ALGORITMOS PARA RECONHECIMENTO DE PADRÕES
|
|
- Davi Casado Miranda
- 6 Há anos
- Visualizações:
Transcrição
1 ALGORITMOS PARA RECONHECIMENTO DE PADRÕES ARMANDO ANTONIO MONTEIRO DE CASTRO PEDRO PAULO LEITE DO PRADO Departamento de Engenhara Elétrca Unversdade de Taubaté RESUMO O obetvo prncpal desse trabalho fo o desenvolvmento de algortmos para sstemas de reconhecmento de padrões com ênfase em técncas de agrupamento. Incalmente são apresentados os concetos báscos sobre reconhecmento de padrões e, a segur, desenvolve-se uma vsão sstêmca do problema, dscutndo as fases e métodos de abordagem de proeto do reconhecmento de padrões. Fnalmente, apresenta os algortmos comumente usados para técncas de busca e agrupamento, aplcando alguns exemplos para lustrar seus passos e desenvolvmento. Os algortmos analsados e mplementados foram: Smlardade Máxma, MaxMn- Dstânca, K-Means e ISODATA. O obetvo proposto ncalmente fo alcançado, ou sea, foram desenvolvdos com êxto os algortmos Smlardade Máxma, MaxMn-Dstânca, K-Means e ISODATA. Os exemplos desenvolveram-se de manera a apresentar de forma ddátca a mplementação dos algortmos nas amostras de padrão determnadas para cada caso. A medda de smlardade adotada para comparação de padrões fo a dstânca eucldana. Os algortmos foram escrtos em lnguagem C++ e MatLab. Procurando tornar mas amgável o acompanhamento dos algortmos mplementados e a apresentação dos resultados, fo desenvolvda uma nterface gráfca, utlsando-se o software MatLab. PALAVRAS-CHAVE: reconhecmento de padrões, algortmos, agrupamento, smlardade máxma, maxmndstânca, k-means, sodata. INTRODUÇÃO O reconhecmento de padrões é uma habldade extremamente desenvolvda nos seres humanos e em alguns anmas. O ser humano é hábl em reconhecer rostos, vozes, calgrafas e, até mesmo, estados de humor de pessoas conhecdas. Alguns anmas também têm essa característca desenvolvda, tas como os cães fareadores, que vasculham bagagens em termnas de desembarque em busca de drogas. O grau de refnamento do reconhecmento de padrões, por parte do ser humano, pode chegar a ponto de dstngur uma pntura de um grande mestre daquela feta por um exímo falsáro ou, anda mas, pode estabelecer uma tomada de decsão por parte de um operador em um da de grande movmento em uma bolsa de valores. Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
2 30 Assm sendo, pode-se dzer que padrões são os meos pelos quas o mundo é nterpretado e, a partr dessa nterpretação, elaboram-se attudes e decsões. Percebe-se, também, que nos exemplos ctados, tal facldade no reconhecmento de padrões está dretamente vnculada aos estímulos aos quas o ndvíduo fo exposto anterormente. Isso leva a supor que a estrutura seleconada pela evolução bológca para desempenhar bem a tarefa de reconhecmento de padrões ncorpora alguma forma de aprendzado e evolu com a experênca. O grande desafo proposto neste nco de século é o de desenvolver máqunas que tenham tas comportamentos. Tarefas de reconhecmento de voz, de calgrafas e de textos mpressos usando caracteres de tpos dstntos estão em fase avançada de desenvolvmento, mas muto anda precsa ser feto para que seu desempenho se assemelhe ao do ser humano. Algumas áreas que poderam ser destacadas na aplcação do reconhecmento de padrões são: dentfcação através de mpressões dgtas e análse da írs, dagnóstcos médcos (Stener, 995), análse de magens aeroespacas, vsão computaconal (Perelmuter et al., 995), dagnóstcos pré e pós-natal e certos dagnóstcos de câncer ( Aguar, 000), reconhecmento de voz,(ferrera,994) nvestgação da qualdade do papel ndustral (Stener, 995), processamento de magens, análse de peças para manutenção preventva, análse de caracteres manuscrtos (Prado, 975), análse de eletrocardogramas, snas de radar, (Mascarenhas,987) reconhecmento e dentfcação de cromossomos(todesco, 995) dentre outras. CONCEITOS BÁSICOS EM RECONHECIMENTO DE PADRÕES O estudo do reconhecmento de padrões pode ser dvddo em duas categoras báscas: (Tou e Gonzales, 98).o estudo de seres humanos e organsmos vvos com o obetvo de se estabelecer os modos pelos quas os mesmos desenvolvem e aprmoram suas capacdades de reconhecmento de padrões e o desenvolvmento de teoras e técncas obetvando a construção de máqunas ou dspostvos capazes de apresentar característcas semelhantes às dos seres humanos em reconhecerem padrões. O presente trabalho desenvolve-se abordando a segunda categora. Padrão e Classe Entende-se por padrão as propredades que possbltam o agrupamento de obetos semelhantes dentro de uma determnada classe ou categora, medante a nterpretação de dados de entrada, que permtam a extração das característcas relevantes desses obetos, (Tou e Gonzáles, 98). Entende-se por classe de um padrão um conunto de atrbutos comuns aos Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
3 3 obetos de estudo. Assm, reconhecmento de padrões pode ser defndo como sendo um procedmento em que se busca a dentfcação de certas estruturas nos dados de entrada em comparação a estruturas conhecdas e sua posteror classfcação dentro de categoras, de modo que o grau de assocação sea maor entre estruturas de mesma categora e menor entre as categoras de estruturas dferentes. Os dados de entrada são meddos por sensores e seleconados segundo o conteúdo de nformações relevantes para a decsão, e passam por um processo de redução de sua dmensonaldade para que possam ser usados pelo classfcador, que o desgnará à classe que melhor o represente. Fases do Reconhecmento de Padrões Um sstema para reconhecmento de padrões engloba três grandes etapas: representação dos dados de entrada e sua mensuração, extração das característcas e fnalmente dentfcação e classfcação do obeto em estudo. A prmera etapa refere-se à representação dos dados de entrada que podem ser mensurados a partr do obeto a ser estudado. Essa mensuração deverá descrever padrões característcos do obeto, possbltando a sua posteror classfcação numa determnada classe. O vetor que caracterza perfetamente um obeto sera de dmensonaldade nfnta, descrto por um vetor X: x x x3 X =... x N onde: x, x, x 3,...,x N são suas característcas. A segunda etapa consste na extração de característcas ntrínsecas e atrbutos do obeto e conseqüente redução da dmensonaldade do vetor padrão. É a fase da extração das característcas. A escolha das característcas é de fundamental mportânca para um bom desempenho do classfcador. Esta escolha é feta obetvando os fenômenos que se pretende classfcar. Exge-se, portanto, um conhecmento específco sobre o problema em estudo. Nesta etapa, os obetvos báscos são: a redução da dmensonaldade do vetor característco, sem que sso mplque em perda de nformação que possa ser relevante para a classfcação, obetvando a redução do esforço computaconal e a seleção das característcas sgnfcatvas para a tarefa de classfcação. A tercera etapa em reconhecmento de padrões envolve a determnação de procedmentos que possbltem a dentfcação e classfcação do obeto em uma classe de obetos. De modo dferente da segunda etapa, aqu a concepção do Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
4 3 classfcador pode ser abordada de forma abstrata e ndependente da natureza do problema, pos, os métodos usados em reconhecmento de voz, análse de magens, processamento de snas de radar, nspeção de materas, vsão por computador ou detecção de avaras são mutas vezes os mesmos, possbltando a aplcação dessas técncas em contextos varados, sem perda de sua efcênca (Marques, 999). Num sstema físco qualquer exste um número nfnto de característcas que defnem os padrões nele exstentes. O Extrator de Característcas tem como função determnar e extrar as característcas mas sgnfcatvas que contrbuam para a descrção do obeto, dentre as nfntas característcas que possam descrevê-lo. Outro dado relevante é que o extrator de característcas vara com o sstema a ser analsado. A tabela exemplfca váras tarefas de classfcação, propostas por um sstema de reconhecmento de padrões, com seus dados de entrada e respectvos dados de saída: Tabela : Exemplos de tarefas de classfcação Tarefas de Classfcação Dados de Entrada Dados de Saída Reconhecmento de caracteres Snas óptcos Nome do caractere Reconhecmento de Voz Voz Identfcação da palavra Dagnóstcos Médcos Sntomas Identfcação da Patologa Prevsão do tempo Mapas atmosfércos Chuva, Sol etc. Uma vez extraídas as característcas é necessára a classfcação do obeto. Esta classfcação pressupõe a desgnação do obeto à uma determnada classe, dentre as váras que se apresentam. Nesta etapa o classfcador aprende a dstngur dentre as classes, aquela à qual o obeto pertence. Padrões de uma mesma classe aglomeram-se em agrupamentos S. Se o trenamento do classfcador exgr amplo conhecmento a pror da estrutura estatístca dos padrões a serem analsados e o padrão de entrada for dentfcado como membro de uma Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
5 33 classe pré-defnda pelos padrões de trenamento, o classfcador será chamado de Classfcador Paramétrco e a classfcação se processa de forma supervsonada. Por outro lado, se o classfcador utlzar determnado modelo estatístco, austando-se medante processos adaptatvos e a assocação entre padrões se fzer com base em smlardades entre os padrões de trenamento, o classfcador será chamado de Classfcador Não- Paramétrco e a classfcação se processará de forma não supervsonada. A grande dfculdade na mplementação de um proeto de reconhecmento de padrões está ustamente na escolha da técnca adequada para que as fases do reconhecmento de padrões ocorram de modo a representar satsfatoramente os fenômenos do mundo real. A fgura lustra, de forma mas detalhada, as dversas fases do reconhecmento de padrões. - Medda de um vetor padrão - vetor de entrada - x : ponto do espaço n-dmensonal - Característcas com poder de dscrmnação entre classes - Procedmentos de decsão - Geração de funções de decsão arbtraramente defndas ou estmadas, "otmzadas" por trenamento e aprendzagem Representação dos Dados de Entrada Extração das Característcas Prncpas Categorzação (dentfcação) e Classfcação Classe de Padrão Dados de Entrada (Obetos) Meddas x Vetor de "features" Estmação Trenamento Aprendzado Análse Contextual Fgura : Fases do Reconhecmento de Padrões Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
6 34 Formas de Abordagens de Proeto de Reconhecmento de Padrões As abordagens de proeto de reconhecmento de padrões são desenvolvdas em função da forma como as classes de padrão são categorzadas ou defndas. Bascamente são três as abordagens de proeto: rol de membros ( template matchng ), propredades comuns ( feature matchng ) e agrupamento ( clusterng matchng ). Rol de Membros ( Template Matchng ) A caracterzação de padrões medante uma lsta de padrões faz-se através de comparações com um modelo prevamente armazenado cuas característcas servem de parâmetro para a comparação. Evdentemente, é um procedmento bastante elementar, podendo, em certos casos, acarretar classfcações nadequadas em função de certos ruídos durante o processo de extração das característcas e posteror comparação com o padrão armazenado. Como exemplo de ruídos, em reconhecmento de caracteres, pode-se ctar a mpressão de um caracter mal delneado ou então uma maor ou menor porosdade do papel em que fo mpresso, ocasonando concentração ou dspersão da tnta. É útl nas aplcações em que os padrões a serem comparados são bastante próxmos do modelo padrão. A fgura lustra a abordagem de proeto medante a aplcação do conceto Rol de Membros. Padrão X Lsta de Padrões Armazenados X =,,..., n = + = X X = N S X S Fgura : Abordagem do Rol de Membros ( template matchng ) Propredades Comuns ( Feature Matchng ) A caracterzação de padrões por propredades comuns efetva-se medante algumas característcas prncpas nerentes aos elementos desta classe. Padrões pertencentes a uma mesma classe possurão propredades comuns de dscrmnação dessa classe. Desta forma, quando um padrão desconhecdo é observado pelo sstema, suas característcas são extraídas e comparadas com aquelas armazenadas como dscrmnantes das classes. O classfcador então, classfcará este novo padrão em uma das classes exstentes ou então desgnará o obeto a uma nova classe. O prncpal aspecto desta abordagem refere-se ao extrator das característcas do sstema, pos, dele dependerá o Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
7 35 bom desempenho do reconhecmento de padrões. Se todas as característcas de um padrão de classe são determnadas a partr de uma amostra, o processo de reconhecmento reduz-se smplesmente a estabelecer comparações com os novos obetos submetdos para análse. É extremamente dfícl, porém, determnar completamente todas as característcas determnantes de uma classe de padrão. A utlzação deste conceto mplca freqüente desenvolvmento de técncas que permtam aperfeçoar e otmzar a extração das característcas dos obetos em estudo. Agrupamento ( Clusterng Matchng ) Quando os padrões de uma classe são vetores cuos componentes são números reas, a classe do padrão pode ser estabelecda segundo formas do agrupamento, clusters, desses pontos no plano. Havendo uma separação entre os pontos de forma clara, técncas smples podem ser empregadas, tal como, dstânca-mínma. Caso haa superposção entre os clusters, técncas mas elaboradas são necessáras, tas como, classfcação por funções smlares (métodos estatístcos), por trenamento de padrão (métodos determnístcos) ou outros algortmos mas adequados. Métodos de Reconhecmento de Padrões As abordagens de proeto apresentadas anterormente são mplementadas através de três métodos de reconhecmento de padrões: métodos matemátcos, métodos lngüístcos ou sntátcos e métodos heurístcos. Não é raro o emprego de uma combnação dos métodos acma ctados para que se efetve o reconhecmento de padrões (Tou e Gonzales, 98). Métodos Matemátcos Os métodos matemátcos utlzam regras de classfcação que são formuladas a partr de modelagem matemátca dos concetos de propredades prncpas e agrupamento. São subdvddos em duas categoras prncpas: métodos determnístcos e métodos estatístcos. O classfcador de padrões estatístco basea-se na Regra de Classfcação de Bayes, empregada quando a função densdade de probabldade das classes de padrão e a probabldade de ocorrênca de cada classe de padrão são conhecdas. Assm, a prncpal tarefa para a utlzação da classfcação estatístca é a estmação paramétrca das funções densdade de probabldade ou, se necessáro, aproxmação funconal dessas densdades de probabldade. Se forem conhecdas apenas a méda e a varânca das dstrbuções, a função gaussana será utlzada. Os métodos Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
8 36 determnístcos têm formulação smplesmente matemátca. Métodos Lngüístcos ou Sntátcos A abordagem de proeto é a de propredades comuns, feature matchng. Basea-se na caracterzação de padrões por meo de uma estrutura herárquca de elementos prmtvos (sub-padrões) e suas relações. Desenvolve-se de forma semelhante à estrutura sntátca de lnguagens. É partcularmente útl para padrões que não podem ser descrtos convenentemente através de meddas numércas, ou então, são tão complexos que suas característcas específcas não podem ser enuncadas, transformando-se então, em característcas globas. Métodos Heurístcos Baseam-se em procedmentos ad hoc para tarefas especalzadas de reconhecmento de padrões. Levam em consderação a ntução e experênca do programador em utlzar o conceto de rol de membros e propredades comuns. Embora a abordagem heurístca sea um mportante método no reconhecmento de padrões, pouco pode ser dto sobre prncípos generalzados nesta área, vsto que cada problema requer a aplcação de regras especfcas e elaboradas para tal fm. Por consegunte, o desempenho de um sstema de reconhecmento de padrões baseado neste método dependerá de profundo conhecmento e ntução do elaborador do proeto. Reconhecmento de Padrões Quanto à Supervsão Reconhecmento de Padrões Supervsonado Padrões representatvos de cada classe estão dsponíves e o sstema é ensnado a reconhecer padrões por meo de esquemas de adaptação. Consste, pos, na dsponbldade de padrões de trenamento e de um procedmento de aprendzado. Exemplos de algortmos utlzados no reconhecmento supervsonado são: perceptron, gradente, erro quadrátco mínmo, funções potencas, etc. Reconhecmento de Padrões Não- Supervsonado São dsponíves apenas padrões de trenamento de classfcação desconhecda. O reconhecmento de padrões de forma nãosupervsonada é empregado quando não exste nformação a pror acerca das classes dos protótpos. Os métodos para assocar um dado agrupamento a cada padrão seguem algum crtéro de smlardade e são dependentes do algortmo Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
9 37 empregado, dos dados utlzados e da medda de smlardade adotada. ALGORITMOS DE BUSCA E AGRUPAMENTO As técncas de busca de agrupamento são empregadas quando os padrões das classes são números reas que se agrupam no espaço n- dmensonal. São utlzados como ponto ncal para o reconhecmento de padrões nãosupervsonado em cuo caso os padrões das classes são conhecdos a pror. Os centros dos agrupamentos obtdos por essa técnca podem ser nterpretados como os dferentes padrões de classe, através das quas o trenamento pode ser realzado. - Seam M os agrupamentos de padrões de classes, representados pelos protótpos de padrão Z, Z, Z 3...Z M. - A dstânca Eucldana entre padrões quasquer x e cada protótpo Z será dada por: D = x Z = x Z )'( x Z ) (3..) ( onde x Z )' sgnfca a transposta de x Z ). ( ( A classfcação por smlardade máxma estabelece a dstânca entre um padrão x de classfcação desconhecda em relação ao protótpo de cada classe e nomea o padrão à classe que está mas próxmo. Em outras palavras, x será desgnado para a classe w se: Classfcação de Padrões Baseado em Smlardade Máxma. A classfcação por dstânca de funções é um dos prmeros concetos em reconhecmento automátco de padrões (Tou e Gonzáles, 98). Esta técnca é uma ferramenta efetva para a solução de problemas em que cada padrão de classe apresenta de modo claro, lmtado grau de varabldade, por exemplo, a dentfcação de caracteres mpressos com tnta magnétca em códgos de barra. Sob estas condções, smlardade máxma consttu uma abordagem adequada para o problema de classfcação. como: Sendo D < D, A equação (3..) pode ser desenvolvda D = x Z = ( x Z )'( x Z ) = x '. x x' Z Z' x + Z' x' Z = Z' D x, resulta: = x' x x' Z + Z' = x' x [ x' Z Z' Z ] (3..) Z Z Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
10 38 Escolher o menor D é equvalente a escolher o menor D, pos todas as dstâncas são postvas. De (3..) tem-se que o termo ndepende de para todo D, =,,...,M. Assm escolher o menor escolher o máxmo D x ' x é, corresponde pos, [ x ' Z Z' Z ]. Defne-se assm a função de decsão ' d ( x) = x' Z Z Z, =,,...,M (3..3) d (x) : onde o padrão x é desgnado para a classe W se d ( x) > d ( x) Sendo. uma função de decsão lnear, sto é, se Z, =,,3,..., n, são os componentes de =,,3,...,n. w, n (x) d Z e W = Z, onde ' + = ZZ (3..4) x x x = M x n podendo-se representar a equação (3..3) na forma lnear d ( x) = w' x, com =,,3,..., M (3..5) onde: W w, w,..., w )'. = (, n+ Classfcação por Lmar Smples - Threshold Algorthm O algortmo Lmar Smples tem uma concetuação bastante smples. Arbtraramente é escolhda uma das amostras de padrão, dsponíves para análse, para ser o prmero centróde de classe Z. A segur, são calculadas as dstâncas entre o centróde Z e cada e uma das amostras. Se essas dstâncas forem menores que um lmar T, prevamente estabelecdo, a amostra é desgnada à classe S de centróde Z. Caso alguma dstânca sea maor que o lmar T, novo centróde de classe é determnado e novamente são calculadas e comparadas as dstâncas entre centródes e amostras com o lmar T. Algumas característcas desse algortmo merecem especal atenção. A escolha do centróde ncal, protótpo de classe, pode afetar de manera sgnfcatva a classfcação das amostras. Seu desempenho pode ser melhorado se os valores para o lmar T adotados forem próxmos aos centródes de agrupamento. O valor arbtrado para o lmar T afeta a alocação dos padrões às classes de agrupamento. Caso esse valor sea muto grande, dstntas amostras de padrão podem agrupar-se em uma mesma classe. Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
11 39 Por outro lado, se o valor adotado for muto pequeno as amostras constturão númeras classes cuos padrões podem ter mesmas característcas. Em ambos os casos, tem-se a descaracterzação da análse efetuada. A escolha do melhor valor para o lmar T dependerá de análse da dsposção das amostras, da quantdade de amostras e de expermentações com város valores (Feucht, 977). Algortmo Maxmn-Dstânca O algortmo Maxmn-Dstânca é um procedmento heurístco baseado no conceto de medda de smlardade, por exemplo, a dstânca eucldana. O algortmo é smlar, em prncípo, ao apresentado no tem 3., dferndo deste por dentfcar ncalmente as amostras mas afastadas entre s. 3.4 Algortmo K-Means O algortmo k-means basea-se na mnmzação de uma medda de custo, a dstânca nterna entre os padrões de um agrupamento. A mnmzação do custo garante encontrar um mínmo local da função obetvo, que dependerá do ponto ncal do algortmo. Esse tpo de algortmo é chamado de não-convexo, pos, a cada teração dmnu o valor da dstorção, vsto que o resultado fnal depende do ponto ncal usado pelo algortmo. Uma dervação do algortmo k-means, com heurístcas para dvsão e unão de clusters, é o algortmo ISODATA, que é o algortmo k-means modfcado. Apesar dessas característcas, o ISODATA também não é convexo e varante, ou sea, enfrenta problemas quando se depara com mínmos locas, durante a mnmzação do custo (Aguar, 000). Observese que: dado um conunto S, dstorção é qualquer aplcação d: S X S que assoca cada par de elemento de S a um número real que traduz o afastamento entre esses elementos (Marques, 999). O Algortmo + R 0 I. Incalzação: Seleconar arbtraramente os k centros ncas de agrupamentos (centródes), Z, Z,..., Z k. II. Determnar a dstânca, com =,,...,k, entre cada centróde e os demas padrões. A desgnação dos padrões às classes de padrão se fará, no caso da dstânca eucldana, quando as amostras x de padrão atenderem à relação: x Z ( k) < x Z ( k) =,,..., k e. A expressão, com x Z defne a dstânca Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
12 40 os eucldana entre os padrões, (amostras) e centródes. Formam-se k agrupamentos (cluster), compostos pelos elementos x pertencentes à classe S ( k) = { x, x,...} III Atualzar os centros de agrupamento a partr do passo, usando a relação: Z ( k + ) = x, onde N é numero de N x S elementos de S.. Esta atualzação mnmza a soma do quadrado das dstâncas de cada padrão do agrupamento ao novo centro de agrupamento. O comportamento do algortmo k-means apresenta vantagens no que concerne a smplcdade e efcênca. É rápdo para cálculos smples, possbltando o processamento seqüencal dos dados, acarretando baxa quantdade de armazenamento de nformações a serem processadas. A desvantagem é a sua dependênca dos valores ncas de k, da ordem em que as amostras são processadas, da escolha dos prmeros centros de agrupamento e da geometra das amostras dsponíves para análse. Em alguns casos sua utlzação requer expermentação com város valores de k e dferentes escolhas dos parâmetros ncas(duda, 974). Algortmo ISODATA e IV Comparar os centródes centróde Z ( k + ) com o Z (k). Se Z ( k +) Z ( k) então novos centródes fcam determnados repete-se o passo com de Z ( k + ) Z (k), defnndo assm os novos elementos de cada classe. Se no lugar Z ( k +) Z ( k) o algortmo converge e o = procedmento está termnado, com a desgnação de cada padrão á sua respectva classe de padrões. O algortmo ISODATA, Iteratve Self- Organzng Data Analyss Technques, é um algortmo semelhante, em prncípo, ao algortmo k-means. Desenvolve-se baseado em crtéros de mnmzação e aplcação de métodos heurístcos em um procedmento teratvo para determnação de centródes de classes de padrões. Seu desenvolvmento segue os seguntes passos:. Incalzação: Seleconar de forma arbtrára os centros de agrupamento Z, Z,...,. Nc. O número de Z Nc centros de agrupamentos arbtrado, Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
13 4 necessaramente, não precsa ser gual ao número fnal de centródes obtdos após o térmno do algortmo.. Estabelecer os valores dos parâmetros ncas: K = Número de agrupamentos (clusters) deseado θ N = Parâmetro mínmo de amostras permtdo por classe, usado na elmnação de agrupamentos θ S = Parâmetro a ser comparado com o desvo padrão, usado na dvsão de agrupamento θ C= Parâmetro de agrupamento, usado para agregar agrupamentos L = Número máxmo de amostras que podem untar-se a uma classe durante o desenvolvmento do algortmo. I = Número máxmo de terações permtdas. 3. Desgnação das amostras de padrões aos centros de agrupamento mas próxmo, usando a relação: x S se =,,..., Nc x - Z <, x Z com 4. Descartar os conuntos de padrões S que não apresentarem quantdade mínma de amostras ou sea, para as classes S em que N < θn, descartar S e reduzr o número de classes em uma undade, N C = N C. 5. Atualzar os centros de agrupamento Z usando a relação: Z = x, =,,,..., N c onde N N x S é o número de amostras presentes nas respectvas classes. 6. Calcular a dspersão D, dstânca D méda de cada amostra x, da classe S, ao centro de agrupamento Z correspondente, usando a relação: = N x S x Z, =,,..., N 7. Calcular a dspersão global D, espalhamento mesma dstânca méda global entre amostras e respectvo centróde, usando: D = N Nc = N D onde: N é a quantdade de amostras dsponíves para análse e N é a quantdade de amostras presentes na classe S. D fornece o entre mostras de padrão de uma classe, usado como parâmetro na c Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
14 4 dvsão de classes. Z = -ésmo componente de Z 8. Termnar, dvdr ou reagrupar: a) se for a últma teração, fazer θ C b) Se = 0 e r para o passo. k N c, r para o passo 9 (quantdade de centródes menor que o esperado, buscar dvsão de classes). c) Se for uma teração par ou N c k r para o passo (quantdade de centródes acma do esperado, buscar agrupamento de classes), caso contráro contnue 9. Calcular o vetor desvo padrão σ para cada amostra de padrão em relação aos exos coordenados, σ = ( σ, σ,..., σn )', usando a relação σ = N x S ( x Z ) =,,...n ; =,,..., Nc ; k =,,..., N onde: n = Dmensonaldade da amostra x k = -ésmo componente da k-ésma amostra em S k classe S N = número de amostras da Cada componente de σ representa o desvo padrão das amostras em longo do prncpal exo coordenado. S 0. Calcular o componente máxmo da dspersão σ e denotá-lo, =,,...,N c, σ máx. Dvsão: Se para algum, σ máx =,,...,N c, tem-se σ > θ máx S e: a) D > D e N > ( θn + ) ou b) N k c ao Dvdr a classe S, de centro em Z, em duas outras classes cuos centros serão dados por + e Z função de γ, com γ = κσ máx e ncrementando N C de undade. Z, obtdos em 0 κ, elmnando-se Z e < Assm, tem-se: Z = f( Z, γ ). + Z = f( Z, γ ) e Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
15 43 Ocorrendo a dvsão vá para o passo 3, caso contráro contnue.. Calcular os pares de dstâncas D entre os centros de agrupamentos, D = Z Z = +,..., Nc ; =,,..., Nc e, e comparar D com θ N. Reordenar as L menores dstâncas que, ( D c θ N < θ ), em ordem crescente: [ D D,..., D ], LL D < D <., D LL onde e L é o número máxmo de classes que podem se agrupar. 3. Unão dos Agrupamentos: para cada dstânca D ll é assocado um par de agrupamentos de centros Z e. Incar o agrupamento com a menor dessas dstâncas. Para l =,,...,L, unr as duas classes usando a relação: Z l Z l = [ N l (Zl ) N l (Z l )], N + N * l + l l descartando Zl e Z l e reduzndo N C de uma undade. 4. Termnar ou repetr: a) Se for a últma teração, o algortmo segue para o passo 5. b) Se não for últma teração, pode ser necessára a troca de alguns dos parâmetros ncas, o algortmo segue para o passo. c) Se não for últma teração e não houver necessdade de alteração nos parâmetros ncas. O algortmo segue para o passo 3. Observe-se que uma teração é consderada cada vez que o algortmo retorna ao passo ou O algortmo está encerrado, com a desgnação dos padrões às respectvas classes de padrão. RESULTADOS E CONCLUSÕES O obetvo prncpal proposto ncalmente fo alcançado, ou sea, foram desenvolvdos com êxto os algortmos para sstemas de reconhecmento de padrões, com ênfase em técncas de agrupamento, Smlardade Máxma, MaxMn-Dstânca, K-Means e ISODATA. Os exemplos desenvolveram-se de manera a apresentar de forma ddátca a mplementação dos algortmos nas amostras de padrão determnadas para cada caso. Foram escolhdas amostras com vetor de característcas bdmensonal dada a maor facldade de vsualzação dos resultados obtdos Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
16 44 após a mplementação dos algortmos. A medda de smlardade adotada para comparação de padrões fo a dstânca eucldana dada por D = x Z = ( x Z )'( x Z ) onde x Z )' sgnfca a transposta de x Z ). ( ( Os algortmos foram escrtos em lnguagem C++(Borland C++ for Wndows, V5.0). Obetvando uma forma mas amgável de apresentação dos resultados dos algortmos, fo desenvolvda uma nterface gráfca, (Castro, 00) usando-se o software Matlab, em sua versão 5.3, para o algortmo K-Means. Os exemplos apresentados foram lmtados ao espaço bdmensonal, obetvando lustrar de forma ddátca os fundamentos teórcos desenvolvdos e tornar possível seu desenvolvmento passo a passo, embora, usualmente, as tarefas de reconhecmento de padrões contemplem varáves n-dmensonas, n 3. ABSTRACT Ths work ams at developng algorthms for pattern recognton, manly on clusterng technques. Intally, the basc concepts of pattern recognton are presented. Then, a systemc vson of the problem s developed, wth the dscusson of the approaches for the proect of pattern recognton. Fnally, the followng algorthms for cluster-seekng are mplemented: Maxmm Smlarty, Maxmn-Dstance, K-Means and ISODATA. An user-frendly nterface helps to present the programs, wrtten n C++ and n Matlab. KEY WORDS: pattern recognton, algorthms, clusterng, maxmm smlarty, maxmndstance, k-means, sodata. REFERÊNCIAS BIBLIOGRÁFICAS Aguar, R. G. Segmentação de Imagens em Cores de Hmunohstoquímca. Dssertação de Mestrado. Unversdade Federal de São Carlos, 000. Castro,A.A.M. Algortmos Para Reconhecmento de Padrões. Dssertação de Mestrado, Unversdade de Taubaté, 00. Duda, R. O., Hart, P. E. Pattern Classfcaton and Scene Analyss. Wley -Interscence, New York Ferrera, M. F. O Reconhecmento de Padrões. Dssertação de Mestrado. Unversdade de Brasíla, 994. Feucht, D. Pattern Recognton, Basc Concepts and Implementatons. Computer Desgn, 977. Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
17 45 Marques, J,S. Reconhecmento de Padrões Métodos Estatístcos e Neuronas. IST Press, Portugal 999. Mascarenhas, N. D. A. Breve Introdução ao Reconhecmento Estatístco de Padrões. 39ª Reunão Anual da SBPC Perelmuter, G., Carrera, E. V., Vellasco, M., Pacheco, A. Reconhecmento de Imagens Bdmensonas Utlzando Redes Neuras Artfcas. Anas do VII SIBGRAPI, p , 995. Prado, A. Jr., Elfes, A. Um Proeto em Reconhecmento de Padrões de Forma. Monografa de Graduação, ITA, São José dos Campos, SP, 975. Stener, M. T. A. Uma Metodologa para o Reconhecmento de Padrões Multvarados com Resposta Dcotômca. Tese de Doutorado. Floranópols-SC, 995. Todesco, J. L. Reconhecmento de Padrões usando Rede Neuronal Artfcal com uma Função de Base Radal: uma aplcação na classfcação de cromossomos humanos. Tese de Doutorado. Floranópols-SC, 995. Tou, J. T., Gonzalez, R. C. Pattern Recognton Prncples. Addson-Wesley Publshng Company, Massachusetts, 98. Rev. Cênc. Exatas, Taubaté, v. 5-8, p. 9-45,
Aprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
Leia maisBreve Introdução aos Modelos Pontuais de Distribuição em Visão por Computador
Relatóro Interno Breve Introdução aos Modelos Pontuas de Dstrbução em Vsão por Computador Mara João Vasconcelos Aluna de Mestrado em Estatístca Aplcada e Modelação Unversdade do Porto, Faculdade de Engenhara
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisAprendizado Competitivo e Auto-Organizado
5945851-1 Pscologa Conexonsta Antono Roque Aula 9 Aprendzado Compettvo e Auto-Organzado Uma característca mportante das redes neuras é a sua capacdade de aprender a partr de estímulos fornecdos pelo meo-ambente.
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisCLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, 41.540-830, Salvador, BA, Brasl eldman.nunes@gmal.com
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisIdentificação de curvas de carga diária típicas com uso de Mapa de Kohonen e Fuzzy C-Means
Identfcação de curvas de carga dára típcas com uso de Mapa de Kohonen e Fuzzy C-Means Nelson R. de Albuquerque, Douglas A. A. de Faras Pontfíca Unversdade Católca do Ro de Janero Departamento de Engenhara
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisCAPITULO II - FORMULAÇAO MATEMATICA
CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisEletromagnetismo. Distribuição de grandezas físicas: conceitos gerais
Eletromagnetsmo Dstrbução de grandezas físcas: concetos geras Eletromagnetsmo» Dstrbução de grandezas físcas: concetos geras 1 Introdução Pode-se caracterzar um problema típco do eletromagnetsmo como o
Leia mais4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES
4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento
Leia mais1.INTRODUÇÃO. na superfície terrestre, sem que seja necessário o contato físico com eles, com o intuito de
1.INTRODUÇÃO 1.1 Concetos Báscos Sensoramento remoto pode ser entenddo como a tecnologa que permte a captação, armazenamento e nterpretação de nformações sobre característcas de objetos na superfíce terrestre,
Leia maisAVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT
AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO Rodrgo Mkosz Gonçalves John Alejandro Ferro Sanhueza Elmo Leonardo Xaver Tanajura Dulana Leandro Unversdade Federal do Paraná - UFPR
Leia mais4 Análise de confiabilidade de estruturas
4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia maisFiltros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.
1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisMODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES
MODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES MEZA, Rafael Argüello, estudante de graduação, CEFET-PR, 2005 Centro Federal de Educação Tecnológca do Paraná
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisUm estudo sobre algoritmos adaptativos de segmentação de background para sistemas de vigilância
Um estudo sobre algortmos adaptatvos de segmentação de background para sstemas de vglânca Leonardo Ronald Pern Rauta, Anta Mara da Rocha Fernandes Laboratóro de Intelgênca Aplcada Unversdade do Vale do
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia maisALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO
ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 05/0/013 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia maisCAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA
CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia mais3.2. Solução livre de ciclos e solução como uma árvore geradora
Smplex Para Redes.. Noções Incas O algortmo Smplex para Redes pode ser entenddo como uma especalzação do método Smplex para aplcação em problemas de programação lnear do tpo fluxo de custo mínmo. O Smplex
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia mais3 Algoritmo de Busca Tabu
3 Algortmo de Busca Tabu 3.1 Introdução A forma básca do algortmo de Busca Tabu está fundamentada nas déas propostas em [Glover Laguna, 1997] e é baseado em procedmentos heurístcos que permtem explorar
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisESCOAMENTO TRIFÁSICO NÃO-ISOTÉRMICO EM DUTO VERTICAL COM VAZAMENTO VIA CFX: ANÁLISE DA INFLUÊNCIA DA RUGOSIDADE DA PAREDE DO DUTO
ESCOAMENTO TRIFÁSICO NÃO-ISOTÉRMICO EM DUTO VERTICAL COM VAZAMENTO VIA CFX: ANÁLISE DA INFLUÊNCIA DA RUGOSIDADE DA PAREDE DO DUTO W. R. G. SANTOS 1, H. G. ALVES 2, S. R. FARIAS NETO 3 e A. G. B. LIMA 4
Leia maisMODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES
MODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES Marcelo Gonçalves Narcso CNPTIA EMBRAPA narcso@cnpta.embrapa.br Luz Antono Noguera Lorena lorena@lac.npe.br LAC - Laboratóro Assocado
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisESTUDO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
ESTUDO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches (Bolssta UEMS), Adrana Betâna de Paula Molgora Unversdade Estadual de Mato Grosso do Sul Cdade Unverstára de Dourados, Caxa
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia mais