Anais do XX Congresso Brasileiro de Automática

Belo Horizonte, MG, 20 a 24 de Setembro de 2014

IDENTIFICAÇÃO DE CLASSES DESCONHECIDAS EM SINAIS DE SONAR PASSIVO ATRAVÉS DE COMPONENTES

PRINCIPAIS

RODRIGO MORAIS GUEDES*, JOÃO B. DE O. E SOUZA FILHO*

*Centro Federal de Educação Tecnológica Celso Suckow da Fonseca, Unidade Maracanã

Av. Maracanã 229, Maracanã
Rio de Janeiro, RJ, Brasil

EMAILS: RODCAVALERA@BOL.COM.BR, JSOUZA@CEFET-RJ.BR

Abstract Automatic Contact Classification System (ACCS) is a useful decision support tool for sonar operators to identify
threats during submarine operation. Novelty Detection System (NDS) is an important complementary tool to recognize contacts
belonging to unknown classes to which special attention should be dispensed for him. This work analyses the development on an
unknown class recognition system based on principal components. A new scheme using principal components specialized on
known classes is developed to identify novelty. Using real data, acquired in an acoustic ray, the proposed system achieves an av-
erage efficiency of recognition of unknown classes of 62.9%, which represents an expressive result.

Keywords Passive sonar, Novelty Detection, PCA, Decision Support Systems, Pattern Recognition

Resumo Sistemas de classificação automática de contatos (SCAC) constituem uma importante ferramenta de apoio à decisão
para operadores de sonar na identificação de ameaças durante a operação de submarinos. Sistemas de detecção de novidades
(SDN) são uma importante ferramenta complementar para o reconhecimento de contatos pertencentes a classes desconhecidas,
para as quais atenção especial deve ser por ele dispensada. Esta trabalho analisa o desenvolvimento de um sistema de identifica-
ção de classes desconhecidas utilizando componentes principais. Um novo esquema utilizando componentes principais especia-
lizadas nas classes conhecidas é desenvolvido para a identificação de novidades. Utilizando dados reais, obtidos em raia acústi-
ca, o sistema proposto apresenta uma eficiência média de identificação de novas classes de 62,9%, o que representa um resulta-
do expressivo.

Palavras-chave Sonar passivo, Detecção de novidades, PCA, Sistemas de Suporte a Decisão, Reconhecimento de Padrões

seados em técnicas de Inteligência Computacional [3,

1. Introdução
Sistemas de sonar passivo são comumente utili-
zados por submarinos em atividades operacionais de
ronda desempenhadas pela Marinha do Brasil para a
proteção da costa do país. Diferentemente do sonar
ativo, o sonar passivo apenas registra os sons capta-
dos do ambiente de entorno do submarino, dificul-
tando a identificação do submarino por outras possí-
veis embarcações inimigas.
A operação do sonar passivo é realizada por
uma pessoa treinada, conhecida como operador de
sonar, que identifica e analisa os ruídos captados no
entorno do submarino, identificando e classificando
possíveis contatos através de suas características de
sonoridade peculiares, as quais são referidas como
assinaturas acústicas.
A tarefa de classificação de contatos não é trivi-
al, face ao grande número de contatos possíveis, as
questões ambientais associadas e a responsabilidade
intrínseca da tarefa. Deste modo, razoável esforço
vem sendo aplicado no desenvolvimento de ferra-
mentas complementares às análises LOFAR (LOw
Frequency Analysis and Recording) [1] e DEMON
(DEMOdulated Noise) [2], em especial no que tange
sistemas de classificação automática de contatos ba-
4, 5].
Face às restrições de ordem prática, econômica
e política, bem como a riqueza dos cenários ambien-
tais e condições operativas, sistemas de classificação
automática de contatos, quando aplicados em cená-
rios reais, deparar-se-ão, provavelmente, como em-
barcações desconhecidas, que podem pertencer, in-
clusive, a novas classes, visto a impossibilidade de
suas bases de desenvolvimento contemplar todas as
classes e os cenários operativos possíveis.
Assim, adicionalmente a um sistema de classifi-
cação automática de contatos, é de extrema relevân-
cia, em cenários de operação real, um sistema de
identificação de novidades que sinalize ao operador
de sonar quando um evento não pertença a uma das
classes com as quais o sistema de classificação foi
desenvolvido e, portanto, para o qual, a indicação do
contato mais provável deve ser vista com cautela,
evitando-se assim um possível ataque a uma embar-
cação inofensiva, bem como a situação contrária.
Em virtude da complexidade dos sinais en-
volvidos, sua alta-dimensionalidade, o número ex-
pressivo de eventos disponíveis na base de dados,
bem como a necessária operação em tempo real de
sistemas de apoio à decisão no âmbito de sonar pas-
sivo, a técnica de Análise de Componentes Principais
(PCA) se mostrou atrativa para o problema, visto sua
eficácia na compactação com retenção de informação
relevante à caracterização dos dados [6], bem como

121
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
custo computacional compatível com a operação em
tempo real do sistema.
Usualmente, detectores de novidades baseados
em PCA são baseados no erro de reconstrução come-
tido na reconstrução do evento de entrada para um
dado número de componentes principais. Assim, caso
este erro seja superior a dado limiar, o evento é con-
siderado pertencente a uma classe desconhecida.
Ainda que este procedimento seja simples, costuma
ser bem sucedido [7], ainda que em problemas menos
complexos e de dimensionalidade mais reduzida.
A proposta deste artigo é desenvolver e analisar
um sistema de identificação de classes desconhecidas
em sinais de sonar passivo baseada em componentes
principais. Três detectores de novidades baseados em
PCA são propostos e tem seu desempenho compara-
do utilizado dados reais.
A estrutura do artigo é a que se segue: inicial-
mente, tem-se uma rápida abordagem da técnica de
análise de componentes principais. Posteriormente, é
descrita como a detecção de novidades pode ser rea-
lizada utilizando componentes principais, as propos-
tas analisadas neste trabalho, bem como o indicador
proposto para a definição da complexidade dos de-
tectores de novidade propostos. Em seguida, tem-se
uma descrição da base de dados. Por fim, são apre-
sentados os resultados, as conclusões e agradecimen-
tos.
2. PCA
A Análise de Componentes Principais ou Prin-
cipal Component Analysis (PCA) [8] é um método
estatístico que se utiliza de uma transformação orto-
gonal para converter um conjunto de observações de
variáveis possivelmente correlacionadas em um novo
conjunto de observações com variáveis descorrelaci-
onadas.
Esta transformação possui uma interpretação
geométrica interessante, tendo em vista que a produ-
ção destas novas variáveis de faz pela projeção dos
dados em direções conhecidas como componentes
principais. Estas direções são ortogonais entre si e
possuem a propriedade de maximizar a variância das
projeções dos dados, logo resultam numa compacta-
ção linear ótima em termos do erro médio quadrático
[6].
Adicionalmente, como a maior parte da variân-
cia das projeções se concentra em um pequeno núme-
ro de componentes, a PCA permite uma redução ex-
pressiva do quantitativo de variáveis utilizado. Seja
uma matriz de dados X, cujas colunas representam as
variáveis; e as linhas, os eventos de interesse (um
total de M exemplares). Os componentes principais
são derivadas da matriz de correlação experimental
~ técnica é que como as componentes principais são
dos dados ( R ), definida por:
~ 1
R (X  μ X )T (X  μ X ) (1)
M 1
122
~
através da decomposição de R em autovalores e
autovetores. Deste modo, os componentes principais
correspondem aos autovetores e1 ... e N associados
aos autovalores 1 ... N , ordenados de forma de-
crescente, isto é: 1 > 2 >...  N .
3. Detecção de Novidades por PCA
A capacidade de identificar conceitos novos a
medida que dados, normalmente provenientes do
mundo real, são recebidos, recebe, na área de Apren-
dizado de Máquina (AM), a denominação de Detec-
ção de Novidade (DN) ou Novelty Detection [9].
Diferentes problemas de variadas áreas empre-
gam detectores de novidades, a saber: identificação
de falhas em máquinas [10], identificação de novos
tópicos em textos [7], reconhecimento de objetos em
vídeos e a segmentação de dígitos manuscritos [11].
A detecção de novidades é, usualmente, um
problema complexo, não havendo um critério univer-
sal e ótimo. Assim, o desempenho das variadas técni-
cas disponíveis [12] é usualmente dependente do
problema e das especificidades da base de dados uti-
lizada para seu desenvolvimento.
As três modalidades de detectores aqui conside-
rados serão apresentadas a seguir. Em seguida, o pro-
cesso de dimensionamento dos mesmos será discuti-
do.
3.1 Detector de Novidade Único
A detecção de novidade baseada em PCA é,
normalmente, baseada no erro de reconstrução, que é
obtido através da compactação e descompactação dos
eventos de entrada num conjunto finito de componen-
tes PCA.
Seja W, de dimensão N x P, cujas colunas são
definidas pelas componentes principais extraídas para
um conjunto de dados conhecidos. Note que P é usu-
almente muito menor que N e deve ser sintonizado
para máxima eficácia, conforme será descrito poste-
riormente. O erro de reconstrução obtido para um
vetor de entrada genérico x segundo esta proposta é
dado por:
2
e  (I  WW T )(x  μ) (1)
onde μ corresponde a média dos dados extraída no
processo produção das componentes principais.
Para a identificação de novidades, caso o valor
de e seja superior a um limiar arbitrário (), identifi-
ca-se o evento como novidade. O pressuposto desta
ótimas no sentido da representação linear dos dados,
o erro obtido quando o detector é submetido a even-
tos de classes desconhecidas tende a ser maior do que
aquele obtido para aqueles de classes conhecidas, isto
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

é, aquelas sob as quais foram extraídas as componen- se vencedora é calculado, explorando-se, no entanto,
tes deste detector. a especialização nas classes conhecidas.

3. 2 Detector de Especializado
Visto que a eficácia do detector baseado em
PCA está diretamente relacionada à qualidade de
representação das classes de dados, a adoção de de-
tectores especializados, isto é, considerando compo-
nentes extraídas exclusivamente para cada classe
conhecida, ou mesmo, para subclasses e partições
correspondentes, pode levar a um melhor mapeamen-
to e, consequentemente, a uma melhor eficácia.
Assim, supondo um problema de K classes co-
nhecidas, pode-se considerar a extração de compo-
nentes principais para cada classe isoladamente, re-
sultando na produção de erros de reconstrução con-
forme as equações:
2 reconhecimento da classe desconhecida (PDN): o
e1  (I  W1W1T )(x  μ1 )
 (2)
2 limiar; enquanto o segundo, por aqueles da classe
eK  (I  WK WKT )(x  μ K )
onde W1 a WK são matrizes cujas colunas são defi-
nidas pelas componentes principais extraídas para
cada classe, bem como μ1 a μ K são os vetores mé-
dios de cada classe.
Note que cada classe pode utilizar um dado nú-
mero de componentes, porém, para uma maior sim-
plicidade, nesta proposta foi considerada uma mesma
complexidade para todas elas, a qual foi ajustada por
validação cruzada.
Dois critérios foram considerados para a utiliza-
ção dos erros especializados no processo de identifi-
cação de novidades:
a) Critério de Erro Mínimo:
Neste caso, para cada um dos K erros produzi-
dos, identifica-se o menor deles, que será comparado
com o limiar arbitrado para a identificação de novi-
dades. Este critério pressupõe que o detector mais
adequado para a identificação de um vetor como no-
vidade é aquele que melhor representa o próprio ve-
tor, isto é, o que produz o menor valor de erro.
b) Critério do Centróide Mais Próximo:
3.3 Dimensionamento dos Detectores de Novidade
Dois parâmetros fundamentais e interdependen-
tes na operação dos detectores anteriormente apre-
sentados são: o número de componentes principais
adotadas e o limiar de decisão.
Considerando um número arbitrário de compo-
nentes de principais e, inicialmente, duas classes
(uma conhecida e outra desconhecida), a distribuição
da variável de decisão do detector possui formato
similar ao apresentado na Figura 1, comportando-se,
naturalmente, como um detector binário [8]. Por con-
sequência, para o limiar indicado, tem-se uma proba-
bilidade de detecção (PD) da classe conhecida e de
primeiro definido pelo quantitativo de eventos da
classe conhecida que produz uma saída abaixo do
desconhecida que originam uma saída acima do limi-
ar.
Figura 1: Distribuição da variável de decisão da saída do detector
para a classe conhecida e desconhecida.
Da observação da Figura 1, pode-se perceber
que para cada valor de limiar escolhido, tem-se um
par PD e PDN. De posse de vários valores de limiar,
é possível traçar uma curva, aqui referida como de
qualidade do detector de novidade, cuja área com o
eixo pode ser utilizada com medida de qualidade, a
semelhança da curva ROC [13], conforme ilustrado
na Figura 2Erro! Fonte de referência não encon-
trada.. Numa situação ideal, a área desta curva seria
1, representando 100% de PD e PDN.

Segundo este critério, primeiro, identifica-se a

classe mais provável da qual o evento é proveniente.
Para esta identificação se considera a menor distância
ao centro de cada classe, que corresponde, portanto,
aos vetores μ1 a μ K . Após, produz-se apenas o erro
associado à classe vencedora, que é comparado com
o limiar associado à identificação de novidade.
Como principal vantagem deste método em rela-
ção à proposta anterior, tem-se o custo computacio-
nal inferior, visto que apenas o erro associado à clas-

123
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
Figura 2: Curva de qualidade de um detector de novidades arbitrá-
rio (Vide texto).
Num problema com múltiplas classes conheci-
das e desconhecidas, a generalização da área da cur-
va de qualidade do detector para mais que 2 classes
não é trivial. Assim, uma possibilidade é adoção da
área média das curvas de qualidade, definida por:
1
am 
n A nB
 a
iA jB
i, j (3)
onde A e B representam o conjunto de índices associ-
ados as classes conhecidas e desconhecidas; n A e
nB , o número de elementos dos conjuntos A e B e
ai , j representa área da curva de qualidade para o par
de classes de índice i e j.
Deste modo, através da área média das curvas
de qualidade para cada componente, é possível pro-
duzir uma figura de mérito para o detector em função
do número de componentes principais adotadas, es-
colhendo-se, assim, um número de componentes que
maximize a área desta curva ou que represente um
compromisso interessante entre complexidade e efi-
ciência.
Uma vez definido o quantitativo de componen-
tes, define-se o limiar de decisão de novidade, consi-
derando-se uma probabilidade mínima de detecção
das classes conhecidas arbitrária.
4. Base de dados
Este projeto se utilizou uma base de dados dis-
ponibilizada pelo Instituto de Pesquisas da Marinha
do Brasil (IPqM) [14], o IPqM.
Esta base é constituída pelo ruído irradiado de
25 navios pertencentes a 8 classes distintas, contendo
de 2 a 5 navios cada uma. Um total de 263 corridas
de prova obtidas em raia acústica (ambiente de medi-
ção controlado, com número finito de variáveis moni-
toradas) está disponível. Em cada corrida, o navio
percorre a raia acústica se deslocando em condições
de maquinaria e operação constantes. Cada navio
realiza ainda diferentes corridas, cada uma em uma
condição operativa diferente.
Os sinais adquiridos foram pré-processados a
partir da cadeia apresentada na Figura 3Erro! Fonte
124
de referência não encontrada., também utilizada
em outros trabalhos [14].
Figura 3: Cadeia de pré-processamento. Extraído de [14].
Segundo esta cadeia, o sinal adquirido (fre-
quência de amostragem de 22,05 kHz) é dividido em
janelas de 4096 amostras, que não apresentam super-
posição, o que corresponde a um trecho com, apro-
ximadamente, 186 ms de duração.
Cada janela espectral é submetida a um janela-
mento de Hanning [15], que possui o objetivo de
minimizar os efeitos espectrais do recorte do sinal.
Posteriormente, o módulo de sua transformada
de Fourier é determinado. Dos 4096 valores disponí-
veis, são considerados os primeiros 557, os quais
cobrem a faixa de 0 a aproximadamente 3 kHz, pos-
suindo uma resolução de, aproximadamente, 5,4 Hz
por ponto espectral. Esta faixa de frequência foi es-
colhida por concentrar as informações mais relevan-
tes a respeito das máquinas em operação no interior
dos contatos [16].
Na sequência, os pontos espectrais são submeti-
dos ao algoritmo TPSW (Two-Pass Slit Window)
[17], o qual estima o ruído de fundo do ambiente de
medição, já que este não contribui, de forma signifi-
cativa, para a classificação. Os parâmetros utilizados
foram N = 50, P = 4 e α = 20, sendo a escolha basea-
da e, resultados apresentados em [16].
Finalmente, é realizada uma normalização do
espectro resultante para que este apresente energia
unitária, o que resulta entre 2432 (classe A) até 7075
(classe E) janelas espectrais.
5. Resultados
Para o desenvolvimento, dimensionamento e
avaliação dos detectores de novidade baseados em
PCA, a base de dados foi dividida, classe-a-classe,
em 3 conjuntos: desenvolvimento, validação e teste:
o primeiro, destinado a extração das componentes; o
segundo, para a definição do número de componentes
e do limiar de novidade; e, por fim, o terceiro, para
estimar o desempenho final. Os eventos foram divi-
didos aleatoriamente entre os conjuntos, segundo as
seguintes proporções aproximadas: 70% (desenvol-
vimento), 10% (teste) e 20% (validação).
Das 8 classes disponíveis, foram escolhidas me-
tade como conhecidas (A,B,C e H); e a outra metade,
como desconhecidas (D, E, F e G), em concordância
com trabalhos anteriores.
O dimensionamento dos 3 detectores sob
avaliação foi baseado análise da curva média de
qualidade do detector por número de componentes,
juntamente com a curva de qualidade do detector
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

individual de cada classe, ambas derivadas com base

no conjunto de validação. Para os detectores
especializados, uma mesma complexidade foi
escolhida para cada classe.
Na Figura 4 são apresentadas apenas as curvas
médias de qualidade do detector, sendo também
indicadas as complexidades escolhidas para cada
enfoque sob avaliação. Para o detector único, a
escolha foi de 75 componentes; para o especializado
baseado em erro mínimo, 142; e, para o especializado
baseado em centróide, 200.
Figura 5: Gráfico relacionando os valores de detecção das classes
conhecidas (PD) e de reconhecimento de classes desconhecidas
(PDN) por valor de limiar.

De posse dos resultados da Figura 5, foram es-

Figura 4: Valores da área média sob a curva de qualidade do de-
tector versus o número de componentes para os diferentes detecto-
res sobre avaliação.
colhidos os seguintes limiares: 0,1567; 0,16; 0,1714 e
0,1853, considerando os valores de 60%, 70%, 80%
e 90% como de detecção mínima de classes conheci-
das.
A avaliação final do detector de novidades foi
baseada no conjunto de teste. Na Figura 6 são exibi-
dos os valores de detecção das classes conhecidas
(PD) por valor de detecção mínima, ou seja, de limiar
de detecção de novidades escolhido. Adicionalmente,
o valor médio de PD para as 4 classes conhecidas é
exibido em cada caso.

Através da curva, pode-se perceber que o

detector de melhor desempenho é o especializado
baseado em erro mínimo, tanto pelo valor de área
obtido (0.782) quanto pelo número de componentes
envolvido (75), o que se traduz, claramente, em
menor esforço computacional.
Para a definição do limiar de decisão de novi-
dade foram utilizadas as curvas de detecção de clas-
ses conhecidas (PD) e de reconhecimento de classes
desconhecidas (PDN) versus o limiar de decisão de
novidade. Foram considerados 4 valores possíveis de
detecção mínima (70% a 90%), buscando-se, portan-
to, inferir o desempenho do detector em diferentes
cenários operativos possíveis, contemplando, portan-
to, diferentes valores de falso-positivo quanto a de-
tecção de novidade.
Na Figura 5 são exibidas as respectivas curvas,
juntamente com os limiares escolhidos para cada
valor de detecção mínima.
Figura 6: Valores de detecção de classes conhecidas por valor de
detecção mínima arbitrado.
Analisando a Figura 6, pode-se perceber que as
classes associadas aos piores valores de probabilida-
de detecção são as classes H e B. Para as demais,
considerando os limiares utilizados, é possível obter
uma probabilidade de detecção superior a 80%. De
forma coerente, as probabilidades associadas a estas
classes mais problemáticas estão sempre superiores à
probabilidade de detecção mínima estabelecida.
Verifica-se, ainda, que as classes B e H são
aquelas que tendem a ser, mais frequentemente, tidas
erroneamente como novidade (falso-positivo).
Na Figura 7 são exibidos os valores de reconhe-
cimento de classes desconhecidas (PDN) por valor de
detecção mínima, bem como o valor médio para 4
classes desconhecidas.

125
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
Figura 7: Valores de detecção de classes conhecidas por valor de
detecção mínima arbitrado.
É possível observar que a medida que o valor de
detecção mínimo é aumentado, reduz-se o
reconhecimento de novidades, conforme esperado. O
pior desempenho quanto ao reconhecimento de
novidades é obtido para a classe D, seguida pela
classe G.
Supondo-se um PD mínimo de 70%, que
representa um bom compromisso entre a detecção de
classes conhecidas e o reconhecimento de novas
classes, tem-se uma probabilidade de identificação de
novidades igual ou superior a 60%, excetuando-se a
classe D; e média de 62,9%, que é um resultado
bastante satisfatório.
6 Conclusão
Neste trabalho foi apresentada uma proposta
metodológica para o desenvolvimento de um sistema
de identificação de classes desconhecidas baseada em
componentes principais utilizando sinais de sonar
passivo.
Dois enfoques principais foram contemplados:
uma baseada na extração única de componentes prin-
cipais para todas as classes; e outra, que se baseou
numa extração PCA individualizada por classe. Para
esta última, dois critérios de decisão foram conside-
rados: o erro mínimo e o centroide mais próximo.
Pode-se observar que, para todos os casos anali-
sados, o detector é significativamente sensível a esco-
lha do quantitativo de componentes e do limiar de
detecção de novidades.
Dos três enfoques considerados, observa-se que
o critério baseado na caracterização individual por
classe e erro mínimo possui desempenho significati-
vamente superior aos demais. Este resultado era espe-
rado, tendo em vista que a especialização tende a
prover uma melhor representação de cada classe, o
que, em tese, poderia tornar o detector mais seletivo
quanto a novidades.
Como pode-se observar o critério especializado
baseado em centroide apresentou o pior desempenho,
podendo desta forma ser verificado que o uso puro e
126
simples da especialização não é garantia de sempre
ser o melhor desempenho. A forma como esta espe-
cialização é considerada, portanto, é relevante, de-
vendo ser investigada em maior profundidade. Foi
possível obter, no entanto, um reconhecimento médio
de novas classes de 62,9%, considerando uma detec-
ção de classes conhecidas superior a 70%, para o
simples critério de erro mínimo.
Como trabalhos futuros, pretende-se: investigar
a produção de detectores ainda mais especializados,
baseados na clusterização das classes; investigar me-
canismos para a fusão dos modelos especializados,
bem como explorar diferentes complexidades para
cada detector especializado.
Agradecimentos
Agradeço ao Programa de Pós-Graduação em
Engenharia Elétrica (PPEEL) do CEFET-RJ pela
oportunidade de realizar esta pesquisa e ao IPqM
(Instituto de Pesquisas da Marinha) pela disponibili-
zação da base de dados.
Referências Bibliográficas
[1] Soares-Filho, W., “Classificação do ruído irradi-
ado por navios usando redes neurais.”, Phd the-
sis, Universidade Federal do Rio de Janeiro,
COPPE/UFRJ, 2001.
[2] Lourens, J., Preez, J. D., “Passive sonar ML esti-
mator for ship propeller speed", IEEE Journal of
Oceanic Engineering, v. 23, n. 4, pp. 448{453,
1998.
[3] Souza Filho, J. B. O. ; Guedes, R. M. ; Gesualdi,
A. R. . “Classificadores Multi-classe de Contatos
por Curvas Principais”. In: X Simpósio
Brasileiro de Automação Inteligente - SBAI
2011, 2011, São João Del Rei. Anais do X
Simpósio Brasileiro de Automação Inteligente,
2011.
[4] Souza Filho, J. B. O. ; Seixas, José Manoel de .
“Classificação Neural Classe Escalável de Sinais
de Sonar Passivo”. In: XIX Congresso Brasileiro
de Automática, 2012, Campina Grande. XIX
Congresso Brasileiro de Automática, 2012. v. 1.
p. 1-6.
[5]Rocha, G. G. M. ; Souza Filho, J. B. O. ;
Gesualdi, A. R. ; SEIXAS, José Manoel de .
“Otimização Genética de Curvas Principais para a
Classificação de Contatos”. In: X Congresso
Brasileiro de Inteligência Computacional (X
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

CBIC), 2011, Fortaleza. Anais do X Congresso

Brasileiro de Inteligência Computacional (X
CBIC), 2011.

[6] Haykin, S., “Neural Networks: a Comprehensive

Foundation”. 2 ed. Prentice-Hall, 1999.

[7] Spinosa, Eduardo Jaques, “Detecção de Novida-

des com Aplicação de Fluxos Contínuos de Da-
dos”. Ph.D. dissertation, USP – São Carlos
,2008.

[8] Theodoridis, S., Koutroumbas, K., “Pattern

Recognition”, quarta edição, Academic Press,
Canada, 2009.

[9] Stephen Marsland., “On-line Novelty Detection

Through Self-Organisation, With Application to
Inspection Robotics”., PhD thesis, Department
of Computer Science, University of Manchester,
2001.

[10]Martins Marçal, Rui Francisco, “Um Método

para Detectar falhas Incipientes em Máquinas
Rotativas Baseadas em análise de Vibração e
Lógica Fuzzy”. Ph.D. dissertation, UFRGS,
2000.

[11] Markou, M.; Singh, S. “An Approach to Novelty

Detection Applied to the Classification of Image
Regions”. IEEE Transactions on Knowledge and
DataEngineering. USA, v. 16, n. 4, p. 396-407,
abr. 2004.

[12] Markou, M., Singh, S., “Novelty Detection: a

Review - Part 1: Statistical Approaches”, Signal
Processing, v. 83, n. 12, pp. 2481–2497, 2003.

[13] Van Trees, H. L., “Detection, Estimation and

Modulation Theory, part I and III”. 1 ed. John
Wiley Sons, 1968.

[14] Souza Filho, J. B. O., “Classificação Neural de

Sinais de Sonar Passivo [Rio de Janeiro] 2007”,
Tese de doutorado, Programa de Engenharia Elé-
trica, Universidade Federal do Rio de Janeiro,
2007.

[15] Fernandes, H. L., “Classificação de Navios Ba-

seado em Curvas Principais”, Tese de Mestrado,
Programa de Engenharia Elétrica, COPPE/UFRJ,
Rio de Janeiro, RJ, 2005.

[16] Soares Filho, W., “Classificação do Ruído Irra-

diado por Navios usando Redes Neurais”. Ph.D.
dissertation, UFRJ, 2001.

[17] Nielsen, R. O., “Sonar Signal Processing”. Ar-

tech House, 1991.

127