TCC - Engenharia Eletrônica (UACSA)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/2917
Navegar
2 resultados
Resultados da Pesquisa
Item Implementação em VHDL e análise comparativa da Transformada Discreta do Cosseno e a aproximação de Lengwehasatit-Ortega(2024-08-27T03:00:00Z) Silva, Leonardo Nogueira Lindolfo da; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/3309281833356970O alto volume de imagens transmitidas diariamente pela internet consome grande parte da largura de banda e da capacidade de processamento. Para otimizar a compressão e manter a qualidade, são utilizadas ferramentas de processamento digital de sinais como a Transformada Discreta do Cosseno (DCT do inglês, Discrete Cosine Transform). A DCT é uma operação matemática que concentra a maior parte da energia do sinal em baixas frequências, sendo muito utilizada em algoritmos de compressão de imagens. O cálculo da Transformada Discreta do Cosseno é realizado utilizando multiplicação de matrizes, onde os elementos da matriz de transformação são números de ponto flutuante. Para simplificar esses cálculos, são encontradas na literatura diversas aproximações para a Transformada Discreta do Cosseno que utilizam o máximo possível de simplificações em suas matrizes de transformação. Devido à recorrência do cálculo de matrizes nos sistemas computacionais modernos especialmente para processamento de imagens e inteligência artificial, diversos sistemas apresentam ASICs (Application Specific Integrated Circuit) ou parte de SoCs (System on Chip) dedicados a essa tarefa. Nesse trabalho, foram avaliadas algumas das aproximações da DCT no contexto de compressão de imagens. A aproximação de Lengwehasatit- Ortega que apresentou o melhor desempenho, além da DCT exata foram implementadas em VHDL e sintetizadas em FPGA. Foi possível observar que seguindo a mesma filosofia de design a aproximação consumiu uma quantidade muito menor de recursos de hardware assim como era esperado.Item Filtragem de sinais sobre grafos aplicada à classificação de dados ruidosos definidos em estruturas irregulares(2023-10-03T03:00:00Z) Medeiros, Jorge Barros; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/9517722947492097As redes convolucionais baseadas em grafos (Graph Convolutional Networks, GCN) permitem que modelos de redes neurais profundas aprendam a partir de dados definidos em estruturas irregulares representados por meio de um grafo. Essa abordagem tem atraído cada vez mais atenção nos últimos anos. Tais algoritmos geralmente aprendem com base na informação associada aos vértices e arestas do grafo, sendo possível utilizá-las para melhorar o desempenho de diversas tarefas como classificação de vértices, de um sinal definido sobre o grafo ou do próprio grafo. O objetivo deste trabalho é avaliar a classificação de dados ruidosos dispostos em uma estrutura irregular a partir do treinamento de filtros passa-baixas realizado pelas camadas convolucionais de uma GCN. Os filtros são projetados e aplicados baseando-se em ferramentas de processamento de sinais sobre grafos como a transformada de Fourier sobre grafos. A rede neural convolucional baseada em grafos realizará o aprendizado de parâmetros para diferentes escalas de ruídos no domínio da transformada de Fourier sobre grafos que sejam capazes de extrair informação relevante para classificação do conjunto de dados ruidosos.