1. RI UFLA
  2. Programas de Pós-Graduação - Teses e Dissertações
  3. Engenharia de Sistemas e automação (Dissertações)
Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/37231
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSousa, Luiz Paulo de Oliveira-
dc.date.accessioned2019-10-15T13:12:50Z-
dc.date.available2019-10-15T13:12:50Z-
dc.date.issued2019-10-15-
dc.date.submitted2019-09-06-
dc.identifier.citationSOUSA, L. P. de O. Análise de dados de língua eletrônica utilizando curvas principais. 2019. 71 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação)–Universidade Federal de Lavras, Lavras, 2019.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/37231-
dc.description.abstractElectronic tongue systems are inspired by biological recognition systems, where sensory and instrumental techniques are used to determine the flavors or substances in the analyzed samples. Basically, electronic tongue are composed of sensor arrays that act as information collectors of the samples used. The data collected by the sensor arrays correspond to valuable sample information, useful in recognizing, identifying or quantifying the various constituents present, and can be obtained through sophisticated pattern recognition and data mining methods. The core objective of the is Dissertation was to analyse data from an electronic tongue system using Principal Curves, through the k-segment algorithm. Based on Principal Curves, a model capable of classifying different concentrations and identifying the substances is developed. These substances are flavor enhancers, which are used to bring about a marked flavor to the product. The enhancers analyzed were Monosodium Glutamate, Disodium Inosinate and Disodium Guanylate. These enhancers have been the subject of research aimed at replacing or decreasing the amount of sodium chloride for healthier products. The proposed classifier method using Principal Curves proved to be able to extract important information from the samples analyzed. Initially, the analyzes were performed to determine some parameters of the model, such as the number of segments used to build up the principal curves and which inputs (variables) are more relevant in these classifications. The structure of the electronic tongue system used, such as the electrode architectures and the frequency were investigated, in order to identify which are more discriminating to the model. Finally, for comparison purposes, other models were designed employing different types of artificial neural networks (Multi-Layer Perceptron, Radial Base Function and Self-Organizing Maps). As a cross-validation metric we used hold-out with twenty mutually exclusive subsets, as well as the analysis of the confusion matrices of the best results achieved. The models based on Principal Curves achieved accuracy results between 88,02% and 91,39% in classifying new events (both concentration and substance analysis) and the standard deviation range of from 2,27% to 1,28%. Perceptron Multi-Layer models achieved percentages of 74,50% to 97,03%, with standard deviation between 7,65% and 1,39%. Using the Radial Base Function, the models had 85,70% to 96,61% accuracy and the standard deviation between 2,80% and 0,83\%. With Self-Organizing Maps, the accuracy was 80,78% to 87,03% with a deviation between 2,85% and 1,04%. The models implemented using Perceptron Multi-Layer (with 2 hidden layers) and Radial Base Function neural networks had higher percentages of accuracy than the proposed method based on Principal Curves, but with the highest computational cost. The Perceptron Multi-Layer model performs 6 times operations more than the proposed method while the Radial Base Function requires about 158 times more.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsrestrictAccesspt_BR
dc.subjectLíngua eletrônicapt_BR
dc.subjectReconhecimento de padrõespt_BR
dc.subjectClassificaçãopt_BR
dc.subjectCurvas principaispt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectElectronic tonguept_BR
dc.subjectPattern recognitionpt_BR
dc.subjectClassificationpt_BR
dc.subjectPrincipal curvespt_BR
dc.subjectArtificial neural networkspt_BR
dc.title.alternativeElectronic tongue data analysis using principal curvespt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia de Sistemas e Automaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Ferreira, Danton Diego-
dc.contributor.advisor-co1Oliveira, Juliano Elvis-
dc.contributor.referee1Ferreira, Danton Diego-
dc.contributor.referee2Oliveira, Juliano Elvis-
dc.contributor.referee3A. Filho, Luciano Manhães de-
dc.contributor.referee4Silva, Leandro Rodrigues M.-
dc.description.resumoOs sistemas de língua eletrônica são inspirados nos sistemas de reconhecimento biológico, onde as técnicas sensoriais e instrumentais são utilizadas para determinar os sabores ou as substâncias presentes nas amostras analisadas. Basicamente, as línguas eletrônicas são compostas por arranjos de sensores que atuam como coletores de informações das amostras utilizadas. Os dados coletados pelos arranjos de sensores correspondem a informações valiosas das amostras, úteis em reconhecimento, identificação ou quantificação dos diversos constituintes presentes, podendo ser obtidas por meio dos métodos sofisticados de reconhecimento de padrões e mineração de dados. O objetivo geral da pesquisa foi investigar dados de um sistema de língua eletrônica usando Curvas Principais via o algoritmo k-segmentos não suave com o intuito de projetar um modelo que seja capaz de classificar diferentes concentrações e também identificar as substâncias analisadas. Essas substâncias são realçadores de sabor, que são utilizados para provocar um sabor marcante ao produto. Os realçadores analisados foram o Glutamato Monossódico, o Inosinato Dissódico e o Guanilato Dissódico. Estes realçadores têm sido alvo de pesquisas que têm o objetivo de substituir ou diminuir a quantidade de cloreto de sódio por esses realçadores, visando produtos mais saudáveis. O método proposto de classificador usando Curvas Principais via k-segmentos se mostrou capaz de extrair informações importantes sobre as análises amostrais. Inicialmente, as análises foram realizadas para determinar alguns parâmetros do modelo, como a quantidade de segmentos que compõem as curvas e quais entradas (variáveis) teriam mais relevância nessas classificações. Em seguida foram examinadas questões sobre o sistema de língua eletrônica usado (como as arquiteturas dos eletrodos que constituem a língua eletrônica e os sinais de frequência que a mesma capta), com intuito de identificar quais seriam mais discriminantes ao modelo. E, por fim, para efeitos de comparação deste modelo, foram projetados outros modelos empregando diferentes tipos de redes neurais artificiais (Perceptron Multi-Camadas, Função de Base Radial e Mapas Auto Organizáveis). Como métrica de validação cruzada foi utilizado o hold-out com vinte subconjuntos mutuamente excludentes, além da análise das matrizes de confusão dos melhores resultados alcançados. Os modelos com Curvas Principais atingiram em seus melhores resultados entre 88,02% e 91,39% de precisão em classificações de novos eventos (tanto nas análises das concentrações, quanto das substâncias) e a faixa de desvio padrão desses resultados, ficaram de 2,27% a 1,28%. Os modelos com Perceptron Multi-Camadas ficaram com percentuais de 74,50% a 97,03%, com desvio padrão entre 7,65% e 1,39%. Usando a Função de Base Radial, os modelos tiveram de 85,70% a 96,61% de precisão e o desvio padrão entre 2,80% e 0,83%. Com redes do tipo Mapas Auto Organizáveis, a precisão ficou de 80,78% a 87,03% com desvio entre 2,85% e 1,04%. Os modelos implementados usando redes neurais do tipo Perceptron Multi-Camadas (com 2 camadas ocultas) e Função de Base Radial tiveram percentuais de precisão superiores ao método proposto que usa Curvas Principais, porém com o custo computacional mais elevado. Em termos de operações matemáticas, o Perceptron Multi-Camadas realiza aproximadamente 6 vezes mais operações do que o modelo baseado em Curvas Principais, enquanto a Função de Base Radial realiza aproximadamente 158 vezes mais operações.pt_BR
dc.publisher.departmentDepartamento de Engenhariapt_BR
dc.subject.cnpqEletrônica Industrial, Sistemas e Controles Eletrônicospt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4454107896800396pt_BR
Aparece nas coleções:Engenharia de Sistemas e automação (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO_Electronic tongue data analysis using principal curves.pdf2,5 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.