Engenharia Elétrica e Computação - Teses - EE Higienópolis

URI Permanente para esta coleção

Navegar

Submissões Recentes

Agora exibindo 1 - 5 de 69
  • Tese
    Explorando sequências de d-primos e de divisores com algoritmos de visibilidade
    Mayer, Brian Lee (2023-08-03)

    Escola de Engenharia Mackenzie (EE)

    Seja d-primo um número natural com exatamente d divisores. De acordo com essa definiçâo, os números primos usuais correspondem ao caso particular d = 2. Parte desta tese consiste em investigar computacionalmente as sequências numéricas que correspondem às lacunas entre d-primos consecutivos, com d ∈ {2, 3, ..., 16}. A partir dessas sequências, são construídos grafos usando algoritmos de visibilidade natural e de visibilidade horizontal e, então, a topologia desses grafos é analisada. Nessas analises, são também calculadas a entropia informacional das sequências de lacunas e a densidade dos d-primos. As simulações computacionais mostram que os grafos gerados a partir das lacunas entre d-primos consecutivos têm, em geral, uma distribuição de graus que é livre-de-escala. Essas simulações mostram que a densidade de d-primos para d par é muito maior do que para d ímpar e que a entropia informacional é maior para d ímpar do que para d par, para d ∈ {2, 3, ..., 16}. Nesta tese, também calcula-se a entropia informacional e constróem-se grafos de visibilidade natural e de visibilidade horizontal a partir das sequências formadas pela quantidade de divisores dos números naturais e pela aplicação recursiva da função quantidade de divisores sobre essa sequência. Para efeito de comparação, o mesmo trabalho é feito considerando os números felizes, que são números naturais que acabam convergindo para 1 ao se calcular recursivamente a soma dos quadrados de seus dígitos. A topologia desses grafos é caraterizada, sugerindo que as sequências que os geraram têm um caráter quasi-aleatório.
  • Tese
    Um framework baseado em aprendizado de máquina e dados de processos res judicata para análise e previsão de sanções penais referentes a crimes cibernéticos
    Fonseca, Cibele Andréa de Godoy (2023-04-19)

    Escola de Engenharia Mackenzie (EE)

    Devido ao desenvolvimento das tecnologias e ao crescimento da utilização da internet, principalmente em decorrência do período de pandemia global iniciado em 2020, percebe-se o avanço dos crimes cibernéticos em todo o mundo. Isso se deve ao fato de os infratores acreditarem no anonimato, na certeza de que suas ações não são monitoradas e que não existem punições severas para suas condutas. Outras novidades também são explícitas, como as que se referem à quantidade de dados disponíveis nos meios digitais, o avanço da computação em nuvem provendo maior capacidade computacional, o uso de algoritmos e da Inteligência Artificial. Esta tese apresenta uma proposta de framework para prever penas de multa aplicadas pelos tribunais brasileiros referentes aos crimes cibernéticos utilizando dados coletados dos processos de coisa julgada e do aprendizado de máquina. Essa previsão será feita obedecendo às fases da metodologia de descoberta de conhecimento em banco de dados (em inglês knowledge discovery in database – KDD) e utilizando algoritmos de aprendizado de máquina supervisionado, especificamente os de classificação. Os resultados tendem a ajudar especialistas da área do Judiciário, do direito e correlatas a descobrirem padrões de aplicação de penas de multa pelos tribunais diante de um conjunto de leis por eles utilizadas e, com base nesses padrões, fazer análises e previsões.
  • Tese
    Evolutionary engineering: development of a framework for optimizing digital communication systems components based on evolutionary computing
    Jerji, Fadi (2023-03-29)

    Escola de Engenharia Mackenzie (EE)

    O presente trabalho apresenta um estudo para desenvolver uma estrutura de engenharia evolucionária EvEng para projetar e otimizar os componentes de um sistema de comunicação digital DCS com foco nas etapas da modulação codificada e entrelaçada por bit BICM usando computação evolucionária EC. O objetivo deste estudo é fornecer uma estrutura que permita a minimização dos vieses durante o processo de criação na engenharia, substituindo o fator humano por um algoritmo baseado em EC. O estudo apresenta uma nova representação dos componentes de DCS como as constelações não uniformes NUCs e a introdução da estrutura genérica repetitiva acumulante irregular G-IRA como uma nova estrutura da matriz H dos códigos de verificação de paridade de baixa densidade LDPC H que combina as características de estrutura repetitiva acumulante irregular IRA e a estrutura de tipo de múltiplas bordas MET e a introdução dos códigos acoplados à modulação MC-LDPC que têm a vantagem de uma característica embarcada de entrelaçamento de bits. Os resultados da simulação demonstraram a capacidade do proposto EvEng em otimizar o LDPC acoplado a 16-NUC com uma melhoria de desempenho de até 0,8 dB quando comparado com a 16-QAM . Além disso, a estrutura EvEng foi capaz de projetar e otimizar códigos LDPC com melhoria de desempenho de até 1,0 dB pelo canal de ruído gaussiano branco aditivo AWGN e até 2,6 dB pelo canal Rayleigh em comparação com a inicialização aleatória dos códigos quase cíclicos QC-LDPC usando o decodificador do algoritmo soma-produto SPA.
  • Tese
    Uma estratégia para estimação e previsão de séries temporais de criptoativos
    Silva, Isabela Ruiz Roque da (2023-02-14)

    Escola de Engenharia Mackenzie (EE)

    Criptomoedas surgiram juntamente com a tecnologia blockchain com a finalidade da remoção do intermediário e atribuir confiança das transações a partir do código de criptografia do algoritmo. O surgimento delas se remete a crise financeira de 2008, na qual o sistema tradicional econômico estava em uma grave crise e o pseudônimo Satoshi Nakamoto apareceu com a ideia de criar uma forma de economia descentralizada (sem comando de governos, políticas ou bancos) e desde então vem revolucionando o mundo das finanças, mudando as finanças da centralização para a descentralização. Diante deste fato, diversas criptomoedas surgiram no mercado nos últimos anos, bem como contratos inteligentes que garantem uma certa segurança aos investidores através da tecnologia blockchain. Tendo isso em mente, o objetivo principal desse trabalho foi construir um framework computacional capaz de analisar e predizer preços de criptomoedas de maneira dinâmica conforme forem surgindo novas criptomoedas, a partir de algoritmos econométricos com dados de cotação diários, para montar uma carteira de trade diária. Os resultados demonstram que o bitcoin pode ser um indutor de preços do mercado e as moedas com menor capitalização de mercado (fora do top 100) são as que tiveram um desempenho melhor no algoritmo proposto e possuem lucros acima das estratégias de Buy and Hold tradicionais, com moedas obtendo lucros de mais de 100%, mesmo com a queda do mercado.
  • Tese
    Algoritmo de árvore de decisão baseado em mapas auto-organizáveis: um estudo de caso em hemogramas de pacientes com COVID-19
    Sargiani, Vagner (2022-08-12)

    Escola de Engenharia Mackenzie (EE)

    A classificação de dados é um processo automático ou semi-automático que, utilizando Inteligência Artificial (IA), a relação das variáveis descritivas e de classificação de um conjunto de dados é aprendida por um algoritmo para uso a posteriori em situações onde o resultado da classe é desconhecido. Por muitos anos, o trabalho neste tópico tem tido como objetivo aumentar a taxa de acerto dos algoritmos. Entretanto, em aplicações no contexto da saúde, além da preocupação com o desempenho, também é necessário projetar algoritmos com resultado compreensível para o especialista responsável pela tomada de decisão. Dentre os problemas da medicina, um dos grandes focos de pesquisa neste período está relacionado a COVID. E o uso de IA pode auxiliar no diagnóstico precoce. Dentre os dados disponíveis de COVID-19, o exame de sangue é um procedimento típico realizado quando o paciente procura o hospital e o seu uso no diagnóstico permite, entre outras coisas, a reduzir a realização de outros exames de diagnóstico que pode impactar no tempo da detecção e nos gastos dos exames. Neste trabalho propõe-se o uso de redes neurais do tipo Self-Organizing Maps (SOM) como base para descobrir os fatores do exame de sangue que são mais relevantes no diagnóstico de COVID-19. O trabalho propões usar SOM e cálculo de entropia para criação de um modelo hierárquico semi supervisionado explicável, chamado TESSOM (de Tree-based Entropy Structured Self-Organizing Maps), o qual tem como característica ampliar a investigação de grupos de casos em que há maior sobreposição de classes (diagnóstico). Enquadrar o algoritmo TESSOM no contexto de Inteligência Artificial Explicável (XAI) permite que seja possível explicar os resultados ao especialista de uma forma simplificada. É demonstrado no trabalho que o uso do algoritmo TESSOM para identificação de atributos de exames de sangue pode auxiliar nas pesquisas sobre identificação de casos de COVID-19, além de possuir o desempenho 1,489% melhor em multicenários ao analisar uma base de 2207 casos de 3 hospitais no estado de São Paulo, Brasil. Este trabalho é um ponto de partida importante para que pesquisadores possam identificar atributos relevantes de exames de sangue não apenas para COVID-19, mas como apoio para diagnóstico de outras doenças.