TRABALHOS PUBLICADOS

@inproceedings{243457_1,

title = {Sistema de Aprendizado de M\'{a}quina como Apoio ao Monitoramento da Sa\'{u}de Estrutural de Aeronaves},

author = {Ana Carolina Ribeiro Albino and Cassio Vitor Duvoisin and Gian Ricardo Berkenbrock},

url = {https://www.sige.ita.br/edicoes-anteriores/2024/st/243457_1.pdf?x11208},

issn = {1983-7402},

year  = {2024},

date = {2024-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2024 (SIGE2024)},

abstract = {A manuten\c{c}\~{a}o de aeronaves \'{e} essencial para a opera\c{c}\~{a}o segura, mas o uso de cronogramas baseados em intervalos temporais fixos gera custos elevados, podendo chegar a 15% das despesas operacionais, e nao impede falhas inesperadas. O monitoramento da saude estrutural (MSE), parte da manuten\c{c}\~{a}o baseada em condi\c{c}\~{o}es (CBM), oferece uma alternativa eficaz, reduzindo custos de manuten\c{c}\~{a}o em at\'{e} 30%. Este trabalho desenvolve um modelo de aprendizado de m\'{a}quina, baseado em perceptrons multicamadas, para classificar a estrutura como saud\'{a}vel ou danificada, utilizando dados da universidade TU Delft. Com acuracia de 90%, o modelo aumenta a confiabilidade do sistema ao localizar falhas com precis\~{a}o e eliminar falsos positivos.},

keywords = {Aprendizado de M\'{a}quina, Manuten\c{c}\~{a}o de aeronaves, monitoramento da sa\'{u}de estrutural},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{Livia2021Droneb,

title = {Detec\c{c}\~{a}o de Drones Intrusos},

author = {Livia Fragoso Pimentel and Luiz C Giacomossi Jr and Jefferson Costa Matos and Vitor Venceslau Curtis and Filipe},

url = {https://www.sige.ita.br/edicoes-anteriores/2021/st/217759_1.pdf},

year  = {2021},

date = {2021-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2021 (SIGE2021)},

abstract = {A crescente aplica\c{c}\~{a}o de drones possibilitou o advento de novas solu\c{c}\~{o}es para os desafios do mundo moderno e exp\^{o}s a necessidade de maior aten\c{c}\~{a}o a quest\~{o}es relacionadas \`{a} seguran\c{c}a e privacidade. Nesse contexto, a identifica\c{c}\~{a}o de drones invasores representa uma solu\c{c}\~{a}o urgente em meio ao aumento dos riscos decorrentes da populariza\c{c}\~{a}o desse tipo de ve\'{i}culo. Frente a esse cen\'{a}rio, este estudo visa a aplicar t\'{e}cnicas de Aprendizado de M\'{a}quina na detec\c{c}\~{a}o de drones invasores com o uso de dados de tr\'{a}fego wi-fi criptografados. A metodologia aplicada baseia-se em uma an\'{a}lise explorat\'{o}ria desses dados, seguida da etapa de pr\'{e}-processamento deles e da avalia\c{c}\~{a}o de modelos preditivos com o objetivo de selecionar aqueles capazes de prover maiores precis\~{o}es e menores tempos de processamento ao classificar se um sinal \'{e} proveniente de um drone, ou n\~{a}o.},

keywords = {Aprendizado de M\'{a}quina, detec\c{c}\~{a}o, Drone},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{ResumoEste2010Minera\c{c}\~{a}ob,

title = {Aplica\c{c}\~{a}o de M\'{a}quina de Vetor de Suporte na Classifica\c{c}\~{a}o de Sinais Ac\'{u}sticos de Navios Utilizando Dados de Frequ\^{e}ncia e RPM. Mikey da Silva Neto, Moacyr Machado Cardoso J\'{u}nior, Rodrigo Arnaldo Scarpel1 Pra\c{c}a Marechal Eduardo Gomes, 50 - Vila das Ac\'{a}cias S\~{a}o Jos\'{e} dos Campos \textendash SP \textendash Brasil CEP: 12228-900},

author = {ResumoEste identifica\c{c}\~{a}o},

url = {https://www.sige.ita.br/edicoes-anteriores/2010/st/XIII_4.pdf},

year  = {2010},

date = {2010-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2010 (SIGE2010)},

abstract = {Este artigo apresenta um estudo para identifica\c{c}\~{a}o de sinais ac\'{u}sticos utilizando M\'{a}quina de Vetor de Suporte (MVS). Os dados utilizados foram obtidos atrav\'{e}s da an\'{a}lise de frequ\^{e}ncias principais, mais especificamente, lofargrama e demongrama, cujo objetivo \'{e} prover a um submarino a capacidade de reconhecer classe de navios necess\'{a}rios tanto \`{a} seguran\c{c}a da navega\c{c}\~{a}o assim como identifica\c{c}\~{a}o de alvos em cen\'{a}rios de beliger\^{a}ncia. Os dados de frequ\^{e}ncia principal cont\^{e}m os atributos de frequ\^{e}ncia sonora provenientes das m\'{a}quinas e RPM do eixo- propulsor dos navios. T\'{e}cnicas MVS foram usadas com o algoritmo Grid Search para extra\c{c}\~{a}o dos par\^{a}metros \'{o}timos da fun\c{c}\~{a}o Kernel. Os resultados mostraram uma boa performance na classsifica\c{c}\~{a}o de navios usando os atributos selecionados, bem como um baixo custo computacional relativo. Palavras-chave: Minera\c{c}\~{a}o de Dados, Aprendizado de M\'{a}quina, Pesquisa Operacional Militar.},

keywords = {Aprendizado de M\'{a}quina, Minera\c{c}\~{a}o de Dados, Pesquisa Operacional Militar},

pubstate = {published},

tppubtype = {inproceedings}

}