Academic literature on the topic 'Teorema do hiperplano de separação'

No desenvolvimento de máquinas de separação movidas a fluxos de ar, o conhecimento da velocidade terminal de um produto e das impurezas associadas é de importância fundamental. Neste trabalho, investigou-se o comportamento dos valores da velocidade terminal de frutos de café (variedades Catuaí e Híbrido Timor) em função dos parâmetros (a) estádio de maturação do produto na colheita ("verde" e "cereja"); (b) época de colheita; (c) variedade; (d) teor de umidade dos frutos e (e) número de frutos contidos na amostra usada para as determinações da velocidade. A análise dos resultados mostrou que os valores das velocidades terminais foram influenciados, significativamente, pelo teor de umidade do produto, estádio de maturação dos frutos e tamanho das amostras usadas nas determinações; entretanto, a época de colheita e a variedade dos frutos não se mostraram como parâmetros importantes nas determinações da velocidade terminal do produto. Relações funcionais entre parâmetros adimensionais, usando-se análise dimensional e o teorema Pi de Buckingham, foram também obtidas e são apresentadas neste trabalho; por outro lado, essas relações fornecem estimativas razoáveis para a velocidade terminal de um fruto, em função das velocidades de flutuação determinadas, experimentalmente, para amostras com um número maior de frutos.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-04-24T19:36:29Z No. of bitstreams: 1 lucascorreanettomachado.pdf: 1851458 bytes, checksum: 2a8b67f0adf8343c28d4e1121a757f6d (MD5)
Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-04-25T15:23:10Z (GMT) No. of bitstreams: 1 lucascorreanettomachado.pdf: 1851458 bytes, checksum: 2a8b67f0adf8343c28d4e1121a757f6d (MD5)
Made available in DSpace on 2017-04-25T15:23:10Z (GMT). No. of bitstreams: 1 lucascorreanettomachado.pdf: 1851458 bytes, checksum: 2a8b67f0adf8343c28d4e1121a757f6d (MD5) Previous issue date: 2013-11-22
CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
Este trabalho apresenta uma técnica para treinamento de Redes Neurais Artificiais (RNA), capaz de obter os parâmetros da rede através dos dados disponíveis para treinamento, sem necessidade de estabelecer a arquitetura da rede a priori, denominado Método de Segmentações Geométricas Sucessivas (MSGS). O MSGS agrupa os dados de cada classe em Hipercaixa (HC) onde cada caixa é alinhada de acordo com os eixos de maior distribuição de seu conjunto de pontos. Sendo as caixas linearmente separáveis, um hiperplano de separação é identificado originando um neurônio. Caso não seja possível a separação por um único hiperplano, uma técnica de quebra é aplicada para dividir os dados em classes menores para obter novas HCs. Para cada subdivisão novos neurônios são adicionados à rede. Os resultados dos testes realizados apontam para um método rápido e com alta taxa de sucesso.
This work presents a technique for Artificial Neural Network (ANN) training, able to get the network parameters from the available data for training, without establishing the network architecture a priori, called Successive Geometric Segmentation Method (SGSM). The SGSM groups the data of each class into hyperboxes (HB) aligned in accordance with the largest axis of its points distribution. If the HB are linearly separable, a separating hyperplane may be identified resulting a neuron. If it is not, a segmentation technique is applied to divide the data into smaller classes for new HB. For each subdivision new neurons are added to the network. The tests show a rapid method with high success rate.

Submitted by Margareth Ribeiro (meg@unifei.edu.br) on 2018-08-29T13:35:30Z No. of bitstreams: 1 dissertacao_0034500.pdf: 4238225 bytes, checksum: d62e3531ec341a544a6a18c60d588523 (MD5)
Made available in DSpace on 2018-08-29T13:35:30Z (GMT). No. of bitstreams: 1 dissertacao_0034500.pdf: 4238225 bytes, checksum: d62e3531ec341a544a6a18c60d588523 (MD5) Previous issue date: 2009-03
Este trabalho apresenta uma nova técnica de treinamento de redes neurais artificiais baseado em técnicas geométricas. Este método tem a capacidade de gerar a topografia da rede sem necessidade de especificação de parâmetros. Técnicas similares, baseadas em fatores geométricos, vêm sendo desenvolvidas com altas taxas de acerto e boa capacidade de generalização. Neste trabalho adaptamos o teorema de eixos de separação para espaços n-dimensionais, expandindo o conceito de OBB-trees para OBHB-trees. O algoritmo é composto de quatro tapas: construção das OBHB’s, busca dos hiperplanos de separação usando o teorema dos eixos de separação, seleção do melhor conjunto de hiperplanos e especificação da rede neural. Resultados experimentais demonstram que esta técnica pode ser utilizada com sucesso em problemas de classificação.

Mestrado em Métodos Quantitativos para a Decisão Económica e Empresarial
O uso de dados de séries temporais na modelação de redes financeiras e económicas desafiam algumas suposições estatísticas tradicionais, como a aplicação do Teorema de Limite Central (TLC). No entanto, o recurso aos pressupostos provenientes da Física foi possível resolver algumas das limitações abordadas ao longo do documento. O trabalho desenvolvido baseia-se na aplicação de algoritmos de separação de observadores desenvolvidos pela Closer, cujo problema tem sido abordado desde há alguns anos, permitindo assim resolver os problemas associados à aplicação do TLC. Estes algoritmos baseiam-se na geometria diferencial e relatividade, que foram aplicados em séries de ações das empresas do mercado americano retiradas em escalas de tempo diversas, reportando no final os resultados obtidos em termos de transformação das distribuições vistas por cada um dos observadores.
The handling of time-series data in modeling financial and economic networks challenges some traditional statistical assumptions, such as application of the Central Limit Theorem. However, using the assumptions of Physics it was possible to understand some of the limitations of the model. The work developed is set up on the application of observer separation algorithms developed by Closer Consulting, whose problem has addressed for some years, which solves the infinite variation limitation. These algorithms based on differential geometry and relativity, which was applied to series of shares of companies in the American market taken at different time scales, reporting, in the end, the results obtained in terms of transforming the distributions seen by each of the observers.
info:eu-repo/semantics/publishedVersion

Este trabalho apresenta uma metodologia para classicação de dados, em duas etapas, utilizando uma técnica de aprendizado ativo. A primeira etapa da metodologia consiste em determinar um ponto de partida para a escolha dos dados iniciais a serem rotulados. Na segunda etapa, o algoritmo de aprendizado ativo é aplicado aos dados. Uma vez que a rotulação pode apresentar alto custo em diversas aplicações, o objetivo da metodologia proposta consiste emobter uma boa performance do algoritmo de aprendizado ativo com o menor número possível de dados rotulados. O método proposto possui informações a priori sobre a distribuição dos dados não rotulados. Por meio dessa distribuição, a população do algoritmo de evolução diferencial converge para próoximo da região de separação das classes. A população empregada nesta tarefa ée distribuída no domínio dos dados não rotulados e evolui para regiões de baixa densidade de dados. Ao finalizar a execução do algoritmo evolucionário, um hiperplano é gerado usando a população final. Em seguida, o processo de aprendizado ativo (pool - based) é iniciado. O classicador é obtido utilizando um algoritmo de máquina de vetores de suporte (SVM). Por meio dos experimentos realizados, verificou-se que o algoritmo de aprendizado ativo obteve uma acurácia de acertos próximo da máxima (quando todos os dados são utilizados parao treinamento) com menos de 20% dos dados rotulados. Conclui-se que o conhecimento a priori da distribuição das classes permite obter resultados acurados considerando um número relativamente pequeno de dados rotulados.