PPGCC - Mestrado (Dissertações)

URI Permanente para esta coleção

http://www.hml.repositorio.ufop.br/handle/123456789/597

Navegar

Agora exibindo 1 - 20 de 130

Self-supervised learning for arrhythmia classification.
(2023) Silva, Guilherme Augusto Lopes; Luz, Eduardo José da Silva; Silva, Pedro Henrique Lopes; Luz, Eduardo José da Silva; Silva, Pedro Henrique Lopes; Freitas, Vander Luis de Souza; Meneghini, Ivan Reinaldo
Arrhythmias, heart diseases that are commonly diagnosed through electrocar- diograms (ECG), require computational methods for detection and classification to improve the physician’s diagnosis. Although there is abundant literature on the subject, the high intra-patient variability and noise of ECG signals pose challenges in developing practical machine-learning models. To address this, we propose a cus- tomized adjustment of machine learning models through self-supervised learning with human-in-the-loop. Our approach introduces a pretext task called ECGWavePuzzle, which improves classification performance through better generalization. Evaluation metrics on the MIT-BIH database demonstrate the effectiveness of our approach, which improved the ECGnet global accuracy by over 10% and the Mousavi’s CNN by over 13%. Additionally, the experimental results demonstrated that the proposed approach improved the sensitivity and positive predictive value of the arrhythmic classes for certain patients.
Computational techniques to find and suppress bone from chest radiological images.
(2023) Ziviani, Hugo Eduardo; Cámara Chávez, Guillermo; Silva, Mateus Coelho; Cámara Chávez, Guillermo; Queiroz, Rafael Alves Bonfim de; Oliveira, Thiago Eustaquio Alves de; Silva, Mateus Coelho
The proposal of this work is to propose bone suppression techniques in chest images. The most common, but inaccessible, way is through Dual Energy Subtraction (DES). This the technique requires specific hardware to generate and receive di erent energy levels capable of di erentiating materials by atomic number. This work uses GAN to perform bone suppression on X-ray images and aimed to evaluate the performance of the cGAN, train a model to locate the thoracic box, and assess two di erent training techniques for boneless image translation. Based on deep learning the main contribution of this work is to improve the bone shadow elimination delimiting the learning region of the Deep Learning (DL) model. By the contextualization of the bones region, was possible present a metric that measures the model accuracy in an interested region. With this study was possible a more precise metric to evaluate the bone suppression quality. Using the Japanese Society of Radiological Technology (JSRT) this study achieved a PSNR index of 31.604, and a similarity coe cient, known as SSIM of 0.9402. When delimiting the learning region, the results were: 31.9136 for PSNR and 0.9633 for SSIM.
Uma formalização da lógica modal usando o assistente de provas Coq.
(2023) Silveira, Ariel Agne da; Ribeiro, Rodrigo Geraldo; Roggia, Karina Girardi; Ribeiro, Rodrigo Geraldo; Roggia, Karina Girardi; Vasconcellos, Cristiano Damiani; Reis, Leonardo Vieira dos Santos
A modelagem de determinados tipos de sistemas computacionais com a lógica clássica possui fatores limitantes. Neste contexto, a apresentação de outros sistemas lógicos, como a lógica modal, e a construção de uma biblioteca para o assistente de provas Coq tem o intuito de auxiliar nesta tarefa e facilitar o uso para a verificação de propriedades de sistemas. A semântica da lógica modal é representada pela semântica dos mundos possíveis, onde existe uma relação de acessibilidade que conecta os mundos de um mo- delo. Diferentes restrições impostas na relação de acessibilidade constroem sistemas da lógica modal que auxiliam na representação de propriedades nas mais diversas áreas de estudo. O desenvolvimento da biblioteca tem como objetivo sustentar a formalização de propriedades de softwares e prová-los em Coq.
Problema de roteamento de mamógrafos móveis : uma abordagem bi-objetiva.
(2023) Araujo, Thiago Giachetto de; Penna, Puca Huachi Vaz; Souza, Marcone Jamilson Freitas; Penna, Puca Huachi Vaz; Souza, Marcone Jamilson Freitas; Coelho, Igor Machado; Carvalho, Marco Antonio Moreira de
Esta dissertação trabalha com o Problema de Roteamento de Unidades Móveis de Mamografia (MMURP). O problema é uma variante do Problema de Rotea- mento de Veículos Aberto Multi-depósito. Neste problema, existe uma quantidade fixa de depósitos, cada um com uma quantidade limitada de Unidades Móveis de Mamografia (MMUs). Cada MMU tem sua capacidade de realização de exames conhecida e um conjunto de cidades candidatas com uma demanda conhecida por exames de mamografia. O objetivo é definir a ordem de visitação das cidades can- didatas para cada MMU, buscando maximizar a demanda atendida e minimizar a distância total percorrida. Ou seja, o MMURP é tratado como um problema de otimização bi-objetivo. Uma formulação de programação matemátia é pro- posta, o método ε-restrito é implementado e dois algoritmos heurísticos baseados no Non-dominated Sorting Genetic Algorithm II (NSGA-II) são desenvolvidos. Os algoritmos heurísticos se diferenciam pela utilização de busca local como um dos operadores de mutação, um possui e o outro não. O método exato e as duas versões do algoritmo heurístico foram implementados e usados para resolver o MMURP para diversos estados do Brasil. Instâncias baseadas em dados reais foram geradas e usadas para avaliar os métodos implementados. Os resultados computacionais mos- traram que ao considerar o hipervolume, as soluções encontradas pelo método exato são superiores. Porém, ao considerar o min-max da taxa de cobertura, o algoritmo heurístico com a busca local é superior.
Detecção de fraudes financeiras em contas digitais : explorando abordagens hierárquicas e técnicas de aprendizado profundo.
(2023) Souza, Andressa Oliveira; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Lima, Helen de Cássia Sousa da Costa; Silva, Rodrigo César Pedrosa; Oliveira, Samuel Evangelista Lima de
Nos últimos anos, houve um aumento na oferta de serviços financeiros por meio de aplicativos e internet banking, mas isso também levou a um aumento de contas digitais fraudulentas. Em problemas de detecção de fraudes financeiras, é comum encontrar um desbalanceamento significativo entre amostras não fraudulentas e fraudulentas, dificultando sua identificação. Dessa forma, este trabalho aborda a detecção dessas contas, utilizando métodos de sobreamostragem e classificação hierárquica para lidar com o desbalanceamento das classes. Também é investigado se o uso de deep learning com dados matriciais pode superar os classificadores tradicionais Random Forest e XGBoost. Os dados foram fornecidos pela Efí S.A. e incluem 45.209 contas organizadas de forma hierárquica. As contas são categorizadas em primeiro nível como Fraude ou Não Fraude, e no segundo nível, as não fraudes são divididas em quatro classes (A, B, C e D), enquanto as fraudes são divididas em duas (E e F). O problema foi abordado como classificação binária e multiclasse. A análise abrangente revelou que o uso dos métodos de sobreamostragem SMOTE e Borderline SMOTE melhorou as métricas de Sensibilidade e F-score para as classes fraudulentas nos classificadores tradicionais, na classificação binária e na multiclasse. A abordagem hierárquica destacou-se nas métricas de Precisão e F-score para as classes E e F, enquanto a abordagem plana apresentou o melhor desempenho em Sensibilidade para essas classes. O uso de deep learning com dados matriciais superou os classificadores tradicionais apenas na métrica de Sensibilidade na classificação binária.
Classificação automática de arritmias utilizando mapeamento de sinais de ECG em grafos e redes neurais convolucionais de grafos.
(2023) Oliveira, Rafael Francisco de; Luz, Eduardo José da Silva; Freitas, Vander Luis de Souza; Luz, Eduardo José da Silva; Freitas, Vander Luis de Souza; Bianchi, Andrea Gomes Campos; Gertrudes, Jadson Castro; Quiles, Marcos Gonçalves
Conforme a Organização Mundial da Saúde (OMS), as doenças cardíacas figuram como a principal causa de morte em âmbito global. Embora muitas dessas condições possam ser diagnosticadas antecipadamente, a incidência de casos segue em ascensão. Estimativas indi- cam que mais de 75% dos casos ocorrem em países de baixa renda ou em desenvolvimento, e 17,9 milhões de pessoas morreram de doenças cardíacas apenas em 2019, totalizando 32% das mortes globais. A persistência desse aumento de casos realça a necessidade de novas abordagens que automatizem a detecção de arritmias em sinais de eletrocardiograma (ECG). Na literatura, inúmeras técnicas de extração de características são utilizadas para representar o ECG como séries temporais unidimensionais, com o intuito de classificar pa- drões associados à arritmias. Notavelmente, abordagens baseadas em aprendizado profundo (redes de convolução) têm obtido resultados impressionantes para tal tarefa. Entretanto, abordagens baseadas em grafos e redes complexas foram recentemente investigadas como alternativas para aprimorar o desempenho na detecção de arritmias, porém, ainda se apresenta como um desafio mapear ou representar adequadamente sinais de ECG na forma de grafos. Assim, este estudo explora a representação dos sinais de ECG em grafos por meio do Visibility Graph (VG) e Vector Visibility Graph (VVG). Adicionalmente, utilizamos a estrutura de grafo para a classificação de arritmias com Redes Neurais Convolucionais de Grafos (Graph Convolutional Networks - GCNs). Experimentos envolvendo diferen- tes arquiteturas de GCNs foram avaliados no conjunto de dados MIT-BIH, seguindo os paradigmas inter-patient e intra-patient. Os resultados indicam que a representação dos sinais de ECG por meio de VG e VVG é promissora, e que o VG provou ser mais eficiente em comparação ao método VVG para as arquiteturas de GCNs exploradas. Em relação à classe de batimentos ectópicos supraventriculares (S), os resultados evidenciam que no paradigma inter-patient ainda há um grande desafio a ser superado. Arquiteturas mais simples de GCNs tiveram melhores resultados do que as complexas, indicando que sua simplicidade melhora a captura das características essenciais dos dados e evita ruídos. Essas arquiteturas também são mais eficientes computacionalmente, o que é importante em cenários de recursos limitados.
ChurNAS : uma busca de arquitetura neural para previsão de desligamento de clientes.
(2023) Almeida, Marcus Daniel de; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Silva, Ivair Ramos; Meneghini, Ivan Reinaldo
A Predição de desligamento de clientes PDC (do inglês Customer Churn Pre- diction) é fundamental para a gestão eficiente de clientes, uma vez que permite a otimização da lucratividade por meio de estratégias de marketing informadas e cam- panhas de retenção. Nesse contexto, o presente estudo propõe uma nova abordagem, chamada ChurNAS, baseada em algoritmo genético para a busca de arquiteturas neurais (Neural Architecture Search - NAS) em problemas de PDC na indústria de serviços financeiros. Ao contrário dos modelos tradicionais, como regressão logística e árvore de decisão, as redes neurais profundas apresentam maior versatilidade para modelagem de dados complexos. No entanto, a busca pela arquitetura ideal em redes neurais profundas ́e um desafio devido `a sua alta complexidade. Os resultados demonstram que a abordagem ChurNAS encontrou modelos com desempenho supe- rior aos classificadores tradicionais ajustados por otimiza ̧c ̃ao de hiperparâmetros. A abordagem proposta obteve uma acurácia de 88,6%, em comparação com 82,54% do XG-Boost e 82,49% do Floresta Aleatória. Al ́em disso, alcançou uma sensibilidade de 58,89%, enquanto o XG-Boost e o Floresta Aleatória apresentaram 57,1% e 57,81%, respectivamente. Quanto `a precisão, a abordagem ChurNAS obteve 39,41%, superando o XG-Boost (26,96%) e o Floresta Aleatória (26,17%). Adicionalmente, o estudo examinou o impacto da quantidade de dados e da capacidade do modelo, enfatizando a importância de considerar a natureza temporal das transações financei- ras ao utilizar redes neurais para PDC. Em suma, este trabalho destaca o potencial da abordagem ChurNAS para solucionar problemas de PDC no setor de servi ̧cos financeiros e melhorar a eficiência do gerenciamento de clientes.
Desenvolvimento de algoritmos de IA para dispositivos vestíveis utilizando computação de borda.
(2023) Silva, Jonathan Cristovão Ferreira da; Oliveira, Ricardo Augusto Rabelo; Silva, Mateus Coelho; Oliveira, Ricardo Augusto Rabelo; Silva, Saul Emanuel Delabrida; Nacif, José Augusto Miranda; Amorim, Vicente José Peixoto de
Os dispositivos vestíveis estão cada vez mais presentes em nossas vidas. Além disso, os algoritmos de inteligência artificial vêm se tornando essenciais para com- por estes dispositivos. Como os dispositivos vestíveis são restritos de recursos, tec- nologias que exigem grande capacidade computacional podem ser inviáveis para aplicações neste contexto, principalmente quando se trata da computação de borda. Visto isso, o trabalho propõe o desenvolvimento de algoritmos de inteligência arti- ficial para integração nestes dispositivos com o processamento dos dados na borda, sem utilizar recursos em nuvem. Esta proposta é validada com base em dois estudos de casos. O primeiro estudo de caso é a aplicação de técnicas de Machine Learning e Deep Learning na agricultura, com o objetivo de desenvolver um capacete inte- ligente para realizar inspeção de doençãs em laranjas. No segundo estudo de caso ́e desenvolvida uma nova solução vestível para o reconhecimento de atividade de caminhada. Com o auxílio de três algoritmos de IA, este estudo de caso apresentou novas perspectivas para autoavaliação do usuário a partir dos dados coletados na atividade realizada. Dessa maneira, esse trabalho apresenta uma análise de aspec- tos do desenvolvimento de algoritmos de IA para integração em dois dispositivos vestíveis através da computação de borda.
Jogos sérios como estratégia de apoio ao ensino e aprendizagem de música : aplicação do jogo Musicália na educação infantil.
(2023) Lima, Wemerson Geisler de; Freitas, Alan Robert Resende de; Freitas, Alan Robert Resende de; Bianchi, Andrea Gomes Campos; Silva, Saul Emanuel Delabrida; Darin, Ticianne de Gois Ribeiro
O presente estudo tem como objetivo analisar a possibilidade de aplicação do jogo Musicália no processo de ensino e aprendizagem de música para crianças pequenas da Educação Infantil com base nos campos de experiência da BNCC e seus objetivos de aprendizagem e desenvolvimento. Foi realizada uma análise comparativa do jogo Musicália com os objetivos de aprendizagem e desenvolvimento dos campos de experiências para crianças pequenas da BNCC, com vistas ao desenvolvimento de uma visão crítica sobre a possibilidade de sua aplicação para o processo de ensino e aprendizagem de música por crianças da pré-escola (4 a 5 anos e 11 meses). Trata-se de uma pesquisa exploratória de abordagem qualitativa, com os resultados a serem analisados com base em uma análise de conteúdo. Foram avaliadas variáveis como usabilidade, leiturabilidade, topografia, uso de mídias, imagens e figuras e sua adequação à idade das crianças e às propostas da BNCC. Os resultados verificados nesta pesquisa demons- traram que o Musicália apresenta importantes características para ser aplicado em sala de aula no processo de ensino e aprendizagem de música para crianças da educação infantil a partir de 1 ano e 7 meses, sendo capaz de inserir a música no cotidiano dessas crianças. Todavia, ainda demanda ajustes para que fique de acordo com a BNCC e, assim, possa atingir os objetivos previstos na mesma.
Modelo de otimização de portfólios restrito : um modelo para custos para B3 e um estudo do impacto das restrições de cardinalidade e fronteira.
(2023) Chagas, Eduardo de Carvalho; Freitas, Alan Robert Resende de; Freitas, Alan Robert Resende de; Souza, Fernanda Sumika Hojo de; Silva, Rodrigo César Pedrosa; Martins, Flávio Vinícius Cruzeiro; Pimenta, Alexandre
Observa-se na literatura, um grande esforço no desenvolvimento dos modelos de otimização de portfólios buscando formas melhores de mensuração de risco ao mesmo tempo em que se buscam adicionar restrições que tornam os mesmos mais próximos de uma aplicação prática pelos investidores. Entretanto, formas de mensuração de risco mais elaboradas e novas restrições tendem a tornar os algoritmos de otimização mais complexos se fazendo necessário buscar um equilíbrio entre um modelo mais realístico e um tempo de execução computacional que seja aceitável. Além disso, o mercado de ações do Brasil possui algumas peculiaridades tributárias que podem influenciar nos resultados práticos obtidos pelo investidor, mas não foram encontrados na literatura nenhum trabalho que aborde essa especificidade. Assim, esse trabalho propõe uma modelagem matemática para o cálculo de custos de transação e tributação voltado para o mercado de ações do Brasil que é apresentado num modelo de otimização de portfólios usando o MAD que considera os custos de transação sujeito as restrições de cardinalidade e de fronteira. Para os testes são utilizados os algoritmos NSGA-II e SPEA2 e procurou-se mensurar o impacto de cada restrição individualmente na qualidade das fronteiras Pareto e no tempo de execução do algoritmo. Notou-se que o NSGA-II apresentou uma vantagem em relação ao SPEA2; que apesar dos custos de transação impactarem no tempo de execução do algoritmo, a qualidade das fronteiras Pareto obtidas são muito próximas. Por fim, observou-se que enquanto a restrição de cardinalidade apresentou um impacto mais significativo nas métricas estudas a restrição de fronteira não teve um impacto menos relevante.
Uma abordagem centrada em dados para reconhecimento de fala em português : modelo de língua e suas implicações.
(2023) Alvarenga, João Paulo Reis; Luz, Eduardo José da Silva; Luz, Eduardo José da Silva; Merschmann, Luiz Henrique de Campos; Silva, Rodrigo César Pedrosa
Os avanços mais recentes no Reconhecimento Automático de Fala permitem alcançar uma qualidade jamais antes vista em línguas com dados abundantes, tais como o inglês, e em línguas com dados limitados, como o português. Em particular, abordagens baseadas em modelos de Transformers permitem realizar a tarefa de reconhecimento de fala diretamente a partir da representação do sinal bruto. Alguns estudos já indicam que a qualidade da transcrição pode ser melhorada ainda mais com o uso de modelos de linguagem. No entanto, o impacto real destes modelos ainda não está claro para o português brasileiro, assim como a importância da qualidade dos dados usados para treinar os modelos. Por isso, este trabalho explora o impacto dos modelos de linguagem aplicados ao reconhecimento de fala para língua portuguesa, tanto em termos de qualidade de dados quanto de desempenho computacional, com uma abordagem centrada em dados. Uma abordagem para medir a similaridade entre conjuntos de dados é proposta para auxiliar na tomada de decisão durante o treinamento. Os resultados mostram que é possível reduzir o tamanho do modelo de linguagem em ~80% e ainda alcançar taxas de erro por palavra em torno de 7,17% para o conjunto de dados Common Voice.
Compiling general recursive functions into finite depth pattern matching.
(2023) Amaro, Maycon José Jorge; Ribeiro, Rodrigo Geraldo; Ribeiro, Rodrigo Geraldo; Vieira, Bruno Lopes; Reis, Leonardo Vieira dos Santos
Programming languages are popular and diverse, and the convenience of extending or changing the behavior of complex systems is attractive even for the systems with stringent security requirements, which often impose restrictions on the programs. A very common restriction is that the program must terminate, which is very hard to check in general because the Halting Problem is undecidable. In this work, we proposed a technique to unroll recursive programs in functional languages to create terminating versions of them. We prove that our strategy is total and we also formalize term generation and run property- based tests to build confidence that the semantics is preserved through the transformation. This strategy can be used to compile general purpose functional languages to targets such as the eBPF and smart contracts for blockchain networks.
Uma rede U-Net modificada para segmentação de lesões de pele em imagens dermatoscópicas.
(2022) Araujo, Graziela Silva; Cámara Chávez, Guillermo; Oliveira, Roberta Barbosa; Cámara Chávez, Guillermo; Oliveira, Roberta Barbosa; Ferreira, Anderson Almeida; Saúde, André Vital
O diagnóstico auxiliado por computador pode ser viável para o diagnóstico precoce de câncer de pele. Para isso a tarefa de segmenta- ção de imagem desempenha um papel importante. A segmentação de uma imagem é um processo do qual a imagem é dividida, e a região de interesse é destacada, nesse caso, a lesão de pele pigmentada é segmentada. A segmentação de imagens dermatoscópicas é um desa- fio para os métodos tradicionais de segmentação e também para os métodos de aprendizado de máquina devido às diferentes condições de imagem. Há uma variação significativa na cor, textura, forma, tamanho e localização nas imagens dermatoscópicas. Além disso, po- dem conter imagens com variação de iluminação e diversos artefatos, como pelos, régua, bolhas de ar/óleo e amostra de cor. As imagens dermatoscópicas são adquiridas a partir de um dermatoscópio que permite que eventuais lesões possam ser visualizadas considerando estruturas nas camadas mais profundas da pele. Enfim, a arquitetura U-Net, é amplamente utilizada na literatura para segmentar imagens dermatoscópicas. O presente trabalho propõe um modelo baseado na arquitetura U-Net para segmentação de lesão de pele em imagens dermatoscópicas. Ainda, apresenta um estudo de ablação para jus- tificar as modificações feitas no modelo U-Net original, sendo elas, o número de épocas de treinamento, tamanho da imagem, funções de ativação e otimização, dropout e número de blocos convolucionais. Experimentos foram realizados nos conjuntos de dados ISIC 2017 e ISIC 2018 e mostram que é possível chegar a um modelo simples capaz de apresentar resultados competitivos em relação a outros trabalhos de última geração com os devidos ajustes em seus parâmetros.
Strong e Herde : jogos em 2D e 3D com características para estimular o processo cognitivo das crianças com autismo.
(2022) Honorato, Noemi da Silva; Silva, Saul Emanuel Delabrida; Silva, Saul Emanuel Delabrida; Bianchi, Andrea Gomes Campos; Darin, Ticianne de Gois Ribeiro; Santos, Wilk Oliveira dos
O autismo é uma síndrome cujas causas não são completamente conhecidas. É caracterizada por limitação na comunicação e socialização, atraso significativo de linguagem e deficiência intelectual. Tais limitações tem feito com que ao longo dos últimos anos, diferentes estratégias tenham sido analisadas para diminuir os aspectos negativos da síndrome. Dentre as estratégias adotadas, os jogos educativos tem ganhado destaque. Assim, no intuito de contribuir com o desenvolvimento cognitivo e aprendizagem de crianças autistas, foram desenvolvidos dois jogos, um em 2D e o outro em 3D. Além de um mapeamento sistemático, para identificar os critérios usados na elaboração de jogos sérios para autistas. Neste contexto, os jogos educativos, podem ajudar as crianças autistas, auxiliar os familiares e professores na aplicação do conteúdo pedagógico nas aulas remotas. Dessa forma, o jogo Strong é voltado a comunicação e socialização. Apresenta o ensino das cores, expressões faciais, atividades da vida diária, números, palavras e formas geométricas. O Herde é um jogo ambiental baseado em ciência cidadã, que visa facilitar a compreensão, o aprendizado e a preservação do meio ambiente. O jogo desenvolvido apresenta além de cenário e personagem, questionários de prova para fixação de conteúdo disciplinar. Os resultados esperados indicam que os jogos podem auxiliar os educadores contribuindo com i) o desenvolvimento das funções conativas, ii) funções executivas superiores, e iii) funções cognitivas das crianças.
Logo detection with second judge single shot multibox.
(2017) Coelho, Leonardo Bombonato Simões; Cámara Chávez, Guillermo; Bianchi, Andrea Gomes Campos; Cámara Chávez, Guillermo; Ferreira, Anderson Almeida; Bianchi, Andrea Gomes Campos; Schwartz, William Robson
With the increasing popularity of Social Networks, the way people interact has changed and the huge amount of data generated open doors to new strategies and marketing analysis. According to Instagram 1 and Tumblr2 an average of 95 and 35 million photos, respectively, are published every day. These pictures contain several implicit or explicit brand logos, this allows us to research how can a brand be better widespread based in regional, temporal and cultural criteria. Using advanced computer vision techniques for object detection and recognition, we can extract information from these images, making possible to understand the impact and the comprehensiveness of a specific brand. This thesis proposes a logo detection technique based on a Convolutional Neural Network (CNN), also used as a second judge. Our proposal is built on the Single Shot Multibox (SSD). In our research, we explored several approaches of the second judge and managed to reduce significantly the number of false positives in comparison with the original approach. Our research outperformed all the others researches on two different datasets: FlickrLogos-32 and Logos-32plus. On the FlickrLogos-32, we surpass the actual state-of-the-art method by 5.2% of F-score and for the Logos-32Plus by 3.0% of F-score.
MASLAB : um software interativo de simulação para apoio no ensino de modelagem e análise de sistemas lineares.
(2022) Aguiar, Italo Almeida; Ribeiro, Rodrigo Geraldo; Ricco, Rodrigo Augusto; Ribeiro, Rodrigo Geraldo; Ricco, Rodrigo Augusto; Silva, Saul Emanuel Delabrida; Reis, Leonardo Vieira dos Santos
Simulações aplicadas no contexto educacional são capazes de prover um considerável apoio no processo de aprendizado de determinada área de conhecimento. Este traba- lho propõe o desenvolvimento de um software de simulação interativo, gratuito e de código aberto para uso educacional no contexto da disciplina de Modelagem e Análise de Sistemas Lineares, nomeado MASLAB. Dentro do escopo da disciplina, MASLAB é capaz de compor e simular graficamente, dentro do escopo da disciplina, variações de cenários definidos pelos usuários, seja por visualização em tempo real ou por visuali- zação de um instante específico. Como forma se de testar as saídas do simulador, a metodologia de validação se propôs a replicar um experimento real por meio de dados previamente amostrados, de modo a se buscar uma proximidade relativa aos dados do experimento original. Por fim, são apresentados os resultados obtidos na replicação vir- tual do experimento real e a análise da proximidade esperada dos resultados obtidos no simulador.
Modelos evolutivos para composição algorítmica afetiva.
(2022) Santos, Carla Sanches Nere dos; Freitas, Alan Robert Resende de; Freitas, Alan Robert Resende de; Ribeiro, Rodrigo Geraldo; Barbosa, Rogério Vasconcelos
Sistemas de Composição Algorítmica Afetiva buscam gerar músicas que expressam ou provocam emoções. Ainda se encontra em aberto a composição de melodias que passam todos os sentimentos presentes nos modelos emocionais. Esses sistemas podem ser utilizados em diferentes contextos, como saúde e entretenimento. Assim, pessoas podem se expressar através da música ou ter experiências de maior imersão em jogos ou filmes. Este trabalho visa identificar estratégias para realizar múltiplas transformações afetivas em melodias, de modo a passar emoções para o ouvinte. São propostos dois algoritmos transformativos: um modelo evolutivo mono-objetivo e outro multiob- jetivo, baseado no algoritmo Non-dominated Sorting Genetic Algorithm II (NSGA-II). Os resultados mostram que os dois modelos geraram melodias que passam emoções positivas e negativas. O modelo multiobjetivo alcançou melhores resultados do que o mono-objetivo. No entanto, é preciso analisar estratégias para melhorar a qualidade das melodias e alcançar mais emoções.
Algoritmos de aprendizado de máquina para previsão de tempo da manutenção de vagões.
(2022) Felix, Josemar Coelho; Silva, Rodrigo César Pedrosa; Silva, Rodrigo César Pedrosa; Bianchi, Andrea Gomes Campos; Nucci, Edson Romano; Pereira, Robson Bruno Dutra
A análise do planejamento de manutenção, com o objetivo de criar predições sobre a capacidade produtiva, é uma importante aliada na gestão industrial. A Engenharia de Métodos dispõe da ferramenta denominada cronoanálise, utilizada desde 1856, para avaliar a capacidade industrial. Essa ferramenta tem como base a cronometragem e análise subjetiva de várias atividades envolvidas nas atividades de produção da manutenção. Contudo, o próprio processo de cronometragem tende a afetar o tempo de execução, comprometendo a sua estimativa. Nesse contexto, este trabalho investiga a aplicação de métodos baseados em aprendizado de máquina para a avaliação da capacidade de restaurar vagões em oficinas da MRS Logística, e, ainda, comparar com a aplicação da cronoanálise utilizada atualmente pela empresa. Para tal, foram disponibilizados dados de 2019 sobre a manutenção de vagões. Esses dados serviram para a construção dos modelos de predição desta pesquisa. Foram reservados os dados de nove meses para treinamento, de três meses para testes e também realizou-se a validação cruzada utilizando cinco subdivisões. Com o auxílio do planejamento de experimentos e testes estatísticos de Friedman e Nemenyi, foi possível constatar que, os algoritmos de aprendizado de máquina, são capazes de produzir modelos com melhor qualidade quando combinados com a cronoanálise na liberação de vagões restaurados, comprovado pelas métricas denominadas Erro Médio Absoluto e Raiz Quadrada do Erro Médio.
Otimização dinâmica evolutiva : modelo interativo com predição de preferências aplicado ao problema da dieta.
(2022) Santos, Glauber Soares dos; Freitas, Alan Robert Resende de; Freitas, Alan Robert Resende de; Silva, Gustavo Peixoto; Batista, Lucas de Souza; Silva, Rodrigo César Pedrosa
Há um esforço constante para desenvolver e aprimorar estratégias ao lidar com o clássico problema da dieta. Modelos matemáticos e técnicas de programação têm sido desenvolvidos para geração de menus restritivos. No entanto, uma nova tendência ainda pouco abordada, no âmbito computacional, é a nutrição comportamental. Essa abordagem científica voltada para o aconselhamento nutricional, mostra-se mais eficaz do que as dietas restritivas comuns, por se adaptar aos hábitos e preferências dos usuários buscando o equilíbrio entre liberdade, saúde e sabor. Portanto, visando contribuir para uma alimentação menos restritiva e mais intuitiva, neste trabalho, propomos um modelo de otimização interativo, resolvido por meio de um algoritmo evolutivo. O usuário interage após cada refeição e os dados dos alimentos ingeridos são usados para prever preferências e reequilibrar o cardápio das próximas refeições, caso seja necessário. O modelo proposto demonstrou ser capaz de balancear com sucesso refeições com meta de consumo calórico até 5 vezes mais acurada que o esperado.
Heurísticas matemáticas para o problema de escalonamento em máquinas paralelas não relacionadas com tempo de preparo e sequência dependente.
(2021) Figueiroa, Guilherme Baumgratz; Toffolo, Túlio Ângelo Machado; Fonseca, George Henrique Godim da; Toffolo, Túlio Ângelo Machado; Fonseca, George Henrique Godim da; Cota, Luciano Perdigão; Penna, Puca Huachi Vaz
O Problema de Sequenciamento em Máquinas Paralelas Não Relacionadas considera um conjunto de tarefas e um conjunto de máquinas homogêneas ou heterogêneas que trabalham em paralelo. Todas as tarefas do conjunto devem ser processadas, sendo necessário escolher em qual máquina cada tarefa será executada. O objetivo é escalonar as tarefas nas máquinas de forma a minimizar o tempo total necessário para executar todas as tarefas, conhecido como makespan, dado pela máquina com maior tempo de processamento. Este trabalho estuda um caso do problema em que as tarefas são independentes, as máquinas heterogêneas e existe um tempo de preparo para execução de cada tarefa, que pode variar dependendo da sequência das tarefas e da máquina. Os principais modelos matemáticos propostos para o problema foram avaliados utilizando o conjunto de instâncias apresentado por Vallada e Ruiz (2011). Dentre os modelos e métodos analisados, o modelo proposto por Avalos-Rosales et al. (2015) e o algoritmo exato proposto por Fanjul-Peyro et al. (2019) obtiveram os melhores resultados tanto em termos de qualidade de solução quanto em termos de tempo de processamento. Assim, com o intuito de abordar instâncias maiores do problema, este trabalho propõe o uso de heurísticas matemáticas Fix-And-Optimize que utilizando os principais modelos disponíveis na literatura. As metodologias propostas consistem em decompor de forma heurística o problema por meio da fixação de um conjunto de tarefas e máquinas. Cada fixação resulta em um subproblema que pode ser resolvido por um modelo matemático ou método exato. Duas variações do algoritmos foram avaliadas, usando os modelos de Avalos-Rosales et al. (2015) e Fanjul-Peyro et al. (2019). Os resultados computacionais mostram que ambos algoritmos propostos obtêm valores próximos do melhor conhecido na literatura. Foram obtidas, ainda, diversas soluções melhores do que a melhor conhecida até então. Dentre as duas abordagens propostas, o algoritmo que utiliza o método de Fanjul-Peyro et al. (2019) para resolver subproblemas obteve os melhores resultados, sendo capaz de obter soluções melhores do que a melhor da literatura para 338 das 1000 instâncias de grande porte consideradas.

Navegar

Submissões Recentes