@inproceedings{Marcelo2007,

title = {Reconhecimento Autom\'{a}tico de Modula\c{c}\~{a}o Digital de Sinais de Comunica\c{c}\~{o}es},

author = {Marcelo Corr\^{e}a Horewicz and Cairo L\'{u}cio Nascimento Jr and Waldecir Jo\~{a}o Perrella},

url = {https://www.sige.ita.br/edicoes-anteriores/2007/st/CC_13.pdf},

year  = {2007},

date = {2007-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2007 (SIGE2007)},

abstract = {Sistemas de reconhecimento autom\'{a}tico de modula\c{c}\~{a}o digital devem ser capazes de classificar corretamente os tipos de modula\c{c}\~{a}o digital de sinais de comunica\c{c}\~{o}es recebidos em um receptor. Este artigo apresenta o resultado da compara\c{c}\~{a}o do desempenho dos classificadores de modula\c{c}\~{a}o digital baseados na rede neural feedforward Perceptron Multicamada (MLP) e os baseados nas Support Vector Machines (SVM). Este desempenho foi avaliado por meio de simula\c{c}\~{o}es de diferentes tipos de sinais digitais corrompidos com ru\'{i}do branco aditivo gaussiano (AWGN). \'{E} mostrado que a taxa total de sucesso dos classificadores ficou acima de 75% numa rela\c{c}\~{a}o sinal ru\'{i}do (SNR) de 5dB. Palavras-chaves ( Intelig\^{e}ncia Artificial, Redes Neurais, Reconhecimento de padr\~{o}es, Modula\c{c}\~{a}o Digital, MLP, SVM.},

keywords = {Intelig\^{e}ncia Artificial, MLP, Modula\c{c}\~{a}o Digital, Reconhecimento de padr\~{o}es, Redes Neurais, SVM},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{Marcelo2006Intelig\^{e}nciab,

title = {T\'{e}cnicas de Redes Neurais para o Problema de Reconhecimento de Caracteres: Um Estudo Comparativo},

author = {Marcelo Corr\^{e}a Horewicz and Cairo L\'{u}cio Nascimento Jr and Thiago Marques Silva},

url = {https://www.sige.ita.br/edicoes-anteriores/2006/st/C2004.pdf},

year  = {2006},

date = {2006-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2006 (SIGE2006)},

abstract = {Este artigo apresenta o resultado da compara\c{c}\~{a}o do desempenho de dois tipos de classificadores neurais com aprendizagem de reconhecimento de caracteres. As t\'{e}cnicas de redes neurais utilizadas foram: rede neural tipo feedforward Perceptron Multicamada (MLP) com 1 camada escondida sendo treinada com o algoritmo backpropagation e a rede Support Vector Machines (SVM). Os classificadores foram implementados no MATLAB 6.5.1, e como medida de desempenho foi utilizada a taxa de acertos da classifica\c{c}\~{a}o na fase de testes. Para este caso espec\'{i}fico o SVM apresentou melhor resultado. Palavras-chaves Intelig\^{e}ncia Artificial, Redes Neurais, Classifica\c{c}\~{a}o de padr\~{o}es, MLP, SVM.},

keywords = {Classifica\c{c}\~{a}o de padr\~{o}es, Intelig\^{e}ncia Artificial, MLP, Redes Neurais, SVM},

pubstate = {published},

tppubtype = {inproceedings}

}