Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ
Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ
Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Resumo<br />
Neste trabalho, o <strong>Algoritmo</strong> <strong>das</strong> <strong>Projeções</strong> <strong>Sucessivas</strong> (SPA: Successive Projections<br />
Algorithm), originalmente proposto para seleção <strong>de</strong> variáveis espectrais em mo<strong>de</strong>los<br />
<strong>de</strong> Regressão Linear Múltipla (MLR: Multiple Linear Regression), é adaptado para o<br />
contexto <strong>de</strong> classificação. <strong>Para</strong> este propósito, uma nova função <strong>de</strong> custo associada<br />
ao risco médio <strong>de</strong> classificação incorreta pela Análise Discriminante Linear (LDA:<br />
Linear Discriminante Analysis) é concebida para guiar a seleção do SPA. O método<br />
proposto é ilustrado em quatro problemas <strong>de</strong> classificação. No primeiro exemplo, a<br />
espectrometria UV-VIS é adotada para classificar quatro tipos <strong>de</strong> óleos vegetais<br />
comestíveis (milho, soja, canola e girassol). No segundo caso, a espectrometria NIR<br />
é usada para discriminar amostras <strong>de</strong> diesel com respeito ao teor <strong>de</strong> enxofre (baixo<br />
ou alto). Nessas duas primeiras aplicações, o SPA é comparado com a Mo<strong>de</strong>lagem<br />
In<strong>de</strong>pen<strong>de</strong>nte e Flexível por Analogia <strong>de</strong> Classe (SIMCA: Soft In<strong>de</strong>pen<strong>de</strong>nt Mo<strong>de</strong>ling<br />
of Class Analogy) e com o <strong>Algoritmo</strong> Genético (GA: Genetic Algorithm) em termos do<br />
número <strong>de</strong> erros <strong>de</strong> classificação para o conjunto <strong>de</strong> amostras que não é usada no<br />
processo <strong>de</strong> mo<strong>de</strong>lagem (amostras <strong>de</strong> teste). No terceiro problema, a espectrometria<br />
UV-VIS é novamente usada para classificar extratos aquosos <strong>de</strong> cafés brasileiros<br />
torrados e moídos com respeito ao tipo (cafeinado/<strong>de</strong>scafeinado) e ao estado <strong>de</strong><br />
conservação (vencido e não vencido). Nos três primeiros estudos <strong>de</strong> caso, os<br />
mo<strong>de</strong>los são também comparados em termos <strong>de</strong> sensibilida<strong>de</strong> ao ruído instrumental.<br />
Os espectros do conjunto <strong>de</strong> teste são contaminados com ruído extra e os mo<strong>de</strong>los<br />
previamente obtidos (sem a adição do ruído) são aplicados para a classificação do<br />
novo conjunto <strong>de</strong> teste. Na última aplicação, o uso da Espectroscopia <strong>de</strong> Emissão<br />
em Plasma Induzido por Laser (LIBS: Laser-Induced Breakdown Spectroscopy) é<br />
investigado para classificação <strong>de</strong> solos em três diferentes or<strong>de</strong>ns (Argissolo,<br />
Latossolo e Nitossolo). <strong>Para</strong> este caso, o SPA é comparado com um método <strong>de</strong><br />
seleção <strong>de</strong> variáveis do tipo Stepwise (SW), bem como GA e SIMCA, em termos do<br />
número <strong>de</strong> erros para o conjunto <strong>de</strong> teste. Os resultados mostram que o SPA-LDA é<br />
superior ao SIMCA e comparável ao GA-LDA e SW-LDA com respeito à exatidão na<br />
classificação. Adicionalmente, o SPA-LDA é menos sensível ao ruído instrumental e<br />
mais parcimonioso do que as <strong>de</strong>mais estratégias <strong>de</strong> classificação avalia<strong>das</strong>.<br />
Palavras-chave: SPA, Classificação, LDA, Espectrometria UV-VIS, NIR, LIBS,<br />
Óleos vegetais comestíveis, Diesel, Cafés e Solos Brasileiros.<br />
xviii