrou por desempenho na dentfcação de classes assm como a quantdade de funções de base Comparação com outra Aplcação Os resultados gerados pelo classfcador RBF para a base de dados das rdáceas na Shell Oron fo comparados com os resultados obtdos com a aplcação da mesma base de dados no classfcador RBF da ferramenta gratuta Wea dsponível em: A Tabela 3 demonstra a comparação entre os índces de avalação de desempenho de ambas as ferramentas. Tabela 4. Tempos de processamento Shell Oron Wea Regstros classfcados corretamente Regstros classfcados ncorretamente 5 4 Sensbldade 96,6% 97,3% Especfcdade 98,3% 98,6% Accuracy 97,7% 98,2% Erro 2,3% 2% Confabldade 96,6% 97,3% Kappa 0,95 0,96 Tempo de processamento 00m:00s.187ms 00m:00s.140ms
10 Analsando os resultados obtdos pode-se conclur que o classfcador RBF da Shell Oron está funconando de manera satsfatóra, consderando que apresentou 96,6% de regstros classfcados corretamente e índces de avalação muto próxmos aos da ferramenta Wea que classfcou os regstros com 97,3% de acerto, porém a Wea teve um desempenho melhor perante os índces de avalação e tempo de processamento pouco menor. Ambas as ferramentas obtveram valores excelentes (entre 0,8 e 1) para o coefcente appa, demonstrando alto grau de concordânca entre os dos modelos classfcadores.. Consderando todos os testes realzados, o algortmo apresentou resultados satsfatóros que confrmam o correto funconamento do módulo desenvolvdo. 7. Conclusão Este artgo apresentou um modelo classfcador mplementado pelo método de redes neuras com função de atvação de base radal na Shell Oron Data Mnng Engne, contrbundo com o desenvolvmento da ferramenta. Dante dos resultados obtdos pode-se confrmar a aplcabldade de redes RBF para a tarefa de classfcação em bases de dados das quas já se possu algum conhecmento prévo, por utlzarem uma abordagem supervsonada e campos receptvos locas como frontera de decsão. Concluu-se que o modelo fo desenvolvdo com sucesso, pos apresentou funconamento correto e resultados satsfatóros na classfcação e em tempos de processamento. Referêncas Bshop, C. (1995), Neural Networs for Pattern Recognton, Oxford Unversty Press. Goldschmdt, R., e Passos, E. L. (2005), Data mnng: uma gua prátco: concetos, técncas, ferramentas, orentações e aplcações, Elsever. Hayn, S. (2001). Redes neuras: prncípos e prátca, Booman, 2. ed. Russel, S. e Norvg, P. (2004), Intelgênca Artfcal, Elsever. Olson, D. e Delen, D. (2008), Advanced Data Mnng Technques, Sprnguer. Kantardzc, M. (2003) Data mnng: Concepts, Models, Methods, and Algorthms, John Wley & Sons. Han, J. e Kamber, M. (2006), Data Mnng: Concepts and Technques, Morgan Kaufmann, 2. ed. Theodords, S. e Koutroumbas, K. (2006), Pattern recognton, Elsever.
5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisIMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA
IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA José R. Campos 1, Anna D. P. Lotufo 1, Carlos R. Mnuss 1, Mara L. M. Lopes 1 1 UNESP, Ilha Soltera, Brasl, jrcampos8@gmal.com,
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 maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisO Uso do Software Matlab Aplicado à Previsão de Índices da Bolsa de Valores: Um Estudo de Caso no Curso de Engenharia de Produção
O Uso do Software Matlab Aplcado à Prevsão de Índces da Bolsa de Valores: Um Estudo de Caso no Curso de Engenhara de Produção VICENTE, S. A. S. Unversdade Presbterana Mackenze Rua da Consolação, 930 prédo
Leia maisUMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC)
UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) ANDRÉA T. R. BARBOSA, GLORIA M. CURILEM SALDÍAS, FERNANDO M. DE AZEVEDO Hosptal São Vcente
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
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 maisDETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES
DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES THOMAZ. M. ALMEIDA 1, DANIEL F. COLAÇO, TARIQUE. S. CAVALCANTE, VICTOR H.
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 maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES
ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES GENIVAL PAVANELLI ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO XIII GRUPO DE ESTUDO DE TRANSFORMADORES, REATORES, MATERIAIS E TECNOLOGIAS
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 maisIX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS. 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES
IX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES Paper CIT02-0026 METODOLOGIA PARA CORRELAÇÃO DE DADOS CINÉTICOS ENTRE AS TÉCNICAS DE
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 maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
Leia maisESTUDO COMPARATIVO DE ALGORITMOS PARA RECONHECIMENTO FACIAL
EUDO COMPARAIVO DE AGORIMO PARA RECONHECIMENO FACIA Astract Crstane Knuta, crstane_knuta@yahoo.com.r Denns Molna, dennsmolna00@yahoo.com.r Erc Govan Dorneles, ercgovan@g.com.r Fao meão Grecch, faogrecch@g.com.r
Leia maisMODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE
MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual
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 maisPARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD
PARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD Thalles S. Torch, Mlton R. Romero e Evandro M. Martns 3 Depto. de Eng. Elétrca,
Leia maisLOCALIZAÇÃO ESPACIAL DA MÃO DO USUÁRIO UTILIZANDO WII REMOTE. Ricardo Silva Tavares 1 ; Roberto Scalco 2
LOCALIZAÇÃO ESPACIAL DA MÃO DO USUÁRIO UTILIZANDO WII REMOTE Rcardo Slva Tavares 1 ; Roberto Scalco 1 Aluno de Incação Centífca da Escola de Engenhara Mauá (EEM/CEUN-IMT); Professor da Escola de Engenhara
Leia maisCÁLCULO DO ALUNO EQUIVALENTE PARA FINS DE ANÁLISE DE CUSTOS DE MANUTENÇÃO DAS IFES
MIISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR DEPARTAMETO DE DESEVOLVIMETO DA EDUCAÇÃO SUPERIOR TECOLOGIA DA IFORMAÇÃO CÁLCULO DO ALUO EQUIVALETE PARA FIS DE AÁLISE DE CUSTOS DE MAUTEÇÃO DAS IFES
Leia maisExpressão da Incerteza de Medição para a Grandeza Energia Elétrica
1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos
Leia maisBALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL.
BALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL. Leonardo Slva de Souza (1) Mestrando em Engenhara Químca(UFBA). Pesqusador da Rede Teclm. Bárbara Vrgína Damasceno Braga (1)
Leia maisAGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
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 maisO Algoritmo Robust C-Prototypes na Tarefa de Clusterização em Data Mining
O Algortmo Robust -Prototypes na Tarefa de lusterzação em Data Mnng Ademar rott Junor, Mersandra ôrtes de Mattos, Prscyla Waleska T. A. Smões Acadêmco do urso de ênca da omputação Undade Acadêmca de êncas,
Leia maisAmbiente de Desenvolvimento de Manufatura Virtual
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Welnton Das Ambente de Desenvolvmento de Manufatura Vrtual Dssertação submetda ao Programa de Pós- Graduação em Engenhara
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisSISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA
SISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA EDUARDO DE A. SODRÉ, DEPT Dvsão de Estudos do Sstema de Transmssão, CHESF Rua Delmro Gouvea, 333 Bon, Cep: 50761
Leia maisFiltro de Conteúdo para Sistemas SMS Baseado em Classificador Bayesiano e Agrupamento por Palavras
XV Workshop de Gerênca e Operação de Redes e Servços 131 Fltro de Conteúdo para Sstemas SMS Baseado em Classfcador Bayesano e Agrupamento por Drceu Belém 1, Fátma Duarte-Fgueredo 1 1 Pontfíca Unversdade
Leia maisRAE-eletrônica ISSN: 1676-5648 rae@fgv.br. Escola de Administração de Empresas de São Paulo. Brasil
RAE-eletrônca ISSN: 676-5648 rae@fgv.br Escola de Admnstração de Empresas de São Paulo Brasl Gumarães, Ináco Andrusk; Chaves Neto, Anselmo RECONHECIMENTO DE PADRÕES: METODOLOGIAS ESTATÍSTICAS EM CRÉDITO
Leia maisAnálise Fatorial F 1 F 2
Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas
Leia maisHansard OnLine. Guia Unit Fund Centre
Hansard OnLne Gua Unt Fund Centre Índce Págna Introdução ao Unt Fund Centre (UFC) 3 Usando fltros do fundo 4-5 Trabalhando com os resultados do fltro 6 Trabalhando com os resultados do fltro Preços 7 Trabalhando
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 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 mais1. Introdução 2. Misturas Gaussianas
Ajuste de Msturas Gaussanas utlzando Algortmo de Maxmzação da Esperança e Crtéro de Comprmento de Descrção Mínmo para Modelagem de Tráfego VoIP Chela Mendes de Olvera Escola de Engenhara Elétrca e de Computação
Leia maisSoftware para Furação e Rebitagem de Fuselagem de Aeronaves
Anas do 14 O Encontro de Incação Centífca e Pós-Graduação do ITA XIV ENCITA / 2008 Insttuto Tecnológco de Aeronáutca São José dos Campos SP Brasl Outubro 20 a 23 2008. Software para Furação e Rebtagem
Leia maisOrganização da Aula. Gestão de Obras Públicas. Aula 2. Projeto de Gestão de Obras Públicas Municipais. Contextualização
Gestão de Obras Públcas Aula 2 Profa. Elsamara Godoy Montalvão Organzação da Aula Tópcos que serão abordados na aula Admnstração e Gestão Muncpal Problemas Admnstração e Gestão Muncpal Gestão do Conhecmento
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 maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisUniversidade Federal do Rio Grande do Norte Centro de Tecnologia Programa de Pós-Graduação em Engenharia Elétrica e de Computação
Unversdade Federal do Ro Grande do Norte Centro de Tecnologa Programa de Pós-Graduação em Engenhara Elétrca e de Computação IDENTIFICAÇÃO NÃO LINEAR USANDO UMA REDE FUZZY WAVELET NEURAL NETWORK MODIFICADA
Leia maisRedes Neurais Artificiais Aplicadas no Monitoramento da Condição de Ferramentas de Corte Utilizando Algoritmo de Extração das Características SFS
Proceedngs of the IV Brazlan Conference on Neural Networs - IV Congresso Braslero de Redes Neuras pp. 292-297, July 20-22, 999 - ITA, São José dos Campos - SP - Brazl Redes Neuras Artfcas Aplcadas no Montoramento
Leia maisProbabilidade nas Ciências da Saúde
UNIVERSIDDE ESTDUL DE GOIÁS Undade Unverstára de Cêncas Exatas e Tecnológcas Curso de Lcencatura em Matemátca robabldade nas Cêncas da Saúde Rafaela Fernandes da Slva Santos NÁOLIS 014 Rafaela Fernandes
Leia maisGeração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3
Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisREGULAMENTO GERAL (Modalidades 1, 2, 3 e 4)
REGULAMENTO GERAL (Modaldades 1, 2, 3 e 4) 1. PARTICIPAÇÃO 1.1 Podem concorrer ao 11º Prêmo FIEB de Desempenho Socoambental da Indústra Baana empresas do setor ndustral nas categoras MICRO E PEQUENO, MÉDIO
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisGoal Programming como Ferramenta de Gestão
Resumo Goal Programmng como Ferramenta de Gestão Dmtr Pnhero SANTANNA Fláva Zóbol DALMÁCIO Lucene Laurett RANGEL Valcemro NOSSA O objetvo deste artgo é demonstrar como o gestor pode aplcar a técnca do
Leia maisEstudo para Implementação de um Sistema de Roteirização e um Novo Centro de Distribuição para uma Empresa de Água Mineral do Sul de Minas Gerais
Estudo para Implementação de um Sstema de Roterzação e um Novo Centro de Dstrbução para uma Empresa de Água Mneral do Sul de Mnas Geras Ilton Curty Leal Junor ltoncurty@gmal.com UFF Dego de Olvera Pexoto
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTIPLA PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTILA ARA A REVISÃO DO TEMO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS Alessandra Memar avanell Unversdade Federal do araná UFR rograma de ós-graduação
Leia maisTRANSPORTE E ESTOCAGEM DE FUMO UM MODELO DE PROGRAMAÇÃO LINEAR USADO NA TOMADA DE DECISÃO
TRANSPORTE E ESTOCAGEM DE FUMO UM MODELO DE PROGRAMAÇÃO LINEAR USADO NA TOMADA DE DECISÃO Janaína Poffo Possama janapoffo@gmal.com Unversdade Regonal de Blumenau Rua Antôno da Vega, 0 8902-900 - Blumenau
Leia maisSOM Hierárquico Aplicado à Compressão de Imagens
Proceedngs of the V Brazlan Conference on Neural Networks - V Congresso Braslero de Redes Neuras pp. 511 516, Aprl 2 5, 2001 - Ro de Janero - RJ - Brazl SOM Herárquco Aplcado à Compressão de Imagens José
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisPROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA
PROVA DE MATEMÁTICA DO VESTIBULAR 03 DA UNICAMP-FASE. PROFA. MARIA ANTÔNIA C. GOUVEIA QUESTÃO 37 A fgura abaxo exbe, em porcentagem, a prevsão da oferta de energa no Brasl em 030, segundo o Plano Naconal
Leia maisO USO DA INTEGRAL DEFINIDA NO CÁLCULO DA ÁREA ALAGADA DA BARRAGEM DO RIO BONITO
O USO DA INTEGRAL DEFINIDA NO CÁLCULO DA ÁREA ALAGADA DA BARRAGEM DO RIO BONITO Crstna Martns Paraol crstna@hotmal.com Insttuto Federal Catarnense Rua Prefeto Francsco Lummertz Júnor, 88 88960000 Sombro
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisCORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK
CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK Welsson de Araújo SILVA PRODERNA/ITEC/UFPA waslva89@hotmal.com Fernando
Leia maisAtribuição Automática de Propagandas a Páginas da Web
Atrbução Automátca de Propagandas a Págnas da Web Aníso Mendes Lacerda Lara Crstna Rodrgues Coelho Resumo O problema da propaganda dreconada baseada em conteúdo (PDC) consttu-se em atrbur propagandas a
Leia maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
Leia maisPalavras-chaves: Gráficos de controle, ambiente R, análise estatística multivariada
A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 O DESENVOLVIMENTO DE GRÁFICOS DE CONTROLE MCUSUM E MEWMA EM AMBIENTE R COMO
Leia maisFERRAMENTA DE AUXÍLIO AO DIAGNÓSTICO MÉDICO DURANTE A GRAVIDEZ
FERRAMENTA DE AUXÍLIO AO DIAGNÓSTICO MÉDICO DURANTE A GRAVIDEZ M. G. F. Costa, C. F. F. Costa Flho, M. C. Das, A. C. S.Fretas. Unversdade do Amazonas Laboratóro de Processamento Dgtal de Imagens Av. Gal.
Leia maisLista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.
Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta
Leia maisAvaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe
Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia mais