dc.contributor.author | Souza, Carlos Eduardo de | |
dc.date.accessioned | 2022-09-30T19:04:22Z | |
dc.date.available | 2022-09-30T19:04:22Z | |
dc.date.issued | 2022-09-23 | |
dc.identifier.citation | SOUZA, Carlos Eduardo de. Classificação não supervisionada para autômato celular elementar do Wolfram. 2022. Trabalho de Conclusão de Curso (Graduação em Engenharia Física) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16759. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16759 | |
dc.description.abstract | Cellular Automata are gaining ground in many research areas such as biology, physics
and chemistry. But as more parameters are added, it becomes impossible to find
features that may be interesting for a particular application. This work has
objective by unsupervised machine learning methods like texture descriptors
and convolutional autoencoder to determine which Elementary Cellular Automaton rules belong to the
classes determined by Wolfram. To do unsupervised learning, histograms were generated
with the Local Binary Pattern Variance (LBPV) and the Convolutional Autoencoder, then using the
histograms in the K-Means model to analyze whether the model is able to separate the data into four clusters
according to the classification proposed by Woflram. In the end, it was observed that both methods did not
were able to perform such classification, and the LBPV showed the closest results. | eng |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Autômato celular | por |
dc.subject | Wolfram | por |
dc.subject | Aprendizado de máquina | por |
dc.title | Classificação não supervisionada para autômato celular elementar do Wolfram | por |
dc.title.alternative | Unsupervised classification for elementary cellular automaton of the Wolfram | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Bruno, Odemir Martinez | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4796921913434370 | por |
dc.description.resumo | Os Autómatos Celulares estão ganhando espaço em muitas áreas de pesquisas como biologia, física
e química. Porém conforme são adicionados mais parâmetros, começa a ficar impossível encontrar
características que possam ser interessantes para determinada aplicação. Esse trabalho tem como
objetivo por métodos de aprendizado de máquina não supervisionado como descritores de textura
e autoencoder convolucional determinar quais regras do Autómato Celular Elementar pertencem às
classes determinadas por Wolfram. Para fazer o aprendizado não supervisionado, foi gerado histogramas
com o Local Binary Pattern Variance (LBPV) e o Autoencoder Convolucional, então utilizado os
histogramas no modelo K-Means analisar se o modelo é capaz de separar os dados em quatro cluster
de acordo com a classificação proposta por Woflram. No final observou-se que ambos os métodos não
foram capaz de realizar tal classificação, sendo que o LBPV apresentou resultados mais próximos. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::FISICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.publisher.course | Engenharia Física - EFi | por |