Classificação de fluxo de dados não estacionários com aplicação em sensores identificadores de insetos

• Processo: 11/17698-5
• Linha de fomento: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de setembro de 2012
• Vigência (Término): 29 de fevereiro de 2016
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Gustavo Enrique de Almeida Prado Alves Batista
• Beneficiário: Vinícius Mourão Alves de Souza
• Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 13/23037-7 - Classificação de fluxos de dados na presença de mudanças de conceito utilizando métodos não supervisionados, BE.EP.DR
• Assunto(s): Fluxo de dados

Resumo

Aplicações como sensores inteligentes devem ser capazes de coletar informações sobre o ambiente e também realizar decisões baseadas nos dados de entrada. Pode-se citar como exemplo um sensor de baixo custo que vem sendo desenvolvido com o objetivo de detectar e classificar insetos em suas espécies utilizando um feixe laser e técnicas de aprendizado de máquina. Tal sensor é um importante passo para o desenvolvimento de armadilhas inteligentes capazes de atrair e capturar seletivamente espécies de insetos de interesse, como as transmissoras de doenças e pragas agrícolas, sem afetar as demais espécies benéficas para o meio ambiente. Os dados gerados pelo sensor constituem de um data stream de característica não estacionária, uma vez que a principal informação coletada e fornecida para classificação é a frequência de batidas de asas dos insetos, a qual sofre influência direta de condições ambientais como temperatura, umidade e pressão atmosférica. Além da natureza não estacionária dos dados, o algoritmo de classificação utilizado pelo sensor deve ser capaz de identificar as mudanças de conceito sem que os rótulos dos exemplos da fase de teste sejam fornecidos, diferentemente dos algoritmos da atualidade. Além disso, por se tratar de um sistema embarcado, restrições de memória e processamento são impostas. Assim, o principal objetivo deste trabalho é realizar a classificação de fluxo de dados não estacionários sem a necessidade de realimentação imediata do ambiente com a classe verdadeira do último exemplo classificado para a identificação de mudanças de conceitos. Tal classificação deve ser eficiente em termos de memória e processamento para que seja embarcada em um sensor identificador de insetos.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SOUZA, VINICIUS M. A.; ROSSI, RAFAEL G.; BATISTA, GUSTAVO E. A. P. A.; REZENDE, SOLANGE O. Unsupervised active learning techniques for labeling training sets: An experimental evaluation on sequential data. Intelligent Data Analysis, v. 21, n. 5, p. 1061+, 2017. Citações Web of Science: 0.

SILVA, DIEGO F.; SOUZA, VINICIUS M. A.; ELLIS, DANIEL P. W.; KEOGH, EAMONN J.; BATISTA, GUSTAVO E. A. P. A. Exploring Low Cost Laser Sensors to Identify Flying Insect Species Evaluation of Machine Learning and Signal Processing Methods. JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS, v. 80, n. 1, SI, p. S313-S330, DEC 2015. Citações Web of Science: 16.

SILVA, DIEGO FURTADO; ALVES DE SOUZA, VINICIUS MOURAO; PRADO ALVES BATISTA, GUSTAVO ENRIQUE DE ALMEIDA. A comparative study between MFCC and LSF coefficients in automatic recognition of isolated digits pronounced in Portuguese and English. ACTA SCIENTIARUM-TECHNOLOGY, v. 35, n. 4, p. 621-628, 2013. Citações Web of Science: 2.