Sistema Classificador de Sinais Projetado com Redes Neurais Artificiais Paraconsistentes
|
|
- Ângela Maranhão Fernandes
- 7 Há anos
- Visualizações:
Transcrição
1 Sistema Classificador de Sinais Projetado com Redes Neurais Artificiais Paraconsistentes Maurício C. Mário Mário, M.C. GLPA - Grupo de Lógica Paraconsistente Aplicada UNISANTA - NPE Núcleo de Pesquisa em Eletrônica Rua Oswaldo Cruz, Boqueirão - Santos-SP CEP Resumo - Neste artigo, com base nos conceitos teóricos da Lógica Paraconsistente Anotada, apresentamos um Sistema capaz de classificar sinais. A lógica paraconsistente Anotada LPA é uma classe de Lógica Não Clássica que permite manipular sinais contraditórios sem trivialização. As Células Neurais Artificiais Paraconsistentes são algoritmos construídos com base na LPA que apresentam capacidade de aprender e desaprender determinados sinais em forma de funções aplicados em suas entradas. A partir dos algoritmos das Células foram feitas conexões e agrupamentos entre os algoritmos para se criar um Sistema Paraconsistente Classificador de Sinais SPCS. O SPCS é capaz de aprender quatro tipos de sinais diferentes. Depois do aprendizado dos quatros sinais o SPCS pode reconhecer se o sinal apresentado na entrada pertence ou não ao grupo de sinais aprendido anteriormente. Os resultados obtidos com o SPCS demonstram que os algoritmos das Células Neurais Artificiais Paraconsistentes interligados desta forma se transformam em um Sistema Paraconsistentes Classificador de Sinais robusto indicado para utilização em vários campos da área de Inteligência Artificial como os Sistemas Especialistas e de Reconhecimento de palavras e imagens. Palavras chave lógica não clássica, lógica paraconsistente, lógica paraconsistente anotada, sistemas inteligentes Abstract: In this paper, we presented a System capable to classify signals with base in the theoretical concepts of the Annotated Paraconsistent Logic. The Annotated Paraconsistent logic APL is a class of Non-Classic Logic that allows manipulating contradictory signals of information. The Neural Artificial Paraconsistent Cells Artificial are algorithms built with base in APL that presented capacity to learn certain signals in form of functions applied in their inputs. With the algorithms of the Cells they were made connections and groupings among the algorithms to create a Paraconsistent System Classifying of signals - PSCs. The PSCs is capable to learn four types of different signals. After the learning the PSCs can be recognized any one of them and to know if the signal presented in the input belongs or not to the group of signals learned previously. The results obtained with PSCS demonstrate that the algorithms of the Artificial Neural Paraconsistent Cells interlinked this way can become a robust Paraconsistent System to classify signals and is indicated for use in several fields of the area of Artificial Intelligence as the Expert Systems and of Recognition of words and images. Keywords: non-classic logics, paraconsistent logic, Annotated paraconsistent logic, intelligent systems I. INTRODUÇÃO Do ponto de vista de engenharia, sinais são funções ou seqüências que transportam informações de uma fonte de mensagens a um destinatário. As características específicas dos sinais dependem do canal de comunicações utilizado para o transporte do sinal. Um canal de comunicações é definido pelo tipo de distorção que introduz nos sinais, podendo esta ser do tipo: a) determinística linear (limitação da banda de freqüência dos sinais); b) determinística não linear (existência de saturações); c) aleatória (presença de ruídos) [9]. Em sistemas eletrônicos de comunicação a fonte geradora de informação, o canal de comunicação, o canal de comunicação e o destinatário são elementos pré-definidos, geralmente com características bem especificadas. ISSN
2 Em outras situações, como nos processos de medição em investigação científica, a fonte de mensagens e o canal de comunicações poderão estar apenas parcialmente caracterizados. Sinais bioelétricos como o eletrocardiograma (EKG), o eletroencefalograma (EEG), o eletromiograma (EMG) ou o eletroneugrama (ENG) são estudados há décadas com a finalidade de se extrair informação sobre estados patológicos de órgãos, sem que se tenha muitas vezes a certeza de que tal informação é de fato transportada por estes sinais. Os sinais que constituem a voz humana codificam uma variedade de informações: sobre a semântica do que está sendo dito, sobre a identidade do locutor, etc [9]. I.1 CLASSIFICAÇÃO DE SINAIS Dado o sinal representado pela equação: y(t)=f(t,a)+n(t) Supondo que o sinal y(t) possa pertencer a categorias {Cj} M, j=1, conforme o valor do parâmetro A e particularizando para o caso, por exemplo, da tentativa de se diagnosticar condições cardíacas patológicas a partir de traçados de EKG, então para cada categoria diagnóstica j é escolhida uma coleção de traçados representativos: {y i,j (t)} Nj, i=1 j=1,2...m Conforme exposto em [9] uma tentativa de classificação de sinais pode ser feita fazendo-se uma abordagem direta com técnicas de Redes Neurais. Neste caso é feito o treinamento em uma rede neural multicamada N(W) que terá como entradas todos os N pontos das séries temporais associadas a cada um dos sinais, e como saídas as M categorias em que se pretende classificá-los, como mostrado na figura 1: y(n) C1 C2 N(W) Z - Z - Z - Fig.1 Rede Neural Artificial Multicamada na Classificação de Sinais. Um problema para este tipo de abordagem é que cada série temporal é representada por cerca de 500 pontos amostrais para cada ciclo de EKG, o que impõe uma dimensão grande à rede, mesmo havendo poucas categorias de classificação. Uma abordagem mais econômica é procurar reduzir a dimensão dos sinais a uma coleção menor de parâmetros que representem adequadamente os sinais originais e, implementar uma classificação neural para estes parâmetros A literatura apresenta vários métodos de classificação de sinais como em [9] onde se faz a parametrização e efetua as medições de amplitudes de pontos fiduciais (ondas P, Q, R, S, T, U) no traçado, áreas associadas, durações e separações. Um método muito estudado é o proposto por Halliday [7], onde a coleção de todos os sinais é modelada por um processo aleatório Y(t) do qual cada traçado individual é uma particular função amostra. Neste processo é feita uma classificação de modo aleatório e em seguida é representado por uma expansão ortonormal como o de Kahrunen-Loeve. Por esta expansão, determinam-se a seguir funções ortonormais {Φ i (t)} chamadas de autofunções da função de covariança associada ao processo, tais que: T 0Φ i (t) Φ k (t)dt = (i,k) y k (t) = lim n Σ n i=1a ki Φ i (t) e os coeficientes associados a cada um dos sinais são calculados por: a ki = T 0 y k (t) Φ i (t) dt Ordenando as médias destes coeficientes calculadas sobre toda a população de sinais em ordem decrescente dos seus valores absolutos, pode-se aproximar cada sinal individual apenas pelas L autofunções mais significativas: ÿ k (t)= Σ L i=1a ki Φ i (t) Deste modo, espera-se que o vetor de coeficientes a k de dimensão L<<N represente adequadamente cada sinal com um erro de reconstrução suficientemente pequeno. Com este modelo matemático que foi utilizado em [7] para a classificação de traçados VCG s (vector cardiogramas), pode-se implementar uma rede neural multicamada de dimensão mais viável, que, utilizando apenas estes coeficientes a k, classifique adequadamente os sinais nas J categorias. Neste trabalho apresentamos uma nova metodologia onde um Sistema Paraconsistente Classificador de Sinais construído com base na Lógica Paraconsistente Anotada [5] utiliza Células Neurais Artificiais Paraconsistente devidamente configuradas para aprender e classificar sinais usando Algoritmos muitos simples e capazes de ser controlado para efetuar classificação de categorias de sinais. II. A LÓGICA PARACONSISTENTE ANOTADA COM ANOTAÇÃO DE DOIS VALORES LPA2V As contradições ou inconsistências são comuns quando descrevemos partes do mundo real. Os sistemas de análises e tratamento de sinais utilizados em Inteligência Artificial funcionam em geral com base na lógica convencional, onde a ISSN
3 descrição do mundo é considerada por dois estados: Falso ou Verdadeiro. Estes sistemas binários não conseguem tratar adequadamente as situações contraditórias. As Lógicas Paraconsistentes nasceram da necessidade de se encontrar meios de dar tratamento não trivial às situações contraditórias. Os estudos e propostas das Lógicas Paraconsistentes apresentaram resultados que possibilitam considerar as inconsistências em sua estrutura de um modo não trivial [4] e [1], e por isso, se mostram mais propícias no enquadramento de problemas ocasionados por situações de contradições que aparecem quando lidamos com o mundo real. A Lógica Paraconsistente Anotada LPA é uma classe de lógica Paraconsistente Evidencial que faz tratamento de sinais representados por anotações permitindo uma descrição e equacionamento por meio de Algoritmos. Na Lógica Paraconsistente Anotada LPA as fórmulas proposicionais vêm acompanhadas de anotações. Cada anotação, pertencente a um reticulado finitoτ, atribui valores à sua correspondente fórmula proposicional. Uma Lógica Paraconsistente Anotada LPA pode ter como reticulado finito, o de quatro estados, conforme a figura 2. F T F= (0,1) V =(0,0) Fig.2 Reticulado finito e Quadrado no Plano Cartesiano. A Lógica Paraconsistente Anotada com anotação de dois valores - LPA2v é uma extensão da LPA e pode ser representada através de um reticulado de quatro vértices [2] onde podemos estabelecer algumas terminologias e convenções, do seguinte modo: Seja τ = < τ, > um reticulado finito fixo, onde: 1. τ = [0, 1] [0, 1] 2. = {((µ 1, ρ 1 ), (µ 2, ρ 2 )) ([0, 1] [0, 1]) 2 µ 1 µ 2 e ρ 1 ρ 2 } (onde indica a ordem usual dos números reais). Tal reticulado denomina-se reticulado de valores-verdade. I.I.1 AS CÉLULAS NEURAIS ARTIFICIAIS PARACONSISTENTES µ 2 Na análise paraconsistente o objetivo principal é saber com que medida ou grau de certeza podemos afirmar que uma proposição é Falsa ou Verdadeira. Portanto, é considerado como resultado da análise apenas o valor do grau de certeza G c. O valor do grau de contradição G ct é um indicativo que µ 1 T=(1,1) V=(1,0) informa a medida da inconsistência. Se houver um baixo valor de certeza ou muita inconsistência o resultado é uma indefinição. Estes valores podem retornar em dois eixos sobrepostos representando a reticulado finito, agora com valores, conforme a figura 4 a seguir: G ct = µ 1+µ 2-1 Fig.3 Reticulado finito da LPA2v com valores. Os valores de controle ajustados externamente são limites que vão servir como referência na análise. Podemos descrever a análise paraconsistente utilizando apenas as equações originadas no Quadrado Unitário do Plano Cartesiano. Uma descrição do reticulado utilizando os valores obtidos pelas equações resulta no Algoritmo denominado Para- Analisador [5]. Este algoritmo é elaborado com base na descrição do reticulado e pode ser escrito na sua forma reduzida expressando assim uma Célula Neural Artificial Paraconsistente básica CNAPb conforme é descrito a seguir: */Definições do valores ajustáveis*/ V scc =C 1 */Valor superior de controle de certeza*/ V icc =C 2 */ Valor inferior de controle de certeza*/ V scct =C 3 */Valor superior de controle contradição*/ V icct =C 4 */Valor inferior de controle contradição*/ */Variáveis de entrada*/ µ 1, µ 2 */Variáveis de saída* Saída Digital = S 1 Saída analógica = S 2a Saída analógica = S 2b */Expressões matemáticas */ sendo : G ct = µ 1 + µ 2-1 e G c = µ 1 - µ 2 */determinação dos estados lógicos extremos */ Se G c C 1 então S 1 = V Se G c C 2 então S 1 = F Se G ct C 3 então S 1 = T Se G ct C 4 então S 1 = Senão S 1 = I -Indefinição G ct = S 2a G c = S 2b */ FIM*/ T G ct = +1 G ct = -1 G ct = µ 1+µ 2-1 V G c = +1 ISSN
4 Denomina-se Célula Artificial Paraconsistente básica (CAPb) o elemento capaz de, composto de quando um par de graus de crença e descrença (u 1a, u 2a ) for apresentado na sua entrada fornecer um resultado na sua saída na forma de uma tripla dada por: G ct = grau de contradição resultante, G c = grau de crença resultante e X = constante de anotação resultante Indefinido. A figura 4 mostra a representação de uma CNAPb. III. O CLASSIFICADOR PARACONSISTENTE DE SINAIS Neste trabalho o Classificador Paraconsistente de Sinais é composto por módulos básicos denominados de Unidade Neural Artificial Paraconsistente de Comparação de Padrões UNAPCP que armazenarão sinais para serem comparados com aqueles que serão aplicados na entrada. Cada Unidade UNAPCP é composta, por sua vez, de três Células Neurais Artificiais Paraconsistentes; uma Célula Neural Artificial Paraconsistente de aprendizagem CNAPCa, uma Célula Neural Artificial Paraconsistente de Conexão Lógica Simples de Maximização - CNAPLs e uma Célula Neural Artificial Paraconsistente de Decisão - CNAPd. O diagrama em blocos da figura 5 mostra como se compõem o Classificador Paraconsistente de Sinais. Fig.4 A Célula Neural Artificial Paraconsistente Básica CNAPb. Na Célula Neural Artificial Paraconsistente básica CNAPb representada pelo algoritmo Para-Analisador, foram considerados todos os valores envolvidos nas equações, sendo assim, se os valores dos graus de certeza e de contradição estiverem fora dos valores impostos pelos limites ajustáveis, a saída é um estado denominado de não-extremo, sendo a este atribuído um valor indefinido I. A partir da Célula Artificial Paraconsistente básica (CAPb) foram criadas outras Células as quais denominamos de Células Neurais Artificiais Paraconsistentes (CNAP s). Os estudos das CNAP deram origem a uma família de Células Neurais Artificiais Paraconsistentes que constituem os elementos básicos das Redes Neurais Artificiais Paraconsistentes (RNAP s). Neste trabalho para elaboração do Classificador de Sinais foram necessários apenas três tipos [5] de Células denominadas: Célula Neural Artificial Paraconsistente de Aprendizagem CNAPap que consegue aprender e memorizar um padrão aplicado em sua entrada, uma Célula Neural Artificial Paraconsistente de Conexão Lógica Simples de Maximização - CNAPLs que determina a sua saída pelo maior valor aplicado na entrada e uma Célula Neural Artificial Paraconsistente de Decisão - CNAPd que determina a saída final resultante da análise Paraconsistente. Fig.5. Diagrama mostrando interconexões dos módulos do Classificador paraconsistente de Sinais. Neste trabalho optamos por construir um Classificador que permite comparação com quatro tipos de sinais, portanto com quatro módulos de Unidade Neural Artificial Paraconsistente de Comparação de Padrões UNAPCP, no entanto mais módulos podem ser agregados para expandir a capacidade do Classificador. A quantidade de módulos vai depender da natureza da aplicação do projeto. III.1 A CÉLULA NEURAL ARTIFICIAL PARACONSISTENTE DE APRENDIZAGEM CNAP-AP A Célula Neural Artificial Paraconsistente de aprendizagem CNAPap é uma Célula Neural Artificial Paraconsistente Básica com uma saída µ 1r interligada à entrada do grau de descrença complementado µ 2c. Conforme pode ser visto no Algoritmo sucessivos valores aplicados à entrada do grau de crença µ 1 resulta no aumento gradativo no grau de crença resultante da saída µ 1r. Esta Célula pode funcionar de dois modos, para aprendizado do padrão de verdade, onde são aplicados valores µ 1 =1 sucessivamente até o grau de crença resultante ISSN
5 na saída chegar à µ 1r =1, e para o aprendizado do padrão de falsidade onde são aplicados valores µ 1 =0 até o grau de crença resultante chegar à µ 1r =1, neste caso a entrada do grau de crença é complementada µ 1c conforme mostra a figura 6 Com base na teoria exposta foi elaborado um software Classificador Paraconsistente de Sinais capaz de aprender sinais e compara-los com padrões inseridos na entrada. A figura 7 mostra a tela principal do Classificador Paraconsistente de Sinais proposto neste trabalho com as legendas explicativas. Fig 6- Célula Neural Artificial Paraconsistente aprendizagem pronta para receber padrões. de Algoritmo completo de Aprendizagem da Célula Neural Artificial Paraconsistente - CNAPa 1- Início: µ r = 1/2 */Célula virgem */ 2- Defina: F A = Valor onde: F A 1 */ Entra com o valor do Fator de aprendizagem */ 3- Defina: F DA = Valor : F DA 1 */ Entra com o valor do Fator de desaprendizagem */ 4- Defina: P */ Padrão de entrada, 0 P 1 */ 5- Faça: G ci = P -µ 2c */ Calcula o Grau de crença inicial*/ 6- Se G ci < 0 Faça: µ 1 =1 - P */ O grau de crença é o complemento do padrão */ 7- Se G ci > 0 Faça: µ 1 = P */ O grau de crença é o Padrão */ 8- Faça : µ 2 = µ r */ Conecta a saída da célula na Entrada do grau de descrença */ 9- Faça: µ 2c =1 - µ 2 */ Aplica o Operador Complemento no valor da entrada do grau de descrença */ 10- Faça: G c = µ 1 - µ 2c */ Calcula o Grau de crença */ 11- Se G c 0 faça C 1 = F A 12- Se G c < 0 faça C 1 = F DA 13- Faça: µ r = {(G c C 1 ) +1} 2 */ Encontra o grau de crença resultante da saída pela EEB */ 14- Enquanto µ r 0 retorne ao passo Se µ r = 0 Faça: µ 1r = 1 e µ 1 = 1 P */ Aplica o Operador NOT e complementa o grau de crença */ 16- Retorne ao passo 8 Fig 7- Tela principal do Classificador de Sinais Os botões na janela do Software permite que o classificador aprenda 4 tipos de sinais com as equações correspondentes. Na análise o software reconhece apenas o sinal apreendido anteriormente, conforme mostra a figura 8. Gráfico 2 Fig 8- Forma de Onda reconhecida pelo Classificador de Sinais O exemplo exposto na figura mostra apenas o sinal padrão 3 sendo desnecessário a apresentação dos outros sinais aprendidos. ISSN
6 V. BIBLIOGRAFIA [1] ABE, J. M Fundamentos da Lógica Anotada (Foundations of Annotated Logics), in Portuguese, Ph D thesis, University of São Paulo, FFLCH/USP - São Paulo, [2] ABE, J.M. & DA SILVA FILHO, J.I Inconsistency and Electronic Circuits, Proceedings of The International ICSC Symposium on Engineering of Intelligent Systems (EIS 98), Vol3, Artificial Intelligence, Editor: E. Alpaydin, ICSC Academic Press International Computer Science Conventions Canada/Switzerland, ISBN , , [3] BISHOP, C.M. Neural Networks for Pattern Recognition. 1.ed. Oxford University Press, [4] DA COSTA, N.C.A. & ABE, J.M. & SUBRAHMANIAN, V.S., Remarks on Annotated Logic Zeitschrift fur Mathematische Logik und Grundlagen der Mathematik, Vol.37, , [5] DA SILVA FILHO, J.I.& ABE, J.M. Fundamentos das Redes Neurais Artificiais - destacando aplicações em Neurocomputação. 1.ed. São Paulo, Editora Villipress, Brazil [6] FAUSETT, L. Fundamentals of Neural Networks, Architectures, Algoritms and Aplications Editora Prentice-Hall, Englwood Cliffs 1994 [7] HALLIDAY, J.S., The Characterization of Vectorcardiograms for Pattern Recognition Master Thesis, MIT, Cambridge, [8] HEBB, D. The Organization of Behavoir Wiley, New York, [9 ] KOVÁCS, ZSOLT LÁSZLO, Redes Neurais Artificiais Fundamentos e Aplicações, collegium cognitio, [10 ] MCCULLOCH, W & PITTS, W. A Logical Calculus of the Ideas Immanent in Nervous Activity Bulletin of Mathematical Biophysics, [11] RICH, E. & KNIGTH, K. Artificial Intelligence Mc Graw Hill, NY, [12] SIEBERT, W. Stimulus Transformation in Peripheral Auditory System in Recognizing Patterns Ed. Murray Eden, MIT Press, Cambridge, [13] SUZUKI, Y., Self-Organizing QRS-Wave Recognition in ECG Unsing Neural Networks IEEE Trsnd. On Neural Networks, 6, [14] SUBRAHMANIAN, V.S On the semantics of quantitative Lógic programs Proc. 4 th. IEEE Symposium on Logic Programming, Computer Society press,washington D.C, [15] Rosenblatt, Principles of Neurodynamics Spartan Books, NY, [16] ZERBINI, R.C., Metodologia para a Classificação de VCG através de redes neurais Dissertação de Doutoramento, Escola Politécnica da USP, Brazil Maurício Conceição Mário Graduado em Engenharia Elétrica pela FEI - Faculdade de Engenharia Elétrica de São Bernardo do Campo - SP obteve o título de Mestre em processamento da Informação pela Universidade Federal de Uberlândia UFU em Minas Gerais e doutorou-se em Ciências pela Faculdade de Medicina da Universidade de São Paulo - FMUSP. Atualmente é professor da Universidade Santa Cecília UNISANTA - em Santos SP e também pesquisador em Inteligência Artificial onde integra o Grupo de Pesquisa GLPA - Grupo de Lógica Paraconsistente Aplicada. ISSN
UM CLASSIFICADOR DE SINAIS PROJETADO COM PRINCÍPIOS DAS REDES NEURAIS ARTIFICIAIS PARACONSISTENTES
UM CLASSIFICADOR DE SINAIS PROJETADO COM PRINCÍPIOS DAS REDES NEURAIS ARTIFICIAIS PARACONSISTENTES Maurício Conceição Mário 1 e João Inácio da Silva Filho 2 Resumo - Neste artigo, com base nos conceitos
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem Mauricio Conceição Mário, Luís Fernando P. Ferrara e João Inácio da Silva Filho Mário, M.C. Ferrara, L.F.P.. Da Silva Filho,
Introdução às Células Neurais Artificiais Paraconsistentes
Introdução às Células Neurais Artificiais Paraconsistentes Da Silva Filho, J.I Email: inacio@unisanta.br João Inácio da Silva Filho GLPA-Grupo de Lógica Paraconsistente Aplicada UNISANTA-Universidade Santa
Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois
Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois valores-lpa2v João Inácio da Silva Filho Email: Da Silva Filho, J.I. inacio@unisanta.br ou jinacsf@yahoo.com.br IEA- Instituto
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-
Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) Aplicada em Software de Interface gráfica
Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) Aplicada em Software de Interface gráfica Leonardo do Espirito Santo 1,2, Rodrigo Silvério da Silveira 1,2, João Inácio da Silva Filho
Célula Neural Artificial Paraconsistente utilizada como um Módulo Redutor de Ruídos em Sinais com Amplitudes oscilantes
Unisanta Science and Technology, 017, 6, July Published Online 017 Vol.6 N o 1 http://periodicos.unisanta.br/index.php/sat) UNISANTA Science and Technology ISSN 317-1316 Célula Neural Artificial Paraconsistente
XIX Seminário Nacional de Distribuição de Energia Elétrica. SENDI a 26 de novembro. São Paulo - SP - Brasil
XIX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasil Um Previsor De Perfil De Cargas Em Sistemas Elétricos De Potência Construído Com Lógica
TÍTULO: DESENVOLVIMENTO DE PLATAFORMA DE TESTES PARA ALGORITMOS ESTRUTURADOS EM LÓGICA PARACONSISTENTE ANOTADA LPA
TÍTULO: DESENVOLVIMENTO DE PLATAFORMA DE TESTES PARA ALGORITMOS ESTRUTURADOS EM LÓGICA PARACONSISTENTE ANOTADA LPA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO:
ESTIMADOR DE ESTADO ADAPTATIVO PARACONSISTENTE PARACONSISTENT ADAPTIVE STATE ESTIMATOR. Resumo. Abstract. Introdução
ESTIMADOR DE ESTADO ADAPTATIVO PARACONSISTENTE PARACONSISTENT ADAPTIVE STATE ESTIMATOR Arnaldo de Carvalho Jr 1, João Inácio da Silva Filho 2, Mauricio Conceição Mario 2 1 Instituto Federal de Educação,
Robô Móvel Autônomo Emmy: Uma Aplicação eficiente da Lógica Paraconsistente Anotada
Robô Móvel Autônomo Emmy: Uma Aplicação eficiente da Lógica Paraconsistente Anotada Da Silva Filho, J.I. Email: inacio@unisanta.br Abe, J.M. Email: jairabe@uol.com.br Torres, C.R. Email: c.r.t@uol.com.br
Introdução ao conceito de estado Lógico Paraconsistente ε τ
Introdução ao conceito de estado Lógico Paraconsistente ε τ João Inácio da Silva Filho Da Silva Filho, J.I. inacio@unisanta.br GLPA - Grupo de Lógica Paraconsistente Aplicada UNISANTA - Universidade Santa
Leonardo do Espirito Santo, João Inácio da Silva Filho, Cláudio Luís M. Fernandes
Controle adaptativo utilizando algoritmo da Lógica Paraconsistente aplicado à uma unidade experimental no controle de vazão Leonardo do Espirito Santo, João Inácio da Silva Filho, Cláudio Luís M. Fernandes
Respostas transitórias de funções de transferências de controle de processos com o apoio do MatLab
Respostas transitórias de funções de transferências de controle de processos com o apoio do MatLab Rolden Baptista 1,2, João Inácio da Silva Filho 1, Mauricio Conceição Mario 1, e Dorotéa Vilanova Garcia,1
6.2 Análise da Viabilidade do Lançamento de um Produto 27
159 6.2 Análise da Viabilidade do Lançamento de um Produto 27 Neste caso, o MAB será aplicado em um problema com o qual, constantemente, se deparam os profissionais de marketing: estudar a viabilidade
ROLDEN BAPTISTA 1, JOÃO INÁCIO DA SILVA FILHO 1, CLOVIS MISSENO DA CRUZ 2.
6º Congresso Científico da Semana Nacional de Ciência e Tecnologia no IFSP 20-23 de outubro de 2015 Instituto Federal de São Paulo Bragança Paulista, SP, Brasil OBTENÇÃO DO GRAU DE CERTEZA ASSOCIADO À
Proposta de Controle de Válvula Automática de três vias através de algoritmos da Lógica Paraconsistente Anotada
Unisanta Science and Technology, 2013, 6, December Published Online 2013 Vol.2 N o 2 http://periodicos.unisanta.br/index.php/sat) UNISANTA Science and Technology ISSN 2317-1316 Proposta de Controle de
Palavras chave: Contêiner. Código Numérico. Lógica Paraconsistente. Lógica Paraconsistente Anotada.
Unisanta Science and Technology, 2016, 16, December Published Online 2016 Vol.5 N o 3 http://periodicos.unisanta.br/index.php/sat) UNISANTA Science and Technology ISSN 2317-1316 Modelo para auxiliar a
Simulação do Reticulado da Lógica Paraconsistente Anotada com Anotação de dois Valores LPA2v aplicado em VB.net
Simulação do Reticulado da Lógica Paraconsistente Anotada com Anotação de dois Valores LPA2v aplicado em VB.net Rodrigo Silvério da Silveira 1,2, Leonardo do Espirito Santo 1,2, João Inácio da Silva Filho
Lógica ParaFuzzy Um método de Aplicação da Lógica Paraconsistente e Fuzzy em Sistemas de Controle Híbridos
Lógica ParaFuzzy Um método de Aplicação da Lógica Paraconsistente e Fuzzy em Sistemas de Controle Híbridos Email: jinacsf@yahoo.com.br João Inácio da Silva Filho IEA- Instituto de Estudos Avançados da
Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o
112 3.5.5 Os operadores NOT, OR e AND Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o reticulado τ = < [0, 1] [0, 1], >, associado à lógica paraconsistente anotada evidencial
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Capítulo 6 EXEMPLOS DE APLICAÇÃO
Capítulo 6 EXEMPLOS DE APLICAÇÃO 6.1 Decisão Sobre a Abertura de um Novo Curso Superior por uma Instituição de Ensino 26 Como primeiro exemplo, será estudada a aplicação do processo de auxílio às tomadas
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
6.3 Avaliação do Projeto de uma Fábrica 28
172 6.3 Avaliação do Projeto de uma Fábrica 28 Neste exemplo, o MAB será aplicado na avaliação do projeto P de uma fábrica, problema com o qual, constantemente, se deparam engenheiros, consultores ou os
Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes.
Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes. Prof. MSc. Marco Antonio Domingues (UNIP) prof.domingues@uol.com.br
Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente
Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente Rolden Baptista, rolden.baptista@unimonte.edu.br UNIMONTE-Centro Universitário Monte Serrat. Rua comendador Martins, vila
ASPECTOS DE COMPUTAÇÃO INTELIGENTE PARACONSISTENTE
ASPECTOS DE COMPUTAÇÃO INTELIGENTE PARACONSISTENTE JAIR MINORO ABE Instituto de Estudos Avançados da Universidade de São Paulo INSTITUTO DE ESTUDOS AVANÇADOS DA USP 2013 ASPECTOS DE COMPUTAÇÃO INTELIGENTE
Um Planejador Baseado em Lógica Paraconsistente
2º SIMPÓSI9 BRASILEIRO DE AUTOMAÇAO INTELIGENTE CEFET-PR, 13 a 15 de Setembro de 1995 Curitiba -Paraná " Um Planejador Baseado em Lógica Paraconsistente José Pacheco de-almeida Prado Grupo de Inteligência
REDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
APLICAÇÕES ESTADO DA ARTE DA LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL E NA INDÚSTRIA 4.0 E INTERNET DAS COISAS
APLICAÇÕES ESTADO DA ARTE DA LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL E NA INDÚSTRIA 4.0 E INTERNET DAS COISAS Arnaldo de Carvalho Junior Mestre em Engenharia, Instituto Federal de Educação, Ciência e
SEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Inteligência Computacional
Inteligência Computacional CP78D Apresentação do Plano de Ensino Aula 1 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/14 Professor
Célula Neural Artificial Paraconsistente em Aplicação de Técnicas de Aprendizagem Aplicadas à Automação
Célula Neural Artificial Paraconsistente em Aplicação de Técnicas de Aprendizagem Aplicadas à Automação Rodrigo Silvério da Silveira, João Inácio da Silva Filho, Dorotéa Vilanova Garcia, Maurício Conceição
Introdução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Introdução 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)
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
Introdução 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
INF 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
USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD. Londrina PR Maio 2009
1 USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD Londrina PR Maio 2009 Pedro Paulo da Silva Ayrosa NEAD Universidade Estadual de Londrina - ayrosa@uel.br
Um Estudo de Tomada de Decisão Baseado em Lógica Paraconsistente Anotada: Avaliação do Projeto de uma Fábrica
Um Estudo de Tomada de Decisão Baseado em Lógica Paraconsistente Anotada: Avaliação do Projeto de uma Fábrica Fábio Romeu de Carvalho, Mestre e Doutorando em Engenharia de Produção fabioromeu@unip.br,
Inteligência 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
STRUCTURAL DECISION SUPPORT IN MINING EXCAVATIONS ARC EFFECT APPLYING PARACONSISTENT LOGIC ANNOTATED WITH TWO VALUES IN COMPUTATIONAL ENGINEERING
Blucher Mechanical Engineering Proceedings May 2014, vol. 1, num. 1 www.proceedings.blucher.com.br/evento/10wccm STRUCTURAL DECISION SUPPORT IN MINING EXCAVATIONS ARC EFFECT APPLYING PARACONSISTENT LOGIC
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Lógica ParaQuântica LPQ (parte VI): Determinação do Fator de Quantização Paraquântico h ψ
Lógica ParaQuântica LPQ (parte VI): Determinação do Fator de Quantização Paraquântico h ψ Da Silva Filho, J.I. inacio@unisanta.br João Inácio da Silva Filho GLPA - Grupo de Lógica Paraconsistente Aplicada
Usando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Física Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Introdução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Aprendizado 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
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
M. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20)
M. Eisencraft 6.3 Funções de correlação 81 R XY (τ) = E[X(t)Y(t+τ)] e (6.17) R YX (τ) = E[Y(t)X(t+τ)]. (6.18) As propriedades de correlação de dois processos X(t) e Y(t) podem ser mostradas convenientemente
JOÃO INÁCIO DA SILVA FILHO
JOÃO INÁCIO DA SILVA FILHO MÉTODOS DE APLICAÇÕES DA LÓGICA PARACONSISTENTE ANOTADA DE ANOTAÇÃO COM DOIS VALORES-LPA2v COM CONSTRUÇÃO DE ALGORITMO E IMPLEMENTAÇÃO DE CIRCUITOS ELETRÔNICOS Tese apresentada
Lógica ParaQuântica LPQ (parte V): Formas de propagação e o estado Lógico Paraquântico de Quantização ψ hψ
Lógica ParaQuântica LPQ (parte V): Formas de propagação e o estado Lógico Paraquântico de Quantização ψ hψ Da Silva Filho, J.I. inacio@unisanta.br João Inácio da Silva Filho GLPA - Grupo de Lógica Paraconsistente
Figura 1 Várias formas de ondas repetitivas: (a) onda cosseno, (b) onda seno, (c) onda triangular (d) onda quadrada
ASSOCIAÇÃO EDUCACIONAL DOM BOSCO FACULDADE DE ENGENHARIA DE RESENDE ENGENHARIA ELÉTRICA ELETRÔNICA Disciplina: Laboratório de Circuitos Elétricos Corrente Alternada 1. Objetivo Uma medida elétrica é a
T6.1 Reconhecimento de Padrões
T6.1 Reconhecimento de Padrões Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Introdução ao reconhecimento de padrões 2. Representação do conhecimento 3. Reconhecimento
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
UNIVERSIDADE SANTA CECÍLIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA MESTRADO EM ENGENHARIA MECÂNICA WELLINGTON TULER MORAES
UNIVERSIDADE SANTA CECÍLIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA MESTRADO EM ENGENHARIA MECÂNICA WELLINGTON TULER MORAES MODELO PARA AUXILIAR A IDENTIFICAÇÃO DE CÓDIGO NUMÉRICO UTILIZANDO A
Rede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
RECONHECIMENTO 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
Sistemas Inteligentes - Redes Neurais -
Sistemas Inteligentes - Redes Neurais - Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características
SCC Capítulo 4 Perceptron de Camada Única
Perceptron LMS SCC-5809 - Capítulo 4 Perceptron de Camada Única João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809: Redes Neurais 1/45 Sumário Perceptron
6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5004 - APRENDIZADO DE MÁQUINA
Completude diz-se em Vários Sentidos
Completeness can be said in Several Meanings Edelcio Gonçalves de Souza Pontifícia Universidade Católica de São Paulo (PUC-SP) edelcio@pucsp.br Resumo: A partir de um raciocínio equivocado acerca do significado
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Redes neurais artificiais paraconsistentes aplicadas no estudo de fraudes à conta de clientes acessadas via _internet_
Redes neurais artificiais paraconsistentes aplicadas no estudo de fraudes à conta de clientes acessadas via _internet_ Valdemir Silva Souza 1,3, Jair Minoro Abe 3, José Demísio Simões da Silva 1,2 1 UBC-Universidade
Motivação, Objetivo, Definição, Características Básicas e Histórico. Neurônio Artificial, Modos de Interconexão
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Modelagem matemática do estimador de estados dos mínimos quadrados ponderados usando a ferramenta AMPL
https://eventos.utfpr.edu.br//sicite/sicite2017/index Modelagem matemática do estimador de estados dos mínimos quadrados ponderados usando a ferramenta AMPL RESUMO Pamela Maria Alves dos Santos pamelas@alunos.utfpr.edu.br
Algarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
Estudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Extração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Inteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Processamento de Sinais Multimídia
Processamento de Sinais Multimídia Introdução Mylène Christine Queiroz de Farias Departamento de Ciência da Computação Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 15 de Março de
Sinais e Sistemas. Conceitos Básicos. Prof.: Fábio de Araújo Leite
Sinais e Sistemas Conceitos Básicos Prof.: Fábio de Araújo Leite Discussão do Plano do Curso As 12 normas de convivência 1. - Recomenda-se chegar à aula no horário estabelecido. 2. Evitar o uso do celular
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Efeitos da filtragem sobre sinais de onda quadrada
Efeitos da filtragem sobre sinais de onda quadrada Autores: Pedro Rodrigues e André F. Kohn Introdução O texto a seguir ilustra efeitos que diferentes sistemas lineares invariantes no tempo (SLIT) podem
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
REDES NEURAIS PARACONSISTENTES APLICADAS NA DESCOBERTA DE FRAUDES À CONTA DE CLIENTES
REDES NEURAIS PARACONSISTENTES APLICADAS NA DESCOBERTA DE FRAUDES À CONTA DE CLIENTES Valdemir Silva Souza 1, Jair Minoro Abe 3, José Demisio Simões da Silva 1,2,4 1 Universidade Braz Cubas - UBC, Mogi
UNIVERSIDADE 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
Universidade Federal do ABC. Processos Estocásticos. Profs. Marcio Eisencraft e Murilo Loiola
Universidade Federal do ABC Processos Estocásticos Profs. Marcio Eisencraft e Murilo Loiola São Paulo 2011 Capítulo 1 Introdução à análise e transmissão de sinais 1.1 Intodução Neste curso, trata-se dos
EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Redes Neurais Artificiais Paraconsistentes aplicadas no Reconhecimento de Padrões dos Ciclos Sazonais para a Previsão Climática
Redes Neurais Artificiais Paraconsistentes aplicadas no Reconhecimento de Padrões dos Ciclos Sazonais para a Previsão Climática Valdemir Silva Souza e José Demísio Simões da Silva Laboratório Associado
Aprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Redes 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
Lógica Paraconsistente e Probabilidade Pragmática no Tratamento de Incertezas
Lógica Paraconsistente e Probabilidade Pragmática no Tratamento de Incertezas Da Silva Filho, J.I Email:inacio@unisanta.br João Inácio da Silva filho 1 UNISANTA - Universidade Santa Cecília -Núcleo de
DETECÇÃO DO COMPLEXO QRS UTILIZANDO FPGA Detection of QRS Complex Using
DETECÇÃO DO COMPLEXO QRS UTILIZANDO FPGA Detection of QRS Complex Using Alexandre Tomazati OLIVEIRA Faculdade de Jaguariúna RESUMO: Este artigo descreve um sistema microcontrolado implementado em FPGA
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Aula inaugural do curso Análise de Regressão
Aula inaugural do curso Prof a Silvia Nagib Elian Sala 215 - Bloco A Instituto de Matemática e Estatística Universidade de São Paulo Agenda 1. Exemplo 2. Introdução 3. Modelo de regressão linear simples
Lógica ParaQuântica LPQ (parte IV): Propagação de estados Lógicos Paraquânticos ψ
Lógica ParaQuântica LPQ (parte IV): Propagação de estados Lógicos Paraquânticos ψ Da Silva Filho, J.I. inacio@unisanta.br João Inácio da Silva Filho GLPA - Grupo de Lógica Paraconsistente Aplicada UNISANTA
Introdução aos Sinais e Sistemas
Introdução aos Sinais e Sistemas Edmar José do Nascimento (Análise de Sinais e Sistemas) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia
Considerações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
REDES 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
Redes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
Redes Neurais Quânticas Sem Peso
Redes Neurais Quânticas Sem Peso Wilson de Oliveira 1, Wilson Galindo 2, Amanda Leonel 3, Jefferson Pereira 1, Adenilton J. Silva 4 1 Departamento de Estatística e Informática Universidade Federal Rural