Engenharia de Computação (Leopoldina)
URI Permanente para esta coleção
Navegar
Navegando Engenharia de Computação (Leopoldina) por Título
Agora exibindo 1 - 4 de 4
Resultados por página
Opções de Ordenação
Item Modelagem e otimização de sistemas dinâmicos biológicos derivados de modelos booleanos: estudo de estratégias de computação evolucionista para a identificação de parâmetros em sistemas derivados de modelos booleanos com cinéticas variadas.(Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Rezende, Lucas da Cruz; Silva, José Eduardo Henriques da; Basílio, Samuel da Costa Alves; http://lattes.cnpq.br/6188828001943466; http://lattes.cnpq.br/3305201288921237; http://lattes.cnpq.br/7944615344890251; José Eduardo Henriques da Silva; Samuel da Costa Alves Basílio; Maicom Peters Xavier; Fernando Garcia Diniz Campos FerreiraRedes de Regulação Gênica (GRNs) modelam as interações moleculares que controlam a expressão gênica, podendo ser representadas de forma discreta, por modelos Booleanos, ou contínua, por equações diferenciais ordinárias (EDOs). A conversão de modelos Booleanos em contínuos permite obter uma descrição quantitativa da dinâmica gênica, mas gera um modelo simbólico cujos coeficientes numéricos precisam ser determinados. Este trabalho analisa estratégias para essa conversão explorando três cinéticas, Hill, Michaelis-Menten e Goldbeter-Koshland, e propõe a otimização dos coeficientes por meio de Estratégia Evolutiva (EE) e Evolução Diferencial (ED). As abordagens foram validadas em dois problemas de referência: GRN5, um modelo de ritmo circadiano com cinco genes, e ABCD, uma rede de quatro genes com dinâmica amortecida. Os resultados indicam que a cinética de Hill produziu os melhores ajustes nos dois problemas, por incorporar o expoente de cooperatividade necessário para representar transições abruptas entre estados. A Michaelis-Menten revelou-se estruturalmente inadequada para as dinâmicas avaliadas, convergindo para patamares de erro elevados independentemente do algoritmo. Quanto aos otimizadores, a ED superou a EE em qualidade de ajuste e estabilidade entre execuções: no ABCD com cinética de Hill, a ED atingiu erro mínimo de 6,76 com desvio padrão nulo, enquanto a EE registrou mediana de 25,62. A combinação ED com cinética de Hill destacou-se como a mais eficaz, reunindo menor erro, maior consistência e custo computacional intermediário.Item Reidentificação de pessoas em redes de múltiplas câmeras: comparação entre arquiteturas híbrida e edge-first.(Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Conceição, Helton Pojo.; Bhering, Fabiano Pereira.; http://lattes.cnpq.br/6310147796607948; Bhering, Fabiano Pereira.; Araújo Júnior, Lindolpho de Oliveira.; Ferreira, Fernando Garcia Diniz Campos.Sistemas de videovigilância com múltiplas câmeras são amplamente empregados em segurança pública, controle de acesso e monitoramento de ambientes urbanos. A reidentificação de pessoas (Person Re-Identification (ReID)) é a tarefa de reconhecer um mesmo indivíduo em imagens capturadas por câmeras distintas, sendo essencial para o rastreamento contínuo em grandes áreas. Os principais desafios incluem variações de iluminação, pose e oclusão entre câmeras, além das restrições de largura de banda e latência impostas por redes sem fio. Nesse contexto, este trabalho apresenta o desenvolvimento e a avaliação comparativa de duas arquiteturas de processamento distribuído para reidentificação de pessoas (person reidentification) em redes de múltiplas câmeras. A arquitetura Híbrida executa a detecção de pessoas (YOLOv12n) nos nós de borda e delega a extração de embeddings (OSNet) e o matching ao servidor central. A arquitetura Edge-First executa a detecção e a extração de embeddings nos nós, transmitindo ao servidor apenas vetores compactos para o matching com a galeria global de identidades. Os experimentos foram conduzidos em diferentes datasets de múltiplas cameras, variando os limiares de similaridade. Os resultados demonstram que a arquitetura Edge-First foi a alternativa mais adequada para sistemas de ReID em redes sem fio, ao oferecer simultaneamente menor consumo de banda, menor latência e maior acurácia, sendo especialmente indicada para cenários com restrições de largura de banda nos quais dispositivos de borda dispõem de capacidade computacional suficiente para a extração local de características.Item Trasmissão adaptativa de vídeo em IoT utilizando aprendizado de máquinas(Centro Federal de Educação Tecnológica de Minas Gerais, 2025-12-16) Pereira Junior, Rogério Perez; Bhering, Fabiano Pereira; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6310147796607948; http://lattes.cnpq.br/9191839290489356; Bhering, Fabiano Pereira; Ferreira, Fernado Garcia Diniz Campos; Silva, José Eduardo Henriques da; Nazare, Tiago BittencourtEste trabalho apresenta uma estratégia para roteamento adaptativo em transmissão de vídeo em ambientes de Internet das Coisas (IoT), considerando a movimentação das taxas de bits geradas pelos fluxos de vídeo. O método proposto baseia-se na classificação automática da variação das taxas de bits de vídeo, uma métrica estatística que reflete a dinâmica do movimento e a complexidade das cenas. Essas informações, combinadas com parâmetros como a taxa de quadros (FPS), são utilizadas para estimar as necessidades de fluxo e auxiliar na seleção de rotas no framework FITPATH, visando otimizar a qualidade de serviço (QoS) e a experiência do usuário (QoE) em cenários heterogêneos. A avaliação da proposta foi realizada por meio de experimentos e simulações, considerando diferentes tipos de movimentações de cenas. Os resultados demonstram o potencial da proposta para integração com roteamento adaptativo ciente do tráfego do vídeo.Item Uso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras(Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Fernandes, Vinícius Lima; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6188828001943466; http://lattes.cnpq.br/3836261899945973; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; Silva, José Eduardo Henriques da; Oliveira, Luan SoaresPrever o comportamento de um ativo no mercado financeiro é uma tarefa complexa, uma vez que seu valor é determinado pela combinação de diversos fatores, como condições econômicas, políticas, emocionais e até mesmo comportamentais dos agentes de mercado. Nesse contexto, as criptomoedas representam ativos com características distintas dos mercados tradicionais, como alta volatilidade e ausência de regulação centralizada, o que torna a previsão de sua tendência ainda mais desafiadora. Este trabalho tem como objetivo avaliar o desempenho de diferentes algoritmos de aprendizado de máquina na previsão de tendências de criptomoedas com características distintas de mercado, verificando como essas características influenciam na eficácia dos modelos. Para isso, foram utilizados os modelos Random Forest (RF), K-Nearest Neighbors (KNN) e Long Short-Term Memory (LSTM), aplicados ao Bitcoin (BTC), Ethereum (ETH) e Cardano (ADA), representando respectivamente um ativo de referência, um cenário de maior estabilidade e um cenário de maior volatilidade. Os indicadores técnicos foram utilizados como entrada para os modelos, com foco na métrica de Precisão como critério principal de avaliação. Cada modelo foi executado por trinta simulações independentes, permitindo a análise estatística. O ETH, representando o cenário mais estável, apresentou os piores resultados de precisão, com modelos próximos ao limiar aleatório de 50%. O ADA, representando o cenário mais volátil, produziu os melhores retornos financeiros. O LSTM foi o único modelo a superar significativamente o buy and hold nos três ativos simultaneamente, demonstrando maior capacidade de generalização entre diferentes cenários de mercado.