Repositório Colecção:
https://hdl.handle.net/1822/14400
2024-03-29T08:46:22ZAn automated and efficient Machine Learning framework for One-Class Classification tasks
https://hdl.handle.net/1822/89381
Título: An automated and efficient Machine Learning framework for One-Class Classification tasks
Autor: Ferreira, Luís Fernando Faria
Resumo: The present era of Machine Learning (ML) is defined by the availability of copious amounts of data,
powerful algorithms, and high-speed processing machines that enable accurate predictions. Two crucial
features of modern ML applications are automation and efficiency. Automation is essential for streamlining
the ML workflow, particularly for non-specialists. Because of this, the emergence of Automated Machine
Learning (AutoML), which automates various components of the workflow, has gained significant attention
in recent years. Efficiency plays a vital role in dealing with Big Data or hardware constraints and it is often
achieved through distributed or parallel learning across multiple machines or processors.
This thesis aims to contribute to the field of ML by designing and implementing an automated and
efficient ML framework for One-Class Classification (OCC) tasks. A first set of initial experiments was
performed to gain insights into the application of AutoML for supervised learning tasks, as well as to identify
a robust and reliable evaluation method for the proposed AutoML framework. In these experiments, we
defined an architecture to deal with the typical steps of the ML workflow and we performed a robust
benchmark of existing AutoML frameworks.
Afterwards, in a second set of experiments, we propose a novel AutoML framework (AutoOneClass)
that applies a Grammatical Evolution (GE) to design and evolve different OCC ML algorithms by using
both single and multi-objective optimization applied to a real-world Predictive Maintenance (PdM) dataset.
Then, we proposed an improved version of the framework (AutoOC), that is exclusively focused on a multiobjective optimization. Several computational experiments were held to evaluate the effectiveness of the
AutoOC framework, using eight public datasets from several domains and two distinct validation modes
(unsupervised and supervised).; A era atual da área de Machine Learning (ML) é definida pela disponibilidade de uma vasta quantidade
de dados, algoritmos poderosos, e máquinas com processamento de alta velocidade que permitem
previsões precisas. Duas características cruciais nas aplicações de ML modernas são a automatização
e a eficiência. A automatização é essencial para a simplificação do fluxo de trabalho de ML, particularmente
para os não-especialistas. Devido a isto, o surgimento da área de Automated Machine Learning
(AutoML), que automatiza vários componentes do fluxo de trabalho, tem ganho uma atenção significativa
nos últimos anos. A eficiência desempenha um papel vital para lidar com Big Data ou restrições de hardware
e é frequentemente alcançada através de aprendizagem distribuída ou em paralelo, usando várias
máquinas ou processadores.
Esta tese visa contribuir para o campo de ML através da conceção e implementação de um framework
de ML automatizado e eficiente para tarefas de One-Class Classification (OCC). Um primeiro conjunto de
experiências iniciais foi realizado para obter conhecimentos acerca da aplicação de AutoML para tarefas
de aprendizagem supervisionada, bem como para identificar um método de avaliação robusto e fiável
para o framework de AutoML a ser proposto. Nestas experiências, definiu-se uma arquitetura para lidar
com as etapas tradicionais do fluxo de trabalho de ML e realizou-se um benchmark robusto de frameworks
de AutoML existentes.
Posteriormente, num segundo conjunto de experiências, propôs-se um novo framework de AutoML
(AutoOneClass) que aplica Grammatical Evolution (GE) para criar e evoluir differentes algoritmos OCC
de ML usando otimização uni e multiobjetivo aplicados a um dataset real de Manutenção Preventiva.
Em seguida, propôs-se uma versão melhorada do framework (AutoOC), que se centra exclusivamente
em otimização multiobjetivo. Várias experiências computacionais foram realizadas para avaliar a eficácia
do framework AutoOC, usando oito datasets públicos de vários domínios de aplicação e dois modos de
validação distintos (não supervisionado e supervisionado).
Descrição: Programa doutoral em Information Systems and Technology
<b>Tipo</b>: doctoralThesis2024-03-08T12:35:16ZWave-based sensor, actuator and optimizer
https://hdl.handle.net/1822/89378
Título: Wave-based sensor, actuator and optimizer
Autor: Santos, Paulo Jorge Silva
Resumo: A presente tese explora a utilização de ondas para abordar dois desafios significativos na indústria automóvel.
O primeiro desafio consiste no desenvolvimento de um sistema de cancelamento ativo de ruído
(ANC) que possa reduzir os ruídos não estacionários no compartimento de passageiros de um veículo. O
segundo desafio é criar uma metodologia de conceção ótima para sensores de posição indutivos capazes
de medir deslocamentos lineares, rotacionais e angulares.
Para abordar o primeiro desafio, foi desenvolvido de um sistema ANC onde wavelets foram combinadas
com um banco de filtros adaptativos. O sistema foi implementado em uma FPGA, e testes demonstraram
que o sistema pode reduzir o ruído não estacionário em um ambiente acústico aberto e não controlado em
9 dB. O segundo desafio foi abordado através de uma metodologia que combina um algoritmo genético
com um método numérico rápido para otimizar um sensor de posição indutivo. O método numérico foi
usado para simular o campo eletromagnético associado à geometria do sensor, permitindo a maximização
da corrente induzida nas bobinas recetoras e a minimização da não-linearidade no sensor. A minimização
da não-linearidade foi conseguida através do desenho (layout) das bobinas que compõem o sensor. Sendo
este otimizado no espaço de Fourier através da adição de harmónicos apropriados na geometria. As
melhores geometrias otimizadas apresentaram uma não-linearidade inferior a 0,01% e a 0,25% da escala
total para os sensores de posição angular e linear, respetivamente, sem calibração por software.
O sistema ANC proposto tem o potencial de melhorar o conforto dos ocupantes do veículo, reduzindo o
ruído indesejado dentro do compartimento de passageiros. Isso poderia reduzir o uso de materiais de
isolamento acústico no veículo, levando a um veículo mais leve e, em última análise, a uma redução
no consumo de energia. A metodologia desenvolvida para sensores de posição indutivos contribui para
o estado da arte de sensores de posição eficientes e económicos, o que é crucial para os requisitos
complexos da indústria automóvel. Essas contribuições têm implicações para o desenho de sistemas
automotivos, com requisitos de desempenho e considerações ambientais e económicas.; This thesis explores the use of waves to tackle two major engineering challenges in the automotive industry.
The first challenge is the development of an Active Noise Cancelling (ANC) system that can effectively
reduce non-stationary noise inside a vehicle’s passenger compartment. The second challenge is the
optimization of an inductive position sensor design methodology capable of measuring linear, rotational,
and angular displacements.
To address the first challenge, this work designs an ANC system that employs wavelets combined with a
bank of adaptive filters. The system was implemented in an FPGA, and field tests demonstrate its ability
to reduce non-stationary noise in an open and uncontrolled acoustic environment by 9 dB. The second
challenge was tackled by proposing a new approach that combines a genetic algorithm with a fast and
lightweight numerical method to optimize the geometry of an inductive position sensor. The numerical
method is used to simulate the sensor’s electromagnetic field, allowing for the maximization of induced
current on the receiver coils while minimizing the sensor’s non-linearity. The non-linearity minimization was
achieved through its unique sensor’s coils design optimized in the Fourier space by adding the appropriate
harmonics to the coils’ geometry. The best optimized geometries exhibited a non-linearity of less than
0.01% and 0.25% of the full scale for the angular and linear position sensors, respectively. Both results
were achieved without the need for signal calibration or post-processing manipulation.
The proposed ANC system has the potential to enhance the comfort of vehicle occupants by reducing
unwanted noise inside the passenger compartment. Moreover, it has the potential to reduce the use of
acoustic insulation materials in the vehicle, leading to a lighter vehicle and ultimately reducing energy
consumption. The developed methodology for inductive position sensors represents a state-of-the-art
contribution to efficient and cost-effective position sensor design, which is crucial for meeting the complex
requirements of the automotive industry.
Descrição: Programa doutoral em Sistemas Avançados de Engenharia para a Indústria (AESI)
<b>Tipo</b>: doctoralThesis2024-03-08T11:44:34ZDistributed scheduling based on multi-agent system: a swarm approach for collaborative optimization
https://hdl.handle.net/1822/89245
Título: Distributed scheduling based on multi-agent system: a swarm approach for collaborative optimization
Autor: Alves, Filipe Marcelo Ferreira
Resumo: Countries worldwide are increasingly dealing with an aging population, especially in the interior regions of Portugal. Thus, given the difficulty that hospitals have in managing their logistics, there is a growing demand for Home Health Care (HHC) services, which have become extremely important in the daily lives of many people, who regularly receive social support and/or health care. However, the strategic and operational planning of HHC is facing problems, in addition to a high level of uncertainty, needing to incorporate digital technologies to meet the growing demand for real-time processes and operations, which is a challenging task. Currently, HHC scheduling and routing planning are often performed manually (without computational support), leading to inefficient solutions and increased costs. To cope with this, the ability to effectively and efficiently investigate, discuss and innovate in decision support systems is crucial, since manual planning or methods are generally centralized and deterministic.
This thesis aims to contribute to these complex and priority challenges to the lives of care workers and patients can be mitigated through the use of intelligent models and methods, which, when coordinated, can generate optimized and distributed solutions. In this work, the design and development of a disruptive and decentralized architecture were proposed, which integrates the optimization and Multi-agent System (MAS) modules. The architecture is supported by a database and a control interface, which served as a guideline to digitalize and produce scheduling and route plans with real-time flexibility and optimized responses, especially in the case of unexpected events. In this sense, the proposed architecture, based on the distribution of control functions over a swarm network of decision-making entities, was implemented and validated. The results showed that its performance was superior by combining the best of models and methods, with emphasis on MAS and optimization methods. On one hand, MAS guarantees a fast response to uncertainty conditions, while the optimization module achieves optimal solutions, i.e., a hybrid collaboration between these modules guarantees autonomy, robustness and responsiveness in domains with emerging needs. Finally, the Dynamic and Optimized Collaborative System for Routes (DOCtoR) prototype was proposed as an innovative system that integrates cloud tools, monitoring, optimization and MAS skills to support home care visits, meeting the operational needs faced by a real scenario in the Obra Social Padre Miguel (OSPM), an Private Institution of Social Solidarity (IPSS) in Bragança, Portugal. The platform focuses on modernizing and digitalizing the services performed by OSPM and creating a smart system for data exchange, scheduling and optimized management of routes, resources planning, and users. In this way, it will be possible to coordinate more effective responses to social, health and safety needs, in a dynamic and personalized way for all stakeholders.; Os países em todo o mundo estão a lidar cada vez mais com o envelhecimento da população, especialmente nas regiões do interior de Portugal. Assim, dada a dificuldade dos hospitais gerirem a sua logística, existe uma maior procura pelos cuidados de saúde domiciliários (HHC), que se tornaram de extrema importância no quotidiano de muitas pessoas. No entanto, o planeamento do HHC está a enfrentar problemas, que para além de um elevado nível de incerteza, necessita de incorporar tecnologias digitais para responder à crescente procura de processos e operações em tempo real, o que constitui uma tarefa desafiante. Atualmente, o escalonamento e o planeamento de rotas do HHC são frequentemente realizados manualmente, o que conduz a soluções ineficientes e a custos acrescidos.
Para fazer face a esta situação, a capacidade de investigar e inovar de forma eficaz e eficiente em sistemas de apoio à decisão é crucial, uma vez que os métodos usados são geralmente centralizados e determinísticos.
Esta tese visa contribuir para que estes desafios complexos e prioritários para a vida dos cuidadores e dos pacientes, possam ser mitigados através do uso de métodos inteligentes, que quando coordenados, possam gerar soluções otimizadas e distribuídas. Neste trabalho, foi proposto o desenvolvimento de uma arquitetura disruptiva e descentralizada, que integra um módulo de otimização e um sistema multiagente (MAS). A arquitetura é suportada por uma base de dados e uma interface, que servem como diretriz para digitalizar e produzir escalonamentos e rotas com flexibilidade e respostas otimizadas, especialmente no caso de eventos inesperados. Neste sentido, foi proposta, implementada e validada uma arquitetura baseada na distribuição de funções sobre uma rede de entidades com tomada de decisão. Os resultados mostraram que o seu desempenho foi superior ao combinar o melhor dos modelos e métodos, com destaque para o MAS e algoritmos de otimização. Por um lado, o MAS garante uma resposta rápida a condições de incerteza, enquanto o módulo de otimização consegue soluções ótimas, ou seja, uma colaboração híbrida entre estes módulos, garante autonomia, robustez e capacidade de resposta em domínios com necessidades emergentes. Por fim, foi proposto o protótipo DOCtoR, que é um sistema inovador que integra ferramentas cloud, monitorização, otimização e competências de um MAS para apoiar as visitas domiciliárias, atendendo às necessidades operacionais de um cenário real na OSPM, uma IPSS de Bragança, Portugal. A plataforma tem como foco a modernização e digitalização dos serviços prestados pela OSPM e a criação de um sistema inteligente para troca de dados, escalonamento e gestão otimizada de rotas, recursos e utilizadores.
Desta forma, será possível coordenar respostas mais eficazes às necessidades sociais, de saúde e segurança, de uma forma mais dinâmica e personalizada para todos os intervenientes.
Descrição: Programa doutoral em Industrial and Systems Engineering
<b>Tipo</b>: doctoralThesis2024-03-04T13:52:10ZModelo Preditivo de Qualidade 4.0 para defeitos de cliente
https://hdl.handle.net/1822/89023
Título: Modelo Preditivo de Qualidade 4.0 para defeitos de cliente
Autor: Silva, Anabela Costa da
Resumo: Na era da Indústria 4.0, não se podem deixar de lado conceitos como cloud computing, blockchain,
redes sociais, mobilidade, Internet das Coisas, Big Data e Inteligência Artificial, que em conjunto com
uma melhor estrutura de internet irá revolucionar tudo o que conhecemos hoje. Associada à Indústria
4.0 surge o conceito de Qualidade 4.0, uma estratégia que procura aplicar novas tecnologias aos
processos atuais de qualidade. Neste contexto, as indústrias atuais utilizam Inteligência Artificial para a
execução de tarefas de uma forma sistemática, investindo assim na automação dos processos. Assim,
este projeto de doutoramento foi realizado em contexto industrial na Bosch Car Multimedia de Braga.
Após uma revisão da literatura, em que se deu ênfase aos temas da Indústria 4.0, Qualidade 4.0 e
Inteligência Artificial, foram analisados os dados referentes às reclamações de clientes. Construíram-se
modelos de Machine Learning, capazes de prever a responsabilidade de uma reclamação.
Paralelamente, foram integrados e disponibilizados dados de diversas fontes de dados, para que assim
se analisasse a pertinência de introduzir novas variáveis aos dados. O processo de disponibilização de
dados foi automatizado e estes foram facultados com uma periodicidade diária. De forma a tornar o
processo de análise de dados e a implementação de modelos de Machine Learning, mais simples e
standard, apresentou-se um guião e a respetiva script, que reflete a metodologia aplicada ao longo deste
estudo de caso. Os resultados demonstram que os modelos obtidos são capazes de prever a
responsabilidade de uma reclamação de cliente, com uma exatidão de 64,05%.Com a aplicação de
modelos preditivos mostrou-se que se pode economizar tempo, e assim contribuir para melhorias a nível
do processo reclamação de cliente. Mostrou-se a importância de ter a informação de várias fontes de
dados num lugar único, e automaticamente atualizadas, e assim ter-se a informação disponível quer para
novas análises, quer para tornar o processo de consulta de informação mais simples. O trabalho
desenvolvido deu ênfase à análise, à importância dos dados, à aplicação de técnicas de Inteligência
Artificial e à automatização de processos – prossupostos indispensáveis à Qualidade 4.0.; In the era of Industry 4.0 we cannot overlook concepts such as cloud computing, blockchain, social
networks, mobility, Internet of Things, Big Data, and Artificial Intelligence, which, together with a better
internet infrastructure, will revolutionize everything we know today. Associated with the Industry 4.0, it
emerges the concept of Quality 4.0, a strategy that strives to obtain better levels of productivity and quality
by applying new technologies to the current quality processes. It is then clear that today’s industries need
to apply Artificial Intelligence to innovate and improve processes, as well as increase productivity. With
this context in mind, this doctoral project was carried out in an industrial background at Bosch Car
Multimedia in Braga. After the literature review, that emphasized themes such as Industry 4.0, Quality
4.0 and Artificial Intelligence, data related to customer complaints was analyzed. Machine Learning
models have been built that can predict the responsibility of a complaint. In parallel, data from different
data sources were integrated and made available, so that the relevance of introducing new variables to
the current complaint could be analyzed. Data are provided daily, and the process is totally automated.
To simplify and standardize both the data analysis process and the implementation of Machine Learning
models, a guide and respective script that reflect the methodology used during this case study are
presented. The results demonstrate that the models obtained are capable of predicting the responsibility
of a customer complaint, with an accuracy of 64.05%. Using predictive models also showed that it is
possible to save time and, therefore, achieve improvements in the customer complaint process.
Combining data from different sources in a single place, where it is automatically updated, also proved
to be beneficial for new analysis and to make it simpler to access information. Thus, the work carried out
throughout this project emphasized the analysis and importance of data, the use of Artificial Intelligence
techniques and the automation of processes – key points for the Quality 4.0.
Descrição: Programa doutoral em Engenharia Industrial e de Sistemas
<b>Tipo</b>: doctoralThesisBringing empirical big data to evidence based qualitative knowledge in Healthcare
https://hdl.handle.net/1822/86583
Título: Bringing empirical big data to evidence based qualitative knowledge in Healthcare
Autor: Abelha, Vasco António Pinheiro Costa
Resumo: O avanço da Tecnologia trouxe ainda mais problemas ao sector da Saúde que, devido ao nosso
contexto social e económico, já se encontrava em dificuldades – interrupção ou atraso na utilização de
serviços tecnológicos; sistemas computacionais e de informação incapazes de comportar novas políticas
tecnológicas de organização, processamento e partilha de dados médicos. No entanto, espera-se que os
cuidados de saúde garantam interruptamente a melhor qualidade de serviço ao utente de saúde. Isto
verificou-se ao longo destes últimos dois anos devido à Pandemia COVID-19, onde os profissionais de
saúde tiveram de procurar novas ferramentas capazes de lidar com o aumento da procura de cuidados
de saúde. O ativo mais importante para ultrapassar estes obstáculos e as contínuas pressões é a própria
informação gerada no dia-a-dia de uma instituição de Saúde. Porém, devido a questões financeiras
e tecnológicas, utilização de sistemas informáticos obsoletos e desconhecimento de tecnologias mais
eficientes, torna-se impossível a exploração e processamento dos dados criados. Business Intelligence
é um conjunto de ferramentas e protocolos que podem processar e modelar um conjunto de dados em
novas fontes de conhecimento importantes para auxiliar e melhorar os processos de tomada de decisão.
No âmbito da Saúde e literatura existente, BI tem como principais vantagens: permitir uma assistência
médica mais personalizada ao utente, redução de custos e aumento da eficácia e eficiência dos variados
processos de saúde. Assim sendo, com base na investigação e inovação, este Programa Doutoral serviu
de fundação a uma maior partilha, compreensão e estruturação dos dados anteriormente dispersos entre
os diferentes corpos e equipas clínicas. Culminando no design e desenvolvimento de uma plataforma
Web capaz de contextualizar informação e auxiliar nos processos de tomada de decisões clínicas do
paciente. Além disso, é importante salientar implementação de uma arquitetura capaz de agregar e
produzir dados pós-processados provenientes de diferentes serviços e base de dados existentes. Os
artefactos resultantes não só melhoraram o trabalho diário dos profissionais de saúde, como também
permitem um desenvolvimento mais rápido e eficiente de futuro software médico assente no consumo de
informações orientadas ao paciente - plataformas web e mobile.; The advent of the Technology and Information Age bore even more difficulties to a Health Sector already struggling to reduce costs and personnel. Society expects Healthcare to ensure the highest quality
patient care with fewer resources: interruption or delay while accessing digital services; computing and
information systems incapable of enduring new technological policies in the organization, process, and
sharing of medical information, etcetera. Information is the most critical asset to meeting these goals, and
even though Healthcare is sitting on piles of data sets, they are incapable of properly exploit theirs due
to monetary constraints, limited computing systems, and inexperience in newer and more efficient technologies. Business Intelligence is a set of services and strategies that can model datasets into relevant,
actionable intelligent information to assist and improve the users’ decision-making. Business Intelligence
oriented to Healthcare can potentiate personalized Healthcare and improve the medical staff proficiency
while saving costs and increasing the efficiency and effectiveness of healthcare procedures. Therefore,
on the grounds of innovation, this Doctoral Program in Biomedical Engineering will convene in designing,
developing, and validating a Pervasive Business Intelligence architecture oriented to Healthcare. An architecture capable of aggregating daily generated information and transforming it into contextualized relevant
information to assist in the various patient clinical decisions. This architecture also needs to withstand the
highly dynamic Healthcare environment. Nevertheless, a preliminary investigation is required to plan and
prepare the Doctoral Research Program to design a feasible and practical solution successfully. This document will focus on reviewing and defining the objectives, most suitable research processes, and methods
for this Doctoral Project.
Descrição: Tese de doutoramento em Biomedical Engineering
<b>Tipo</b>: doctoralThesis2023-09-26T13:26:30Z