Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC
URI Permanente para esta coleçãohttps://repositorio.ufpa.br/handle/2011/2316
O Mestrado Acadêmico inicou-se em 1986 e pertence ao Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) do Instituto de Tecnologia (ITEC) da Universidade Federal do Pará (UFPA).
Navegar
Navegando Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC por Linha de Pesquisa "PROCESSAMENTO DIGITAL DE SINAIS"
Agora exibindo 1 - 3 de 3
- Resultados por página
- Opções de Ordenação
Dissertação Acesso aberto (Open Access) Estimativa da força de reação do solo a partir de acelerômetros com redes neurais profundas: um estudo comparativo entre arquiteturas BI-LSTM, TCN e híbrida(Universidade Federal do Pará, 2025-08-12) LIMA JÚNIOR, Sérgio de Nazaré Rodrigues; ZAMPOLO, Ronaldo de Freitas; http://lattes.cnpq.br/9088524620828017; https://orcid.org/0000-0002-2460-3135; PEREIRA JÚNIOR, Antônio; http://lattes.cnpq.br/1402289786010170; https://orcid.org/0000-0002-0808-1058; GOMES, Bruno Duarte; MATOS, Felipe de Oliveira; CARDOSO, Diego Lisboa; ***; ***; http://lattes.cnpq.br/0507944343674734; ***; ***; https://orcid.org/0000-0002-5971-3668A força de reação do solo (Ground Reaction Force – GRF) é uma variável biomecânica essencial para a análise da marcha humana, amplamente utilizada em contextos clínicos, esportivos e de reabilitação. Tradicionalmente, sua medição precisa depende de plataformas de força ou palmilhas instrumentadas, equipamentos de alto custo e restritos a laboratórios especializados. Este estudo propõe uma alternativa baseada na estimativa da GRF por meio de sinais de acelerômetros processados por redes neurais profundas. Foram comparadas três arquiteturas: Bi-LSTM (Bidirectional Long Short-Term Memory), TCN (Temporal Convolutional Network) e uma arquitetura Híbrida. O pré-processamento envolveu filtragem, normalização por z-score e janelamento, e o treinamento supervisionado foi realizado com validação cruzada. Os resultados demonstraram que o sensor posicionado no pé apresenta a maior similaridade com a GRF, justificando seu uso nos modelos. Entre as arquiteturas, o modelo Híbrido obteve o melhor desempenho em termos de acurácia (RMSE de 103,22 N, rRMSE de 6,90%, R² = 0,87 e correlação cruzada de 0,96), enquanto a Bi-LSTM apresentou resultados próximos, porém com maior custo de treinamento. Já a TCN, apesar de ser a mais eficiente em termos de tempo de processamento (6 minutos e 13 segundos no treinamento e 0,02 segundos por predição), apresentou desempenho inferior (RMSE de 152,05 N, rRMSE de 10,49% e R² = 0,70). Esses achados evidenciam um compromisso entre desempenho e eficiência computacional: o modelo Híbrido destacou-se como a melhor opção para estimativas precisas da GRF. Em todos os casos, os tempos de inferência foram reduzidos e compatíveis com aplicações em tempo real, confirmando a viabilidade da abordagem proposta para monitoramento da marcha fora de ambientes laboratoriais.Dissertação Acesso aberto (Open Access) Modelos de detecção de nuvens usando redes neurais totalmente convolucionais em imagens multiespectrais do sentinel-2(Universidade Federal do Pará, 2025-03-28) CORRÊA, Alan Breno Soares; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609; xxx; ARAÚJO, Jasmine Priscyla Leite de; COSTA, Gabriel Brito; CARDOSO, Diego Lisboa; http://lattes.cnpq.br/4001747699670004; http://lattes.cnpq.br/0980355943575182; http://lattes.cnpq.br/0507944343674734; https://orcid.org/0000-0003-3514-0401; https://orcid.org/0000-0002-5254-489X; https://orcid.org/0000-0002-5971-3668A detecção precisa de nuvens em imagens de satélite é fundamental para diversas aplicações de sensoriamento remoto, como monitoramento ambiental e análise de mudanças na cober-tura terrestre. Satélites como o Sentinel-2 desempenham um papel essencial nesse contexto, pois fornecem imagens de alta resolução em nível global, com curto período de revisita (5 dias). No entanto, a presença de nuvens e sombras de nuvens representa um grande desafio no pré-processamento dessas imagens, dificultando a extração precisa de informações. Diversas abordagens baseadas em limiares espectrais e aprendizado profundo foram desenvolvidas para mitigar esse problema, mas ainda há espaço para melhorias. Neste trabalho, propõe-se o uso de Fully Convolutional Neural Networks (FCNNs) para a segmentação de nuvens em imagens do Sentinel-2, explorando diferentes níveis de processamento (L1C e L2A) e combinações de bandas espectrais na entrada (todas as bandas e RGB+NIR). Modelos baseados na arquitetura UNet foram treinados utilizando os encoders EfficientNet-B1 e MobileNet-V2, visando comparar desempenho, eficiência na segmentação e impacto do número de bandas. O conjunto de dados CloudSen12, composto por 10.000 imagens de 512×512 pixels de diferentes regiões do mundo, foi utilizado para os experimentos, abrangendo diversas condições atmosféricas. A avaliação quantitativa incluiu métricas como Acurácia, Intersection over Union (IoU) e F1-Score, enquanto a análise qualitativa foi realizada por meio da inspeção visual das máscaras de segmentação. Os resultados demonstraram que o encoder EfficientNet-B1 apresentou o melhor desempenho, atingindo 95,21% de acurácia, 82,74% de IoU e 90,56% de F1-Score. Além disso, modelos treinados com apenas as bandas RGB+NIR apresentaram desempenho competitivo, com acurácia de 94,87%, IoU de 81,38% e F1-Score de 89,73%. A análise entre os níveis de processamento indicou que a remoção de efeitos atmosféricos no nível L2A teve pouca influência na segmenta- ção em relação ao nível L1C. Por fim, os modelos propostos superaram abordagens tradicionais e outras arquiteturas da literatura, destacando o potencial das FCNNs para aprimorar a detecção de nuvens em aplicações de sensoriamento remoto.Dissertação Acesso aberto (Open Access) Redesigning CAVIAR: a framework for next-Generation 6G/B6G simulations(Universidade Federal do Pará, 2025-10-27) ALBUQUERQUE, João Pedro Barbosa; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284; https://orcid.org/0000-0001-7773-2080; Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339A evolução das redes móveis rumo à sexta geração (6G) e à consolidação do Open Radio Access Network (Open RAN) demanda ferramentas de simulação flexíveis, modulares e capazes de integrar comunicação, mobilidade e inteligência artificial em cenários ultra-realistas. Este trabalho apresenta a mais recente versão do framework Communication Networks, Artificial Intelligence and Computer Vision with 3D Computer-generated Imagery (CAVIAR), uma ferramenta de co-simulação alinhada às diretrizes do 3rd Generation Partnership Project (3GPP), capaz de integrar módulos independentes para simulação tridimensional (3D), mobilidade, comunicações e inteligência artificial, orquestrados de forma assíncrona para execução emtempo real. O CAVIAR incorpora modelagem de canais por traçado de raios (ray tracing) utilizando Sionna-Ray Tracing (Sionna-RT) e Wireless InSite, simulação de redes de quinta geração (5G) com Network Simulator 3 (ns-3) e módulo 5G-Lena, técnicas de aceleração de cálculos de propagação e monitoramento interativo por meio de InfluxDB e Grafana. Para validar o ferramental, foram implementados três casos de uso representativos alinhados aos estudos descritos nas especificações do 3GPP Release 19: (i) monitoramento de animais em áreas rurais com alocação dinâmica de Physical Resource Blocks (PRBs) via Open RAN, busca e resgate urbano com detecção de pessoas usando You Only Look Once (YOLO) sobre enlace de Non-Terrestrial Network (NTN), e coordenação de robôs em ambientes internos com Integrated Sensing and Communication (ISAC) multimodal combinando Light Detection and Ranging (LiDAR) e imagem Red, Green, Blue (RGB). Os resultados demonstram que o CAVIAR atinge Indicadores-Chave de Desempenho (Key Performance Indicators – KPIs) com alta precisão e baixo uso de recursos computacionais (Unidade Central de Processamento – CPU, Unidade de Processamento Gráfico – GPU e Memória de Acesso Aleatório – RAM), mesmo em cenários complexos, possibilitando a execução de aplicações de rede sensíveis à latência e com alta confiabilidade, reforçando sua aplicabilidade para pesquisas avançadas em 5G-Advanced e 6G.