4.3 Estimates of angler expenditure and its economic significance
4.3.2 National studies
Embora se tenha conseguido, através de uma série de estruturas, resultados interessantes em um conjunto limitado de imagens, os experimentos de reconhecimento mostraram dois pontos que poderiam ser revisitados e, eventualmente, refinados:
Definição de protótipo: Observou-se que os protótipos reduzem a eficácia do reconhecimento quando utilizados para reconhecer imagens fora do conjunto para o qual foram definidos. Esta deficiência pode ser tanto do conjunto em questão, quanto da própria definição de protótipo. Assim, uma maneira de tornar o protótipo o mais genérico possível poderia ser pesquisada.
Definição da função de avaliação: Embora a função de avaliação indique que boas regras no reconhecimento possuem boas avaliações, observou- se que o contrário nem sempre acontece, ou seja, regras com boas avaliações podem ter reconhecimento ruim. Assim, tais regras (com avaliação boa e reconhecimento ruim) poderiam ser analisadas com mais detalhes para, desta forma, garantir que a relação seja mantida em ambas as situações.
Ainda como continuidade dos trabalhos, a proposta aqui apresentada poderia ser observada no reconhecimento de outros padrões, mais simples, como a diferenciação de segmentos de retas versus linhas curvas, bem como a
diferenciação de dígitos formados essencialmente por retas (como o quatro e o sete, por exemplo) daqueles formados por curvas (como o oito e o cinco, por exemplo).
Além disso, uma abordagem interessante seria a utilização de um AG multiobjetivo em que a avaliação não seja uma função única, mas sim os quatro atributos identificados como existentes em uma boa regra.
REFERÊNCIAS BIBLIOGRÁFICAS
[ALARCÓN, BYRNE AND MAINI, 2003] T. Alarcón, H.M. Byrne and P.K. Maini. “A cellular automaton model for tumour growth in inhomogeneous environment”. Journal
of Theoretical Biology, 225:257-274, 2003.
[ASAKURA, 2001] O. K. N. Asakura. “Algoritmos Genéticos Coevolutivos na busca parametrizada de autômatos celulares unidimensionais”. Dissertação de Mestrado, Universidade Presbiteriana Mackenzie, São Paulo, 2001.
[BAHLMANN AND BURKHARDT, 2004] C. Bahlmann and H. Burkhardt. “The writer Independent online handwriting recognition system frog on hand and cluster generative statistical dynamic time warping”. IEEE Transactions on Pattern Analysis
and Machine Intelligence, 6(3):299-310, 2004.
[BALL, 2004] P. Ball. “Do Plants act like computers?”. Nature Magazine, Disponível em <http://www.nature.com/nsu/040119/040119-5.html”, Acesso em 16/03/2004.
[BARRETO, 2003] A. Barreto. “Uma introdução aos algoritmos genéticos”. Disponível em <http://www.coc.ufrj.br/~andremsb/_private/apostilaAG.pdf> , Acessado em 03/02/2004.
[BORTOT AND OLIVEIRA, 2002] J. C. Bortot and G.M.B. de Oliveira. “Evolução Multi-Objetivos aplicada na Busca Parametrizada de Autômatos Celulares
Unidimensionais”. I WorkShop de Teses e Dissertações em Inteligência Artificial
(WTDIA’02), CD-ROM, Recife, 2002.
[CARVALHO, MONGIOVI E SAMPAIO, 1999] J. V. Carvalho, G. Mongiovi e M. C. Sampaio. “Utilização de técnicas de Data Mining para o reconhecimento de Caracteres Manuscritos, XIV Simpósio Brasileiro de Banco de Dados, Disponível em <http://www.inf.ufsc.br/sbbd99/anais/SBBD-Completo/20.pdf>, Acessado em 07/11/2005, Florianópolis, Santa Catarina, 1999.
[CHAUDHURI, DAS, GANGULY AND MAJI, 2001] P. P. Chaudhuri, A. Das, N. Ganguly and P. Maji. “Evolving Cellular Automata Based Associative Memory for Pattern Recognition”. Proceedings of Internaction Conference on High Performance Computing, Hyderabad, pp. 115-124, India, 2001.
[CHAUDHURI, DAS, GANGULY AND MAJI, 2002] P. P. Chaudhuri, A. Das, N. Ganguly and P. Maji. “Characterization of Non-Linear Cellular Automata Model for Pattern Recognition”. Proceedings of Internacional Conference on Fuzzy Systems, pp. 214-220, Calcutta, India, 2002.
[CHAUDHURI, DAS, GANGULY AND MAJI, 2004] P. P. Chaudhuri, A. Das, N. Ganguly and P. Maji. “Study of Non-Linear Cellular Automata for Pattern Recognition”. IEEE Transactions On System Machine Cybernetics, Part-B, 2004.
[COOK, 2004] M. Cook. “Universality in elementary cellular automata”. Complex
[COSTA, CUNHA, DA SILVA e RACZ , 2003] A. H. R. Costa, A. R. Cunha, V. F. da Silva e A. Racz. “Reconhecimento de escrita baseado em redes neurais artificiais utilizando B-SPLINES e TDF”. Anais do Simpósio Brasileiro de Automação
Inteligente, pp. 36-41, Bauru, São Paulo, 2003.
[CRUTCHFIELD, HRABER AND MITCHELL, 1994] J. P. Crutchfield, P. T. Hraber and M. Mitchell. “Evolving Cellular Automata to Perform Computations:Mechanisms and Impediments”. Physica D. , 75: 361-391, 1994.
[CRUTCHFIELD, HORDIJK AND MITCHELL, 1996] J. P. Crutchield, W. Hordijk and M. Mitchell. “Embedded-Particle Computation in Evolved Cellular Automata", Proceedings in Physics and Computation, pp. 153-158, 1996
[DE LEON, 2001] A. P. de Leon F. de Carvalho. Algoritmos Genéticos, Disponível em <http://www.icmc.usp.br/~andre/research/genetic/index.htm>, Acesso em 17/11/2004.
[DE OLIVEIRA, 1999] G.M.B. de Oliveira, “Dinâmica e evolução de autômatos celulares unidimensionais”. Tese de Doutorado em Engenharia Elétrica e
Computação, Instituto Tecnológico de Aeronáutica, S.J. dos Campos, 1999.
[DE OLIVEIRA, 2003] G.M.B. de Oliveira. “Autômatos Celulares: aspectos dinâmicos e computacionais”. Mini-cursos de inteligência artificial, Anais do XXIII
[DUIN, JAIN AND MAO, 2000] R. Duin, A. Jain and J. Mao. “Statistical patterns recognition: A review”. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 22(1):437, 2000.
[GOLDBERG, 1989] Goldberg, D.E. Genetic Algorithms in serch, optimization, and
machine learning. University of Alabama, Addison Wesley Publisher, Alabama, 1989.
[GUAN AND ZHANG, 2003] S. Guan and S. Zhang. “An evolutionary aproach to the design of controllable cellular automata structure for random number generation”.
IEEE Transactions on Evolutionary Computation, 7(1):23-26, 2003.
[GUINGO, RODRIGUES e THOMÉ, 2002] B. C. Guingo, R. J. Rodrigues e A. C. G. Thomé. “Reconhecimento automático de placas de veículos automotores através de redes neurais artificiais”. II Congresso Brasileiro de Computação, Disponível em <http://www.inf.ucp.br/modules.php?name=Downloads&d_op=getit&lid=1> Acessado em 13/02/2005, Itajaí, Santa Catarina, 2002.
[GROTHER, 1995] P. J. Grother. “Handprinted Forms and Characters Database”. National Institute of Standards and Technology, Gaithersburg, 1995.
[HOUAISS, 2005] Dicionário Eletrônico Houaiss, Disponível em
<http://houaiss.uol.com.br/busca.jhtm?verbete=padr%E3o&cod=140688>, Acessado em 15/06/2005.
[JACOB, 2001] C. Jacob, Illustrating Evolutionary Computation with Mathematica. Morgan Kaufmann Publishers, San Fancisco, 2001.
[KOUTROUMBAS AND THEODORIDIS, 1999] K. Koutroumbas and S. Theodoridis.
Pattern Recognition, Academic Press, New York, 1999.
[LECUN, 1995] Y. Lecun. “The Mnist Data Base of Handwritten Digits”. NEC Research Institute, Princeton, 1995.
[LI AND PACKARD, 1990] W. Li and N. Packard. “The structure of the elementary cellular automata rule space”. Complex Systems, 4:281-297, 1990.
[MACEDO AND OLIVEIRA, 2004] E. P. de Macedo and P.P.B de Oliveira. “Dynamic and Spectral Similarity in the Patterns involved in the processing of handwritten numerical digits by a family of cellular automata”. Proc. Of XXV Iberian Latin
American Congress in Computational Methodism Engineering, CD-ROM, Recife,
2004.
[MACEDO, 2004] E. P. de Macedo. “Um estudo sobre dinâmica e similaridade espectral nos padrões envolvidos no processamento de dígitos numéricos manuscritos por uma família de autômatos celulares”. Dissertação de Mestrado, Universidade Presbiteriana Mackenzie, São Paulo, 2004.
[NEUMANN AND BURKS, 1966] V. Neumann and A. W. Burks. “Theory of Self- Reproducing Automata”. University of Illinois Press, Urbana, Illinois.
[PECHT, 1983] J. Pecht. “On the real-time recognition of formal languages in cellular automata”. Acta Cyber-netica, 6:33, 1983.
[ROSENFELD, 1979] A. Rosenfeld. Picture Languages. Academic, New York, 1979.
[ROSIN, 2005] P. Rosin. “Training Cellular Automata for Image Processing”. Proceedings of XIV Scandinavian Conference in Image Analysis, 3540:195, 2005.
[SANDMANN E SENAGA, 2002] H. Sandmann e M. Senaga. “BASTET – Sistema de reconhecimento facial”. VIII Encontro de iniciação científica e pós-graduação do ITA, Disponível em <http://www.geocities.com/humbertosandmann/paper/02bastetencita.pdf>, Acessado em 14/02/2005, São José dos Campos, 2002.
[SILVA, 2006] E. Silva. “Reconhecimento de Caracteres”. Informativo Técnico do
Núcleo de computação eletrônica da UFRJ. Disponível em
<http://www.nce.ufrj.br/conceito/artigos/2006/016p1-3.htm>. Acessado em 03/01/2006.
[SILVA e THOMÉ, 2003] E. Silva e A. C. G. Thomé. “Reconhecimento de Caracteres Manuscritos Utilizando Time de Redes Neurais”. , Anais do XXIII Congresso da
[SMITH, 1972] A. R. Smith. “Real-time language recognition by one-dimensional cellular automata”. Journal of Computer and System Sciences, 6:233, 1972.
[STERNBERG, 1980] S. R. Sternberg. “Language and Architecture for Parallel Image Processing”. Proceedings of the Conference in Pattern Recognition in Practice, p. 35, Amsterdam, 1980.
[TANAMORU, 1995] J. Tanamoru. “Motivação, Fundamentos e Aplicações de Algoritmos Genéticos”. Anais do II Congresso Brasileiro de Redes Neurais, Curitiba, 1995.
[VELOSO, 1998] L. R. Veloso. “Reconhecimento de Caracteres Numéricos Manuscritos”. Dissertação de Mestrado, Universidade Federal da Paraíba, Campina Grande, 1998.
[WHITLEY, 1994] D. Whitley. “A genetic algorithm tutorial”. The GENITOR Research
group in genetic algorithm and evolutionary computation, Colorado State University,
Colorado, 1994.
[WOLFRAM, 1984] S. Wolfram. “Computation Theory of Cellular Automata”.
Communications in Mathematical Physics, 96:15-57, 1984.
[WOLFRAM, 2002] S. Wolfram. A New Kind of Science. Wolfram Media, 2002.
APÊNDICES
APÊNDICE AImagens retiradas da base MNIST (verificar Seção 2.1) e utilizadas para compor o conjunto denominado “conjunto de treinamento”. O conjunto possui 200 imagens de CNMs, sendo 20 para cada classe.
APÊNDICE B
Imagens retiradas da base MNIST (verificar Seção 2.1) e utilizadas para compor o conjunto denominado “conjunto de validação”. O conjunto possui 150 imagens de CNMs, sendo 15 para cada classe.
APÊNDICE C
Tabela com as 100 melhores avaliações e suas respectivas regras, de acordo com a primeira proposta de função de avaliação, em ordem decrescente.
APÊNDICE D
Descritivo dos parâmetros utilizados nas execuções do AG com a função de avaliação definitiva. Nos gráficos, os termos Best, Average e Worst correspondem, respectivamente, às curvas de avaliação do melhor indivíduo, da média da população e do pior indivíduo.
Execução 1:
População inicial: Aleatória
Tamanho da população: 30 - Quantidade de gerações: 10 Método de seleção para próxima geração: ELITERANDOMICA Taxa de Elitismo: 10%
Probabilidade de mutação global: 100% - Probabilidade de mutação local: 2% Tempo de processamento: 4 horas e 46 minutos
Hardware utilizado: Pentium IV, 2.8 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1203,09
Reconhecimento do Melhor Indivíduo (Treinamento): 92% Melhor Indivíduo:
1251744558460114158151291963584139719221678158409087522613683841264 3583869869789714651950567298240735604287475649098847387434217946056 428730516006934413316 ;
Gráfico de evolução da população:
2 4 6 8 10 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 2:
População inicial: Aleatória Tamanho da população: 30 Quantidade de gerações: 100
Método de seleção para próxima geração: ELITEPOP Taxa de Elitismo: 10%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2%
Tempo de processamento: 14 horas e 43 minutos Hardware utilizado: Pentium III, 500Mhz, 256 Mb ram Avaliação do Melhor Indivíduo: 1234,77
Reconhecimento do Melhor Indivíduo (Treinamento): 81% Melhor Indivíduo:
1340780782924105552824728057173406681296748628940473982467003961894 2741019305821089054022407695964316295199549014891624615080726270543 753484355602491910176 ;
Gráfico de evolução da população:
5 10 15 20 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 3:
População inicial: Aleatória Tamanho da população: 50 Quantidade de gerações: 200
Método de seleção para próxima geração: ELITEPOP Taxa de Elitismo: 10%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2%
Tempo de processamento: 63 horas e 13 minutos Hardware utilizado: Pentium IV, 2.5 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1228,81
Reconhecimento do Melhor Indivíduo (Treinamento): 93,5% Melhor Indivíduo:
1340780787823035413801929043842919362301300057838855538622366258783 0799035197665213917436693057473264945236617061304702437157608323323 000666135014726959104 ;
Gráfico de evolução da população:
50 100 150 200 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 4:
População inicial: Aleatória Tamanho da população: 50 Quantidade de gerações: 100
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 50%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2%
Tempo de processamento: 22 horas e 26 minutos Hardware utilizado: Pentium IV, 1.5 GHz, 512 Mb Ram Avaliação do Melhor Indivíduo: 1241,52
Reconhecimento do Melhor Indivíduo (Treinamento): 76% Melhor Indivíduo:
1340780792994258370243723118663089053966841587648238428529909964824 0767463420223691321149139360091006882431853835688488524130422007209 272737990773965843935 ;
Gráfico de evolução da população:
20 40 60 80 100 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 5:
População inicial: Aleatória Tamanho da população: 30 Quantidade de gerações: 10
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 10%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 10%
Tempo de processamento: 6 horas e 45 minutos Hardware utilizado: Pentium IV, 2.5 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1192,62
Reconhecimento do Melhor Indivíduo (Treinamento): 94,5% Melhor Indivíduo:
1340602950625059937593394730535376568262105500313488037172101067982 8700552042882961101791828521971319187160991873285869148722174393110 530822319334226291450 ;
Gráfico de evolução da população:
2 4 6 8 10 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 6:
População inicial: Aleatória Tamanho da população: 30 Quantidade de gerações: 100
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 20%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2%
Tempo de processamento: 13 horas e 21 minutos Hardware utilizado: Pentium IV, 2.8 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1218,43
Reconhecimento do Melhor Indivíduo (Treinamento): 80% Melhor Indivíduo:
1340126114226304750828287374105486844222774607459422782190483887563 3366720451544826864404524447673983749166795630113701917605117353025 517570495028274434304 ;
Gráfico de evolução da população:
20 40 60 80 100 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 7:
População inicial: Aleatória Tamanho da população: 30 Quantidade de gerações: 100
Método de seleção para próxima geração: ELITERANDOMICA Taxa de Elitismo: 20%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2% Tempo de processamento:
Hardware utilizado: Pentium III, 500Mhz, 256 Mb ram Avaliação do Melhor Indivíduo: 1238,14
Reconhecimento do Melhor Indivíduo (Treinamento): 76,5% Melhor Indivíduo:
1340780792994259708736684828256193520428093508509154311987193313920 7167614561640311640972750665581775284764288548140305003345240455307 875303776783580536834 ;
Gráfico de evolução da população:
20 40 60 80 100 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 8:
População inicial: Aleatória Tamanho da população: 50 Quantidade de gerações: 100
Método de seleção para próxima geração: ELITEPOP Taxa de Elitismo: 50%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2%
Tempo de processamento: 13 horas e 39 minutos Hardware utilizado: Pentium IV, 3.0GHz HT, 1 Gb ram Avaliação do Melhor Indivíduo: 1222,13
Reconhecimento do Melhor Indivíduo (Treinamento): 82,5% Melhor Indivíduo:
1298881393211969660993753139421618055086613929793676210725722453410 3190405269625664998599098055713927018391164866590264157109451880490 311069458306089598942 ;
Gráfico de evolução da população:
20 40 60 80 100 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 9:
População inicial: Última geração da execução 5 Tamanho da população: 30
Quantidade de gerações: 30
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 10%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 10% Tempo de processamento:
Hardware utilizado: Pentium IV, 2.5 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1195,56
Reconhecimento do Melhor Indivíduo (Treinamento): 91,5% Melhor Indivíduo:
1340602713342913173165930337122605754090596546718163659920963105118 6537103869779244589167957881920406675565453122353474733856191158146 532441688276228025342 ;
Gráfico de evolução da população:
5 10 15 20 25 30 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 10:
População inicial: Última geração da execução 4 Tamanho da população: 50
Quantidade de gerações: 70
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 10%
Probabilidade de mutação global: 50% Probabilidade de mutação local: 2%
Tempo de processamento: 7 horas e 13 minutos Hardware utilizado: Pentium IV, 2.5 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1245,49
Reconhecimento do Melhor Indivíduo (Treinamento): 77% Melhor Indivíduo:
1340780792994259560949785565551819403324880842236406836930090588179 2341023214985123112929153737809563184338369614664575234685327844051 440522827151332732415 ;
Gráfico de evolução da população:
10 20 30 40 50 60 70 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 11:
População inicial: Última geração da execução 10 Tamanho da população: 50
Quantidade de gerações: 35
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 50%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 2%
Tempo de processamento: 4 horas e 17 minutos Hardware utilizado: Pentium IV, 2.5 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1246.25
Reconhecimento do Melhor Indivíduo (Treinamento): 75,5% Melhor Indivíduo:
1340780792994259550483307944359508742449918117429787960539318678202 1103436905504856289449041949476054007646059807659136429063554825262 000747523123961527807 ;
Gráfico de evolução da população:
5 10 15 20 25 30 35 200 400 600 800 1000 1200 Fitness values Worst Average Best
Execução 12:
População inicial: Última geração da execução 11 Tamanho da população: 50
Quantidade de gerações: 100
Método de seleção para próxima geração: ELITEROLETA Taxa de Elitismo: 50%
Probabilidade de mutação global: 100% Probabilidade de mutação local: 50%
Tempo de processamento: 8 horas e 55 minutos Hardware utilizado: Pentium IV, 2.5 Ghz, 512 Mb ram Avaliação do Melhor Indivíduo: 1246,25
Reconhecimento do Melhor Indivíduo (Treinamento): 75,5% Melhor Indivíduo:
1340780792994259550483307944359508742449918117429787960539318678202 1103436905504856289449041949476054007646059807659136429063554825262 000747523123961527807 ;
Gráfico de evolução da população:
5 10 15 20 200 400 600 800 1000 1200 Fitness values Worst Average Best
Tabela com o resumo das execuções. Na tabela, a coluna “Rec” corresponde ao reconhecimento do melhor indivíduo no conjunto de treinamento.
APÊNDICE E
Tabela com os parâmetros das execuções do AG com a primeira função de avaliação. A coluna “Melhor” corresponde à avaliação do melhor indivíduo na execução sinalizada pela linha correspondente.