| dc.contributor | BASSANI, Hansenclever de França | |
| dc.contributor | http://lattes.cnpq.br/3452426422772279 | |
| dc.contributor | http://lattes.cnpq.br/1931667959910637 | |
| dc.creator | BRITO, Raphael Cândido | |
| dc.date | 2019-09-12T18:43:48Z | |
| dc.date | 2019-09-12T18:43:48Z | |
| dc.date | 2018-07-23 | |
| dc.date.accessioned | 2022-10-06T18:20:13Z | |
| dc.date.available | 2022-10-06T18:20:13Z | |
| dc.identifier | https://repositorio.ufpe.br/handle/123456789/32694 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3989940 | |
| dc.description | Segmentar palavras - identificar palavras em fala contínua - é um passo fundamental na aquisição de linguagem e, especialmente, no desenvolvimento léxico. No entanto, a ausência de silêncios sistemáticos (pausas) entre as palavras em fala contínua torna esta tarefa mais difícil, especialmente no início do desenvolvimento humano, em que outros componentes-chave da linguagem (fonologia, morfologia, sintaxe, etc.) ainda não são totalmente conhecidos pelos bebês. Este processo de aquisição de linguagem em bebês com poucos meses de vida também pode ser descrito como um processo de descoberta de padrões recorrentes (Motif ). Três características principais na tarefa de aquisição de linguagem realizada pelas crianças são observadas e trazidas para o contexto computacional neste trabalho. Os Mapas Auto-Organizáveis (SOM), são muito relevantes para o contexto desta Dissertação, por serem modelos neurais biologicamente inspirados, utilizando aprendizagem não-supervisionada e incremental, que são capazes de produzir como resultado protótipos que podem ser considerados como padrões frequentes em uma série temporal. Todavia, o SOM possui algumas limitações que inviabilizam a realização da tarefa de reconhecer entradas com tamanhos variáveis, como por exemplo, o SOM não implementa dimensões que possuem diferentes relevâncias e a não está apto a ajustar a quantidade de protótipos no mapa ao longo do tempo. Alguns modelos baseados em SOM, apresentam características relevantes para o desenvolvimento desta Dissertação, sendo portanto apresentados no decorrer deste trabalho. Assim, esta Dissertação possui como objetivo criar um modelo, que seja capaz de aprender padrões de tamanhos variáveis e desconhecidos. Partindo de modelos inspirados em SOM, este trabalho propõe uma série de modificações para permitir que o modelo consiga se adaptar a padrões de entrada de tamanhos desconhecidos e variados, assim como os bebês aprendem. No decorrer deste trabalho, estão apresentados experimentos utilizando-se de dados reais e de dados simulados. Ao fim desta Dissertação, os resultados estão apresentados e assim, é possível mostrar que o modelo proposto apresenta a maioria das características desejadas. | |
| dc.description | CAPES | |
| dc.description | Word Segmentation - identify words in continuous speech - is a fundamental step in the acquisition of language and especially in lexical development. However, the deficiency of systematic silences (pauses) between words in continuous speech makes this task more difficult, especially at the beginning of human development, in which other key components of language (phonology, morphology, syntax, etc.) are not fully known to babies. This process of language acquisition in infants with a few months of life can also be described as a process of discovering recurrent patterns (Motif). The Self-Organizing Maps (SOM), are very relevant to the context of this Dissertation because they are neural models biologically inspired using non-supervised and incremental learning, that are able of producing prototypes that can be considered as frequent patterns in a time series. However, the SOM has some limitations that make it impossible to perform the task of recognizing inputs with variable sizes, for example, SOM does not implement dimensions that have different relevancies and is not able to adjust the number of prototypes on the map over time. Some models based on SOM, present characteristics relevant to the development of this Dissertation, and are therefore presented in the course of this work. Thus, this Dissertation aims to create a model that is capable of learning patterns of variable and unknown sizes. Based on SOM-inspired models, this work proposes a series of modifications to allow the model to adapt to input patterns of unknown and variable sizes. In the course of this work, experiments will be presented using real data and simulated data. At the end of this Dissertation, the results will be presented and then the final considerations. Thus, it will be possible to show that the proposed model has the desired characteristics. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Pernambuco | |
| dc.publisher | UFPE | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pos Graduacao em Ciencia da Computacao | |
| dc.rights | openAccess | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Inteligência computacional | |
| dc.subject | Séries temporais | |
| dc.title | Mapas auto-organizáveis para reconhecimento de plavaras e descoberta de padrões em séries temporais | |
| dc.type | masterThesis | |
