Rômulo Bandeira Pimentel Drumond, R. F. Albuquerque, D. P. Sousa, G. Barreto
Resumo—Os modelos de classificação global são métodos que utilizam todo o conjunto de dados de treinamento disponı́vel para a construção de um único modelo que especifique a superfı́cie de separação dos dados. Alternativamente, modelos de classificação local baseiam-se na construção de classificadores locais treinados a partir de subconjuntos dos dados de treinamento. Este artigo apresenta um estudo sobre a abordagem de classificação local para projeto de classificadores baseados em máquinas de vetoressuporte de mı́nimos quadrados (LSSVM). As partições locais foram definidas a partir do algoritmo de agrupamento Kmédias. Os dados dos agrupamentos resultantes foram utilizados para treinar cada modelo LSSVM local. Diversos ı́ndices de validação de agrupamentos foram utilizados como critério de determinação do número de partições locais para cada problema de classificação estudado. Experimentos com vários conjuntos de dados de classificação foram realizados para comparar a abordagem local com a global. Keywords—Reconhecimento de Padrões; Modelos de Classificação Local; Máquinas de Vetores Suporte; K-médias; Least Squares Support Vector Machine;
{"title":"Classificação Local utilizando Least Square Support Vector Machine (LSSVM)","authors":"Rômulo Bandeira Pimentel Drumond, R. F. Albuquerque, D. P. Sousa, G. Barreto","doi":"10.21528/cbic2019-98","DOIUrl":"https://doi.org/10.21528/cbic2019-98","url":null,"abstract":"Resumo—Os modelos de classificação global são métodos que utilizam todo o conjunto de dados de treinamento disponı́vel para a construção de um único modelo que especifique a superfı́cie de separação dos dados. Alternativamente, modelos de classificação local baseiam-se na construção de classificadores locais treinados a partir de subconjuntos dos dados de treinamento. Este artigo apresenta um estudo sobre a abordagem de classificação local para projeto de classificadores baseados em máquinas de vetoressuporte de mı́nimos quadrados (LSSVM). As partições locais foram definidas a partir do algoritmo de agrupamento Kmédias. Os dados dos agrupamentos resultantes foram utilizados para treinar cada modelo LSSVM local. Diversos ı́ndices de validação de agrupamentos foram utilizados como critério de determinação do número de partições locais para cada problema de classificação estudado. Experimentos com vários conjuntos de dados de classificação foram realizados para comparar a abordagem local com a global. Keywords—Reconhecimento de Padrões; Modelos de Classificação Local; Máquinas de Vetores Suporte; K-médias; Least Squares Support Vector Machine;","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"33 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125394217","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Nykolas Mayko Maia Barbosa, J. Gomes, C. Mattos, Diego Farias de Oliveira
—Solving linear regression problems on interval- valued data is a challenging task that may arise in many applications. Because of that, many researchers have designed methods for such task in recent years. Although much effort has been devoted to this problem, all available methods rely on modeling the problem as a constrained optimization task, which may lead to sub-optimal results. Moreover, no previous work provide a way to train a model in a incremental way, which is fundamental for big data problems. In this paper, we address both problems by proposing two different linear regression methods based on log-transformations. The proposed methods, referred as Log-transformed OLS for interval data (LOID) and Log-transformed LMS for interval data (LLID), are compared to state-of-the-art methods on both synthetic and real-world datasets. The obtained results indicate the feasibility of our approaches. Furthermore, to the best of our knowledge, LLID is the first sequential linear regression method for interval valued.
{"title":"Linear Regression Models for Interval-Valued Data using Log-transformation","authors":"Nykolas Mayko Maia Barbosa, J. Gomes, C. Mattos, Diego Farias de Oliveira","doi":"10.21528/cbic2019-3","DOIUrl":"https://doi.org/10.21528/cbic2019-3","url":null,"abstract":"—Solving linear regression problems on interval- valued data is a challenging task that may arise in many applications. Because of that, many researchers have designed methods for such task in recent years. Although much effort has been devoted to this problem, all available methods rely on modeling the problem as a constrained optimization task, which may lead to sub-optimal results. Moreover, no previous work provide a way to train a model in a incremental way, which is fundamental for big data problems. In this paper, we address both problems by proposing two different linear regression methods based on log-transformations. The proposed methods, referred as Log-transformed OLS for interval data (LOID) and Log-transformed LMS for interval data (LLID), are compared to state-of-the-art methods on both synthetic and real-world datasets. The obtained results indicate the feasibility of our approaches. Furthermore, to the best of our knowledge, LLID is the first sequential linear regression method for interval valued.","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"125 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130724675","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
V. D. Azevedo, Nadia Nedjah, Luiza de Macedo Mourelle
Resumo—Neste trabalho são utilizadas as técnicas de redes neurais convolucionais e aprendizagem profunda a fim de prever o interesse de usuários de redes sociais em determinadas categorias de produtos. O objetivo consiste em realizar a classificação de imagens de interesses de um certo tipo de usuário de redes sociais. A classificação de imagens permite segmentar usuários de redes sociais como potenciais consumidores de determinados tipos de produtos. Para isto foi realizada a comparação do desempenho dos seguintes algoritmos de taxa de aprendizagem adaptativa de redes neurais artificiais: descida do gradiente estocástico, descida de encosta adaptativa, estimativa de momento adaptativo e suas variações baseado na norma infinita e na raiz quadrada média dos gradientes. A comparação dos algoritmos de treinamento mostra que o algoritmo de estimativa de momento adaptativo é o mais adequado para prever o interesse e o perfil do usuário. A classificação de imagens em 17 subcategorias alcançou uma precisão de classificação de aproximadamente 99%. Keywords—Redes Neurais Convolucionais, Aprendizagem profunda, Classificação imagens de redes sociais, Identificação do perfil de clientes
{"title":"Identificação do Perfil de Clientes Utilizando Redes Neurais Convolucionais","authors":"V. D. Azevedo, Nadia Nedjah, Luiza de Macedo Mourelle","doi":"10.21528/cbic2019-45","DOIUrl":"https://doi.org/10.21528/cbic2019-45","url":null,"abstract":"Resumo—Neste trabalho são utilizadas as técnicas de redes neurais convolucionais e aprendizagem profunda a fim de prever o interesse de usuários de redes sociais em determinadas categorias de produtos. O objetivo consiste em realizar a classificação de imagens de interesses de um certo tipo de usuário de redes sociais. A classificação de imagens permite segmentar usuários de redes sociais como potenciais consumidores de determinados tipos de produtos. Para isto foi realizada a comparação do desempenho dos seguintes algoritmos de taxa de aprendizagem adaptativa de redes neurais artificiais: descida do gradiente estocástico, descida de encosta adaptativa, estimativa de momento adaptativo e suas variações baseado na norma infinita e na raiz quadrada média dos gradientes. A comparação dos algoritmos de treinamento mostra que o algoritmo de estimativa de momento adaptativo é o mais adequado para prever o interesse e o perfil do usuário. A classificação de imagens em 17 subcategorias alcançou uma precisão de classificação de aproximadamente 99%. Keywords—Redes Neurais Convolucionais, Aprendizagem profunda, Classificação imagens de redes sociais, Identificação do perfil de clientes","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"135 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"117338131","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
N. M. Nascimento, G. Barreto, C. N. Júnior, Pedro Rebouças Filho
Prognosis and health management (PHM) plays an essential role in condition-based maintenance routines. For such purposes, academy and industry have devoted considerable efforts into providing efficient, safe and reliable solutions. In this regard, we aim at contributing to this field by proposing a temporal classifier for engine’s health state identification based on the Elman recurrent neural network. The evaluation of the proposed approach involves a benchmarking data set originated from the C-MAPSS, a flexible turbofan engine simulation by NASA. A comprehensive performance comparison with state of the art approaches is then carried out. The proposed system is able to identify engine’s total degradation 125 steps in advance, with 86.21% of confidence and low false negative rate, i.e. less than 2% of engines faulty conditions are identified as normal. With a temporal-based classification, the proposed approach reaches over 95% of accuracy on turbofan diagnosis.
{"title":"Temporal Classification of Turbofan Engine Health using Elman Recurrent Network","authors":"N. M. Nascimento, G. Barreto, C. N. Júnior, Pedro Rebouças Filho","doi":"10.21528/cbic2019-68","DOIUrl":"https://doi.org/10.21528/cbic2019-68","url":null,"abstract":"Prognosis and health management (PHM) plays an essential role in condition-based maintenance routines. For such purposes, academy and industry have devoted considerable efforts into providing efficient, safe and reliable solutions. In this regard, we aim at contributing to this field by proposing a temporal classifier for engine’s health state identification based on the Elman recurrent neural network. The evaluation of the proposed approach involves a benchmarking data set originated from the C-MAPSS, a flexible turbofan engine simulation by NASA. A comprehensive performance comparison with state of the art approaches is then carried out. The proposed system is able to identify engine’s total degradation 125 steps in advance, with 86.21% of confidence and low false negative rate, i.e. less than 2% of engines faulty conditions are identified as normal. With a temporal-based classification, the proposed approach reaches over 95% of accuracy on turbofan diagnosis.","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"55 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116360114","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
A metodologia foi validada com os m´etodos de validac¸˜ao cruzada K-Fold e Leave One Out e na utilizac¸˜ao de seis classificadores dis-tintos: K-Vizinhos Mais Pr´oximos, M´aquina de Vetor de Suporte, An´alise por Discriminante Linear, An´alise por Discriminante Quadr´atico, ´Arvore de Decis˜ao e Floresta Aleat´oria. Os resultados obtidos foram satisfat´orios, com taxas de acerto superiores a 90%, validando a metodologia sugerida em ambos os cen´arios considerados, demonstrando efic´acia na resoluc¸˜ao de problemas que possuam base de imagens de tamanho reduzido.
{"title":"Comparativo de Algoritmos de Machine Learning para Identificação de Moscas da Espécie Drosophila suzukii Através de Imagens das Asas","authors":"L. Sousa, C. Brandão, Iális Júnior","doi":"10.21528/cbic2019-49","DOIUrl":"https://doi.org/10.21528/cbic2019-49","url":null,"abstract":"A metodologia foi validada com os m´etodos de validac¸˜ao cruzada K-Fold e Leave One Out e na utilizac¸˜ao de seis classificadores dis-tintos: K-Vizinhos Mais Pr´oximos, M´aquina de Vetor de Suporte, An´alise por Discriminante Linear, An´alise por Discriminante Quadr´atico, ´Arvore de Decis˜ao e Floresta Aleat´oria. Os resultados obtidos foram satisfat´orios, com taxas de acerto superiores a 90%, validando a metodologia sugerida em ambos os cen´arios considerados, demonstrando efic´acia na resoluc¸˜ao de problemas que possuam base de imagens de tamanho reduzido.","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"27 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"123614518","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Gilvan Silva, E. Souza, P. Farias, E. Filho, Maria C. S. Albuquerque, I. Silva, C. Farias
Decision support systems are important to improve the efficiency of nondestructive evaluation, specially for industrial equipment. Pulsed eddy-current is a magnetic method used for evaluation of metallic equipment. In this paper, is proposed the combination of pulsed eddy current evaluation, digital signal processing, and neural networks to detect flaws in industrial pipes. A novel method using particle swarm optimization is proposed for imposing performance constraints during neural classifier training process. Results obtained for experimental signals acquired from composite-insulated metallic industrial pipes presenting internal and external corrosion areas are used to validate the proposed method. A comparison to neural networks trained from the traditional back-propagation algorithm was presented.
{"title":"A Constrained Neural Classifier for Pulsed Eddy Current based Flaw Detection in Industrial Pipes","authors":"Gilvan Silva, E. Souza, P. Farias, E. Filho, Maria C. S. Albuquerque, I. Silva, C. Farias","doi":"10.21528/cbic2019-127","DOIUrl":"https://doi.org/10.21528/cbic2019-127","url":null,"abstract":"Decision support systems are important to improve the efficiency of nondestructive evaluation, specially for industrial equipment. Pulsed eddy-current is a magnetic method used for evaluation of metallic equipment. In this paper, is proposed the combination of pulsed eddy current evaluation, digital signal processing, and neural networks to detect flaws in industrial pipes. A novel method using particle swarm optimization is proposed for imposing performance constraints during neural classifier training process. Results obtained for experimental signals acquired from composite-insulated metallic industrial pipes presenting internal and external corrosion areas are used to validate the proposed method. A comparison to neural networks trained from the traditional back-propagation algorithm was presented.","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129851440","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Recent developments in the NLP (Natural Language Processing) field have shown that deep transformer based language model architectures trained on a large corpus of unlabeled data are able to transfer knowledge to downstream tasks efficiently through fine-tuning. In particular, BERT and XLNet have shown impressive results, achieving state of the art performance in many tasks through this process. This is partially due to the ability these models have to create better representations of text in the form of contextual embeddings. However not much has been explored in the literature about the robustness of the transfer learning process of these models on a small data scenario. Also not a lot of effort has been put on analysing the behaviour of the two models fine-tuning process with different amounts of training data available. This paper addresses these questions through an empirical evaluation of these models on some datasets when finetuned on progressively smaller fractions of training data, for the task of text classification. It is shown that BERT and XLNet perform well with small data and can achieve good performance with very few labels available, in most cases. Results yielded with varying fractions of training data indicate that few examples are necessary in order to fine-tune the models and, although there is a positive effect in training with more labeled data, using only a subset of data is already enough to achieve a comparable performance with traditional non-deep learning models trained with substantially more data. Also it is noticeable how quickly the transfer learning curve of these methods saturate, reinforcing their ability to perform well with less data available. Keywords—Small data, text classification, NLP, contextual embeddings, representation learning, deep learning
{"title":"Empirical Analysis on the State of Transfer Learning for Small Data Text Classification Tasks Using Contextual Embeddings","authors":"F. Carvalho, C. Castro","doi":"10.21528/cbic2019-82","DOIUrl":"https://doi.org/10.21528/cbic2019-82","url":null,"abstract":"Recent developments in the NLP (Natural Language Processing) field have shown that deep transformer based language model architectures trained on a large corpus of unlabeled data are able to transfer knowledge to downstream tasks efficiently through fine-tuning. In particular, BERT and XLNet have shown impressive results, achieving state of the art performance in many tasks through this process. This is partially due to the ability these models have to create better representations of text in the form of contextual embeddings. However not much has been explored in the literature about the robustness of the transfer learning process of these models on a small data scenario. Also not a lot of effort has been put on analysing the behaviour of the two models fine-tuning process with different amounts of training data available. This paper addresses these questions through an empirical evaluation of these models on some datasets when finetuned on progressively smaller fractions of training data, for the task of text classification. It is shown that BERT and XLNet perform well with small data and can achieve good performance with very few labels available, in most cases. Results yielded with varying fractions of training data indicate that few examples are necessary in order to fine-tune the models and, although there is a positive effect in training with more labeled data, using only a subset of data is already enough to achieve a comparable performance with traditional non-deep learning models trained with substantially more data. Also it is noticeable how quickly the transfer learning curve of these methods saturate, reinforcing their ability to perform well with less data available. Keywords—Small data, text classification, NLP, contextual embeddings, representation learning, deep learning","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"69 2","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"120894651","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Matheus Hernandes, Leandro dos Santos Coelho, R. Z. Freire
Matheus Scalco Hernandes Engenharia de Produção, Escola Politécnica EP, Pontifícia Universidade Católica do Paraná PUCPR Curitiba, Brasil matheus.hernandes@pucpr.br Leandro dos Santos Coelho Programa de Pós-Graduação em Engenharia de Produção e Sistemas PPGEPS, Escola Politécnica EP, Pontifícia Universidade Católica do Paraná PUCPR Departamento de Engenharia Elétrica DEE, Universidade Federal do Paraná UFPR Curitiba, Brasil leandro.coelho@pucpr.br Roberto Zanetti Freire Programa de Pós-Graduação em Engenharia de Produção e Sistemas PPGEPS, Escola Politécnica EP, Pontifícia Universidade Católica do Paraná PUCPR Curitiba, Brasil roberto.freire@pucpr.br
马修Scalco埃尔南德斯、多专业生产工程,巴拉PUCPR巴西,巴西的天主教大学matheus.hernandes@pucpr.br圣莱安德罗兔子生产和系统专业硕士PPGEPS, EP,天主教大学理工巴拉PUCPR电气工程系迪巴拉UFPR巴西联邦大学,巴西leandro.coelho@pucpr.br Roberto Zanetti Freire生产工程与系统PPGEPS研究生课程，Escola politecnica EP, pontificia Universidade catolica do parana PUCPR Curitiba，巴西roberto.freire@pucpr.br
{"title":"Aplicação de Técnicas de Aprendizado de Máquina para Previsão do IBOVESPA","authors":"Matheus Hernandes, Leandro dos Santos Coelho, R. Z. Freire","doi":"10.21528/cbic2019-20","DOIUrl":"https://doi.org/10.21528/cbic2019-20","url":null,"abstract":"Matheus Scalco Hernandes Engenharia de Produção, Escola Politécnica EP, Pontifícia Universidade Católica do Paraná PUCPR Curitiba, Brasil matheus.hernandes@pucpr.br Leandro dos Santos Coelho Programa de Pós-Graduação em Engenharia de Produção e Sistemas PPGEPS, Escola Politécnica EP, Pontifícia Universidade Católica do Paraná PUCPR Departamento de Engenharia Elétrica DEE, Universidade Federal do Paraná UFPR Curitiba, Brasil leandro.coelho@pucpr.br Roberto Zanetti Freire Programa de Pós-Graduação em Engenharia de Produção e Sistemas PPGEPS, Escola Politécnica EP, Pontifícia Universidade Católica do Paraná PUCPR Curitiba, Brasil roberto.freire@pucpr.br","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125324319","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Resumo —Em submarinos, a tarefa dos operadores de sonar consiste na identificac¸˜ao de poss´ıveis ameac¸as (contatos), utilizando, principalmente, o sistema de sonar passivo. Sistemas de classificac¸˜ao autom´atica de contatos requerem a identificac¸˜ao de embarcac¸˜oes de classes desconhecidas durante a sua operac¸˜ao. Este trabalho discute a construc¸˜ao de um sistema hier´arquico para o reconhecimento de tais ocorrˆencias, considerando um estudo experimental envolvendo t ´ ecnicas de aprendizado por instˆancia, em cen´arios de crescente complexidade, para este fim. Os experimentos, explorando dados coletados em raia ac´ustica de 28 navios pertencentes a 8 classes em diferentes condic¸˜oes operacionais, apontaram um melhor desempenho da t´ecnica k-Nearest Neighbors , atingindo uma taxa de detecc¸˜ao de novidades de 78,0%, conjugada com uma taxa m´edia de identificac¸˜ao de casos conhecidos de 95,0%, para um cen´ario com 3 classes conhecidas.
总结—在潜艇声纳操作员的任务是在识别ficcs¸˜到珀斯´ı要像ameac¸(招商)使用,尤其是被动声纳系统。系统分类ficcs¸˜在奥特曼´atica的招商要求确定ficcs¸˜,embarcac¸˜海洋能等级未知的operac¸˜去。讨论工作的construc¸˜系统在hier´arquico承认这些ocorrˆ序列,根据实验的研究涉及t´ecnicas学习因为听说ˆ古代雅利安人,半人马在´的日益复杂,这fim。实验,利用收集的数据就会交流´ustica 28艘属于八类不同condic¸˜运营方面,做一个更好的t´ecnica k -Nearest邻居,detecc率¸˜78年更新率0%,结合m´伊迪的识别ficcs¸˜已知的情况下为95 0%,半人马´丈夫有三个类。
{"title":"Aprendizado por Instância para a Identificação de Classes Desconhecidas em Sonares Passivos","authors":"V. Muniz, J. S. Filho, E. Honorato","doi":"10.21528/cbic2019-33","DOIUrl":"https://doi.org/10.21528/cbic2019-33","url":null,"abstract":"Resumo —Em submarinos, a tarefa dos operadores de sonar consiste na identificac¸˜ao de poss´ıveis ameac¸as (contatos), utilizando, principalmente, o sistema de sonar passivo. Sistemas de classificac¸˜ao autom´atica de contatos requerem a identificac¸˜ao de embarcac¸˜oes de classes desconhecidas durante a sua operac¸˜ao. Este trabalho discute a construc¸˜ao de um sistema hier´arquico para o reconhecimento de tais ocorrˆencias, considerando um estudo experimental envolvendo t ´ ecnicas de aprendizado por instˆancia, em cen´arios de crescente complexidade, para este fim. Os experimentos, explorando dados coletados em raia ac´ustica de 28 navios pertencentes a 8 classes em diferentes condic¸˜oes operacionais, apontaram um melhor desempenho da t´ecnica k-Nearest Neighbors , atingindo uma taxa de detecc¸˜ao de novidades de 78,0%, conjugada com uma taxa m´edia de identificac¸˜ao de casos conhecidos de 95,0%, para um cen´ario com 3 classes conhecidas.","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"2 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133470118","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Resumo—Este artigo propõe a utilização de Programação Genética Multi-Gene (PG-MG) para criação de regras em Redes Neo-Fuzzy-Neuron (NFN). NFN é uma rede Neuro-Fuzzy composta por n estruturas de Takagi-Sugeno de ordem zero, onde n é o número de variáveis de entrada. A saı́da individual de cada uma das n estruturas é dada por um conjunto de m regras, em que cada regra é representada por uma função de pertinência Gaussiana. Desta forma, a construção da base de regras na NFN consiste em criar e ajustar as funções de pertinência associadas a cada variável de entrada. A abordagem proposta utiliza a Programação Genética Multi-Gene (PG-MG) para gerar as regras (conjuntos fuzzy do antecedente), na qual cada indivı́duo da PG-MG representa um conjunto de regras que compõe o modelo. Por fim, os pesos (parâmetros do consequente) são ajustados por um método do Gradiente Descendente. A abordagem proposta é avaliada em problemas de previsão e os resultados obtidos sugerem que a abordagem proposta é competitiva quando comparada com modelos alternativos do estado da arte. Keywords—Neo-Fuzzy-Neuron; Programação Genética MultiGene; Neuro-Fuzzy.
{"title":"Uma Nova Abordagem para Construção de Regras em Redes Neo-Fuzzy-Neuron Utilizando Programação Genética Multi-Gene","authors":"Glender Brás, Alisson Marques da Silva","doi":"10.21528/cbic2019-67","DOIUrl":"https://doi.org/10.21528/cbic2019-67","url":null,"abstract":"Resumo—Este artigo propõe a utilização de Programação Genética Multi-Gene (PG-MG) para criação de regras em Redes Neo-Fuzzy-Neuron (NFN). NFN é uma rede Neuro-Fuzzy composta por n estruturas de Takagi-Sugeno de ordem zero, onde n é o número de variáveis de entrada. A saı́da individual de cada uma das n estruturas é dada por um conjunto de m regras, em que cada regra é representada por uma função de pertinência Gaussiana. Desta forma, a construção da base de regras na NFN consiste em criar e ajustar as funções de pertinência associadas a cada variável de entrada. A abordagem proposta utiliza a Programação Genética Multi-Gene (PG-MG) para gerar as regras (conjuntos fuzzy do antecedente), na qual cada indivı́duo da PG-MG representa um conjunto de regras que compõe o modelo. Por fim, os pesos (parâmetros do consequente) são ajustados por um método do Gradiente Descendente. A abordagem proposta é avaliada em problemas de previsão e os resultados obtidos sugerem que a abordagem proposta é competitiva quando comparada com modelos alternativos do estado da arte. Keywords—Neo-Fuzzy-Neuron; Programação Genética MultiGene; Neuro-Fuzzy.","PeriodicalId":160474,"journal":{"name":"Anais do 14. Congresso Brasileiro de Inteligência Computacional","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2020-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129094081","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：