Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/3465
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorTorres, Luiz Carlos Bambirrapt_BR
dc.contributor.authorConceição, Bruno César Cota-
dc.date.accessioned2021-09-25T14:35:34Z-
dc.date.available2021-09-25T14:35:34Z-
dc.date.issued2021pt_BR
dc.identifier.citationCONCEIÇÃO, Bruno César Cota. Uma abordagem utilizando geometria computacional para detecção de anomalias. 2021. 74 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2021.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/3465-
dc.description.abstractEste trabalho explora a teoria dos grafos para obter um algoritmo que consiga classificar um conjunto de dados, detectando anomalias, partindo da modelagem dos dados em um grafo e utilizando de operações e conceitos da área de grafos para solução da abordagem proposta, de modo que seja possível utilizar das propriedades próprias deste para análise do mesmo, possibilitando a classificação das classes de dados sem um conhecimento prévio destas. Na prática, após mapear os dados em uma estrutura de grafos, baseada no grafo de Gabriel. Segue-se o cálculo de distância das arestas, e o cálculo da média da distância entre as arestas, desta forma é possível encontrar as arestas que tem uma variação maior do que o limiar definido pelo e assim marcar as arestas de suporte. A partir daí, marcando o ponto médio das arestas de suporte, um hiperplano é traçado sobre o ponto médio. Os vértices da aresta de suporte estão na região de fronteira, na qual o hiperplano passa entre eles, no referido ponto médio. O classificador gera a classificação das classes, traçando a região de divisão das classes sobre os pontos médios, interligando os hiperplanos. Os resultados obtidos foram comparados aos da SVM one-class, onde foi observado uma ótima assertividade do método proposto, chegando a ser melhor que o SVM one-class para as bases testadas.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAnomalias - detecçãopt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectTeoria dos grafospt_BR
dc.subjectConjunto de dados - classificaçãopt_BR
dc.titleUma abordagem utilizando geometria computacional para detecção de anomalias.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeTorres, Luiz Carlos Bambirrapt_BR
dc.contributor.refereeAssis, Gilda Aparecida dept_BR
dc.contributor.refereeRibeiro, Eduardo da Silvapt_BR
dc.description.abstractenThis work explores the theory of graphs to obtain an algorithm that can classify a data set, detecting anomalies, starting from modeling the data in a graph and using operations and concepts from the graph area to solve the proposed approach, so that it is It is possible to use its own properties for its analysis, enabling the classification of data classes without prior knowledge of these. In practice, after mapping the data into a graph structure, based on Gabriel’s graph. The calculation of the distance between the edges follows, and the calculation of the average of the distance between the edges, in this way it is possible to find the edges that have a variation greater than the threshold defined by and thus mark the support edges. From there, marking the midpoint of the supporting edges, a hyperplane is drawn over the midpoint. The vertices of the supporting edge are in the boundary region, in which the hyperplane passes between them, at said midpoint. The classifier generates the classification of the classes, tracing the region of division of the classes on the midpoints, connecting the hyperplanes. The results obtained were compared to those of the SVM one-class, where a great assertiveness of the proposed method was observed, even being better than the SVM one-class for the tested bases.pt_BR
dc.contributor.authorID13.2.8514pt_BR
Appears in Collections:Engenharia de Computação JMV

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_AbordagemUtilizandoGeometria.pdf3,65 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons