Reconhecimento de padrões por processos adaptativos de compressão
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFG |
Texto Completo: | http://repositorio.bc.ufg.br/tede/handle/tede/10565 |
Resumo: | Data compression is a process widely used by the industry in the storage and transport of information and is applied to a variety of domains such as text, image, audio and video. The compression processes are a set of mathematical operations that aim to represent each sample of data in compressed form, or with a smaller size. Pattern recognition techniques can use compression properties and metrics to design machine learning models from adaptive algorithms that represent samples in compressed form. An advantage of adaptive compression models, is that they have dimensionality reduction techniques resulting from the compression properties. This thesis proposes a general unsupervised learning model (for different problem domains and different types of data), which combines adaptive compression strategies in two phases: granulation, responsible for the perception and representation of the knowledge necessary to solve a problem generalization, and the codification phase, responsible for structuring the reasoning of the model, based on the representation and organization of the problem objects. The reasoning expressed by the model denotes the ability to generalize data objects in the general context. Generic methods, based on compactors (without loss of information), lack generalization capacity for some types of data objects, and in this thesis, lossy compression techniques are also used, in order to circumvent the problem and increase the capacity of generalization of the model. Results demonstrate that the use of techniques and metrics based on adaptive compression produce a good approximation of the original data samples in data sources with high dimensionality. Tests point to good machine learning models with good generalization capabilities derived from the approach based on the reduction of dimensionality offered by adaptive compression processes. |
id |
UFG-2_00ab85498ac9298b3763ceec3d6fca56 |
---|---|
oai_identifier_str |
oai:repositorio.bc.ufg.br:tede/10565 |
network_acronym_str |
UFG-2 |
network_name_str |
Repositório Institucional da UFG |
repository_id_str |
|
spelling |
Soares, Anderson da Silvahttp://lattes.cnpq.br/1096941114079527Delbem, Alexandre Cláudio Botazzohttp://lattes.cnpq.br/1201079310363734Soares, Anderson da SilvaSilva, Nadia Felix Felipe daDuque, Cláudio GottschalgCosta, Ronaldo Martins daMonaco, Francisco Joséhttp://lattes.cnpq.br/4666887752401303Bailão, Adriano Soares de Oliveira2020-09-04T18:21:35Z2020-09-04T18:21:35Z2020-03-02BAILÃO, A. S. O. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede) - Universidade Federal de Goiás, Goiânia, 2020.http://repositorio.bc.ufg.br/tede/handle/tede/10565ark:/38995/001300000d8t7Data compression is a process widely used by the industry in the storage and transport of information and is applied to a variety of domains such as text, image, audio and video. The compression processes are a set of mathematical operations that aim to represent each sample of data in compressed form, or with a smaller size. Pattern recognition techniques can use compression properties and metrics to design machine learning models from adaptive algorithms that represent samples in compressed form. An advantage of adaptive compression models, is that they have dimensionality reduction techniques resulting from the compression properties. This thesis proposes a general unsupervised learning model (for different problem domains and different types of data), which combines adaptive compression strategies in two phases: granulation, responsible for the perception and representation of the knowledge necessary to solve a problem generalization, and the codification phase, responsible for structuring the reasoning of the model, based on the representation and organization of the problem objects. The reasoning expressed by the model denotes the ability to generalize data objects in the general context. Generic methods, based on compactors (without loss of information), lack generalization capacity for some types of data objects, and in this thesis, lossy compression techniques are also used, in order to circumvent the problem and increase the capacity of generalization of the model. Results demonstrate that the use of techniques and metrics based on adaptive compression produce a good approximation of the original data samples in data sources with high dimensionality. Tests point to good machine learning models with good generalization capabilities derived from the approach based on the reduction of dimensionality offered by adaptive compression processes.A compressão de dados é um processo amplamente utilizado pela indústria no armazenamento e transporte de informações sendo aplicada a uma variedade de domínios como texto, imagem, áudio e vídeo. Os processos de compressão constituem-se em um conjunto de operações matemáticas que visam representar cada amostra de dados na forma comprimida, ou com menor tamanho. Técnicas de reconhecimento de padrões podem utilizar propriedades e métricas de compressão para conceber modelos de aprendizado de máquina a partir de algoritmos adaptativos que representam as amostras na forma comprimida. Uma vantagem dos modelos de compressão adaptativos, é que dispõem de técnicas de redução de dimensionalidade decorrentes das propriedades de compressão. Essa tese propõe um modelo de aprendizado não-supervisionado geral (para diversos domínios de problema e diferentes tipos de dados), que reúne as estratégias adaptativas de compressão em duas fases : a granulação, responsável pela percepção e representação do conhecimento necessário para resolver um problema de generalização, e a fase de codificação, responsável pela estruturação do raciocínio do modelo, a partir da representação e organização dos objetos do problema. O raciocínio expresso pelo modelo denota a capacidade de generalização dos objetos de dados no contexto geral. Métodos genéricos, baseados em compactadores (sem perda de informação), carecem de capacidade de generalização para alguns tipos de objetos de dados, sendo, nessa tese, utilizadas também, técnicas de compressão, com perdas, visando contornar o problema e aumentar a capacidade de generalização do modelo. Resultados demonstram que a utilização de técnicas e métricas baseadas em compressão adaptativa produzem uma boa aproximação das amostras de dados originais em fontes de dados com alta dimensionalidade. Testes apontam para bons modelos de aprendizado de máquina com boa capacidade de generalização derivados da abordagem baseada na redução de dimensionalidade oferecida por processos adaptativos de compressão.Submitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2020-09-02T20:10:29Z No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 parte 1 de 2.pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 parte 2 de 2.pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5)Rejected by Luciana Ferreira (lucgeral@gmail.com), reason: OLHE A CITACAO: ERRADA: BAILÃO, Adriano Soares de Oliveira. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede UFG/UFMS) - Universidade Federal de Goiás, Goiânia, 2020. CERTA: BAILÃO, A. S. O. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede) - Universidade Federal de Goiás, Goiânia, 2020. NO ROTEIRO DEZ QUE PARA ARQUIVOS GRANDES: Nos raros casos em que o arquivo for muito grande e tiver que ser dividido, cada parte deve ser renomeado da mesma forma, adicionando a indicação da parte, entre parênteses, no final. Exemplo 1: “Dissertação - João Carlos da Silva Júnior – 2014 (1)” “Dissertação - João Carlos da Silva Júnior – 2014 (2)” on 2020-09-03T19:13:55Z (GMT)Submitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2020-09-03T22:25:21Z No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5)Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-04T18:21:35Z (GMT) No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5)Made available in DSpace on 2020-09-04T18:21:35Z (GMT). No. of bitstreams: 3 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (1).pdf: 41264071 bytes, checksum: b273b9a1cc57ba234055ce05cfc952ad (MD5) Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdf: 62231037 bytes, checksum: ace5da0dec01ae4701d73cfc1142c5e9 (MD5) Previous issue date: 2020-03-02porUniversidade Federal de GoiásPrograma de Pós-graduação em Ciência da Computação em Rede UFG/UFMS (INF)UFGBrasilInstituto de Informática - INF (RG)Attribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência computacionalReconhecimento de padrõesAprendizado de máquinaAnálise de agrupamentosCompressão de dadosComputational intelligencePattern recognitionMachine learningCluster analysisData compressionCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOReconhecimento de padrões por processos adaptativos de compressãoPattern recognition by adaptive compression processesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis2050050050027184reponame:Repositório Institucional da UFGinstname:Universidade Federal de Goiás (UFG)instacron:UFGCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811http://repositorio.bc.ufg.br/tede/bitstreams/c5450e92-7e1b-4f18-9b14-4089b008415e/downloade39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALTese - Adriano Soares de Oliveira Bailão - 2020 (1).pdfTese - Adriano Soares de Oliveira Bailão - 2020 (1).pdfParte 1application/pdf41264071http://repositorio.bc.ufg.br/tede/bitstreams/8aa845ef-ff37-407e-8697-e4d7b3d7ca16/downloadb273b9a1cc57ba234055ce05cfc952adMD55Tese - Adriano Soares de Oliveira Bailão - 2020 (2).pdfTese - Adriano Soares de Oliveira Bailão - 2020 (2).pdfParte 2application/pdf62231037http://repositorio.bc.ufg.br/tede/bitstreams/506c8874-1690-4370-9783-c12796e292e9/downloadace5da0dec01ae4701d73cfc1142c5e9MD56LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repositorio.bc.ufg.br/tede/bitstreams/69be3cd1-c78c-4e95-87f8-dc0ff8e1bfb1/download8a4605be74aa9ea9d79846c1fba20a33MD51tede/105652020-09-04 15:23:03.35http://creativecommons.org/licenses/by-nc-nd/3.0/br/Attribution-NonCommercial-NoDerivs 3.0 Brazilopen.accessoai:repositorio.bc.ufg.br:tede/10565http://repositorio.bc.ufg.br/tedeRepositório InstitucionalPUBhttp://repositorio.bc.ufg.br/oai/requesttasesdissertacoes.bc@ufg.bropendoar:2020-09-04T18:23:03Repositório Institucional da UFG - Universidade Federal de Goiás (UFG)falseTk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo= |
dc.title.pt_BR.fl_str_mv |
Reconhecimento de padrões por processos adaptativos de compressão |
dc.title.alternative.eng.fl_str_mv |
Pattern recognition by adaptive compression processes |
title |
Reconhecimento de padrões por processos adaptativos de compressão |
spellingShingle |
Reconhecimento de padrões por processos adaptativos de compressão Bailão, Adriano Soares de Oliveira Inteligência computacional Reconhecimento de padrões Aprendizado de máquina Análise de agrupamentos Compressão de dados Computational intelligence Pattern recognition Machine learning Cluster analysis Data compression CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Reconhecimento de padrões por processos adaptativos de compressão |
title_full |
Reconhecimento de padrões por processos adaptativos de compressão |
title_fullStr |
Reconhecimento de padrões por processos adaptativos de compressão |
title_full_unstemmed |
Reconhecimento de padrões por processos adaptativos de compressão |
title_sort |
Reconhecimento de padrões por processos adaptativos de compressão |
author |
Bailão, Adriano Soares de Oliveira |
author_facet |
Bailão, Adriano Soares de Oliveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Soares, Anderson da Silva |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/1096941114079527 |
dc.contributor.advisor-co1.fl_str_mv |
Delbem, Alexandre Cláudio Botazzo |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/1201079310363734 |
dc.contributor.referee1.fl_str_mv |
Soares, Anderson da Silva |
dc.contributor.referee2.fl_str_mv |
Silva, Nadia Felix Felipe da |
dc.contributor.referee3.fl_str_mv |
Duque, Cláudio Gottschalg |
dc.contributor.referee4.fl_str_mv |
Costa, Ronaldo Martins da |
dc.contributor.referee5.fl_str_mv |
Monaco, Francisco José |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/4666887752401303 |
dc.contributor.author.fl_str_mv |
Bailão, Adriano Soares de Oliveira |
contributor_str_mv |
Soares, Anderson da Silva Delbem, Alexandre Cláudio Botazzo Soares, Anderson da Silva Silva, Nadia Felix Felipe da Duque, Cláudio Gottschalg Costa, Ronaldo Martins da Monaco, Francisco José |
dc.subject.por.fl_str_mv |
Inteligência computacional Reconhecimento de padrões Aprendizado de máquina Análise de agrupamentos Compressão de dados |
topic |
Inteligência computacional Reconhecimento de padrões Aprendizado de máquina Análise de agrupamentos Compressão de dados Computational intelligence Pattern recognition Machine learning Cluster analysis Data compression CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
dc.subject.eng.fl_str_mv |
Computational intelligence Pattern recognition Machine learning Cluster analysis Data compression |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
Data compression is a process widely used by the industry in the storage and transport of information and is applied to a variety of domains such as text, image, audio and video. The compression processes are a set of mathematical operations that aim to represent each sample of data in compressed form, or with a smaller size. Pattern recognition techniques can use compression properties and metrics to design machine learning models from adaptive algorithms that represent samples in compressed form. An advantage of adaptive compression models, is that they have dimensionality reduction techniques resulting from the compression properties. This thesis proposes a general unsupervised learning model (for different problem domains and different types of data), which combines adaptive compression strategies in two phases: granulation, responsible for the perception and representation of the knowledge necessary to solve a problem generalization, and the codification phase, responsible for structuring the reasoning of the model, based on the representation and organization of the problem objects. The reasoning expressed by the model denotes the ability to generalize data objects in the general context. Generic methods, based on compactors (without loss of information), lack generalization capacity for some types of data objects, and in this thesis, lossy compression techniques are also used, in order to circumvent the problem and increase the capacity of generalization of the model. Results demonstrate that the use of techniques and metrics based on adaptive compression produce a good approximation of the original data samples in data sources with high dimensionality. Tests point to good machine learning models with good generalization capabilities derived from the approach based on the reduction of dimensionality offered by adaptive compression processes. |
publishDate |
2020 |
dc.date.accessioned.fl_str_mv |
2020-09-04T18:21:35Z |
dc.date.available.fl_str_mv |
2020-09-04T18:21:35Z |
dc.date.issued.fl_str_mv |
2020-03-02 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
BAILÃO, A. S. O. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede) - Universidade Federal de Goiás, Goiânia, 2020. |
dc.identifier.uri.fl_str_mv |
http://repositorio.bc.ufg.br/tede/handle/tede/10565 |
dc.identifier.dark.fl_str_mv |
ark:/38995/001300000d8t7 |
identifier_str_mv |
BAILÃO, A. S. O. Reconhecimento de padrões por processos adaptativos de compressão. 2020. 160 f. Tese (Doutorado em Ciência da Computação em Rede) - Universidade Federal de Goiás, Goiânia, 2020. ark:/38995/001300000d8t7 |
url |
http://repositorio.bc.ufg.br/tede/handle/tede/10565 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.program.fl_str_mv |
20 |
dc.relation.confidence.fl_str_mv |
500 500 500 |
dc.relation.department.fl_str_mv |
27 |
dc.relation.cnpq.fl_str_mv |
184 |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Goiás |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Ciência da Computação em Rede UFG/UFMS (INF) |
dc.publisher.initials.fl_str_mv |
UFG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto de Informática - INF (RG) |
publisher.none.fl_str_mv |
Universidade Federal de Goiás |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFG instname:Universidade Federal de Goiás (UFG) instacron:UFG |
instname_str |
Universidade Federal de Goiás (UFG) |
instacron_str |
UFG |
institution |
UFG |
reponame_str |
Repositório Institucional da UFG |
collection |
Repositório Institucional da UFG |
bitstream.url.fl_str_mv |
http://repositorio.bc.ufg.br/tede/bitstreams/c5450e92-7e1b-4f18-9b14-4089b008415e/download http://repositorio.bc.ufg.br/tede/bitstreams/8aa845ef-ff37-407e-8697-e4d7b3d7ca16/download http://repositorio.bc.ufg.br/tede/bitstreams/506c8874-1690-4370-9783-c12796e292e9/download http://repositorio.bc.ufg.br/tede/bitstreams/69be3cd1-c78c-4e95-87f8-dc0ff8e1bfb1/download |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 b273b9a1cc57ba234055ce05cfc952ad ace5da0dec01ae4701d73cfc1142c5e9 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFG - Universidade Federal de Goiás (UFG) |
repository.mail.fl_str_mv |
tasesdissertacoes.bc@ufg.br |
_version_ |
1811721517036208128 |