Navegando por Assunto "Feature selection"

Agora exibindo 1 - 3 de 3

Acesso aberto (Open Access)
Classificação fonética utilizando Boosting e SVM
(Universidade Federal do Pará, 2006-02-17) TEIXEIRA JÚNIOR, Talisman Cláudio de Queiroz; PELAES, Evaldo Gonçalves; http://lattes.cnpq.br/0255430734381362; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Para compor um sistema de Reconhecimento Automático de Voz, pode ser utilizada uma tarefa chamada Classificação Fonética, onde a partir de uma amostra de voz decide-se qual fonema foi emitido por um interlocutor. Para facilitar a classificação e realçar as características mais marcantes dos fonemas, normalmente, as amostras de voz são pré- processadas através de um fronl-en'L Um fron:-end, geralmente, extrai um conjunto de parâmetros para cada amostra de voz. Após este processamento, estes parâmetros são insendos em um algoritmo classificador que (já devidamente treinado) procurará decidir qual o fonema emitido. Existe uma tendência de que quanto maior a quantidade de parâmetros utilizados no sistema, melhor será a taxa de acertos na classificação. A contrapartida para esta tendência é o maior custo computacional envolvido. A técnica de Seleção de Parâmetros tem como função mostrar quais os parâmetros mais relevantes (ou mais utilizados) em uma tarefa de classificação, possibilitando, assim, descobrir quais os parâmetros redundantes, que trazem pouca (ou nenhuma) contribuição à tarefa de classificação. A proposta deste trabalho é aplicar o classificador SVM à classificação fonética, utilizando a base de dados TIMIT, e descobrir os parâmetros mais relevantes na classificação, aplicando a técnica Boosting de Seleção de Parâmetros.
Acesso aberto (Open Access)
Desenvolvimento de sistema de diagnóstico de falhas em roletes de transportadores de correia
(Universidade Federal do Pará, 2024-03-28) SOARES, João Lucas Lobato; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
Os transportadores de correia são equipamentos essenciais na indústria de mineração e requerem monitoramento constante para manter uma boa confiabilidade. Com o objetivo de suportar a correia e o material transportado, os roletes são componentes que, constantemente, falham durante a operação, nos quais apresentam defeitos nos rolamentos e desgaste superficial na concha como modos de falha mais comuns. Assim, o monitoramento baseado em manutenção preditiva é essencial, e técnicas de aprendizado de máquina podem ser utilizadas como alternativa para detecção de falhas em equipamentos. Em diagnósticos utilizando aprendizado de máquina, a etapa de seleção de features é importante para evitar a perda de precisão na classificação da condição do equipamento. O presente estudo analisa o desempenho do algoritmo de árvore de decisão e Análise de Variância (ANOVA) como métodos alternativos para redução de dimensionalidade. Inicialmente, os sinais de vibração foram coletados nos roletes de uma bancada de transportador de correia e a Wavelet Packet Decomposition (WPD) foi aplicada aos sinais para obtenção das faixas de energia, que foram utilizadas como features para classificação. Após a determinação das melhores features, duas abordagens foram analisadas para seleção de características: uma com a aplicação do método sem redução de dimensionalidade e outra com a aplicação da árvore de decisão. Adicionalmente, foram empregados diferentes algoritmos de classificação: Máquina de Vetores de Suporte (SVM), k-ésimo Vizinho mais Próximo (kNN) e Rede Neural Artificial (ANN). Como resultados, constatou-se um desempenho superior de acurácia diagnóstica em todas as técnicas com redução de dimensionalidade das características selecionadas pela árvore de decisão. Além disso, SVM, kNN e ANN apresentaram aumentos de acuracidade dentre os modelos de diagnóstico de falha abordados.
Acesso aberto (Open Access)
Proposta de metodologia para diagnóstico de falha em rolamentos de baixa velocidade
(Universidade Federal do Pará, 2024-04-19) COSTA, Thiago Barroso; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
O monitoramento de rolamentos de baixa velocidade por análise de vibração torna-se desafiador devido ao baixo nível de energia do sinal que carrega os dados relativos à falha, tornando-o suscetível a interferências de outras fontes, prejudicando a interpretação da informação. Diante disso, uma alternativa é calcular características do sinal sensíveis a alterações de padrão relacionadas ao início e progressão de falha. Assim, o presente trabalho extraiu diferentes tipos de features, entre elas, duas não-lineares e onze extraídas do sinal no domínio do tempo. As quais foram ranqueadas e selecionadas por sua sensibilidade em diferenciar entre classes, o que se estimou por meio do valor estatístico do teste t de Welch. Entre elas, o Máximo Expoente de Lyapunov, que, no presente trabalho, passou por uma alteração em uma de suas etapas de cálculo, resultando em um aumento de sua sensibilidade em alguns casos. Ademais, a influência do tamanho da janela do sinal de vibração na separabilidade dos indicadores também foi analisada (conteúdo escasso na literatura de monitoramento de rolamentos de baixa velocidade). Após a seleção de features, os dados passaram por uma transformação linear mediante PCA (Análise de Componentes Principais), visando reduzir a dimensionalidade dos dados para três dimensões e diminuir os efeitos de redundâncias de preditores altamente correlacionados. Na sequência, os dados representados no espaço das componentes principais foram projetados na carta de controle estatístico T2 de Hotelling. Esta permitiu a detecção e eliminação de potenciais outliers, os quais consistiram em pontos acima de uma linha limite estimada com base na distribuição estatística F. Finalmente, modelos de classificação binário e multiclasse de Máquina de Vetores de Suporte foram treinados com dados coletados em ensaio de laboratório com rolamentos sem e com defeito incipiente em três diferentes níveis. Os modelos apresentaram ótima performance, sobretudo o binário diante de dados de teste oriundos de mancais de tambores de transportadores de correia em plena operação industrial.