Mineração de dados para previsão de eventos extremos de precipitação

No presente trabalho foram desenvolvidos modelos de classificação aplicados à mineração de dados climáticos para a previsão de eventos extremos de precipitação com uma hora de antecedência. Mais especificamente, foram utilizados dados observacionais registrados pela estação meteorológica de superfície localizada no Instituto Politécnico da Universidade do Estado do Rio de Janeiro em Nova Friburgo RJ, durante o período de 2008 a 2012. A partir desses dados foi aplicado o processo de Descoberta de Conhecimento em Banco de Dados (KDD Knowledge Discovery in Databases), composto das etapas de preparação, mineração e pós processamento dos dados. Com base no uso de algoritmos de Redes Neurais Artificiais e Árvores de Decisão para a extração de padrões que indicassem um acúmulo de precipitação maior que 10 mm na hora posterior à medição das variáveis climáticas, pôde-se notar que a utilização da observação meteorológica de micro escala para previsões de curto prazo é suscetível a altas taxas de alarmes falsos (falsos positivos). Para contornar este problema, foram utilizados dados históricos de previsões realizadas pelo Modelo Eta com resolução de 15 km, disponibilizados pelo Centro de Previsão de Tempo e Estudos Climáticos do Instituto Nacional de Pesquisas Espaciais CPTEC/INPE. De posse desses dados, foi possível calcular os índices de instabilidade relacionados à formação de situação convectiva severa na região de Nova Friburgo e então armazená-los de maneira estruturada em um banco de dados, realizando a união entre os registros de micro e meso escala. Os resultados demonstraram que a união entre as bases de dados foi de extrema importância para a redução dos índices de falsos positivos, sendo essa uma importante contribuição aos estudos meteorológicos realizados em estações meteorológicas de superfície. Por fim, o modelo com maior precisão foi utilizado para o desenvolvimento de um sistema de alertas em tempo real, que verifica, para a região estudada, a possibilidade de chuva maior que 10 mm na próxima hora.

Dynamic power management approaches based on neural network

Dynamic Power Management (DPM) is a technique to reduce power consumption of electronic system. by selectively shutting down idle components. In this article we try to introduce back propagation network and radial basis network into the research of the system-level policies. We proposed two PAY policies-Back propagation Power Management (BPPM) and Radial Basis Function Power management (RBFPM) which are based on Artificial Neural Networks (ANN). Our experiments show that the two power management policies greatly lowered the system-level power consumption and have higher performance than traditional Power Management(PM) techniques-BPPM is 1.09-competitive and RBFPM is 1.08-competitive vs. 1.79,145,1.18-competitive separately for traditional timeout PM, adaptive predictive PM and stochastic PM.

Cancer classification based on direction-basis-function neural networks

Automatic molecular classification of cancer based on DNA microarray has many advantages over conventional classification based on morphological appearance of the tumor. Using artificial neural networks is a general approach for automatic classification. In this paper, Direction-Basis-Function neuron and Priority-Ordered algorithm are applied to neural networks. And the leukemia gene expression dataset is used as an example to testify the classifier. The result of our method is compared to that of SVM. It shows that our method makes a better performance than SVM.

A DSWN-based specific-purpose neural computing system

The Double Synapse Weighted Neuron (DSWN) is a kind of general-purpose neuron model, which with the ability of configuring Hyper-sausage neuron (HSN). After introducing the design method of hardware DSWN synapse, this paper proposed a DSWN-based specific purpose neural computing device-CASSANN-IIspr. As its application, a rigid body recognition system was developed on CASSANN-IIspr, which achieved better performance than RIBF-SVMs system.

Hypersausage neural networks and its application in face recognition

In this paper, we firstly give the nature of 'hypersausages', study its structure and training of the network, then discuss the nature of it by way of experimenting with ORL face database, and finally, verify its unsurpassable advantages compared with other means.

Subretinal implantable artificial photoreceptor

The present study reports a subretinal implant device which can imitate the function of photoreceptor cells. Photodiode (PD) arrays on the chip translate the incident light into current according to the intensity of light. With an electrode at the end of every photodiode, the PDs transfer the current to the remnant healthy visual cells such as bipolar cells and horizontal cells and then activate these cells. Biocompatible character of the materials and artificial photoreceptor itself were tested and the photoelectric characteristics of the chips in simulative condition were described and discussed.

Architecture research and hardware implementation on simplified neural computing system for face identification

This paper describes a special-purpose neural computing system for face identification. The system architecture and hardware implementation are introduced in detail. An algorithm based on biomimetic pattern recognition has been embedded. For the total 1200 tests for face identification, the false rejection rate is 3.7% and the false acceptance rate is 0.7%.

Global stability of Hopfield neural networks

This paper gives a condition for the global stability of a continuous-time hopfield neural network when its activation function maybe not monotonically increasing.

Retention modeling and simultaneous optimization of pH value and gradient steepness in RP-HPLC using feed-forward neural networks

A novel approach is proposed for the simultaneous optimization of mobile phase pH and gradient steepness in RP-HPLC using artificial neural networks. By presetting the initial and final concentration of the organic solvent, a limited number of experiments with different gradient time and pH value of mobile phase are arranged in the two-dimensional space of mobile phase parameters. The retention behavior of each solute is modeled using an individual artificial neural network. An "early stopping" strategy is adopted to ensure the predicting capability of neural networks. The trained neural networks can be used to predict the retention time of solutes under arbitrary mobile phase conditions in the optimization region. Finally, the optimal separation conditions can be found according to a global resolution function. The effectiveness of this method is validated by optimization of separation conditions for amino acids derivatised by a new fluorescent reagent.

Retention modeling and optimization of pH value and solvent composition in HPLC using back-propagation neural networks and uniform design

A novel method for the optimization of pH value and composition of mobile phase in HPLC using artificial neural networks and uniform design is proposed. As the first step. seven initial experiments were arranged and run according to uniform design. Then the retention behavior of the solutes is modeled using back-propagation neural networks. A trial method is used to ensure the predicting capability of neural networks. Finally, the optimal separation conditions can be found according to a global resolution function. The effectiveness of this method is validated by optimization of separation conditions for both basic and acidic samples.

Um sistema especialista via web para diagnóstico e tratamento de doenças de milho baseado em um framework orientados a objetos.

2007

Sítio da Rede Regional de Agroecologia Mantiqueira-Mogiana: versão 1.0: manual do usuário.

Requisitos de hardware e software para acesso ao Sítio da Rede. Estrutura do Sistema. Composição do Sítio da Rede Regional de Agroecologia Mantiqueira-Mogiana. Página inicial. Agenda. Notícias. Fórum. Parceiros. Artigos. Álbum de fotos. Links interessados. Perguntas e respostas.

Sistema Diagnose Virtual: módulo produtor: manual do usuário

O sistema Diagnose Virtual é um ambiente virtual na WEB para diagnóstico de doenças de plantas e enfermidades de animais que se utiliza de mecanismos de inferência (investigação) aplicados sobre o conhecimento de especialistas previamente categorizado. Este documento tem por objetivo orientar o usuário do sistema Diagnose Virtual no procedimento para sua utilização visando obter resultados corretos com menor esforço. O sistema é também dotado de ajuda online, na qual cada funcionalidade do sistema é descrita de forma sucinta mostrada desde que o ponteiro do mouse fique parado por um instante em cima da funcionalidade. Outra forma de ajuda pode ser obtida a cada tela, clicando o símbolo de interrogação no canto inferior direito. O documento aborda o módulo do usuário/produtor, no qual são exploradas as características de um problema (um caso) de uma determinada cultura até obter-se o diagnóstico. Como resultados são fornecidas as possíveis desordens com seus respectivos graus de certeza.

Sistema Diagnose Virtual: módulo especialista: manual do usuário.

O sistema Diagnose Virtual é um ambiente virtual na WEB para diagnóstico de doenças de plantas e enfermidades de animais, que utiliza mecanismos de inferência baseados em conhecimentos de especialistas para simular o processo de diagnóstico. Este documento tem por objetivo orientar o usuário do sistema Diagnose Virtual no procedimento para sua utilização, visando obter resultados corretos com menor esforço.

Sistema FuzzyGen: manual do usuário.

O FuzzyGen é um sistema genérico para a construção de sistemas de nferência que se utiliza de lógica nebulosa. O sistema é distribuído como software livre e tem como proposta ser uma alternativa para soluções proprietárias de alto custo e pouca flexibilidade existentes no mercado.