Banca de TCC: Leonardo de Lima Corrêa

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2014/2)

Implementação E Análise De Técnicas De Inteligência Artificial Aplicadas À Clusterização Em Recursos Hídricos
por
Leonardo de Lima Corrêa

Curso:
Ciência da Computação

Banca:
Prof. Marilton Sanchotene de Aguiar (orientador)
Prof. Samuel Beskow (co-orientador)
Profa. Daniela Francisco Brauner
Prof. Anderson Priebe Ferrugem
Eng. Tamara Leitzke Caldeira

Data: 08 de Dezembro de 2014

Hora: 13:30h

Local: Pós 1, FAT.

Resumo do Trabalho: A clusterização de dados desempenha um importante papel na descoberta de padrões em conjunto de dados, consistindo em um processo que busca classificar objetos baseado na aprendizagem não supervisionada, alocando elementos similares em um mesmo cluster e distintos em clusters diferentes. No campo da Hidrologia Aplicada, existe grande necessidade de agrupar séries históricas de vazão em cursos d’água de bacias hidrográficas, com comportamento hidrológico similar, visando dispor técnicas de transposição de informações de bacias com dados para bacias sem dados, dentro da mesma região dita com padrão hidrológico similar. Este trabalho apresenta uma análise, a respeito de diferentes técnicas propostas para a realização de clusterização, incluindo algoritmos mais clássicos, algoritmos mais complexos que envolvem conceitos da Lógica Fuzzy e de Algoritmos Genéticos, além de diferentes métricas de distância e métodos que visam melhorar a inicialização dos algoritmos. Como estudo de caso, empregaram-se conjuntos de dados de vazão de 78 bacias hidrográficas situadas no estado do Rio Grande do Sul. Para cada um dos conjuntos de dados, aplicou-se uma medida de sazonalidade visando estabelecer atributos, sendo elas, Seasonality Ratio, Seasonality Index e Seasonality Histogram. Os melhores resultados foram obtidos através do estudo de caso idealizado a partir da medida de sazonalidade Seasonality Ratio, aliado aos algoritmos Genetic K-means Algorithm e K-means++, utilizando como métrica de distância a distância Euclidiana, tanto analisando os valores obtidos através das métricas de validação empregadas, quanto analisando visualmente as espacializações dos dados.

Para mais informações acesse: http://inf.ufpel.edu.br/notcc/doku.php?id=bancas:2014_2