Search

Orientador: Paula Dornhofer Paro Costa Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: As variáveis ambientais desempenham papel importante na saúde humana e as mudanças climáticas podem alterar essas relações. Atualmente, as doenças cardiovasculares (DCVs) são a principal causa de morte no mundo. Além do estilo de vida, as DCVs também sofrem influência de variáveis ambientais e estão sujeitas às mudanças climáticas. Para contribuir com a elaboração de estratégias de adaptação, mitigação e prevenção dos efeitos das mudanças climáticas, se faz necessário ferramentas capazes de simular diferentes cenários futuros, sobretudo de forma regionalizada. Assim, o objetivo geral deste trabalho é gerar e comparar modelos das associações entre variáveis ambientais e o número de mortes por DCVs para a cidade de Campinas, São Paulo. Ainda, propomos um estudo exploratório sobre o impacto de diferentes cenários de mudanças climáticas no número de óbitos por DCVs até 2050. Para isso, integramos e curamos bases de dados de óbitos e de variáveis ambientais. O banco de dados de óbitos por todas as causas foi fornecido pela Secretaria de Saúde de Campinas. O banco de dados das variáveis ambientais foram obtidos das estações meteorológicas da Companhia Ambiental do Estado de São Paulo, do Instituto Agronômico de Campinas, do Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura, e do Aeroporto Internacional de Viracopos. A base de dados ambientais inclui valores diários de temperatura, monóxido de carbono, material particulado, umidade relativa e pressão atmosférica. A partir dos dados integrados, desenvolvemos modelos preditivos utilizando duas abordagens distintas: regressão linear com erros SARIMA (LR-SARIMAX) e rede neural recorrente do tipo LSTM, para óbitos diários, semanais e mensais. Para alcançar os menores erro de predição, adotou-se a técnica de grid search, que variou sistematicamente os parâmetros intrínsecos dos modelos em conjunto com diferentes combinações das variáveis preditoras e da quantidade de lags dessas variáveis. Foram avaliados 441 modelos através das métricas RMSE e MAPE. Os modelos foram comparados em relação à periodicidade dos dados, ao tipo de modelo, às variáveis utilizadas e a quantidade de lags das variáveis. Os modelos utilizando dados mensais apresentaram erros de predição até 5 vezes menores que os modelos utilizando dados nas outras periodicidades. Apesar das diferentes abordagens não terem apresentado diferenças significativas nos erros de predição, a modelagem a partir do LR-SARIMAX apresentou mais vantagens que o LSTM, devido a sua robustez em relação a variação dos dados e sua capacidade de interpretabilidade. A temperatura desempenhou um papel importante nas predições de óbitos por DCVs, estando presente em 12 dos 15 melhores modelos. A quantidade de lags das variáveis preditoras também foi relevante nas predições, apresentando valores corroborados pela literatura. O estudo exploratório apontou que com o aumento das temperaturas mínimas, devido às mudanças climáticas, espera-se uma diminuição no número de óbitos por DCVs até 2050 para Campinas Abstract: Environmental variables play an important role in human health, and climate change can alter these relationships. Cardiovascular diseases (CVDs) are the leading cause of death in the world. In addition to lifestyle, CVDs are also influenced by environmental variables and are subject to climate change. To elaborate strategies for adaptation, mitigation, and prevention of the effects of climate change, tools capable of simulating different future scenarios are necessary, especially in a regionalized way. Thus, the general objective of this work is to generate and compare models of the associations between environmental variables and the number of deaths from CVDs in the city of Campinas, São Paulo. Furthermore, we propose an exploratory study on the impact of different climate change scenarios on the number of deaths from CVDs by 2050. We integrated and curated the databases of deaths from all causes from the Health Department of Campinas. The environmental variables were from the meteorological stations of the Environmental Company of the State of São Paulo, Agronomic Institute of Campinas, Center for Meteorological and Climatic Researches Applied to Agriculture, and Viracopos International Airport. The environmental database includes daily values for temperature, carbon monoxide, particulate matter, relative humidity, and atmospheric pressure. We developed predictive models from the integrated database using two approaches: linear regression with SARIMA errors (LR-SARIMAX) and LSTM recurrent neural network, for daily, weekly and monthly deaths. The grid search technique was adopted to achieve the smallest prediction errors. This technique systematically varies the intrinsic parameters of the models with different combinations of the predictor variables and the number of lags of these variables. Four hundred forty-one models were evaluated using the RMSE and MAPE metrics. The models were compared concerning the data periodicity, model type, variables combination, and the number of lags of environmental variables. The models using monthly data presented prediction errors up to 5 times smaller than the models using data in the other periodicities. Even though the different approaches did not show significant differences in prediction errors, the LR-SARIMAX modeling presented more advantages than the LSTM due to its robustness in relation to data variation and its ability to interpret. The temperature was essential in predicting deaths from CVDs, being present in 12 of the 15 best models. The number of lags of the predictor variables was also relevant in the predictions, presenting values corroborated by the literature. The exploratory study pointed out that with the increase in minimum temperatures due to climate change, a decrease in the number of deaths from CVDs is expected by 2050 for Campinas Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CNPQ 130089/2021-4

Orientador: José Cândido Silveira Santos Filho Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: A hipertensão arterial é a principal causa de doenças cardiovasculares e, se não tratada, pode ser fator de risco de lesão de órgão-alvo, infarto, acidente vascular cerebral e outras doenças graves. Aferir a Pressão Arterial permite auxiliar no diagnóstico, prevenir situações de risco, monitorar predomínio populacional, controlar a doença e identificar fatores de risco associados à Hipertensão Arterial. Por meio da técnica de Monitorização Ambulatorial da Pressão Arterial (MAPA), é possível identificar a duração do efeito hipertensivo, apontar pacientes suspeitos e os fenômenos Whitecoat, Non-dipping e Morning Surge. Semelhante a outros segmentos da sociedade, a área médica também tem usufruído das técnicas de Inteligência Artificial na análise de grandes volumes de dados, transformando os métodos de diagnósticos e tratamentos, além de identificar potenciais ameaças à saúde pública. Considerando o cenário de gerenciamento de saúde populacional, onde se apura informações de um grande contexto populacional e objeto desta pesquisa, o uso de Aprendizado de Máquina – ramo da Inteligência Artificial -– se mostra adequado para inspeção de grandes volumes de dados, identificação de potenciais grupos de padrão, e formação de agrupamentos considerando que não há um rótulo explícito nos dados. A utilização do k-Means - algoritmo de clustering - no conjunto de dados de 21.137 pacientes permitiu a formação dos grupos, onde foram realizados estudos estatísticos descritivos para identificar características sociodemográficas. O algoritmo Random Forest também foi aplicado para identificar quais variáveis mais influenciaram o processo de classificação dos parâmetros Pressão Arterial Sistólica e Pressão Arterial Diastólica. Este estudo também ofereceu um pipeline analítico baseado em dados reais Abstract: Hypertension is the main cause of cardiovascular disease. If left untreated, it can be a risk factor for target organ damage, heart attacks, stroke and other serious diseases. Blood pressure measurement allows us to guide therapeutic approaches, monitor population predominance, and identify risk factors associated with Arterial Hypertension. The Ambulatory Blood Pressure Monitoring (ABPM) technique allows physicians to determine the duration of the hypertensive effect, identify suspicious patients, and recognize the Whitecoat, Non-dipping, and Morning Surge phenomena. Similarly to other segments of society, the medical field has also benefited from Artificial Intelligence techniques in analyzing large volumes of data. This has transformed diagnostic and treatment methods and allowed the identification of potential public health threatens. Considering the population health management scenario, where information from a large population is inspected, the use of Machine Learning – a branch of Artificial Intelligence – proves to be adequate to process large volumes of data, identify groups with similar patterns, and form clusters even though there was no explicit labels in the data. The application of k-Means - a clustering algorithm - in a dataset with 21.137 patients allowed the analysis of the results of each group, where studies were applied to identify sociodemographic characteristics. Random Forest - a Machine Learning classification technique - was also evaluated to identify which variables that most influence the classification process of parameters Systolic Blood Pressure and Diastolic Blood Pressure measures. This study also offered an analytical pipeline based on real data Mestrado Engenharia de Computação Mestra em Engenharia Elétrica CNPQ 130100/2020-0

Orientador: Guilherme Palermo Coelho Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia Resumo: O mercado de ações é um importante segmento da economia que movimenta diariamente um grande volume de ativos, devido às transações realizadas entre empresas de capital aberto e investidores. Diversos fatores influenciam direta e indiretamente os valores dessas transações, o que pode gerar variações abruptas. Essa oscilação é um problema para aqueles que estudam esse nicho e buscam formas de se estimar valores futuros de ações, o que significaria uma vantagem para maximização de lucros na compra e vendas de ações. O problema é ainda maior quando uma série histórica de valores de ações apresenta o fenômeno de mudança de conceito, ou seja, quando os padrões de valores vão mudando ao longo do tempo. Neste trabalho, buscou-se avaliar se a presença de mecanismos capazes de lidar com mudanças de conceito em preditores baseados em aprendizado de máquina melhora a capacidade de predição de valores futuros de ações. A partir de uma base de dados históricos de 10 ações negociadas na bolsa de valores brasileira, coletados em um período de 20 anos, foi verificada a ocorrência de mudança de conceito em tais séries temporais e comparados os desempenhos de preditores baseados em diferentes paradigmas: Random Forests (RF), Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Online Sequential Extreme Learning Machines (OS-ELM), Dynamic and Online Ensemble for Regression (DOER) e Ensemble of Online Learners With Substituiton of Models (EOS). Dentre esses, OS-ELM, DOER e EOS possuem mecanismos para lidar com mudanças de conceito. Os resultados mostraram que, apesar de as estrategias que incorporam mecanismos para tratamento de mudança de conceito demandarem um maior tempo computacional, elas também tendem a apresentar menores erros de predição. De acordo com o teste estatístico de Bergmann-Hommel foi possível observar que os modelos SVM e RF com uma versão ajustada possuem desempenho similares aos de modelos que lidam com mudança de conceito Abstract: The stock market is an important segment of the economy that circulates a large volume of assets due to transactions between open-ended companies and investors. Several factors, directly and indirectly, affect these transaction values, which can generate abrupt variations. The stock value fluctuation is a problem for those who search for ways to predict future stocks values, which would mean an advantage for profits maximization in buying and selling stocks. The problem becomes even harder when the stock values series presents the concept drift phenomenon, where patterns change over time. In this work, we evaluated whether mechanisms that deal with concept drift in machine learning-based predictors improve their stock market forecasting capabilities. From a historic database of 10 stocks negotiated in the Brazilian stock exchange, considering a time period of 20 years, we verified the occurrence of concept drift and compared the performance of predictors based in different paradigms: Random Forests (RF), Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Online Sequential Extreme Learning Machines (OS-ELM), Dynamic and Online Ensemble for Regression (DOER) and Ensemble of Online Learners With Substitution of Models (EOS). Among these, OS-ELM, DOER and EOS explicitly deal with concept drift. The obtained results showed that, despite the higher computational time required by strategies that include mechanisms for handling concept drift, such strategies also tend to yield smaller predictions errors. Besides, according to the Bergmann-Hommel’s statistical test, it was possible to observe that SVM and RF with an adjusted version models achieve similar performances to models that deal with the concept drift Mestrado Sistemas de Informação e Comunicação Mestre em Tecnologia CAPES 001

Orientador: Romis Ribeiro de Faissol Attux Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: A teoria de aprendizagem profunda por restrição de informação, IBDL (do inglês, Information Bottleneck theory of Deep Learning), afirma que uma rede neural artificial profunda (DNN), através dos conceitos da teoria da informação, pode ser interpretada como uma cadeia de Markov, e, através da desigualdade de processamento de informação (DPI) pode-se analisar a representação latente formada na rede ao longo do processo de treinamento, através da informação mútua destas camadas utilizando o plano de informação (IP). Esta tese tem como objetivo investigar a aplicação desta teoria em problemas de regressão, uma vez que a literatura presente até o momento se faz escassa em aplicações desta natureza. Para tal, estabelecemos uma tarefa de regressão formalizada através do problema de separação de fontes supervisionada, onde buscamos a reconstrução dos sinais de fonte. Para desenvolver a análise do problema é necessária a estimação das medidas de informação como entropia e informação mútua, este processo é realizado utilizando o estimador discreto, que se baseia na estimação através de distribuições de probabilidade obtidas por meio de histogramas (discretização – binning), um método simples, extremamente eficiente computacionalmente e que vem sendo utilizado com certa frequência pelos trabalhos da área. Através dos resultados observados nos planos de informação e das projeções latentes da rede, estabelecemos algumas relações sobre o fenômeno de compressão e expansão da informação mútua que descreve tais representações segundo a teoria IBDL. Além disto, analisamos o impacto das não-linearidades utilizadas em redes profundas na dinâmica de treinamento da rede e na formação destas representações. Os resultados indicam que as redes neurais quando aplicadas em problemas de regressão, seguem as relações estabelecidas pela DPI segundo a formulação do IBDL, bem como apresentaram convergem para os limites teóricos também estabelecidos na formulação do problema. Associamos esta convergência à forma como a rede neural opera em termos de capacidade de processamento, utilizando uma parcela ou a totalidade da capacidade disponível de sua estrutura: esse comportamento influencia na formação da representação latente criada durante o processo de treinamento em conjunto com as não linearidades utilizadas. Por fim, constatamos a viabilidade do estudo das redes neurais aplicadas a problemas de regressão utilizando os conceitos estabelecidos na literatura sobre a teoria IBDL, largamente aplicada a problemas de classificação até o presente momento. Dessa forma, este trabalho contribui para o enriquecimento da discussão a respeito da intepretação de redes neurais através da teoria da informação Abstract: The Information Bottleneck theory of Deep Learning (IBDL) states that a deep neural network (DNN), through the concepts of information theory, generates a successive Markov chain and through de data processing inequality (DPI) the training process of a neural networks and the latent representation formed can be analyzed through the information plane (IP). This thesis aims to investigate the application of the IBDL on regression problems. For this task we formalized the regression problem as a supervised source separation where the objective is to reconstruct one of the sources signals. To develop the analyses, it is necessary to quantify information measures as entropy and mutual information, for that we use the binning method for discretization of the continuous random variables, a simple and efficient method widely applied in the resent literature about this subject. Through the observed results in the information plane and the inner neurons projection we stablish some relationships about the phenomenon of compression and expansion of the mutual information that describes the latent representation of the deep networks, and the impact of nonlinearities commonly used in deep learning on the dynamics of network training. The results indicate that the neural networks follow the relationships stablished by the DPI as well converge to the theoretical limits. We associate this convergence to the way the neural network operates in terms of processing capacity, using a portion or all the available capacity, this behavior associated with the nonlinearities influences the formation of the latent representation created during the training process. Finally, we verify the feasibility of the extension and application of the IBDL method, widely applied in classification problems to regression problems Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CNPQ 158180/2019-4

Orientador: Levy Boccato Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: O desenvolvimento de tecnologias assistivas visa melhorar a qualidade de vida e a inclusão na sociedade de indivíduos que apresentem algum tipo de deficiência (como visual, motora e/ou intelectual). Em particular, as interfaces cérebro-computador baseadas no potencial evocado visualmente em regime permanente (BCI-SSVEP) constituem uma opção em desenvolvimento que permite a interação direta entre o cérebro humano e o computador, mapeando sinais cerebrais em comandos para dispositivos externos. Na construção de uma BCI-SSVEP, os sinais cerebrais registrados via eletroencefalografia (EEG) são amplificados e pré-processados a fim de remover artefatos e ruídos indesejados. Em seguida, feita a digitalização deste conjunto de sinais, faz-se a extração e seleção de atributos representativos e, por fim, a classificação, associando aos sinais de entrada uma classe que codifica o comando desejado pelo usuário. Neste trabalho, vamos estudar uma técnica promissora de filtragem espaço-temporal, denominada filtro MVDR (do inglês, minimum variance distortionless response). Essa técnica, por meio da combinação de sinais provenientes de diversos eletrodos, é capaz de atenuar componentes interferentes, preservando as frequências relacionadas aos estímulos visuais, de acordo com as restrições de minimização de variância. Inicialmente, de acordo com testes de sensibilidade, avaliou-se o comportamento do filtro com relação a alguns fatores do sistema BCI-SSVEP: proximidade entre frequências de estímulo, número de estímulos e tamanho da janela de estimulação. Em seguida, os principais parâmetros de ajuste do filtro foram alterados, como sua ordem e o número de eletrodos a serem combinados. Mediante a inferioridade do método proposto em relação às demais técnicas de pré-processamento empregadas, como o CAR e a CCA, propusemos uma extensão do MVDR na forma de um banco de filtros, FBMVDR, estendendo-o posteriormente para o modo de operação adaptativo. Resultados indicam que a implementação do banco de filtros, FBMVDR, proporcionou um aumento superior a 5% em relação ao MVDR, atingindo um desempenho de 92,6% em cenários com 4 estímulos visuais e janelas de 1 s. Em uma segunda abordagem, o FBMVDRR superou uma das técnicas estado da arte, o FBCCA, em pouco mais de 1 ponto percentual. Portanto, a técnica de filtragem espaço-temporal proposta se mostrou capaz de trazer benefícios relevantes para os sistemas BCI Abstract: The development of assistive technologies aims to improve the quality of life and the inclusion in society of individuals who have some type of disability (such as visual, motorand/or intellectual). In particular, brain-computer interfaces based on steady-state visually evoked potentials (BCI-SSVEP) constitute an option under development that allows direct interaction between the human brain and the computer, mapping signals into commands for external devices. When building a BCI-SSVEP, brain signals registered via electroencephalography (EEG) are amplified and pre-processed in order to remove artifacts and undesired noise. Then, the digitalization of this set of signals is provided, followed by the extraction and selection of representative attributes and, finally, the classification, assigning the input signals to a class that encodes the command selected by the user. In this work, we study a promising space-time filtering technique, called MVDR (minimum variance distortionless response filter). By combining the signals from different electrodes, this technique is capable of attenuating interfering components, while preserving the frequencies related to visual stimuli, according to the variance minimization restrictions. Initially, with the aid of sensitivity tests, the behavior of the MVDR filter was evaluated with respect to some factors of the BCI-SSVEP system: proximity amid stimulus frequencies, number of stimuli and stimulation window-length. Then, the main parameters of the filter were varied, such as the order and the number of electrodes to be combined. Due to the inferiority of the proposed method when compared with other pre-processing techniques, such as CAR and CCA, we proposed an extension of the MVDR in the form of a filter bank, FBMVDR, extending it later to the adaptive operation mode. The obtained results indicate that the implementation of the filter bank, FBMVDR, provided an increaseof more than 5 % in relation to the MVDR, reaching a performance of 92.6 % in scenarios with 4 visual stimuli and 1 s window-length. In a second approach, the FBMVDR surpassed one of the state-of-the-art techniques, the FBCCA, by approximately 1 percentage point. Therefore, the proposed space-time filtering technique was capable of bringing relevant benefits to the BCI systems Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CAPES 88887.341753/2019-00

Orientadores: Zanoni Dias, Hélio Pedrini Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação Resumo: A radiografia de tórax é um dos exames radiológicos mais acessíveis para triagem e diagnóstico de possíveis doenças no pulmão e no coração. Além disso, esse tipo de exame é utilizado para identificar se dispositivos como marca-passos, cateteres venosos e tubos estão posicionados corretamente. Nos últimos anos, muita atenção e muitos esforços foram dedicados para melhorar os sistemas de Diagnóstico Auxiliado por Computador, sendo a classificação de imagens médicas um dos problemas principais abordados. Técnicas de Aprendizado Profundo têm sido cada vez mais utilizadas para fornecer predições de detecção e classificação de patologias e lesões em imagens de radiografias de tórax. Considerando essas informações, propomos um método para classificação de imagens de radiografia de tórax, denominado DuaLAnet, utilizando técnicas de aprendizado profundo, como redes neurais convolucionais e módulos de atenção. O nosso método tem como objetivo explorar a complementaridade entre redes neurais convolucionais e módulos de atenção para direcionar o aprendizado sobre as classes, mostrando que a combinação de informações complementares extraídas das imagens de radiografia de tórax possui uma melhor taxa de predição do que quando utilizamos somente uma rede neural. Para validar o nosso método, utilizamos as bases de dados ChestX-ray14 e CheXpert, que possuem uma grande variedade de imagens de radiografias de tórax com 14 classes cada uma. Realizamos experimentos para verificar a melhor forma de inicializar os pesos das redes neurais, considerando a inicialização a partir da ImageNet e a partir da base de dados de radiografia que não está sendo utilizada no treinamento. Além disso, experimentamos quatro tipos de arquiteturas e suas variações para verificar quais as redes neurais que deveríamos utilizar como extratoras de características. Depois, verificamos qual o módulo de atenção que se adequava melhor a cada extratora de característica escolhida previamente, entre as seguintes opções de módulo de atenção: Class Activation Mapping (CAM), Soft Activation Mapping (SAM) e Feature Pyramid Attention (FPA). Por fim, realizamos os experimentos com o método DuaLAnet, após as escolhas de configurações que melhor se adequavam em cada base de dados. Os resultados obtidos mostram que o nosso método possui uma taxa de acerto AUROC competitiva, em comparação com os métodos do estado da arte na base de dados ChestX-ray14, e vários caminhos que podemos seguir para melhorar a taxa de acerto na base de dados CheXpert Abstract: Chest X-ray is one of the most accessible radiological exams for screening and diagnosing possible lung and heart diseases. In addition, this type of examination is used to identify whether devices such as pacemakers, venous catheters and tubes are correctly positioned. In recent years, much attention and efforts have been devoted to improving Computer Aided Diagnostic systems, with the classification of medical images being one of the main problems addressed. Deep Learning techniques have been increasingly used to provide predictions for the detection and classification of pathologies and lesions in chest X-ray images. Considering this information, we propose a method to classify chest X-ray images, called DuaLAnet, using deep learning techniques, such as convolutional neural networks and attention mechanisms. Our method aims to explore the complementarity between convolutional neural networks and attention modules to guide the learning process regarding the distinct classes, showing that the combination of complementary information extracted from chest X-ray images has a better rate of prediction when compared with the case with only a neural network. To validate our method, we use the ChestX-ray14 and CheXpert datasets, which have a wide variety of chest X-ray images with 14 classes each. We carried out experiments to verify the best way to initialize the weights of the neural networks, considering the initialization from ImageNet and from the radiography dataset that is not being used in the training. In addition, we experimented with four types of architectures and their variations to check which neural networks we should use as feature extractors. Then, we checked which attention mechanism was best suited to each feature extractor chosen previously, from the following attention mechanisms options: Class Activation Mapping (CAM), Soft Activation Mapping (SAM), and Feature Pyramid Attention (FPA). Finally, we carried out the experiments with the DuaLAnet method, after choosing the settings that best fit each dataset. The obtained results indicate that our method has a competitive AUROC score, compared to state-of-the-art methods in the ChestX-ray14 dataset, and several ways we can follow to improve the hit rate in the base CheXpert dataset Mestrado Ciência da Computação Mestre em Ciência da Computação CAPES FAPESP 2019/20875-8

Orientador: Romis Ribeiro de Faissol Attux Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Uma interface cérebro-computador (BCI, do inglês brain-computer interface) representa, em neurociência, toda uma variedade de sistemas de comunicação que possibilitam a conexão de atividades cerebrais com instruções de máquina, de tal forma que essa ligação ocorra sem a intermediação dos nervos e dos músculos. Curiosamente, essa definição se atém mais à interação entre o cérebro e o computador do que à informação veiculada do primeiro para o segundo. Isso presumivelmente ocorre porque ela não abrange um modelo de sistema de comunicação propriamente dito e não especifica de que maneira a mencionada interação se configura nos elementos e limites de um tal modelo. Nesse sentido, esta tese busca desenvolver e caracterizar um sistema de comunicação baseado em potenciais evocados visualmente (VEPs, do inglês visually evoked potentials). Esses potenciais, em geral registrados com eletroencefalografia (EEG), são reações naturais do sistema visual suscitadas ao incidir ¿ de forma controlada e precisa ¿ estimulação fótica nos olhos. Em particular, os VEPs estacionários (SSVEPs, do inglês steady-state VEPs) ocorrem em resposta à incidência de estímulos periódicos ¿ produzidos com intervalos de milissegundos (oscilações visuais) ¿ e se manifestam, no sinal de EEG, como picos de ressonância no domínio espectral, identificados por suas frequências e fases casadas com as das estimulações que os geram. Isso indica que, em princípio, uma mensagem qualquer ¿ se adequadamente modulada por esses estímulos visuais ¿ pode ser enviada através do sistema visual e pode ser recuperada a partir do sinal de EEG, com técnicas de processamento e de identificação de SSVEPs. A partir da caracterização desse sistema, duas propostas conceituais são verificadas experimentalmente: a de que o sistema visual desempenha o papel de um canal de comunicação digital e a de que, por meio de um procedimento de avaliação desse canal, é possível descobrir as frequências mais adequadas para a transmissão de mensagens por ele Abstract: A brain-computer interface (BCI) represents, in neuroscience, a variety of communication systems that allow to connect brain activities with machine instructions, in such a way that this connection occurs without the intermediation of nerves and muscles. Interestingly, this definition is more closely related to the interaction between brain and computer than to the information conveyed from the former to the latter. This presumably occurs because the BCI concept does not encompass itself a model of a communication system and does not specify how that interaction is configured within the elements and boundaries of such a model. In this sense, this thesis seeks to develop and characterize a communication system based on visually evoked potentials (VEPs). These potentials, usually recorded with electroencephalography (EEG), are natural reactions of the visual system that are generated by focusing - in a controlled and precise manner - photic stimulation in the eyes. In particular, steady-state VEPs (SSVEPs) occur from the incidence of periodic stimuli ¿ produced at millisecond intervals (visual oscillations) ¿ and manifest in the EEG signal as resonant peaks in the spectral domain, identified by their frequencies and phases matched with the stimulations that generate them. This indicates that in principle any message - if properly modulated by these visual stimuli - can be sent through the visual system and can be retrieved from the EEG signal using SSVEP identification techniques. From the characterization of this system, two conceptual proposals are experimentally verified: that the visual system plays the role of a digital communication channel and that, through a procedure of assessment of this channel, it is possible to uncover the most suitable frequencies for the transmission of messages through it Doutorado Engenharia de Computação Doutor em Engenharia Elétrica CAPES

Orientadores: José Raimundo de Oliveira, Cynthia Cristina Martins Junqueira Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Este trabalho apresenta os resultados de uma pesquisa relacionada a aplicação das heurísticas Clonalg e Evolução Diferencial na busca por soluções em um domínio de projeto de antenas de microfita de patch quadrado ou retangular e que trabalhem em polarização circular. O estudo aborda a aplicação de diferentes funções de avaliação baseadas na técnica de escalarização que promove a combinação dos múltiplos objetivos em uma função escalar de objetivo único, também conhecida como soma ponderada. Um conjunto de superfícies de funções relacionadas as características de antenas, obtidas através de um processo de amostragem, também é apresentado neste trabalho, assim como conceitos fundamentais e informações relacionadas à construção da ferramenta de simulação, nomeada aqui como motor evolutivo Abstract: This work presents the results of research related to the application of the CLONALG and Differential Evolution algorithms in the search for solutions in a project domain of square irradiated microwave antennas, that work in circular polarization. The study addresses the application of different evaluation functions, based on the scalarization technique that promotes the combination of multiple objectives in a single objective scalar function, also known as a weighted sum. A set of function surfaces, related to the characteristics of antennas, obtained through a sampling process, is also presented in this work, as well as fundamental concepts and information related to the construction of the simulation tool, named here as an evolutionary engine Doutorado Engenharia Elétrica Doutor em Engenharia Elétrica

Orientador: Levy Boccato Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: O aprendizado de máquina aplicado à visão computacional e ao processamento de sinais está alcançando resultados comparáveis ao cérebro humano em tarefas específicas devido às grandes melhorias trazidas pelas redes neurais profundas (DNNs, do inglês deep neural networks). Atualmente, a maioria das arquiteturas do estado da arte está relacionada a DNNs, mas apenas algumas exploram o domínio da frequência para extrair informações úteis e melhorar os resultados, como no campo de processamento de imagens. Nesse contexto, este trabalho apresenta uma nova abordagem para explorar a transformada de Fourier das imagens de entrada, a qual é caracterizada pelo emprego de filtros em frequência treináveis que aprendem a extrair os componentes discriminativos do espectro. Além disso, propomos um procedimento de divisão da imagem original em blocos, os quais também são processados por filtros em frequência, de maneira a permitir que a rede identifique atributos globais e locais da imagem a partir das representações no domínio da frequência. O método proposto provou ser competitivo em experimentos de classificação de imagens realizados em bases de dados de texturas (Kylberg) e também em qualidade de imagem de retina (EyeQ), com acurácia muito próxima às redes ConvNets, como MobileNet, Xception, SqueezeNet e ShuffleNet, porém com a vantagem de ser um modelo mais simples e leve. Este trabalho também levanta a discussão sobre como as arquiteturas profundas podem explorar não apenas recursos espaciais, mas também a frequência, a fim de melhorar seu desempenho na solução de problemas do mundo real Abstract: Machine learning applied to computer vision and signal processing is achieving results comparable to the human brain on specific tasks due to the great improvements brought by the deep neural networks (DNNs). The majority of state-of-the-art architectures nowadays is related to DNNs, but only a few explore the frequency domain to extract useful information and improve the results, like in the image processing field. In this context, this thesis presents a new approach for exploring the Fourier transform of the input images, which is characterized by the use of trainable frequency filters that learn to retrieve discriminative components from the spectrum. Additionally, we propose a procedure for splitting the original image into smaller blocks, which are also processed by frequency filters, so that the network can identify both global and local image features from the frequency-domain representations. The proposed method proved to be competitive in image classification experiments carried out in texture (Kylberg) and retinal image quality (EyeQ) datasets, with accuracy very close to ConvNets architectures, like MobileNet, Xception, SqueezeNet and ShuffleNet, but with the advantage of being a simpler and lighter model. This work also raises the discussion on how the state-of-the-art DNNs architectures can exploit not only spatial features, but also the frequency, in order to improve its performance when solving real world problems Doutorado Engenharia Elétrica Doutor em Engenharia Elétrica

Orientador: Levy Boccato Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Uma interface cérebro-computador (BCI, do inglês brain-computer interface) é um sistema que possibilita a transmissão de informação do cérebro para um computador explorando mecanismos diretos e distintos dos convencionais para tal comunicação. Em essência, uma BCI registra a atividade elétrica cerebral por meio de sensores e interpreta esses registros com o objetivo de produzir um comando para uma aplicação, como para o controle de uma cadeira de rodas automatizada. Existem diversos paradigmas de BCI, cada um explorando diferentes características neurofisiológicas do cérebro humano. Um desses paradigmas é baseado em potenciais evocados visualmente em regime estacionário (SSVEP, do inglês steady-state visually evoked potentials). Em uma BCI-SSVEP o indivíduo deve concentrar sua atenção em diferentes estímulos visuais, os quais são expostos continuamente com diferentes frequências. O desafio da interface é, então, identificar a frequência correspondente ao estímulo visual no qual o usuário está concentrado, tendo como base registros eletroencefalográficos (EEG). Para isso, a BCI processa o sinal cerebral com o intuito de remover artefatos e, principalmente, de extrair atributos relevantes a fim de obter uma representação discriminativa que contribua para a correta classificação dos sinais, de modo a identificar o estímulo visual selecionado pelo usuário, o qual codifica uma ação desejada. Uma técnica conhecida como autoencoder (AE) tem ganhado atenção especial nas últimas décadas devido a sua habilidade de descobrir representações vantajosas para uma base de dados. Essencialmente, autoencoders são redes neurais artificiais compostas de duas partes -- codificador e decodificador -- cujas funções são, respectivamente, criar a representação interna (chamada código) para o dado de entrada, e reconstruir o dado de entrada a partir do código gerado. Portanto, o codificador corresponde a um poderoso extrator de atributos não-linear. Neste trabalho, foi investigado o uso de AEs para realizar a extração de características em uma BCI-SSVEP. Diferentes tipos de AE foram analisados, tanto no domínio do tempo quanto no domínio da frequência, considerando dois classificadores: regressão logística e máquina de vetores-suporte (SVM, do inglês support-vector machine). Os resultados obtidos revelam que, em alguns casos, os AEs podem oferecer uma melhora modesta, de aproximadamente 1,5%, na acurácia do sistema quando comparados com técnicas classicamente utilizadas em BCI, como a transformada discreta de Fourier Abstract: A brain-computer interface (BCI) is a system that allows the transmission of information from the brain to a computer by exploring direct and distinct mechanisms from the conventional ones for such communication. In essence, a BCI records brain electrical activity using sensors and interprets these recordings in order to produce a command for an application, such as the control of an automated wheelchair. There are several BCI paradigms, each exploring different neurophysiological characteristics of the human brain. One of these paradigms is based on steady-state visually evoked potentials (SSVEP). In a BCI-SSVEP the individual must focus his attention on different visual stimuli, which are continuously exposed with different frequencies. Then, the challenge of the interface is to identify the frequency corresponding to the visual stimulus on which the user is concentrated, based on electroencephalographic (EEG) signals. For this, the BCI processes the brain signals in order to remove artifacts and, more importantly, to extract relevant features in order to obtain a discriminative representation that contributes to the correct classification of signals, in order to identify the visual stimulus selected by the user, which encodes a desired action. A technique known as autoencoder (AE) has gained special attention in the last decades due to its ability to discover advantageous representations for a dataset. Essentially, autoencoders are artificial neural networks composed of two parts ¿- encoder and decoder -- whose roles are, respectively, to create the internal representation (named code) for the input data, and to reconstruct the input data from the generated code. Thus, the encoder corresponds to a powerful nonlinear feature extractor. In this work, was investigated the use of AEs to perform the feature extraction in a BCI-SSVEP. Different AE approaches have been analyzed, both in time and frequency domains, considering two classifiers: logistic regression and support-vector machine (SVM). The obtained results reveal that, in some cases, the AEs can offer a modest improvement, approximately of 1.5%, in the system accuracy when compared to classical techniques used in BCIs, such as the discrete Fourier transform Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CAPES 88887.363068/2019-00

Orientadores: Levy Boccato, Cynthia Cristina Martins Junqueira Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Superfícies seletivas em frequência (FSSs, do inglês frequency selective surfaces) são estruturas planares formadas por elementos geométricos que se repetem periodicamente no espaço, e que podem se comportar como filtros em frequência com diferentes características de filtragem. A construção de uma FSS passa pela definição da geometria do elemento periódico, da espessura e do tipo de material utilizado e da frequência de operação a ser considerada. Todas estas escolhas devem ser feitas tendo em vista que a estrutura deve apresentar concomitantemente características desejáveis com respeito à largura de banda, à frequência de operação, ao ângulo de incidência, e aos níveis de atenuação, reflexão e absorção da onda eletromagnética incidente. Uma vez que vários aspectos têm que ser simultaneamente atendidos, o projeto de uma estrutura periódica do tipo FSS pode ser visto como um problema de otimização multiobjetivo (MOO, do inglês multiobjective optimization). Em um cenário de MOO, os objetivos são tipicamente conflitantes, o que significa que é necessário encontrar os melhores compromissos entre eles, o que dá origem a uma busca por múltiplas soluções alternativas. A presente dissertação trata o desafio de projetar uma FSS explicitamente como uma tarefa de otimização com múltiplos objetivos, lançando mão de algoritmos evolutivos bem estabelecidos na literatura de MOO, como o NSGA-II e o SPEA2, para o ajuste dos parâmetros da estrutura. Em particular, foi considerado o projeto de uma FSS que deve operar como filtro rejeita-faixa na banda X, e que deve exibir a maior largura de banda possível com a máxima atenuação nesta faixa de frequências. Em conjunto com os algoritmos evolutivos, foram empregados métodos numéricos de simulação eletromagnética de onda completa para a avaliação das soluções candidatas. Os experimentos computacionais realizados levaram à descoberta de estruturas FSS finas com características de largura de banda ultra larga e boa estabilidade angular relacionadas à atenuação da banda X. Em consonância com os objetivos estipulados para a aplicação-alvo, foram encontradas estruturas que atenuaram a banda X em -20 dB, além de terem alcançado mais de 11 GHz de largura de banda. Além disso, chegou-se a uma largura de banda fracionada de 103% com uma estrutura de espessura menor que um quinto do comprimento de onda máximo Abstract: Frequency selective surfaces (FSSs) are planar structures formed by geometric elements that are repeated periodically in space that can behave like frequency filters with different filtering characteristics. The construction of an FSS involves defining the geometry of the periodic element, the thickness and type of the used material and the frequency of operation to be considered. All of these choices must be carried out considering that the structure must simultaneously present desirable characteristics with respect to the bandwidth, the frequency of operation, the angle of incidence, and the levels of attenuation, reflection and absorption of the incident electromagnetic wave. Since several aspects have to be simultaneously addressed, the design of the periodic structure of a FSS can be seen as a multiobjective optimization (MOO) problem. In a MOO scenario, objectives are typically conflicting, which means that it is necessary to find the best trade-offs between them, which gives rise to a search for multiple alternative solutions. This dissertation addresses the challenge of designing an FSS explicitly as an optimization task with multiple objectives, using well-established evolutionary algorithms in the MOO literature, such as NSGA-II and SPEA2, to adjust the parameters of the structure. In particular, it was considered the design of an FSS that should operate as a bandstop filter in the X band, and that should exhibit the largest bandwidth with the maximum attenuation in this frequency range. In conjunction with the evolutionary algorithms, numerical methods of full-wave electromagnetic simulation were used to evaluate the candidate solutions. The computational experiments carried out led to the discovery of thin FSS structures with characteristics of ultra wide bandwidth and good angular stability related to the attenuation of the X band. In accordance with the adopted objectives for the target application, structures were found that attenuated the X band by -20 dB, besides of reaching more than 11 GHz of bandwidth. In addition, a fractional bandwidth of 103% was achieved with a structure with thickness inferior to one fifth of the maximum wavelength Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CNPQ 161175/2018-0

Orientador: Prof. Dr. Francisco José Fraga da Silva Co-orientador: Prof. Dr. João Ricardo Sato Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-graduação em Neurociência e Cognição, São Bernardo do Campo, 2019. Com o aumento da expectativa de vida da população observado nos países em desenvolvimento, uma maior incidência de doenças neurodegenerativas tem sido observada, como a Doença de Alzheimer (DA), a mais frequente dentre as demências. Caracterizada pela perda de memória e pelo comprometimento de pelo menos alguma função cognitiva (capacidade visuoespacial, afasia, etc.), a DA tende a piorar em seus sintomas com o passar do tempo. Logo, de extrema importância, é a realização de um procedimento diagnóstico que seja precoce, preciso, de baixo custo, de amplo uso e de fácil aplicação clínica. A eletroencefalografia quantitativa (EEGq) é uma abordagem que pode atender tais requisitos. O presente trabalho visa buscar uma otimização no processo de classificação automática de pacientes com DA, como atributos algumas características do sinal de EEG extraídas por meio de EEGq. Tal otimização busca obter uma forte redução do número de canais de EEG necessários, sem que haja perda significativa de desempenho em relação ao EEG de alta densidade (128 canais). Para tanto, utilizamos técnicas de Mineração de Dados, como seleção de atributos, em conjunto com algoritmos de classificação de Aprendizado de Máquina para de forma satisfatória reconhecer padrões no EEG da patologia sob investigação. Os benefícios pretendidos com a otimização descrita são: barateamento dos dispositivos usados na aquisição do EEG como ferramenta de auxílio ao diagnóstico da DA e maior facilidade em sua utilização. Essa otimização é decorrente do número menor de eletrodos, da consequente diminuição no tempo de treinamento e dos requisitos computacionais (processamento e memória), assim como uma redução na possibilidade de ocorrer overfitting nos modelos de aprendizado, dada a menor quantidade de ''ruídos'' presente nos dados após a otimização. With the increase in life expectancy of the population observed in developing countries, a higher incidence of neurodegenerative diseases has been observed, such as Alzheimer's Disease (AD), the most frequent among dementias. Characterized by loss of memory and impairment of at least some cognitive function (visuospatial ability, aphasia, etc.), AD tends to worsen in its symptoms over time. Therefore, it is extremely important to carry out a diagnostic procedure that is precocious, precise, inexpensive, widely used and easy to apply clinically. Quantitative electroencephalography (EEGq) is an approach that can meet such requirements. The present work aims to search for an optimization in the process of automatic classification of patients with AD, as attributes some characteristics of EEG signal extracted through EEGq. Such optimization seeks to achieve a strong reduction in the number of EEG channels required, without any significant loss of performance over the high density EEG (128 channels). in this regard, we use Data Mining techniques, such as atribute selection, in conjunction with Machine Learning classification algorithms to satisfactorily recognize patterns in the EEG of the pathology under investigation. The desired benefits with the optimization described are: lowering of the devices used in the EEG acquisition as a tool to aid in the diagnosis of AD and greater ease of use. This optimization is due to the lower number of electrodes, the consequent decrease in training time and computational requirements (processing and memory), as well as a reduction in the possibility of overfitting in the learning models given the smaller amount of noise present in the data after the optimization.

Orientador: Fernando Antônio Campos Gomide Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Métodos nebulosos evolutivos são uma alternativa para modelar sistemas não-estacionários usando fluxos de dados. Este trabalho propõe um algoritmo evolutivo Min-Max para modelar sistemas com bases de regras nebulosas funcionais. O algoritmo processa um fluxo de dados para adaptar continuamente um modelo funcional que descreve o processo gerador dos dados. O algoritmo é incremental, aprende com apenas uma apresentação do conjunto de dados, processa uma amostra por vez, não armazena dados antigos e realiza todos os procedimentos dinamicamente, de acordo com a aquisição de dados de entrada. O modelo tem duas partes principais: estrutural e paramétrica. A parte estrutural é composta pelas regras nebulosas, regras estas definidas por um algoritmo de agrupamento que divide os dados no espaço de entrada em grânulos no formato de hiper-retângulos, atribuindo uma regra nebulosa a cada hiper-retângulo. A base de regras é vazia inicialmente, e regras são adicionadas gradualmente de acordo com a aquisição de dados de entrada. O algoritmo de agrupamento é uma versão aprimorada do aprendizado Min-Max, que ajusta o tamanho dos hiper-retângulos automaticamente de acordo com a dispersão dos dados de entrada. A parte paramétrica do modelo é constituída por funções afins locais atribuídas a cada regra com coeficientes atualizados pelo algoritmo de quadrados mínimos recursivo. O modelo gera a saída a partir da combinação das saídas individuais das regras, em que cada saída tem um peso diferente, determinado pelo nível de ativação normalizado da regra correspondente. O algoritmo nebuloso evolutivo Min-Max também possui mecanismos de gerenciamento da base de regras e estimação automática de parâmetros de aprendizado. O gerenciamento da base consiste na identificação de regras redundantes (que são mescladas) ou obsoletas (que são excluídas), permitindo que a base de regras esteja sempre atualizada e que o método seja auto-adaptável a ambientes não estacionários. A estimação automática de parâmetros, em contrapartida, torna o algoritmo mais autônomo, atenuando perdas de desempenho provenientes de escolhas inadequadas de parâmetros de aprendizado. O algoritmo é aplicado em problemas de previsão de séries temporais e identificação de sistemas e comparado a abordagens clássicas e evolutivas representativas do estado da arte na área Abstract: Evolving fuzzy systems are an appealing approach to deal with nonstationary system modeling using data streams. This work introduces an evolving fuzzy Min-Max algorithm for fuzzy rule-based systems modeling. The algorithm processes an incoming data stream to construct and continuously update a fuzzy functional model of the data generator process. The algorithm is incremental, learns with only one pass in the dataset, process one data sample at a time, and does not perform any retraining or store past data. The model has two parts: structural and parametric. The structural part is a set of functional fuzzy rules formed by a clustering algorithm that granulates the input data space into data granules in the form of hyperboxes. To each hyperbox corresponds a fuzzy rule. The rule base is initially empty, and rules are gradually added as new incoming data are input. The clustering algorithm is an enhanced Min-Max learning approach that automatically adjusts hyperboxes sizes based on input data dispersion. The parametric part of the model is formed by local affine functions associated with each fuzzy rule. The parameters of the local functions are updated using the recursive least squares algorithm. The model output is produced combining the local affine functions weighted by the normalized firing degrees of the active rules. The evolving fuzzy Min-Max algorithm also has a rule base management method to allow concise and updated rule bases by identifying redundant rules (which are merged) or obsolete rules (which are deleted). The rule base management mechanism makes the model parsimoniously adaptive in nonstationary environments. Another property of the evolving fuzzy algorithm is the dynamic estimation of some learning parameters, which increases the algorithm autonomy, and mitigates the deterioration of the prediction performance due to unsuitable initial choices of the learning parameters. The proposed algorithm is applied in system identification and time series forecasting tasks, and its performance is compared with that of evolving and classic regression algorithms representative of the current state of the art in the area Mestrado Automação Mestre em Engenharia Elétrica CNPQ 159678/2015-3

Orientador: Levy Boccato Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Dentro da área de processamento de sinais, o problema de equalização de canais tornou-se um tópico de pesquisa muito relevante devido a seu vasto horizonte de aplicações em, por exemplo, telecomunicações, processamento sísmico e medicina. De uma forma geral, as técnicas e métodos desenvolvidos para este problema baseiam-se no pressuposto de que a fonte do sinal é estatisticamente independente no tempo. No entanto, a ocorrência de fontes dotadas de dependência temporal (como sinais de áudio e vídeo) é significativa, e ainda há a necessidade de uma análise mais profunda dos métodos de equalização para este contexto. De fato, fontes com dependência temporal exigem um processamento mais profundo dos dados, de forma que a informação contida na estrutura temporal dos dados seja aproveitada para desempenhar a equalização. Neste contexto, emerge uma abordagem promissora que envolve o uso de uma medida chamada correntropia. Esta medida, pertencente ao campo de aprendizado baseado na Teoria da Informação, é capaz de explorar tanto a informação estatística quanto a estrutura temporal dos sinais envolvidos e, por isso, vem sendo amplamente utilizada em equalização de canais com fonte dotada de estrutura temporal. Baseando-se nisso, neste trabalho, realiza-se uma análise detalhada do critério baseado em correntropia para equalização cega, dedicando especial atenção ao efeito dos parâmetros ajustáveis para estimação. Mais detalhadamente, investiga-se a relação entre as versões estimada e analítica da correntropia, em que, neste último caso, alcança-se a derivação analítica para alguns cenários de interesse, o que é outra contribuição deste trabalho. Os resultados experimentais indicam algumas relações entre os principais parâmetros e o desempenho alcançável Abstract: Within the area of signal processing, the channel equalization problem has become a very relevant research topic due to its wide range of applications, for example, in telecommunications, in seismic imaging and in medicine. In general, the techniques and methods developed for this problem are based on the assumption that the signal provided by the source is statistically independent in time. However, the occurrence of sources with temporal dependence (such as audio and video signals) is significant and still requires a more in-depth analysis of the equalization methods for this context. In fact, temporally structured sources require deeper processing of the data, so that the information contained in the temporal structure of the data is explored to perform the channel equalization. In this context, a promising approach emerges, which involves the use of a measure called correntropy. This measure comes from the field of the Information Theoretic Learning (ITL), and is capable of exploring both the statistical information and the temporal structure of the signals involved and, therefore, it has been widely used in channel equalization with sources with temporal structure. Based on this, in this work, a detailed analysis of the criterion based on correntropy for blind equalization is performed, giving particular attention to the effect of the adjustable parameters for estimation. In more detail, the relationship between the estimated and analytical versions of the correntropy is investigated, in which, in the latter case, the analytical derivation is reached for some scenarios of interest, which is another contribution of this work. The experimental results indicate some relationships between the main parameters and the attainable performance Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CAPES

Orientadores: Leonardo Tomazeli Duarte, Cristiano Torezzan Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas Resumo: A Análise Envoltória de Dados (DEA, do inglês Data Envelopment Analysis) vem sendo amplamente utilizada para cálculo de eficiência de unidades tomadoras de decisão (DMUs, do inglês Decision-Making Units) em diversas áreas do conhecimento. Em muitos problemas reais, é necessário realizar algum pré-processamento de dados para o uso de tal técnica. Por exemplo, em situações práticas, pode ocorrer que alguns valores de entrada e/ou saída não estejam disponíveis para todas as DMUs. Assim sendo, torna-se necessário estabelecer uma estratégia para lidar com os dados faltantes. Nesse contexto, o presente trabalho aplica um método de completamento de matrizes de posto reduzido para o pré-processamento dos dados faltantes em diferentes modelos DEA. O método utilizado é avaliado através de experimentos numéricos com dados sintéticos e reais. São comparadas, para diversas proporções de dados faltantes, as eficiências das DMUs obtidas após o completamento de matrizes com dados em falta com aquelas obtidas em uma situação ideal, na qual todos os dados são conhecidos. Foram realizadas também comparações com outras abordagens que lidam com dados faltantes no contexto da DEA. Os resultados obtidos indicam a viabilidade do uso do método de completamento de matrizes de posto reduzido em modelos DEA Abstract: Data Envelopment Analysis (DEA) has been widely applied to estimate the efficiency of decision-making units (DMUs) in several domains of application. However, in many cases it is necessary to perform some data preprocessing routines for the use of such technique. For example, in practical situations, it may occur that some of the input and/or output values are not available for all DMUs. Therefore, it becomes necessary to establish a strategy to deal with the missing data. In this context, the present work applies a low-rank matrix completion method for preprocessing missing data in different DEA models. The considered method is evaluated through numerical experiments with synthetic and real data. The DMUs efficiencies obtained after recovering matrices with missing entries are compared, for several proportions of missing data, to those obtained in an ideal situation, in which all data are known. Comparisons were also made with other approaches that deal with missing data in the context of DEA. The obtained results attest the feasibility in the use of the low-rank matrix completion method in DEA models Mestrado Pesquisa Operacional e Gestão de Processos Mestre em Engenharia de Produção e de Manufatura CAPES 01-p-3718/2017

Orientador: Levy Boccato Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: O estudo de modelos para prever distribuições de probabilidade condicionais de uma série temporal constitui um fator importante para uma gestão de risco mais eficiente referente a um sistema que depende dessa série, como ocorre, por exemplo, no contexto de séries financeiras ou séries de vazões de rios. Em vista disso, propomos um modelo que prevê, com regras lineares do tipo ARMA, os momentos condicionais da série temporal. Além disso, a distribuição condicional construída pelo modelo é representada por meio de misturas de componentes normais, cujos parâmetros são determinados a fim de assegurar que a mistura normal possua exatamente os momentos definidos pelas leis ARMA. Para isto, empregamos o método dos momentos para misturas normais. Finalmente, a estimação do modelo é realizada pela maximização de sua quasi-verossimilhança com o auxílio de meta-heurísticas de otimização. Além de estudar a sensibilidade destas meta-heurísticas em relação aos principais hiperparâmetros, bem como a consistência do estimador de quasi-verossimilhança para o modelo proposto, foi realizada uma comparação de seu desempenho, expresso em termos de diferentes métricas de avaliação, com aqueles associados a modelos da literatura, como, por exemplo, o ARMA, o GARCH e o NMGARCH, em cenários envolvendo séries sintéticas, financeiras e de vazões de rios. Os resultados obtidos no âmbito das séries sintéticas mostraram que o critério de Kolmogorov-Smirnov foi capaz de revelar de forma mais consistente o modelo específico que efetivamente gerou a série de observações. Considerando este critério, verificamos que o modelo proposto deu origem a aproximações mais adequadas das distribuições de probabilidade condicionais no caso das séries financeiras BRLUSD, Nikkey225 e Ibovespa. Por fim, no cenário de previsão de vazões de rios, o modelo proposto forneceu estimativas de menor erro quadrático e absoluto em relação aos valores verdadeiros para as séries de Água Vermelha e Emborcação, representando, portanto, uma opção promissora e flexível para a modelagem de séries reais Abstract: The study of models for forecasting conditional probability distributions from a time series is an important factor for more efficient risk management related to a system that depends on this series, as occurs, for instance, in the context of financial series or river flows series. Therefore, we propose a model that forecasts the conditional moments of the time series by using linear rules of the ARMA type. Moreover, the conditional distribution constructed by the model is represented by mixtures of normal components whose parameters are determined so as to ensure that the normal mixture has exactly the moments defined by the ARMA rules. For this, we use the method of moments for normal mixtures. Finally, the parameters of the model are estimated by maximizing its quasi-likelihood with the aid of optimization metaheuristics. Besides studying the sensitivity of these metaheuristics in regard to the main hyperparameters, as well as the consistency of the quasi-likelihood estimator for the proposed model, a comparison was made between its performance, expressed in terms of different evaluation metrics, and those associated with models found in the literature, such as ARMA, GARCH, and NMGARCH in scenarios involving synthetic, financial, and river flows series. The results obtained for the synthetic series showed that the Kolmogorov-Smirnov criterion was able to reveal more consistently the specific model that actually generated the series of observations. Considering this criterion, we verified that the proposed model produced more accurate approximations of the conditional probability distributions in the case of the financial series BRLUSD, Nikkey225, and Ibovespa. Finally, with regard to predicting river flows, the proposed model obtained estimates of lowest quadratic and absolute errors compared to the real values for the Água Vermelha and Emborcação series, thus representing a promising and flexible alternative for modeling real series Doutorado Engenharia de Computação Doutor em Engenharia Elétrica CNPQ 159836/2013-1

Por volta de 1764 aparece um novo ramo da ciência - A teoria de controle - quando James Watt consertou uma máquina Newcomen e percebeu que essa era ineficiente, e criou um sistema de controle de velocidades. A evolução destes sistemas controladores pode ser observada no controle utilizando a equação de Riccati dependente de estados (SDRE). Apesar de ser uma técnica muito avançada em relação à capacidade de realizar o controle, alguns problemas precisam ser encarados quanto à sua utilização, como a necessidade de se ter recursos computacionais de alto nível e custo. Essas questões podem impedir o uso da técnica SDRE em alguns sistemas. Uma solução para este problema é apontada através do uso de uma rede neural (RNA) chamada de Rede Neural com Estados de Eco (ESN). As RNAs possuem arquiteturas baseadas em redes neurais biológicas para que tenhamos resultados desejados na saída. Para que essa saída seja satisfatória a rede neural passa por um processo de treinamento. Sendo assim, usase os dados de comportamento do SDRE para a realização do treinamento da ESN. Depois disso, realizam-se testes quanto à eficiência da rede neural no controle do sistema a ser controlado e ao custo computacional. Os resultados são comparados aos obtidos com o controle ESN. Este teste foi realizado para um sistema micro eletromecânico e o controle da suspensão ativa de um half-car. Os resultados obtidos foram positivos, pois a ESN conseguiu realizar o controle utilizando menos tempo de processamento em relação ao SDRE, além de possuir uma estrutura base fixa, possibilitando ajustes para realização de diferentes tipos de controle. In around 1764, it emerged a new branch of science – the theory of control - when James Watt was given a model Newcomen engine to repair. He realised that it was hopelessly inefficient and began to work to improve the design. He did a velocit controller to solve the problem. The evolution of these systems is shown in State-dependent Riccati equation (SDRE) techniques. Although it is a very advanced technique in relation to the capacity of performing control, some problems have to be faced for its use, as the necessity of computational resources of high level and cost, which may impede the use of SDRE in some systems. The solution for these problems is pointed out in this study by the use of Echo State Neural Networks (ESNs). These neural networks have inputs and outputs and the inputs are processed through the use of algorithms in order to reach the desired results, and for that the neural network has to be under a task of training. After that we use the behavioral SDRE data for the training followed by the neural network efficiency test for the system control and for the computational cost. The results are compared to the ones obtained with the ESN control. This test was realized for a micro eletromechanical system and the control of the active suspension of a half-car. The results were positive as the ESN could perform the control in a short time in relation to the SDRE. There is also a fixed structure which makes possible some adjusts for different kinds of control.