PUBLISHED PAPERS
2025 |
Modelos Supervisionados para Previsão de Atrasos em Voos: Impacto da SMOTE no Aprendizado Proceedings Article Lucas Almeida Soares Silva; Ramiro de Paiva Fagundes; Bruno Santos Luiz; Camile da Costa Ramos; Daniel Alberto Pamplona; Mateus Habermann Resumo | Links | BibTeX | Tags: Balanceamento de Classes, Machine Learning, Transporte Aéreo @inproceedings{daSilva2025ModelosSupervisionados,Atrasos em voos domésticos no Brasil representam um problema crítico, com severos impactos operacionais e financeiros. Embora o Machine Learning ofereça ferramentas para prever esses eventos, o desbalanceamento natural dos dados, onde voos pontuais são a maioria, cria modelos com alto viés, incapazes de identificar as classes minoritárias de atraso. Este trabalho aborda essa lacuna ao analisar o impacto da técnica de sobreamostragem SMOTE em três algoritmos: Regressão Logística Ordinal, Decision Tree e Random Forest. Os modelos foram treinados para classificar atrasos em categorias distintas. Os resultados demonstram que, sem o balanceamento, os algoritmos são ineficazes. Após a aplicação da SMOTE, a capacidade de prever atrasos aumenta drasticamente, com o Random Forest mostrando o melhor desempenho. O estudo conclui que a SMOTE é um pré-processamento essencial para a utilidade prática de modelos preditivos no setor aéreo. |
Classificação de Sons de Navios por Aprendizado de Máquina na Acústica Submarina Miscellaneous Marco André Desbrousses Cotta Resumo | Links | BibTeX | Tags: Classifica{ç}{ã}o Ac{ú}stica Submarina, Machine Learning, Redes Neurais Convolucionais @misc{247056_1,Este trabalho apresenta um sistema de classificação automática de sons de navios em ambientes submarinos utilizando redes neurais convolucionais (Convolutional Neural Networks – CNN). A metodologia baseia-se na coleta de sinais acústicos passivos, extração de características espectrais como LOFAR e DEMON, e posterior treinamento de modelos de deep learning para reconhecimento de padrões. O objetivo é identificar embarcações específicas por suas assinaturas acústicas, mesmo em ambientes complexos e com ruído de fundo. A proposta foi testada com bases de dados reais, obtendo resultados promissores quanto à acurácia e aplicabilidade operacional. Observou-se, por exemplo, índice de acerto médio de 92% para fragatas, 88% para corvetas, 95% para submarinos e 85% para navios de apoio logístico. Por fim, discute-se a viabilidade de integração do sistema a modelos de propagação acústica, como o TRACEO, para aprimorar a detecção e localização. Perspectivas futuras incluem o uso de arquiteturas híbridas e implementação embarcada em plataformas navais. |
2021 |
Classificação de Alvos em Imagens SAR com Técnicas de Machine Learning Proceedings Article Fabiano Gabriel Silva; Bruna Gregory Palm; Renato Machado Resumo | Links | BibTeX | Tags: Deep Learning, Machine Learning, SAR- @inproceedings{Fabiano2021Deepb,Atividades marítimas que vão desde o transporte de mercadorias até a produção de petróleo e gás natural são cada vez mais presentes em águas brasileiras. O monitoramento dessas atividades é de fundamental importância para coibir aç˜oes ilícitas ou ilegais. O aumento da disponibilidade de dados de sensoriamento remoto permite que imagens de radar de abertura sintética (SAR - Synthetic Aperture Radar) possam ser explora- das na vigilância marítima. Este trabalho considera o problema de classificação de plataformas de petróleo e navios localizados no litoral dos estados do Rio de Janeiro e Espírito Santo. Para o estudo, utilizaram-se imagens SAR com polarização VH. Duas técnicas de machine learning foram avaliadas, a saber, Random Forest e K-nearest neighbors, com as quais pode-se obter taxas de acurácia de 81,8% e 79,2%, respectivamente. |