Engenharia Elétrica
URI permanente desta comunidadehttps://repositorio.fei.edu.br/handle/FEI/21
Navegar
15 resultados
Resultados da Pesquisa
Agora exibindo 1 - 10 de 15
- Aprendizado por reforço profundo com redes recorrentes aplicado a negociação do minicontrato futuro de dólar(2023) Kinoshita, J. K.Recentemente há um aumento exponencial no uso de técnicas de aprendizado de máquina no mercado financeiro, principalmente para negociação de ações, na tentativa de prever o seu preço futuro. O objetivo desse projeto é desenvolver um sistema de negociação inteligente para o Minicontrato Futuro de Dólar, baseado no uso de aprendizado por reforço, usando o Deep Recurrent Q learning, um modelo de Redes Neurais Convolucionais combinadas com as Redes Neurais Recorrentes. O treinamento foi baseado em uma base da dados históricos do ativo e o agente realizou três ações: comprar, vender, manter o ativo, sempre visando o máximo retorno financeiro. Os experimentos realizados demonstraram que o sistema proposto teve um desempenho melhor do que as estratégias de Buy and Hold, um modelo baseado na Deep Q Network, um Fundo Cambial e uma estratégia baseada no indicador técnico MACD. Palavras-chave: Aprendizado por Reforço Profundo. Redes Neurais Convolucionais. Redes Neurais Recorrentes. Long Short-Term Network. Deep Recurrent Q Network. Mercado Futuro
- Estudo de algoritmos de otimização inspirados na natureza aplicados ao treinamento de redes neurais artificiais(2021) Bouzon, M. F.Redes Neurais Artificiais (RNAs) são técnicas de aprendizado de máquina e inteligência artificial muito populares, propostas desde os anos 50. Entre seus maiores desafios estão o treinamento de parâmetros tais como pesos, parâmetros das funções de ativação e constantes, assim como dos seus hiper-parâmetros, como a arquitetura das redes e densidade de neurônios por camada. Entre os algoritmos mais conhecidos para a otimização paramétrica das redes estão o Adam e o Retropropagação ou Backpropagation (BP), aplicados sobretudo em arquiteturas populares como o Perceptron multicamadas ou Multilayer Perceptron (MLP), Rede Neural Recorrente ou Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM), Rede neural de Base Radial ou Radial Basis Function Neural Network (RBFNN), entre muitas outras. Recentemente, o grande sucesso das redes neurais profundas, as chamadas Deep Learnings, bem como das redes totalmente conectadas, tem enfrentado problemas de tempo de treinamento e utilização de hardware especializado. Esses desafios deram novo fôlego à utilização de algoritmos de otimização para o treinamento dessas redes, e mais recentemente aos algoritmos inspirados na natureza, os chamados Inspirados na natureza ou Nature-Inspired (NI). Essa estratégia, embora não seja uma técnica tão recente, ainda não obteve grande atenção de pesquisadores, necessitando hoje de maior número de testes experimentais e avaliação, sobretudo devido ao recente aparecimento de uma gama muito maior de algoritmos NI. Alguns dos elementos que carecem de atenção, sobretudo para os NI mais recentes, estão relacionados principalmente ao tempo de convergência e estudos sobre o uso de diferentes funções custo. Assim, a presente dissertação de mestrado tem por objetivo realizar testes, comparação e estudos sobre algoritmos NI aplicados ao treinamento de redes neurais. Foram testados algoritmos NI tanto tradicionais quanto recentes, sob vários pontos de vista, incluindo o tempo de convergência e funções objetivos, elementos que receberam até o momento pouca atenção dos pesquisadores em testes prévios. Os resultados mostraram que a utilização de algoritmos NI para treinamento de RNAs tradicionais obtiveram resultados com boa classificação, similares a algoritmos populares como o Adam e o Algoritmo Backpropagation com Momento (BPMA), mas superando esses algoritmos em termos de tempo de convergência na ordem de 20 a mais de 70%, dependendo da rede e dos parâmetros envolvidos. Isso indica que a estratégia de usar algoritmos NI, sobretudo os mais recentes, para treinamento de redes neurais é um método promissor que pode impactar cada vez mais no tempo e qualidade dos resultados das aplicações recentes e futuras de aprendizado de máquina e inteligência artificial.
- Rede de unidades recorrentes chaveadas e transformadas discretas de ondaletas à previsão e operação no mercado financeiro(2021) Biazon, V.Operar no mercado de ações sempre trás consigo o desafio de escolher a melhor decisão a ser tomada a cada passo no tempo. O problema é intensificado pela teoria de que não é possível prever uma série temporal do mercado financeiro uma vez que toda informação relacionada ao preço da ação já está contida em si, teoria conhecida como Hipótese dos Mercados Eficientes - Efficient Market Hypothesis (EMH). Embora o mercado em geral não tenha tendências distinguíveis, portanto sendo consistente com a EMH, existem várias janelas de tempo onde há alguma previsibilidade de certa extensão nos dados caso consideremos o uso de indicadores técnicos. Neste trabalho é proposto um novo modelo que busca se beneficiar de tais períodos operando para escolher suas decisões e aguardando o melhor momento para executá-las. Este modelo, chamado Rede de Transformada Discreta de Ondaletas e Unidade Recorrente Chaveada - Discrete Wavelet Transform Gated Recurrent Unit Network (DWT-GRU), é dividido em três módulos, sendo eles, o pré processamento dos dados pela transformada de wavelets, o treinamento e a predição do preço de fechamento da ação para dois dias no futuro e a tomada da decisão baseada na avaliação do gradiente do preço de fechamento. O modelo proposto foi comparado com outras arquiteturas de Rede Neural Recorrente - Recurrent Neural Network (RNN), com e sem o uso de pré processamento de ondaletas, e a estratégia de "comprar e segurar". Os resultados mostraram que o modelo proposto superou todos as métricas estatísticas, de acurácia, precisão, revocação e F1, e retorno financeiro de todos os modelos de comparação estabelecidos nas ações analisadas do mercado financeiro brasileiro. As ações analisadas como base para o estudo foram as blue-chips do índice do IBOVESPA sendo elas a PETR4, VALE3, ITUB4, ABEV3, e a Fundo de Índice Negociado em Bolsa - Exchange-Traded Fund (ETF) que espelha o próprio índice, BOVA11. Para dados de treinamento foram utilizados dados desde 2001 para as ações e desde 2008 para a Fundo de Índice Negociado em Bolsa - Exchange-Traded Fund (ETF) BOVA11. Por fim é apresentado o resultado financeiro da aplicação do algoritmo em operações em tempo real de swing-trade comprovando sua eficácia e vencendo a estratégia de "comprar e segurar".
Dissertação Redes neurais convolucionais aplicadas à detecção de objetos no domínio de futebol de robôs humanoides(2021) Abreu, Lucas Ribeiro deA RoboCup é uma das maiores iniciativas no ramo de pesquisa em robótica. Essa iniciativa considera o futebol como um dos maiores desafios para robôs e tem o intuito de promover e ganhar um jogo de futebol entre humanos e robôs até o ano de 2050. O módulo de visão dos robôs é um sistema crítico, pois precisa localizar e classificar objetos de interesse ao robô em tempo real, com o objetivo de tomar a melhor ação dado o ambiente a sua volta. Este trabalho avalia redes neurais convolucionais profundas para detecção da bola de futebol e de robôs. Para tal tarefa, cinco arquiteturas da literatura foram escolhidas e treinadas utilizando conceitos de transferência de aprendizado e aumento de dados. Os modelos foram avaliados em um conjunto de dados de teste, gerando resultados promissores em termos de precisão e quadros por segundo. O melhor modelo atingiu um mAP de 0.98 com 50% de interseção a uma taxa de 14.7 quadros por segundo, sendo executado em uma CPU.- Redes neurais convolucionais aplicadas à negociação de ativos no mercado financeiro(2021) Nascimento, D. G.Previsão do mercado financeiro tem sido um desafio bastante popular nas pesquisas de Aprendizado de Máquina (AM). O desejo da maioria dos investidores é tomar decisões com base em critérios objetivos que venham a proporcionar maior retorno nas operações. Recentemente, estudos têm usado técnicas de Aprendizado Profundo (AP), como Redes Neurais Convolucionais (Convolutional Neural Networks - CNN), para realizar regressão nos preços ou classificação de sinal de negociação em ativos do mercado financeiro. Neste trabalho, é proposta uma arquitetura de sistema que utilizada uma CNN a fim de realizar a indicação da melhor operação para cada momento no mercado de ações, este sistema foi chamado CNN Trading Classifier (CNN-TC). Este sistema é composto por pré-processamento dos dados, classificação pelo modelo CNN e tomada de decisão no mercado. O mesmo foi avaliado com base em dados das bolsas de valores brasileira e americana em três períodos diferentes, para isto foram feitas avaliação estatística, utilizando as métricas de classificação acurácia, precisão, revocação e F1, e financeira com base nas classificações realizadas pelo modelo. Além disso foi realizado um teste em ambiente simulado utilizando o software MetaTrader a fim de atestar a eficácia desta abordagem. Os resultados mostram que o sistema teve resultados estatísticos e financeiros melhores na maioria das avaliações em comparação com o uso de outros modelos de AP e superou a estratégia Buy and Hold (BH) e retornos da renda fixa.
- Avaliação de dor em expressão facial neonatal por meio de redes neurais profundas(2020) Buzuti, L. F.A avaliação da dor neonatal pode sofrer variações entre profissionais de saúde, resultando em intervenção tardia e tratamento inconsistente da dor. Portanto, faz-se fundamental desenvolver ferramentas computacionais de avaliação da dor menos subjetivas e que não sofram influências de variáveis externas. Modelos de Aprendizado Profundo, especialmente baseados em Redes Neurais Convolucionais, ganharam popularidade nas últimas décadas devido à ampla gama de aplicações bem-sucedidas em análise de imagens, reconhecimento de objetos e reconhecimento de emoções humanas. Neste contexto, o objetivo geral desta dissertação foi analisar, quantitativa e qualitativamente, modelos de Redes Neurais Convolucionais na tarefa de classificação automática da dor neonatal por meio de um arcabouço computacional baseado em imagens de faces de dois bancos de dados distintos (um internacional, denominado COPE, e outro nacional, denominado UNIFESP). Como objetivos específicos foram implementados, avaliados e comparados três modelos existentes de redes neurais usados na literatura afim: Neonatal Convolutional Neural Network (N-CNN) e dois tipos da arquitetura ResNet50. Os resultados quantitativos mostraram a superioridade da arquitetura N-CNN para avaliação automática da dor neonatal, com acurácias médias de 87.2% e 78.7% para os bancos de imagens COPE e UNIFESP, respectivamente. No entanto, a análise qualitativa evidenciou que todos os modelos neurais avaliados, incluindo a arquitetura N-CNN, podem aprender artefatos da imagem e não variações discriminantes das faces, mostrando a necessidade de mais estudos para aplicação de tais modelos na prática clínica em questão
Tese Um agrupamento de modelos conexonistas por meio de sinapses artificiais e suas aplicações no mercado de criptomoedas(2020) Vilão Júnior, C. O.Este trabalho propõe um algoritimo, chamado de CMEAS, tem inspiração biológica focada na forma que o crescimento de axônios neuronais atinge seu destino sináptico em outras redes de neurônios. Esse crescimento segue caminhos específicos no cérebro de animais, definidos por determinadas proteínas. O CMEAS foi desenvolvido para agrupar duas redes neurais convolucionais, treinadas a priori em dois tópicos que influenciam simultâneamente o mercado de criptomoedas, como o tópico de notícias e de cotações. O meio pelo qual as redes são agrupadas, ocorre usandose conexões externas às redes originais, para se conectar aos neurônios internos de cada rede. Duas vertentes foram propostas para o treinamento do CMEAS, sendo um com aprendizado supervisionado e outro com aprendizado por reforço. Os resultados comprovados pelos testes de Wilcoxon, demonstram que o CMEAS teve melhor fator de lucro e índice sharpe superior nos experimentos em relação aos algoritimos de agrupamento clássico por meio de votação e redes profundas usadas de forma individual, o algoritimo, também, foi superior em todas as métricas da estratégia compra e retêm (buy and hold), além disso, o algoritimo obteve resultados próximos, porém, melhores que os da CNN-LSTM considerada estado da arte, dadas as métricas utilizadas- Posicionamento de caminhões autônomos para colheita de cana-de-açúcar: uma abordagem baseada em visão computacional(2020) Fernandes, E. A.Diante da constante evolução tecnológica e consolidação como preponderante agente do Produto Interno Bruto brasileiro, o agronegócio alcançou um espaço importante na sociedade brasileira e tem como relevante protagonista, a cana-de-açúcar, que é grande fonte de energia de renovável, além de ser foco constante de evoluções tecnológicas em seu ciclo produtivo. Esse trabalho tem como finalidade apresentar um sistema para posicionamento de caminhões autônomos no processo de colheita de cana-de-açúcar, conforme linhas de plantio pré-estabelecidas a fim de aumentar a produtividade na colheita de cana-de-açúcar. Pois com a manutenção do caminhão corretamente posicionado na pista traçada anteriormente durante o plantio, não há ocorrência de atropelamento do broto da cana-de-açúcar durante o processo de colheita, mantendo assim broto desta intacto e pronto para próxima brotação e subsequente colheita. Quanto mais vezes puder se fazer colheita sem um novo plantio, ou seja, apenas se valendo do broto remanescente da colheita anterior, maior a produtividade no ciclo desta monocultura. Para este trabalho, após a devida aplicação de técnicas de calibração de câmeras, foi levantado um banco de imagens com mais de 24 horas de filmagens que foram convertidas em um banco com mais de 25 mil imagens referentes ao processo de colheita de cana-de-açúcar durante a manhã, tarde e noite. Foram avaliadas 2 hipóteses para atendimento do objetivo deste trabalho com a aplicação Filtro Sobel, Transformada de Hough e Rede Neural Convolucional MobileNet. A hipótese da Rede Neural artificial MobileNet apresentou melhor resultado ao determinar as linhas de plantio com Precisão de 57,22% e Revocação de 28,84%
- Protótipo inteligente de prótese mioelétrica de mão de baixo custo auxiliada por sistema de visão(2020) Rigolin, GlaucoTendo em vista as necessidades de pessoas com amputação de membros superiores, é proposto, neste trabalho, o desenvolvimento de um protótipo de prótese de mão de baixo custo, operando em conjunto com uma rede neural para reconhecimento de objetos presentes no cotidiano para definir o padrão de preensão a ser executado, e de um sistema de Eletromiografia de superfície (sEMG) para comandar o acionamento dos motores da prótese. A prótese foi construída com material chamado de ácido polilático (PLA) e impressa em uma impressora Voolt 3D GI3. A rede neural convolucional Visual Geometry Group (VGG) foi escolhida para a classificação dos objetos e foi modificada para operar no microcomputador Raspberry Pi 3 (RPI3), que foi conectado a uma webcam. Foram utilizados os softwares Keras, como interface de programação de aplicativos, e TensorFlow, como software de computação numérica. Por meio de um banco de imagens de objetos de uso diário, a rede neural foi treinada para a classificação dos objetos, em função do tipo de preensão necessário para pegá-los, em cinco classes: Potência Punho Neutro, Potência Punho Pronado, Pinça de três pontos, Extensão do Indicador e Preensão Lateral. A imagem capturada do objeto que se deseja manusear é classificada pela rede neural e, por meio do sinal dos sensores de sEMG, o microcomputador Raspberry Pi comanda o fechamento e abertura da prótese para a correta manipulação do objeto. A prótese de mão proposta obteve 100% de acurácia para a preensão de objetos da classe potência com punho neutro, 99% de acurácia para a preensão de objetos da classe potência com punho pronado, 98% de acurácia para a preensão de objetos da classe pinça de três pontos, 99% de acurácia para a preensão de objetos da classe preensão lateral e 99% de acurácia para o uso da classe extensão do indicador
- Classificação de cenas em imagens através da arquitetura cognitiva lida(2020) Goulart, H. X.Na área de visão computacional, dentre as diversas linhas existentes, há aquela denominada de generalista. Esta vertente consiste em estudos amplos, incluindo muitos elementos e variáveis; nesse caso, inúmeras aplicações podem ser desenvolvidas dentro de um mesmo estudo. Um dos principais problemas estudados na área de visão computacional, seguindo a linha generalista, é conhecido como classificação de cenas. Na literatura, esse problema é geralmente enfrentado com o uso de técnicas de Deep Learning em combinação com outras técnicas de classificação. Em contrapartida, uma linha de pesquisa conhecida como arquiteturas cognitivas, que embora seja pouco explorada em visão computacional, vem sendo estudada nas últimas décadas buscando mesclar conceitos da neurociência e da ciência da computação. Neste trabalho, será apresentado um modelo que agrega a arquitetura cognitiva Learning Intelligent Distribution Agent (LIDA) com métodos já utilizados na área, visando estudar os aspectos poucos explorados até o momento, que são proporcionadas por esta união. Dentre os métodos existentes na área, serão utilizados o Support Vector Machine (SVM), Multilayer Perceptron (MLP) e Redes Neurais Convolucionais (CNN). Este trabalho contribuiu para a união pouco explorada descrita aqui, e também serve como base pra futuros trabalhos que estudem problemas através desta união. Outra contribuição é que o presente trabalho apresentou resultados similares ao estadoda-arte em bases de dados frequentemente utilizadas na área, como é o caso do MIT Indoor 67 (85,9% de acurácia) e SUN 397 (69,4% de acurácia), que são bases de cenas naturais coloridas segregadas entre diversas classes