COTEQ SISTEMA ELETRÔNICO EMBARCADO PARA DIAGNÓSTICO AUTOMÁTICO EM CAMPO DE INSPEÇÕES POR ULTRASSOM
|
|
- Igor Branco Camarinho
- 5 Há anos
- Visualizações:
Transcrição
1 12ª Conferência sobre Tecnologia de Equipamentos COTEQ SISTEMA ELETRÔNICO EMBARCADO PARA DIAGNÓSTICO AUTOMÁTICO EM CAMPO DE INSPEÇÕES POR ULTRASSOM Angelo C. Carvalho 1, Maria C. S. Albuquerque 2, Eduardo F. S. Filho 3, Cláudia T. T. Farias 4. Copyright 2013, ABENDI, ABRACO e IBP. Trabalho apresentado durante a 12ª Conferência sobre Tecnologia de Equipamentos. As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s) autor(es). SINOPSE Técnicas de inspeção são largamente utilizadas pelo setor industrial com o objetivo de verificar a integridade de uma determinada peça, material, ou instalação. Com o desenvolvimento tecnológico, novas técnicas de inspeção são desenvolvidas, sendo a inspeção através de sinais ultrassônicos uma das que mais se destaca. Em tal inspeção a saída de um gerador de ultrassom é transmitida à peça, e pode sofrer os mais diversos efeitos acústicos, dependendo da existência ou não de falhas, e de qual tipo de falha o material apresenta. Deste modo o sinal ultrassônico pode ser atenuado, refletido ou refratado. É graças a essas modificações que se pode detectar a existência de um defeito, e classifica-lo, através processamento digital de sinal adequado. Este trabalho tem como objetivo principal o desenvolvimento de um sistema eletrônico para processamento digital de sinais capaz de detectar e classificar defeitos a partir de inspeções por ultrassom tipo pulso eco. Os algoritmos computacionais necessários são embarcados em um processador digital de sinais. Resultados preliminares do sistema proposto serão apresentados. 1 Graduando Engenharia Elétrica UFBA / GPEND 2 Doutora em Engenharia de Processos IFBA / GPEND 3 Doutor em Engenharia Elétrica UFBA / GPEND 4 Doutora em Engenharia Metalúrgica e de Materiais IFBA / GPEND 169
2 1. INTRODUÇÃO Testes Ultrassônicos são uma classe de ensaios não destrutivos (END) (1) (2) que utilizam a energia de sinais acústicos de alta frequência para conduzir exames e realizar medidas em corpos de prova. Os ensaios não destrutivos são de extremo interesse para a indústria pelo fato de preservarem a integridade do material analisado e reduzirem os custos com manutenção. O objetivo dos END é detectar a presença de falhas estruturais, de preferência em estágios iniciais. O processo para obtenção dessa informação a partir de uma onda ultrassônica requer uma série de etapas de processamento, fazendo-se necessário uma classificação ao fim do processo para que se possa associar ao objeto em estudo um dos diversos tipos de problemas existentes. Neste trabalho é proposta a criação de um hardware com lógica de processamento digital de sinais e classificação neural embarcada em um microcontrolador, visando-se a criação de um produto para ser usado em auxilio às inspeções por ultrassom capaz de emitir respostas em tempo real e aumentar a confiabilidade do processo de inspeção. No sistema proposto, a primeira etapa de processamento dos sinais consiste em levá-los do domínio temporal para o domínio da frequência através da transformada de Fourier (3), posteriormente um classificador neural de arquitetura Perceptron Multicamadas será utilizado para classificar o estado do material, e por fim visando minimizar os recursos computacionais utilizados pelo microcontrolador, é proposta a utilização de técnicas de processamento estatístico de sinais capazes de reduzir a informação necessária para a tomada de decisão sem prejudicar a eficiência de discriminação do sistema. A proposta desse trabalho é realizar a implementação em hardware dedicado, do sistema apresentado no trabalho (4) publicado na revista Ultrassonics. 2. FUNDAMENTAÇÃO TEÓRICA 2.1. ENSAIOS ULTRASSÔNICOS Os ensaios ultrassônicos se utilizam de uma onda acústica com frequência acima da audível, que se propagam ao material, buscando detectar algum tipo de defeito, caso exista. O equipamento de ultrassom gera uma determinada tensão que é aplicada a um transdutor que, utilizando-se do efeito piezoelétrico, (efeito que consiste basicamente na deformação do material quando submetido a um campo elétrico), emite o sinal desejado com uma banda de frequência em torno da frequência central, que pode variar com o transdutor utilizado. Além disso, em alguns casos pode ser usado um liquido para acoplamento entre transdutor e o corpo de prova. Este procedimento visa reduzir as perdas sofridas pela onda ao sair do transdutor e emergir no ar. Diversas são as configurações e técnicas em que um ensaio ultrassônico pode ser realizado, dentre esses se destacam: Ensaio por imersão: o corpo de prova e o transdutor estão imerso num liquido acoplante, geralmente água; Ensaio por contato: é exercida uma pressão no transdutor que é aplicado diretamente à peça, sendo utilizado um fluido para fazer o acoplamento; 170
3 Ondas de Lamb: ondas que produzem uma perturbação que faz com que as partículas do material vibrem tanto na direção de propagação quanto perpendicularmente ao material, varrendo todo o volume do material; Ondas pulso eco: utiliza-se somente um transdutor que é emissor e receptor. Ele gera ondas em pulso, e recebe o eco emitido pelo material no intervalo entre a geração dos pulsos; 2.2. PROCESSAMENTO DIGITAL DE SINAIS A utilização de END para a inspeção dos mais diversos tipos de materiais vem se aperfeiçoando à medida que as técnicas de processamento digital de sinais se tornam mais eficientes. Especificamente nos END por ultrassom, é através das informações contidas nos sinais que são captados que se consegue detectar as falhas de um material. Esses sinais estão sujeitos a ruídos ao longo da inspeção que desfavorecem a confiabilidade do ensaio. Entre as fontes de ruído pode-se destacar a interação com os espalhadores presentes no meio material e os circuitos eletrônicos, que podem contribuir para a adição do ruído branco. Dentre as diversas técnicas de processamento de sinais, uma das mais utilizadas é a análise no domínio da frequência utilizando-se a transformada de Fourier, já que permite a obtenção do espectro de frequências do sinal temporal. Por ser uma representação mais compacta e discriminante, torna mais simples o processo de identificação de falhas no material TRANSFORMADA DISCRETA DE FOURIER E ANÁLISE ESPECTRAL A transformada de Fourier é uma ferramenta matemática muito utilizada na área de processamento digital de sinais. Ela permite a representação no domínio da frequência de sinais definidos no tempo, ou seja, ela transforma um sinal temporal para um sinal em frequência. Na transformada de Fourier a obtenção do espectro de frequência se dá pela decomposição do sinal num somatório de senóides e cossenóides de frequências diferentes, o que permite a avaliação quanto sua magnitude e fase. A Eq. 1 representa a Transformada Discreta de Fourier, DFT (Discrete Fourier Transform), que é uma modificação da Transformada de Fourier de Tempo Contínuo para sinais discretizados no tempo. A Eq. 2 mostra a Transformada inversa IDFT (Inverse Discrete-time Fourier Transform) (5). [Eq.1] X( e jω ) = n=0 x(n) e jωn [Eq.2] x(n) = 1 π X( N ejω ) e jωn dω π 171
4 A aplicação de DFT é computacionalmente viável apenas quando o número de dados utilizados é pequeno (4), a partir de certa quantidade de dados torna-se muito demorado o processo. Visando a computação de um número elevado de dados desenvolveu-se o algoritmo da Transformada Rápida de Fourier (Fast Fourier Transform, FFT), que consegue diminuir o tempo de processamento através da redução do número de passos que devem ser executados durante o cálculo. A Figura 1 mostra um esquemático da matriz butterfly utilizada para a realização da FFT. FIGURA 1: Matriz Butterfly para FFT. (6) 2.3. PROCESSAMENTO ESTATÍSTICO DE SINAIS Técnicas que utilizam informações da estatística dos sinais, como Análise de Componentes Principais (PCA Principal Component Analysis) (7) e Análise de Componentes Independentes (ICA - Independent Component Analysis) (8) são frequentemente utilizadas na solução de problemas onde há a necessidade de processamento veloz, flexível e eficiente. A Análise de Componentes Principais é um método que tem por finalidade o processamento estatístico de sinais multidimensionais visando à minimização da informação redundante. A PCA utiliza informações estatísticas de segunda ordem para projetar os sinais em bases ortogonais e que estão nas direções de máxima variância do processo. Com isso, pode-se eliminar as componentes de menor variância (energia) e compactar o sinal, mantendo-se a maior parte da informação necessária para a reconstrução. A Análise de Componentes Independentes (ICA) é um método de extração de características semelhante à PCA, porém aqui a transformação visa reduzir sinais independentes estatisticamente (e não apenas descorrelacionados, como era o caso da PCA). Nesse sentido a ICA é mais abrangente que a PCA, pois garante que não há redundâncias de informação considerando-se toda a estatística dos dados. Uma característica interessante e que facilita o processo de treinamento do discriminador neural, é que os componentes principais estimados são mutualmente não correlacionados, ou seja, não há informações redundantes entre as características de entrada para o classificador. 172
5 2.4. REDES NEURAIS ARTIFICIAIS Uma Rede Neural Artificial (RNA) é um modelo matemático que pode ser implementado de modo maciçamente e paralelamente distribuído (9). Uma RNA é constituída de unidades de processamento simples, que tem a propensão natural para armazenar conhecimento experimental e torna-lo disponível para uso. Possui dois aspectos que se assemelham ao cérebro humano: o conhecimento é adquirido a partir de seu ambiente através do processo de aprendizagem, e as forças de conexão entre os neurônios armazenam o conhecimento adquirido. Esse conhecimento é armazenado através de variáveis chamadas pesos sinápticos, que armazenam valores correlatos com características do problema. O procedimento utilizado para realização da etapa de treinamento da RNA é chamado algoritmo de aprendizagem cujo objetivo é modificar os pesos sinápticos de forma a alcançar o objetivo desejado. O treinamento pode ser supervisionado ou não supervisionado. No primeiro existe um par entrada/saída alvo, que marca uma diretriz para a RNA, no segundo a RNA tende a uma situação de estabilidade onde se diz que ela esta treinada. Em relação à sua capacidade e a sua utilidade, podemos destacar algumas características das RNAs: Não linearidade: as conexões entre os neurônios são distribuídas de forma paralela e não linear. Adaptabilidade: a RNA pode adaptar seus pesos para as mudanças no ambiente ao seu redor. Resposta de Prova ou Resposta de Teste : após um determinado treinamento com um conjunto de padrões de sinais de entradas, uma RNA pode receber um padrão de sinais de entrada distinto de qualquer outro com o qual ela já trabalhou, e é capaz de extrapolar sobre o padrão e fornecer uma resposta com uma medida de confiança. Basicamente, após certo tempo, a RNA pode resolver problemas inéditos, algo muito além das capacidades das plataformas computacionais convencionais. Tolerância a Falhas: diferentemente de uma plataforma de computação convencional, na qual se um componente apresenta falha, todo o sistema pode funcionar de maneira indesejada, se um pequeno número de neurônios vier a falhar, a RNA pode continuar operando sem mudanças perceptíveis na sua capacidade de processamento. Analogamente, o cérebro humano continua funcionando sem problemas se um pequeno número de neurônios morrerem. Para causar um funcionamento indesejável da RNA, um número considerável de neurônios deve deixar de funcionar MODELOS DE NEURONIOS ARTIFICIAS E TREINAMENTO A Figura 2 abaixo mostra o primeiro modelo não linear de um neurônio artificial proposto em 1943 por McCulloch-Pitts. 173
6 FIGURA 2: Neurônio McCulloch-Pitts. Na Figura 2 as entradas são representadas por x1,x2,...,xm, que podem representar a resposta de sensores, ou da saída de outros neurônios. Os pesos das entradas são representados por wk1, wk2,.., wkm. A bias bk, representa um sinal DC que é adicionado. A função de ativação é responsável por adicionar a característica não linear ao neurônio, sendo a escolhida pra o projeto a tangente hiperbólica (tanh). O funcionamento básico do neurônio artificial resume-se à soma e multiplicação de matrizes: a entrada é a matriz X = [x1,x2,...,xm], e a matriz de pesos é W = [wk1, wk2,.., wkm], b é a bias e Y é a matriz de saída. A equação 3 representa a saída do neurônio. [Eq.3] Y = tanh(x W + b) O classificador neural utilizado no projeto é o Perceptron Multicamadas que consiste basicamente de um bloco de entrada com n neurônios, um bloco de saída com um número de neurônios igual ao número de classes do problema e uma ou mais camadas internas que podem ter k neurônios. A Figura 3 ilustra um perceptron de múltiplas camadas internas, e um único neurônio de saída. Novamente o processo de computação da rede neural se resume a álgebra matricial. Se considerarmos a entrada da camada n como uma matriz Xn, os pesos dessa camada como outra matriz Wn, e a bias como outra matriz bn, então a saída será a matriz Yn, conforme visto na Eq. 4. Essa saída será aplicada à entrada da próxima camada, até que o processo chegue à camada de saída. FIGURA 3: Perceptron Multicamadas. 174
7 [Eq.4] Yn = f(wn Xn + bn) Para as redes de múltiplas camadas (MLP, Multi Layer Perceptron), o algoritmo de retropropagação de erro (backpropagation) é um dos mais utilizados. O treinamento de RNAs por backpropagation se dá pela retroalimentação do sinal de erro de treinamento na direção da entrada, e então, o ajuste dos pesos sinápticos PROCESSADOR DIGITAL DE SINAIS O processador digital de sinais (DSP) é um sistema computacional que possui integrado no mesmo circuito integrado (CI), não somente a Unidade de Processamento, como memórias de dados e de programas, entradas para comunicação serial e paralela, conversores analógicos digitais, dentre outros. Os DSPs são projetados para tratamento de sinais em tempo real. Possui integrado a seu hardware e software inúmeras funções utilizadas no processamento digital de sinais, o que facilita o desenvolvimento do código final e o torna mais compacto. O CI do DSP pode ser encontrado separadamente ou atrelado a uma placa de desenvolvimento, a qual traz, já implantados vários recursos de hardware para facilitar a solução dos problemas, tais como: canais de comunicação serial e USB, display de LCD, slots para acoplamento de memória, switchs e push-buttons, dentre outros. A Figura 4 mostra uma placa de desenvolvimento de um DSP. FIGURA 4: Processador Digital de Sinais em uma placa de desenvolvimento. (10) A escolha do DSP e da sua placa de desenvolvimento seguiu uma lista de critérios sendo os principais: taxa de amostragem na conversão analógico-digital (AD) que é crítica no processo, velocidade de processamento fator muito importante já que o sistema opera em tempo real, quantidade de memória interna para armazenamento dos dados da inspeção, e entradas que encaixassem no padrão de saídas do gerador de ultrassom. 175
8 3. MÉTODOS UTILIZADOS O processamento digital de sinais proposto nesse trabalho é desenvolvido de maneira off-line com o auxílio de um computador para depois de validado e devidamente testado, ter seu código embarcado no DSP ALGORITMOS DESENVOLVIDOS O algoritmo de realização da FFT foi desenvolvido com base no algoritmo RADIX-2 (11) e realiza a FFT de um número de pontos igual a um múltiplo de 2 n. A Rede Neural Artificial foi desenvolvida considerando-se uma camada de entrada com 18 neurônios e saída com 1 neurônio. Todos os algoritmos foram desenvolvidos e implementados em C no ambiente de desenvolvimento, software Dev-C SISTEMA DE INSPEÇÃO PROPOSTO A Figura 5 apresenta as etapas de processamento propostas para o sinal de ultrassom até a identificação automática da integridade do corpo de prova inspecionado. Aquisição de Dados Transfor. de Fourier Process. Estatístico Rede Neural Mostra Resultado FIGURA 5: Diagrama do processo. O sinal medido pelo transdutor é captado pela entrada analógica do DSP e é digitalizado. Os dados então passam pelo algoritmo responsável pela execução da transformada de Fourier, posterior classificação neural e processamento estatístico. Por fim o resultado é mostrado em um display de LCD para o operador do sistema. O sistema pode ser aplicado a qualquer tipo de inspeção ultrassônica pulso eco, sendo que a única modificação necessária é a adaptação dos pesos sinápticos para o problema em questão. Esse treinamento neural será realizado de maneira off-line através do software Matlab, e será importada para o DSP através de um protocolo de comunicação. O hardware finalizado será utilizado em conjunto com os equipamentos de inspeção convencional, e possibilitará uma maior confiabilidade por parte do operador e a resposta em tempo real. A Figura 6 mostra um esquema com o produto já finalizado. FIGURA 6: Diagrama do produto final. 176
9 4. RESULTADOS OBTIDOS O algoritmo para a realização da FFT foi implementado (em linguagem C) (12) e testado em um computador, com precisão para os dados de até dez casas decimais, utilizando os dados de uma inspeção, sendo esses dados compostos por 10 conjuntos de 2500 pontos cada. Como forma de verificar o nível de confiabilidade do sistema o mesmo processo foi repetido utilizando-se o software Matlab e as diferenças (erros) entre os dois resultados foram e plotados em histogramas nas Figuras de 7 a 10. Pode-se observar que o erro é bem pequeno, ficando sempre na faixa de FIGURA 7: 1º conjunto de dados. FIGURA 9: 3º conjunto de dados. FIGURA 8: 2º conjunto de dados. FIGURA 10: 4º conjunto de dados. A RNA foi implementada em linguagem C (12), seguiu um layout composto por 18 neurônios na camada de entrada e um neurônio na camada de saída, o que permitia a discriminação dos dados em duas classes diferentes. Esse modelo foi adotado de modo a se adaptar ao problema usado para o teste, que consistia em quatro conjuntos, cada um com 1850 vetores, cada um com 100 parâmetros de entrada para o classificador. A mesma rede foi implementada no software Matlab, e o erro entre os resultados dessas redes foi plotada em histogramas nas Figuras 11 a
10 FIGURA 11: 1º conjunto de dados. FIGURA 12: 3º conjunto de dados. FIGURA 13: 2º conjunto de dados. FIGURA 14: 4º conjunto de dados. 5. CONCLUSÃO Os ensaios não destrutivos através do uso de ultrassom tem se mostrado de grande importância na realidade atual não só do Brasil, mas como do mundo. O ramo vem se desenvolvendo cada vez mais com o avanço da tecnologia. É com esse foco que é proposto no trabalho a criação de um hardware com lógica embarcada para auxiliar nos sistemas de inspeção por ultrassom, tornando-o mais confiável e ao mesmo tempo eficiente. A implementação das rotinas de processamento digital de sinais em linguagem C, aplicadas a um processador de uso específico, permitem ao sistema uma maior agilidade na resposta, do que se fosse aplicado em um computador de uso geral. Além disso, possibilitam a minimização do hardware necessário, o que se mostra de vital importância em testes realizados em locais de difícil acesso. Nesse trabalho conseguiu-se a implementação e testes da FFT e da RNA com o auxílio de um computador, mostrando assim sua viabilidade e eficiência. Os próximos passos consistem na finalização do código, o qual deve integrar um método de processamento estatístico (ICA ou PCA) ao que já foi desenvolvido, e por fim adaptar e embarcar esse código no DSP, para realização dos testes finais em campo. 178
11 6. AGRADECIMENTOS Os autores agradecem ao CNPq e à FAPESB pelo apoio financeiro ao desenvolvimento deste trabalho. 7. REFERÊNCIAS BIBLIOGRÁFICAS (1) Andreucci R., Ensaio por Ultra-som, Vol 2, p , (2) Y. N. Souza et al. Avaliação não destrutiva da integridade estrutural de compósitos de alumínio e epóxi utilizando processamento estatístico e redes neurais artificiais como ferramenta de auxílio. In: Congresso de Tecnologia de Equipamentos, Porto de Galinhas, 5 (Jun) (3) Willsky, Alan S.; Oppenheim, Alan V, Sinais e Sistemas, 2 ed. Pearson, p , (4) E. F. Simas Filho et al. Decision support system for ultrasound inspection of fiber metal laminates using statistical signal processing and neural networks, Ultrasonics, (Fev) (5) Lathi, B. P, Sinais e Sistemas Lineares, 2 ed. Bookman, p , (6) Willsky, Alan S.; Oppenheim, Alan V, Signal and Systems, 2 ed. p (7) Joliffe, I, T, Principal Component Analysis, 2 ed. Springer: Nova York, Estados Unidos, (8) Oja, E, et al., Independent Component Analysis, Springer: London, Inglaterra, (9) Haykin, Simon, Redes Neurais - Princípios e práticas ; 2 ed. Bookman, p , (10) TMS320C6713 DSK Technical Reference, Spectrum Digital Incorporated, p. 24. (11) Willsky, Alan S.; Oppenheim, Alan V, Sinais e Sistemas, Vol 2, p , (12) Schildt, H., C Completo e Total, 3 ed. Pearson, p ,
Palavras chave: ensaios não destrutivos, processamento digital de sinal, redes neurais, pulso eco, ultrassom
CLASSIFICAÇÃO DE SINAIS ULTRASSÔNICOS PRÉ-PROCESSADOS PELA TRANSFORMADA DE FOURIER ATRAVÉS DAS REDES NEURAIS ARTIFICIAIS UTILIZANDO A TÉCNICA PULSO ECO PARA IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS
Leia maisTabela 1. Comparação de propriedades mecânicas das fibras de vidro, aramida e carbono (2).
COTEQ 039 AVALIAÇÃO NÃO DESTRUTIVA DA INTEGRIDADE ESTRUTURAL DE COMPÓSITOS DE ALUMÍNIO E EPÓXI UTILIZANDO PROCESSSAMENTO ESATATÍSTICO E REDES NEURAIS ARTIFICIAIS COMO FERRAMENTA DE AUXÍLIO. Yure Nascimento
Leia maisClassificação Neural de Descontinuidades com Espectros de Frequência em Inspeção Ultrassônica por Imersão
Classificação Neural de Descontinuidades com Espectros de Frequência em Inspeção Ultrassônica por Imersão Vitor Luis Conceição Leite 1, Antônio Carlos Peixoto Bitencourt 2, Cláudia Teresa Teles Farias
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisOsciloscópio Digital. Diagrama em blocos:
Osciloscópio Digital Neste tipo de osciloscópio, o sinal analógico de entrada é inicialmente convertido para o domínio digital através de um conversor A/D rápido, sendo em seguida armazenado em uma memória
Leia mais14ª Conferência sobre Tecnologia de Equipamentos
14ª Conferência sobre Tecnologia de Equipamentos COTEQ2017-219 CLASSIFICAÇÃO DE FALHAS EM SOLDA DE CHAPAS DE AÇO POR MEIO DE MÁQUINA DE APRENDIZADO EXTREMO APLICADA A INSPEÇÕES NÃO-DESTRUTIVAS POR ULTRASSOM
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisCONAEND&IEV IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS INSPECIONADAS POR
CONAEND&IEV 2012-040 IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS INSPECIONADAS POR ULTRASSOM ATRAVÉS DE REDES NEURAIS ARTIFICIAIS COM PRÉ- PROCESSAMENTO PELA TRANSFORMADA DISCRETA DO COSSENO Inaian S.
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisRECONHECIMENTO 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 maisParâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução.
Parâmetros importantes de um Analisador de Espectros: Faixa de frequência Exatidão (frequência e amplitude) Sensibilidade Resolução Distorção Faixa dinâmica Faixa de frequência: Determina as frequências
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisInteligência 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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisProcessamento de Sinais 2005/6 Engenharia Aeroespacial (Aviónica)
Processamento de Sinais 2005/6 Engenharia Aeroespacial (Aviónica) João Pedro Gomes jpg@isr.ist.utl.pt 1 Apresentação da disciplina Motivação: Ideias-chave do processamento de sinal e aplicações Sistemas
Leia maisAnalisador de espectros por FFT
Analisador de espectros por FFT A transformada de Fourier (FT) é uma ferramenta matemática utilizada essencialmente para decompor ou separar uma função ou forma de onda em senóides de diferentes frequências
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisIntrodução a aquisição e processamento de sinais
TAPS Introdução a aquisição e processamento de sinais Prof. Theo Z. Pavan Departamento de Física - Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto-USP Roteiro Aquisição de sinais e frequência
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisSumário Introdução Revisão de Números Complexos Programação em Delphi... 94
Sumário Introdução... 14 01.Revisão de Números Complexos... 15 01. Introdução... 15 02. Propriedades dos Números Complexos... 19 03. Conjugado de um Número Complexo... 21 04. Adição de Complexos... 22
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisIntrodução a filtros digitais. Theo Pavan e Adilton Carneiro TAPS
Introdução a filtros digitais Theo Pavan e Adilton Carneiro TAPS Filtro anti-aliasing Com um sinal já digitalizado não é possível distinguir entre uma frequência alias e uma frequência que realmente esteja
Leia maisAnalisador de Espectros
Analisador de Espectros O analisador de espectros é um instrumento utilizado para a análise de sinais alternados no domínio da freqüência. Possui certa semelhança com um osciloscópio, uma vez que o resultado
Leia maisDETERMINAÇÃO DO GÊNERO DO LOCUTOR USANDO A TRANSFORMADA RÁPIDA DE FOURIER
Revista Ciências Exatas ISSN: 1516-893 Vol. 1 Nº. Ano 015 Natanael M. Gomes Universidade de Taubaté Marcio Abud Marcelino Universidade Estadual Paulista Universidade de Taubaté Francisco José Grandinetti
Leia maisRedes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos
Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos TCC - Jan/09 Daniel Tré - ISTCCP Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos p. 1/2 O que são Redes Neurais Artificiais
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisPLANO DE ENSINO-APRENDIZAGEM DE COMPONENTE CURRICULAR - SEMESTRAL
U N I V E R S I D A D E F E D E R A L D A B A H I A PRÓ-REITORIA DE ENSINO DE GRADUAÇÃO Coordenação Acadêmica Núcleo de Currículos e Programas PLANO DE ENSINO-APRENDIZAGEM DE COMPONENTE CURRICULAR - SEMESTRAL
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisSTDS - Sistemas de Telecomunicações Definidos por Software & PSTR - Processamento de Sinal em Tempo Real
STDS - Sistemas de Telecomunicações Definidos por Software & PSTR - Processamento de Sinal em Tempo Real 3.º (e 1.º) semestre MEET 1.º (e 3.º) semestre MEIC (inverno 2015/2016) Sumário 1. Enquadramento
Leia mais14ª Conferência sobre Tecnologia de Equipamentos
14ª Conferência sobre Tecnologia de Equipamentos COTEQ2017-255 SISTEMA PARA CONDICIONAMENTO, AQUISIÇÃO, PROCESSAMENTO E ARMAZENAMENTO REMOTO DE SINAIS DE INSPEÇÕES NÃO-DESTRUTIVAS Manoel Messias Silva
Leia maisENGG55 REDES INDUSTRIAIS Introdução aos Sistemas de Comunicação Industrial
ENGG55 REDES INDUSTRIAIS Introdução aos Sistemas de Comunicação Industrial Prof. Eduardo Simas (eduardo.simas@ufba.br) DEE Departamento de Engenharia Elétrica Escola Politécnica - UFBA 1 Introdução Muitas
Leia maisUNIVERSIDADE CATÓLICA DE PELOTAS CENTRO POLITÉCNICO CURSO DE ENGENHARIA ELETRÔNICA DISCIPLINA DE INSTRUMENTAÇÃO ELETRÔNICA. Trena Ultrassônica
UNIVERSIDADE CATÓLICA DE PELOTAS CENTRO POLITÉCNICO CURSO DE ENGENHARIA ELETRÔNICA DISCIPLINA DE INSTRUMENTAÇÃO ELETRÔNICA Trena Ultrassônica Desenvolvido por Thiago Ferreira Pontes Relatório Final da
Leia mais4 Robustez do Reconhecimento de Voz
4 Robustez do Reconhecimento de Voz Nos capítulos anteriores foram apresentados a teoria e o funcionamento das etapas que conformam o sistema de reconhecimento de voz contínua. No entanto, se o que se
Leia maisEmentário das disciplinas do curso de Engenharia de Software
Ementário das disciplinas do curso de Engenharia de Software Currículo 1 C201 Introdução à Engenharia CH Teórica 10 CH Prática 10 CH Total 20 cr 1 Introdução aos conceitos básicos e às aplicações de engenharia.
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisCapa Evento Congresso Programação Exposição Patrocínio Títulos Autores Código
13ª Conferência sobre Tecnologia de Equipamentos COTEQ2015 152 SISTEMA DE CLASSIFICAÇÃO BASEADO EM MÁQUINA DE VETOR DE SUPORTE PARA AUXÍLIO AO DIAGNÓSTICO EM INSPEÇÕES POR ULTRASSOM UTILIZANDO ONDAS GUIADAS
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisPalavras chave: defeitos de solda, pulso eco, redes neurais artificiais, transformada de wavelet
DETECÇÃO DE DEFEITOS EM JUNTAS SOLDADAS UTILIZANDO UM CLASSIFICADOR NEURAL ALIMENTADO POR SINAIS ULTRASSÔNICOS PRÉ- PROCESSADOS PELA TRANSFORMADA DE WAVELET Francisco G. de Paula¹, Maria Cléa S. de Albuquerque
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia mais1.1 Breve Histórico OFDM
1 Introdução 1.1 Breve Histórico OFDM O OFDM, do inglês Orthogonal Frequency Division Multiplexing, que pode ser visto como uma evolução do FDM (Frequency Division Multiplexing), é uma técnica de transmissão
Leia maisTecnologias Computacionais Aplicadas À Análise De Sinais De Voz
Tecnologias Computacionais Aplicadas À Análise De Sinais De Voz Charles Alexandre Blumm, José Luis Gómez Cipriano Instituto de Ciências Exatas e Tecnológicas (ICET) Centro Universitário Feevale Campus
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisNoções de Exatidão, Precisão e Resolução
Noções de Exatidão, Precisão e Resolução Exatidão: está relacionada com o desvio do valor medido em relação ao valor padrão ou valor exato. Ex : padrão = 1,000 Ω ; medida (a) = 1,010 Ω ; medida (b)= 1,100
Leia maisTransformada Discreta de Fourier
Processamento Digital de Sinais Transformada Discreta de Fourier Prof. Dr. Carlos Alberto Ynoguti Jean Baptiste Joseph Fourier Nascimento: 21 de março de 1768 em Auxerre, Bourgogne, França Morte: 16 de
Leia maisPágina 1 de 7 PRÓ-REITORIA DE GRADUAÇÃO ANEXO "F" ESCOLA POLITÉCNICA CURRÍCULO IDEAL (EC3-2018) Curso: Engenharia Elétrica - Ênfase em Computação
s em Sequência Aconselhada Obrigatórias 1º semestre 4323101 Física I 3 0 3 45 MAC2166 Introdução à Computação MAT2453 Cálculo Diferencial e Integral I 6 0 6 90 MAT3457 Álgebra Linear I PCC3100 Representação
Leia maisTransformada Discreta de Fourier
Processamento Digital de Sinais Transformada Discreta de Fourier Prof. Dr. Carlos Alberto Ynoguti Jean Baptiste Joseph Fourier Nascimento: 21 de março de 1768 em Auxerre, Bourgogne, França Morte: 16 de
Leia maisUNIVERSIDADE CATÓLICA DE PELOTAS CENTRO POLITÉCNICO CURSO DE ENGENHARIA ELETRÔNICA DISCIPLINA DE INSTRUMENTAÇÃO ELETRÔNICA
UNIVERSIDADE CATÓLICA DE PELOTAS CENTRO POLITÉCNICO CURSO DE ENGENHARIA ELETRÔNICA DISCIPLINA DE INSTRUMENTAÇÃO ELETRÔNICA MONITOR DE MOVIMENTOS COM ACELERÔMETRO Desenvolvido por Maurício Fiss Rodrigues
Leia maisUma abordagem educacional para o estudo de OFDM
Uma abordagem educacional para o estudo de OFDM Bruno A. Pereira 1, Henrique T. Kuehne 2, Luciano L. Mendes 3 e José S. G. Panaro 4 Resumo O objetivo deste artigo é apresentar um conjunto de ferramentas
Leia maisArduino Básico: As versatilidades desta plataforma na prática
Arduino Básico: As versatilidades desta plataforma na prática Apresentação Kleber Rocha Bastos Luan Silva Santana Wellington Assunção Azevedo Graduado em Engenharia de Computação pela FAINOR Graduado em
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisApresentação da Disciplina
Apresentação da Disciplina Edmar José do Nascimento (Análise de Sinais e Sistemas - Semestre 2011.2) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO. Currículo Pleno
UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO Currículo Pleno Curso: G022 - Engenharia de Controle e Automação (Bacharelado) Base Curricular: 2013/02 Disciplinas Obrigatórias Código Nome Período
Leia maisIntrodução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
Leia maisEmentário das disciplinas do curso de Engenharia da Computação. - Núcleo Básico -
Ementário das disciplinas do curso de Engenharia da Computação Currículo 6 Criado pelo CDI em 30/05/2016 - Núcleo Básico - NB 019 - Cálculo I CH Teórica 160 CH Prática 00 CH Total 160 cr 8 Funções. Limites.
Leia maisEXPERIÊNCIA 4: IMPLEMENTAÇÃO DE UM CRONÔMETRO
EXPERIÊNCIA 4: IMPLEMENTAÇÃO DE UM CRONÔMETRO Autores: Prof. Dr. André Riyuiti Hirakawa, Prof. Dr. Carlos Eduardo Cugnasca e Prof. Dr. Paulo Sérgio Cugnasca Versão 1.0-05/2005 1. OBJETIVO Esta experiência
Leia maisProcessamento de sinais digitais
Processamento de sinais digitais Aula 1: Filtros digitais silviavicter@iprj.uerj.br Tópicos Definição de um filtro digital Anatomia de um filtro digital Descrição no domínio da frequência de sinais e sistemas
Leia maisRedes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Leia maisFigura 4.2: Matriz Curricular
Figura 4.2: Matriz Curricular 3660 Fundamentos de Matemática e Estatística Física Eletrônica Algoritmos e Programação Arquitetura de Computadores Metodologias e Técnicas de Computação Engenharia e Sistemas
Leia maisTransformada de Fourier. Theo Pavan e Adilton Carneiro TAPS
Transformada de Fourier Theo Pavan e Adilton Carneiro TAPS Análise de Fourier Análise de Fourier - representação de funções por somas de senos e cossenos ou soma de exponenciais complexas Uma análise datada
Leia maisFFT Fast Fourier Transform
FFT Fast Fourier Transform Carlos Alexandre Mello 1 Algoritmos Rápidos Objetivo: melhoria do desempenho de algoritmos Implementam de forma mais eficiente um algoritmo sem modificar seu resultado final
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia maisRETIFICAÇÃO DE UM SINAL DE VOZ TRANSMITIDO POR UM CANAL DE COMUNICAÇÃO UTILIZANDO A TRANFORMADA DE FOURIER DISCRETA
RETIFICAÇÃO DE UM SINAL DE VOZ TRANSMITIDO POR UM CANAL DE COMUNICAÇÃO UTILIZANDO A TRANFORMADA DE FOURIER DISCRETA Edson dos Santos Araujo, Fernando Alberto Correia dos Santos Junior, Jhielson Montino
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia mais4 Redes Neurais Artificiais RNAs
66 4 Redes Neurais Artificiais RNAs Redes neurais artificial (RNA) são algoritmos que se baseiam no comportamento do cérebro humano. Dessa forma, imita a estrutura massivamente paralela do cérebro, com
Leia maisCurso de Tecnologia em Sistemas Eletrônicos MATRIZ CURRICULAR. Módulo I /Semestre 1 Carga horária total: 400h
Curso de Tecnologia em Sistemas Eletrônicos CÂMPUS FLORIANÓPOLIS MATRIZ CURRICULAR Módulo I /Semestre 1 Carga horária total: 400h Circuitos Elétricos 1 80 Lógica Combinacional 80 Física Geral 80 Comunicação
Leia maisSTDS - Sistemas de Telecomunicações Definidos por Software PSTR - Processamento de Sinal em Tempo Real
STDS - Sistemas de Telecomunicações Definidos por Software & PSTR - Processamento de Sinal em Tempo Real 3.º (e 1.º) semestre MEET 1.º (e 3.º) semestre MEIC () http://www.deetc.isel.ipl.pt/sistemastele/stds/
Leia maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia maisTransformada Rápida de Fourier FFT Conceitos da FFT - Gauss (1805)
FFT 1 FFT 2 Transformada Rápida de Fourier - FFT DFT Processamento Digital de Sinais Análise e projeto de SLIT no domínio da freq. Convolução rápida FFT - Fast Fourier Transform otas de Aula Algoritmo
Leia maisDEPARTAMENTO DE ENGENHARIA DE MATERIAIS ESCOLA DE ENGENHARIA DE SÃO CARLOS UNIVERSIDADE DE SÃO PAULO (SMM-EESC-USP) SMM-311 ENSAIOS NÃO-DESTRUTIVOS
DEPARTAMENTO DE ENGENHARIA DE MATERIAIS ESCOLA DE ENGENHARIA DE SÃO CARLOS UNIVERSIDADE DE SÃO PAULO (SMM-EESC-USP) SMM-311 ENSAIOS NÃO-DESTRUTIVOS 4. ULTRASSOM - Ultrasom = freqüências de onda acima de
Leia maisCONAEND&IEV DETECÇÃO E CLASSIFICAÇÃO DE DESCONTINUIDADES TIPO FENDA EM CHAPA DE ALUMÍNIO UTILIZANDO ONDAS ULTRASSÔNICAS GUIADAS DE
CONAEND&IEV2014-054 DETECÇÃO E CLASSIFICAÇÃO DE DESCONTINUIDADES TIPO FENDA EM CHAPA DE ALUMÍNIO UTILIZANDO ONDAS ULTRASSÔNICAS GUIADAS DE LAMB, TRANSFORMADA DE FOURIER E REDES NEURAIS ARTIFICIAIS Erick
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia mais