REDES NEURAIS ARTIFICIAIS EM COLHEITA DE CANA-DE-AÇÚCAR RESUMO
|
|
- Maria Júlia Castanho Ferrão
- 8 Há anos
- Visualizações:
Transcrição
1 REDES NEURAIS ARTIFICIAIS EM COLHEITA DE CANA-DE-AÇÚCAR THIAGO RAMOS TRIGO 1 PAULO CESAR DA SILVA BATISTA JÚNIOR 1 FERNANDO BUARQUE DE LIMA NETO 2 RESUMO Este artigo apresenta um maneira de implementar suporte a decisão de colheita da cana-deaçúcar utilizando redes neurais artificiais(rna) e planilha eletrônica simples. Na proposta, as RNAs são responsáveis pela predição de indicadores de desempenho da colheita. A planilha eletrônica, em seguida, é responsável por fornecer as informações necessárias ao suporte a decisão de colheita de lotes plantados com cana-de-açúcar. Neste trabalho incluímos uma série de simulações onde se avalia boa precisão e aplicabilidade da proposta. PALAVRAS-CHAVE: Redes Neurais Artificiais; Suporte a Decisão; Colheita de Cana-de- Açúcar. USING NEURAL NETWORK ON DECISION OF SUGAR CANE HARVEST ABSTRACT This article presents a way to implement decision support to the harvest of the sugar-cane by using artificial neural networks (ANN) and simple electronic spreadsheet. In this proposal, ANNs are responsible for forecasting performance indicators for the harvest. After that, an electronic spreadsheet is responsible for giving the necessary information to the decision maker for harvesting plots cultivated with sugar-cane. In this work a series of simulations are included where you can evaluate the precision and applicability of the proposal. KEYWORDS: Artificial Neural Networks; Decision Support Systems; Sugar-Cane harvest. 1. INTRODUÇÃO O Brasil é um país em desenvolvimento que tem perspectiva de crescimento de 5% para o ano de 2005 [1] e é notório que o Brasil tem no agronegócio uma de suas grandes chances de superação econômica. Um importante segmento de agronegócio, o setor sucroalcooeiro, movimenta cerca de R$ 40 bilhões por ano (em torno de 2,35% do PIB nacional). Na safra 2004/2005 a moagem de cana-de-açúcar foi de 380 milhões de toneladas que produziram 14 bilhões de litros de álcool e 24 milhões de toneladas de açúcar [2]. Todos esses indicadores 1 {trt, pcsbj}@dsc.upe.br. Graduandos em Engenharia da Computação. Departamento de Sistemas Computacionais Escola Politécnica de Pernambuco Universidade de Pernambuco. 2 fbln@dsc.upe.br. Doutor em Ciência da Computação. Departamento de Sistemas Computacionais Escola Politécnica de Pernambuco Universidade de Pernambuco.
2 favoráveis somente são possíveis graças ao grande parque instalado e à competência técnica dos times agrícolas das unidades de produção nos tratos culturais e também na seleção dos lotes a serem cortados. Além de experiência esses profissionais têm disponível, dados históricos das safras anteriores e informações de pré-colheitas para auxiliá-los no processo decisório da colheita. Porém, tratar grandes volumes de dados nem sempre é fácil. Imaginemos agora um cenário mais rico e claro em informação, por exemplo, quando o gerente agrícola tiver, antes dos lotes serem colhidos, alguns indicadores de avaliação de desempenho dos mesmos, tais como: TCH, PCC e Fibra 3. Com essas informações antecipadamente em mãos, a colheita poderia ser feita de acordo com as necessidades industriais, porém com mais adequação agronômica. Por exemplo, se em determinado dia a indústria precisar de matéria prima mais rica em bagaço selecionar-se-ia o conjunto que produzisse esse recurso com a máxima qualidade possível. Predições futuras baseadas em dados históricos são aplicações usuais com técnicas de Inteligência Artificial; em particular, Redes Neurais Artificiais são bastante eficazes na área da predição 4 de informações [Welstead94]. Dando continuidade ao trabalho pioneiro de Buarque [BUARQUE98], depois estendido por Pacheco [PACHECO05], o presente trabalho busca experimentar novas configurações de redes neurais artificiais que apresentam resultados satisfatórios para a predição de PCC, TCH e Fibra, além de aplicar esses resultados, de forma simplificada, no suporte a decisão da colheita da cana-de-açúcar. 2. REDES NEURAIS ARTIFICIAIS E SIMULAÇÕES REALIZADAS 2.1. O PROBLEMA: COLHEITA DA CANA-DE-AÇÚCAR Devido a grande quantidade de fatores que podem influenciar os indicadores de desempenho, e as diferentes curvas de maturação da cana-de-açúcar, a escolha do momento apropriado para se proceder a colheita de um lote se torna uma tarefa bastante complicada. Na maioria das usinas a decisão de colheita é baseada na experiência do gestor agrícola. Esses gestores dispõem de alguns dados referentes a colheitas passadas, mas a manipulação desses dados, buscando extrair informações que possam dar suporte a decisão de colheita, é bastante tediosa. Isto devido à enxurrada de dados, geralmente, dispostos em longos relatórios que refletem apenas o passado. 3 TCH tonelada de cana por hectare; PCC percentagem de açúcar bruto é um índice que está relacionado diretamente ao valor econômico da tonelada da cana; Fibra bagaço da cana para produção de energia elétrica nos termogeradores das usinas. [BUARQUE98]. 4 Previsão/Predição classe de problemas que consiste em extrapolações nas aproximações das séries temporais disponíveis, a fim de que sejam possíveis predições de valores futuros[buarque98].
3 Este trabalho procura mostrar como utilizar essa rica fonte de informações para ser um aliado no momento de decisão do corte (futuro) FUNDAMENTOS BÁSICOS Na sua forma mais geral, uma rede neural é uma técnica computacional projetada para simular o funcionamento do cérebro humano na resolução de uma tarefa particular. O primeiro neurônio artificial teve sua primeira concepção em 1943 com uma modelagem matemática do neurônio biológico feita por Warren McCulloch e Walter Pitts, um neuroanatomista e um matemático, respectivamente, a partir daí, muitos outros trabalhos foram apresentados sobre o tema e o assunto que se expandiu rapidamente devido ás grandes contribuições práticas da técnica [BRAGA00]. Não é o objetivo detalhar RNA, mas é importante notar que esta maneira de computar dados pode aprender com os dados que lhe são apresentados exatamente o que é feito neste trabalho MODELAGEM DO PROBLEMA Fazer uma seleção de quais as informações serão relevantes nas predições mencionadas acima é algo bastante complexo devido a quantidade de fatores envolvidos na colheita (variedade da cana, data do plantio, idade no corte, topografia, tipo do solo, compactação do solo, temperatura, pluviometria, umidade do ar, déficit hídrico, nutrientes minerais, pragas, etc). Portanto, deve-se fazer uma análise minuciosa sobre quais destes fatores se deve utilizar. Em nosso modelo, os dados históricos utilizados para fazer predição foram escolhidos empiricamente. São eles, entradas: safra; estágio de maturação, idade do corte; época do plantio (ano, mês e dia); época do corte (ano, mês e dia) e tipo do solo; e saídas: PCC, TCH e Fibra. Antes das informações alimentarem a rede neural elas são pré-processadas a fim de eliminar as redundâncias, inconsistências e faltas existentes nos dados. Os dados utilizados são reais (do noroeste de São Paulo), os mesmos utilizados em [BUARQUE98]. Toda a massa de dados, 1671 padrões (um padrão corresponde a um conjunto de dados que representam um lote de uma determinada safra), foi divida em três conjuntos proporcionais a 50%, 25% e 25%. O primeiro conjunto é destinado ao treinamento da rede neural, o segundo conjunto é destinado à validação e o terceiro, é destinado à simulação. Na fase da simulação da eficiência da rede, os dados os quais ainda não haviam sido apresentados à rede (os últimos 25% dos padrões), o são e sua performance real é, então, obtida pela comparação dos valores gerados contra os esperados.
4 2.4. AJUSTANDO UMA REDE NEURAL AO PROBLEMA DA CANA-DE-AÇÚCAR O modelo adotado contém 10 (dez) entradas e 3 (três) saídas supracitadas no tópico 2.3 parágrafo 2. A figura 1 representa graficamente nossa rede neural, nela as 10 entradas foram representadas na forma de 38 neurônios (devido às normalizações 5 ) e as três saídas como três neurônios. Grande parte das simulações objetivaram descobrir qual conjunto de parâmetros das RNA gera o melhor resultado nas previsões. Essa seleção dos parâmetros é um processo para o qual não há métodos que afirmem com total segurança a configuração ideal para um determinado problema. Por isso a busca por uma configuração ótima é, às vezes, dispendiosa em termos de tempo e esforço. As redes neurais utilizadas foram do tipo MLP (Multi-Layer Perceptron) com treinamento supervisionado e algoritmo de treinamento BackPropagation Error [HAYKIN01]. Figura 1 topologia de rede neural utilizada nas simulações Os parâmetros variados foram: número de camadas escondidas; número de neurônios nas camadas escondidas; taxa de aprendizagem; funções de ativação; quantidade de ciclos. Eles tiveram seus valores alterados como o exposto abaixo: Número de camadas escondidas utilizaram-se uma e duas camadas intermediárias; Número de neurônios na(s) camada(s) escondida(s) para as redes com uma camada escondidas criamos topologias com 4, 8, 10, 20 e 38 neurônios nessa camada; para as redes com duas camadas tivemos os seguintes pares (1,3), (2,2), (3,5), (2,6), (3,7), (2,8), (14,6), (11,9), (25,13), (30,8) onde, no par (a, b), o a representa a quantidade de neurônios na primeira camada e o b, a quantidade na segunda camada escondida; Taxa de aprendizagem utilizaram-se os valores 0,1, 0,2, 0,4, 0,6 ; Função de Ativação utilizadas as funções sigmóides: logística e tangente hiperbólica; 5 Normalizações são operações de preprocessamento que objetivam padronizar escalas de variáveis e incrementar sua representação conforme necessidade das aplicações.
5 Quantidade de ciclos 500, 1000, 3000, 5000, e Considerando que foram treinadas redes neurais com todas as combinações possíveis dos parâmetros apresentados acima redes foram treinadas, i.e. (((4x5 + 4 x 10) x 2) x 6)) SIMULAÇÕES REALIZADAS As simulações acima foram executadas na linguagem Batchman do simulador RNA: SNNS (Stuttgard Neural Network Simulator) [3]. Em nossos scripts feitos com a linguagem batchman foram especificados os arquivos que contêm os padrões de treinamento que serão importados, a rede a ser treinada, o algoritmo de treinamento, a função de inicialização dos pesos e a taxa de aprendizagem. É relevante a importância de fazer uma correta inicialização dos pesos, pois uma inicialização incorreta (determinar um intervalo entre 1.0 e 0.0 é um exemplo) pode fazer com que a rede não convirja durante o treinamento. 3. RESULTADOS E DISCUSSÃO 3.1. PREDIÇÃO DE PCC, TCH E FIBRA Depois da compilação dos resultados das simulações, foram feitas comparações entre os resultados esperados e os resultados gerados pela rede, e daí, foi calculada a margem de acerto da rede. Os melhores resultados das simulações deste trabalho foram comparados aos obtidos em [PACHECO05] e [BUARQUE98], vide tabela 1 e tabela 2. Como se pode observar, neste trabalho obtivemos melhoria em TCH e Fibra; o PCC flutuou pouco para pior. Tabela 1 - Comparação dos resultados Resultados PCC 1 TCH 1 FIBRA 1 Esse Artigo 95,401 79,475 92,736 [PACHECO05] 95,620 78,070 92,520 [BUARQUE98] 95,330 49,200 89,680 1 taxa de acerto em porcentagem Tabela 2 - Comparação das configurações das redes neurais VARIÁVEIS ESTE ARTIGO [PACHECO05] [BUARQUE98] Entrada camada não disponível camada não disponível Saída Func. Ativ. Log Log não disponível TX APREND 0,4 0,1 não disponível CICLOS não disponível Comparando as redes de melhor resultado deste trabalho com a de [PACHECO05] vemos que os fatores que podem ter gerado esse melhor desempenho foi o fato de utilizarmos mais entradas e uma maior taxa de aprendizagem, este último é um fator determinante na velocidade de convergência da rede. Como trabalhos posteriores podemos utilizar técnicas de PCA para reduzir essa quantidade de variáveis de entrada, otimizando o processo. As figuras
6 2, 3 e 4 mostram a precisão da predição desta rede neural. No eixo das ordenadas encontramse os valores reais e da predição e o eixo das abscissas ordena os padrões de onde foram extraídas as informações utilizadas no eixo das ordenadas, esses padrões foram selecionados aleatoriamente. Vale salientar que a quantidade de ciclos utilizados (2795 ciclos) para obtermos esses resultados é bem inferior ao conseguido no artigo de Pacheco [PACHECO05] onde foram necessários ciclos. Isto significa uma economia de mais de 72% no tempo de treinamento da rede. PCC - Real x Predição PCC Real Previsão Figura 2 predição do PCC TCH - Real x Predição 170 TCH Real Previsão Figura 3 predição do TCH Fibra - Real x Predição Fibra Real Previsão Figura 4 predição da Fibra 3.2. USANDO PREDIÇÕES PARA TOMADA DE DECISÕES Os resultados de PCC, TCH, Fibra acima foram obtidos com as redes neurais trabalhando com valores nunca apresentados a elas antes. Isso indica um provável auxilio ao gestor agrícola para tomar suas decisões de colheita de forma simplificada e antecipadamente. A figura 5 mostra um exemplo de uma planilha eletrônica utilizada como sistema de suporte a decisão
7 [BUARQUE98]. A idéia consiste em utilizar a planilha para variar algum dos indicares (no exemplo utilizou-se o PCC) de forma que o sistema aproxime as tonelagens dos lotes com uma meta a ser atingida. Note que o PCC, TCH e Fibra, nesta planilha são os resultados das predições das redes neurais. Figura 5 planilha usada para auxiliar decisão de colheita e atingimento de meta [BUARQUE98] Após o processamento das informações, a planilha pode ainda exibir graficamente, em formato de mapa, as sugestões dos melhores lotes a serem cortados (sim e não), ver figura 6. Figura 6 planilha usada para visualmente auxiliar colheita de lotes [BUARQUE98]
8 4. CONCLUSÃO Os experimentos incluídos neste trabalho além de corroborar o poder das Redes Neurais Artificiais em aplicações de predição, melhoraram o desempenho para o mesmo conjunto de dados obtido em [BUARQUE98] e [PACHECO05], Pelo exposto no trabalho também fica claro que as redes neurais artificiais podem ser utilizadas de forma integrada com ferramentas simples de suporte a decisão gerencial. Aliando essa ferramenta aos conhecimentos do gestor agrícola, a possibilidade de colheitas mais rentáveis é bastante plausível. Ou seja, os gerentes agrícolas, tendo a previsão desses indicadores poderão selecionar os lotes para serem cortados de acordo com suas necessidades e ainda com alguma garantia de sucesso. Finalmente, sugere-se que as técnicas comentadas aqui não fiquem limitadas apenas à cana-de-açúcar; elas podem ser estendidas para diversas outras culturas agrícolas desde que sejam feitas modelagens adequadas dos problemas. 5. AGRADECIMENTOS Os autores deste artigo agradecem ao CNPq, pelo financiamento parcial desta pesquisa (Projeto intelicolheita, CNPq-PDPG/TI nº506595/2004-8). 6. REFERÊNCIAS BIBLIOGRÁFICAS [BRAGA00] BRAGA, A. de P - LUDEMIR. T. B. - CARVALHO, A.C.P. de L. F. Redes Neurais Artificiais Teoria e aplicação Rio de Janeiro: LTC, p. [WESTEAD94] WELSTEAD, Stephen T. Neural Network and Fuzzy Logic Applications in C/C++, John Wiley and Sons, USA, [HAYKIN01] HAYKIN, S. Redes de Múltiplas Camadas. In: Redes Neurais : Princípios e prática 2.ed. Porto Alegre: Bookman, [BUARQUE98] BUARQUE DE LIMA NETO, F.; LUDERMIR, T. Suporte a Decisão Gerencial Baseado em Redes Neurais Artificiais ndss Dissertação de Mestrado apresentada ao Departamento de Informática da Universidade Federal de Pernambuco Recife, PE, Brasil. [PACHECO05] PACHECO, D. F.; REGUEIRA, F. R.; BUARQUE DE LIMA NETO, F. Utilização de redes neurais artificiais em colheitas de cana-de-açúcar para a predição de PCC, TCH e fibra In: Revista ACOOLBrás Mar/2005. p [1] Reportagem Especial do Jornal da Globo de 30/11/2004 [2] [3] SNNS User Manual, version 4.1
REDES NEURAIS ARTIFICIAIS EM COLHEITA DE CANA-DE- AÇÚCAR
REDES NEURAIS ARTIFICIAIS EM COLHEITA DE CANA-DE- AÇÚCAR THIAGO RAMOS TRIGO 1 PAULO CESAR DA SILVA BATISTA JÚNIOR 1 FERNANDO BUARQUE DE LIMA NETO 2 RESUMO Este artigo apresenta um maneira de implementar
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia maisAplicação do algoritmo genético na otimização da produção em indústrias de açúcar e álcool
Aplicação do algoritmo genético na otimização da produção em indústrias de açúcar e álcool Lucélia Costa Oliveira¹; Mário Luiz Viana Alvarenga² ¹ Aluna do curso de Engenharia de Produção e bolsista do
Leia maisUma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro
Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisPLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 3 O QUE É PLANEJAMENTO DE VENDAS E OPERAÇÕES?
PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 3 O QUE É PLANEJAMENTO DE VENDAS E OPERAÇÕES? Índice 1. O que é planejamento de...3 1.1. Resultados do planejamento de vendas e operações (PVO)...
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisDATA WAREHOUSE. Introdução
DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisGestão da Qualidade Políticas. Elementos chaves da Qualidade 19/04/2009
Gestão da Qualidade Políticas Manutenção (corretiva, preventiva, preditiva). Elementos chaves da Qualidade Total satisfação do cliente Priorizar a qualidade Melhoria contínua Participação e comprometimento
Leia mais5 Extraindo listas de produtos em sites de comércio eletrônico
5 Extraindo listas de produtos em sites de comércio eletrônico Existem diversos trabalhos direcionadas à detecção de listas e tabelas na literatura como (Liu et. al., 2003, Tengli et. al., 2004, Krüpl
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
Leia maisMódulo I - Aula 3 Tipos de Sistemas
Módulo I - Aula 3 Tipos de Sistemas Agora que você já conheceu algumas características dos Sistemas de Informação, nesta aula você vai aprender um pouco sobre tipos de sistemas. Você conhecerá a integração
Leia mais5 Experiência de implantação do software de roteirização em diferentes mercados
5 Experiência de implantação do software de roteirização em diferentes mercados 5.1 Introdução Após apresentação feita sobre os processos para implantação de um software de roteirização de veículos da
Leia maisCálculo de volume de objetos utilizando câmeras RGB-D
Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisPROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS
Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br
Leia maisInteligência Artificial
Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas
Leia maisTestes de Usabilidade
Testes de Usabilidade Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro Setembro de 2012 Prof. Edwar Saliba Júnior 1 Reflexão Ao fazer referência à questão da qualidade da relação
Leia maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
Leia maisPós-Graduação em Gerenciamento de Projetos práticas do PMI
Pós-Graduação em Gerenciamento de Projetos práticas do PMI Planejamento do Gerenciamento das Comunicações (10) e das Partes Interessadas (13) PLANEJAMENTO 2 PLANEJAMENTO Sem 1 Sem 2 Sem 3 Sem 4 Sem 5 ABRIL
Leia maisPreparando sua empresa para o forecasting:
Preparando sua empresa para o forecasting: Critérios para escolha de indicadores. Planejamento Performance Dashboard Plano de ação Relatórios Indicadores Embora o forecasting seja uma realidade, muitas
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisPrevisão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais
Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade
Leia maisPrevisão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais
Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José
Leia maisCOMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS
COMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS Leonardo Meneguzzi 1 ; Marcelo Massoco Cendron 2 ; Manassés Ribeiro 3 INTRODUÇÃO
Leia maisDepartamento de Engenharia. ENG 1090 Introdução à Engenharia de Produção
Pontifícia Universidade Católica de Goiás Departamento de Engenharia Curso de Graduação em Engenharia de Produção ENG 1090 Introdução à Engenharia de Produção Prof. Gustavo Suriani de Campos Meireles Faz
Leia maisCAPÍTULO 1 - CONTABILIDADE E GESTÃO EMPRESARIAL A CONTROLADORIA
CAPÍTULO 1 - CONTABILIDADE E GESTÃO EMPRESARIAL A CONTROLADORIA Constata-se que o novo arranjo da economia mundial provocado pelo processo de globalização tem afetado as empresas a fim de disponibilizar
Leia maisExemplo de Aplicação do DataMinig
Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta
Leia maisGereComSaber. Disciplina de Desenvolvimento de Sistemas de Software. Sistema de Gestão de Serviços em Condomínios
Universidade do Minho Conselho de Cursos de Engenharia Licenciatura em Engenharia Informática 3ºAno Disciplina de Desenvolvimento de Sistemas de Software Ano Lectivo de 2009/2010 GereComSaber Sistema de
Leia maisSIG. Uma plataforma para introdução de técnicas emergentes no planejamento urbano, regional e de transportes
SIG Uma plataforma para introdução de técnicas emergentes no planejamento urbano, regional e de transportes SIG Uma plataforma para introdução de técnicas emergentes no planejamento urbano, regional e
Leia maisSISTEMAS DE INFORMAÇÃO NA GESTÃO HOSPITALAR: ESTUDO DE CASO NO HOSPITAL SÃO LUCAS
SISTEMAS DE INFORMAÇÃO NA GESTÃO HOSPITALAR: ESTUDO DE CASO NO HOSPITAL SÃO LUCAS Renata Pinto Dutra Ferreira Especialista Administração de Sistemas de Informação Instituto Presidente Tancredo de Almeida
Leia maisA MÁQUINA INTELIGENTE. O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br
A MÁQUINA INTELIGENTE O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br APRESENTAÇÃO Júlio Cesar da Silva Mestrando em Administração MBA em Gestão da Tecnologia
Leia maisTecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler
Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler Introdução Objetivos da Gestão dos Custos Processos da Gerência de Custos Planejamento dos recursos Estimativa dos
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisAdministração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
Leia maisBem-vindo ao tópico sobre administração de listas de preços.
Bem-vindo ao tópico sobre administração de listas de preços. Nesse tópico, você aprenderá a administrar listas de preços no SAP Business One. Sua empresa atualiza múltiplas listas de preços para fornecer
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação
Leia maisAnalisando a construção e a interpretação de gráficos e tabelas por estudantes do Ensino Médio Regular e EJA
Analisando a construção e a interpretação de gráficos e tabelas por estudantes do Ensino Fabiano Fialho Lôbo Universidade Federal de Pernambuco fabiano_lobo@yahoo.com.br Luciana Rufino de Alcântara Universidade
Leia maisEstacionamento de Caminhão com Lógica Fuzzy. Daniel Ricardo dos Santos Diogo de Campos Maurício Oliveira Haensch
Relatório de Implementação: Estacionamento de Caminhão com Lógica Fuzzy Daniel Ricardo dos Santos Diogo de Campos Maurício Oliveira Haensch 2 de junho de 2010 Descrição O trabalho consiste em implementar
Leia maisIdentificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica
Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia
Leia maisTécnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia
Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Aluno: Gabriel Leite Mariante Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução e
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisSimulador de Redes Neurais Multiplataforma
Simulador de Redes Neurais Multiplataforma Lucas Hermann Negri 1, Claudio Cesar de Sá 2, Ademir Nied 1 1 Departamento de Engenharia Elétrica Universidade do Estado de Santa Catarina (UDESC) Joinville SC
Leia maisPARA A CONSTRUÇÃO DOS GRÁFICOS
1 PARA A CONSTRUÇÃO DOS GRÁFICOS Apresentamos dois materiais feitos por estudantes do Curso de Psicologia da Faculdade de Ciências Humanas e da Saúde para construção de gráficos. As instruções das páginas
Leia maisInterface Humano-Computador IHC Paradigmas de IHC
Instituto Federal de Educação, Ciência e Tecnologia Campus Formosa Interface Humano-Computador IHC Paradigmas de IHC Prof. M.Sc. Victor Hugo Lázaro Lopes IHC Paradigmas de IHC AGENDA Engenharia Cognitiva
Leia maisSistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisMultiplexador. Permitem que vários equipamentos compartilhem um único canal de comunicação
Multiplexadores Permitem que vários equipamentos compartilhem um único canal de comunicação Transmissor 1 Receptor 1 Transmissor 2 Multiplexador Multiplexador Receptor 2 Transmissor 3 Receptor 3 Economia
Leia maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
Leia maisFACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador>
FACULDADE DE ENGENHARIA DE COMPUTAÇÃO PROJETO FINAL I e II PLANO DE TRABALHO O Trabalho de Conclusão de Curso (TCC) a ser desenvolvido
Leia maisNormalização do sistema de bloqueio conforme a NR 10
Normalização do sistema de bloqueio conforme a NR 10 Robson Guilherme Ferreira (II) Jackson Duarte Coelho (III) Julio César Agrícola Costa da Silveira (I) Resumo O trabalho a ser apresentado tem como objetivo
Leia maisProcessos de Desenvolvimento de Software
Processos de Desenvolvimento de Software Gerenciamento de Projetos Mauro Lopes Carvalho Silva Professor EBTT DAI Departamento de Informática Campus Monte Castelo Instituto Federal de Educação Ciência e
Leia maisESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL
ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL Macêdo, M. I. F 1, Rosa, J. L. A. 2, Gonçalves, F. 2, Boente, A. N. P. 2 1 Laboratório de Tecnologia de Materiais,
Leia maisProcesso de Implementação de um Sistema de Gestão da Qualidade
3 Processo de Implementação de um Sistema de Gestão da Qualidade Não existe um jeito único de se implementar um sistema da qualidade ISO 9001: 2000. No entanto, independentemente da maneira escolhida,
Leia maisIntrodução ao GED Simone de Abreu
Introdução ao GED Simone de Abreu GED O que é isso? O conhecimento teve, ao longo da história, diferentes significados e funções. No tempo das cavernas nossos antepassados transmitiam aos seus descendentes
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisESTUDO DE VIABILIDADE. Santander, Victor - Unioeste Aula de Luiz Eduardo Guarino de Vasconcelos
ESTUDO DE VIABILIDADE Santander, Victor - Unioeste Aula de Luiz Eduardo Guarino de Vasconcelos Objetivos O que é um estudo de viabilidade? O que estudar e concluir? Benefícios e custos Análise de Custo/Benefício
Leia maisFerramenta computacional para implementação de redes neuronais optimização das capacidades gráficas
INEB- PSI Technical Report 2007-2 Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas Alexandra Oliveira aao@fe.up.pt Professor Joaquim Marques de Sá December
Leia maisPodemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto.
Discussão sobre Nivelamento Baseado em Fluxo de Caixa. Item aberto na lista E-Plan Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em
Leia maisGASTAR MAIS COM A LOGÍSTICA PODE SIGNIFICAR, TAMBÉM, AUMENTO DE LUCRO
GASTAR MAIS COM A LOGÍSTICA PODE SIGNIFICAR, TAMBÉM, AUMENTO DE LUCRO PAULO ROBERTO GUEDES (Maio de 2015) É comum o entendimento de que os gastos logísticos vêm aumentando em todo o mundo. Estatísticas
Leia maisRelatório de uma Aplicação de Redes Neurais
UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisA Grande Importância da Mineração de Dados nas Organizações
A Grande Importância da Mineração de Dados nas Organizações Amarildo Aparecido Ferreira Junior¹, Késsia Rita da Costa Marchi¹, Jaime Willian Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil
Leia maisUTILIZANDO PROGRAMAS EDUCACIONAIS
LINUX EDUCACIONAL UTILIZANDO PROGRAMAS EDUCACIONAIS PROFESSOR GERSON VALENCIO Caro professor: As novas Tecnologias de Informação e Comunicação(TICs) estão mudando nossa forma de pensar, agir, relacionar-se,
Leia maishttp://www.wikiconsultoria.com.br/100-motivos-implantar-crm/
Continuando a série 100 motivo para implantar um CRM, veremos agora motivos referentes a BackOffice de CRM. Se você não tem a primeira parte da nossa apresentação, com os primeiros 15 motivos para implantar
Leia maisQualificação de Procedimentos
Qualificação de Procedimentos Os equipamentos em geral são fabricados por meio de uniões de partes metálicas entre si empregando-se soldas. Há, portanto a necessidade de se garantir, nestas uniões soldadas,
Leia maisEntenda agora as mudanças para as novas contratações do FIES
Entenda agora as mudanças para as novas contratações do FIES Em notícias divulgadas nos meios de comunicação o Ministério da Educação informou as mudanças constantes relacionadas ao FIES. Segue abaixo
Leia maisNota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007
Nota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007 1 1. Estrutura do Trabalho : De forma que se pudesse
Leia maisGeração e Interpretação de Mapas de Produtividade. Laboratório de Agricultura de Precisão II
Geração e Interpretação de Mapas de Produtividade Laboratório de Agricultura de Precisão II A implantação de um sistema de Agricultura de Precisão implica em um ciclo fechado de tarefas Os usuários e pesquisadores
Leia maisMaterial de Apoio. Sistema de Informação Gerencial (SIG)
Sistema de Informação Gerencial (SIG) Material de Apoio Os Sistemas de Informação Gerencial (SIG) são sistemas ou processos que fornecem as informações necessárias para gerenciar com eficácia as organizações.
Leia maisEXCEL PARA ESPECIALISTAS
CURSO ONLINE EXCEL PARA ESPECIALISTAS CARGA HORÁRIA AULAS MATERIAL DIDÁTICO CERTIFICADO 10h46min 101 250 páginas em PDF + planilhas exemplos Incluso Apresentação Você quer se tornar um especialista em
Leia maisGovernança da Capacidade de TI
Coordenadoria de Tecnologia da Informação Documentos Formais Governança da Sumário 1 Introdução... 03 2 Políticas do Documento de Governança da... 04 3 Governança da... 05 4 Principais Serviços para Governança
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisMetodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi
Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia
Leia maisNOME COMPLETO DA SUA INSTITUIÇÃO. Nome completo do integrante A Nome completo do integrante B Nome completo do integrante C
NOME COMPLETO DA SUA INSTITUIÇÃO Nome completo do integrante A Nome completo do integrante B Nome completo do integrante C TÍTULO DO TRABALHO: subtítulo, se houver Santa Rita do Sapucaí 2015 Nome completo
Leia mais4 Implementação e Resultados Experimentais
4 Implementação e Resultados Experimentais Com o objetivo de fazer a criação automática de visões materializadas, ou seja, prover uma solução on-the-fly para o problema de seleção de visões materializadas,
Leia maisAula 5 Técnicas para Estimação do Impacto
Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos
Leia maisA IMPORTÂNCIA DA MATEMÁTICA NAS ÁREAS DO CONHECIMENTO
A IMPORTÂNCIA DA MATEMÁTICA NAS ÁREAS DO CONHECIMENTO 1. Introdução: Por que a Matemática? Eu, Alessandro Ferreira Alves professor de Matemática já alguns anos, já vivenciei em vários momentos a experiência
Leia maisFANESE Faculdade de Administração e Negócios de Sergipe
1 FANESE Faculdade de Administração e Negócios de Sergipe ITIL V2 Service Support Aracaju, Setembro de 2009 EDUARDO DA PAIXÃO RODRIGUES LUCIELMO DE AQUINO SANTOS 2 ITIL V2 Service Support Trabalho de graduação
Leia maisManual. EFD Contribuições
Treinamento Escrita Fiscal Material desenvolvido por: Saiba que este documento não poderá ser reproduzido, seja por meio eletrônico ou mecânico, sem a permissão expressa por escrito da Implantta Serviços
Leia maisDivulgação do novo telefone da Central de Atendimento da Cemig: Análise da divulgação da Campanha
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda - Pernambuco - Brasil Divulgação do novo telefone da Central de Atendimento da Cemig: Análise da divulgação
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisCurso de Graduação em Administração. Administração da Produção e Operações I
Curso de Graduação em Administração Administração da Produção e Operações I 7º Encontro - 09/03/2012 18:50 às 20:30h COMO SERÁ NOSSO ENCONTRO HOJE? 02 - ABERTURA - PRODUTIVIDADE - VÍDEOS PARA DEBATE -
Leia mais