Determinando Posições Relativas de Nós Móveis por meio de Bluetooth e Aprendizado de Máquina
|
|
- Dalila Barata Rico
- 7 Há anos
- Visualizações:
Transcrição
1 Determinando Posições Relativas de Nós Móveis por meio de Bluetooth e Aprendizado de Máquina Sérgio H. M. Marinello 1,2, Jó Ueyama 1, Gustavo Pessin 1,3, Fernando S. Osório 1, Patrícia A. Vargas 3 1 Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) São Carlos, SP, Brasil 2 Escola de Engenharia de São Carlos (EESC) Universidade de São Paulo (USP) São Carlos, SP, Brasil 3 School of Mathematical and Computer Sciences (MACS) Heriot-Watt University Edinburgh, UK sergiomarinello@gmail.com, joueyama@icmc.usp.br {pessin, fosorio}@icmc.usp.br, p.a.vargas@hw.ac.uk Resumo. O objetivo deste artigo é detalhar o modelo, a implementação e a avaliação do uso da tecnologia Bluetooth para a determinação da posição relativa de um nó móvel. O estudo de posição relativa é um primeiro passo para estudos de localização e mapeamento, que tem aplicação importante nas áreas de robótica autônoma e de redes de sensores sem fio. Neste artigo avaliamos três diferentes métricas de obtenção de sinal Bluetooth: dois tipos de métrica de tempo (ping) e uma métrica de potência (Received Signal Strength Indicator RSSI). Após a escolha da melhor métrica, utilizamos duas técnicas de aprendizado de máquina para o aprendizado da posição do nó móvel: Redes Neurais Artificiais e Máquinas de Vetores de Suporte (Support Vector Machine). Os resultados deixam claro que existem grandes diferenças entre as métricas de obtenção de sinal, entretanto, não existem grandes diferenças entre as técnicas de aprendizado de máquina utilizadas. Abstract. In this paper we describe the model, implementation and evaluation of using Bluetooth technology to determine the relative position of a mobile node. The study of relative position is a first step in localization and mapping schemes, which have important application in the areas of autonomous robotics and wireless sensor networks. We have evaluated three different metrics: two types of ping and the Received Signal Strength Indicator (RSSI). After choosing the best metric to obtain the Bluetooth signal, we have used two machine learning techniques to learn the position of the node: Artificial Neural Networks and Support Vector Machines. The results show that there are great differences between the metrics to obtain the Bluetooth signal, however, there are no major differences amongst the machine learning techniques employed. 1. Introdução Estimar corretamente a posição é um pressuposto básico para a realização de diversas tarefas nas áreas de robótica móvel autônoma [Pessin et al. 2010, Siegwart et al. 2011]
2 e de redes de sensores sem fio [Zhao and Guibas 2004, Costa et al. 2012]. Ainda, o conhecimento sobre localização pode também ser usando para rastrear animais e pessoas (e.g. rastrear o movimento de pessoas enquanto praticando esportes). Embora sendo um sistema de localização popular e podendo ser utilizado para a determinação da posição absoluta, o Global Positioning System (GPS) é adequado para ambientes externos não possuindo um bom desempenho em ambientes internos [Gwon et al. 2004]. Em ambientes internos, sensores como lasers e câmeras podem ser utilizados para estimação de posição [Napier et al. 2010]. Entretanto, tais sensores usualmente necessitam de marcos (landmarks) no ambiente e dependem de algoritmos que necessitam de grande poder computacional. Ainda, tais sensores têm campos de visão limitados, o que dificulta a tarefa de obtenção de posição. No caso de câmeras, a variação na iluminação é ainda um outro grande problema [Souza et al. 2012]. Um tipo de sensor que não depende de grande poder computacional são os do tipo encoders [Martinelli 2002], que provêm odometria. Odometria é realmente útil em diversos casos porém apresenta um erro incremental que não pode ser ignorado na maioria dos sistemas reais. Bluetooth, assim como outras tecnologias de rede sem fio, são cada vez mais disponíveis em ambientes internos. E, como uma metáfora do modelo utilizado pelo sistema de GPS, o sinal de dispositivos sem fio pode ser utilizado para obtenção de posição [Pessin et al. 2011]. Neste trabalho avaliamos a tecnologia Bluetooth por ser mais disponível em aparelhos móveis e por utilizar menos bateria do que rede sem fio convencional. Ainda, o uso de aprendizado de máquina se faz importante por dois motivos: (i) queremos evitar o uso de funções matemáticas, visto que as mesmas são modelos teóricos cuja adaptação a ambientes dinâmicos é muito difícil de ser realizada e (ii) o sinal obtido pelos dispositivos apresenta grande flutuação; esperamos que as técnicas de aprendizado de máquina possam reduzir tal efeito. Sendo assim, inicialmente avaliamos três diferentes métricas de obtenção de sinal Bluetooth, duas baseadas em tempo (ping) e uma baseada em potência (RSSI). Em seguida, utilizamos duas técnicas de aprendizado de máquina para o aprendizado da posição do nó móvel: Redes Neurais Artificiais e Máquinas de Vetores de Suporte. Detalhes do modelo proposto serão descritos na Seção 3. Este artigo possui a seguinte estrutura: A Seção 2 descreve a base conceitual do trabalho, apresentando sucintamente aspectos relacionados a tecnologia de rede escolhida bem como as técnicas de Aprendizado de Máquina. A Seção 3 detalha a metodologia do trabalho. A Seção 4 apresenta a análise e o resultado da avaliação de diferentes métricas obtidas a partir do dispositivo Bluetooth. A seção 5 apresenta a análise e o resultado da avaliação das técnicas de aprendizado de máquina. Na Seção 6 concluímos o trabalho e apresentamos possíveis trabalhos futuros esperados nesta área de pesquisa. 2. Base Conceitual 2.1. Bluetooth Bluetooth é uma tecnologia que permite a comunicação entre dispositivos de curto alcance e com um baixo consumo de energia e custo, sendo originalmente desenvolvida pela Ericsson Mobile Communications. Em 1998, a Ericsson juntamente com IBM, Intel, Nokia e Toshiba formaram um grupo que teria a função de promoção e desenvolvimento desta tecnologia denominado Bluetooth Special Interest Group (SIG) [Miller 2001]. A
3 popularização desta tecnologia é identificada por sua disponibilidade em quase todos os celulares modernos. O Bluetooth é capaz de lidar com vários canais de transporte de dados: assíncronos, isosíncronos e síncronos, sendo também possível o trabalho simultâneo com tráfego assíncrono (dados) e síncrono (voz) [Gehrmann et al. 2004]. A rede Bluetooth é uma rede ad-hoc, ou seja, não há a necessidade de uma estrutura pré-instalada e configurada como roteadores ou servidores. A comunicação em Bluetooth se baseia no princípio mestre-escravo onde uma dada rede, denominada picorede ou piconet, possui apenas um mestre e este pode ter simultaneamente, no máximo, 7 escravos ativos e 255 dispositivos inativos [Miller 2001, Labiod et al. 2007]. O Bluetooth possui dois estados principais, que são Connection e Standby. O estado Standby se dá quando o dispositivo não está conectado a nenhuma piconet e, caso contrário, estará no estado Connection. No modo Standby o dispositivo fica alternando periodicamente entre desligado (no intuito de economizar energia) e ligado (verificação da existência de algum dispositivo tentando estabelecer uma conexão) [Miller 2001]. Quando um dispositivo entra no estado Connection este pode ter quatro modos disponíveis, que são: Active: modo que consiste na operação ativa do dispositivo com transmissão e recepção de dados. Sniff : modo em que dispositivo irá escutar a rede a uma taxa reduzida alterando de tempos em tempos o seu estado ativo e inativo. Hold: modo que possui um consumo de energia menor que o modo Sniff, mas ainda permite que um dispositivo escravo possa reiniciar a transmissão de dados quando sair deste modo. Uma de suas principais utilidades é a de possibilitar que um dispositivo se conecte a outra piconet. Park: modo em que o escravo se mantém na maior parte do tempo inativo, mas ainda possui sincronização com a rede devido aos pacotes beacons que o mestre envia. Para que ocorra a comunicação é necessário que se tenha o conhecimento dos dispositivos próximos, essa fase é conhecida como discovery e, após isso, é iniciado os processos de inquiring e paging e por fim a conexão é estabelecida permitindo a comunicação entre os dispositivos [Labiod et al. 2007]. Para iniciar a comunicação, primeiramente, um dispositivo deve procurar e detectar os demais existentes no raio de cobertura, ou seja, descobrir o endereço MAC (Media Access Control) destes (utilizando inquiry). Uma vez detectado o endereço do dispositivo é possível conectar-se utilizando page. O dispositivo que realizar primeiramente inquiry e o page será o mestre da picorede. Por questão de privacidade e consumo, um dispositivo Bluetooth pode decidir se informará o seu endereço somente quando possuir seu inquiry scan ativo ou permitir a conexão somente quando o seu page scan estiver ativo [Huang and Rudolph 2007] Aprendizado de Máquina Aprendizado de Máquina (Machine Learning ML) é uma área da Inteligência Artificial que tem como objetivo desenvolver técnicas computacionais de aprendizado e de aquisição de conhecimentos [Mitchell 1997, Baranauskas and Monard 2003]. Essas técnicas devem exibir comportamento inteligente e realizar tarefas complexas com um nível de competência equivalente ou superior ao de um especialista humano [Nikolopoulos 1997]. Das diversas técnicas de ML existentes, pode-se dizer que a grande maioria tem focos em grupos relativamente específicos de aplicações. É difícil imaginar uma
4 técnica que seja capaz de resolver todas as gamas de problemas que envolvam aprendizado automático, seja ele supervisionado, não supervisionado ou semi-supervisionado [Mitchell 1997]. No aprendizado supervisionado, há um supervisor no qual fornece um conjunto de exemplos (instâncias) com seus respectivos atributos de entradas e de saídas (rótulos) sendo utilizados pelo algoritmo de aprendizado para gerar um modelo e assim classificar novas entradas. Quando um problema possui rótulo possui um valor discreto, este é denominado classificação e, caso seja contínuo, é chamado regressão. No aprendizado não-supervisionado, não há um supervisor para acompanhar o processo de aprendizado, ou seja, para estes algoritmos apenas as entradas estão disponíveis e devem determinar a melhor forma de agrupar as instâncias. Esse paradigma é muito utilizado para encontrar, agrupar e extrair características de um conjunto de dados. O aprendizado por reforço pode ser visto como um caso particular de aprendizado supervisionado. A principal diferença é que no aprendizado supervisionado é utilizado o critério de erro conhecido enquanto que no aprendizado por esforço pode ser qualquer métrica fornecida pelo sistema. Nesse paradigma, quando a resposta obtida for a desejada ocorre a recompensa e, caso contrário, punição fazendo com que o algoritmo se ajuste melhor às situações de recompensa [Braga et al. 2000]. O aprendizado por competição pode ser considerado um caso particular do aprendizado não-supervisionado. O funcionamento se baseia em um dado padrão de entrada haverá uma disputa entre as saídas pela ativação. A saída ativada tem o seu peso atualizado. Com o passar do tempo, a unidade de saída mais forte, ou seja, aquela que foi ativada mais vezes, terá o papel dominante e as demais serão inibidas e até inativadas. Geralmente, a unidade de saída que possuir a maior ativação inicial será a vencedora [Braga et al. 2000]. Redes Neurais Artificiais (RNAs) são um método de ML que se baseia em uma metáfora do comportamento do cérebro. São formadas por unidades de processamento simples denominados neurônios e estas são responsáveis pelo cálculo de determinadas funções matemáticas. Os neurônios ficam organizados em uma ou mais camadas e interligadas por conexões [Braga et al. 2000]. A arquitetura utilizada na rede neural depende do tipo de problema que esta se propõe a resolver. As RNAs com apenas uma camada são suficientes para se resolver problemas linearmente separáveis, ou seja, aqueles que podem ser resolvidos com a separação dos elementos utilizando-se de uma reta ou hiperplano, porém, redes recorrentes (redes que possuem realimentação ou feedback) são recomendadas para problemas que envolvem a variável tempo. Uma arquitetura é definida por vários parâmetros e estes são: número de camadas, número de neurônios em cada camada, tipo de conexão entre cada neurônio (podendo ser ou feedback ou feedforward). Em redes de múltiplas camadas temos a camada de entrada que é responsável por apresentar as entradas à rede, as camadas intermediárias responsáveis pela maior parte do processamento da rede neural, através dos pesos das conexões e a camada de saída na qual termina o processo e apresentada o resultado final. Máquinas de Vetores de Suporte (Support Vector Machine SVM) é uma técnica de ML supervisionada e é baseada na teoria de aprendizado estatístico [Vapnik 2005]. Quando um conjunto de dados é linearmente separável são utilizados hiperplanos para que haja a separação dos dados em classes com a maior margem de separação possível, caso contrário, busca-se determinar a função de mapeamento apropriada, que é aquela que
5 transforma o conjunto mapeado em linearmente separável [Lorena and Carvalho 2003]. Os vetores de suporte (support vectors) são um pequeno número de instâncias posicionadas nas fronteiras críticas de cada classe. Estes são utilizados para se obter a função discriminante, que permitirá com que se obtenha a máxima separação possível dos hiperplanos [Witten et al. 2011]. 3. Metodologia A Figura 1 apresenta uma foto do ambiente utilizado para a coleta de dados. São apresentados na imagem dois dispositivos Bluetooth (um computador e um celular). Ainda, são apresentadas as marcações de distância utilizadas como medidas. O dispositivo Bluetooth acoplado ao computador é fabricado pela Cambridge Silicon Radio. O outro dispositivo Bluetooth é um celular Nokia Figura 1. Foto do ambiente utilizado para a coleta de dados. Setas amarelas apresentam os dispositivos Bluetooth. Em vermelho são apresentadas as marcações de distância utilizadas como medidas. São realizados dois passos de avaliação. No primeiro passo temos como objetivo verificar qual das métricas (de tempo ou de potência) é a mais indicada para o aprendizado (menor sobreposição nas classes). No segundo passo, usamos técnicas de aprendizado de máquina para aprender as posições relativas (distância) entre os dispositivos. A análise da sobreposição dos conjuntos será feita com o auxílio de boxplots. A coleta de dados foi realizada em sete pontos (Fig. 1), nas respectivas distâncias: {20 cm, 40 cm, 60 cm, 80 cm, 1 m, 2 m, 3 m}. Em cada um destes pontos foram realizadas 80 leituras. Ainda, em cada um destes pontos foram obtidos três diferentes valores: (i) tempo de ping modo default, (ii) tempo de ping modo flood (não existe atraso entre o envio dos pacotes), e (iii) Received Signal Strength Indication (RSSI). Para obter o tempo de ping no dispositivo bluetooth utilizamos o comando l2ping 2. O valor do RSSI 3 é possível de ser obtido por meio de uma conexão entre os dispositivos, utilizando o pacote hcitool (GNU/Linux). 1 Embora tenhamos utilizado dispositivos específicos, o modelo proposto pode ser utilizado em qualquer tipo de dispositivo com suporte a Bluetooth. 2 A ferramenta l2ping (GNU/Linux) envia pacotes de requisição de eco L2CAP, sendo útil para o teste e análise de comunicações com outro dispositivo e necessita apenas o endereço MAC. 3 RSSI é uma métrica que quantifica a potência do sinal recebida pela antena do dispositivo receptor; diminui com a distância e é dado em decibéis.
6 No segundo passo é feita a análise de como os métodos de aprendizado de máquina (RNAs e SVMs) podem ser utilizados na obtenção da posição. Para isso é utilizado o WEKA 4 para a tarefa de classificação. Em ambos os casos é utilizado k-fold-crossvalidation com k igual a 10 folds, ou seja, o conjunto de dados é dividido em 10 partições mutuamente exclusivas de tamanho aproximadamente iguais e sendo a décima partição utilizada para o cálculo do erro de teste do modelo. Ainda, visto que o sinal lido dos dispositivos Bluetooth possui alta flutuação (alto nível de ruído) é também avaliada uma técnica de redução de ruído nas leituras baseada em [Pessin et al. 2011]. Esta técnica de filtro é a média móvel e a mediana móvel de 5 e de 20 leituras aplicada no conjunto de dados. Desta forma, a entrada no classificador não é mais a leitura crua, mas sim o valor filtrado. Alguns parâmetros dos classificadores são também modificados para avaliar a influência destes na classificação. A rede neural tem como variação o parâmetro do número de neurônios na camada intermediárias: {1, 2, 6 e 30}. Para o SVM, é avaliado o comportamento do algoritmo com modificação de dois parâmetros: (i) tipo de algoritmo de SVM (c-svc ou nu-svc) e (ii) kernel do hiperplano (linear, radial, polinomial e sigmóide). Em ambos os casos, o erro avaliado é o percentual de classes corretamente classificadas. 4. Avaliação das Métricas de Coleta Após a coletada dos dados, o primeiro passo de avaliação proposto é determinação da métrica mais apropriada para classificação dos elementos. Para tal, é aconselhável uma métrica em que as classes possam ser bem determinadas e com a menor sobreposição possível. Para tal avaliação, a ferramenta utilizada foi a análise do boxplot das distribuições. O boxplot permite verificar a dispersão / concentração de grupos de dados, o que é útil para identificar sobreposição ou não de classes. As Figuras 2(a), 2(b) e 2(c) apresentam, respectivamente, o boxplot das distâncias em relação ao tempo de ping no modo default, o boxplot das distâncias em relação ao tempo de ping no modo flood e o boxplot das distâncias em relação a potência (valor do RSSI). Podemos ver nas Figuras 2(a) e 2(b) que as classes apresentam grande sobreposição. Além disso, podemos ver que as medianas são similares em diversos casos. Tal sobreposição e similaridade desencoraja o uso destas métricas de tempo como entrada em métodos de aprendizado de máquina. Entretanto, na Figura 2(c) podemos ver que embora existe certa sobreposição, ela é bem menor em relação as métricas de tempo de ping. Sendo assim, a métrica de RSSI parece ser a mais indicada para o próximo passo, que é a utilização deste valor para aprendizado da distância do nó móvel. 5. Aprendizado da Distância Usando RNA e SVM Após a avaliação das métricas, realizamos a avaliação de duas técnicas de aprendizado de maquina: RNAs e SVMs. Ainda, avaliamos como o aprendizado se comporta com a aplicação de filtros de média e mediana nas leituras, assim, as entradas dos métodos de aprendizado podem ser a leitura crua do dispositivo ou a média / mediana de 5 e 20 leituras. 4 Waikato Environment for Knowledge Analysis, disponível em
7 (a) (b) (c) Figura 2. (a) Boxplot das distâncias em relação ao tempo de ping (modo default). (b) Boxplot das distâncias em relação ao tempo de ping (modo flood). (c) Boxplot das distâncias em relação ao valor do RSSI. A Tabela 1 apresenta os resultados obtidos pelo aprendizado usando a rede neural com variação no número de neurônios na camada intermediaria e diferentes filtros. Podemos ver que o aprendizado utilizando 6 ou 20 neurônios é bastante similar, entretanto é ligeiramente melhor que utilizando apenas 1 ou dois neurônios na camada intermediaria. Podemos ver também na Tabela 1 que o filtro de mediana apresentou comportamento inferior ao da média. Por exemplo, na rede com 30 neurônios, a utilização do filtro de média de 5 leituras permitiu obter melhor taxa de classificação em 76,06% dos casos, enquanto a mediana móvel apresentou 62,03%. A utilização do filtro de média de 20 permitiu obter melhor taxa de classificação em 85,95% dos casos, enquanto a mediana móvel apresentou 69,09%. Ou seja, a média móvel apresentou resultados cerca de 20% melhores que a mediana móvel. Podemos ver que utilizando o filtro o resultado melhora significativamente. Entretanto, existe a contrapartida que cada leitura de RSSI demora cerca de 500 ms, as-
8 Tabela 1. Taxa de acerto (%) da classificação da RNA considerando diferentes filtros e número de neurônios na camada oculta. Em negrito são apresentados os melhores resultados para cada filtro. Asterisco apresenta o melhor entre todos. Número de neurônios Filtro utilizado Sem filtro 53,75 55,18 57,50 56,43 Média móvel 5 64,47 71,62 73,31 74,06 Mediana móvel 5 54,51 58,46 62,03 62,03 Média móvel 20 66,28 74,47 85,01 85,95 Mediana móvel 20 58,31 62,76 68,85 69,09 Tabela 2. Taxa de acerto (%) da classificação do SVM considerando diferentes tipos e kerneis. Em negrito são apresentados os melhores resultados para cada filtro. Asterisco apresenta o melhor entre todos. Kernel Linear Polinomial Radial Sigmóide Tipo do SVM: c-svc Sem filtro 56,96 55,71 55,71 10,00 Média móvel 5 74,44 74,81 74,44 11,84 Mediana móvel 5 61,84 62,22 62,22 11,84 Média móvel 20 80,80 86,65 84,07 9,84 Mediana móvel 20 68,62 69,55 69,32 9,84 Tipo do SVM: nu-svc Sem filtro 50,71 50,18 54,64 16,96 Média móvel 5 68,80 62,78 74,44 13,91 Mediana móvel 5 60,15 60,34 59,02 13,91 Média móvel 20 78,92 74,94 79,16 14,29 Mediana móvel 20 65,57 64,17 65,81 14,29 sim, o filtro melhora a confiabilidade na posição porém aumenta o tempo para obter tal informação. A Tabela 2 apresenta os resultados obtidos pelo aprendizado usando o SVM com variação no tipo do algoritmo de SVM, no tipo de kernel e com uso de filtros. Podemos ver que, neste caso, os kerneis linear, polinomial e radial apresentaram melhores resultados em relação ao kernel sigmoid. Ainda, o SVM do tipo c-svc apresentou, em geral, melhores resultados quando comparado ao nu-csv. Um comportamento similar ao aprendizado com redes neurais pode ser observado em relação ao uso de filtros. Por exemplo, com o kernel polinomial e c-svc o aprendizado passou de 55,71% (sem filtro) para 86,65% utilizando média móvel de 20. Entretanto, assim como usando a RNA, a mesma melhora significativa não ocorreu com o uso da mediana móvel. A Figura 3 apresenta o melhor resultado de taxa de classificação para RNA e SVM para cada filtro utilizado. Podemos ver que o melhor caso de RNA é muito similar ao melhor caso usando SVM. Sendo assim, não existem grandes vantagens ou desvantagens em utilizar um ou outro método. Ainda, podemos ver na figura que o uso de filtro tem um impacto significativamente positivo na qualidade dos resultados, sendo o uso de média
9 Figura 3. Melhores resultados de taxa de classificação para RNA e SVM para cada filtro utilizado. móvel superior ao uso de mediana móvel nos dados utilizados. 6. Conclusão Neste artigo descrevemos o modelo, a implementação e a avaliação do uso da tecnologia Bluetooth para a determinação da posição relativa de um nó móvel. Foram avaliadas três diferentes métricas de obtenção de sinal, onde pudemos verificar que a métrica de potência gera menos áreas de sobreposição em relação as métricas de tempo, o que encoraja o uso da métrica de potência no aprendizado da posição. Ainda, pudemos ver que o uso de RNA ou SVM no aprendizado é relativamente similar, não apresentando grandes vantagens ou desvantagens para um ou outro método. Ambos os métodos conseguirem taxas de acerto na faixa de 86%. Entretanto, pudemos ver que o uso de filtro impacta fortemente os resultados. Os resultados mostram que o uso de Bluetooth pode ser utilizado para o aprendizado da posição relativa com certo sucesso, isso encoraja os seguintes trabalhos futuros: (i) utilização de Bluetooth para aprendizado de posição 3D, (ii) a avaliação de outros tipos de filtro além de média e mediana, como o filtro de Kalman e (iii) a implementação do sistema em redes de sensores sem fio e em robôs autônomos a fim de verificar a utilidade prática do modelo proposto. 7. Agradecimentos Agradecemos o suporte financeiro do CNPq e FAPESP ao INCT-SEC (National Institute of Science and Technology Critical Embedded Systems Brazil), processos ID / and 08/ Além disso, agradecemos a Capes por meio do processo BEX Referências Baranauskas, J. A. and Monard, M. C. (2003). Combining symbolic classifiers from multiple inducers. Knowledge-Based Systems, 16: Braga, A., Ludemir, T., and Carvalho, A. (2000). Redes Neurais Artificiais: Teoria e Aplicações. LTC editora.
10 Costa, F. G., Ueyama, J., Braun, T., Pessin, G., Osório, F. S., and Vargas, P. A. (2012). The use of unmanned aerial vehicles and wireless sensor network in agricultural applications. In IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Gehrmann, C., Persson, J., and Smeets, B. (2004). Bluetooth Security. Artech House. Gwon, Y., Jain, R., and Kawahara, T. (2004). Robust indoor location estimation of stationary and mobile users. In INFOCOM Twenty-third AnnualJoint Conference of the IEEE Computer and Communications Societies, volume 2, pages Huang, A. S. and Rudolph, L. (2007). Bluetooth Essentials for Programmers. Cambridge University Press. Labiod, H., Afifi, H., and Santis, C. (2007). Wi-fi, Bluetooth, Zigbee and Wimax. Springer. Lorena, A. C. and Carvalho, A. (2003). Introdução às Máquinas de Vetores Suporte (Support Vector Machines). In Relatório Técnico 192, ICMC/USP. Martinelli, A. (2002). The odometry error of a mobile robot with a synchronous drive system. Robotics and Automation, IEEE Trans. on, 18(3): Miller, M. (2001). Discovering Bluetooth. John Wiley. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. Napier, A., Sibley, G., and Newman, P. (2010). Real-time bounded-error pose estimation for road vehicles using vision. In Intelligent Transportation Systems (ITSC), th International IEEE Conference on, pages Nikolopoulos, C. (1997). Expert Systems: Introduction to First and Second Generation and Hybrid Knowledge Based Systems. CRC Press. Pessin, G., Osório, F. S., Ueyama, J., Souza, J. R., Wolf, D. F., Braun, T., and Vargas, P. A. (2011). Evaluating the impact of the number of access points in mobile robots localization using artificial neural networks. In Proc. of the 5th International Conference on Communication System Software and Middleware, pages 10:1 10:9. Pessin, G., Osório, F., Hata, A., and Wolf, D. (2010). Intelligent control and evolutionary strategies applied to multirobotic systems. In Industrial Technology (ICIT), 2010 IEEE International Conference on, pages Siegwart, R., Nourbakhsh, I. R., and Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots. The MIT Press. Souza, J. R., Pessin, G., Shinzato, P. Y., Osório, F. S., and Wolf, D. F. (2012). Vision-based Waypoint Following Using Templates and Artificial Neural Networks. Neurocomputing (Elsevier), Accepted for publication. Vapnik, V. (2005). The nature of Statistical learning theory. Springer-Verlag. Witten, I. H., Frank, E., and Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. Zhao, F. and Guibas, L. (2004). Wireless Sensor Networks An Information Processing Approach. Morgan Kaufmann.
Redes sem Fio WPANs (IEEE ) Wireless Personal Area Networks. Ricardo Kléber. Ricardo Kléber
Redes sem Fio 2016.1 WPANs (IEEE 802.15) Wireless Personal Area Networks Curso Superior de Tecnologia em Sistemas para Internet Turma: TEC.SIS.5M Redes sem Fio Onde Estamos? Sistemas de comunicação wireless
Redes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Data: 28/05/2010 8h as 12h. IP addresses and the port numbers of the components.
CURSO DE PROGRAMAÇÃO DE ROBÔS MÓVEIS USP - ICMC LRM: Laboratório de Robótica Móvel Profs. Denis Wolf, Eduardo Simões, Fernando Osório Alunos PG - Alberto Hata, Gustavo Pessin, Patrick Shinzato, Maurício
Bluetooth. Rafael Huk da Cruz Tomás Abril Curso: Téc. Integrado em Eletrônica 1º Período Informática 1
Bluetooth Bluetooth Rafael Huk da Cruz Tomás Abril Curso: Téc. Integrado em Eletrônica 1º Período Informática 1 Bluetooth O nome Bluetooth foi escolhido em homenagem ao rei da Dinamarca Harald Blatand;
Disciplina de Sensores Inteligentes SSC-0715
USP - ICMC - SSC SSC 0715 (SensInt) - 2o. Semestre 2011 Disciplina de SSC-0715 1 Prof. Fernando Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário PAE: Leandro Fernandes Email: lnd [at]
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
Disciplina de Sensores Inteligentes SSC-0715
USP - ICMC - SSC SSC 0715 (SensInt) - 2o. Semestre 2014 Disciplina de SSC-0715 Prof. Fernando Osório LRM / ICMC - USP Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário PAE: Daniel Sales (LRM
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Aluno: Larissa Lages de Oliveira (llo@cin.ufpe.br) Orientador: Daniel Carvalho da Cunha (dcunha@cin.ufpe.br)
Disciplina de Sensores Inteligentes SSC-0715
USP - ICMC - SSC SSC 0715 (SensInt) - 2o. Semestre 2016 Disciplina de SSC-0715 Prof. Fernando Osório LRM / ICMC - USP Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário PAE: Rafael Berri (Doutorando
Uma Introdução à Tecnologia Bluetooth
Uma Introdução à Tecnologia Bluetooth Caso de Uso 1: Headset genérico Caso de Uso 2: Conexão de periféricos Objetivos do Bluetooth Originalmente: substituto para cabeamento entre dispositivos Solução wireless
Máquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
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)
AULA 8 -BLUETOOTH. Prof. Pedro Braconnot Velloso
AULA 8 -BLUETOOTH Prof. Pedro Braconnot Velloso Resumo da aula anterior Camada enlace Protocolos de controle de acesso ao meio Divisão de canal Acesso aleatório CSMA Revezamento Padrões para redes sem
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
SUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
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
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
IN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
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
Disciplina de Robôs Móveis Autônomos SSC-5888
USP - ICMC - SSC Pós-Grad. CCMC SSC 5888 (RMA) - 1o. Semestre 2009 Disciplina de Robôs Móveis Autônomos SSC-5888 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Web: http://www.icmc.usp.br/~fosorio/
Arquitetura de Redes de Computadores e Tecnologia de Implementação de Redes. Personal Area Networks)
Arquitetura de Redes de Computadores e Tecnologia de Implementação de Redes 2016.2 Camada Física Tecnologias Alternativas de Meios Físicos * WPANs (Wireless( Personal Area Networks) Curso Técnico Integrado
Classificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
15/05/2013. Histórico da Pesquisa em Robótica. Objetivos do curso. Informações. Calendário. Histórico
Objetivos do curso SSC5880 Algoritmos de Estimação para Robótica Móvel Estudo dos problemas fundamentais da robótica móvel Estudo da utilização de técnicas de estimação e de fusão de sensores aplicadas
Redes Sem Fio. Alberto Felipe Friderichs Barros https://albertofelipeblog.wordpress.com
Redes Sem Fio Alberto Felipe Friderichs Barros alberto.barros@ifsc.edu.br https://albertofelipeblog.wordpress.com Introdução Uma rede sem fio é uma infraestrutura das comunicações sem fio que permite a
Bluetooth e IEEE Alunos: Elmano R. P. Filho Rossini A. M. Bezerra Sérgio França de Pinho
Bluetooth e IEEE 802.15 Alunos: Elmano R. P. Filho Rossini A. M. Bezerra Sérgio França de Pinho Rio, 2 de Julho de 2003 Tópicos Abordados Tecnologias Sem-fio IEEE 802.15 e Bluetooth Funcionamento do Bluetooth
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias p. 1/16
POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias p. 1/16 POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias Paulo Manoel Mafra 1, Joni da Silva
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
Redes 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
19/05/2014. Histórico da Pesquisa em Robótica. Objetivos do curso. Informações. Calendário. Histórico
Objetivos do curso SSC5880 Algoritmos de Estimação para Móvel Estudo de problemas fundamentais da robótica móvel Estudo da utilização de técnicas de estimação e de fusão de sensores aplicadas na robótica
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
Uma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Inteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Zone Routing Protocol - ZRP[1]
Zone Routing Protocol - ZRP[1] Rafael de M. S. Fernandes 1 1 Programa de Engenharia de Sistemas e Computação - Coppe/UFRJ Rio de Janeiro - RJ - Brasil rafaelmsf@cos.ufrj.br Resumo. O protocolo ZRP busca
Camada de banda base - segurança
Camada de banda base - segurança Autenticação Privacidade Criptografia Gerenciamento de chaves Camada de banda base - privacidade Criptografia usada na carga útil dos dados Carga útil encriptada após a
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
Mapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Mineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
Utilização de técnicas de Process Mining em Sistemas de Middleware Adaptativos Proposta de Trabalho de Graduação
UNIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2017.1 Utilização de técnicas de Process Mining em Sistemas de Middleware Adaptativos Proposta de Trabalho de
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
3 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
WIRELESS (WI-FI) REDES E SR1 ETER-FAETEC. Rio de Janeiro - RJ ETER-FAETEC
WIRELESS (WI-FI) REDES E SR1 Rio de Janeiro - RJ INTRODUÇÃO O termo wireless significa sem fio. Toda tecnologia de transmissão de dados que tem como característica a ausência de fios e cabos na transmissão
Sistemas de Comunicações sem Fio. Redes sem Fio
Sistemas de Comunicações sem Fio Redes sem Fio Histórico Comunicação entre computadores sem fio teve inicio no fim da década de 70 Laboratórios da IBM na Suíça: uso de infravermelho para não ter interferência
Minicurso: 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
Aprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
CC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Introdução à Robótica Móvel
Introdução à Robótica Móvel Aula 4 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Introdução Mckerrow, P. J. Introduction to Robotics. Addison Wesley,
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Aprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
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
Caracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Extração de Atributos para Reconhecimento de Expressões Faciais
Extração de Atributos para Reconhecimento de Expressões Faciais Vinícius Assis Saueia da Silva 1 1. Introdução Interação Homem-Computador é uma das áreas da computação que procuram fazer com que o ser
Classificação das redes sem fio
Classificação das redes sem fio Introdução As redes são classificadas de acordo com sua abrangência geográfica, isto é, pela distância em que podem operar. As redes cabeadas já possuem essa classificação
2. 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
SSC5887 SSC5887. Histórico. Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER. Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER
Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER Áreas de atuação: SSC5887 Introdução aos Sistemas Robóticos Denis Fernando Wolf 1º semestre 2010 Sistemas embarcados Computação reconfigurável
Implementação do controle PID e validação real utilizando a plataforma robótica RoboDeck
Implementação do controle PID e validação real utilizando a plataforma robótica RoboDeck Leandro Zanolla 1, Daniel Rodrigues de Sousa 1, Wagner Tanaka Botelho 1, Maria das Graças Bruno Marietto 2 e Renan
AVALIAÇÃO DE DESEMPENHO DO PROTOCOLO HWMP EM CENÁRIOS REAIS DE REDES MESH COM MÚLTIPLAS INTERFACES E MÚLTIPLOS CANAIS
AVALIAÇÃO DE DESEMPENHO DO PROTOCOLO HWMP EM CENÁRIOS REAIS DE REDES MESH COM MÚLTIPLAS INTERFACES E MÚLTIPLOS CANAIS Matheus Gurgel Ribeiro (1) ; Marcos Antônio da Costa da Silva Filho (1) ; Carina Teixeira
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
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Aprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Felix 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
Redes de Computadores I REDES AD HOC. Seminário Novas Tecnologias em Redes. Katharine Schaeffer Fertig Kristhine Schaeffer Fertig
Redes de Computadores I Seminário Novas Tecnologias em Redes REDES AD HOC Katharine Schaeffer Fertig Kristhine Schaeffer Fertig Introdução Ad Hoc: como o conceito é possível? Equipamentos poderosos, maior
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
JAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Redes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Implementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
6ª Jornada Científica e Tecnológica e 3º Simpósio de Pós-Graduação do IFSULDEMINAS 04 e 05 de novembro de 2014, Pouso Alegre/MG Implementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
Desenvolvimento de Aplicações Distribuídas
Aplicações Móveis Pontifícia Universidade Católica de Minas Gerais Instituto de Ciências Exatas e Informática DAD (2019/01) Tópicos Apresentação da disciplina Introdução Desafios e características Arquitetura
IP addresses and the port numbers of the components.
CURSO DE PROGRAMAÇÃO DE ROBÔS MÓVEIS USP - ICMC LRM: Laboratório de Robótica Móvel Profs. Denis Wolf, Eduardo Simões, Fernando Osório Alunos PG - Alberto Hata, Gustavo Pessin, Patrick Shinzato, Maurício
Data: 28/05/2010 8h as 12h. IP addresses and the port numbers of the components.
CURSO DE PROGRAMAÇÃO DE ROBÔS MÓVEIS USP - ICMC LRM: Laboratório de Robótica Móvel Profs. Denis Wolf, Eduardo Simões, Fernando Osório Alunos PG - Alberto Hata, Gustavo Pessin, Patrick Shinzato, Maurício
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Aprendizado de Máquina
Aprendizado de Máquina Aula #8.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã Conhecimento: abstração (modelo) das relações existentes entre as informações contidas nos
Definição Rede Computadores
Definição Rede Computadores Uma rede de computadores consiste na interconexão entre dois ou mais computadores e dispositivos complementares acoplados através de recursos de comunicação, geograficamente
SVM Support Vector Machine
SVM Support Vector Machine Ø Introduction Ø Application to Indoor Localization (MLP x LVQ x SVM) Laboratório de Automação e Robótica - A. Bauchspiess Soft Computing - Neural Networks and Fuzzy Logic SVM
17/05/2011. Histórico da Pesquisa em Robótica. Objetivos do curso. Calendário. Informações. Histórico
Objetivos do curso SSC5880 Algoritmos de Estimação para Robótica Móvel Estudo dos problemas fundamentais da robótica móvel Estudo da utilização de técnicas de estimação e de fusão de sensores aplicadas
serotonina (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)
CCNA 2 Conceitos Básicos de Roteadores e Roteamento
CCNA 2 Conceitos Básicos de Roteadores e Roteamento Capítulo 9 - Princípios Básicos de Solução de ProblemasP com Roteadores 1 Objetivos do Capítulo Aplicar e compreender os comandos: ping, telnet, show
UMA ARQUITETURA BASEADA EM COMPUTAÇÃO UBÍQUA PARA MONITORAMENTO DE INDIVÍDUOS EM AMBIENTES RESTRITOS
UMA ARQUITETURA BASEADA EM COMPUTAÇÃO UBÍQUA PARA MONITORAMENTO DE INDIVÍDUOS EM AMBIENTES RESTRITOS Pablo Lopes¹, Alan Tavares², Arthur Gorgônio³, Flavius Gorgônio ¹Estudante do Curso de Bacharelado de
Telecomunicações. Prof. MSc André Y. Kusumoto
Telecomunicações Prof. MSc André Y. Kusumoto andrekusumoto.unip@gmail.com Conceitos de Rede Sem Fio A comunicação sem fios é uma das tecnologias que mais tem crescido nos últimos anos. Atualmente, as LANs
Disciplina de Programação de Robôs Móveis SSC-0712
USP - ICMC - SSC LRM (Lab. de Robótica Móvel) SSC 0712 (PRM) - 1o. Semestre 2012 Disciplina de SSC-0712 1 Março 2012 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário
Estimativa de Posição 3D de Obstáculos para VANTs
Estimativa de Posição 3D de Obstáculos para VANTs Rodolfo Barros Chiaramonte, Kalinka Regina Lucas Jaquie Castelo Branco Institute of Mathematics and Computing Sciences (ICMC) University of São Paulo (USP),
Redes Neurais: RBF. 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: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Aprendizado por imitação usando Redes Neurais
Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Aprendizado por imitação usando Redes Neurais Aluna: Valéria de Carvalho Santos Profª. Dra. Roseli A. F. Romero 2 Sumário Introdução
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
Processo de Descoberta de Conhecimento aplicado ao SIGAA UFPI
Processo de Descoberta de Conhecimento aplicado ao SIGAA UFPI Francisco N. C. de Araújo 1, Vinicius P. Machado 1 1 Departamento de Ciência da Computação Universidade Federal do Piauí (UFPI) Teresina, PI
AULA 03: PROCESSAMENTO PARALELO: MULTIPROCESSADORES
ORGANIZAÇÃO E ARQUITETURA DE COMPUTADORES II AULA 03: PROCESSAMENTO PARALELO: MULTIPROCESSADORES Prof. Max Santana Rolemberg Farias max.santana@univasf.edu.br Colegiado de Engenharia de Computação MULTIPROCESSADORES
Disciplina de. Programação de Robôs Móveis SSC-0712
USP - ICMC - SSC LRM (Lab. de Robótica Móvel) SSC 0712 (PRM) - 1o. Semestre 2014 Disciplina de SSC-0712 1 Fev. 2014 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário
POSICIONAMENTO EM AMBIENTES INTERNOS COM DISPOSITIVOS WI-FI DE BAIXO CUSTO
2017 International Nuclear Atlantic Conference - INAC 2017 Belo Horizonte, MG, Brazil, October 22-27, 2017 ASSOCIAÇÃO BRASILEIRA DE ENERGIA NUCLEAR ABEN POSICIONAMENTO EM AMBIENTES INTERNOS COM DISPOSITIVOS
Implementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes
Implementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes Luciana Kayo e Paulo Mei Prof. Dr. Marco Dimas Gubitoso Introdução Inspiração na competição When Bag of Words
4 Construção dos Classificadores
4 Construção dos Classificadores 4.1. Modelagem O aprendizado supervisionado contém a etapa de modelagem, nessa etapa definimos quais serão as características encaminhadas ao classificador para o treinamento.
Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani O que é Machine Learning? Estatística Machine Learning
II Workshop do Projeto ReVir Tarefa T 5 : Seleção de Redes Virtuais com Base em SLAs
II Workshop do Projeto ReVir Tarefa T 5 : Seleção de Redes Virtuais com Base em SLAs Rafael Lopes Gomes Edmundo M. R. Madeira Nelson L. S. da Fonseca Laboratório de Redes de Computadores - LRC Instituto
Echo State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Fundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução