PROF. DR. JACQUES FACON

Documentos relacionados
PROF. DR. JACQUES FACON

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON

Proposta de resolução do Exame Nacional de Matemática A 2017 (2 ạ fase) GRUPO I (Versão 1) Assim, 2! 3! 4 = 48 é a resposta pedida.

Aprendizagem de Máquina

CAPÍTULO 2 - Estatística Descritiva

5 Implementação Procedimento de segmentação

Prof. Lorí Viali, Dr.

Proposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A)

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

Probabilidade de Óbito por Leptospirose Humana em Belém - PA

Aula 3 - Classificação de sinais

PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU

NOTAS DE AULA DA DISCIPLINA CE076

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos

Reconhecimento Estatístico de Padrões

Estimativa da Matriz de Covariância para Classificadores Bayesianos em Problemas de Amostras Insuficientes utilizando Computação Evolucionária

Prof. Lorí Viali, Dr.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

3 Algoritmos propostos

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas

Estatística II Antonio Roque Aula 18. Regressão Linear

7 - Distribuição de Freqüências

4 Discretização e Linearização

Cap. 11 Correlação e Regressão

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

2 Experimentos com Mistura

NOTA II TABELAS E GRÁFICOS

2 Modelos de Otimização sob Incerteza 2.1. Introdução

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES

3 Subtração de Fundo Segmentação por Subtração de Fundo

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA ELETRÔNICA 1 - ET74C Prof.ª Elisabete Nakoneczny Moraes

Aprendizagem de Máquina

3 A técnica de computação intensiva Bootstrap

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA

Representação e Descrição de Regiões

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

6 Modelo Proposto Introdução

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

7 Tratamento dos Dados

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

4 Reconhecimento de Padrões

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza

Matemática. Resolução das atividades complementares. M22 Números Complexos. 1 Resolva as equações no campo dos números complexos.

Aprendizagem de Máquina

NÚMEROS COMPLEXOS (C)

TEORIA CINÉTICA DOS GASES

Variáveis Aleatórias

2 Aproximação por curvas impĺıcitas e partição da unidade

Aprendizagem de Máquina

4.1. Medidas de Posição da amostra: média, mediana e moda

3. CIRCUITOS COM AMPOP S UTILIZADOS NOS SAPS

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.

Associação entre duas variáveis quantitativas

SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

Prof. Lorí Viali, Dr.

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Índices de capacidade para processos multivariados independentes: extensões dos índices de Niverthi e Dey e Mingoti e Glória

Algarismos Significativos Propagação de Erros ou Desvios

Variável discreta: X = número de divórcios por indivíduo

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Cálculo Numérico BCC760 Interpolação Polinomial

Função par e função ímpar

3 Elementos de modelagem para o problema de controle de potência

Análise Exploratória de Dados

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007

Reconhecimento do Orador

PROBABILIDADE - CONCEITOS BÁSICOS

Página 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não

4 Critérios para Avaliação dos Cenários

CONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

Um estudo sobre algoritmos adaptativos de segmentação de background para sistemas de vigilância

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.

PARÂMETRO ROBUSTO MULTIVARIADO NA OTIMIZAÇÃO DO TORNEAMENTO DO AÇO ABNT ENDURECIDO

Desenvolvimento de software de simulação Monte Carlo para auxiliar no estudo da propagação de doenças infecciosas

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

2 Análise de Campos Modais em Guias de Onda Arbitrários

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

8 Estrutura horizontal da célula de chuva 8.1. Procedimentos iniciais

M mn (R) : conjunto das matrizes reais m n AnB = fx; x 2 A e x =2 Bg det A : determinante da matriz A

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

CE-704 ANÁLISE MULTIVARIADA APLICADA À PESQUISA

Psicologia Conexionista Antonio Roque Aula 6. A Adaline

Métodos de Agrupamento e Componentes Principais: Teoria e Aplicações

TESTES DE CONTROLO Teste 6

Fotodetectores - Características desejáveis -

Transcrição:

PUCPR- Pontfíca Unersdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Alcada PROF. DR. JACQUES FACON IMIARIZAÇÃO FUZZY BASEADA EM AGRUPAMENOS FUZZY ARAVÉS DA ESIMAIVA DE DENSIDADES NORMAIS Resumo: O roblema da lmarzação é tratado neste artgo usando o algortmo de agruamentos fuzzy atraés da estmata de densdades normas ara rodencar artconamentos ótmos. Palaras-cae: mar, Fuzzy D-Normas, Densdades Normas, Obeto, Fundo, Dstrbução Normal.. Introdução Este trabalo fo realzado atraés do estudo do método de lmarzação de magens or estmata de densdades normas. al técnca consste em encontrar o onto deal do stograma de uma magem, ara então alcar a lmarzação assumndo a dstrbução normal de cnza do obeto e do fundo. Na seção é comentada a teora do algortmo, a seção 3 descree o algortmo utlzado na mlementação, a seção 4 aresenta a fonte do rograma mlementado, a seção 5 descree as referêncas do estudo e a seção 6 conclu o trabalo.. eora do Algortmo marzação em níes de cnza é o rocesso do artconamento de xels numa magem dgtal dentro de duas regões mutuamente exclusas e exaustas. Sea ϑ[imn] MxN que denota a magem com xel em m,n assumndo um dscreto alor de cnza Imn,,..- defndo sobre o unerso [,-]. O roblema da lmarzação é aquele que dentfca um lmar ótmo e segmenta o cenáro em duas regões rncas obeto O e fundo B - background. O Imn Imn B Imn Imn < As característcas geométrcas e estatístcas do stograma mõem uma mortante regra na dentfcação do lmar. marzação é o método referencal de segmentação quando obeto e fundo são dstnguíes utlzando somente alores de cnza. Em cada cenáro a erturbação dos alores de cnza ao redor dos alores rncas das dstrbuções de cnza do obeto e do fundo geram um stograma bmodal e o lmar é consderado tanto como o onto entre os dos modos quanto ara mnmzar a robabldade de erro de classfcação. O algortmo de estmata de densdades normas trabala com a dstrbução normal de cnza do obeto e do fundo. Kttler e Illngwort [Kttler -- Illngwort 986] sugerem uma estratéga ara a lmarzação baseada nesta suosção:

log log t t t J, Consdera-se que a mínma global de J mnmza a classfcação de erro e melora a lmarzação corresondente. Em exermentos com auda das suosções normas, o algortmo rende excelentes resultados anda exstndo a cance da dentfcação de uma falsa lmarzação nos alores extremos de cnza em alores estretos. O roblema da seleção da lmarzação na resença de regões não balanceadas ode ser smlfcado or uma grande extensão se for ossíel alterar a geometra dos alores de cnza. Assm o lmar absoluto será eqüdstante de ambas as regões. Isto ode ser feto defnndo uma medda de dstânca assocada a cada uma das classes. Para tanto são defndas funções ara seudodstâncas: d β log log,, 3 onde e β são dados or: B β, 4, 5 Note-se que β é semre menor ou gual a e β relacona-se com ρ no caso de uma artção dfícl como β /ρ, β /ρ. Com esta dstânca medda, um alor de cnza com gual densdade no obeto e no fundo será maeado como eqüdstante de ambas as metades da regão. 3. Algortmo. Incalze a descrção lmar e b satsfazendo a equação 6: 6. 6 6 [,] c x b n x a x c n < <. omute os alores medanos de ambas as regões usando a equação 9:,,, 9 3. Comute β e,,.. usando as equações 4 e 5.

3 4. Melore os membros usando a equação cuo alor é um arâmetro da função, equação 3, a / [ d, / d, B ] B, b 5. Reta os assos a 5 até não mas aer alterações de o ara b. 4 Conclusões Percebe-se que o algortmo de lmarzação fuzzy atraés da estmata das densdades normas melora a bnarzação da magem de acordo com o coefcente utlzado. Além dsso o algortmo é caaz de dentfcar falsos lmares em magens muto borradas. Algumas dfculdades foram encontradas na mlementação do algortmo, rncalmente durante o cálculo das seudo-dstâncas, que deendem de beta e sgma-quadrado, que deem ser dferentes de zero. 5 Referêncas C. V. Jawaar. P. K. Bswas and K. Ray, Inestgatons On Fuzzy resoldng Based On Fuzzy Clusterng, Pattern Recognton, Vol. 3, No.,. 65-63, 997.

4 IMPEMENAÇÃO: // Algortmo de marzacao Fuzzy Densdades Normas BOO Cmar::marFuzzyDNormas const al Getal_FuzzyDNormas; long long BYE,g; numb,denb,nusb,mb[56]; // Numerador, Denomnador e MI Background numo,deno,nuso,mo[56]; // Numerador, Denomnador e MI Obect aux,exoente; b,baux,db; o,oaux,do; sgmab,betab,logauxb,dstb; sgmao,betao,logauxo,dsto; Iteracoes; mar; f!verfyconsstentin && VerfyConsstentOut return FASE; CoyImageInOut; ClockStart; Hstograma; // Zerando mb e mo forg;g<56;g mb[g] ; mo[g] ; // calculo de mb numb ; denb ; for g;g<56;g numb g*m_hsto[g]; denb m_hsto[g]; f denb mb[g] ; else mb[g] numb / denb; // calculo de mo numo ; deno ; for g56-;g>;g-- numo g*m_hsto[g]; deno m_hsto[g]; f deno mo[g] ; else mo[g] numo / deno;

5 // Manulacao ara mbx ertenca [,] e mox ertenca [,] for ;<56; aux mb[] mo[]; mb[] mb[] / aux; mo[] mo[] / aux; // Vale lembrar mbx mox ara de ate - dee ser gual a // Esta condcao e alda orem exste uma margem de erro mnma // que dee ser desconsderada exoente / al - ; b ; o ; Iteracoes; // loo entre equacoes 9 e wle Iteracoes; // Calculo de b e o numb ; denb ; numo ; deno ; for;<56; numb m_hsto[]**owmb[],al; denb m_hsto[] *owmb[],al; numo m_hsto[]**owmo[],al; deno m_hsto[] *owmo[],al; baux numb / denb; oaux numo / deno; mar BYE baux oaux / ; f fabsbaux - b <. && fabsoaux - o <. break; b baux; o oaux; // Calculo de beta e sgma_quadrado nusb ;nuso ; for;<56; nusb owm_hsto[ntfabs-b],*owmb[],al; nuso owm_hsto[ntfabs-o],*owmo[],al; f nusb nuso *nusb < nuso *nuso < nusb break; betab denb / deno denb; betao deno / deno denb;

6 sgmab ow nusb / denb,.5; sgmao ow nuso / deno,.5; // Varáel auxlar logartmca logauxb logsgmab - logbetab; logauxo logsgmao - logbetao; for;<56; //d, - seudo-dstâncas dstb.5 * ow-b/sgmab, logauxb; dsto.5 * ow-o/sgmao, logauxo; db ow dstb, exoente ; do ow dsto, exoente ; mb[] do / do db; mo[] db / do db; SetIteracoesDWORDIteracoes; SetmarBYEmar; Alcarmar; ClockFns"marzacao Fuzzy Densdades Normas"; return RUE;