Informações da Disciplina

 Preparar para impressão 

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação


Escola Politécnica
 
Eng de Sistemas Eletrônicos
 
Disciplina: PSI2672 - Práticas em Reconhecimento de Padrões, Modelagem e Neurocomputação
Experimental Pattern Recognition, Modeling and Neurocomputing

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2011 Desativação:

Objetivos
O objetivo principal da disciplina é oferecer aos alunos da ênfase Sistemas Eletrônicos do curso de Engenharia Elétrica a oportunidade de realização de projetos práticos envolvendo as temáticas de reconhecimento de padrões e a modelagem computacional de sistemas reais, através de técnicas de neurocomputação e similares.

Goals:

This course gives the students of Electrical Engineering with specialization in Electronic Systems the opportunity to develop practical projects related to pattern recognition and the modeling of real world systems, through the use of neural approaches and other techniques.
 
Docente(s) Responsável(eis)
51283 - Emílio Del Moral Hernandez
 
Programa Resumido
Conceitos em reconhecimento de padrões, em modelagem linear e não linear, e em redes neurais; Implementação de modelos de neurocomputação em software e em hardware; Redução de dimensionalidade; Aplicações alvo do reconhecimento de padrões e da modelagem não linear; Discussão de projetos práticos a serem desenvolvidos no curso; Execução acompanhada dos projetos práticos dos alunos; Apresentação e avaliação dos projetos finais.

Abstrac:

Concepts on pattern recognition, linear and non-linear modeling and neural networks;
Implementation of neurocomputing models in software and hardware; Dimensionality reduction;
Target applications in pattern recognition and non-linear modeling; Discussion of potential practical projects to be developed during the course;
Supervised development of the practical projects;
Presentation of the final projects and technical reports.
 
Programa
A disciplina é implementada através de uma componente de discussões teóricas e outra componente equivalente de atividades prática. Nas aulas são abordados conceitos e aspectos teóricos e operacionais relativos ao  reconhecimento de padrões e à modelagem matemática de sistemas reais não lineares, usando técnicas de neurocomputação, entre outras.  Esses elementos são então utilizados para a avaliação de problemas de engenharia, dentro do universo de temáticas mais importantes do curriculo da ênfase Sistemas Eletrônicos, que possam se valer dessas ferramentas que são o foco do curso (reconhecimento de padrões, modelagem não linear e neurocomputação). Concomitantemente, será também analisado como os conhecimentos e as técnicas já abordados em outras disciplinas da ênfase Sistemas Eletrônicos podem ser explorados para a implementação de sistemas de neurocomputação em hardware e em software. Esta forma de definição dos projetos a serem desenvolvidos pelos estudantes pretende facilitar o surgimento de propostas com caráter integrativo, com a conjunção de conteúdos de várias disciplinas da formação em Sistemas Eletrônicos. Após essa discussão e  definição dos projetos práticos a serem desenvolvidos, uma parcela do tempo em classe servirá tanto para acompanhar a evolução dos projetos práticos quanto para o aporte de conceitos adicionais que facilitem a evolução dos projetos sendo conduzidos. O semestre se encerra com as apresentações finais por parte dos alunos, com a entrega de relatórios técnicos associados e com as demonstrações dos protótipos obtidos nos projetos práticos. 

Resumidamente, os temas e etapas do curso são os seguintes:

Conceitos em reconhecimento de padrões;
Conceitos de modelagem linear e não linear;
Reconhecimento de padrões e modelagem não linear usando redes neurais;
Ambientes de implementação de modelos de neurocomputação em software e em hardware;
Redução de dimensionalidade em reconhecimento de padrões e em modelagem;
Discussão de aplicações alvo de reconhecimento de padrões e modelagem não linear, no universo da ênfase Sistemas Eletrônicos;
Definição de possíveis projetos práticos da disciplina;Discussão e crítica das propostas individuais;
Execução supervisionada dos projetos práticos desenvolvidos pelos alunos;
Apresentação dos projetos finais.

Syllabus: PSI2672 - Experimental Pattern Recognition, Modeling and Neurocomputing

This course has a theory component and an equivalent practical work component. Classes address concepts, theory and operational issues related to pattern recognition and the mathematical modeling of non-linear real systems, using neural and other approaches. These elements developed in the initial classes are then considered as tools for the solution of engineering problems in the more relevant subjects in the Electronic Systems specialization curriculum. At the same time, tools and techniques acquired in previously taken courses will be considered as elements for the implementation of hardware and software neurocomputing systems. This strategy adopted for the definition of the practical projects intends to induce proposals with integrative caracter, so to apply several subjects of the Electronic Systems enphasis curriculum. The outcome of these class discussions will be the definition of the practical projects to be developed by the students. After that definition of projects, class time will be partially used for the discussion of the evolution of the practical projects and its guidance as needded, as well as for the discussion of concepts and techniques that can be useful for the evolution of the practical projects being developed by the students. The semester closes with the final presentations by the students, with the demonstation of the working prototypes generated in he practical projects and with the delivery of a technical report.

The subjects and parts of the course are as follows:
Concepts on pattern recognition;
Concepts on linear and non-linear modeling;
Pattern recognition and non-linear modeling using neural networks;
Implementation of neurocomputing models in software and hardware;
Dimensionality reduction in pattern recognition and modeling;
Target applications in the universe of problems in Electronic Systems Engineering;
Discussion of the potential practical projects to be developed during the course;
Supervised development of the practical projects;
Presentation of the final projects and reports.
 
Avaliação
     
Método
Nota de exame (E) e nota de projeto prático (P)

Evaluation method:

Exam grade (E grade) and practical project grade (P grade)
Critério
A média entre notas de Exame (nota E) e de Projeto (nota P) , aqui chamada de Média MEP, deve ser no mínimo 5,0 e a nota do projeto P isoladamente também deve ser no mínimo 5,0. A média final do semestre é o valor menor entre a média MEP e a nota P.

Criterion for approval:

The average between the Exam grade (E grade) and the Project grade (P grade), named here Average MEP, has to be at least 5,0 and the P grade alone has also to be at least 5,0. The final grade for the course is the minimum between MEP and P.
Norma de Recuperação
Novo exame e nova avaliação do projeto prático, com mesmas regras de aprovação e de cálculo final de nota que as usadas no semestre regular.

Norms for remedial work:

A new exam and a new evaluation of the practical project. The rules for approval and the rules for the course final grade calculation are the same as in the regular semester evaluation.
 
Bibliografia
     
Livro “Redes Neurais: Princípios e Práticas” , Simon Haykin, Editora Bookman;
Livro “Redes Neurais Artificiais”, Zsolt Kovacs, Editora Livraria da Fisica;
Apostilas da disciplina; Manuais de simuladores públicos de redes neurais;
Monografia “Reconhecimento de Padrões: uma Abordagem Estatística”, André Fábio Kohn.
Edição PEE/USP.Pattern Classification, R. O. Duda, P. E. Hart and D. G. Stork.
 

Clique para consultar os requisitos para PSI2672

Clique para consultar o oferecimento para PSI2672

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP