Eventos
Divulgação - Defesa Nº 189
Aluno: Milla Silva Alcoforado Ferro
Título: “Interpretação do Aprendizado em Redes Neurais Piramidais com Restrição Não-negativa”.
Orientador: Prof. Bruno José Torres Fernandes
Data-hora: 28/Dezembro/2018 (9:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
“Redes Neurais Artificiais têm sido aplicadas com sucesso em diversos problemas de reconhecimento de padrões. Mesmo diante das muitas vantagens apresentadas por esse modelo, ainda há desvantagens na aplicação de redes neurais que ainda não foram resolvidas inteiramente. Uma delas diz respeito ao fato de esses modelos serem considerados como caixas-pretas. Entender o aprendizado das redes neurais é uma tarefa complexa devido às suas camadas não-lineares. É difícil compreender o que as fazem chegar a uma classificação particular ou decisão de reconhecimento dado um exemplo não visto da base de dados. Métodos de visualização do aprendizado da rede podem ser uma alternativa para mitigar este problema. Pois, através deles, pode-se entender melhor o comportamento das redes neurais, possibilitando inclusive o aperfeiçoamento dos modelos. Além disso, estudos tem demonstrado que restrições de não-negatividade em redes neurais também contribuem para a geração de modelos mais interpretáveis, devido a realização de um aprendizado por partes. Por isso, através da inserção da não-negatividade juntamente com um método de visualização, objetiva-se contribuir para geração de redes neurais mais transparentes e interpretáveis, para que forneçam não só o resultado final como também intuições sobre os dados de entrada e o funcionamento do classificador. Os experimentos foram realizados com duas redes piramidais, a Lateral Inhibition Pyramidal Neural Network (LIPNet) e a Structured Pyramidal Neural Network (SPNN), em problemas de reconhecimento de gênero e faces. Os resultados mostraram que os modelos não-negativos se revelaram mais interpretáveis. Além disso, houve ganhos na estabilidade e na robustez da rede.”
Divulgação - Defesa Nº 188
Aluno: Celso Antônio Marcionilo Lopes Júnior
Título: “Aplicação de modelo Long Short-Term Memory na Classificação e Previsão das Rampas de Potência Eólica”.
Orientador: Prof. Mêuser Jorge Silva Valença
Data-hora: 27/Dezembro/2018 (10:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
“A produção de energia elétrica por fontes eólicas cresce a cada ano e já integra parte da matriz energética global, mas sua principal fonte, o vento, apresenta variações de velocidade algumas vezes indesejáveis. Quando estas variações atingem uma determinada taxa acima do limite da potência nominal de um parque eólico, surge um evento que gera instabilidade para a produção de energia. Este problema é conhecido como eventos de rampa eólica. Prever com precisão e antecipação os eventos de rampa, pode mitigar o problema da incerteza e instabilidade na geração de potência eólica, proporcionando uma janela de tempo suficiente para que os operadores do sistema selecionem alternativas de controle e estabilidade. Neste sentido, este trabalho propõe a utilização de um modelo de rede neural recorrente baseado na arquitetura da rede long short-term memory, que tem a capacidade de tratar o problema de perda do sinal de erro nas dependências de longo prazo, para a classificação e previsão de ocorrências das rampas eólicas. Outras abordagens de redes neurais foram usadas como referência, três modelos com base na arquitetura das redes recorrentes de aprendizado profundo, uma Multilayer Perceptron, e outra com base na Reservoir Computer. Os dados de potência gerada por três parques eólicos foram utilizados para os experimentos. Fazendo uso da métrica para taxa de sucesso e aplicação de testes estatísticos, após os experimentos, o modelo proposto com base na arquitetura da long short-term memory apresentou resultados significativamente superiores aos modelos de referência.”
Divulgação - Defesa Nº 186
Aluno: Renan Costa Alencar
Título: “Otimizando o Team Ant Colony System para cálculo de múltiplas rotas para a distribuição de materiais e medicamentos”.
Orientador: Prof. Carmelo José Albanez Bastos Filho
Data-hora: 26/Outubro/2018 (15:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
“Dentro da logística hospitalar, a distribuição de medicamentos e materiais hospitalares pode ser considerada como um problema que combina dois problemas conhecidos, Múltiplos Caixeiros Viajantes (MTSP) e o Problema de Mochila (KP). Problemas do tipo MTSP visam minimizar o deslocamento total dos caixeiros, com a restrição de que os caminhos devem começar e terminar no depósito e todas as localidades intermediárias devem ser visitadas uma única vez. Por outro lado, o KP é um problema combinatório que aloca espaço em uma mochila de acordo com uma seleção prévia de objetos. Assim, o valor total de todos os objetos escolhidos é maximizado na mochila. Uma variação do algoritmo Ant Colony System (ACS), baseado no comportamento de colônia de formigas, é utilizado para resolver problemas MTSP. Esta variação, o Team Ant Colony Optimization – TACO, desenvolvido por Vallivaara (2008), possui N times de formigas de m elementos, onde cada formiga de um time corresponde a um caixeiro na construção de uma solução para o problema. A utilização deste algoritmo visa realizar a distribuição de medicamentos e materiais hospitalares criando rotas otimizadas para múltiplos entregadores, em um dia de trabalho, de forma simultânea. Em resultados preliminares, a abordagem acima se mostrou promissora para dois cenários: minimizar a maior rota individual, distribuindo a carga de maneira uniforme para todos os entregadores, e minimizar o custo total das soluções, isto é, a soma de todos os custos das rotas individuais dos entregadores. Entretanto, estes objetivos são concorrentes. Este trabalho propõe a utilização dos algoritmos meta-heurísticos de optimização como Fish School Search – FSS e Particle Swarm Otptimization – PSO como otimizadores globais dos parâmetros inerentes do TACO para obter resultados melhores para os objetivos acima descritos. Nos resultados, a utilização de otimizadores globais mostraram-se promissores para otimização dos objetivos ora utilizados pelo TACO. Por fim, a otimização dos cenários acima, simultaneamente, é realizada com o TACO em associação a uma variação multi-objetiva do FSS, o Multi-Objective Fish School – MOFSS, como um otimizador global.”
O Programa
