|
Dissertações |
|
|
1
|
-
LUIS HENRIQUE MEAZZINI SEPULVENE
-
Aplicação de Técnicas de Aprendizado de Máquina para o Diagnóstico de Falhas em Módulos Rastreadores de Frotas Veiculares
-
Orientador : BRUNO GUAZZELLI BATISTA
-
MEMBROS DA BANCA :
-
BRUNO GUAZZELLI BATISTA
-
ISABELA NEVES DRUMMOND
-
JOAO PAULO REUS RODRIGUES LEITE
-
WESLEY NUNES GONÇALVES
-
Data: 23/04/2019
-
-
Mostrar Resumo
-
Com a indústria 4.0, as abordagens baseadas em dados estão em voga. No entanto, extrair
as características importantes não é uma tarefa fácil e influencia muito o resultado final.
Também há a necessidade de um conhecimento especializado do sistema para monitorar
o ambiente e diagnosticar falhas. Neste contexto, o diagnóstico de falhas é significativo,
por exemplo, em um sistema de monitoramento de frotas de veículos, pois é possível
diagnosticar falhas antes mesmo que um cliente saiba da existência desta falha, além de
minimizar os custos de manutenção dos módulos. Neste trabalho são propostas duas abordagens,
“com informação” e “sem informação”, para exploração de um conjunto de dados,
empregando técnicas de Aprendizado de Máquina (AM) para geração de modelos classificadores
que auxiliem no processo de diagnóstico de falhas em módulos rastreadores de
frotas veiculares. A abordagem “com informação” realiza a extração de características de
forma manual, empregando os modelos de AM: Random Forest, Naive Bayes, Máquina de
vetor de suporte (SVM) e Perceptron de múltiplas camadas (MLP); e a abordagem “sem
informação” realiza a extração de características de forma automática, através de uma
rede neural convolucional (CNN). Os resultados obtidos demonstraram que as abordagens
propostas são promissoras. Os melhores modelos com extração de características manual
obtiveram uma precisão de 99,76% e 99,68% para detecção e detecção e identificação de
falhas, respectivamente, no conjunto de dados fornecido. Os melhores modelos fazendo
uma extração de características automática obtiveram respectivamente 88,43% e 54,98%
para detecção e detecção e identificação de falhas. Estes modelos podem servir como protótipos
para diagnosticar falhas remotamente e confirmam que as técnicas tradicionais
de AM com uma extração de características manual ainda são recursos eficazes para o
diagnóstico de falhas.
-
Mostrar Abstract
-
With industry 4.0, data-based approaches are in vogue. However, extracting the essential
features is not an easy task and greatly influences the final result. There is also a need
for specialized system knowledge to monitor the environment and diagnose faults. In this
context, the diagnosis of faults is significant, for example, in a vehicle fleet monitoring
system, since it is possible to diagnose faults even before the customer is aware of the
fault, in addition to minimizing the maintenance costs of the modules. In this work,
several models using Machine Learning (ML) techniques were applied and analyzed during
the fault diagnosis process in vehicle fleet tracking modules. This research proposes two
approaches, with knowledge and without knowledge, to explore the dataset using ML
techniques to generate classifiers that can assist in the fault diagnosis process in vehicle
fleet tracking modules. The approach with knowledge performs the feature extraction
manually, using the ML techniques: Random Forest, Naive Bayes, SVM and MLP; and
the approach without knowledge performs an automatic feature extraction, through a
Convolutional Neural Network (CNN). The results showed that the proposed approaches
are promising. The best models with manual feature extraction obtained a precision of
99,76% and 99,68% for detection and detection and identification of faults, respectively,
in the provided dataset. The best models performing an automatic feature extraction
obtained respectively 88,43% and 54,98% for detection and detection and identification of
failures. These models can serve as prototypes to diagnose faults remotely and confirm that
traditional ML techniques with manual extraction of features are still effective resources
for fault diagnosis.
|
|
|
2
|
-
PAULO VICENTE GOMES DOS SANTOS
-
RSE: um Framework para Avaliação de Desempenho de Sistemas de Recomendação
-
Orientador : BRUNO TARDIOLE KUEHNE
-
MEMBROS DA BANCA :
-
BRUNO TARDIOLE KUEHNE
-
EDVARD MARTINS DE OLIVEIRA
-
LUIS HENRIQUE NUNES
-
Data: 02/05/2019
-
-
Mostrar Resumo
-
Os sistemas de recomendação são filtros que sugerem produtos de interesse para seus clientes,
podendo assim causar um grande impacto nas vendas. Atualmente existe uma variedade
desses algoritmos, sendo importante escolher a opção mais adequada ao problema
em questão. Isso, no entanto, não é uma tarefa trivial. Nesse contexto é proposto o RSE
(Recommender Systems Evaluator): um framework que realiza a avaliação de desempenho
offline dos sistemas de recomendação. O uso da metodologia apropriada é fundamental ao
fazer uma avaliação. No entanto isso é frequentemente negligenciado, levando a resultados
inconsistentes. O RSE procura abstrair ao máximo a complexidade envolvida no processo,
e se baseia em conceitos estatísticos para proporcionar conclusões mais robustas. Os estudos
realizados comprovam a sua eficácia, mostrando inclusive que ele pode ser adaptado
para ser usado em outros contextos além dos sistemas de recomendação.
-
Mostrar Abstract
-
Recommender systems are filters that suggest products of interest to customers, which
may cause positive impact on sales. Nowadays there are a multitude of algorithms, and
it is important to choose the most suitable option given a situation. However, it is not
a trivial task. In this context, we propose the Recommender Systems Evaluator (RSE):
a framework aimed to accomplish an offline performance evaluation of recommender systems.
We argue that the usage of a proper methodology is crucial when evaluating. Yet
it is frequently overlooked, leading to inconsistent results. RSE hides the complexity involved
in the evaluation and is based on statistical concepts to provide reliable conclusions.
Studies conducted proved its effectiveness, demonstrating that it can be adapted to be
used in another context rather than recommender systems.
|
|
|
3
|
-
CHRISTOPHER DE SOUZA LIMA FRANCISCO
-
Extensão da técnica Earned Value Management utilizando dados da qualidade em projetos de software.
-
Orientador : ADLER DINIZ DE SOUZA
-
MEMBROS DA BANCA :
-
ADLER DINIZ DE SOUZA
-
CARLOS EDUARDO SANCHES DA SILVA
-
LEONARDO AUGUSTO DOS SANTOS OLIVEIRA
-
RAFAEL DE MAGALHAES DIAS FRINHANI
-
Data: 03/05/2019
-
-
Mostrar Resumo
-
Esse trabalho apresenta uma extensão da técnica de Gerenciamento de Valor Agregado
(GVA), do inglês, Earned Value Management (EVM).
A extensão apresentada integra dados da qualidade, baseados em requisitos de qualidade,
para atualizar indicadores tradicionais da técnica de GVA.
A proposta tem como objetivo principal melhorar a previsibilidade do Indicador de Desempenho
de Custo (IDC) e Indicador de Desempenho de Prazo (IDP) e introduzir medidas
de qualidade a técnica de GVA.
A técnica proposta foi avaliada de acordo com uma metodologia baseada em evidência.
Os estudos conduzidos mostraram melhor exatidão na técnica proposta de extensão da
técnica de GVA em relação à técnica tradicional de GVA.
-
Mostrar Abstract
-
This work presents an extension of the Earned Value Management (EVM) technique.
The proposed technique integrates quality data, based on quality requirements, to update
traditional EVM indexes.
The main objective of this proposal is to improve the predictability of the Cost Performance
Index (CPI) and the Schedule Performance Index (SPI) and introduce quality
measures to the EVM technique.
The proposed technique was evaluated in accordance with an evidence-based methodology.
The studies conducted showed a better accuracy in the proposed technique of extension
of the EVM technique in relation to the traditional EVM technique
|
|
|
4
|
-
RAFAEL DE MOURA MOREIRA
-
Classificação de Batidas do Coração Usando Algoritmo de Baixo Custo
-
Orientador : ROBSON LUIZ MORENO
-
MEMBROS DA BANCA :
-
EVALDO RENÓ FARIA CINTRA
-
ROBSON LUIZ MORENO
-
TALES CLEBER PIMENTA
-
Data: 26/07/2019
-
-
Mostrar Resumo
-
O eletrocardiograma é uma poderosa ferramenta na detecção de patologias. Diversos
doenças podem se manifestar através de alterações na forma do sinal elétrico produzido
pelo coração. O desenvolvimento de dispositivos portáteis e de fácil uso capazes de analisar
o sinal automaticamente permitiria o acompanhamento da evolução de patologias em casa,
além de mutirões de exames em comunidades carentes, com pouco acesso a médicos e
hospitais bem equipados. Neste trabalho é proposto um sistema completo combinando
diferentes algoritmos para realizar classificação em tempo real de batimentos cardíacos
para detecção de doenças utilizando hardware dedicado, com recursos limitados. Algumas
técnicas utilizadas, como o algoritmo de Pan Tompkins para detecção de complexos QRS,
já foram exaustivamente testados e utilizados em diversos sistemas de classificação de
batimentos cardíacos, enquanto outros, como a segmentação dinâmica e os parâmetros de
Hjorth, foram propostos recentemente para esse tipo de problema e seu funcionamento com
sinais armazenados para pós-processamento foi demonstrado, além de seu baixo consumo
de recursos computacionais. O sistema proposto foi testado verificando a integração das
diferentes técnicas sem nenhum tipo de conhecimento prévio sobre o sinal, mediu seu
desempenho utilizando a base de dados MIT-BIH Arrhythmia e seu tempo de execução.
Dentro da proposta de detectar doenças, o modelo obteve índices de acerto comparáveis
a outros trabalhos influentes nesta área de pesquisa, mas ele foi capaz de cumprir os
requisitos de tempo de execução apenas em um laptop convencional, não se mostrando
ainda viável para classificação em tempo real em sistemas embarcados mais acessíveis.
-
Mostrar Abstract
-
The electrocardiogram is a powerful tool for heart disease diagnosys. Several conditions
manifest themselves as artifacts on the heart’s electric signal waveform. The development
of user-friendly portable devices able to analyse an electrocardiogram signal automatically
could allow patients to monitor their own conditions at home, and allow for large scale
examinations on low income communities without doctors or well equipped hospitals. A full
system combining different algorithms is proposed to perform online heartbeat classification
using dedicated hardware with limited resources. Some of the techniques utilized, such
as the Pan Tompkins QRS detection algorithm, have been extensively tested and used
in different heartbeat classification systems, while others, such as dynamic segmentation
and Hjorth parameters, have been previously shown to work for offline classification and
use few computational resources. The proposed model tests how the different techniques
integrate and work with no previous information about the signal, verifies their accuracy
using the MIT-BIH Arrhythmia dataset and checks its execution time. Although it had
good accuracy and was able to perform online classification on a conventional laptop, on a
microcontroller it exceeded the execution time required for online classification.
|
|
