EE-240/2009

Agrupamento e
Classificação de Padrões

EE-240/2009
 Agrupamento e
Classificação de Padrões

EE-240/2009
EE-240/2009
 Agrupamento:
Característica = Número de Vértices

0 vértices 4 vértices

EE-240/2009
EE-240/2009
 Agrupamento:
Característica = Cor (Comprimento de Onda)

 = 470 nm  = 550 nm

EE-240/2009
EE-240/2009
 Agrupamento:
Característica = Área

A > 3 cm2 A  3 cm2

EE-240/2009
 Classificação

0 vértices 4 vértices

EE-240/2009
 Classificação

0 vértices 4 vértices

EE-240/2009
 Classificação

0 vértices 4 vértices

EE-240/2009
 Classificação

0 vértices 4 vértices

EE-240/2009
 Classificação

0 vértices 4 vértices

EE-240/2009
 ?

0 vértices 4 vértices

EE-240/2009
 Reconhecimento de Padrões

Círculo

EE-240/2009
 Reconhecimento de Padrões

Quadrado

EE-240/2009
 Reconhecimento de Padrões

Uh?

EE-240/2009
 Ventilador acionado por Motor DC

MOT ,
TAC

J,B

V

I mot
A

BAT

EE-240/2009
 Ventilador acionado por Motor DC
R Bat Ia R a

Ea J , B
MOT ,
TAC V V
Bat
   
 
J,B

V

d
I mot J  B 2     B 2
A dt
V  Ea
  I mot    Bat
R Bat  R a
E a   
VBat   
V  Ea   
I mot  Bat R Bat  R a
R Bat  R a
   2
BAT  VBat  
R Bat  R a R Bat  R a

EE-240/2009
 Ventilador acionado por Motor DC
R Bat Ia R a

Ea J , B

V V
Bat
   
 
  kImot

   B 2
VBat
R Bat  R a V  Ea
   Bat
  2 R Bat  R a
nom 
R Bat  R a VBat   
  
R Bat  R a
   2
 VBat  
 R Bat  R a R Bat  R a
nom

EE-240/2009
 Ventilador acionado por Motor DC
R Bat Ia R a

Ea J , B

V V
Bat
   
 
  kImot
B

   B 2
VBat
R Bat  R a V  Ea
   Bat
  2 R Bat  R a
nom 
R Bat  R a VBat   
  
R Bat  R a
   2
 VBat  
 R Bat  R a R Bat  R a
nom

EE-240/2009
 Ventilador acionado por Motor DC

  kImot


VBat
R Bat  R a
RBAT + Ra 

  2

R Bat  R a


EE-240/2009
 Ventilador acionado por Motor DC

  kImot


VBat
R Bat  R a
  2

R Bat  R a
VBAT 

EE-240/2009
 Ventilador acionado por Motor DC

  kImot


VBat
R Bat  R a

Eixo Quebrado

EE-240/2009
 Ventilador acionado por Motor DC

  kImot

Curto-ciruito

 Eixo-travado
VBat
R Bat  R a
  2

R Bat  R a

EE-240/2009
 Imot

C
C

T
E – Escova com R T
T
N – Nominal
E
B – Bateria com V E E E
C – Curto N E
N N
T – Eixo Travado B N N
Q – Eixo Quebrado B
B
B B Q Q
Q Q
Q

EE-240/2009
 Imot

C
C

T
E – Escova com R T
T
N – Nominal
E
B – Bateria com V E E E
C – Curto N E
N N
T – Eixo Travado B N N
Q – Eixo Quebrado B
B
B B Q Q
Q Q
Q

EE-240/2009
 Imot
g(  , Imot ) = 0
C
< 0 > 0
C Curto-circuito

T Motor-travado
E – Escova com R T
T
N – Nominal
E
B – Bateria com V E E E
Eixo Quebrado
C – Curto N E
N N
T – Eixo Travado B N N
Q – Eixo Quebrado B
B
B B Q Q
d Q Q
Q
Qnew

EE-240/2009
0.2935 0.0151 0.3065 0.0135
1.0227 0.0016 0.9897 0.0021
0.2549 0.0121 0.2523 0.0127
0.2960 0.0131 0.3147 0.0141
0.2871 0.0151 0.2646 0.0120
1.0943 0.0021 0.3470 0.0158
0.3128 0.0138 0.3005 0.0138
0.3004 0.0143 0.2939 0.0142
0.2636 0.0122 0.3279 0.0177
0.3048 0.0140 0.3470 0.0158
0.3036 0.0131 0.2882 0.0143
0.3054 0.0139 0.3382 0.0159
0.9157 0.0023 0.2997 0.0150
0.3573 0.0155 0.3068 0.0140
0.2950 0.0131 0.3061 0.0142
0.3431 0.0155 0.3001 0.0132
0.3191 0.0135 0.2871 0.0151
0.3071 0.0143 0.3095 0.0140
0.2975 0.0140 0.2523 0.0127
0.3382 0.0159 0.2975 0.0136
0.2672 0.0122 0.3128 0.0148
0.3509 0.0159 0.3463 0.0162
0.3536 0.0149 0.3279 0.0177
0.2939 0.0142 0.2975 0.0136
0.3177 0.0134 0.2975 0.0136
0.2545 0.0123 0.3175 0.0130
0.2523 0.0127 0.3417 0.0164
0.3070 0.0147 0.3121 0.0134
0.3625 0.0165 0.2887 0.0148
0.2511 0.0120 0.3356 0.0167
0.3121 0.0134 0.2669 0.0114
0.3436 0.0148 0.2754 0.0122
0.2948 0.0140 0.3038 0.0131
0.3105 0.0133 0.2997 0.0150
0.2936 0.0143 0.2927 0.0149
0.9123 0.0019 0.2938 0.0135
0.2975 0.0136 0.3082 0.0146
0.2615 0.0125 0.2580 0.0123
0.9941 0.0021 0.2632 0.0120
0.9485 0.0022 0.3194 0.0138
0.2619 0.0116 1.0943 0.0021
0.3065 0.0135 0.2995 0.0135
0.3051 0.0135 0.2935 0.0151

EE-240/2009
 0.2935 0.0151 0.3065 0.0135
1.0227 0.0016 0.9897 0.0021
0.2549 0.0121 0.2523 0.0127
0.2960 0.0131 0.3147 0.0141
0.2871 0.0151 0.2646 0.0120
1.0943 0.0021 0.3470 0.0158
0.3128 0.0138 0.3005 0.0138
0.3004 0.0143 0.2939 0.0142
0.2636 0.0122 0.3279 0.0177
0.3048 0.0140 0.3470 0.0158
0.3036 0.0131 0.2882 0.0143
0.3054 0.0139 0.3382 0.0159
Clusters? 0.9157
0.3573
0.0023
0.0155
0.2997
0.3068
0.0150
0.0140
0.2950 0.0131 0.3061 0.0142
0.3431 0.0155 0.3001 0.0132
0.3191 0.0135 0.2871 0.0151
0.3071 0.0143 0.3095 0.0140
0.2975 0.0140 0.2523 0.0127
0.3382 0.0159 0.2975 0.0136
0.2672 0.0122 0.3128 0.0148
0.3509 0.0159 0.3463 0.0162
0.3536 0.0149 0.3279 0.0177
0.2939 0.0142 0.2975 0.0136
0.3177 0.0134 0.2975 0.0136
0.2545 0.0123 0.3175 0.0130
0.2523 0.0127 0.3417 0.0164
0.3070 0.0147 0.3121 0.0134
0.3625 0.0165 0.2887 0.0148
0.2511 0.0120 0.3356 0.0167
0.3121 0.0134 0.2669 0.0114
0.3436 0.0148 0.2754 0.0122
0.2948 0.0140 0.3038 0.0131
0.3105 0.0133 0.2997 0.0150
0.2936 0.0143 0.2927 0.0149
0.9123 0.0019 0.2938 0.0135
0.2975 0.0136 0.3082 0.0146
0.2615 0.0125 0.2580 0.0123
0.9941 0.0021 0.2632 0.0120
0.9485 0.0022 0.3194 0.0138
0.2619 0.0116 1.0943 0.0021
0.3065 0.0135 0.2995 0.0135
0.3051 0.0135 0.2935 0.0151

EE-240/2009
Observou-se  = 0

No passado, a causa de motor parado tem sido:

- 70% casos = curto-circuito

- 30 % casos = eixo-travado

Sem dados adicionais

Curto-circuito é a causa mais provável

Critério Utilizado: P(curto) > P(travado)

EE-240/2009
Observou-se  = 0 e mediu-se a corrente Imot = 21 A

Dados Históricos

+ = eixo-travado
+ = curto-circuito

[A]
+++++++ ++++++
10 20 30

Como aproveitar a informação de que

Imot = 21A ?

EE-240/2009
 Observou-se  = 0 e mediu-se a corrente Imot = 21 A

Fórmula de Bayes Dados Históricos

P(a|b)= P(b|a)P(a)/P(b)
P(Imot|eixo-travado) P(Imot|curto-circuito)

P(curto|Imot)=P(Imot|curto)P(curto)/P(Imot)
[A]
P(travado|Imot)=P(Imot|travado)P(travado)/P(Imot) +++++++ ++++++
10 20 30
P(Imot) é comum nas 2 expressões
Imot

Eixo-travado é a causa mais provável

Critério Utilizado: P(travado | Imot ) > P(curto| Imot )

EE-240/2009
 Notação Geral

1 = curto
2 = travado
P(curto|Imot)=P(Imot|curto)P(curto)/P(Imot) P(1|x)=P(x| 1)P(1)
x = Imot

P(travado|Imot)=P(Imot|travado)P(travado)/P(Imot) P(2|x)=P(x| 2)P(2)

P(travado | Imot ) > P(curto| Imot ) P(2|x) > P(1|x)

P(x| 2)P(2) > P(x| 1)P(1)

EE-240/2009
p x |  2  p  2   p x | 1  p 1   decide 

P(x| 2)P(2) > P(x| 1)P(1)

EE-240/2009
p x |  2  p  2   p x | 1  p 1   decide 

gi ( x )  p x | i  p i 

g2 ( x )  g1 ( x )  decide 

g 2 ( x )  g1 ( x )  0  decide 

g( x )  g 2 ( x )  g1 ( x )

  0  decide 

g(x) 
  0  decide 
 

EE-240/2009
p x |  2  p  2   p x | 1  p 1 
7

gi ( x )  log p x | i   log p i 
6
( 1, 1 )
5

No caso particular p x | i  ~ N  i , i  3

x2
2

1
( 2, 2 )
0

-1
-1 0 1 2 3 4 5 6 7 8
x1

EE-240/2009
p x |  2  p  2   p x | 1  p 1 

gi ( x )  log p x | i   log p i 

No caso particular p x | i  ~ N  i , i 

x  R d ; x ~ N  ,  
1  1 
p( x )  d 1
exp 
 2  x    T 1
  x    
 2  2 2  

1
gi ( x )    x    T  1  x     d log  2  1 log   log p i 
2 2 2

EE-240/2009
 1
gi ( x )    x    T  1  x     d log  2  1 log   log p i 
2 2 2

Caso I :  i   I i
2

14

12

10

8
x2

0
0 2 4 6 8 10 12 14
x1

EE-240/2009
 1
gi ( x )    x    T  1  x     d log  2  1 log   log p i 
2 2 2
Caso I :  i   I i
2

2
x  i
gi ( x )    log p i 
2 2

1
 
x T x  2 iT x   iT  i  log p i 
2 2

Igual para todos

os i

1 T  1 T 
gi ( x )   i x  
 2 2  i  i  log p  i  
2  
ai

 g( x )  gi ( x )  g j ( x ) 
1
 i   j  x  c ij
 2

EE-240/2009
 1
gi ( x )    x    T  1  x     d log  2  1 log   log p i 
2 2 2

Caso I :  i   I i
2

14

12
g(x)
10

8
x2

0
0 2 4 6 8 10 12 14
x1

 g( x )  gi ( x )  g j ( x ) 
1
 i   j  x  c ij
 2

EE-240/2009
 1
gi ( x )    x    T  1  x     d log  2  1 log   log p i 
2 2 2

Caso II : i  
 arbitrário mas igual para 
10

g(x)
8

-2
0 1 2 3 4 5 6 7

EE-240/2009
 1
gi ( x )    x    T  1  x     d log  2  1 log   log p i 
2 2 2

Caso III : i arbitrários (  cada i )

9 9

8
8

7
7
6

6
5

4 5

x2
3
4
2
3
1

0 2

-1 1
0 2 4 6 8 10 12 1 2 3 4 5 6 7 8 9
x1

EE-240/2009
 11

10

6
x2

B
5

4 A
3

2
 A ou  B ?
1
0 2 4 6 8 10 12
x1

EE-240/2009
 11

10

6
x2

B
5

4 A  A ou  B ?
3

1
0 2 4 6 8 10 12
x1

EE-240/2009
 Distância de Mahalanobis

11

10

9 
8

7
d 2 ( x, )  ( x  ) T  1 ( x  ) 6

x2
5
B

4
A  A ou  B ?
3

2

1
0 2 4 6 8 10 12
x1

EE-240/2009
 Distância

d: X  X  R+

Propriedades requeridas:
d(x,y)  0
d(x,y) = 0  x=y
d(x,y) = d(y,x)
d(x,z) + d(z,y)  d(x,y)

Distância de Minkowski:
Manhattan
1 k=1
 d
 k

k
d( x, y )   ai  bi 
 i1 
k=2
Euclidiana

EE-240/2009
 Agrupamento Hierárquico

x2
Dados:

1.0 1.0
1.0 0.7
2 1.2 0.7
1.2 1.2
0.8 1.0
0.7 0.7
2.0 2.0
1 1.8 1.8
1.8 2.1
2.3 2.0
2.3 1.7
x1 2.0 2.4

1 2

EE-240/2009
>> x =

1.0000 1.0000
1.0000 0.7000 Dados:
1.2000 0.7000
1.2000 1.2000
0.8000 1.0000 1.0 1.0
0.7000 0.7000 1.0 0.7
2.0000 2.0000 1.2 0.7
1.8000 1.8000
1.8000 2.1000 1.2 1.2
2.3000 2.0000 0.8 1.0
2.3000 1.7000 0.7 0.7
2.0000 2.4000
2.0 2.0
>> y=pdist(x,'euclidean'); 1.8 1.8
1.8 2.1
>> z=linkage(y,'average');
2.3 2.0
>> dendrogram(z) 2.3 1.7
2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
1.6

1.4
Dados:

1.2
1.0 1.0
1.0 0.7
1.2 0.7
1
1.2 1.2
0.8 1.0
0.8
0.7 0.7
2.0 2.0
0.6 1.8 1.8
1.8 2.1
0.4 2.3 2.0
2.3 1.7
0.2 2.0 2.4
1 5 4 2 3 6 7 9 8 12 10 11

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 Agrupamento Hierárquico
x2
1.6
Dados:
1.4

1.2 1 1.0 1.0

2
2 1.0 0.7
1
3 1.2 0.7
0.8 4 1.2 1.2
1 5 0.8 1.0
0.6
6 0.7 0.7
0.4 7 2.0 2.0
x1
8 1.8 1.8
0.2

1 5 4 2 3 6 7 9 8 12 10 11
9 1.8 2.1
1 2 10 2.3 2.0
11 2.3 1.7
12 2.0 2.4

EE-240/2009
 K-means

x2
Dados:

1.0 1.0
1.0 0.7
2 1.2 0.7
1.2 1.2
0.8 1.0
0.7 0.7
2.0 2.0
1 1.8 1.8
1.8 2.1
2.3 2.0
2.3 1.7
x1 2.0 2.4

1 2

EE-240/2009
>> x = idx =

1.0000 1.0000 2
1.0000 0.7000 2 Dados:
1.2000 0.7000 2
1.2000 1.2000 2
0.8000 1.0000 2 1.0 1.0
0.7000 0.7000 2 1.0 0.7
2.0000 2.0000 1
1.8000 1.8000 1 1.2 0.7
1.8000 2.1000 1 1.2 1.2
2.3000 2.0000 1 0.8 1.0
2.3000 1.7000 1
2.0000 2.4000 1 0.7 0.7
2.0 2.0
>> [idx,c]=kmeans(x,2) c = 1.8 1.8
2.0333 2.0000
1.8 2.1
0.9833 0.8833 2.3 2.0
2.3 1.7
2.0 2.4

EE-240/2009
>> x = idx =

1.0000 1.0000 2
1.0000 0.7000 2 Dados:
1.2000 0.7000 2
1.2000 1.2000 2
0.8000 1.0000 2 1.0 1.0
0.7000 0.7000 2 1.0 0.7
2.0000 2.0000 1
1.8000 1.8000 1 1.2 0.7
1.8000 2.1000 1 1.2 1.2
2.3000 2.0000 1 0.8 1.0
2.3000 1.7000 1
2.0000 2.4000 1 0.7 0.7
2.0 2.0
>> [idx,c]=kmeans(x,2) c = 1.8 1.8
2.0333 2.0000
1.8 2.1
0.9833 0.8833 2.3 2.0
2.3 1.7
2.0 2.4

EE-240/2009
 K-means

x2 c = 2.0333 2.0000
0.9833 0.8833
Dados:

1.0 1.0
1.0 0.7
2 1.2 0.7
1.2 1.2
0.8 1.0
0.7 0.7
2.0 2.0
1 1.8 1.8
1.8 2.1
2.3 2.0
2.3 1.7
x1 2.0 2.4

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
 K-means

x2

x1

1 2

EE-240/2009
Ventilador acionado por Motor DC

EE-240/2009
 40

35 Centróides
30 251,5 12,2
0,0 19,5
25 1.000,7 2,5
351,0 16,0
corrente [A]

20 0,0 30,7
298,4 14,0
15

10

0
0 200 400 600 800 1000 1200
rotaçao [rpm]

EE-240/2009
 40

35 800

5 700
30

600
25
corrente [A]

500
20 2
4 400
15 6
300
10 1
200

5 3 100

0 0
0 200 400 600 800 1000 1200 2 5 1 6 4 3
rotaçao [rpm]

EE-240/2009
Avaliação de Classificadores

EE-240/2009
•True Positive (TP) = hit

•True Negative (TN) = correct rejection

•False Positive (FP) = false alarm, Type I error

•False Negative (FN) = miss, Type II error

•Sensitivity or True Positive Rate (TPR) = hit rate, recall : TPR = TP / (TP + FN)

•False Positive Rate (FPR) = false alarm rate, fall-out : FPR = FP / (TP + FN)

•Accuracy (ACC) : ACC = (TP + TN) / (TP + FN + FP + TN)

•Specificity (SPC) = True Negative Rate : SPC = TN / (FP + TN) = 1 − FPR

•Positive Predictive Value (PPV) = Precision : PPV = TP / (TP + FP)

•Negative Predictive Value (NPV) : NPV = TN / (TN + FN)

•False Discovery Rate (FDR) : FDR = FP / (FP + TP)

•Matthews Correlation Coefficient (MCC) :

MCC = (TP*TN-FP*FN)/SQRT((TP+FP)*(TP+FN)*(TN+FP)*(TN+FN))

EE-240/2009
Tabela de Contingência ou Matriz de Confusão

Valor Verdadeiro

P N

Positivo Positivo
P
V F
Resultado
da Classificação

N Negativo Negativo
F V

EE-240/2009
 Valor Verdadeiro

P N

Positivo Positivo
P
V F
Resultado
da Classificação

N Negativo Negativo
F V

EE-240/2009
 1.0

TPR 0.5 Random Guess

ou Sensibilidade

0
0 0.5 1.0
FPR ou (1-Especificidade)

EE-240/2009
 1.0

A
TPR 0.5 Random Guess
ou Sensibilidade

0
0 0.5 1.0
FPR ou (1-Especificidade)

EE-240/2009
 1.0

B
A
TPR 0.5 Random Guess
ou Sensibilidade

0
0 0.5 1.0
FPR ou (1-Especificidade)

EE-240/2009
 1.0

B
A
TPR 0.5 Random Guess
ou Sensibilidade

0
0 0.5 1.0
FPR ou (1-Especificidade)

EE-240/2009
 1.0

C'
B
A
TPR 0.5 Random Guess
ou Sensibilidade

0
0 0.5 1.0
FPR ou (1-Especificidade)

EE-240/2009
 1.0
Valor Verdadeiro

P N

Positivo Positivo TPR 0.5

P
V F ou Sensibilidade
Resultado
da Classificação

N Negativo Negativo
F V
0
0 0.5 1.0
FPR ou (1-Especificidade)

pX() pX() pX()

Teste Positivo

  

Threshold Threshold Threshold

EE-240/2009
 1.0
Valor Verdadeiro

P N

Positivo Positivo TPR 0.5

P
V F ou Sensibilidade
Resultado
da Classificação

N Negativo Negativo
F V
0
0 0.5 1.0
FPR ou (1-Especificidade)

pX() pX() pX()

Teste Positivo

  

Threshold Threshold Threshold

EE-240/2009
EE-240/2009
Muito Obrigado!

EE-240/2009