Protótipo de testes para aprendizagem com classificadores múltiplos

Os classificadores múltiplos são processos que utilizam um conjunto de modelos, cada um deles obtido pela aplicação de um processo de aprendizagem para um problema dado. Combinam vários classificadores individuais, em que para cada um deles são utilizados dados de treino para gerar limites de decisão diferentes. As decisões produzidas pelos classificadores individuais contém erros, que são combinados pelos classificadores múltiplos de forma a reduzir o erro total. Estes têm vindo a ganhar uma crescente importância devido principalmente ao facto de permitirem obter um melhor desempenho quando comparado com o obtido por qualquer um dos modelos que o compõem, principalmente quando as correlações entre os erros cometidos pelos modelos de base são baixos. A investigação nesta área tem crescido, tornando-se uma área de investigação importante. No entanto, para que o desempenho seja melhor do que o desempenho obtido por cada classificador individualmente, é necessário que cada um deles produza uma decisão diferente originando uma diversidade de classificação. Esta diversidade pode ser obtida tanto pela utilização de diferentes conjuntos de dados para o treino individual de cada classificador, como também pela utilização de diferentes parâmetros de formação de diferentes classificadores. Apesar disso, a utilização de classificadores múltiplos para aplicações no mundo real pode apresentar-se como dispendiosa e morosa. Tem-se notado nos dias de hoje que o desenvolvimento web tem vindo a crescer exponencialmente, assim como o uso de bases de dados. Desta forma, combinando a forte utilização da linguagem R para cálculos estatísticos com a crescente utilização das tecnologias web, foi implementado um protótipo que facilitasse a utilização dos classificadores múltiplos, mais precisamente, foi desenvolvida uma aplicação web que permitisse o teste para aprendizagem com classificadores múltiplos, sendo utilizadas as tecnologias PHP, R e MySQL. Com esta aplicação pretende-se que seja possível testar algoritmos independentes do software em que estejam desenvolvidos, não sendo necessariamente escritos em R. Nesta Dissertação foi utilizada a expressão “classificadores múltiplos” por ser a mais comum, apesar de ser redutora e existirem outros termos mais genéricos como por exemplo modelos múltiplos e ensemble learning.

Colete Instrumentado para reeducação postural

A coluna vertebral é um dos elementos do corpo humano que mais lesões e danos irreparáveis sofre. Segundo a organização mundial de saúde, 85% da população mundial sofre de dores na coluna e estas representam mais de 50% das causas de incapacidade física transitória ou perma-nente em idade laboral. Uma das principais causas desses danos prende-se com uma postura cor-poral incorreta o que provoca alterações nas estruturas da coluna. Nesse contexto, a existência de um dispositivo capaz de avaliar em tempo real a postura corporal, e que simultaneamente, alerte para a ocorrência de posturas incorretas assume-se como uma mais-valia para a prevenção deste tipo de situações. Neste trabalho é proposto um “colete” instrumentado para reeducação postural, capaz de dotar os utilizadores de informação relativa à sua postura ao nível da coluna vertebral. O dispositivo é com-posto por um conjunto de sensores IMU, estrategicamente colocados para melhor caraterização do perfil da coluna. Os dados sensoriais são classificados por uma unidade de processamento central. Nesta unidade, além de outras funcionalidades, está implementado um classificador cujos dados de treino foram obtidos numa outra tese de mestrado desenvolvida paralelamente. Em caso de postura incorreta, os utilizadores serão alertados através de um sinal sonoro e vibratório. O sistema funciona como um wearable, stand-alone, ou seja, não necessita de qualquer tipo de aplicação ou componente externo. Contudo, foi desenvolvida uma API cujo objetivo é potenciar a utilização do dispositivo noutro tipo de aplicações. Para demonstrar a aplicabilidade da API, foram desenvolvidas duas aplicações, uma para computador e outra para dispositivos móveis Android. Estas permitem monitorizar em tempo real o perfil da coluna, lançar notificações de postura incor-reta, entre outros. O protótipo e as aplicações foram testados em contexto de aula por 10 indivíduos em dois momentos de monitorização distintos, um primeiro momento sem qualquer tipo de feedback ativo e um segundo com feedback ativo. Estes testes serviram para validação de usabilidade, fiabilidade e depuração de erros. Os testes demonstraram que o sistema possui elevado nível de fiabilidade na classificação da postura promovendo a reeducação postural. A totalidade dos sujeitos apresentaram um decrés-cimo percentual no tempo passado com postura incorreta no segundo dia de testes face ao dia de referência em que os sistemas de feedback se encontravam desligados. Em alguns casos, a diminuição atingiu valores próximos de 80%.

Caracterização dos fatores contribuintes em acidentes de pequenas aeronaves da aviação geral brasileira utilizando inteligência artificial

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2016.

Detecção do mal-posicionamento rotacional de dedos em dispositivos de captura de impressões digitais multivista sem toque utilizando redes neurais artificiais

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2016.

Classificação de esquizofrenia com base em máquinas de suporte vetorial aplicadas a características de imagens de ressonância magnética

Dissertação (mestrado)—Universidade de Brasília, Faculdade Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2015.

Comparação entre imagens Aster e Landsat 7 na classificação de níveis de degradação de pastagens utilizando redes neurais artificiais.

O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais Java Neural Network Simulator e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte.

Avaliação da dinâmica do uso e cobertura da terra na bacia hidrográfica de contribuição para o reservatório de Barra Bonita - SP.

A interferência antrópica no ambiente ocorre de forma muito dinâmica e para acompanhá-la é preciso dispor de tecnologias eficientes, dentre as quais se destaca o sensoriamento remoto. Neste sentido, o presente estudo teve como propósito avaliar a dinâmica do uso e cobertura da terra na bacia hidrográfica de contribuição para o reservatório de Barra Bonita com aproximadamente 19.164,43 km2, situada no interior do Estado de São Paulo, mais especificamente, entre as coordenadas geográficas 21° 54? 20?? e 23° 57? 26?? Sul e 46° 39? 27?? e 48° 34? 52?? Oeste. Para tal foram utilizadas imagens dos sensores TM - Landsat 5 e ETM+ - Landsat7 referentes à 1990 e 2002, respectivamente. Estas imagens foram processadas utilizando o Spring 3.6 e aplicando uma classificação supervisionada. O classificador utilizado foi do tipo por regiões, sendo o método denominado Bhattacharya Distance com um limiar de aceitação de 90%. Desta forma foram obtidos os mapas de uso e cobertura da terra para 1990 e 2002, a partir dos quais foi possível calcular a área para 11 classes de uso e cobertura da terra e verificar as alterações ocorridas ao longo deste período. Utilizando o banco de dados SIDRA do IBGE foi possível obter dados de Produtividade Agrícola Municipal (PAM), de área plantada (em hectares), para culturas permanentes e temporárias da bacia em estudo, para os anos de 1990 a 2002. Os resultados desta fase foram importantes para confirmar as tendências observadas nos mapas de uso e cobertura da terra, obtidos em fase anterior. Neste trabalho foi possível identificar ainda locais próximos ao reservatório de Barra Bonita onde o uso inadequado da terra torna-se fonte de poluição difusa dos afluentes do reservatório de Barra Bonita. Estes locais foram georreferenciados em campo, fotografados e identificados no mosaico de imagens de 2002, fortalecendo a discussão dos resultados obtidos. Os resultados mostram que se trata de uma bacia bastante antropizada, onde medidas de planejamento devem ser tomadas no sentido de mitigar o processo de degradação ambiental.

Um estudo de descritores e classificadores para reconhecimento de bagas de café.

RESUMO - Métodos de reconhecimento de frutos baseados na utilização de diferentes descritores e classificadores foram estudados. Foi utilizada uma base de dados de 3.393 imagens de café e não-café anteriormente criada e rotulada manualmente. Testes quantitativos demonstraram a identificação de bagas com 93% de precisão e 77% de cobertura utilizando descritores HoG adicionados a mediana dos componentes de cor do formato La*b*, aliados ao classificador Gradient Boosting. Esses resultados melhoram o método anteriormente proposto por Santos (2015), e demonstram a possibilidade de evolução de métodos que podem ser aplicados em metodologias de agricultura de precisão, monitoramento e predição de safra.