| spelling |
Joao Antonio de VasconcelosLuciana Gomes Castanheira2019-08-11T23:54:21Z2019-08-11T23:54:21Z2008-09-26http://hdl.handle.net/1843/BUOS-8CDFQKO processo de descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases KDD), incluindo a fase de mineração de dados, vem sendo amplamente utilizado como ferramenta para auxiliar na tomada de decisão em áreas como crédito bancário e predições médicas. Neste trabalho este processo de KDD é estudado tendo como objetivo avaliar a utilização de métodos de mineração de dados aplicados em áreas da engenharia elétrica, sendo a abordagem feita sobre uma base de dados oriunda de testes de cromatografia de transformadores de potência. A mineração de dados é aplicadapara obter uma classificação de tipos de defeitos dos transformadores. As técnicas abordadas no trabalho são redes neurais e árvores de decisão. As estruturas de algoritmos escolhidas nestas técnicas foram, respectivamente, a rede MLP com treinamento através do algoritmo de retropropagação resiliente, simulada no MatLab, e a árvore gerada peloalgoritmo J4.8, simulada no aplicativo weka. O capítulo 2 traz um estudo sobre o processo de KDD, com as fases de todo o processo e suas respectivas atividades. No capítulo 3 é apresentada a fase de mineração de dados, realçando suas diversas aplicações. Nos capítulos 4 e 5 são feitos estudos das técnicas e seus respectivos algoritmos. Em seguida são apresentadas duas bases de dados consideradas benchmarkpara a validação do estudo e finalmente os algoritmos são aplicados à base de dados da cromatografia. Nos capítulos 7 e 8 são apresentados os resultados e as conclusões do trabalho, onde é visto que o processo de mineração de dados pode ser aplicado em problemas na área da engenharia elétrica, porém devem ser feitos estudos sobre o domínio de cada base de dados a ser tratada.The Knowledge Discovery in Databases (KDD) process, which includes the data mining phase, has been widely used as a tool to assist decision-making in areas such as banking credit and medical predictions. In this work this process is studied with the objective ofevaluating the use of data mining methods in areas of electrical engineering, considering data obtained from chromatography tests of power transformers. The data mining is applied for a classification of the types of transformers´s defects. The techniques that were studied in this work are neural networks and decision trees. The algorithms chosenin these techniques are, respectively, MLP´s network with resilient backpropagation algorithm for the training, simulated in Matlab, and the tree generated by the J4.8 algorithm, simulated in Weka. Chapter 2 presents a study about the KDD´s process, with the phases of the whole process and their activities. In Chapter 3 is given the data miningphases, highlighting its various aplications. In Chapters 4 and 5 the studies of the techniques and your algorithms are presented. Then are given two databases considered benchmark for the study validation and finally the algorithms are applied in the database of chromatography. In the following sections the results and conclusions are presented,where it is seen that the data mining can be applied to problems in the electrical engineering area, but must be made studies on the area of each database to be treated.Universidade Federal de Minas GeraisUFMGEngenharia elétricaTomada de decisãoRedes neuraisÁrvores de decisãoKDDMineração de dadosAplicação de técnicas de mineração de dados em problemas de classificação de padrõesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALluciana_gomes_castanheira.pdfapplication/pdf659174https://repositorio.ufmg.br/bitstream/1843/BUOS-8CDFQK/1/luciana_gomes_castanheira.pdf2cbc0f4a496371277ef8ce0dc1d80007MD511843/BUOS-8CDFQK2019-08-11 20:54:21.411oai:repositorio.ufmg.br:1843/BUOS-8CDFQKRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-08-11T23:54:21Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|