Use este identificador para citar ou linkar para este item:
https://repositorio.ufba.br/handle/ri/35137
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Ribeiro Filho, Otávio Gonçalvez Vicente | - |
dc.date.accessioned | 2022-04-28T14:50:57Z | - |
dc.date.available | 2022-04-28 | - |
dc.date.available | 2022-04-28T14:50:57Z | - |
dc.date.issued | 2021-11-10 | - |
dc.identifier.citation | RIBEIRO FILHO, Otávio Gonçalvez Vicente. Uma nova arquitetura de rede neural artificial para abordagens end- to-end de classificação de sinais. 2022. 62 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Computação, Universidade Federal da Bahia, Salvador, Ba, 2022. | pt_BR |
dc.identifier.uri | https://repositorio.ufba.br/handle/ri/35137 | - |
dc.description.abstract | The increasing computer power, the introduction of specialized processors designed to accelerate graphics rendering, and the high availability of new data have supported the adoption of artificial neural networks (ANN) to solve real-world problems in different areas, such as computer vision natural language processing. The application of such networks to deal with data characterized by temporal dependencies, as signals (time series), produces better results when a preprocessing stage is considered to extract implicit information. In this work, by taking into account the different preprocessing methods, we have noticed that wavelet transforms have been widely used due to, in general, the remarkable results. However, such transformations have two main drawbacks by modeling signals. Firstly, it is necessary to define a set of parameters to extract better information from different levels of scale and resolution. Secondly, the application of such transformations requires an initial step to convert, in batch, all analyzed signals before starting the network training. In our scenario, such limitations were overcome by our new ANN architecture, which analyzes signals and yields as output a set of characteristics similar to those produced by wavelet transforms. Therefore, our ANN can be combined with others to model signals without requiring an execution a priori of any wavelet transformation. The proposed ANN was assessed against a pre-trained network to classify signals from two real-world applications: local field potential (LFP) from monitoring monkey brains and seismic signals from the Llaima volcano. The final accuracy obtained to model both applications using traditional preprocessing, and our approach were, respectively: (i) LFP -- 0.655 and 0.649, and (ii) Llaima -- 0.976 and 0.974. | pt_BR |
dc.description.sponsorship | OUTRAS | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal da Bahia | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Redes Neurais Artificiais | pt_BR |
dc.subject | Transformada Wavelet Contínua | pt_BR |
dc.subject | Classificação | pt_BR |
dc.subject | Pré-processamento | pt_BR |
dc.subject | Codificador | pt_BR |
dc.subject.other | Artificial neural networks | pt_BR |
dc.subject.other | Continuous Wavelet Transform | pt_BR |
dc.subject.other | Classification | pt_BR |
dc.subject.other | Pre-processing | pt_BR |
dc.subject.other | Encoder | pt_BR |
dc.title | Uma nova arquitetura de rede neural artificial para abordagens end-to-end de classificação de sinais | pt_BR |
dc.title.alternative | A new artificial neural network architecture for end-to-end approaches of signal classification. | pt_BR |
dc.type | Dissertação | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação (PGCOMP) | pt_BR |
dc.publisher.initials | UFBA | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO | pt_BR |
dc.contributor.advisor1 | Rios, Ricardo Araújo | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0427387583450747 | pt_BR |
dc.contributor.referee1 | Rios, Ricardo Araújo | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/0427387583450747 | pt_BR |
dc.contributor.referee2 | Lemes, Rubisley de Paula | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/4230260717556147 | pt_BR |
dc.contributor.referee3 | Ponti, Moacir Antonelli | - |
dc.contributor.referee3ID | 0000-0003-2059-9463 | pt_BR |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/5041497500746910 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/8687856261881211 | pt_BR |
dc.description.resumo | O aumento da capacidade computacional, a introdução do uso de unidades gráficas de processamento e o crescente aumento na disponibilização de dados favoreceram a utilização de redes neurais artificiais para resolução de problemas em diferentes áreas do conhecimento como visão computacional e processamento de linguagem natural. Aplicações de tais redes em cenários cujos dados são caracterizados pela presença de dependência temporal, como sinais unidimensionais (séries temporais), produzem melhores resultados quando uma etapa de pré-processamento é considerada para extrair informações implícitas entre as observações. No contexto deste mestrado, dentre os diferentes métodos de pré-processamento, observou-se que as transformadas \textit{wavelets} têm sido amplamente utilizadas devido, de maneira geral, à obtenção de melhores resultados quando comparadas aos demais métodos. No entanto, estas transformadas possuem duas principais limitações na análise de sinais. Primeiro, faz-se necessário definir um conjunto de parâmetros para melhor extrair informações nos diferentes níveis de escala e resolução. Segundo, a aplicação dessas transformadas requerem uma etapa inicial de transformação de todos os sinais em lote (\textit{batch}) antes do início do treinamento da rede. Neste trabalho, essas limitações foram superadas através da criação de uma nova arquitetura de rede neural artificial que, ao analisar um sinal unidimensional, produz como saída um conjunto de características equivalentes àquelas produzidas pelas transformadas de \textit{wavelets}. Dessa forma, essa rede pode ser combinada com outras redes para treinamento e classificação de sinais sem a necessidade de execução à priori da etapa de pré-processamento. Para verificação do desempenho da arquitetura desenvolvida, foi utilizada uma rede pré-treinada para classificação de sinais coletados de duas aplicações reais: LFP (local field potential) a partir do monitoramento de sinais cerebrais coletados de macacos, e sinais sísmicos coletados do vulcão Llaima. As acurácias finais produzidas pelos modelos nas duas aplicações usando o pré-processamento tradicional e a arquitetura proposta foram, respectivamente: (i) LFP -- 0.655 e 0.649; (ii) Llaima -- 0.976 e 0.974. | pt_BR |
dc.publisher.department | Instituto de Computação - IC | pt_BR |
Aparece nas coleções: | Dissertação (PGCOMP) |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
PGCOMP-2021-Dissertacao_Mestrado-Otavio_Vicente_Ribeiro.pdf | Tese de mestrado - Otávio Vicente Ribeiro | 10,02 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.