ads:
CENTRO UNIVERSITÁRIO DA FEI
RODOLFO ARTUR FUSSEK JÚNIOR
DESENVOLVIMENTO DE UM CLASSIFICADOR AUTOMÁTICO DE PESSOAS
PARA SISTEMAS DE AUTOMAÇÃO RESIDENCIAL INTELIGENTE
São Bernardo do Campo
2010
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
RODOLFO ARTUR FUSSEK JÚNIOR
DESENVOLVIMENTO DE UM CLASSIFICADOR AUTOMÁTICO DE PESSOAS
PARA SISTEMAS DE AUTOMAÇÃO RESIDENCIAL INTELIGENTE
Dissertação de Mestrado apresentada ao Centro
Universitário da FEI como parte dos requisitos
necessários para obtenção do título de
Mestre em Engenharia Elétrica.
Orientador: Prof. Dr. Flavio Tonidandel
São Bernardo do Campo
2010
ads:
A Deus, por me permitir viver esta experiência,
e a todos os que me apoiaram nesta empreitada.
AGRADECIMENTOS
Agradeço a todos aqueles que, de alguma forma, contribuíram para que este trabalho
se tornasse uma realidade.
A Deus, por dar-me sabedoria e força necessárias para buscar a realização dos meus
sonhos, mesmo em meio às adversidades.
Aos meus pais, Rodolpho e Vera, que infelizmente não puderam acompanhar este
momento ao meu lado, mas que foram os principais responsáveis pelo seu acontecimento.
Aos meus irmãos, Carlos e Kátia, por terem sido meu apoio nos momentos mais
difíceis de minha vida.
À minha noiva, Karen, pelo carinho, amor e apoio nestes últimos três anos de minha
vida.
Ao meu orientador, professor Dr. Flavio Tonidandel, pela sua paciente orientação que
permitiu a transformação de idéias em fatos, e dos resultados neste trabalho.
Aos professores Dr. Plínio Thomaz Aquino Junior e Dr. Paulo Sérgio Silva Rodrigues,
pelos conselhos e correções, apresentados em minha banca de qualificação, que auxiliaram na
conclusão desta dissertação.
A todos os professores e colegas do mestrado, pelos mistos de ensinamentos e
momentos de descontração, e pela amizade, que tornaram esta complexa etapa mais divertida.
A todos os amigos, por propiciarem grandes experiências, nas conversas, conselhos,
discussões, churrascos, cervejadas, entre outros; momentos, estes, não menos importantes do
que qualquer outro na vida.
Um raciocínio lógico leva você de A a B.
A imaginação leva você a qualquer lugar que quiser.
Albert Einstein
RESUMO
Atualmente, já foram desenvolvidos diversos sistemas de automação residencial, entre
os quais alguns se encontram disponíveis comercialmente. Visando o conforto no interior da
residência, é coerente afirmar que os sistemas mais eficientes são aqueles que se adaptam ao
comportamento dos habitantes, no lugar dos habitantes terem de se adaptar ao sistema. Em
trabalhos anteriores, foram desenvolvidos sistemas com este objetivo, porém considerando a
existência de um único habitante na residência. A proposta deste trabalho é apresentar
algumas técnicas possíveis de identificação de habitantes, em uma residência, para a
adaptação dos sistemas de automação voltados a um único habitante e, posteriormente,
desenvolver um classificador automático de habitantes a partir das combinações de suas
roupas e objetos pessoais. Para a identificação dos itens, foi considerado o uso de
identificadores por rádio freqüência (RFID) anexados a estes, sendo que esta tecnologia
permite a identificação com o mínimo de adaptação do habitante. Foi utilizado raciocínio
baseado em casos (RBC) como técnica para efetuar a classificação, a partir do correto
tratamento das combinações de objetos detectadas pelo sistema.
Palavras chave: Automação Residencial, Domótica Inteligente, RFID, Raciocínio Baseado em
Casos.
ABSTRACT
Nowadays, it has been developed many residential automation systems, and some of
them are already commercially available. Aiming for the comfort inside home, it is coherent
to affirm that the most efficient systems are those that adapt themselves to the inhabitant
behavior, and not the opposite. In past works, it was developed systems with this objective,
but considering the existence of only one inhabitant at home. This work's purpose is to present
some possible techniques to identify a house's inhabitants, for adapting individual automation
systems and, after, to develop an automatic inhabitant’s classifier from their clothes and their
personal objects. For items identification, it was considered the use of RFID identifiers
attached to them, because this technologic allows the identification with few inhabitant
adaptations, and case-based reasoning was used as the technique that makes classification
from the correct treatment of objects combinations detected by the system.
Keywords: Residential Automation, Intelligent Domotics, RFID, Case-Based Reasoning.
LISTA DE TABELAS
Tabela 3.1 – Casos armazenados na BC..................................................................................................................46
Tabela 3.2 – Pesos de objetos armazenados na tabela de pesos.............................................................................. 47
Tabela 4.1 – Exemplo de criação de um novo caso a partir de um habitante e uma combinação, selecionados
aleatoriamente......................................................................................................................................................... 57
Tabela 5.1 – Quantidade de objetos por habitante.................................................................................................. 68
Tabela 5.2 – Banco de dados de objetos por habitante........................................................................................... 69
Tabela 5.3 – Banco de dados de combinações possíveis de objetos....................................................................... 70
Tabela 5.4 – Segmento inicial dos 32 primeiros casos da BC gerada pelo software semeador de casos............... 71
Tabela 5.5 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
utilizando-se como critério de similaridade a quantidade de objetos iguais........................................................... 94
Tabela 5.6 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
utilizando-se como critério de similaridade a porcentagem de objetos iguais........................................................ 95
Tabela 5.7 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos....................................................... 96
Tabela 5.8 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo do peso final de
cada objeto.............................................................................................................................................................. 97
Tabela 5.9 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de casos
testada, utilizando-se como critério de similaridade a quantidade de objetos iguais.............................................. 98
Tabela 5.10 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de
casos testada, utilizando-se como critério de similaridade a porcentagem de objetos iguais................................. 99
Tabela 5.11 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos.............................. 100
Tabela 5.12 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo
do peso final de cada objeto.................................................................................................................................. 100
Tabela 5.13 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, utilizando-se como critério de similaridade a quantidade de objetos iguais.................................. 102
Tabela 5.14 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, utilizando-se como critério de similaridade a porcentagem de objetos iguais............................... 103
Tabela 5.15 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos...............................104
Tabela 5.16 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo
do peso final de cada objeto.................................................................................................................................. 104
Tabela 5.17 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, utilizando-se como critério de similaridade a quantidade de objetos iguais............................................ 105
Tabela 5.18 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, utilizando-se como critério de similaridade a porcentagem de objetos iguais......................................... 106
Tabela 5.19 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos.........................................107
Tabela 5.20 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo do peso
final de cada objeto............................................................................................................................................... 108
LISTA DE FIGURAS
Figura 2.1 – Componentes lógicos de um leitor RFID, adaptada de (GLOVER, BHATT, 2007)......................... 28
Figura 2.2 – Arquitetura RFID com a aplicação exposta diretamente aos leitores, adaptada de (GLOVER,
BHATT, 2007)........................................................................................................................................................ 28
Figura 2.3 – Componentes do middleware RFID, adaptada de (GLOVER, BHATT, 2007)................................. 29
Figura 2.4 - Arquitetura RFID com a intermediação do middleware RFID entre os leitores e a aplicação,
adaptada de (GLOVER, BHATT, 2007)................................................................................................................ 30
Figura 2.5 – Arquitetura do Sistema ABC, adaptada de (TONIDANDEL; TAKIUCHI; MELO, 2004)............... 38
Figura 2.6 – Arquitetura do Sistema ABC+, adaptada de (SGARBI, 2007).......................................................... 39
Figura 3.1 – Arquitetura do sistema o CAPBC....................................................................................................... 42
Figura 3.2 – Algoritmo de evento de entrada do classificador RBC....................................................................... 44
Figura 3.3 – Exemplo de reclassificação de casos a partir da entrada de um novo caso........................................ 45
Figura 4.1 – Tela do software desenvolvido para gerar o banco de dados de objetos dos habitantes.................... 53
Figura 4.2 – Tela do software desenvolvido para gerar combinações de objetos possíveis................................... 54
Figura 4.3 – Algoritmo do semeador de casos a partir das tabelas de objetos e combinações............................... 55
Figura 4.4 – Algoritmo para substituição de uma porcentagem P de objetos por itens emprestados, em um caso
C.............................................................................................................................................................................. 56
Figura 4.5 – Algoritmo para concatenação de uma porcentagem P de combinações com seus casos subseqüentes,
de outros habitantes................................................................................................................................................. 58
Figura 4.6 – Algoritmo para inserção de objetos estranhos a um caso C................................................................59
Figura 4.7 – Tela do software semeador da base de casos...................................................................................... 60
Figura 4.8 – Tela do software classificador de casos.............................................................................................. 61
Figura 4.9 – Tela do software avaliador de classificações...................................................................................... 64
Figura 4.10 – Fluxograma do software avaliador de classificações........................................................................ 65
Figura 4.11 – Ilustração de um conjunto de casos com sua classificação avaliada................................................ 66
Figura 5.1 – Gráfico do tempo de classificação de cada caso de acordo com o critério de similaridade............... 72
Figura 5.2 – Gráficos da relação entre o número do caso classificado e a quantidade de habitantes gerada pelo
CAPBC e do valor de similaridade mínima e a qualidade das classificações obtida, utilizando-se a BC
original.................................................................................................................................................................... 74
Figura 5.3 – Gráficos da relação entre o número do caso classificado e a quantidade de habitantes gerada pelo
CAPBC e do incremento no peso dos objetos e a qualidade das classificações obtida, utilizando-se a BC
original.................................................................................................................................................................... 76
Figura 5.4 – Gráficos da relação entre o valor de similaridade mínima utilizado e a qualidade nas classificações,
utilizando-se bases de casos com objetos permutados entre habitantes.................................................... ............ 78
Figura 5.5 – Gráficos da relação entre o incremento de peso aplicado aos objetos e a qualidade nas
classificações, utilizando-se bases de casos com objetos permutados entre habitantes......................................... 80
Figura 5.6 – Gráficos da relação entre o valor de similaridade mínima utilizado e a qualidade nas classificações,
utilizando-se bases com casos concatenados.......................................................................................................... 84
Figura 5.7 – Gráficos da relação entre o incremento de peso aplicado aos objetos e a qualidade nas
classificações, utilizando-se bases com casos concatenados.................................................................................. 86
Figura 5.8 – Gráficos da relação entre o valor de similaridade mínima utilizado e a qualidade nas classificações,
utilizando-se bases de casos com objetos novos ou estranhos................................................................................ 90
Figura 5.9 – Gráficos da relação entre o incremento de peso aplicado aos objetos e a qualidade nas
classificações, utilizando-se bases de casos com objetos novos ou estranhos........................................................ 92
LISTA DE ABREVIATURAS
ABC – Automação Baseada em Comportamento
API – Application Programming Interface
BC – Base de Casos
CAPBC – Classificador Automático de Pessoas Baseado em Casos
EPC – Electronic Product Code
IA – Inteligência Artificial
ISO – International Organization for Standardization
LDA – Linear Discriminant Analysis
PCA – Principal Component Analysis
RBC – Raciocínio Baseado em Casos
RF – Rádio Freqüência
RFID – Radio Frequency Identification
SUMÁRIO
1 INTRODUÇÃO................................................................................................................................................ 16
1.1 Objetivo.......................................................................................................................................................... 19
1.2 Motivação....................................................................................................................................................... 19
1.3 Organização do trabalho............................................................................................................................... 20
2 CONCEITOS RELACIONADOS.................................................................................................................. 21
2.1 Introdução...................................................................................................................................................... 21
2.2 Sistemas de identificação de pessoas............................................................................................................ 21
2.2.1 Identificação por reconhecimento biométrico.............................................................................................. 21
2.2.1.1 Reconhecimento de impressões digitais.................................................................................................... 22
2.2.1.2 Reconhecimento de voz............................................................................................................................. 22
2.2.1.3 Reconhecimento de faces.......................................................................................................................... 23
2.2.1.4 Reconhecimento de retina e íris................................................................................................................. 23
2.2.1.5 Uso do reconhecimento biométrico em um sistema de automação residencial inteligente....................... 24
2.2.2 Identificação pelo reconhecimento de padrões no caminhar........................................................................ 24
2.3 Identificação por rádio freqüência (RFID).................................................................................................. 25
2.3.1 Definições..................................................................................................................................................... 25
2.3.2 Arquitetura RFID.......................................................................................................................................... 26
2.3.2.1 Identificadores RFID................................................................................................................................. 26
2.3.2.2 Leitores RFID............................................................................................................................................ 27
2.3.2.3 Middleware RFID...................................................................................................................................... 29
2.3.3 Principais aplicações..................................................................................................................................... 30
2.3.4 Uso de RFID no sistema proposto neste trabalho......................................................................................... 31
2.4 Raciocínio baseado em casos (RBC)............................................................................................................. 31
2.4.1 Introdução ao RBC....................................................................................................................................... 32
2.4.2 Representação do conhecimento em RBC................................................................................................... 33
2.4.3 Resgate de casos e medida de similaridade.................................................................................................. 34
2.4.3.1 Conceito de similaridade...................................................................................................................... ..... 35
2.4.3.2 Julgamento de similaridade....................................................................................................................... 35
2.4.4 Adaptação de casos....................................................................................................................................... 36
2.4.5 Aprendizado.................................................................................................................................................. 36
2.4.6 Aplicação do RBC no sistema proposto neste trabalho................................................................................ 37
2.5 Automação Residencial Inteligente............................................................................................................... 37
2.5.1 Automação Baseada em Comportamento (ABC)..........................................................................................37
2.5.2 Evolução do Sistema ABC (ABC+)...............................................................................................................39
3 CLASSIFICADOR AUTOMÁTICO DE PESSOAS BASEADO EM CASOS (CAPBC)......................... 41
3.1 Funcionamento do CAPBC........................................................................................................................... 42
3.2 Algoritmo classificador.................................................................................................................................. 43
3.3 Base de casos................................................................................................................................................... 46
3.4 Pesos de objetos.............................................................................................................................................. 47
3.5 Critérios de classificação e atualização de parâmetros.............................................................................. 47
3.5.1 Número de objetos iguais.............................................................................................................................. 48
3.5.2 Porcentagem de objetos iguais sem a utilização de pesos............................................................................ 48
3.5.3 Porcentagem de objetos iguais com a utilização de pesos........................................................................... 49
3.6 Observações sobre os métodos e cálculos utilizados para classificação dos habitantes.......................... 50
4 SIMULAÇÃO DO SISTEMA CAPBC........................................................................................................... 51
4.1 Descrição dos simuladores............................................................................................................................ 51
4.1.1 Semeador de casos........................................................................................................................................ 51
4.1.1.1 Simulação do empréstimo de objetos entre habitantes.............................................................................. 56
4.1.1.2 Simulação da leitura de dois habitantes simultaneamente......................................................................... 57
4.1.1.3 Simulação da adição de objetos novos e estranhos aos casos.................................................................... 58
4.1.2 Classificador de casos....................................................................................................................................60
4.1.2.1 Critério de similaridade.............................................................................................................................. 61
4.1.2.2 Valor de similaridade mínima.................................................................................................................... 62
4.1.2.3
Número de casos a ser classificado............................................................................................................................... 62
4.1.2.4 Uso, ou não, de pesos na classificação....................................................................................................... 62
4.1.2.5 Critérios para incremento dos pesos.......................................................................................................... 62
4.1.2.6 Forma de classificação dos casos com o uso de pesos.............................................................................. 63
4.1.3 Avaliador de classificações........................................................................................................................... 63
4.2 Definições utilizadas na avaliação de resultados........................................................................................ 64
5 TESTES REALIZADOS.................................................................................................................................. 67
5.1 Base de casos semeada para as simulações.................................................................................................. 67
5.2 Avaliação do tempo de classificação............................................................................................................. 71
5.3 Convergência do número de classificações para o número correto de habitantes................................... 73
5.3.1 Classificação variando-se os valores de similaridade mínima...................................................................... 73
5.3.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de objetos................. 75
5.3.3 Conclusões sobre a quantidade de habitantes gerados pelo CAPBC............................................................ 77
5.4 Classificação de base de casos com objetos permutados entre habitantes................................................ 77
5.4.1 Classificação variando-se os valores de similaridade mínima, com objetos permutados............................. 77
5.4.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de objetos, com objetos
permutados.............................................................................................................................................................. 79
5.4.3 Conclusões sobre a classificação de uma base de casos com objetos permutados entre habitantes............. 82
5.5 Classificação de base com casos concatenados............................................................................................ 82
5.5.1 Classificação variando-se os valores de similaridade mínima, com casos concatenados............................ 83
5.5.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de objetos, com casos
concatenados........................................................................................................................................................... 85
5.5.3 Conclusões sobre a classificação de uma base com casos de habitantes diferentes concatenados............... 87
5.6 Classificação de base de casos com o acréscimo de objetos novos ou estranhos...................................... 88
5.6.1 Classificação variando-se os valores de similaridade mínima, com objetos novos ou estranhos................ 88
5.6.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de objetos, com objetos
novos ou estranhos.................................................................................................................................................. 91
5.6.3 Conclusões sobre a classificação de uma base com a existência de objetos novos ou estranhos nas
combinações de itens.............................................................................................................................................. 93
5.7 Avaliação da qualidade das classificações................................................................................................... 93
5.7.1 Quantidade de habitantes reconhecidos pelo CAPBC.................................................................................. 94
5.7.2 Quantidade de classificações corretas obtidas pelo CAPBC........................................................................ 97
5.7.3 Quantidade de classificações incompletas obtidas pelo CAPBC................................................................ 101
5.7.4 Quantidade de classificações erradas obtidas pelo CAPBC....................................................................... 105
5.8 Síntese do capítulo........................................................................................................................................ 108
6 CONCLUSÃO..................................................................................................................................................109
6.1 Trabalhos Futuros........................................................................................................................................ 111
6.1.1 Teste do sistema com outras bases de casos, com características e quantidades de habitantes
diferentes.............................................................................................................................................................. 111
6.1.2 Uso de outras informações do sistema RFID ou sistema de automação na classificação...................... 112
6.1.3 Implementação de uma política de reclassificação de casos..................................................................... 112
6.1.4 Estudo sobre a possibilidade de apenas um subconjunto da BC na classificação de novos casos........ 113
6.1.5 Teste do sistema em uma residência real................................................................................................... 113
REFERÊNCIAS BIBLIOGRÁFICAS.................................................................................................................. 114
APÊNDICE 1........................................................................................................................................................ 117
APÊNDICE 2........................................................................................................................................................ 118
16
1 INTRODUÇÃO
A automação residencial vem tornando-se, com o passar dos anos, um assunto de
interesse de um número cada vez maior de pessoas. Com as tecnologias que, nos dias atuais,
já permitem um nível razoável de integração, a idéia de ter o controle sobre certos
equipamentos e algum nível de automação, visando comodidade e conforto do usuário, torna-
se cada vez mais real.
A queda dos preços destes equipamentos já atrai também os consumidores da classe
média, que hoje podem ter acesso a, por exemplo, aparelhos de telefonia celular de última
geração, computadores, redes de comunicação sem fio, conexão de internet de banda larga,
entre outros.
A aplicação destes recursos tecnológicos na automação de recursos básicos de uma
residência, como controle de iluminação, persianas, ar-condicionado, sistemas de áudio e
vídeo, segurança, já é uma realidade nas classes mais altas da sociedade. A tendência de
atingir as classes mais baixas, a médio prazo, é cada vez maior (MURATORI, 2005).
Baseado nessas considerações, torna-se desejável o desenvolvimento destes sistemas,
de forma a poderem, em primeiro lugar, serem de fácil utilização pelos habitantes da
residência (a complexidade dos controles dos sistemas presentes na casa com a automação
não pode ser maior do que sem o uso dela) e, com o passar do tempo, cada vez mais
adaptativos, evoluindo para o conceito de domótica inteligente, onde as regras de automação
adaptam-se ao comportamento dos moradores (TONIDANDEL; TAKIUCHI; MELO, 2004).
Na maioria dos sistemas ditos inteligentes, desenvolvidos na área até o presente momento, as
relações entre os eventos detectados pelos sensores (presença e comportamento dos
habitantes, assim como fatores como iluminação, temperatura do ambiente, etc.) e ações
tomadas são previamente configuradas por um especialista (BOLZANI, 2004), não sendo o
sistema capaz de adaptar-se às mudanças nas condições externas.
Sgarbi (2007) desenvolveu um sistema baseado em aprendizado de máquina capaz de
adaptar-se ao comportamento de um habitante com base em dados obtidos por meio de
sensores. O sistema tem a capacidade de aprender e adaptar regras para uma residência com
um único morador, ou para residência onde podem ser aplicadas as mesmas ações sobre todos
os moradores.
Neste trabalho são apresentados alguns possíveis métodos para identificação de
pessoas em um sistema de domótica inteligente e, posteriormente, proposto e desenvolvido
um classificador de habitantes de uma residência, com o objetivo de possibilitar a adaptação
17
de sistemas de automação residencial individuais. Existem vários meios de identificação de
pessoas que poderiam ser utilizados em conjunto com estes sistemas, mas o desenvolvimento
do trabalho focará em um método que minimize a necessidade de mudança nos hábitos dos
habitantes.
Os sistemas de automação residencial, em sua maioria, têm como objetivo facilitar a
interação dos habitantes com os itens controlados e monitorados por eles, como iluminação,
climatização, entre outros. Desta forma, embora não esteja sendo definida uma métrica de
sucesso para isto, pode-se considerar que quanto menos um usuário tiver de manusear
controles e interfaces para executar as ações desejadas no interior de sua residência, melhor
poderá ser considerado seu sistema.
Da mesma forma, um sistema de identificação de pessoas, pelo menos no interior da
residência, deve exigir a menor interação direta possível por parte do usuário. Se isto não
ocorrer, o habitante será obrigado a adaptar seus hábitos toda vez que desejar ser identificado
pelo sistema, como por exemplo, acionar um sensor biométrico.
Também não é desejável que a automação residencial traga desconforto ao habitante
por meio da invasão de sua privacidade. Sistemas que utilizam câmeras na identificação de
pessoas podem provocar esse desconforto, causando a impressão de que o morador está sendo
monitorado por outras pessoas, todo o tempo, dentro de sua residência.
Uma alternativa encontrada para identificação, que pode ser aplicada no interior de
ambientes e que não implica, diretamente, na mudança dos hábitos do morador, ou na invasão
de sua privacidade, é o uso de dispositivos de identificação por rádio freqüência (RFID).
Resumidamente, RFID é um método de identificação onde códigos individuais são
gravados em pequenos circuitos integrados, denominados identificadores, dotados de antenas,
que são utilizadas na comunicação com os leitores RFID. Este método possui a vantagem de
possibilitar a leitura à distância de um ou mais itens simultaneamente, sem que seja necessário
um posicionamento específico dos identificadores (RFID JOURNAL, [200-]a), o que
ocorreria, por exemplo, com códigos de barras.
Considerando-se a aplicação do RFID na identificação do habitante dentro de uma
residência, poder-se-ia, por exemplo, criar um acessório para cada habitante, contendo um
identificador pré-cadastrado para este. Embora esta seja uma solução para a identificação, há
o inconveniente das pessoas terem de adotar o hábito de portar este acessório toda vez que
quiserem ser identificadas, sendo que na ausência do mesmo o sistema de automação
simplesmente não funcionará. Uma solução para este problema seria a inserção dos
18
identificadores nas peças de roupas dos habitantes, de forma que não tivessem de se lembrar
de vestir ou portar um objeto exclusivo para sua identificação.
Alguns fabricantes de roupas, como a Benetton, já utilizam a tecnologia de RFID para
rastreamento individual de itens desde a produção até a venda (RFID JOURNAL, 2003). Com
a queda dos preços dos identificadores e as vantagens da aplicação desta tecnologia, cada vez
mais empresas devem adotá-la para uso com seus produtos (RFID JOURNAL, 2003). Sendo
assim, estas identidades RFID poderiam também ser utilizadas para identificação fora das
fábricas e lojas, como, por exemplo, no interior de uma residência.
A finalidade deste trabalho é possibilitar a adaptação de sistemas de automação
residencial individuais para o uso por diversos moradores, que podem ter hábitos diferentes.
Para minimizar a necessidade dos usuários fazerem configurações no seu sistema, como o
cadastro de suas peças de roupa para posterior identificação, no sistema desenvolvido, não é
priorizado o conhecimento da identidade do habitante, mas, sim, uma classificação genérica
que permita que as regras de automação criadas sejam atribuídas às pessoas corretas,
independentemente de quem estas sejam. Por exemplo, em um determinado momento o
sistema criou uma regra R
1
para um habitante classificado como H
1
. Após algum tempo, o
sistema detectou a presença de H
1
e, assim, deverá executar a regra R
1
, mesmo sem conhecer
sua identidade.
A proposta para o sistema desenvolvido é a classificação dos habitantes por meio das
combinações de roupas e acessórios que estes utilizam no interior da residência; isto é
possível por meio da leitura das identidades RFID presentes nos objetos. Como as
combinações de objetos utilizadas pelas pessoas dificilmente são exatamente as mesmas, ou
seja, estes são recombinados entre si, existe a necessidade da aplicação de alguma técnica que
permita o agrupamento de combinações com determinada similaridade sob uma mesma
classificação. Com isto espera-se que, quanto mais combinações o sistema conhecer, mais
este seja capaz de abstrair a classificação correta de novas combinações que forem lidas pelo
sistema.
Para os estudos feitos neste trabalho, os dados que seriam capturados pelo sistema de
RFID, instalado na residência, foram gerados por simuladores em computador. Ou seja, os
habitantes, seus itens de vestuário e objetos pessoais, bem como as combinações destes, foram
criados, com base em critérios pré-estipulados, expostos no Capítulo 4 (Simulação do Sistema
CAPBC), que permitiram obter dados semelhantes aos que seriam conseguidos em uma
residência real. A opção pelo uso de dados simulados ocorreu devido ao processo complexo
de instalação de um sistema de RFID em uma residência, de implantação dos identificadores
19
nas roupas e objetos dos habitantes e do tempo para coleta de dados suficientes, para permitir
que fossem feitos os testes e ajustes do classificador proposto. Todo o processo de simulação
do sistema é detalhado no Capítulo 4.
Para efetuar a classificação das combinações, no sistema, foi escolhida a técnica de
raciocínio baseado em casos (RBC), que é uma técnica de inteligência artificial (IA) que
utiliza soluções adaptadas de problemas passados na solução de novos problemas. Esta
técnica é apresentada com detalhes na seção 2.4, juntamente com a justificativa para o seu uso
no sistema proposto.
Nas próximas seções, são apresentados o objetivo, motivação e organização deste
trabalho.
1.1 Objetivo
O objetivo deste trabalho é o desenvolvimento de um sistema simulado e automático
de classificação de indivíduos, voltado à adaptação de sistemas de automação residencial
individuais já existentes, com o uso de RFID e raciocínio baseado em casos.
1.2 Motivação
A motivação pela escolha deste tema baseia-se na grande utilidade que um sistema
eficaz de classificação de pessoas pode ter em diferentes gamas de aplicações.
Neste trabalho, o sistema foi desenvolvido voltado à aplicação em um sistema de
automação residencial inteligente, onde diferentes ações devem ser tomadas dentro da
residência de acordo com o habitante identificado. Esta aplicação, por si só, já justificaria o
desenvolvimento do sistema, já que trará um considerável acréscimo ao nível de conforto dos
habitantes de uma residência, que poderiam sentir-se incomodados por ações tomadas por
regras de automação que não condizem com seus hábitos dentro dos ambientes. Estes níveis
de conforto não foram medidos, neste momento, por não serem o foco do trabalho.
Neste trabalho foi considerada apenas a classificação de indivíduos, mas um
desenvolvimento futuro deste poderia contemplar a detecção dos seus perfis e
comportamentos a partir dos objetos que a pessoa está vestindo ou portando. Assim, o sistema
poderia ter aplicações comerciais extremamente úteis, como a oferta de produtos e serviços de
interesse do tipo de indivíduo identificado, ou para fins estatísticos, quanto ao perfil de
20
pessoas que freqüentam determinados locais, a fim de adaptá-los a estas, entre outras
aplicações.
1.3 Organização do trabalho
Este trabalho foi dividido da seguinte forma:
No capítulo 2 são expostos os conceitos relacionados com o sistema desenvolvido
neste trabalho. Foram apresentados possíveis métodos de identificação de pessoas por meio
de diferentes técnicas (biométricas e reconhecimentos de padrões). Foi exposta, também, a
tecnologia de identificação por rádio-freqüência (RFID), suas vantagens e desvantagens para
a aplicação proposta. Em seguida, introduziu-se a técnica de inteligência artificial (IA) de
raciocínio baseado em casos (RBC), que foi utilizada para o desenvolvimento do sistema e,
por fim, foram mostrados alguns trabalhos já desenvolvidos na área de automação residencial
inteligente, que motivaram o desenvolvimento do classificador de habitantes.
No capítulo 3, é apresentado o sistema de classificação de pessoas baseado em casos
(CAPBC) desenvolvido, explicando-se detalhadamente o seu funcionamento, suas partes e
parâmetros.
No capítulo 4, são apresentados e explicados os simuladores criados para os testes da
lógica proposta para o sistema.
No capítulo 5, são expostos os dados e parâmetros utilizados nas simulações realizadas
nos softwares, assim como gráficos e tabelas contendo os resultados das simulações, com suas
análises e conclusões.
No capítulo 6, são apresentadas as considerações finais sobre o trabalho e sugeridos
alguns trabalhos futuros acerca deste tema.
21
2 CONCEITOS RELACIONADOS
2.1 Introdução
Uma das habilidades humanas mais marcantes é o reconhecimento de seres humanos.
O reconhecimento pode ser definido como o processo que envolve percepção e associação de
informações com uma combinação de conteúdos armazenados na memória humana
(MACHADO; ALMEIDA, 2004).
Este capítulo visa apresentar, de forma sucinta, algumas técnicas utilizadas na
identificação de pessoas, a partir de reconhecimento biométrico, reconhecimento de padrões
na forma de caminhar, ou seja, aquelas que poderiam, eventualmente, ser utilizadas para
diferenciar os habitantes de uma residência.
Posteriormente, é apresentada a tecnologia de identificação por rádio freqüência
(RFID) com suas características, arquitetura construtiva, algumas aplicações atuais e
vantagens que a tornam desejável para utilização em um sistema de identificação de pessoas.
Em seguida, para possibilitar o uso desta tecnologia no sistema desenvolvido, é
introduzida a técnica de raciocínio baseado em casos, com o objetivo de possibilitar a
classificação dos habitantes da residência a partir da combinação de identidades RFID
capturada por um leitor.
Por fim, são mostrados, de forma resumida, alguns trabalhos já desenvolvidos na área
de automação residencial inteligente, que motivaram a criação do classificador de habitantes,
apresentado neste trabalho.
A partir da próxima seção, são detalhados os itens expostos nesta introdução.
2.2 Sistemas de identificação de pessoas
2.2.1 Identificação por reconhecimento biométrico
No contexto dos sistemas de identificação, biometria é o termo geral para todos os
procedimentos que identificam pessoas comparando características físicas individuais. Na
prática, estes são reconhecimentos de impressão digital dos dedos, formato da mão,
identificação de voz, de face e, menos comumente, identificação de retina ou íris
(FINKENZELLER, 2003).
As seções a seguir descrevem, brevemente, alguns destes procedimentos:
22
2.2.1.1 Reconhecimento de impressões digitais
Por serem características particulares de cada pessoa, as impressões digitais dos dedos
ou mãos podem ser utilizadas em sistemas de identificação. A criminologia utiliza
procedimentos baseados neste fato para identificação de criminosos desde o início do século
XX, através da comparação da impressão digital de um eventual suspeito e das marcas
deixadas em objetos que possam ter sido tocadas por ele (FINKENZELLER, 2003).
Quando estas características são utilizadas na identificação de pessoas, geralmente
para controle de acesso a um determinado ambiente, a impressão digital é capturada através
de um leitor especial. O sistema calcula um valor a partir do padrão lido e o compara com os
padrões de referência armazenados nele (KAZIENKO, 2003). Os leitores modernos requerem
menos de meio segundo para reconhecer e checar uma impressão digital, o que é uma
característica favorável para o objetivo de identificação de pessoas, porém, a fim de evitar
fraudes, estes devem ser desenvolvidos para detectarem se o dedo (ou mão) colocado no leitor
pertence ou não a uma pessoa viva (SCHMIDHAUSLER, 1995 apud FINKENZELLER,
2003).
2.2.1.2 Reconhecimento de voz
Recentemente, tornaram-se disponíveis sistemas especialistas de identificação
individual baseados no reconhecimento de voz, nos quais os indivíduos falam em um
microfone ligado a um computador. Este converte as palavras pronunciadas em sinais digitais,
os quais são avaliados pelo software de identificação.
O objetivo da verificação é checar a suposta identidade do indivíduo a partir de sua
voz. Isto é alcançado através da checagem das características da fala do indivíduo contra
padrões de referência já existentes (FINKENZELLER, 2003). Se houver correspondência,
alguma ação pode ser iniciada, como abertura de uma porta, por exemplo.
Este sistema é pouco confiável, uma vez que um ruído no ambiente ou até mesmo uma
rouquidão por parte do usuário já estariam prejudicando sua identificação (PEARCE,
HIRSCH, 2000). Desta forma, seria importante o sistema ser configurado com uma margem
de erro no reconhecimento da voz da pessoa, o que diminuiria as falhas causadas por ruídos
ou por pequenas alterações de voz, mas também o tornaria menos seguro.
23
2.2.1.3 Reconhecimento de faces
Esta técnica consiste na captura de imagens de uma face através de uma câmera
conectada a um computador. A partir desta, um método possível para o reconhecimento é
delimitar vários pontos do rosto, identificando-se, por exemplo, distância entre orelhas, olhos,
maçãs do rosto, nariz e queixo (TURK; PENTLAND, 1991). Obtidos os parâmetros
necessários e depois de normalizados os dados, o sistema busca, através de grafos em um
banco de dados (com mais de uma imagem de cada indivíduo contido neste), as características
necessárias para a correta identificação do indivíduo.
A grande vantagem desta técnica na identificação de pessoas está no fato de que a
pessoa não precisa colocar o rosto em um local exato para a captura da imagem. Isto é um
diferencial em relação a outros métodos de reconhecimento biométrico, pois tem uma
aceitação mais fácil por pessoas que se utilizam dessa tecnologia (MACHADO; ALMEIDA,
2004).
Por outro lado, nesse sistema, deve-se levar em consideração o ambiente. As
condições de iluminação são fundamentais para que este método de reconhecimento
biométrico apresente bom desempenho (STONHAM, 1986).
2.2.1.4 Reconhecimento de retina e íris
Estes dois tipos de reconhecimento biométrico podem ser considerados entre os mais
seguros na identificação de usuários (MACHADO; ALMEIDA, 2004).
Os analisadores de retina medem, usando um laser de baixa intensidade e uma câmera,
o padrão de vasos sanguíneos presentes na retina.
O custo para a implantação deste método é alto e a forma de captura da imagem da
retina é bastante inconveniente, já que a pessoa deve olhar fixamente para um ponto
infravermelho por cerca de 5 segundos, sem piscar.
Já a técnica do reconhecimento de íris apresenta uma menor exigência na captura de
imagens do que a de retina (DAUGMAN, 2001). A captura da imagem é feita através de uma
câmera em preto e branco e a identificação da pessoa é realizada através de um scanner que
realiza o mapeamento da íris.
Este sistema também possui o inconveniente do indivíduo ter de se posicionar frente
ao leitor por alguns segundos para identificação.
24
2.2.1.5 Uso do reconhecimento biométrico em um sistema de automação residencial
inteligente
Conforme apresentado nas seções anteriores, o reconhecimento biométrico aplicado a
sistemas de automação residencial possui a vantagem de agregar segurança ao sistema, já que
utiliza características únicas (e pré-cadastradas) dos indivíduos na identificação, o que é
desejável principalmente nos acessos às áreas internas das moradias. Por outro lado, há
diversos inconvenientes a serem observados quando é considerada a aplicação no interior da
residência.
Um dos empecilhos no uso dos sistemas de identificação por biometria no interior de
uma residência é o custo dos sensores e demais equipamentos necessários à identificação em
todos os locais onde esta for necessária para a execução de regras de automação específicas
para cada habitante.
Outro problema é o inconveniente do morador ter de interromper suas ações para
posicionar-se em frente a uma câmera, falar em um microfone ou colocar alguma parte do
corpo em leitores para a identificação, o que obriga a pessoa a mudar seus hábitos com o
objetivo de adaptar-se ao sistema de automação.
A identificação através de câmeras, embora não necessite de um posicionamento
específico para possibilitar a identificação, pode ser considerada pelos moradores da
residência uma invasão de sua privacidade, já que as câmeras deverão estar todo o tempo
monitorando o ambiente onde se deseja a identificação.
O método apresentado na próxima seção pode ser uma alternativa para a identificação
de pessoas que minimiza a necessidade de adaptação do habitante ao sistema de automação da
residência.
2.2.2 Identificação pelo reconhecimento de padrões no caminhar
O método do reconhecimento de padrões no caminhar pode ser uma alternativa aos
métodos apresentados anteriormente, para uso em um sistema de automação residencial.
Neste método, a identificação do usuário é baseada no sensor de passo desenvolvido
em (NASCIMENTO, 2002) e consiste no reconhecimento de padrões do caminhar de uma
pessoa através de algumas características presentes neste: freqüência do passo, peso, ângulos
de cada pé e comprimento do passo. O sistema é composto dos seguintes componentes: malha
sensora, algoritmos de passo e rede neural para classificação e identificação.
25
A malha sensora permite que sejam obtidos os parâmetros físicos necessários à
identificação do indivíduo. O algoritmo de passo consiste no cálculo dos parâmetros de
ângulos e freqüência obtidos através da malha sensora. A rede neural, neste sistema, tem a
função de identificar os padrões nos valores entregues pelo algoritmo de passo e reconhecer o
indivíduo a partir dessas características.
Este sistema tem a vantagem de ser não invasivo, ou seja, não interfere nos hábitos do
usuário para a obtenção dos dados para a identificação (ROSA et al., 2005).
Por outro lado, para implantação do sistema, deve-se levar em consideração o alto
custo da para a adaptação dos ambientes onde se deseja a identificação dos indivíduos com a
instalação da malha sensora. Outro inconveniente provocado pelo uso deste sistema é a perda
da liberdade na escolha do tipo de piso a ser utilizado em diferentes cômodos da residência.
Considerando-se o objetivo da adaptação de um sistema de automação para diversos
habitantes, o método de identificação exposto nesta seção apresenta características favoráveis.
O sistema proposto neste trabalho apresenta uma alternativa a este, focando principalmente a
minimização da necessidade de adaptação do habitante ao sistema de identificação, além de
exigir menos alterações físicas na residência para instalação do sistema de identificação.
2.3 Identificação por Rádio Freqüência (RFID)
Vistos alguns possíveis métodos de identificação de pessoas que poderiam ser
utilizados no interior de uma residência, foram apresentados, nesta seção, as características e
conceitos da tecnologia de RFID, suas principais aplicações e sua adaptação, visando a
utilização no sistema proposto neste trabalho.
2.3.1 Definições
RFID é um termo genérico que é usado para descrever um sistema que transmite a
identificação (na forma de um número de série único) de um objeto ou pessoa através de
ondas de rádio. Esta pertence à categoria das tecnologias de identificação automática (Auto-
ID) (RFID JOURNAL, [200-]a), que inclui, também, códigos de barra, leitores ópticos de
caracteres e algumas tecnologias de biometria, como leitores de retina. O RFID vem sendo
utilizado para reduzir o tempo e o trabalho necessário para entrada de dados manualmente e
para melhorar a precisão dos dados.
26
2.3.2 Arquitetura RFID
Para propósitos computacionais, uma arquitetura pode ser definida como uma
decomposição de um determinado sistema computacional em componentes individuais para
mostrar como estes funcionam juntos para satisfazer aos requisitos do sistema inteiro
(GLOVER, BHATT, 2007).
Devido à existência de diversas aplicações possíveis de sistemas RFID conclui-se que,
certamente, não venha a existir uma arquitetura RFID universal que se adapte a todos os
requisitos de todos os sistemas, mas existem diretrizes arquiteturais que devem ser
consideradas em sistemas que englobam o uso de RFID (FINKENZELLER, 2003).
Basicamente, um sistema de identificação por RFID necessita de dois itens para seu
funcionamento: identificadores e leitores, onde os leitores fariam a interface direta com a
aplicação. Um terceiro componente desejável é o middleware RFID que, como pode ser visto
na seção 2.3.2.3, tem por objetivo a filtragem das informações brutas recebidas dos leitores.
Nas seções a seguir, são detalhados os componentes citados.
2.3.2.1 Identificadores RFID
Resumidamente, um identificador de RFID típico consiste de um micro chip anexado
a uma antena de rádio montada sobre um substrato, onde este pode armazenar desde um único
bit até vários quilobytes de dados. Para recuperar os dados armazenados nesta, um leitor, por
meio da emissão de ondas de rádio, envia um sinal e recebe de volta a resposta de todas as
etiquetas presentes, que operem na mesma freqüência do leitor, no raio de alcance deste.
Algumas características importantes devem ser consideradas na escolha do tipo de
identificador, conforme a aplicação. Estas são (GLOVER, BHATT, 2007):
1 - Embalagem: há diversos tipos de embalagens para identificadores RFID, desde
botões de PVC, frascos de vidro, plástico e até rótulos de papel. Desta forma, suas aplicações
possíveis são praticamente ilimitadas;
2 - Acoplamento: se refere aos possíveis meios de comunicação entre leitor e
identificador, onde a sua escolha depende basicamente da faixa de comunicação que se deseja
utilizar, preço dos identificadores e condições que poderiam causar interferências;
3 - Energia: alguns identificadores utilizam-se de energia vinda de uma bateria,
geralmente impressa junto da etiqueta, através de camadas de zinco, gel de água salgada e
27
dióxido de manganês, porém, na maioria dos casos, a energia é proveniente do próprio leitor e
é transferida para o identificador por meio de indução eletromagnética;
4 - Capacidade de armazenamento: esta varia de acordo com o tipo de identificador e
sua aplicação. Pode variar de um único bit ou até milhares de bytes, onde os valores podem
ser pré-configurados na fábrica, ou alterados conforme a utilização;
5 - Compatibilidade com padrões: atualmente, os padrões de comunicação entre
leitores e identificadores RFID são fornecidos pela EPCglobal e ISO. É importante considerar
se os identificadores e leitores presentes no sistema seguem o mesmo padrão.
Devido à grande variedade nas características dos identificadores, estes podem ser
utilizados em praticamente qualquer aplicação que necessite identificar ou rastrear itens
dentro de um processo.
Na próxima seção são apresentados o princípio de funcionamento dos leitores RFID,
seus componentes e a arquitetura básica de um sistema de RFID.
2.3.2.2 Leitores RFID
Leitores RFID são usados para reconhecer a presença próxima de identificadores
RFID. Estes leitores transmitem energia RF através de uma ou mais antenas. Quando uma
antena, em um identificador próximo, capta esta energia, a converte em energia elétrica
através de indução. A energia convertida é suficiente para alimentar o chip semicondutor
anexado à antena do identificador, que armazena sua identidade. O identificador envia, então,
de volta para o leitor, a sua identidade, através do aumento e diminuição da resistência da
antena, por meio de um código binário (FINKENZELLER,2003).
Leitores RFID são compostos de quatro subsistemas distintos (GLOVER, BHATT,
2007), detalhados nos itens a seguir, e sua arquitetura é mostrada na figura 2.1:
1 - API do leitor: interface de programação de aplicações que permite a programas se
registrarem e capturarem eventos de leitura de identificadores RFID, além de capacidades
para configurar, monitorar e gerenciar o leitor.
2 - Comunicações: leitores são componentes limítrofes do sistema de RFID e
interagem com o componente de comunicação, que lida com as funções de rede.
3 - Gerenciamento de eventos: uma observação é o ato de um leitor ver um
identificador. É considerado um evento uma observação que difira das anteriores, análise que
é feita através de uma filtragem. O gerenciamento tem como objetivo definir quais
28
observações devem ser consideradas eventos e determina quais eventos são importantes para
serem disponibilizados para alguma aplicação externa na rede.
4 - Subsistema antena: este consiste de uma ou mais antenas e a lógica e interfaces de
suporte que permitem aos leitores RFID interrogar os identificadores.
Figura 2.1 – Componentes lógicos de um leitor RFID, adaptada de (GLOVER, BHATT, 2007).
A figura 2.2 mostra um sistema RFID onde a aplicação é exposta aos dados brutos
capturados pelos leitores.
Figura 2.2 – Arquitetura RFID com a aplicação exposta diretamente aos leitores, adaptada de (GLOVER,
BHATT, 2007).
Embora um sistema, contendo leitores e identificadores, possa ser suficiente para a
construção de uma arquitetura RFID funcional, deve-se levar em consideração que os leitores
RFID captam todas as informações que os identificadores próximos lhes enviarem.
Com o objetivo de tornar o sistema mais rápido e eficiente, é importante a presença de
um terceiro componente que filtre para a aplicação apenas as informações relevantes a ela, o
middleware RFID, que é apresentado na próxima seção.
29
2.3.2.3 Middleware RFID
Conforme exposto na seção anterior, o uso dos dados de saída dos leitores RFID,
diretamente nas aplicações, dependendo do sistema, pode torná-lo ineficiente, devido à grande
necessidade de processamento de informações irrelevantes à aplicação. Baseado nisto, é
proposto o uso do middleware RFID com os objetivos de fornecer conectividade, processar
observações RFID brutas para consumo pelas aplicações, fornecer uma interface em nível de
aplicação para gerenciar leitores e capturar eventos RFID filtrados (GLOVER, BHATT,
2007).
O middleware RFID é composto de três componentes, detalhados nos itens a seguir
(GLOVER, BHATT, 2007), e sua arquitetura mostrada na Figura 2.3:
1 - Adaptador de leitor: este encapsula as interfaces proprietárias de leitores, com a
finalidade de estas não terem de entrar em contato com os desenvolvedores das aplicações.
2 - Gerenciador de eventos: este componente é o responsável pela filtragem dos dados
brutos recebidos dos leitores. O Gerenciador de Eventos é o responsável por consolidar as
informações capturadas pelos leitores e traduzi-las em uma informação do tipo identificador
“presente” ou “não-presente”.
3 - Interface de nível de aplicação: sua principal finalidade é fornecer um mecanismo
padronizado que permite às aplicações se registrar e receber eventos RFID filtrados
proveniente de um conjunto de leitores, além de fornecer uma API padrão entre o middleware
RFID e os componentes que ele controla.
Figura 2.3 – Componentes do middleware RFID, adaptada de (GLOVER, BHATT, 2007).
Deve-se considerar que, como aplicações diferentes necessitam de informações
diferentes contidas nos identificadores, o middleware RFID utilizado deve ser específico para
a aplicação em que este será utilizado.
30
A Figura 2.4 mostra a arquitetura de um sistema de identificação RFID com a adição
do middleware RFID. Nesta arquitetura pode-se perceber que não há mais a exposição direta
da aplicação aos leitores.
Figura 2.4 – Arquitetura RFID com a intermediação do middleware RFID entre os leitores e a aplicação,
adaptada de (GLOVER, BHATT, 2007).
2.3.3 Principais aplicações
Sistemas de RFID são basicamente utilizados para identificação de objetos ou pessoas.
Sua vantagem é que não requerem intervenção humana, pois as etiquetas podem ser lidas
mesmo quando a etiqueta não está apontada na direção do leitor (RFID JOURNAL, [200-]c).
Além disso, em seu padrão atual, já é possível a leitura de diversos identificadores
simultaneamente, o que não ocorre com códigos de barras, por exemplo, que devem ser lidos
individualmente e necessitam de um alinhamento específico com seus leitores (GLOVER,
BHATT, 2007).
Algumas aplicações comerciais comuns em uso são o rastreamento de bens,
gerenciamento de fornecimento, sistemas de pagamento, segurança e controle de acesso
(RFID JOURNAL, [200-]c).
Outras aplicações, voltadas ao consumidor, em uso ou desenvolvimento, são
pagamento de gasolina automático em postos, monitoramento de pacientes à distância,
controle de “recall” de produtos com defeito de fabricação e máquinas de lavar inteligentes
(RFID JOURNAL, [200-]b).
31
A fabricante de roupas italiana Benetton utiliza identificadores RFID anexados às
peças de roupas, para rastreamento dos itens durante todo o processo de manufatura até os
pontos de venda. Entretanto, estes identificadores são desativados antes da saída dos itens das
lojas. (RFID JOURNAL, 2003)
Há muitas outras aplicações em que são utilizadas as etiquetas de RFID e inúmeras
possibilidades de novas aplicações, principalmente aquelas onde o preço por etiqueta não
altere consideravelmente o preço final dos produtos onde estão instaladas (RFID JOURNAL,
[200-]c).
2.3.4 Uso de RFID no sistema proposto neste trabalho
Pode-se observar que são muitas as aplicações possíveis na identificação de itens por
meio de RFID. Considerando-se o uso de identificadores RFID anexados a itens, para seu
rastreamento no processo de manufatura, este trabalho propõe a extensão do uso destas
identidades eletrônicas para fora das aplicações de fábrica.
Este trabalho consiste no desenvolvimento de um sistema de classificação de pessoas,
voltado ao uso em sistemas de automação residencial, que utiliza os códigos eletrônicos dos
identificadores RFID, contidos em roupas e objetos pessoais de habitantes, para verificar a
presença destes por meio das combinações dos itens que os habitantes estão vestindo ou
portando, no decorrer do funcionamento do sistema.
A classificação das combinações deve ser feita por meio da verificação da similaridade
entre diferentes leituras do sistema de RFID e do agrupamento destas em um banco de dados.
A próxima seção apresenta a técnica de inteligência artificial (IA) de raciocínio baseado em
casos (RBC), que foi utilizada para a classificação das combinações de identidades RFID no
sistema proposto.
2.4 Raciocínio Baseados em Casos (RBC)
A proposta desta seção é apresentar a técnica de raciocínio baseado em casos (RBC),
uma técnica de inteligência artificial que consiste na solução de novos problemas a partir do
resgate e adaptação de soluções armazenadas para problemas já conhecidos.
32
2.4.1 Introdução ao RBC
Raciocínio baseado em casos é um enfoque para a solução de problemas e para o
aprendizado baseado em experiência passada. RBC resolve problemas ao resgatar e adaptar
experiências passadas, chamadas casos, armazenadas em uma base de casos. Um novo
problema é resolvido com base na adaptação de soluções de problemas similares já
conhecidos (RIESBECK; SCHANK, 1989).
RBC é um paradigma para resolução de problemas que difere em muitos aspectos de
outros enfoques da inteligência artificial. Em vez de basear-se unicamente em conhecimento
generalizado, acerca de um domínio de problemas, ou de realizar associações lógicas ao longo
de relacionamentos abstratos entre descritores de problemas e conclusões, RBC é capaz de
utilizar o conhecimento específico de soluções de problemas concretos, experimentadas
anteriormente, denotadas como casos (AAMODT; PLAZA, 1994).
O RBC pode ser separado por quatro elementos básicos (WANGENHEIM, C.G.;
WANGENHEIM, A., 2003):
1 - Representação do conhecimento: em RBC, o conhecimento é representado
principalmente na forma de casos que descrevem experiências concretas, embora possam ser
armazenados também outros tipos de conhecimento sobre o domínio de aplicação, como
casos abstratos, generalizados, entre outros;
2 - Medida de similaridade: é necessário haver a capacidade de se encontrar um caso
relevante para o problema na base de casos e prover uma medida de similaridade entre o caso
atual e os casos da base;
3 - Adaptação de casos: visto que dificilmente serão encontrados casos, na base,
idênticos ao caso atual, sistemas de RBC avançados possuem a capacidade de adaptar os
casos similares resgatados, com o objetivo de satisfazerem completamente o caso presente;
4 - Aprendizado: a fim de possibilitar a atualização e evolução do sistema de RBC,
sempre que um problema for resolvido com sucesso, o mesmo deverá ser capaz de lembrar-se
dessa situação, no futuro, como mais um novo caso.
As seções 2.4.2 a 2.4.5 detalham os itens apresentados nesta introdução.
33
2.4.2 Representação do conhecimento em RBC
A principal forma de representação do conhecimento em RBC são os casos. Estes são
peças de conhecimento contextualizado que registram uma ocasião onde um problema foi
resolvido, total ou parcialmente (WANGENHEIM, C. G.; WANGENHEIM, A., 2003).
Um caso representa, normalmente, a descrição de um problema (ou situação
problemática) conjuntamente com as experiências adquiridas durante a sua resolução. Assim,
a representação do conhecimento pode ser dividida nos seguintes componentes principais:
descrição do problema e descrição da solução.
A descrição do problema descreve o estado do mundo quando o caso ocorreu. A
descrição codifica o estado do mundo no momento em que o raciocínio se inicia e pode
representar um problema que necessita ser resolvido ou uma situação que necessita ser
interpretada, classificada ou compreendida.
Uma visão simplificada de RBC é a de que ele determina se um caso anterior é
aplicável a uma nova situação, examinando as similaridades entre a descrição do problema na
situação presente e no caso armazenado na base de casos (KOLODNER, 1993). Isto significa
que uma descrição de problema deverá possuir informação suficiente para que seja possível
julgar a aplicabilidade de um caso à nova situação.
De forma geral, a descrição do problema de um caso a ser armazenado deveria conter
toda informação relevante para se descrever casos do tipo considerado e para se atingir o
objetivo específico (KOLODNER,1993).
A descrição da solução postula a solução (que pode ser uma ação, plano ou
informação) derivada para o problema apresentado. Há vários tipos de solução, dependendo
da área de aplicação do sistema de RBC, e esta descreve os conceitos ou objetos usados para
atingir os objetivos específicos da tarefa realizada, levando em consideração as restrições
especificadas e a descrição da situação (WANGENHEIM, C. G.; WANGENHEIM, A., 2003).
A descrição da solução pode conter dados como a própria solução, os passos para atingi-la,
justificativas para as decisões tomadas durante a solução, entre outros.
Quanto à representação da solução, há mais de uma forma desta ser feita. Esta pode
ser explícita, através de sua descrição, por meio de um ponteiro para um documento contendo
instruções ou outro conjunto de informações relevante.
Através destes dois componentes, novos problemas podem ser resolvidos encontrando-
se um ou mais casos relevantes e adaptando-se a solução para os requisitos da nova situação.
Componentes adicionais de um caso, como o resultado da aplicação da solução, também
34
podem ser utilizados para registrar o que ocorreu após a aplicação da solução, o nível do
sucesso da aplicação da solução, como esta ocorreu e o porquê. Porém, nem sempre esses
dados são necessários ou, pelo menos, não requerem tantos detalhes.
O resultado de um caso especifica o que ocorreu como conseqüência de se executar a
solução proposta ou o quão bem a solução resolveu o problema. Um resultado inclui tanto a
realimentação do mundo real como a interpretação deste. O resultado pode incluir o resultado
em si, se este atingiu ou violou as expectativas, se foi um sucesso ou fracasso, estratégia de
solução adotada e outros (WANGENHEIM, C.G.; WANGENHEIM, A., 2003).
2.4.3 Resgate de casos e medida de similaridade
O RBC utiliza soluções conhecidas de problemas anteriormente resolvidos na solução
de um problema novo, de solução ainda desconhecida. Em função disto, é necessário que
sejam determinados os exemplos adequados, os quais possam ser adaptados para a solução do
novo problema, sendo que não é necessário que os problemas sejam idênticos para que seja
possível a aplicação (WANGENHEIM, C. G.; WANGENHEIM, A., 2003).
A fim de tornar isto possível, é necessária a definição de critérios de similaridade entre
casos, através de técnicas matemáticas, para determinar os casos que devem ser resgatados e
os que podem ser adaptados para solucionar o novo problema. Uma forma de tratar o conceito
de similaridade é utilizar o conceito abstrato de utilidade de casos para a solução de um
problema.
O objetivo do resgate de casos é encontrar um caso (ou um pequeno conjunto) na base
de casos que contenha uma solução útil para o problema ou situação atual, baseado na
similaridade deste com cada caso armazenado (RIESBECK; SCHANK, 1989).
Uma hipótese básica de sistemas de RBC é que problemas similares possuem soluções
similares (o critério “a posteriori” da utilidade de soluções passa a ser reduzido ao critério a
priori de similaridade de descrições de problemas) (WANGENHEIM, C. G.;
WANGENHEIM, A., 2003).
A eficácia de enfoques baseados em casos depende, portanto, da escolha de um
conceito de similaridade adequado para o domínio da aplicação e estrutura dos casos usados,
de forma a permitir a estimativa da utilidade de um caso com base na similaridade observada
entre a descrição do problema e a contida no caso (KOLODNER, 1993).
35
2.4.3.1 Conceito de similaridade
No RBC é possível se formalizar o conceito de similaridade por meio de três formas
diferentes (WESS, 1995):
1 - Similaridade como Predicado;
2 - Similaridade como Relação de Preferência;
3 - Similaridade como Medida.
A primeira idéia concebe similaridade como uma relação entre objetos ou fatos, que
existe ou não existe. A segunda pressupõe a idéia de uma similaridade maior ou menor,
enquanto o terceiro enfoque postula a quantificação da extensão dessa semelhança.
Provavelmente a forma mais conhecida de formalização do conceito de similaridade é
a definição de uma medida numérica de distância ou similaridade. Em contraste com a
utilização de uma relação de preferência, na utilização de uma medida em conjunto com
informação de precedência é realizada também uma quantificação da similaridade
(WANGENHEIM, C. G.; WANGENHEIM, A., 2003). Em um modelo geometricamente
motivado do RBC é possível formular esta medida também como uma medida de distância
entre casos.
2.4.3.2 Julgamento de similaridade
Modelos formais de similaridade procuram axiomatizar o processo da determinação da
similaridade realizado pelo ser humano. As suposições assumidas no modelo podem então ser
verificadas de forma empírica. Algumas suposições básicas a respeito de julgamentos de
similaridade são (WESS, 1995):
1 - Reflexividade: Um objeto ou fato é similar a si mesmo;
2 - Simetria: A é similar a B, então B também é similar a A. A simetria das
características de similaridade é questionada por alguns autores e não precisa prevalecer;
3 - Transitividade: Se A é similar a B e B é similar a C, então A também é similar a C.
Esta é amplamente rejeitada na literatura, pois a transitividade só é válida quando se baseia na
identidade parcial de características;
4 - Monotonicidade: A similaridade de dois objetos cresce monotonicamente com o
aumento de correspondências e a redução de diferenças.
36
Devido aos múltiplos aspectos que devem ser levados em consideração, quanto ao
julgamento da similaridade, e da incerteza associada a estes, não é possível definir uma teoria
universal da determinação de similaridade. Nem se pode considerar o processo de seleção de
casos em um sistema de RBC como certo ou errado, mas apenas avaliá-lo como melhor ou
pior, em um contexto específico de aplicação (WANGENHEIM, C.G.; WANGENHEIM, A.,
2003).
2.4.4 Adaptação de casos
Após definida a similaridade entre casos, para completar esse processo, é necessária a
adaptação do caso recuperado ao caso atual. A adaptação tem um papel fundamental na
flexibilidade dos sistemas de RBC e a sua capacidade de resolver novos problemas depende
se sua habilidade em adaptar casos recuperados a novas e em sua habilidade de consertar
soluções que falham ao serem aplicadas (AAMODT; PLAZA, 1994).
Algumas questões são centrais na adaptação de casos, como a decisão sobre os
aspectos de uma situação que devem ser adaptados, as modificações que são razoáveis de
serem realizadas para adaptar o caso, os métodos de adaptação aplicáveis para modificar estes
aspectos e como controlar o processo de adaptação para saber que as modificações estão
sendo realizadas no rumo certo (WANGENHEIM, C.G.; WANGENHEIM, A., 2003).
2.4.5 Aprendizado
A tarefa de aprender pode ser vista como o processo de melhora do desempenho de
um sistema de RBC.
RBC implica uma forma de aprendizado por analogia, em que, por meio da
transformação e extensão de conhecimento existente, uma tarefa ou problema similar são
executados ou resolvidos (WANGENHEIM, C.G.; WANGENHEIM, A., 2003).
Em um sistema de RBC, raciocínio e aprendizado estão intimamente ligados. Todas as
vezes que um problema é resolvido, a nova experiência pode ser retida e armazenada na base
de casos, tornando-a imediatamente disponível para problemas futuros. Desta forma, o
conhecimento presente em um sistema de RBC é continuamente atualizado (AAMODT;
PLAZA, 1994).
No RBC constrói-se uma base de casos a partir de um conjunto de exemplos de casos
dados. Deve-se decidir quais casos serão aceitos para compor a base, quais serão rejeitados e
37
com base em quais critérios e como se vai definir a medida de similaridade. O projeto correto
da dinâmica desse sistema é essencial no aprendizado das regras baseadas em casos anteriores
para o bom funcionamento do mesmo.
2.4.6 Aplicação do RBC no sistema proposto neste trabalho
Conforme citado na seção 2.3.4, o sistema proposto neste trabalho considera o uso de
RFID para a detecção das roupas e itens pessoais dos habitantes de uma residência. Com o
objetivo de classificar estas pessoas, a partir da combinação destes itens, foi utilizado o RBC,
que, resumidamente, baseia-se em utilizar soluções adaptadas de casos passados na solução de
novos casos.
Neste trabalho, combinações de objetos, representados por suas identidades RFID,
foram tratadas como casos e suas respectivas classificações como a solução destes. É utilizado
o RBC com o objetivo de encontrar critérios e valores de similaridade que possibilitem a
correta solução de cada caso, ou, em outras palavras, a correta classificação de cada
combinação de objetos.
2.5 Automação Residencial Inteligente
Esta seção visa apresentar, de forma resumida, alguns trabalhos desenvolvidos na área
de automação residencial inteligente. Nos sistemas desenvolvidos nestes trabalhos, regras de
automação são criadas a partir do comportamento dos habitantes, o qual é capturado por meio
de sensores e atuadores implantados na residência. Conforme exposto a seguir, os sistemas
foram concebidos considerando-se residências com apenas um habitante, o que motivou o
desenvolvimento do classificador de habitantes.
2.5.1 Automação Baseada em Comportamento (ABC)
Em (TONIDANDEL; TAKIUCHI; MELO, 2004) foi apresentado um sistema
denominado ABC (Automação Baseada em Comportamento), que visa reverter o processo
normal de criação de regras de automação em uma residência. Normalmente, o habitante cria
as regras; no ABC, as regras são criadas pelo próprio sistema, com base no comportamento do
habitante. Neste foi utilizado o algoritmo de aprendizado ID3 (QUINLAN, 1986) para
adaptação do sistema de automação.
38
A arquitetura deste sistema, mostrada na Figura 2.5, é composta de sensores (presença,
temperatura, luminosidade), atuadores (interruptores, ar-condicionado), bancos de dados e
outros elementos necessários pra criação e controle das regras.
Os valores obtidos através dos componentes de entrada do sistema (sensores,
atuadores), fatores como horários e o banco de dados de eventos interagem com o sistema
para a criação das regras de automação, as quais são armazenadas em bancos de dados de
regras. Estas serão utilizadas em casos futuros para acionamento de dispositivos, quando o
sistema decidir que a regra se aplica a uma determinada configuração de entradas deste. As
regras sofrem manutenção conforme o sistema é utilizado, podendo ser alteradas ou
removidas se não forem utilizadas por um determinado tempo. Este sistema também possui
regras de segurança, as quais são executadas quando os sensores atingem determinados
estados pré-configurados, porém estas regras não sofrem manutenção, ou seja, não são
modificadas ou excluídas.
Basicamente, o sistema consiste em criar regras, relacionando eventos de sensores e
atuadores, e executá-las quando as condições dos sensores se repetirem.
Figura 2.5 – Arquitetura do Sistema ABC, adaptada de (TONIDANDEL; TAKIUCHI; MELO, 2004).
Embora interessante, este sistema possui algumas deficiências, como a incapacidade
de detectar seqüências causais no tempo, ou seja, avaliar se eventos sensores e atuadores,
ocorridos seqüencialmente, estão, ou não, relacionados. Além disso, este sistema lida apenas
com variáveis lógicas, não sendo capaz de lidar com variáveis contínuas. Também neste, as
regras criadas não passam por uma etapa de validação, além de não poderem ser excluídas,
automaticamente, caso o habitante passe a contrariar as ações executadas pelo sistema.
Com base nestas limitações, Sgarbi (2007) propôs uma evolução do sistema original, a
qual foi denominada ABC+, e é apresentada na seção a seguir.
39
2.5.2 Evolução do sistema ABC (ABC+)
Em (SGARBI, 2007), foi proposta uma evolução do sistema ABC original, com o
intuito de corrigir as limitações deste (incapacidade de detectar seqüências causais de eventos
no tempo, a limitação de se trabalhar apenas com variáveis lógicas e o fato de as regras
criadas se tornarem ativas logo após sua criação). Este novo sistema foi denominado ABC+ e
sua arquitetura é mostrada na Figura 2.6.
As principais diferenças são: a janela de observação de eventos, que foi inserida com o
objetivo de avaliar se os eventos de atuadores e sensores são seqüenciais ou não, as regras
embrionárias, para criar uma etapa de validação de regras antes de torná-las ativas no sistema,
o uso do algoritmo C4.5 (QUINLAN, 1993) e o novo processo de desenvolvimento e
manutenção de regras.
Figura 2.6 – Arquitetura do Sistema ABC+, adaptada de (SGARBI, 2007).
Neste processo, além da criação de novas regras, a partir dos eventos quando
condições específicas dos sensores são atendidas, foi implementada a possibilidade de
pontuação negativa e exclusão de regras, quando a relação do habitante com os atuadores
contraria os eventos armazenados no banco de dados de regras. Por exemplo, considerando
que para determinada condição dos sensores esteja associado o evento de acender uma
lâmpada e, quando o sistema o fizer, o habitante, na seqüência, apagá-la. O sistema passará a
entender que esta regra não atende mais a necessidade do morador, e efetuará a manutenção
40
da regra com o intuito de excluí-la, se o habitante continuar contrariando a ação executada
pelo sistema de automação.
Além dos sistemas apresentados nesta seção, outros também foram desenvolvidos com
o objetivo de criar ambientes inteligentes em residências, com diferentes metodologias, porém
com o intuito comum de agregar conforto aos habitantes. Estes não foram discutidos neste
trabalho. O detalhamento das arquiteturas apresentadas teve como propósito expor as
vantagens dos sistemas que baseiam a criação das regras de automação no comportamento
dos habitantes (de forma a não necessitarem da intervenção do usuário na sua programação) e
a sua limitação quando tinham de operar em ambientes com mais de uma pessoa.
41
3 CLASSIFICADOR AUTOMÁTICO DE PESSOAS BASEADO EM CASOS
Conforme exposto na seção 2.5, os sistemas de automação baseada em comportamento
já desenvolvidos mostraram-se eficazes na automação de eventos em uma residência, quando
era considerado que neste habitava apenas uma pessoa. Embora estes possam ser aplicados
em residências com mais de um morador, a falta da identificação destes levaria à criação de
regras iguais a todos os habitantes, o que poderia não ser conveniente, pois estes podem ter
hábitos diferentes dentro da residência.
Estudando-se o funcionamento do sistema ABC+, pode-se concluir também que, se
diferentes habitantes tiverem hábitos contrários, uma ação executada por uma determinada
pessoa dentro da residência pode levar à pontuação negativa de regras criadas para outro
habitante. Isto pode invalidar totalmente o funcionamento do sistema desenvolvido, já que os
pontos positivos atribuídos pelo sistema devido às ações de um habitante (condição para
criação de regras embrionárias e sua ativação) podem ser anulados por pontos negativos
atribuídos pelas ações de outros.
Visando complementar o funcionamento do sistema ABC+, foi proposto o
Classificador Automático de Pessoas Baseado em Casos (CAPBC) que permitirá a adaptação
de sistemas de automação residencial desenvolvidos para uso em residências com apenas um
habitante para aquelas com duas ou mais pessoas.
O CAPBC consiste em um sistema de classificação de pessoas baseado nas
combinações de roupas e objetos utilizados pelos habitantes de uma residência. Cada
habitante em uma residência possui um número finito de peças de roupa e objetos pessoais.
Todos os dias estes utilizam combinações destes itens e, no decorrer do tempo, estes são
reutilizados e recombinados. A proposta do sistema é utilizar a técnica de inteligência
artificial de Raciocínio Baseado em Casos para abstrair a classificação das combinações com
base no conhecimento de combinações já utilizadas no passado.
Para a detecção dos objetos é considerado que, em um futuro próximo, roupas e
objetos poderão ter identidades eletrônicas (por exemplo, RFID) anexados a estes na fábrica,
como já ocorre em itens de algumas marcas, conforme exposto na Seção 2.3. A tecnologia
RFID possui algumas vantagens sobre outras tecnologias de identificação, já que permite a
leitura de vários itens simultaneamente, a uma distância razoável e sem exigir o alinhamento
direto entre o leitor e os identificadores.
O CAPBC mantém as vantagens do sistema ABC+, onde o habitante não necessita
alterar seus hábitos a fim de adaptar-se ao sistema de automação. O uso de uma técnica de
42
inteligência artificial no sistema visa permitir que o habitante seja classificado por suas roupas
e objetos sem que este tenha de pré-cadastrar seus itens em um banco de dados para posterior
comparação. A classificação das combinações é feita por meio da abstração de conhecimento
dos casos anteriores já classificados pelo sistema. O RFID permite que os objetos sejam lidos
sem que o habitante tenha de alterar seus hábitos cotidianos ao interagir com a residência.
Outras técnicas ou tecnologias poderiam ser utilizadas para o desenvolvimento deste
sistema no lugar do RBC ou RFID, porém não é foco do trabalho eleger o melhor método,
mas, sim, utilizar um que atenda satisfatoriamente os objetivos propostos para o sistema.
A arquitetura do CAPBC é mostrada na Figura 3.1 e seu funcionamento e seus
componentes são detalhados a partir da próxima seção. Nesta arquitetura, o sistema de
automação ilustrado poderia ser o ABC+, ou outro sistema domótico individual.
Figura 3.1 - Arquitetura do sistema CAPBC
3.1 Funcionamento do CAPBC
Para o propósito da criação e execução de regras de automação em uma residência,
desde que não esteja envolvida sua segurança (como a abertura da porta de acesso à
residência, por exemplo), não é essencial o conhecimento da identidade do habitante; é
Habitante
Identificadores
RFID
Middleware
RFID
Algoritmo
Classificador
Base de Casos
Sistema de
Automa
ç
ão
Valor de
similaridade
mínima e critério
de atualização de
pesos de objetos.
Pesos de Ob
j
etos
Leitor
RFID
Leitor
RFID
Leitor
RFID
CAPBC
43
importante apenas saber quando uma ação no sistema é acionada pelo mesmo indivíduo que
acionou outras ações no passado, a fim de criar as regras de automação associadas
corretamente a cada habitante. Desta forma, o objetivo do sistema CAPBC proposto é
classificar combinações de objetos por meio de códigos genéricos, de forma a permitir o
agrupamento, por habitante, das ações no sistema de automação.
Quando uma combinação qualquer N, denominada C
N
= {O
1
, ... , O
Q
}, contendo Q
objetos, é capturada pelo sistema, este deve compará-la àquelas detectadas no passado (C
1
,
..., C
N-1)
, já classificadas, e que estarão armazenadas em uma base de casos BC. Para as
comparações, foram definidos critério e o valor de similaridade mínima (itens detalhados
posteriormente, no trabalho) que o sistema deve encontrar para atribuir a duas ou mais
combinações a mesma classificação CL, ou, em outras palavras, agrupá-las sob um mesmo
código de habitante.
Com o passar do tempo, o sistema terá mais casos armazenados em sua base, o que
significa mais conhecimento sobre os habitantes, objetos e combinações, que poderão ser
utilizados na classificação de novos casos.
3.2 Algoritmo Classificador
O algoritmo classificador é o principal componente do CAPBC. Suas funções são:
armazenar novas combinações de objetos recebidas do sistema de RFID na BC, comparar os
novos casos àqueles anteriormente contidos na BC, classificá-los a partir dos critérios pré-
estipulados de similaridade, atualizar parâmetros dos casos armazenados, atualizar pesos dos
objetos e informar as classificações ao sistema de automação. O pseudo-algoritmo do
classificador é apresentado na Figura 3.2.
Quando um novo caso C
N
= {O
1,
...
,
O
Q
}, contendo Q objetos, é recebido pelo
algoritmo classificador, uma nova posição é inserida na base de casos, e um índice NC, que
corresponde à contagem N dos casos presentes na BC, naquele momento, é atribuído a esta.
Os valores de O
1
a O
Q
são ordenados, armazenados na nova posição criada na BC e seus
pesos são atualizados na tabela de pesos. Inicialmente, o novo caso recebe uma classificação
CL igual ao próprio índice do caso e deve ser informada ao sistema de automação esta nova
classificação de habitante.
Em seguida, o novo caso é comparado a cada caso passado já contido na base (NC = 1
a N - 1) e é calculada a similaridade S entre cada par ‘caso atual – caso passado’,
armazenando os valores na própria base de casos.
44
Evento de Entrada de Nova Combinação do Leitor.
Variáveis:
BC: Base de Casos contendo todas as combinações já lidas dentro da residência com sua respectiva classificação;
N: Contagem de casos armazenados na BC até a presente leitura;
Q: Quantidade de objetos presentes em determinado caso;
O
1
– O
Q
: Campos da BC onde são armazenados os códigos numéricos de cada identificador RFID lido em uma combinação de objetos;
P
1
– P
Q
: Pesos dos objetos O
1
– O
Q
;
NC: Campo da BC contendo o número do caso armazenado;
S: Campo da BC onde é armazenado o valor de similaridade calculado pelo Algoritmo Classificador entre cada caso passado e o caso atual;
S*: Valor de similaridade mínima imposto ao sistema para classificação de um caso com mesmo CL de um caso anterior;
SF: Flag da BC onde é indicado se a S >= S*;
CL: Campo da BC onde é armazenado o código de identificação do habitante (classificação) de cada caso, atribuído pelo Algoritmo
Classificador;
CL*: Variável onde é armazenado o menor valor de CL quando um ou mais casos tiver SF setado;
BCL: Banco de dados onde são armazenados os diferentes valores de CL de todos os casos com S > S* encontrados durante a classificação
de cada novo caso.
Início
1. insert nova posição na BC;
2. Gravar na BC: NC = N;
3. Ordenar valores de O
1
a O
Q
do novo caso;
4. Gravar na BC: O
1
a O
Q
;
5. Recalcular P
1
– P
Q
;
6. Gravar na tabela de pesos: P
1
– P
Q
;
7. Gravar na BC: CL = NC; // classificação inicial de cada caso é o próprio número do caso
8. Enviar para o sistema de automação: CL;
9. for cada posição da BC, de NC = 1 até N – 1, do:
10. Calcular S entre o novo caso e caso da posição atual;
11. Gravar na BC: S;
12. if S > S*, then:
13. SF = 1;
14 Gravar na BCL: CL;
15. else SF = 0;
16. for cada posição da BC, de NC = 1 até N, do:
17. if SF = 1 e CL < CL*, then CL* = CL;
18. for cada posição da BC, de NC = 1 até N, do:
19. if SF ≠ 1 e CL existe em BCL, then SF = 2;
20. for cada posição da BC, de NC = 1 até N, do:
21. if SF > 0, then CL = CL*;
22. Enviar para o sistema de automação: CL*, todos NC onde SF > 0;
Fim.
Figura 3.2 - Algoritmo de evento de entrada do Classificador RBC
Os métodos utilizados para a atualização dos pesos de objetos e para o cálculo da
similaridade são detalhados no próximo capítulo, onde foram expostos os critérios e valores
testados para uso no sistema.
45
Se a similaridade for igual ou superior ao valor mínimo de similaridade estipulado,
uma flag de similaridade SF recebe valor ‘1’ e a classificação CL deste caso é armazenada em
um banco de dados auxiliar BCL, que é consultado, posteriormente, a fim de agrupar os casos
não-similares ao caso atual, mas similares a algum dos casos onde SF for igual a ‘1’. Se a
similaridade for inferior ao valor mínimo estipulado, SF recebe valor ‘0’.
Depois de encontrados todos os casos similares entre si, o algoritmo verifica todos
estes a fim de encontrar o caso de menor valor CL, denominado CL*, sob o qual todos os
demais casos similares devem ser agrupados. Na seqüência, cada caso é avaliado a fim de
verificar se existem similaridades entre casos com SF igual a ‘0’ (não-similares ao caso atual)
mas com o valor CL presente em BCL (similares a algum caso que o seja). Estes recebem o
valor ‘2’ em SF. Por fim, todos os casos com SF acima de ‘0’ têm o valor CL atualizado para
o valor de CL*.
A figura a 3.3 ilustra um exemplo de reclassificação de casos a partir do algoritmo
classificador proposto. Para o exemplo, foi considerada similaridade mínima (S*) = 3 objetos
iguais.
(a) (b)
(c) (d)
Figura 3.3 - Exemplo de reclassificação de casos a partir da entrada de um novo caso (NC=45), onde cada
círculo representa um caso e os pontos pretos representam os objetos. A Figura (a) representa um subconjunto da
BC, contendo 4 casos (NC=5, NC=14, NC=18, NC=21) e 2 classificações (CL=5 e CL=14). A Figura (b)
representa a entrada do caso NC=45, tendo três objetos comuns com NC=18 e três com NC=21. A Figura (c)
46
representa o cálculo da flag de similaridade SF (igual a ‘1’ nos casos ilustrados em azul e igual a ‘2’ nos
ilustrados em rosa). A Figura (d) representa os casos reagrupados sob o menor CL (CL*), no caso, igual a 5.
Todas as vezes que um novo caso é classificado, um código de habitante novo é
enviado para o sistema de automação, com o objetivo deste poder atribuir o evento ocorrido
no sistema ao habitante correto. Se o novo foi classificado como similar a algum outro caso
da BC, os códigos de todos os casos similares também são enviados para o sistema de
automação, para que este possa reagrupar em seu banco de dados, os eventos passados
relacionados a este habitante. No Apêndice 1 pode ser visto o diagrama esquemático do
algoritmo classificador.
3.3 Base de Casos
Devido à necessidade do sistema utilizar o conhecimento de casos passados na
classificação de novas combinações, foi criado um banco de dados para armazenar as
informações necessárias desses casos. Este é denominado ‘Base de Casos’ ou BC.
A BC consiste em uma tabela onde são armazenadas as combinações de objetos C
N
=
{O
1,
..., O
Q
}, as classificações (CL) atribuídas pelo algoritmo classificador e os campos
temporários utilizados para armazenar os variáveis de similaridade calculadas: valor da
similaridade (S) e flag de similaridade (SF). A BC é acessada e atualizada sempre que um
novo caso for recebido do sistema de identificação RFID pelo algoritmo classificador.
Cada vez que uma nova combinação de objetos é lida pelo sistema, um novo caso
contendo os códigos de objetos da nova combinação é criado na BC. São, então, calculados
valores de similaridade com cada caso anterior, os quais são armazenados na BC sob cada
caso C
1
a C
N-1
. Depois de efetuada a reclassificação dos códigos de habitantes, a BC é
atualizada com a nova classificação.
A tabela 3.1 mostra como as combinações são armazenadas na Base de Casos.
Tabela 3.1 – Casos armazenados na BC, onde NC é o número do caso e O
1
a O
N
são os códigos de objetos
armazenados sob o caso
NC O
1
O
2
O
3
... O
N-2
O
N-1
O
N
CL S SF
1 415 679 1017... 3512 3826 4507 1 4 1
2 242 395 808... 2715 2 0 0
3 306 395 977... 3099 3 0 0
4 415 1213 1772... 4 1 0
... ... ... ... ... ... ... ... ... ... ...
N 415 800 1017... 3826 4507 1
47
3.4 Pesos de Objetos
Conforme pode ser observado na arquitetura do CAPBC, os únicos dados externos
recebidos pelo sistema são as combinações de códigos de objetos entregues pelo sistema de
RFID. Desta forma, é desejável que a maior quantidade de informações possa ser extraída
destes dados, para serem utilizadas pelo classificador.
Um parâmetro que pode ser verificado a partir dessas combinações é a quantidade de
vezes que cada objeto foi lido pelo sistema RFID e, conseqüentemente, armazenado na BC. A
tabela de pesos de objetos consiste em armazenar estes valores na forma de um peso calculado
para cada objeto, de acordo com a quantidade de vezes que este é lido nas combinações. Este
peso pode ser interpretado como um fator de relevância de cada objeto, ou seja, quanto mais
vezes um item for lido no decorrer do funcionamento do sistema, mais relevante este deve ser
para o habitante que o está utilizando e, conseqüentemente, para a classificação feita pelo
sistema. O uso e a atualização destes valores são detalhados no capítulo 4, onde é mostrado o
simulador desenvolvido com os campos específicos para atualização dos pesos.
A tabela 3.2 ilustra como os pesos são armazenados na tabela de pesos, onde o valor
O
N
representa o código do objeto.
Tabela 3.2 – Pesos de objetos armazenados na tabela de pesos, onde O
N
representa o código do objeto.
O
N
Peso
242 1
306 1,2
395 1,4
415 2
679 1,2
800 1
808 1,2
... ...
3826 1,2
4507 1,6
3.5 Critérios de classificação e atualização de parâmetros
Para que o CAPBC possa classificar as novas combinações, é necessário que sejam
definidos critérios de comparação entres os casos e valores de similaridade mínima que
devem ser alcançados para que dois casos diferentes recebam a mesma classificação.
48
Três critérios de similaridade foram considerados para o uso com o CAPBC, e são
detalhados na seqüência: número de objetos iguais, porcentagem de objetos iguais sem a
utilização de pesos e porcentagem de objetos iguais com a utilização de pesos.
3.5.1 Número de objetos iguais
Consiste em se utilizar a quantidade |C| de objetos contidos na intersecção de dois
conjuntos de objetos. O cálculo da similaridade é mostrado na equação 3.1, onde C
X
e C
Y
representam dois casos distintos.
CyCxSIM ∩= (3.1)
Por exemplo:
C
X
= {1, 3, 6, 10, 15, 21};
C
Y
= {5, 10, 15, 20};
C
X
∩ C
Y
= {10, 15}.
2=∩= CyCxSIM
Neste método, o valor de similaridade obtido é um número absoluto, que independe da
quantidade total de objetos presente em cada caso.
3.5.2 Porcentagem de objetos iguais sem a utilização de pesos
Consiste em se calcular uma relação entre a quantidade de objetos contidos na
intersecção entre dois conjuntos de objetos e a quantidade total de objetos. A maneira
proposta para se estabelecer esta relação é expressa pela equação 3.2.
CyCx
CyCx
SIM
+
∩
=
*2
(3.2)
49
A quantidade total de objetos dos dois conjuntos foi somada a fim de normalizar os
valores das similaridades entre C
X
e C
Y
e entre C
Y
e C
X
e a expressão foi multiplicada por 2 a
fim de que o valor de similaridade esteja entre 0 e 100%.
Por exemplo:
C
X
= {1, 3, 6, 10, 15, 21};
C
Y
= {5, 10, 15, 20};
C
X
∩ C
Y
= {10, 15}.
%40
46
2*2
*2
=
+
=
+
∩
=
CyCx
CyCx
SIM
Neste método, o valor de similaridade depende diretamente da quantidade total de
objetos presentes nos casos comparados. Assim, quando os casos comparados tiverem poucos
objetos, os itens iguais terão maior relevância no cálculo de similaridade do que em conjuntos
de objetos maiores.
3.5.3 Porcentagem de objetos iguais com a utilização de pesos
Utiliza o mesmo cálculo exposto anteriormente, porém os objetos podem ter pesos
diferentes no cálculo. Desta forma, se objetos com pesos maiores pertencerem ao conjunto
intersecção, o valor de similaridade obtido será maior do que se não fossem utilizados os
pesos. Esta relação é expressa pela equação 3.3, onde Σp(C) representa a somatória dos pesos
daquele conjunto de objetos:
(
)
() ()
∑
∑
∑
+
∩
=
CypCxp
CyCxp
SIM
*2
(3.3)
Por exemplo:
C
X
= {1, 3, 6, 10, 15, 21}; p(1) = p(3) = p(5) = 1;
C
Y
= {5, 10, 15, 20}; p(6) = p(10) = 2;
50
C
X
∩ C
Y
= {10, 15}; p(15) = p(20) = p(21) = 3;
(
)
() ()
%6,47
21
10
912
5*2
*2
≈=
+
=
+
∩
=
∑
∑
∑
CypCxp
CyCxp
SIM
Neste método, o valor de similaridade passa a ser uma relação entre as relevâncias de
cada item nos casos, no lugar de uma simples relação entre quantidades. Isso significa que se
objetos mais relevantes pertencerem ao conjunto intersecção, o valor de similaridade obtido
será maior; se, por outro lado, pertencerem a um dos casos, mas não ao conjunto intersecção,
a similaridade obtida será menor. O valor obtido por meio deste cálculo também se encontrará
entre 0 e 100%.
3.6 Observações sobre os métodos e cálculos utilizados para classificação dos habitantes
Visto o objetivo do CAPBC de classificar habitantes a partir de combinações de
objetos, outras técnicas de inteligência artificial poderiam ter sido utilizadas na comparação
das combinações. Foram consideradas, inicialmente, técnicas como o PCA (Principal
Component Analysis) e LDA (Linear Discriminant Analysis), porém estas necessitam que os
vetores de dados comparados possuam tamanhos iguais, além do posicionamento dos tipos de
dados semelhantes nas mesmas posições em todos os vetores (HASTIE, TIBSHIRANI,
FRIEDMAN, 2008). No caso do CAPBC, foi considerado que os vetores podem ter tamanhos
variados, além de não ser possível conhecer o tipo de objeto pela sua identidade eletrônica.
O RBC é uma técnica que permite a comparação de conjunto de dados de diferentes
tamanhos, além de permitir o uso de relevâncias maiores ou menores para diferentes objetos;
por isto foi escolhido para o desenvolvimento deste trabalho.
Quanto aos critérios de similaridade propostos para a comparação dos vetores, todos
seguem as suposições básicas a respeito do julgamento de similaridade em RBC, apresentados
na seção 2.4.3.2: reflexividade, simetria, transitividade e monotonicidade.
51
4 SIMULAÇÃO DO SISTEMA CAPBC
Considerando-se que, nos dias atuais, poucos itens de vestuário e objetos pessoais já
possuem identificadores RFID implantados em fábrica, e que estes poucos ainda chegam ao
consumidor final desativados, torna-se muito complexa a simulação do sistema CAPBC em
uma residência e situações reais. Para que isto pudesse ser implementado, novos
identificadores teriam de ser implantados em todos os objetos de cada habitante, a fim de que
as condições consideradas para o funcionamento do classificador pudessem ser satisfeitas.
Além disto, há muitas variáveis a serem testadas, visando encontrar os critérios e
valores de similaridade que tornarão o sistema mais eficiente e garantirão o seu correto
funcionamento. O tempo necessário para a coleta de dados suficientes para a avaliação de
cada conjunto de critérios considerados também seria impraticável.
Desta forma, a solução encontrada foi o desenvolvimento de simuladores em
computador que satisfaçam as características de uma residência real e que foram descritos a
partir da próxima seção.
4.1 Descrição dos simuladores
Visando testar o comportamento da lógica proposta para o sistema CAPBC, foram
criados três softwares em computador: semeador de casos, classificador de casos e avaliador
de classificações, os quais são detalhados nas próximas seções.
4.1.1 Semeador de casos
O objetivo do semeador de casos é gerar combinações de roupas e objetos utilizados
pelos habitantes de uma residência hipotética, da forma mais fiel possível a uma residência
real, a fim de possibilitar a posterior simulação do algoritmo classificador. Foi necessária a
criação do semeador devido à complexidade do processo de captura de dados de uma
residência real, o tempo necessário para coleta de dados suficientes para os testes, entre
outros.
Os casos gerados pelo semeador devem atender certos critérios para que possam
substituir dados reais nas simulações. Primeiramente, habitantes reais possuem um número
limitado de roupas e objetos. Embora novas roupas e acessórios possam ser adquiridos com o
tempo, de maneira geral, os conjuntos gerados devem ser combinações dos itens que cada
52
habitante possui. Além disso, as combinações de objetos devem ser coerentes. Por exemplo,
embora um habitante possa ter cinco pares de sapatos, é impossível que esteja calçando mais
do que um por vez. Por último, certas combinações de roupas, embora possíveis de serem
utilizadas, são extremamente improváveis, tornando-as dispensáveis em um ambiente de
simulação. Por exemplo: embora um habitante possa calçar chinelos, bermuda, sobretudo,
gravata e óculos escuros, esta não é uma combinação comum de vestuário.
Sendo assim, a fim de atender os critérios expostos acima, o semeador de casos foi
desenvolvido em três partes.
A primeira parte consiste em gerar um banco de dados de roupas e objetos de cada
habitante, identificados por códigos numéricos, que foram posteriormente utilizados para
representar suas identidades eletrônicas hipotéticas, isto é, os códigos dos identificadores
RFID. Os habitantes são classificados por seus sexos (masculino ou feminino) e faixas etárias
(adultos ou crianças), a fim de possibilitar a posterior geração das combinações de seus itens
de forma coerente. Foi feito desta forma, já que determinadas combinações de roupas são
condizentes com qualquer sexo e faixa etária de habitante (como tênis, calça jeans e camiseta)
e outros não (como calças sociais, camisa, terno e gravata, próprios de adultos do sexo
masculino).
Cinqüenta e cinco tipos de roupas e objetos foram criados. No software de simulação,
cada um destes tipos foi caracterizado por seu nome e um código numérico, para facilitar sua
identificação posterior e associação nas outras partes do simulador. Também, cada tipo de
objeto é classificado no banco de dados por um campo que indica se o objeto se trata de um
objeto íntimo, ou seja, pessoal e não passível de empréstimo, ou não. Este dado foi importante
quando foram simulados empréstimos de roupas e objetos entre os habitantes.
A Figura 4.1 mostra o segmento do simulador responsável pelo cadastro dos objetos
de cada habitante.
A segunda parte consiste em cadastrar combinações de roupas e objetos possíveis para
cada tipo de habitante. No cadastro de cada combinação são informados os tipos de objeto
possíveis para a combinação, a probabilidade de cada objeto estar presente na combinação e o
tipo de habitante à qual a combinação pode pertencer.
A probabilidade da presença do objeto consiste em determinar quais itens
necessariamente estarão em uma combinação e quais podem ou não estar, com uma
probabilidade maior ou menor. Por exemplo, uma combinação social masculina deve ter,
obrigatoriamente, itens como calça social, sapato e camisa, mas podem não ter terno, ou
gravata, ou ambos.
53
Figura 4.1 - Tela do software desenvolvido para gerar o banco de dados de objetos dos habitantes.
O tipo de habitante consiste em caracterizar cada tipo de combinação pelo sexo e faixa
etária do habitante, ou seja, identificar quais combinações podem ser utilizadas por homens,
mulheres ou ambos e por adultos, crianças ou ambos. Esta classificação é utilizada para
possibilitar o correto cruzamento da tabela de objetos dos habitantes com a de combinações
de objetos.
A Figura 4.2 mostra o segmento do simulador responsável pelo cadastro das
combinações de objetos possíveis.
Resumidamente, as duas partes apresentadas até agora são responsáveis pelo cadastro
dos objetos que estarão na base de casos, dos habitantes possuidores destes e das combinações
(casos) possíveis de se construir a partir deles. Por serem procedimentos simples de gravação
de valores em bancos de dados, esses algoritmos não foram detalhados.
A terceira parte do semeador de casos é o algoritmo que gera, efetivamente, a base de
casos, consultando as tabelas de objetos cadastrados e de combinações. É possível semear
combinações de objetos de habitantes específicos ou aleatoriamente. O algoritmo é
encarregado de verificar se os tipos do habitante e da combinação escolhidos são compatíveis;
54
caso não sejam, a combinação não é gerada. O resultado deste algoritmo é a tabela utilizada
para os testes do algoritmo classificador: a base de casos.
Figura 4.2 - Tela do software desenvolvido para gerar combinações de objetos possíveis.
O algoritmo da Figura 4.3 descreve o procedimento de geração de um novo caso de
um habitante aleatório, usando uma combinação de roupas e objetos aleatória, baseada nas
tabelas de objetos, habitantes e combinações cadastradas anteriormente. A base de casos que
foi utilizada, posteriormente, nas simulações do sistema, é um conjunto de combinações
geradas a partir deste algoritmo.
Para criar um novo caso C
N
= {O
1
, ..., O
Q
} na BC, o algoritmo seleciona,
aleatoriamente, um dos habitantes existentes NH e uma combinação de itens cadastradas NC.
Se estes não forem compatíveis (TH ≠ TC), ele seleciona novos valores até obter um par
habitante-combinação que o seja.
Em seguida, para cada um dos Q tipos de objeto TO da combinação cadastrada (TO
1
,
..., TO
Q
), o algoritmo compara a probabilidade PO de cada um dos tipos de objeto TO estar
presente na combinação (PO
1
, ..., PO
Q
) a um valor randômico R gerado. Se PO for maior do
55
que R, o algoritmo filtrará o banco de dados de objetos BDO pelo número do habitante NH e
pelo tipo de objeto TO, selecionando, de forma aleatória, um dos códigos de objeto CO
presentes em BDO com o filtro aplicado. Os códigos selecionados neste processo são
armazenados nas posições O
1
a O
Q
, no novo caso da BC.
Algoritmo para geração de uma nova combinação de objetos pelo algoritmo semeador de casos.
Variáveis:
BC: Base de Casos;
O
1
– O
Q
: Campos da BC onde são armazenados os códigos numéricos dos objetos selecionados pelo semeador;
NH: Número do Habitante;
TH: Tipo do Habitante NH;
BDH: Banco de Dados de Habitates;
NC: Número da Combinação;
TC: Tipo da Combinação NC;
BDC: Banco de Dados de Combinações;
TO
1
– TO
Q
: Códigos dos tipos de objetos presentes em determinada combinação NC;
PO
1
– PO
Q
: Probabilidade dos tipos de objetos presentes em determinada combinação NC;
CO: Código do Objeto;
TO: Tipo do Objeto CO;
BDO: Banco de Dados de Objetos, indexado por NH, TH e TO;
R: Variável auxiliar;
Início
1. while TH ≠ TC do // tipo do habitante compatível com o tipo de combinação
2. Selecionar NH aleatório em BDH;
3. Selecionar NC aleatório em BDC;
4. for cada tipo de objeto TO
1
a TO
Q
presente em NC do
5. Gerar R aleatório de 0 a 100;
6. if PO ≥ R then
7. Filtrar BDO por NH e TO;
8. Selecionar CO aleatório em BDO;
9 Gravar em O, na BC: CO;
Fim.
Figura 4.3 - Algoritmo do semeador de casos a partir das tabelas de objetos e combinações
A Figura 4.4 mostra a tela do simulador responsável por gerar, gravar e modificar a
base de casos, conforme os algoritmos apresentados, que foi utilizado para os testes do
classificador de casos. E a Tabela 4.1 mostra um exemplo de um caso gerado a partir do
algoritmo explicado anteriormente, mostrando os passos de seleção aleatória dos objetos que
pertencerão, ou não, ao caso em questão.
Além de gerar as tabelas, o semeador de casos desenvolvido possui algumas rotinas
que permitem alterar a base de casos de forma a simular algumas situações que poderiam
ocorrer em uma residência real. São elas: empréstimo de objetos não íntimos, leitura de dois
56
habitantes ao mesmo tempo pelo sistema de RFID e acréscimo de objetos estranhos na base
de casos. Estes são detalhados a partir da próxima seção.
Figura 4.4 - Tela do software semeador da base de casos.
4.1.1.1 Simulação do empréstimo de objetos entre habitantes
O empréstimo de objetos permite que determinada porcentagem de objetos seja
permutada aleatoriamente entre habitantes do mesmo sexo e faixa etária. Esta filtragem nas
características é feita devido à incoerência de homens e mulheres ou adultos e crianças
permutarem seus itens.
O algoritmo de modificação da base de casos, para simular o empréstimo de objetos
entre habitantes, é mostrado na Figura 4.5.
Para a substituição de um item O, presente em um caso C
N
de determinado habitante
NH, por outro emprestado de um habitante diferente NH’, primeiramente, é verificado se este
objeto trata-se de um item passível, ou não, de empréstimo. Isto é feito verificando-se uma
flag associada ao tipo de objeto, armazenada no banco de dados de objetos.
57
Tabela 4.1 – Exemplo de criação de um novo caso a partir de um habitante e uma combinação, selecionados
aleatoriamente.
Caso o objeto seja passível de empréstimo, é gerado um valor randômico R, de 0 a
100, e comparado à porcentagem P, especificada, de itens a serem substituídos.
Se a porcentagem for superior ou igual ao valor gerado (P ≥R), é aplicado um filtro ao
banco de dados de objetos, a fim de selecionar apenas objetos de habitantes diferentes do
indivíduo do caso em manutenção, e objetos e habitantes do mesmo tipo deste. A partir deste
subconjunto do banco de dados, é selecionado um novo código de objeto, que é gravado no
lugar do item original. Este procedimento é efetuado para todos os objetos presentes no caso.
4.1.1.2 Simulação da leitura de dois habitantes simultaneamente
A leitura de dois habitantes simultaneamente serve para simular uma falha no sistema
de RFID, que poderia ocorrer quando os habitantes passassem muito próximos entre si do
leitor RFID. O sistema entenderia a leitura de todos os itens como uma única combinação, o
que pode confundir o sistema classificador.
O algoritmo de modificação da base de casos, para simular a leitura simultânea de
duas combinações de habitantes distintos, é mostrado na Figura 4.6. Este consiste em
58
percorrer a BC, concatenando, aleatoriamente, segundo uma porcentagem pré-definida, casos
subseqüentes, pertencentes a diferentes habitantes.
Algoritmo para substituição de certa porcentagem P de objetos de um caso C, por itens de outros habitantes
Variáveis:
C
N
: Caso Atual;
BC: Base de Casos;
O
1
– O
Q
: Campos da BC onde são armazenados os códigos numéricos dos objetos selecionados pelo semeador;
NH: Número do Habitante;
TH: Tipo do Habitante NH;
CO: Código do Objeto;
TO: Tipo do Objeto CO;
BDO: Banco de Dados de Objetos, indexado por NH, TH e TO;
P: Porcentagem de objetos a ser substituída;
R: Variável auxiliar.
Início
1. for cada objeto O
1
a O
Q
presente em C
N
, do
2. if O é objeto não-íntimo, then
3. Gerar R aleatório de 0 a 100;
4. if P ≥ R then
5. Filtrar BDO por NH(BDO) ≠ NH(C), TH e TO;
6. Selecionar CO aleatório em BDO;
7. Gravar em O, na BC: CO;
Fim.
Figura 4.5 – Algoritmo para substituição de uma porcentagem P de objetos por itens emprestados, em um caso
C
N
.
Se o caso posterior C
N+1
da base for de um habitante diferente do caso atual C
N
, um
valor randômico R é gerado e comparado à porcentagem especificada P de casos a serem
concatenados. Caso a porcentagem seja maior ou igual ao o valor gerado (P≥R), os objetos de
C
N+1
são copiados para as próximas posições livre de C
N
. Os códigos são, então, reordenados
e a posição C
N+1
é excluída da BC. Desta forma, o caso C
N
passará a conter os objetos dos
casos C
N
e C
N+1
.
4.1.1.3 Simulação da adição de objetos novos e estranhos aos casos
A adição de objetos estranhos consiste em acrescentar objetos de códigos
desconhecidos em combinações aleatórias, de forma a simular a aquisição ou porte de um
novo objeto por determinado habitante, para verificar o comportamento do classificador
59
nestas situações, inclusive com os mesmos objetos podendo se repetir em mais de um caso da
BC.
Algoritmo para concatenação de certa porcentagem P de casos da BC com seus casos subsequentes.
Variáveis:
C
N
: Caso Atual;
C
N+1
: Caso Posterior;
BC: Base de Casos;
O
1
– O
Q
: Campos da BC onde são armazenados os códigos numéricos dos objetos selecionados pelo semeador;
NH: Número do Habitante;
P: Porcentagem de casos a serem concatenados;
R: Variável auxiliar.
Início
1. for cada caso da BC, do
2. if NH(C
N
) ≠ NH(C
N+1
) then
3. Selecionar R aleatório de 0 a 100;
4. if P ≥ R then
5. Copiar O
1
– O
Q
de C
N+1
para as últimas posições de C
N
;
6. Reordenar O
1
– O
Q
de C
N
;
7. Excluir posição C
N+1
da BC;
Fim.
Figura 4.6 – Algoritmo para concatenação de uma porcentagem P de combinações com seus casos subsequentes,
de outros habitantes.
O algoritmo de modificação da base de casos, para simular adição de objetos novos ou
estranhos nas combinações, é mostrado na Figura 4.7.
Primeiramente, é gerado um valor aleatório R1 para a quantidade de objetos
emprestados que serão inseridos no caso em manutenção, entre 1 e a quantidade limite QL.
Posteriormente, é consultada a quantidade de objetos estranhos QOE, que já estiveram
presentes em algum caso anterior, armazenados em um banco de dados próprio, denominado
BDOE. Este valor é copiado para uma variável auxiliar de contagem QOE’.
A rotina a seguir é, então, executada R1 vezes, a fim de inserir R1 objetos estranhos
no caso em manutenção.
Se QOE’ for maior do que ‘0’, será inserido no caso um objeto já existente no banco
de dados de objetos estranhos BDOE. Para isso, um valor aleatório entre 1 e QOE’ é gerado.
Será então selecionado o código de objeto armazenado na posição “QOE – QOE’ + R1” do
banco de dados de objetos estranhos BDOE e copiado para a próxima posição livre O
N+1
do
caso. O valor de R1 é então subtraído de QOE’.
60
Se QOE’ for igual a ‘0’, um novo objeto estranho será criado e inserido no banco de
dados de objetos estranhos e no caso. O valor de QOE é incrementado em ‘1’, um código CO
para o novo objeto é criado, e este é armazenado na próxima posição livre de BDOE (QOE) e
na próxima posição livre O
Q+1
do caso.
Algoritmo para acréscimo de certa quantidade de novos objetos, podendo variar de 1 a QL, em um caso C
N
.
Variáveis:
C
N
: Caso Atual;
BC: Base de Casos;
O
1
– O
Q
: Campos da BC onde são armazenados os códigos numéricos dos objetos selecionados pelo semeador;
NH: Número do Habitante;
TH: Tipo do Habitante NH;
CO: Código do Objeto;
BDOE: Banco de Dados de Objetos Estranhos;
QOE: Quantidade de Objetos Estranhos armazenados no banco de dados;
QL: Quantidade limite de objetos estranhos a ser inserida no caso;
N, R1, R2, QOE’: Variáveis auxiliares.
Início
1. Gerar R1 aleatório de 1 a QL;
2. QOE’ = QOE;
3. for N = 1 to R1 do
4. if QOE’ > 0 then
5. Gerar R2 aleatório de 1 a QOE’
6. Selecionar CO, na posição QOE - QOE’ + R2 de BDOE;
7. Gravar em O
Q+1
, de C
N
: CO;
8. QOE’ = QOE’ – R2;
9. else
10. QOE = QOE + 1;
11. Gerar CO aleatório;
12. Gravar na posição QOE, em BDOE: CO;
13. Gravar em O
Q+1
, de C
N
: CO;
Fim.
Figura 4.7 – Algoritmo para inserção de objetos estranhos a um caso C
N
.
4.1.2 Classificador de casos
O objetivo deste software é testar a lógica proposta para o sistema CAPBC, utilizando
uma base de casos gerada pelo software semeador. Conforme exposto anteriormente, há
diferentes critérios possíveis para as classificações. O simulador desenvolvido visa testar estes
parâmetros com diferentes valores de similaridade para determinar quais são eficazes e quais
não para o objetivo do trabalho. Seu algoritmo foi apresentado da Figura 3.4, no capítulo
anterior. A Figura 4.8 mostra o software desenvolvido para a classificação de casos.
61
Figura 4.8 - Tela do software classificador de casos.
Os parâmetros que o software permite configurar são:
1 – Critério de similaridade;
2 – Valor de similaridade mínima;
3 – Número de casos a ser classificado;
4 – Uso, ou não, de pesos na classificação;
5 – Critérios para incremento dos pesos;
6 – Forma de classificação dos casos com o uso de pesos;
A configuração destes parâmetros no software é detalhada nas seções 4.1.2.1 a 4.1.2.6.
4.1.2.1 Critério de similaridade
No software, é possível escolher o cálculo de similaridade a ser utilizado pelo
simulador, entre o número de objetos iguais e a porcentagem de objetos iguais entre os casos.
Estes critérios utilizam as equações apresentadas nas seções 3.7.1 e 3.7.2.
62
4.1.2.2 Valor de similaridade mínima
O valor de similaridade mínima deve ser informado de acordo com o critério de
similaridade selecionado. Se selecionado o número de objetos iguais, o valor de similaridade
mínima deve ser um número inteiro maior ou igual a 1; se selecionada a porcentagem de
objetos iguais, o valor de similaridade mínima deve ser um número real entre 0 e 100.
A partir do critério e valor escolhidos, a classificação dos casos é efetuada pelo
algoritmo classificador, exposto na seção 3.4.
4.1.2.3 Número de casos a ser classificado
Este parâmetro permite escolher se o software deve classificar toda a base de casos, ou
apenas um subconjunto dela. Ele permite, também, efetuar testes alterando-se critérios e
valores utilizados durante a classificação de uma base de casos. Por exemplo, pode-se
selecionar um conjunto diferente de parâmetros para classificar os primeiros 500 casos de
uma base e modificá-los para classificar o restante.
4.1.2.4 Uso, ou não, de pesos nas classificações
É possível selecionar, no software, o uso de pesos nas classificações para o critério de
porcentagem de objetos iguais. Quando este é selecionado, o cálculo de similaridade efetuado
pelo software é o apresentado na seção 3.7.3 deste trabalho.
4.1.2.5 Critérios para incremento dos pesos
Há dois parâmetros que podem ser configurados em relação ao incremento dos pesos:
o valor do incremento do peso e o intervalo entre casos para a aplicação deste incremento.
Quando um novo objeto é verificado em um caso, o peso inicial deste é igual a 1. Se,
no software, está configurado que o peso deve ser incrementado em 0,1 a cada 1 caso
contendo o objeto, quando este for verificado pela segunda vez, o peso do objeto é atualizado
para 1,1, ou seja, o peso anterior somado ao incremento configurado.
A Equação 4.1 mostra o cálculo para a atualização do peso P de um determinado
objeto O, a partir de um valor pré-estipulado de incremento I.
63
IOPP
+
=
)(O)( (4.1)
4.1.2.6 Forma de classificação dos casos com o uso de pesos
Quando é considerada a aplicação de pesos aos objetos, os casos podem ser
classificados de duas formas diferentes: incrementando-se os pesos dos objetos, quando um
novo caso for recebido, e classificando-o na seqüência, ou incrementando-se os pesos dos
objetos quando um novo caso for recebido, mas classificando todos os casos apenas após a
entrada do ‘N’-ésimo caso, onde N é um valor configurado no software.
Esta segunda forma permite verificar se a abstração de informações das combinações
(no caso, relevância de cada objeto), antes de iniciar as classificações, pode melhorar ou
piorar a qualidade destas.
A primeira forma apresentada é denominada, a partir deste momento, critério 1, e a
segunda forma, critério 2 de classificação com pesos.
4.1.3 Avaliador de classificações
O avaliador de classificações consiste em comparar os resultados obtidos pelo
algoritmo classificador aos resultados esperados (armazenados na BC pelo algoritmo
semeador de casos), a fim de avaliar a qualidade das classificações para cada conjunto de
parâmetros testado. Este algoritmo gerará dados numéricos que permitirão a comparação das
classificações por meio de tabelas e gráficos, os quais são expostos posteriormente.
A figura 4.9 mostra o software desenvolvido para avaliar as classificações obtidas pelo
algoritmo classificador.
O resultado da avaliação feita por este software é, basicamente, a contagem da
quantidade de classificações corretas, incompletas e erradas feitas pelo CAPBC, utilizando-se
determinados critérios de classificação. Estes valores permitem comparar os resultados do
classificador com cada critério de similaridade utilizado, bem como avaliar seu
comportamento, quando a base de casos é modificada, por meio das rotinas específicas do
software semeador de casos.
Na próxima seção são definidos os termos utilizados para a avaliação das
classificações, bem como apresentado o fluxograma utilizado para construção do software
avaliador.
64
4.2 Definições utilizadas na avaliação de resultados
Para a avaliação dos resultados, deve-se lembrar que o sistema CAPBC não identifica
os habitantes, apenas os agrupa, conforme critérios de similaridade pré-definidos. Desta
forma, não é possível tirar conclusões sobre uma classificação, avaliando-a isoladamente, pois
o código de habitante atribuído pelo classificador é genérico. A avaliação deverá ser feita
analisando-se todas as classificações, simultaneamente.
Figura 4.9 - Tela do software avaliador de classificações.
Foram definidas três avaliações para as classificações:
1 - Classificação correta: uma classificação é considerada correta quando casos do
mesmo habitante forem agrupados sob o mesmo código genérico pelo classificador. Como
pode ocorrer do classificador gerar subgrupos do mesmo habitante, são consideradas corretas
as classificações do subgrupo maior;
2 - Classificação incompleta: quando o classificador gerar subgrupos distintos de casos
do mesmo habitante, as classificações dos casos pertencentes aos subgrupos menores são
denominadas incompletas;
65
3 - Classificação errada: uma classificação é considerada errada quando um ou mais
casos forem agrupados a casos de habitantes diferentes. Se subgrupos de habitantes diferentes
forem agrupados pelo classificador, os subgrupos menores são avaliados como classificações
erradas; o subgrupo maior poderá ser avaliado como classificação correta ou incompleta.
A Figura 4.10 mostra o fluxograma utilizado pelo software avaliador de classificações.
Inicialmente, o algoritmo avaliador busca por todas as classificações erradas da base
de casos. Para isto, o avaliador busca códigos de habitantes iguais atribuídos a habitantes
diferentes. Os subconjuntos com menos casos, classificados sob este código, são avaliados
como classificações erradas. O subconjunto maior é re-avaliado juntamente com os conjuntos
de casos que não possuem códigos de habitantes iguais atribuídos a diferentes habitantes.
Figura 4.10 – Fluxograma do software avaliador de classificações.
Depois de identificadas todas as classificações erradas, o algoritmo avaliará as demais
classificações. O maior subgrupo de classificações de cada habitante, desde que este não tenha
sido avaliado anteriormente como classificação errada, é avaliado como classificação correta.
Caso seja um subgrupo menor, que também não tenha sido avaliado como classificação
errada, é avaliado como classificação incompleta.
66
Nota-se que o fluxograma utilizado para criação do avaliador de classificações utiliza
uma estratégia otimista de avaliação, ou seja, os subgrupos maiores de classificações sempre
tendem a ser avaliados como corretos e os subgrupos menores como errados e incompletos, a
fim de se obter o maior número possível de classificações corretas.
A Figura 4.11 ilustra um conjunto de casos hipotético, classificado e avaliado
conforme as nomenclaturas utilizadas. Pode-se notar, no exemplo, que os maiores
subconjuntos dos habitantes ‘1’ e ‘2’ foram incorretamente agrupados, porém as
classificações dos casos do habitante ‘1’ foram avaliadas como corretas, por serem do maior
subgrupo entre eles, e as classificações dos casos do habitante ‘2’ como erradas, por serem do
subgrupo menor.
Figura 4.11 - Ilustração de um conjunto de casos com sua classificação avaliada. Cada círculo representa um
caso, os pontos pretos representam os objetos, as cores representam a classificação sob um mesmo código de
habitante, o valor de H representa o habitante real a quem a combinação pertence e o valor de AV representa a
avaliação da classificação: C = correta, I = incompleta, E = errada.
67
5 TESTES REALIZADOS
Devido ao propósito do uso do sistema desenvolvido em um sistema de automação
residencial real, os testes efetuados nos simuladores focaram os seguintes pontos principais:
desempenho do sistema classificador e qualidade das classificações.
O desempenho do classificador se refere a dois parâmetros: tempo necessário para
classificar um novo caso e número de casos necessários para que as classificações convirjam
para o número correto de habitantes.
A qualidade das classificações se refere às quantidades de classificações corretas,
erradas e incompletas, após determinado número de casos ser processado pelo sistema.
O funcionamento ideal prevê a classificação correta de todas as combinações após a
menor quantidade de casos possível presentes na base de casos, de forma a possibilitar que o
sistema de automação possa agrupar as regras geradas de acordo com o habitante detectado,
também no menor tempo possível.
A partir da próxima seção são expostos todos os dados e parâmetros utilizados nas
simulações, bem como sua análise e conclusões sobre o funcionamento do sistema.
5.1 Base de Casos semeada para as simulações
Para que fosse possível comparar os resultados obtidos com diferentes parâmetros de
classificação, foi gerada uma base de casos única utilizada para todas as simulações. Desta
forma, foi possível analisar o comportamento do sistema com o uso de diferentes critérios e
valores de testes, sem a influência de particularidades entre diferentes bases de casos.
Para a geração desta base, foram criados quatro habitantes, dois homens adultos e duas
mulheres adultas. Foram escolhidos estes tipos de habitante para possibilitar a simulação do
empréstimo de objetos entre um homem e o outro e entre uma mulher e a outra.
A quantidade de cada tipo de objeto pertencente aos habitantes foi escolhida de forma
a representar uma situação condizente com o que existiria em uma residência real. A Tabela
5.1 mostra os tipos e a quantidade de objetos de cada habitante gerado para as simulações.
A partir desta tabela, foi gerado um banco de dados de objetos com códigos numéricos
individuais para cada objeto, representando sua identidade RFID. Este banco de dados é
utilizado, posteriormente, pelo software semeador de casos para gerar a base de casos. A
tabela 5.2 mostra um segmento do banco de dados de objetos gerado.
68
Tabela 5.1: Quantidade de objetos por habitante.
69
Tabela 5.2: Banco de dados de objetos por habitante.
Para o software semeador de casos poder gerar a base de casos a partir do banco de
dados de objetos, este deve consultar uma tabela contendo tipos de combinações possíveis
para cada tipo de habitante. Para gerar a base de casos utilizada nas simulações apresentadas
neste trabalho, foram declarados 28 tipos de combinações possíveis de objetos, lembrando
que, devido a cada tipo de objeto ter uma porcentagem associada de chance de existir na
combinação, a variedade de tipos de combinações é, na realidade, bem maior. A tabela 5.3
mostra um segmento do banco de dados de combinações criado. No Apêndice 2 pode ser
verificada a lista completa de combinações utilizadas para a geração da base de casos, com a
descrição dos objetos.
A partir dos bancos de dados de objetos por habitante e de combinações, o software
semeador de casos foi capaz de gerar a base de casos para os testes de classificação.
70
Foram gerados 1000 casos, onde o algoritmo selecionou os tipos de combinação e de
habitante aleatoriamente, recordando que o semeador de casos não gera casos onde esses tipos
são incompatíveis.
Tabela 5.3: Banco de dados de combinações possíveis de objetos.
Esta quantidade de casos poderia ser diferente, mas 1000 combinações (uma média de
250 leituras de cada habitante) já devem refletir o comportamento esperado do sistema,
considerando um número razoável de repetições no uso dos itens de vestuário e objetos
pessoais de cada morador.
É possível que, em uma residência com mais habitantes e onde estes possuíssem mais
objetos, uma quantidade maior de casos fosse necessária para obter os mesmos resultados das
simulações feitas neste trabalho. Porém, não é objetivo deste avaliar a variação no
comportamento do sistema, conforme a base de casos utilizada, mas, sim, estudar a sua
capacidade de classificar novos casos a partir do conhecimento de casos passados, utilizando
diversos critérios e valores de similaridade e observando variáveis como o tempo e
quantidades de acertos e erros nas classificações. A tabela 5.4 mostra parte da base de casos
gerada, que foi utilizada nas simulações.
Além dos dados visíveis na base de casos ilustrada nesta tabela, outros estão presentes
naquela gerada pelo semeador, como o número do habitante, o tipo de habitante e a
quantidade de objetos presentes na combinação. Estes valores não foram utilizados pelo
71
CAPBC, obviamente, pois representam as soluções das classificações, mas foram utilizados,
sim, posteriormente, para a avaliação destas.
Esta base de casos é denominada, a partir deste momento, ‘base de casos original’. Isto
porque ela foi modificada, posteriormente, para efetuar os testes de comportamento do
classificador, quando objetos são substituídos ou acrescentados em diferentes casos.
Tabela 5.4: Segmento inicial das 32 primeiras combinações da BC gerada pelo software semeador de casos.
5.2 Avaliação do tempo de classificação
Cada vez que um novo caso é recebido pelo CAPBC, este o compara aos casos
anteriormente armazenados na BC, calculando a similaridade com cada um destes. Por
exemplo, o caso 915 é comparado aos 914 anteriormente já classificados e armazenados.
A Figura 5.1 mostra o gráfico do tempo de classificação de cada um dos 1000 casos da
BC, utilizando-se três critérios diferentes de similaridade: número de objetos iguais (N_OBJ),
porcentagem de objetos iguais (%_OBJ) e porcentagem de objetos iguais com pesos
(%_OBJ+P). Estes tempos foram obtidos com o simulador sendo executado em um micro-
computador com processador Intel(R) Core(TM)2 Duo de 2GHz e memória RAM de 2GB.
72
É possível observar, no gráfico, que os tempos de classificação utilizando-se o número
de objetos iguais ou porcentagem de objetos iguais como critério de similaridade é o mesmo;
já, utilizando a porcentagem de objetos iguais com a aplicação de pesos aos objetos, o tempo
de classificação é consideravelmente maior. Estes resultados já eram esperados, pois nos dois
primeiros critérios, apenas a fórmula utilizada no cálculo da similaridade foi alterada; já no
terceiro, o CAPBC deve consultar a tabela contendo o peso de cada objeto para calcular a
similaridade dos casos, o que torna o processo mais demorado.
Figura 5.1: Gráfico do tempo de classificação de cada caso de acordo com o critério de similaridade utilizado.
Também se observa uma tendência linear no aumento do tempo de classificação,
conforme o aumento do número do caso, em ambos os critérios de similaridade considerados.
Este resultado também era esperado, já que o crescimento no número de casos que devem ser
comparados ao novo caso também é linear.
Nota-se, ainda, em ambos os critérios de similaridade, que há grandes variações no
tempo de classificação entre casos subseqüentes no gráfico. Isto ocorre devido à variação da
quantidade de objetos presente em cada caso. Quando um caso possui poucos objetos, são
poucos os itens a serem comparados com itens dos casos anteriores, portanto o tempo de
classificação é menor. O oposto ocorre nos casos com muitos objetos.
73
Para os objetivos práticos do sistema, um tempo médio, aproximado, de 2,5 segundos
para a classificação de um caso (obtido na classificação do caso número 1000, considerando o
uso de pesos nos objetos) pode ser considerado razoável. Porém, com o crescimento da base
de casos, este tempo deve crescer proporcionalmente, o que tornará o sistema lento quando a
base de casos estiver muito extensa.
Neste trabalho, foi considerado aceitável esse crescimento no tempo, porém, para
trabalhos futuros, foi sugerido um estudo sobre a classificação de novos casos utilizando
apenas um subconjunto da base de casos completa, avaliando a redução no tempo de
classificação e a alteração, ou não, na qualidade das classificações.
5.3 Convergência do número de classificações para o número correto de habitantes
A partir da recombinação de peças de vestuário pelos habitantes, é esperado que, após
certo tempo de funcionamento, o sistema seja capaz de classificar sob um mesmo código de
habitante os casos que possuírem, entre si, similaridade igual ou maior do que um valor
mínimo pré-estipulado. Também é esperado que, quanto maior o valor da similaridade
mínima estipulado, menos casos similares entre si existam.
Nas seções 5.3.1 e 5.3.2 são comparados resultados de classificações, quanto ao
número de habitantes obtidos pelo simulador, modificando-se os valores de similaridade.
5.3.1 Classificação variando-se os valores de similaridade mínima
Os gráficos da Figura 5.2 mostram uma comparação na classificação utilizando os
seguintes critérios e valores de similaridade:
O gráfico 5.2(a) mostra a variação da quantidade de habitantes obtida pelo
classificador na base de casos de teste, utilizando-se como critério de similaridade a
quantidade de objetos iguais, variando esse valor de 1 até 5. O gráfico 5.2(b) mostra a
quantidade de classificações corretas, incompletas e erradas para estes mesmos valores.
O gráfico 5.2(c) mostra a variação da quantidade de habitantes obtida, utilizando como
critério de similaridade a porcentagem de objetos iguais, variando esse valor de 5% até 50%,
com granularidade de 5%. O gráfico 5.2(d) mostra a quantidade de classificações corretas,
incompletas e erradas para estes mesmos valores.
Para estes testes, foi utilizada a base de casos original, exposta na seção 5.1.
74
(a) qte. habitantes / número do caso: sim = qte. de obj. iguais (b) qualidade das classificações / qte. de obj. iguais
(c) qte. habitantes / número do caso: sim = % de obj. iguais (d) qualidade das classificações / % de obj. iguais
Figura 5.2: Gráficos da relação entre o número do caso classificado e a quantidade de habitantes gerada pelo
CAPBC e do valor de similaridade mínima e a qualidade das classificações obtida, utilizando-se a BC original.
Legenda dos eixos: QTE_HABS: Quantidade de Habitantes; CASO_NUM: Número do Caso; QTE_CASOS:
Quantidade de Casos; SIM_N_IGUAIS: Similaridade pela Quantidade de Objetos Iguais; SIM_%_IGUAIS:
Similaridade pela Porcentagem de Objetos Iguais.
Analisando-se o gráfico 5.2(a), é possível observar que, quanto maior for o valor de
similaridade mínima estipulado, maior será o número de habitantes que o classificador
encontrará. O único valor de similaridade mínima que levou à convergência da quantidade de
habitantes para o valor correto foi o de apenas um objeto igual.
No gráfico 5.2(c), foi obtida a convergência da quantidade de habitantes para o valor
correto, antes do milésimo caso, para os valores de similaridade mínima de até 25%. Para os
valores de 30%, 35% e 40%, aparentemente, há uma convergência deste valor, embora ela
não tenha chegado à quantidade esperada, até a análise do milésimo caso. As curvas obtidas
para os valores de 45% e 50% não aparentam convergir até o último caso em análise.
75
Os gráficos 5.2(b) e 5.2(d) permitem visualizar a relação entre o valor de similaridade
mínima e a quantidade de casos classificados corretamente (CLASS_OK) ou de forma
incompleta (CLASS_INC) após os 1000 casos.
Pôde-se observar, primeiramente, que não houve classificações erradas
(CLASS_ERR) sob nenhum dos critérios utilizados. Isto ocorreu pois a base de casos
utilizada nestes primeiros testes não possui objetos permutados, nem leituras incorretas
inseridas. Também foi possível observar que, apesar do crescimento na quantidade de
habitantes diferentes, quando o valor de similaridade mínima foi aumentado, a quantidade de
classificações corretas nos gráficos 5.2(b) e 5.2(d) ainda permaneceu alta. Isto indica que a
maioria dos casos foi corretamente agrupada e que as classificações incompletas pertencem a
pequenos subgrupos, os quais não alcançaram o valor de similaridade mínima com os casos
dos grupos maiores.
5.3.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de
objetos
Os gráficos da Figura 5.3 mostram uma comparação na classificação utilizando os
seguintes critérios e valores de similaridade. A base de casos utilizada nestas simulações
também é a base de casos original.
O gráfico 5.3(a) mantêm fixo o valor de similaridade mínima em 50% e mostra a
variação da quantidade de habitantes obtida, utilizando-se o incremento de peso de 0 a 1, com
granularidade de 0,1, a cada 1 caso contendo o objeto. A atribuição dos pesos é feita de
acordo com o exposto na seção 4.1.2.5. O gráfico 5.3(b) mostra a quantidade de classificações
corretas, erradas e incompletas para esses mesmos valores. O gráfico 5.3(c) mostra a
quantidade de classificações corretas, erradas e incompletas para esses mesmos valores,
porém, considerando que a classificação de todos os casos somente é feita após a entrada da
combinação de número '1000', onde os mesmos pesos finais calculados são utilizados na
classificação de todos os casos.
No gráfico 5.3(a) pode-se perceber o resultado da aplicação dos pesos aos objetos mais
relevantes. Há uma grande diferença no comportamento das curvas obtidas, principalmente
entre o gráfico onde nenhum peso é atribuído e aquele em que é somado '0,1' ao peso em cada
ocorrência do objeto. As demais curvas seguem a mesma tendência desta.
Nos gráficos 5.3(b) e 5.3(c) pode ser observada, também, a grande alteração na relação
entre as classificações, sem e com a aplicação dos pesos nos objetos mais relevantes, onde a
76
quantidade de casos classificados corretamente subiu de aproximadamente 50% para 80%,
com a aplicação de pesos.
Entre os gráficos 5.3(b) e 5.3(c), foi observada a mesma tendência nas curvas, obtendo
pequenas diferenças nas classificações, que ocorreram devido aos diferentes pesos aplicados
aos objetos em cada um deles.
(a) qte. habs. / num. do caso: inc. de peso critério 1 (b) qualidade das classificações / inc. de peso critério 1
(c)
qualidade das classificações / inc. de peso critério 2
Figura 5.3: Gráficos da relação entre o número do caso classificado e a quantidade de habitantes gerada pelo
CAPBC e do incremento no peso dos objetos e a qualidade das classificações obtida, utilizando-se a BC original.
Legenda dos eixos: QTE_HABS: Quantidade de Habitantes; CASO_NUM: Número do Caso; QTE_CASOS:
Quantidade de Casos; INC_PESO: Incremento do Peso.
Não foi traçado um gráfico de evolução da quantidade de habitantes de acordo com o
número do caso, pois, nesta situação, a classificação de todos os casos ocorre somente após a
entrada do caso '1000'.
77
Por ainda se tratar da mesma base de casos anterior (base de casos original), também
não foram observadas classificações erradas com o uso de nenhum peso.
5.3.3 Conclusões sobre a quantidade de habitantes gerados pelo CAPBC
Os testes efetuados com a base de casos original, ou seja, sem objetos permutados,
estranhos ou casos concatenados, permitiu observar o comportamento das classificações
alterando-se os critérios e valores de similaridade mínima.
Se fosse possível garantir que os casos obtidos em uma residência real tivessem essas
características, poder-se-ia escolher o critério de similaridade mínima apenas pela
convergência mais rápida para a quantidade correta de habitantes obtida pelo classificador.
Neste caso, critérios como 1 objeto igual, 5% ou 10% de objetos iguais obteriam os melhores
resultados.
Os próximos testes visam verificar a capacidade do CAPBC em classificar
corretamente casos com objetos permutados, objetos estranhos ou casos concatenados, por
meio dos mesmos critérios avaliados até este ponto.
5.4 Classificação de base de casos com objetos permutados entre habitantes
5.4.1 Classificação variando-se os valores de similaridade mínima, com objetos permutados
Para simular o empréstimo de objetos entre os habitantes no interior de uma
residência, foi utilizada a base de casos original, permutando-se objetos não-íntimos entre os
habitantes, de forma aleatória, com as seguintes porcentagens: 2%, 5%, 10% e 20%. Para a
modificação da base de casos original foi usado o algoritmo de permuta de objetos, exposto
na seção 4.1.1.1. Deve-se lembrar que este apenas permite a permuta de objetos entre pessoas
do mesmo sexo e faixa etária.
Os gráficos da Figura 5.4 mostram as quantidades de classificações corretas,
incompletas e erradas obtidas pelo classificador, nas bases de casos com objetos permutados,
conforme exposto no parágrafo anterior. Foi utilizado, como critério de similaridade, a
quantidade de objetos iguais, variando esse valor de 1 até 5 - gráficos 5.4(a) a 5.4(d) - e a
porcentagem de objetos iguais, variando esse valor de 5% a 60%, com granularidade de 5% -
gráficos 5.4(e) a 5.4(h).
78
(a) 2% de objetos permutados: sim = qte. obj. iguais (e) 2% de objetos permutados: sim = % obj. iguais
(b) 5% de objetos permutados: sim = qte. obj. iguais (f) 5% de objetos permutados: sim = % obj. iguais
(c) 10% de objetos permutados: sim = qte. obj. iguais (g) 10% de objetos permutados: sim = % obj. iguais
(d) 20% de objetos permutados: sim = qte. obj. iguais (g) 20% de objetos permutados: sim = % obj. iguais
Figura 5.4: Gráficos da relação entre o valor de similaridade mínima utilizado e a qualidade nas classificações,
utilizando-se bases de casos com objetos permutados entre habitantes.
79
Legenda dos eixos: QTE_CAPBC/CASOS: Quantidade de Habitantes Obtida pelo CAPBC e de Casos
Classificados; SIM_OBJ_IGUAIS: Similaridade pela Quantidade de Objetos Iguais; SIM_%_IGUAIS:
Similaridade pela Porcentagem de Objetos Iguais.
Avaliando-se os gráficos das classificações obtidas pelo CAPBC, utilizando-se bases
de casos contendo objetos permutados entre os habitantes, pôde-se observar o surgimento de
classificações erradas, devido à união de subgrupos de casos de pessoas diferentes sob o
código de um mesmo habitante.
É esperado do classificador que, utilizando-se valores de similaridade mínima maiores,
os casos com objetos permutados possam ser classificados de forma correta, pois, embora
tenham certa similaridade com combinações de objetos de habitantes diferentes, essa não
atinge o valor mínimo para que os casos recebam a mesma classificação.
Observando-se os gráficos, nota-se que, principalmente nas classificações por
quantidade de objetos iguais, nas bases de casos onde a porcentagem de objetos permutados é
pequena, o algoritmo consegue excluir as classificações erradas utilizando valores baixos de
similaridade mínima; já quando os objetos permutados eram muitos, o valor de similaridade
mínima aplicado deve ser maior, para que a exclusão dos casos errados possa ocorrer. A partir
da base de casos com 5% de objetos permutados, já se pode verificar que o classificador não
foi capaz de excluir todas as classificações erradas, para os valores de similaridade mínima
testados.
Também é verificado que, quanto maior o valor de similaridade mínima utilizado,
maior é a quantidade de classificações incompletas obtidas, logo, o ideal seria encontrar um
critério e valor de similaridade mínima capaz de maximizar as exclusões de classificações
erradas, com o menor sacrifício possível às classificações corretas.
Com este objetivo foram efetuados testes aplicando pesos aos objetos mais relevantes,
a fim de observar a influência destes na qualidade das classificações, quando a base de casos
contém itens permutados entre os habitantes. Estes são detalhados na próxima seção.
5.4.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de
objetos, com objetos permutados
Na Figura 5.5, foram gerados gráficos das classificações das mesmas bases de casos
testadas no item 5.4.1, porém, agora, incrementando-se os pesos dos objetos.
80
(a) 2% de objetos permutados: inc. de peso critério 1 (e) 2% de objetos permutados: inc. de peso critério 2
(b) 5% de objetos permutados: inc. de peso critério 1 (f) 5% de objetos permutados: inc. de peso critério 2
(c) 10% de objetos permutados: inc. de peso critério 1 (g) 10% de objetos permutados: inc. de peso critério 2
(d) 20% de objetos permutados: inc. de peso critério 1 (h) 20% de objetos permutados: inc. de peso critério 2
Figura 5.5: Gráficos da relação entre o incremento de peso aplicado aos objetos e a qualidade nas classificações,
utilizando-se bases de casos com objetos permutados entre habitantes.
81
Legenda dos eixos: QTE_CAPBC/CASOS: Quantidade de Habitantes Obtida pelo CAPBC e de Casos
Classificados; INC_PESO: Incremento no Peso dos Objetos.
O valor de similaridade mínima foi fixado em 55%, por ser o primeiro valor em que as
classificações erradas são excluídas dos resultados, na porcentagem de itens permutados de
2%. Foram testados incrementos nos pesos dos objetos de 0,1 a 1, com granularidade de 0,1,
a cada caso contendo o objeto em questão – gráficos 5.5(a) a (d). Foram traçados os gráficos,
também, considerando-se a classificação da BC somente após a entrada dos 1000 casos no
sistema, onde este aplicou o peso final calculado de cada objeto na classificação, no lugar de
incrementar o peso e efetuar a classificação caso a caso – gráficos 5.5(e) a (h).
A partir da observação dos gráficos da Figura 5.5, é possível notar uma relação
bastante clara entre o incremento do peso e a redução da quantidade de classificações
incompletas e do aumento das classificações corretas. Por outro lado, não é verificada uma
relação clara entre o incremento de peso e a quantidade de classificações erradas.
Pode-se perceber que, para alguns valores de incremento de peso, a quantidade de
classificações erradas aumenta e, para outros, ela diminui. Isto ocorre porque os casos
classificados de forma incompleta, inicialmente, com a aplicação de pesos, passam a atingir o
valor de similaridade mínima estipulado, em relação a outros casos. Porém, se este passou a
ter similaridade com um caso classificado erroneamente, também terá sua classificação
errada.
De qualquer forma, para qualquer dos critérios de aplicação de peso, é possível
observar que, quanto maior a porcentagem de objetos permutados, menor é a capacidade do
CAPBC em maximizar a quantidade de classificações corretas em relação às incompletas,
conforme o aumento do peso dos objetos.
Comparando-se os gráficos da classificação dos casos com a aplicação linear dos
pesos, durante o processo de entrada das combinações, e da classificação somente após a
entrada do caso 1000, pode-se verificar que a tendência das curvas é a mesma, tendo apenas
pequenas diferenças de valores, devido aos pesos diferentes aplicados em cada classificação.
Porém, nenhum dos critérios foi capaz de excluir as classificações erradas.
82
5.4.3 Conclusões sobre a classificação de uma base de casos com objetos permutados entre
habitantes
Nos critérios e valores simulados, quando havia combinações na base de casos com
itens permutados entre habitantes, foi notada uma grande quantidade de classificações erradas
quando valores baixos de similaridade mínima eram utilizados no classificador. Conforme a
similaridade mínima foi aumentada, a quantidade de classificações erradas foi reduzida, sendo
estas eliminadas em grande parte dos testes.
Por outro lado, o aumento no valor da similaridade mínima provocou um grande
aumento no valor das classificações incompletas e a redução das classificações corretas.
Foi, então, fixado um valor de similaridade mínima e acrescentado peso aos objetos,
na tentativa de resolver as classificações incompletas. Observou-se uma relação direta entre a
aplicação dos pesos e o aumento das classificações corretas e redução das classificações
incompletas. Isto ocorre já que os pesos nos objetos mais relevantes ocasionam um aumento
na similaridade entre os casos onde estes estão presentes no conjunto intersecção das
combinações, mesmo que o valor de similaridade mínima utilizado seja alto.
Não foi, entretanto, verificada uma relação clara entre o peso dos objetos e a
quantidade de classificações erradas. Na verdade, os pesos podem tanto auxiliar uma
classificação incompleta a atingir a similaridade com o subconjunto de casos do habitante
correto, quanto com o subconjunto do habitante errado, dependendo dos objetos que foram
permutados.
5.5 Classificação de base com casos concatenados
A fim de simular uma falha no sistema de identificação RFID, foi considerada a
possibilidade de dois habitantes passarem muito próximos, um do outro, pelo leitor de RFID,
e este efetuar a leitura dos itens de ambos os habitantes simultaneamente, como se esta fosse
uma única combinação de objetos.
A concatenação de pares de casos provoca uma redução na quantidade total de casos
na base. Desta forma, se 2% dos casos de uma base de 1000 combinações forem concatenados
a outro, a quantidade resultante desta base será 980 casos. Desta forma, para manter a
quantidade de 1000 combinações inicialmente estipulada, os próximos 20 casos, que não
estavam sendo avaliados anteriormente, passarão a integrar a base de casos avaliada. Assim
foi feito para todas as porcentagens de concatenação de casos testadas
83
5.5.1 Classificação variando-se os valores de similaridade mínima, com casos concatenados
Para este teste, foi utilizada a base de casos original, concatenando-se casos
seqüenciais de habitantes diferentes, com as seguintes porcentagens: 2%, 5%, 10% e 20%.
Para a concatenação dos casos, foi utilizado o algoritmo apresentado na seção 4.1.1.2. Ao
contrário do algoritmo de permuta de objetos, que só permite a troca de itens quando os
habitantes forem do mesmo sexo e faixa etária, neste podem ser concatenados casos de
qualquer par de habitantes, o que deve ocasionar uma quantidade maior de classificações
erradas, devido à união de casos que eram impossíveis de ocorrer pela permuta de objetos.
Os gráficos da Figura 5.6 mostram as quantidades de classificações corretas,
incompletas e erradas obtidas pelo classificador, nos bancos de dados com casos
concatenados, conforme exposto no parágrafo anterior. Foi utilizado, como critério de
similaridade, a quantidade de objetos iguais, variando esse valor de 1 até 5 - gráficos 5.6(a) a
5.6(d) - e a porcentagem de objetos iguais, variando esse valor de 5% a 60%, com
granularidade de 5% - gráficos 5.6(e) a 5.6(h).
Avaliando-se os gráficos das classificações obtidas pelo CAPBC, utilizando-se bases
contendo casos concatenados, foi verificada uma quantidade consideravelmente maior de
classificações erradas, em comparação com os gráficos traçados para a base de casos com
objetos permutados. Conforme foi citado anteriormente, as características desta base de casos
permitem uniões incorretas de casos que não poderiam ocorrer pela permuta de objetos.
Utilizando-se a quantidade de objetos iguais como critério de similaridade – gráficos
5.6(a) ao 5.6(d) – é possível verificar que, com o aumento na quantidade de casos
concatenados, a capacidade do classificador em reduzir a quantidade de classificações erradas,
conforme o aumento da similaridade mínima, diminui. Também se observa que, apenas no
gráfico 5.6(a) (2% de casos concatenados) a quantidade de classificações corretas foi maior
do que a quantidade de classificações erradas, adotando-se similaridade mínima de 5 objetos
iguais, porém menos de 40% dos casos foram classificados de forma correta.
Nos gráficos contendo os resultados do uso da porcentagem de objetos iguais, é
possível ver uma queda mais acentuada das classificações erradas – conforme o aumento no
valor de similaridade - quando menos casos foram concatenados entre si. Utilizando-se este
critério, apenas no gráfico 5.6(e) (2% de casos concatenados) a quantidade de classificações
corretas superou 40% (quando aplicados valores de similaridade mínima entre 40 e 50%).
84
(a) 2% de casos concatenados: sim = qte. obj. iguais (e) 2% de casos concatenados: sim = % obj. iguais
(b) 5% de casos concatenados: sim = qte. obj. iguais (f) 5% de casos concatenados: sim = % obj. iguais
(c) 10% de casos concatenados: sim = qte. obj. iguais (g) 10% de casos concatenados: sim = % obj. iguais
(d) 20% de casos concatenados: sim = qte. obj. iguais (h) 20% de casos concatenados: sim = % obj. iguais
Figura 5.6:
Gráficos da relação entre o valor de similaridade mínima utilizado e a qualidade nas classificações,
utilizando-se bases com casos concatenados.
85
Legenda dos eixos: QTE_CAPBC/CASOS: Quantidade de Habitantes Obtida pelo CAPBC e de Casos
Classificados; SIM_OBJ_IGUAIS: Similaridade pela Quantidade de Objetos Iguais; SIM_%_IGUAIS:
Similaridade pela Porcentagem de Objetos Iguais.
Comparando-se aos testes com permuta de itens, na concatenação de casos o CAPBC
obteve resultados muito piores. Com a permuta de itens, os picos dos gráficos de
classificações corretas ficaram entre 63% (no pior caso) e 78% de classificações corretas,
ainda sem a aplicação de pesos aos objetos; com a concatenação de casos, o melhor resultado
obtido foi de 53,6% de classificações corretas.
Na próxima seção é verificado o comportamento do classificador, considerando-se a
aplicação de pesos aos objetos mais relevantes, conforme os critérios e valores descritos a
seguir.
5.5.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de
objetos, com casos concatenados
Na Figura 5.7, foram gerados gráficos das classificações das mesmas bases de casos
testadas na seção 5.5.1, porém, agora, alterando-se os pesos dos objetos. O valor de
similaridade mínima foi fixado em 55%. Foram testados incrementos nos pesos dos objetos de
0,1 a 1, com granularidade de 0,1, a cada caso contendo o objeto em questão. Foram traçados
os gráficos, também, considerando-se a classificação da BC somente após a entrada dos 1000
casos no sistema, onde este aplicou o peso final calculado de cada objeto na classificação, no
lugar de incrementar o peso e efetuar a classificação caso a caso. Os critérios e valores
utilizados foram exatamente os mesmos que na avaliação da base de casos com objetos
permutados, a fim de possibilitar a comparação do comportamento do algoritmo nas duas
situações.
Da mesma forma que nas classificações dos casos com objetos permutados, a
aplicação de pesos aos objetos demonstrou-se eficaz no aumento das classificações corretas e
redução das classificações incompletas do CAPBC. Também nota-se que, conforme o
aumento na porcentagem de casos concatenados, a capacidade do CAPBC em aumentar as
classificações corretas é reduzida. Mesmo assim, no pior cenário simulado - 20% de casos
concatenados - o classificador foi capaz de obter a quantidade de classificações corretas
superior às classificações incompletas e erradas, para qualquer dos valores de peso aplicados.
86
(a) 2% de casos concatenados: inc. de peso critério 1 (e) 2% de casos concatenados: inc. de peso critério 2
(b) 5% de casos concatenados: inc. de peso critério 1 (f) 5% de casos concatenados: inc. de peso critério 2
(c) 10% de casos concatenados: inc. de peso critério 1 (g) 10% de casos concatenados: inc. de peso critério 2
(d) 20% de casos concatenados: inc. de peso critério 1 (h) 20% de casos concatenados: inc. de peso critério 2
Figura 5.7:
Gráficos da relação entre o incremento de peso aplicado aos objetos e a qualidade nas classificações,
utilizando-se bases com casos concatenados.
87
Legenda dos eixos: QTE_CAPBC/CASOS: Quantidade de Habitantes Obtida pelo CAPBC e de Casos
Classificados; INC_PESO: Incremento no Peso dos Objetos.
Os gráficos que representam as classificações da base com 2%, 5% e 10% de casos
concatenados mostraram um crescimento linear, conforme o aumento do peso aplicado aos
objetos. Os gráficos que representam as classificações com 20% de casos concatenados
apresentaram comportamentos singulares para os incrementos de peso de 0,1 a 0,3,
observados nos picos e vales dos gráficos. Isto ocorre devido a situações particulares - que
devem ter sido geradas utilizando-se estes valores específicos - poderem provocar a
reclassificação de uma parte considerável da base de casos. Ou seja, ao aplicarem-se valores
específicos de incremento de peso aos objetos, em um momento particular, um único caso
concatenado a outro pode ocasionar a união de subconjuntos de classificações muito grandes,
o que explica a grande variação nos valores.
Os resultados das classificações efetuadas com o incremento de peso de forma
seqüencial – Figuras 5.7(a) a 5.7(d) – ou das classificações efetuadas usando-se os pesos
finais calculados após 1000 casos – Figuras 5.7(e) a 5.7(h) – tiveram comportamentos
semelhantes, com pequenas variações nos valores. Apenas na classificação da base com 20%
de casos concatenados foram obtidos comportamentos bastante distintos, devido às
particularidades deste conjunto de dados.
5.5.3 Conclusões sobre a classificação de uma base com casos de habitantes diferentes
concatenados
Analisando-se os resultados obtidos por meio das simulações efetuadas, pode-se
concluir que, quando casos são concatenados em uma base, a quantidade de classificações
erradas cresce muito, em comparação à base de casos com objetos emprestados.
O CAPBC mostrou um desempenho ruim nas classificações efetuadas sem a aplicação
de pesos aos objetos tendo obtido o valor máximo de 53,6% de classificações corretas no
melhor cenário de simulação.
O uso de pesos na classificação destas bases de casos provocou uma melhora
significativa na qualidade das classificações, embora não tenha sido capaz de excluir as
classificações erradas. Ao se aplicar os pesos, um valor considerável de classificações
incompletas foi convertido em classificações erradas, por aumentar a similaridade entre casos
de habitantes diferentes.
88
Nestas simulações, puderam ser observadas grandes variações na qualidade das
classificações, alterando-se os pesos de objetos, quando muitos casos haviam sido
concatenados. Isto mostra que valores específicos de similaridade e pesos aplicados às
classificações, em bases com muitos casos modificados, podem provocar grandes variações
nos resultados das classificações. Desta forma, torna-se mais complexo o processo de escolha
dos melhores critérios e valores de classificação, quando não é possível conhecer as
características da base de casos.
5.6 Classificação de base de casos com o acréscimo de objetos novos ou estranhos
Neste trabalho, foi considerado que o sistema não seria capaz de reconhecer o tipo de
objeto a partir da sua identidade eletrônica. Desta forma, as leituras de identidades RFID de
qualquer tipo de objeto são interpretadas da mesma forma, pelo sistema CAPBC. Também é
possível que, no decorrer do uso do sistema, um habitante adquira itens novos de vestuário
contendo identidades RFID. Assim, estes também se integrarão aos casos destes habitantes.
Nas próximas seções, é avaliado o comportamento do CAPBC, considerando a
inserção de itens novos ou estranhos nos casos, ou seja, que não pertencem, inicialmente, a
qualquer dos habitantes.
5.6.1 Classificação variando-se os valores de similaridade mínima, com objetos novos ou
estranhos
Para os testes, foi utilizada a base de casos original, alterando-se os casos da seguinte
forma: foram inseridos até 5 objetos estranhos – quantidade escolhida de forma aleatória – em
2%, 5%, 10% e 20% dos casos existentes na base. Os objetos estranhos podem já ter existido
em casos anteriores, ou não. Cada vez que um novo objeto estranho é inserido em um caso,
este é adicionado a um banco de dados próprio, para poder ser inserido em outros casos,
posteriormente.
Para a modificação da base de casos original, foi utilizado o algoritmo apresentado na
seção 4.1.1.3. Este algoritmo, assim como o de concatenação de casos, permite que qualquer
objeto estranho esteja presente em casos de qualquer habitante. Desta forma, valores de
similaridade mínima baixos devem permitir que combinações de itens de quaisquer pessoas
sejam classificadas sob o mesmo código, pelo CAPBC.
89
Os gráficos da Figura 5.8 mostram as quantidades de classificações corretas,
incompletas e erradas, obtidas pelo classificador, nos bancos de dados, com a adição de
objetos estranhos, conforme exposto no parágrafo anterior. Foi utilizado, como critério de
similaridade a quantidade de objetos iguais, variando esse valor de 1 até 5 - gráficos 5.8(a) a
5.8(d) - e a porcentagem de objetos iguais, variando esse valor de 5% a 60%, com
granularidade de 5% - gráficos 5.8(e) a 5.8(h).
Na classificação das bases de casos geradas, contendo objetos estranhos nas
combinações de itens dos habitantes, foi possível observar um desempenho melhor do
CAPBC, em relação às simulações analisadas anteriormente, com objetos permutados entre
habitantes, ou casos de habitantes diferentes concatenados.
Devido aos itens acrescentados aos casos da BC serem escolhidos aleatoriamente, na
similaridade por objetos iguais, nenhum caso teve mais do que 4 itens comuns presentes em
casos de habitantes diferentes. Portanto, nas classificações por quantidade de objetos iguais, a
partir do critério de similaridade mínima de 4 objetos iguais, não foram obtidas classificações
erradas. Porém, da mesma forma que nas situações simuladas anteriormente, foi observado
um crescimento na quantidade de classificações incompletas, conforme o aumento no valor de
similaridade mínima.
Utilizando-se como critério de classificação a porcentagem de objetos iguais, também
foi obtido um resultado melhor nas classificações, em relação às situações simuladas
anteriormente. Nota-se que o pico do gráfico de classificações corretas, na pior situação
simulada (20% de casos contendo objetos estranhos) possui 75,5% de classificações corretas,
contra 70% (na melhor situação da permuta de objetos: 2% de objetos permutados) e 53,6%
(na melhor situação da concatenação de casos: 2% de casos concatenados).
Desta forma, é possível concluir-se que a adição de objetos estranhos aos casos,
mesmo estes sendo passíveis de estarem presentes em casos de pessoas diferentes, causa
menor prejuízo às classificações, do que o empréstimo de objetos entre os habitantes, ou a
concatenação de casos destes.
É avaliada, agora, a alteração nos resultados das classificações, com a aplicação de
pesos nos objetos, utilizando-se as mesmas bases de casos das avaliações efetuadas sem o uso
destes.
90
(a) 2% de casos com novos obj.: sim = qte. obj. iguais (e) 2% de casos com novos obj.: sim = % obj. iguais
(b) 5% de casos com novos obj.: sim = qte. obj. iguais (f) 5% de casos com novos obj.: sim = % obj. iguais
(c) 10% de casos com novos obj.: sim = qte. obj. iguais (g) 10% de casos com novos obj.: sim = % obj. iguais
(d) 20% de casos com novos obj.: sim = qte. obj. iguais (h) 20% de casos com novos obj.: sim = % obj. iguais
Figura 5.8:
Gráficos da relação entre o valor de similaridade mínima utilizado e a qualidade nas classificações,
utilizando-se bases de casos com objetos novos ou estranhos.
91
Legenda dos eixos: QTE_CAPBC/CASOS: Quantidade de Habitantes Obtida pelo CAPBC e de Casos
Classificados; SIM_OBJ_IGUAIS: Similaridade pela Quantidade de Objetos Iguais; SIM_%_IGUAIS:
Similaridade pela Porcentagem de Objetos Iguais.
5.6.2 Classificação fixando-se os valores de similaridade mínima e variando-se os pesos de
objetos, com objetos novos ou estranhos
Na Figura 5.9, foram traçados os gráficos utilizando-se as bases de casos das mesmas
classificações anteriores, porém fixando-se o valor de similaridade mínima e alterando-se os
pesos dos objetos. O valor de similaridade mínima foi fixado em 35%, por ter sido o menor
valor onde as classificações erradas foram eliminadas, para as três primeiras condições
simuladas, sem o uso dos pesos. Assim como nas situações anteriores, foram simulados
incrementos nos pesos dos objetos de 0,1 a 1, a cada caso contendo o objeto em questão, bem
como o uso dos mesmos valores, considerando-se a classificação apenas após a entrada do
último caso, no sistema, já com os pesos finais calculados.
Nos gráficos obtidos a partir das bases de casos com 2% e 5% de combinações
contendo objetos estranhos, o comportamento observado foi o esperado, alterando-se
classificações incompletas para corretas.
Já nas bases de casos com 10% e 20% de combinações com objetos estranhos, foram
obtidos comportamentos com singularidades (observados claramente nos picos e vales
presentes nos gráficos) para determinados valores de pesos aplicados aos objetos. Estes
valores específicos provocaram a alteração de classificações corretas para erradas, o que é
extremamente indesejado. Isto ocorreu devido a objetos específicos terem recebido pesos que
aumentaram o valor de similaridade entre casos de habitantes diferentes.
Observa-se, também, que o gráfico da Figura 5.9(c) (10% de casos com objetos
estranhos) obteve classificações piores a partir do incremento de peso de 0,7 a cada caso
contendo o objeto em questão, do que o gráfico da Figura 5.9(d) (20% de objetos estranhos)
para os mesmos valores de incremento de peso. Isto mostra que modificações específicas,
presentes em determinada base de casos, podem causar prejuízos piores aos resultados, do que
uma média maior de modificações menos relevantes a estas. Ou seja, um único caso
modificado de uma forma específica pode causar uma piora maior nos resultados, do que
diversos casos modificados de formas diferentes.
92
(a) 2% de casos com novos obj.: inc. de peso critério 1 (e) 2% de casos com novos obj.: inc. de peso critério 2
(b) 5% de casos com novos obj.: inc. de peso critério 1 (f) 5% de casos com novos obj.: inc. de peso critério 2
(c) 10% de casos com novos obj.: inc. de peso critério 1 (g) 10% de casos com novos obj.: inc. de peso critério 2
(d) 20% de casos com novos obj.: inc. de peso critério 1 (h) 20% de casos com novos obj.: inc. de peso critério 2
Figura 5.9:
Gráficos da relação entre o incremento de peso aplicado aos objetos e a qualidade nas classificações,
utilizando-se bases de casos com objetos novos ou estranhos.
93
Legenda dos eixos: QTE_CAPBC/CASOS: Quantidade de Habitantes Obtida pelo CAPBC e de Casos
Classificados; INC_PESO: Incremento no Peso dos Objetos.
5.6.3 Conclusões sobre a classificação de uma base de casos com a existência de objetos
novos ou estranhos nas combinações de itens
Para os critérios simulados de inserção de objetos estranhos e porcentagem de casos
com estes presentes, os resultados mostram que, de maneira geral, o aumento no valor de
similaridade mínima permite excluir as classificações erradas de casos e o aumento dos pesos
nos objetos permite reduzir a quantidade de classificações incompletas.
Para quantidades maiores de casos contendo objetos estranhos, foram observados
comportamentos específicos do classificador para determinados valores de pesos atribuídos
aos objetos (observados claramente nos picos e vales dos gráficos 5.9(d) e 5.9(h)). Além
disto, para alguns destes valores, o desempenho do classificador foi melhor nas bases de casos
onde menos combinações possuíam objetos estranhos, do que em outras que possuíam mais.
Isto mostra que casos modificados de formas específicas podem, em determinadas situações,
causar alterações maiores às classificações do que uma média maior de casos modificados em
determinada base.
De maneira geral, o desempenho do CAPBC foi melhor na classificação das bases
com o acréscimo de objetos estranhos, do que naquelas contendo objetos permutados e casos
concatenados.
5.7 Avaliação das qualidade das classificações
O comportamento ideal de um sistema classificador, voltado a aplicações em
automação residencial, é a classificação correta do maior número possível de casos no menor
tempo possível.
Nas simulações, foram observados os comportamentos das classificações da base de
casos originalmente gerada e desta mesma modificada, com diferentes porcentagens de
objetos permutados entre habitantes, casos concatenados e objetos estranhos acrescentados
aos casos.
A partir dos dados gerados, foram traçados gráficos que permitiram observar o
comportamento geral do classificador sobre cada conjunto de casos, de acordo com a
mudança dos critérios e valores de similaridade. As tabelas 5.5 e 5.6 contêm os valores que
94
foram utilizados para gerar esses gráficos, porém reagrupados, de forma a possibilitar a
análise das seguintes variáveis, que foram objeto de estudo deste trabalho, e são detalhadas a
partir da seção 5.7.1: quantidade de habitantes reconhecidos pelo CAPBC, quantidade de
classificações corretas, quantidade de classificações incompletas e quantidade de
classificações erradas.
5.7.1 Quantidade de habitantes reconhecidos pelo CAPBC
Na avaliação das classificações, foram contados os códigos de habitantes criados pelo
CAPBC, utilizando-se os diferentes critérios e valores simulados, ao fim da classificação dos
1000 casos gerados. As tabelas 5.5 e 5.6 permitem visualizar a variação da quantidade de
códigos criados conforme a alteração das quantidades de objetos permutados, casos
concatenados e presença de objetos estranhos, bem como se variando os critérios e valores de
similaridade mínima aplicados, além dos pesos.
Na tabela 5.5, é possível se observar, primeiramente, a diferente quantidade de
habitantes gerados, utilizando-se o critério mínimo de similaridade entre casos (1 objeto
igual) para as diferentes bases de casos. Na BC original, foram reconhecidos 4 habitantes, que
é a quantidade correta destes, e o resultado esperado para todos os conjuntos de dados. Nas
demais bases de casos, o valor de habitantes reconhecido foi menor. Isto devido às trocas de
objetos que permitiram o agrupamento de casos de habitantes diferentes sob os mesmos
códigos, atribuídos pelo CAPBC.
Tabela 5.5 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
utilizando-se como critério de similaridade a quantidade de objetos iguais.
Sim. Mínima -> 1 Objeto 2 Objetos 3 Objetos 4 Objetos 5 Objetos
BC Original 4 95 261 339 431
2% Obj. Empr. 2 96 262 341 446
5% Obj. Empr. 2 103 265 350 461
10% Obj. Empr. 2 105 274 364 500
20% Obj. Empr. 3 118 289 385 537
2% Casos Conc. 1 91 256 336 426
5% Casos Conc. 1 88 246 327 420
10% Casos Conc. 1 83 240 320 411
20% Casos Conc. 1 60 204 285 372
2% Casos Obj. Estr. 1 90 257 339 431
5% Casos Obj. Estr. 1 87 260 339 431
10% Casos Obj. Estr. 1 82 253 338 431
20% Casos Obj. Estr. 1 74 255 339 430
95
Outro comportamento possível de observar na tabela é que, para os valores de 2 a 5
objetos iguais, a quantidade de códigos gerados cresce ou diminui, conforme a alteração dos
parâmetros de modificação da base de casos. É possível verificar:
1 - Quanto maior a quantidade de objetos emprestados entre os habitantes, maior é a
quantidade de habitantes reconhecida pelo CAPBC. Isto ocorre devido à redução da
similaridade entre casos dos mesmos habitantes, quando seus objetos são substituídos por
itens de outros;
2 - Quanto maior a quantidade de casos concatenados entre os habitantes, menor é a
quantidade de habitantes reconhecida pelo CAPBC. O aumento dos casos concatenados
permite que mais casos de habitantes diferentes recebam a mesma classificação pelo
algoritmo, reduzindo a quantidade destas;
3 - Quanto maior a quantidade de casos com a presença de objetos estranhos, menor é
a quantidade de habitantes reconhecida pelo CAPBC. Os objetos estranhos permitem a união
de casos por meio da similaridade gerada por eles. Observa-se que, com o aumento no valor
da similaridade mínima, este comportamento é reduzido, já que se tornará mais difícil a
classificação de casos de habitantes diferentes por meio destes objetos estranhos.
A tabela 5.6 mostra a quantidade de habitantes criada pelo CAPBC, utilizando-se o
critério de porcentagem de objetos iguais. Os campos com hachuras representam valores que
não foram simulados.
Tabela 5.6 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
utilizando-se como critério de similaridade a porcentagem de objetos iguais.
Sim. Mínima -> 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60%
BC Original 4 4444124889279 385
2% Obj. Empr. 2 22221257108298 401 574 685
5% Obj. Empr. 2 22221668133338 433 599 706
10% Obj. Empr. 2 22221890189396 476 655 751
20% Obj. Empr. 3 333331136269487 558 729 789
2% Casos Conc. 1 111174488288 393 559 670
5% Casos Conc. 1 1111950100307 410 581 686
10% Casos Conc. 1 11111156111312 411 585 697
20% Casos Conc. 1 1111857124343 452 635 740
2% Casos Obj. Estr. 1 11111154100292 398 564 671
5% Casos Obj. Estr. 1 11111554101298 404 570 682
10% Casos Obj. Estr. 1 11111775130337 431 607 714
20% Casos Obj. Estr. 1 11152578149378 472 644 753
Na tabela 5.6, é possível observar uma uniformidade nas quantidades de habitantes
gerados, até o valor de similaridade mínima de 25%. Este valor é uniforme devido à relação
96
utilizada para calcular a porcentagem de objetos iguais entre os casos. Por exemplo, 2 objetos
comuns entre dois casos contendo 8 objetos cada já obtém similaridade de 25%, o que
também permite a união de casos utilizando-se os valores de 5%, 10%, 15% e 20%.
Nesta tabela, é observado o mesmo comportamento de aumento na quantidade de
habitantes gerada, com o aumento da quantidade de objetos emprestada, porém é notada uma
inversão no comportamento, com os casos concatenados e objetos estranhos. Esta ocorreu
porque, nestes critérios, a similaridade depende da quantidade total de objetos presentes nos
pares de casos, além dos objetos iguais: a quantidade total de objetos quando dois casos são
concatenados é a soma das quantidades individuais destes e a quantidade total de objetos
quando há mais objetos estranhos, também é maior do que sem a presença destes.
Por fim, para qualquer base de casos, a quantidade de habitantes detectados pelo
CAPBC cresce conforme o aumento do valor de similaridade mínima, o que era esperado,
devido a se tornar mais difícil a união de casos com valores altos de similaridade mínima
necessária.
As tabelas 5.7 e 5.8 permitem verificar a variação na quantidade de habitantes
detectada pelo classificador, fixando-se o valor de similaridade mínima e variando-se o peso,
calculando este durante a entrada dos casos no classificador (Tabela 5.7) e após a entrada do
último caso (Tabela 5.8). Na BC original, o valor de similaridade mínima foi fixado em 50%,
na BC com objetos emprestados e casos concatenados, em 55% e na BC com objetos
estranhos, em 35%.
Tabela 5.7 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos (critério 1).
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 385 125 101 94 94 87 88 86 84 82 77
2% Obj. Empr. 574 237 187 171 163 158 150 149 144 142 138
5% Obj. Empr. 599 272 212 190 172 169 167 161 159 157 154
10% Obj. Empr. 655 319 237 210 198 193 186 181 177 177 175
20% Obj. Empr. 729 388 315 287 272 258 255 248 244 244 238
2% Casos Conc. 559 228 179 157 146 139 132 133 132 131 127
5% Casos Conc. 581 248 200 174 163 155 148 149 148 147 144
10% Casos Conc. 585 254 201 179 168 159 153 152 151 150 148
20% Casos Conc. 635 254 210 194 188 176 170 168 166 165 163
2% Casos Obj. Estr. 54 24 16 16 16 15 16 15 13 13 13
5% Casos Obj. Estr. 54 22 17 17 14 13 13 13 12 12 12
10% Casos Obj. Estr. 75 29 21 20 17 17 16 15 14 14 14
20% Casos Obj. Estr. 78 36 26 28 24 22 20 20 19 19 18
97
Tabela 5.8 – Relação entre a quantidade de habitantes gerados pelo CAPBC, para cada base de casos testada,
fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo do peso final de
cada objeto (critério 2).
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 385 125 107 96 93 88 89 88 87 87 85
2% Obj. Empr. 574 209 175 164 158 153 151 149 149 149 147
5% Obj. Empr. 599 240 196 174 174 168 166 163 161 161 160
10% Obj. Empr. 655 281 215 203 195 193 191 190 189 188 187
20% Obj. Empr. 729 357 294 267 258 251 246 245 244 243 240
2% Casos Conc. 559 204 164 148 140 137 136 138 137 136 136
5% Casos Conc. 581 226 180 164 157 156 153 152 151 151 151
10% Casos Conc. 585 231 190 172 165 160 156 154 153 154 154
20% Casos Conc. 635 240 198 189 177 175 175 172 172 172 170
2% Casos Obj. Estr. 54 23 22 21 20 19 19 18 18 17 17
5% Casos Obj. Estr. 54 23 23 21 20 19 19 18 17 16 15
10% Casos Obj. Estr. 75 26 27 25 24 23 23 21 21 20 19
20% Casos Obj. Estr. 78 37 32 31 29 27 27 25 25 24 23
A partir das duas tabelas, basicamente, é possível concluir que a aplicação de pesos
aos objetos, para qualquer base de casos considerada, reduz a quantidade de habitantes
gerados pelo CAPBC.
As relações de aumento, ou redução, da quantidade de habitantes, conforme o aumento
das porcentagens de objetos emprestados, casos concatenados ou objetos estranhos são
mantidas, proporcionalmente.
Entre os dois critérios de aplicação de peso, o primeiro (Tabela 5.7) mostrou melhor
desempenho quanto à aproximação da quantidade real de habitantes, conforme o incremento
no peso dos objetos, o que deve ter ocorrido devido aos menores pesos utilizados, dos objetos,
para os cálculos de similaridade entre os casos.
A próxima seção mostra os resultados da análise da quantidade de classificações
corretas, conforme a base de casos e valores de similaridade utilizados.
5.7.2 Quantidade de classificações corretas obtidas pelo CAPBC
Um importante critério de avaliação do CAPBC é a quantidade de classificações
corretas feitas pelo sistema. Essas também foram calculadas pelo algoritmo avaliador de
classificação e a síntese dos resultados pode ser vista nas tabelas apresentadas nesta seção.
A tabela 5.9 mostra a quantidade de classificações corretas obtidas, para cada base de
casos testada, utilizando-se como critério de classificação a quantidade de objetos iguais.
98
Avaliando-se a variável da quantidade de classificações corretas, isoladamente,
considerando-se que o resultado ideal é a classificação correta de todos os casos da base,
pode-se afirmar que, quanto maior a quantidade destas, melhor o desempenho do
classificador, e quanto menor a sua quantidade, pior o desempenho. Entretanto, esta variável
sozinha não reflete o desempenho do classificador como um todo: é necessário avaliar-se,
também, as quantidades de classificações incompletas e erradas.
Tabela 5.9 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de casos
testada, utilizando-se como critério de similaridade a quantidade de objetos iguais. A cor verde destaca o melhor
valor obtido para cada conjunto de dados e a cor laranja, o pior.
Sim. Mínima -> 1 Objeto 2 Objetos 3 Objetos 4 Objetos 5 Objetos
BC Original 1000 884 718 653 565
2% Obj. Empr. 569 496 717 652 553
5% Obj. Empr. 569 493 423 644 535
10% Obj. Empr. 569 490 422 536 493
20% Obj. Empr. 568 481 412 352 379
2% Casos Conc. 303 304 253 227 367
5% Casos Conc. 298 300 253 228 221
10% Casos Conc. 305 303 258 231 227
20% Casos Conc. 310 311 273 240 232
2% Casos Obj. Estr. 303 305 719 653 565
5% Casos Obj. Estr. 303 305 719 653 565
10% Casos Obj. Estr. 303 301 367 657 565
20% Casos Obj. Estr. 303 303 357 653 566
Nota-se, na tabela, que para qualquer das bases de casos modificadas, há uma redução
considerável na quantidade de classificações corretas, especialmente quando há casos
concatenados.
As células coloridas em verde destacam o maior valor da variável, na avaliação da
base de casos em questão; as células em laranja destacam os menores valores. Isso mostra
como a variável se comporta em bases de casos modificadas de formas diferentes.
Pela distribuição dos melhores e piores valores, é possível se concluir que não há um
critério ótimo para escolha do valor de similaridade mínima – utilizando-se a quantidade de
objetos iguais como critério - visando maximizar a quantidade de classificações corretas, sem
conhecer a base de casos que está sendo testada.
A tabela 5.10 mostra a avaliação da mesma variável, porém utilizando-se a
porcentagem de objetos iguais como critério de similaridade. Os campos com hachuras
representam valores que não foram simulados.
99
Nesta tabela, nota-se um desempenho muito mais uniforme quanto à distribuição dos
melhores e piores valores obtidos para a variável analisada, em cada uma das bases de casos.
Tabela 5.10 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de
casos testada, utilizando-se como critério de similaridade a porcentagem de objetos iguais. A cor verde destaca o
melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Sim. Mínima -> 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60%
BC Original 1000 1000 1000 1000 1000 992 951 838 545 464
2% Obj. Empr. 569 569 569 569 569 570 780 664 375 298 171 115
5% Obj. Empr. 569 569 569 569 569 569 755 640 344 283 159 110
10% Obj. Empr. 569 569 569 569 569 567 677 496 309 273 125 105
20% Obj. Empr. 568 568 568 568 568 564 630 439 249 224 95 77
2% Casos Conc. 303 303 303 303 303 306 297 408 536 460 139 108
5% Casos Conc. 298 298 298 298 298 296 290 275 376 302 164 111
10% Casos Conc. 305 305 305 305 305 306 306 303 365 289 166 88
20% Casos Conc. 310 310 310 310 310 310 307 398 337 257 171 77
2% Casos Obj. Estr. 303 303 303 303 303 560 943 828 538 456 142 115
5% Casos Obj. Estr. 303 303 303 303 303 989 927 828 529 454 167 106
10% Casos Obj. Estr. 303 303 303 303 303 820 908 807 514 436 155 92
20% Casos Obj. Estr. 303 303 303 303 305 303 755 616 453 400 157 85
Também nota-se uma grande redução na quantidade de classificações corretas para
todas as bases de casos modificadas, em relação à original, porém a escolha do valor de
similaridade ótimo - em relação à análise desta variável - torna-se mais simples.
Pode-se notar, para todas as bases de casos modificadas, que a quantidade de
classificações corretas permanece uniforme até certo valor de similaridade mínima, passa a
crescer com o aumento deste, e volta a cair, posteriormente. Este comportamento está
relacionado com a queda das classificações erradas e crescimento das classificações
incompletas, que podem ser vistos nas próximas seções.
As tabelas 5.11 e 5.12 mostram o comportamento das classificações corretas com a
aplicação dos pesos aos objetos.
Por meio das tabelas 5.11 e 5.12, pode-se perceber claramente que o desempenho do
classificador, quanto à quantidade de classificações corretas, é muito superior aplicando-se os
pesos aos objetos, em relação à classificação sem o uso destes.
Quanto ao peso que gera o melhor resultado, na maioria dos casos, observou-se que
quanto maior o peso, melhor o desempenho da variável. Por outro lado, observa-se que para
os pesos mais altos, a quantidade de classificações corretas oscila entre valores muito
próximos. Ou seja, neste momento está se comportando de acordo com particularidades de
100
cada base de casos. Não é possível afirmar que, aumentando-se os pesos indefinidamente, a
quantidade de classificações corretas também aumentará.
Tabela 5.11 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos (critério 1). A cor
verde destaca o melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 464 793 800 814 814 822 821 844 842 846 847
2% Obj. Empr. 171 662 718 723 722 725 727 729 749 750 760
5% Obj. Empr. 159 636 695 702 713 670 672 675 678 679 681
10% Obj. Empr. 125 512 587 615 627 629 633 635 638 639 639
20% Obj. Empr. 95 425 503 554 555 564 560 564 568 568 574
2% Casos Conc. 139 668 724 725 726 730 732 732 750 752 755
5% Casos Conc. 164 504 575 593 593 598 600 600 590 592 594
10% Casos Conc. 166 495 564 577 578 589 590 591 591 594 594
20% Casos Conc. 171 619 539 551 381 383 385 392 390 391 392
2% Casos Obj. Estr. 943 970 984 984 984 985 982 983 985 985 985
5% Casos Obj. Estr. 927 974 983 983 986 987 987 987 988 988 988
10% Casos Obj. Estr. 908 964 975 976 981 981 982 724 725 725 725
20% Casos Obj. Estr. 755 734 566 805 807 809 811 811 812 812 819
Tabela 5.12 – Relação entre a quantidade de classificações corretas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo
do peso final de cada objeto (critério 2). A cor verde destaca o melhor valor obtido para cada conjunto de dados
e a cor laranja, o pior.
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 464 780 800 808 809 811 805 809 809 809 809
2% Obj. Empr. 171 688 710 721 718 724 725 725 725 725 725
5% Obj. Empr. 159 660 695 711 711 715 708 709 710 710 710
10% Obj. Empr. 125 548 616 626 634 635 636 636 637 637 641
20% Obj. Empr. 95 440 533 561 559 567 572 577 579 580 582
2% Casos Conc. 139 688 734 747 756 757 757 727 727 729 729
5% Casos Conc. 164 550 590 600 604 605 606 604 605 605 605
10% Casos Conc. 166 500 535 551 557 586 588 588 590 584 584
20% Casos Conc. 171 619 374 554 565 565 566 566 566 566 567
2% Casos Obj. Estr. 943 977 977 977 978 979 979 978 978 979 979
5% Casos Obj. Estr. 927 977 976 977 978 979 979 978 979 980 981
10% Casos Obj. Estr. 908 973 968 969 970 971 971 974 974 975 976
20% Casos Obj. Estr. 755 798 561 802 804 806 806 809 809 810 811
Quanto à comparação dos dois critérios de aplicação de pesos, o primeiro (tabela 5.11)
apresentou um desempenho um pouco melhor do que o segundo (tabela 5.12).
Um resultado interessante, que pode ser observado comparando-se as tabelas de
quantidades de habitantes detectados pelo sistema, apresentadas na seção 5.7.1, e da
101
quantidade de classificações corretas obtidas, é que um valor alto na quantidade de habitantes
detectada não significa um resultado ruim, quando a quantidade de classificações corretas
também é alta.
Por exemplo, na Tabela 5.7, na base de casos com 5% de objetos estranhos e
incremento de peso igual a 1, foram detectados 12 habitantes pelo sistema; este valor é o
triplo do valor esperado (4). Uma primeira análise da diferença entre estes valores levaria à
conclusão de este é um resultado ruim, porém a Tabela 5.11 mostra que, para estes mesmos
parâmetros de simulação, foram obtidas 988 classificações corretas. Ou seja, 98,8% dos casos
classificados pertencem a 4 dos habitantes detectados, e os 1,2% restantes aos outros 8.
Assim, por meio da análise destes dados pode-se concluir que a avaliação do
resultado, quanto à quantidade de habitantes, deve ser feita em conjunto com a avaliação das
classificações corretas obtidas.
5.7.3 Quantidade de classificações incompletas obtidas pelo CAPBC
A quantidade de classificações incompletas, obtida pelo classificador de casos,
representa os subconjuntos das combinações que não alcançaram a similaridade mínima com
os conjuntos de classificações corretas de cada habitante. Entretanto, as classificações
incompletas podem ser reclassificadas futuramente, sendo agrupadas a estes.
A tabela 5.13 mostra o comportamento das classificações incompletas, para todas as
bases testadas, utilizando-se como critério de similaridade a quantidade de objetos iguais.
Avaliando-se, isoladamente, a variável de classificações incompletas, considerando-se
que o resultado ideal do sistema é a ausência de classificações incompletas e erradas, pode-se
afirmar que quanto menos classificações deste tipo houver em um conjunto de dados, melhor
o desempenho do classificador e, quanto mais destas houver, pior o seu desempenho.
Entretanto, as classificações incompletas estão intimamente ligadas às classificações erradas.
É sempre melhor minimizar a quantidade de classificações erradas, mesmo que estas se
tornem classificações incompletas, pois esta última pode ser reagrupada, futuramente, a um
dos conjuntos de classificações corretas de um dos habitantes. De maneira geral, é possível
observar que o aumento no valor de similaridade mínima aumenta a quantidade de
classificações incompletas.
102
Tabela 5.13 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, utilizando-se como critério de similaridade a quantidade de objetos iguais. A cor verde destaca o
melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Sim. Mínima -> 1 Objeto 2 Objetos 3 Objetos 4 Objetos 5 Objetos
BC Original 0 116 282 347 435
2% Obj. Empr. 0 116 283 348 447
5% Obj. Empr. 0 121 283 356 465
10% Obj. Empr. 0 124 289 370 507
20% Obj. Empr. 1 136 300 386 545
2% Casos Conc. 0 101 272 342 427
5% Casos Conc. 0 93 260 333 419
10% Casos Conc. 0 82 254 323 410
20% Casos Conc. 0 56 207 286 370
2% Casos Obj. Estr. 0 103 278 347 435
5% Casos Obj. Estr. 0 97 281 347 435
10% Casos Obj. Estr. 0 83 266 343 435
20% Casos Obj. Estr. 0 79 275 347 434
Quanto aos critérios de modificação da base de casos, verifica-se que o aumento na
porcentagem de objetos emprestados provoca também um crescimento na quantidade de
classificações incompletas. Isto porque objetos que permitiam, anteriormente, atingir os
valores de similaridade mínima, entre conjuntos de casos, foram substituídos por itens
emprestados, o que reduziu os valores de similaridade entre alguns conjuntos de casos.
Em relação aos casos concatenados, quanto mais combinações de habitantes diferentes
foram concatenadas entre si, menor ficou a quantidade de classificações incompletas. Devido
à adição de conjuntos de objetos de um caso no outro, mais casos puderam ser agrupados
entre si, pelo critério de quantidade de objetos iguais. Estas classificações, entretanto,
tornaram-se classificações erradas.
Já nos casos com objetos estranhos, houve pouca alteração conforme o aumento nos
casos contendo este tipo de objeto, já que a quantidade máxima destes, que foi adicionada aos
casos, foi de 5 unidades. Apenas na similaridade mínima de 2 objetos iguais foi observada
uma redução clara na quantidade de classificações incompletas, conforme o aumento na
porcentagem de casos contendo objetos estranhos.
A tabela 5.14 mostra a avaliação da mesma variável, porém se utilizando o critério de
similaridade da porcentagem de objetos iguais. Os campos com hachuras representam valores
que não foram simulados.
Da mesma forma que na classificação pela quantidade de objetos iguais, foi verificado
que o aumento no valor da similaridade mínima provocou um crescimento na quantidade de
103
casos incompletos, após o valor de similaridade mínima de 25%. Até este, as quantidades de
classificações incompletas permaneceram praticamente constantes.
Tabela 5.14 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, utilizando-se como critério de similaridade a porcentagem de objetos iguais. A cor verde destaca o
melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Sim. Mínima -> 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60%
BC Original 0 0 0 0 0 8 49 162 455 536
2% Obj. Empr. 0 0 0 0 0 9 56 172 464 545 829 885
5% Obj. Empr. 0 0 0 0 0 13 69 184 498 560 838 887
10% Obj. Empr. 0 0 0 0 0 15 97 280 530 575 873 894
20% Obj. Empr. 1 1 1 1 1 28 155 350 590 627 862 895
2% Casos Conc. 0 0 0 0 0 5 48 163 460 539 860 892
5% Casos Conc. 0 0 0 0 0 11 54 109 467 546 828 886
10% Casos Conc. 0 0 0 0 0 9 59 148 474 554 813 906
20% Casos Conc. 0 0 0 0 0 5 71 181 476 572 818 917
2% Casos Obj. Estr. 0 0 0 0 0 8 57 172 462 544 858 885
5% Casos Obj. Estr. 0 0 0 0 0 11 73 172 471 546 833 894
10% Casos Obj. Estr. 0 0 0 0 0 14 92 193 486 564 845 908
20% Casos Obj. Estr. 0 0 0 0 2 22 85 224 546 599 843 915
Neste critério, é possível notar, para as bases de casos modificadas, que quanto mais
modificadas estas são, mais classificações incompletas são obtidas. Na similaridade por
quantidade de objetos iguais, este comportamento somente era observado para os objetos
emprestados. Agora, devido à quantidade total de objetos influenciar no cálculo de
similaridade, este comportamento passou a ocorrer também para as bases com casos
concatenados e com objetos estranhos.
De maneira geral, o principal comportamento observado é o grande aumento na
quantidade de casos incompletos, com o aumento no valor de similaridade mínima aplicado
ao classificador.
As tabelas 5.15 e 5.16 mostram o comportamento das classificações incompletas com
a aplicação de pesos aos objetos.
Por meio das tabelas 5.15 e 5.16, assim como o que foi observado para as
classificações corretas, pode-se verificar que o desempenho do classificador, quanto à
quantidade de classificações incompletas, é muito superior aplicando-se os pesos aos objetos,
em relação à classificação sem o uso destes.
104
Tabela 5.15 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos (critério 1). A cor
verde destaca o melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 536 207 200 186 186 178 179 156 158 154 153
2% Obj. Empr. 829 338 282 277 278 275 273 271 251 250 240
5% Obj. Empr. 838 355 296 286 275 317 315 312 309 308 306
10% Obj. Empr. 873 483 405 377 364 362 357 354 351 350 349
20% Obj. Empr. 862 504 425 376 420 409 413 407 402 402 396
2% Casos Conc. 860 327 271 270 269 265 263 263 245 243 240
5% Casos Conc. 828 351 297 277 276 270 268 268 262 260 258
10% Casos Conc. 813 352 297 280 277 266 265 264 263 260 260
20% Casos Conc. 818 332 291 284 272 262 258 251 244 242 241
2% Casos Obj. Estr. 57 30 16 16 16 15 18 17 15 15 15
5% Casos Obj. Estr. 73 26 17 17 14 13 13 13 12 12 12
10% Casos Obj. Estr. 92 36 25 24 19 19 18 15 14 14 14
20% Casos Obj. Estr. 85 102 26 33 29 27 25 25 24 24 17
Quanto ao peso que gera o melhor resultado, o comportamento verificado também foi
semelhante ao das classificações corretas. Na maioria dos casos, observou-se que quanto
maior o peso, melhor o desempenho da variável. Para os pesos mais altos, a quantidade de
classificações incompletas oscila entre valores próximos, o que reflete particularidades das
bases de casos analisadas. Também para a avaliação desta variável não é possível afirmar que,
aumentando-se os pesos indefinidamente, a quantidade de classificações incompletas também
será indefinidamente reduzida.
Tabela 5.16 – Relação entre a quantidade de classificações incompletas obtidas pelo CAPBC, para cada base de
casos testada, fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo
do peso final de cada objeto (critério 2). A cor verde destaca o melhor valor obtido para cada conjunto de dados
e a cor laranja, o pior.
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 536 220 200 192 191 189 195 191 191 191 191
2% Obj. Empr. 829 312 290 279 282 276 275 275 275 275 275
5% Obj. Empr. 838 331 295 278 278 271 278 277 276 276 276
10% Obj. Empr. 873 448 378 368 360 359 358 357 356 355 351
20% Obj. Empr. 862 535 443 412 407 399 394 390 388 387 384
2% Casos Conc. 860 307 261 248 239 238 238 268 268 266 266
5% Casos Conc. 828 325 281 269 265 264 263 265 264 264 264
10% Casos Conc. 813 361 330 312 304 275 273 273 271 277 277
20% Casos Conc. 818 335 283 282 269 268 267 266 266 266 264
2% Casos Obj. Estr. 57 23 23 23 22 21 21 22 22 21 21
5% Casos Obj. Estr. 73 23 24 23 22 21 21 22 21 20 19
10% Casos Obj. Estr. 92 27 32 31 30 29 29 26 26 25 24
20% Casos Obj. Estr. 85 39 33 36 34 32 32 29 29 28 27
105
Quanto à comparação dos dois critérios de aplicação de pesos, o primeiro (tabela 5.15)
apresentou um desempenho um pouco melhor do que o segundo (tabela 5.16).
5.7.4 Quantidade de classificações erradas obtidas pelo CAPBC
Por fim, foi analisada a quantidade de classificações erradas obtidas pelo CAPBC, nas
diferentes modificações da base de casos original, alterando-se os critérios e valores de
similaridade utilizados. As classificações erradas, ao contrário das classificações incompletas,
não são passíveis de serem reclassificadas. Se um caso, ou um conjunto deles, é
incorretamente agrupado ao conjunto de casos de outro habitante, esse agrupamento não pode
ser desfeito no decorrer da evolução das classificações. Por este motivo, a presença desse tipo
de classificação, na base de casos, deve ser evitada tanto quanto for possível.
A tabela 5.17 mostra o comportamento das classificações erradas, para todas as bases
de casos testadas, utilizando-se como critério de similaridade a quantidade de objetos iguais.
Como o resultado ideal do sistema, quanto a esta variável, é a ausência de classificações
erradas, foi considerado que, quanto menor a quantidade destas, melhor o resultado, e, quanto
maior esta quantidade, pior o resultado.
Tabela 5.17 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, utilizando-se como critério de similaridade a quantidade de objetos iguais. A cor verde destaca o melhor
valor obtido para cada conjunto de dados e a cor laranja, o pior.
Sim. Mínima -> 1 Objeto 2 Objetos 3 Objetos 4 Objetos 5 Objetos
BC Original 0 0 0 0 0
2% Obj. Empr. 431 388 0 0 0
5% Obj. Empr. 431 386 294 0 0
10% Obj. Empr. 431 386 289 94 0
20% Obj. Empr. 431 383 288 262 76
2% Casos Conc. 697 595 475 431 206
5% Casos Conc. 702 607 487 439 360
10% Casos Conc. 695 615 488 446 363
20% Casos Conc. 690 633 520 474 398
2% Casos Obj. Estr. 697 592 3 0 0
5% Casos Obj. Estr. 697 598 0 0 0
10% Casos Obj. Estr. 697 616 367 0 0
20% Casos Obj. Estr. 697 618 368 0 0
Conforme era esperado, na tabela 5.17, foi possível observar que a quantidade de
classificações erradas diminui, conforme o aumento no valor de similaridade mínima utilizado
para a classificação, nos testes com todas as bases de casos.
106
Os piores resultados foram obtidos sempre no menor valor de similaridade utilizado
para as classificações. Quanto aos melhores resultados, dependendo do critério e valores das
modificações das bases de casos, foram obtidos com menores ou maiores valores de
similaridade mínima utilizados.
Após uma análise geral da tabela, pode-se afirmar que, quanto maior a modificação
feita na base de casos, para qualquer dos tipos de modificação da BC, mais classificações
erradas foram obtidas.
A tabela 5.18 mostra a avaliação da mesma variável, porém se utilizando o critério de
similaridade da porcentagem de objetos iguais. Os campos com hachuras representam valores
que não foram simulados.
Assim como na classificação pela quantidade de objetos iguais, foi verificado que os
piores resultados para a quantidade de classificações erradas foram obtidos nos menores
valores utilizados de similaridade mínima e, conforme esses foram aumentados, as
quantidades de classificações erradas foram reduzidas ou excluídas.
Nota-se, também, que quanto mais a base de casos original é modificada, para
qualquer dos critérios utilizados, menor é a capacidade do CAPBC excluir todas as
classificações erradas.
Tabela 5.18 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, utilizando-se como critério de similaridade a porcentagem de objetos iguais. A cor verde destaca o
melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Sim. Mínima -> 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60%
BC Original 0 0 0 0 0 0 0 0 0 0
2% Obj. Empr. 431 431 431 431 431 421 164 164 161 157 0 0
5% Obj. Empr. 431 431 431 431 431 418 176 176 158 157 3 3
10% Obj. Empr. 431 431 431 431 431 418 226 224 161 152 2 1
20% Obj. Empr. 431 431 431 431 431 408 215 211 161 149 43 28
2% Casos Conc. 697 697 697 697 697 689 655 429 4 1 1 0
5% Casos Conc. 702 702 702 702 702 693 656 616 157 152 8 3
10% Casos Conc. 695 695 695 695 695 685 635 549 161 157 21 6
20% Casos Conc. 690 690 690 690 690 685 622 421 187 171 11 6
2% Casos Obj. Estr. 697 697 697 697 697 432 0 0 0 0 0 0
5% Casos Obj. Estr. 697 697 697 697 697 0 0 0 0 0 0 0
10% Casos Obj. Estr. 697 697 697 697 697 166 0 0 0 0 0 0
20% Casos Obj. Estr. 697 697 697 697 693 675 160 160 1 1 0 0
Apesar de terem sido observados bons desempenhos do classificador, em relação a
esta variável, com o aumento no valor de similaridade mínima, deve-se lembrar que não
107
adianta aumentar este valor indefinidamente até a exclusão de todos os casos errados, já que
as classificações corretas são prejudicadas fortemente para estes valores.
De forma geral, é possível afirmar que o aumento no valor de similaridade mínima
utilizado, contribui diretamente para a redução na quantidade de classificações erradas.
As tabelas 5.19 e 5.20 apresentam o comportamento das classificações erradas com a
aplicação dos pesos aos objetos, alterando-se esses valores.
Nas tabelas 5.19 e 5.20, foi observado um resultado interessante. Foi possível perceber
que, quando não há classificações erradas na BC sem a aplicação de pesos, esse valor
permanece da mesma forma quando os pesos são utilizados. Quando há classificações erradas
sem a aplicação dos pesos, ao utilizá-los, a quantidade destas aumentou para praticamente
todas as bases de casos simuladas.
Na verdade, o que ocorreu foi a reclassificação de casos que estavam, anteriormente,
separados dos conjuntos de classificações corretas, porém esta reclassificação os agrupou ao
conjunto do habitante errado. Em outras palavras, classificações incompletas passaram a ser
classificações erradas.
Por esta observação, é possível concluir que o uso dos pesos nos objetos não auxilia na
solução das classificações incompletas. Na verdade, se o valor de similaridade mínima for
mal escolhido, os pesos prejudicam o resultado final das classificações.
Tabela 5.19 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, fixando-se o valor de similaridade mínima e alterando-se o peso dos objetos (critério 1). A cor verde
destaca o melhor valor obtido para cada conjunto de dados e a cor laranja, o pior.
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 0 0 0 0 0 0 0 0 0 0 0
2% Obj. Empr. 0 0 0 0 0 0 0 0 0 0 0
5% Obj. Empr. 3 9 9 12 12 13 13 13 13 13 13
10% Obj. Empr. 258899101111 11 12
20% Obj. Empr. 43 71 72 70 25 27 27 29 30 30 30
2% Casos Conc. 1 5 5 5 5 5 5 5 5 5 5
5% Casos Conc. 8 145 128 130 131 132 132 132 148 148 148
10% Casos Conc. 21 153 139 143 145 145 145 145 146 146 146
20% Casos Conc. 11 49 170 165 347 355 357 357 366 367 367
2% Casos Obj. Estr. 0 0 0 0 0 0 0 0 0 0 0
5% Casos Obj. Estr. 0 0 0 0 0 0 0 0 0 0 0
10% Casos Obj. Estr. 0 0 0 0 0 0 0 261 261 261 261
20% Casos Obj. Estr. 160 164 408 162 164 164 164 164 164 164 164
108
Tabela 5.20 – Relação entre a quantidade de classificações erradas obtidas pelo CAPBC, para cada base de casos
testada, fixando-se o valor de similaridade mínima e classificando-se toda a base de casos após o cálculo do peso
final de cada objeto (critério 2). A cor verde destaca o melhor valor obtido para cada conjunto de dados e a cor
laranja, o pior.
Incremento de Peso -> 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
BC Original 0 0 0 0 0 0 0 0 0 0 0
2% Obj. Empr. 0 0 0 0 0 0 0 0 0 0 0
5% Obj. Empr. 3 9 10 11 11 14 14 14 14 14 14
10% Obj. Empr. 246666677 8 8
20% Obj. Empr. 43 25 24 27 34 34 34 33 33 33 34
2% Casos Conc. 1 5 5 5 5 5 5 5 5 5 5
5% Casos Conc. 8 125 129 131 131 131 131 131 131 131 131
10% Casos Conc. 21 139 135 137 139 139 139 139 139 139 139
20% Casos Conc. 11 46 343 164 166 167 167 168 168 168 169
2% Casos Obj. Estr. 0 0 0 0 0 0 0 0 0 0 0
5% Casos Obj. Estr. 0 0 0 0 0 0 0 0 0 0 0
10% Casos Obj. Estr. 0 0 0 0 0 0 0 0 0 0 0
20% Casos Obj. Estr. 160 406 162 162 162 162 162 162 162 162 162
5.8
Síntese do capítulo
Neste capítulo, foram apresentados os dados utilizados para a simulação do sistema
CAPBC proposto, bem como a avaliação do comportamento do sistema sobre cada tipo de
alteração na base de casos e, por fim, a avaliação da qualidade das variáveis de classificação
obtidas sobre diferentes modificações da base de casos original.
No próximo capítulo são apresentadas as considerações finais sobre o trabalho
realizado.
109
6 CONCLUSÃO
Sistemas de automação residencial devem ter como objetivo principal tornar mais
simples a interação entre os habitantes e os recursos da residência gerenciados por ela. Em
trabalhos anteriores, sistemas com este objetivo foram desenvolvidos, onde as regras de
automação eram criadas baseadas no comportamento cotidiano dos habitantes.
Este trabalho consistiu no desenvolvimento de um sistema de classificação de
habitantes que permita a adaptação de sistemas de automação individuais, para o uso com
diversos habitantes. Um sistema deste tipo possibilita que regras diferentes de automação
possam ser criadas para diferentes pessoas.
Embora técnicas de identificação como reconhecimento biométrico, reconhecimento
de faces por meio de câmeras, ou outros sistemas de identificação já existentes, pudessem ter
sido utilizados para este propósito, a proposta do trabalho é minimizar a necessidade de
adaptação do habitante ao seu sistema, sem que sua privacidade seja invadida.
Foi, então, proposto o uso de identificação de roupas e objetos por identidades
eletrônicas contidas nestes itens, que são capturadas por sinais de rádio freqüência, e o uso de
uma técnica de inteligência artificial que permitisse abstrair informações úteis para a
classificação desses códigos eletrônicos, por meio da similaridade entre suas combinações.
Para os testes do sistema proposto, uma base de casos contendo combinações de objetos de
habitantes foi gerada, respeitando características que possivelmente existiriam em uma
residência real.
Foram testados diversos critérios e valores de variáveis sobre a base de casos gerada,
bem como modificada a própria base de casos com o objetivo de simular situações que
poderiam ocorrer em situações reais. O sistema se comportou conforme o esperado, agrupando
combinações de objetos pertencentes aos mesmos habitantes sob códigos genéricos criados
pelo algoritmo desenvolvido. Comportamentos específicos foram obtidos conforme a
alteração dos critérios e valores de similaridade de casos utilizados, bem como modificando-
se a base de casos.
Utilizando-se a base de casos original, não foram obtidas classificações erradas para
nenhum critério simulado, desta forma, em um sistema real, valores menores de similaridade
mínima poderiam ser utilizados com o objetivo de obter uma convergência mais rápida das
classificações para o número correto de habitantes. Modificando-se a base de casos, com o
acréscimo ou permuta de itens e concatenação de casos, foram obtidas classificações erradas
pelo agrupamento incorreto de combinações de habitantes diferentes.
110
A variação nos critérios e valores de similaridade mínima, aplicados nos testes,
mostrou que estes possibilitam reduzir ou eliminar classificações erradas do sistema, porém
podem reduzir, também, a quantidade de classificações corretas. Foi verificado que os
critérios e valores de similaridade ótimos no sistema dependem das características da base de
casos testada, ou seja, para a implantação do sistema em residências reais, seria necessário
conhecer os hábitos dos moradores, a fim de se calibrar as variáveis do sistema.
Como principais pontos positivos obtidos neste trabalho, podem ser citados:
- Foi observado que é possível agrupar, por similaridade, combinações de roupas e
objetos de pessoas em uma residência, para propósitos de adaptação de sistemas individuais
de automação residencial inteligente para mais de um habitante;
- Como a base de casos utilizada nos testes foi gerada aleatoriamente, podem ter sido
criadas combinações improváveis de objetos, embora possíveis. Por exemplo, embora seja
possível combinar-se um terno preto com uma calça social branca, esta combinação é
improvável. Assim sendo, há indícios que, na prática, haveria menos combinações de objetos
do que as obtidas pelo simulador, o que, possivelmente, tornaria a convergência mais rápida
das classificações, para os valores corretos. Também não foram consideradas combinações
favoritas de itens dos habitantes, o que também deve permitir uma classificação mais rápida
dos casos, se utilizado;
- Foi verificado que a manutenção dos valores de similaridade mínima e dos pesos
utilizados permite obter uma otimização nos resultados. Neste trabalho, não foi implementada
uma política de manutenção automática destes parâmetros, mas há indícios que o uso de
outros dados no classificador, presentes nas etiquetas de RFID, ou no próprio sistema de
identificação biométrica dos acessos ao interior da residência, poderiam ser utilizados para
ajustar automaticamente parâmetros do classificador, de forma a otimizar seus resultados.
Como pontos negativos, é possível citar:
- Todos os dados utilizados em simulações foram gerados em simuladores. Desta
forma, particularidades que poderiam ser observadas em testes efetuados em residências reais
não puderam ser verificadas no sistema. Também foi utilizada uma base de casos única, nos
testes, com número fixo de habitantes. Para ser possível uma avaliação melhor do sistema,
seria interessante a criação de novas bases de casos e a execução de novos testes para
observar modificações no comportamento do classificador;
- Para que o sistema possa funcionar em uma residência real, seria necessário que as
peças de roupas e os objetos dos habitantes possuíssem etiquetas de RFID, além de ser
111
necessária a instalação de leitores RFID nas residências e adaptação do sistema de automação
instalado;
- Como novas combinações capturadas pelo sistema são comparadas a todas aquelas já
armazenadas na base de casos, o sistema, embora continue funcionando indefinidamente, se
tornará inevitavelmente mais lento com o passar do tempo, conforme novos casos forem
recebidos e armazenados no sistema.
Com base nos resultados obtidos e nos pontos positivos e negativos observados, na
seção a seguir são apresentadas algumas sugestões de trabalhos futuros, com o objetivo de
aperfeiçoar o sistema implementado neste trabalho.
6.1 Trabalhos Futuros
Após avaliados os resultados obtidos, novos trabalhos podem ser desenvolvidos, com
o intuito de aperfeiçoar o sistema e resolver seus pontos negativos. Algumas sugestões são
apresentadas a seguir:
6.1.1 Teste do sistema com outras bases de casos, com características e quantidades de
habitantes diferentes
Neste trabalho, foi observado o comportamento do classificador utilizando-se uma
base de casos única, contendo combinações de objetos de 4 habitantes diferentes. A
quantidade de objetos de cada um dos habitantes foi cadastrada de acordo com um valor
médio aproximado daquele que pessoas reais possuiriam.
Foi verificado, nos testes onde a base de casos foi modificada, que os resultados das
classificações é alterado conforme objetos de outros habitantes são adicionados a estes casos.
Seria interessante, porém, realizar testes modificando toda a base de casos, alterando a
quantidade de habitantes, as quantidades de objetos de cada tipo para cada habitante, os
hábitos de empréstimo de certos tipos de objetos, e outros não, entre eles, avaliando agora as
alterações nas classificações conforme a base de casos utilizada.
Também seria importante verificar comportamentos particulares, em situações
específicas, que não foram geradas pelo semeador de casos, que cria as situações a partir de
parâmetros médios informados. Por exemplo, uma situação em que a empregada carrega um
cesto de roupas sujas com itens de todos os habitantes, presença de visitantes na residência,
112
um habitante carregando uma cesta de compras com várias dezenas de itens, entre outras
possibilidades.
6.1.2 Uso de outras informações do sistema RFID ou sistema de automação na classificação
Conforme foi exposto anteriormente, identificadores RFID armazenam outras
informações em sua memória, além de uma simples identidade eletrônica. Um teste
interessante que poderia ser feito, é considerar o uso de outras informações, como por
exemplo o tipo de objeto, nas classificações.
Com o uso destes parâmetros, é provável que as classificações se tornem mais rápidas
e precisas, pois determinados tipos de objetos refletem melhor a identidade do habitante
(como óculos, por exemplo) do que outros (como uma camisa).
Outro dado que poderia auxiliar o CAPBC nas classificações seria o uso das
informações do sistema de reconhecimento biométrico presente na entrada da residência. Se
um leitor RFID fosse instalado junto ao leitor biométrico, certas classificações poderiam ser
certificadas por este, e outras, erradas, eliminadas.
6.1.3 Implementação de uma política de reclassificação de casos
Da forma que o CAPBC foi implementado, se determinado caso for classificado de
forma errada, o algoritmo atual não permite uma reclassificação posterior deste.
É um fato que, quanto mais casos a BC possuir, maior a quantidade de informação
sobre combinações e objetos esta possuirá. Além disto, existindo a possibilidade do uso de
outras informações pelo CAPBC, como outros dados do identificador RFID ou do sistema de
identificação biométrica, para certificação da classificação de outros casos, seria interessante
manter a possibilidade de o algoritmo reclassificar uma parte dos casos, ou até mesmos todos
eles, quando determinado critério fosse atendido.
Isto tornaria o sistema mais flexível em relação a possíveis erros que venham a
ocorrer, caso um critério incorreto de classificação seja escolhido no início do funcionamento
do sistema.
113
6.1.4 Estudo sobre a possibilidade do uso de apenas um subconjunto da BC na classificação
de novos casos
Foi observado que o tempo necessário para a classificação de novos casos aumenta,
proporcionalmente, conforme o crescimento da base de casos. Isto porque cada novo caso é
comparado a todos os casos anteriores da base, para sua classificação.
Isto pode ser um inconveniente quando a base de casos se tornar muito extensa, pois,
para propósitos práticos de um sistema de automação residencial, o evento disparado por este
não pode demorar mais do que poucos segundos.
Desta forma, é proposto para estudos futuros que ao invés da comparação dos novos
casos a todos os demais armazenados na base, este seja comparado apenas a um subconjunto
dela, que poderiam ser os casos mais atuais ou os casos mais vezes utilizados, no passado,
para a classificação de outras combinações.
Um método possível para a solução de problemas em RBC, utilizando apenas um
subconjunto da BC, é o uso de casos “footprint” (SMYTH, MCKENNA, 2001), onde a base
de casos completa é representada por um conjunto menor de casos, cuja competência para a
solução de problemas é a mesma da base de casos completa (TONIDANDEL, 2003).
6.1.5 Teste do sistema em uma residência real
Por fim, para confirmar o funcionamento do sistema proposto, na prática, são
sugeridos testes em uma residência real.
Para que isto seja possível, são necessárias algumas adaptações da residência de teste,
como a instalação de um sistema de leitores RFID, nos pontos onde se desejar a detecção do
habitante, e de um sistema computadorizado, que receba as informações do middleware
RFID, inserindo-as no algoritmo classificador de casos.
Além disto, os itens de vestuário dos habitantes, bem como seus objetos pessoais,
teriam de receber identificadores RFID para poderem ser detectados pelos leitores.
Isto permitiria verificar tanto o comportamento dos habitantes, referente a
combinações de vestuário e objetos, quanto das variáveis do sistema classificador, agora
utilizando-se dados reais nos testes.
Seria possível, também, posteriormente, fazer os testes enviando-se os resultados de
classificações efetuadas pelo CAPBC para um sistema de automação implantado.
114
REFERÊNCIAS BIBLIOGRÁFICAS
AAMODT, A.; PLAZA, E.
Case-Based Reasoning: Foundational Issues, Methodological
Variations and System Approaches. AICOM, 7(1), 1994
BOLZANI, C. A. M.
Desenvolvimento de um simulador de controle de dispositivos
residenciais inteligentes: uma introdução aos sistemas domóticos. 2004. Dissertação
(Mestrado em Engenharia Elétrica) - Universidade de São Paulo, São Paulo.
DAUGMAN, J.
The importance of being random: statistical principles of iris
recognition. 2001. The Computer Laboratory. University of Cambridge.
FINKENZELLER, K
RFID Handbook. Fundamentals and Applications in Contactless
Smart Cards and Identification: second edition. Wiley, 2003
GLOVER, B.; BHATT, H.
Fundamentos de RFID. Altabooks, 2007.
HASTIE, T.; TIBSHIRANI, R, FRIEDMAN, J
The Elements of Statistical Learning:
second edition. Springer-Verlag, 2008.
KAZIENKO, J. F.
Assinatura Digital de Documentos Eletrônicos Através da Impressão
Digital. 2003. Dissertação (Mestrado) – Universidade Federal de Santa Catarina.
Florianópolis.
KOLODNER, J. L.
Case-Based Reasoning. Morgan Kaufmann, San Francisco, California,
1993.
MACHADO, V.S.; ALMEIDA, J.R.
Sistemas de reconhecimento biométrico aplicados à
segurança de ambientes físicos. São Paulo, Universidade de São Paulo, 2004.
MURATORI, J.R.
As tendências do mercado de automação residencial. São Paulo,
Congresso Habitar – Congresso de automação residencial e tecnologias para habitação, 2005.
115
NASCIMENTO, A.F.
Sistema dinâmico de automação residencial. Rio de Janeiro,
Dissertação de mestrado, Instituto Militar de Engenharia, 2002.
PEARCE, D.; HIRSCH, H. G.
The Aurora Experimental Framework for the
Performance Evaluation of Speech Recognition Systems Under Noisy Conditions.
Beijing, China. 6
th
International Conference of Spoken Language Processing, 2000.
QUINLAN, J. R. Induction of decision trees. Machine Learning 1. 1986.
QUINLAN, J. R.
C4.5: Programs for Machine Learning. San Mateo, California, EE.UU,
Morgan Kauffmann Publishers. 1993.
RIESBECK, C. K.; SCHANK, R. C.
Inside Case-Based Reasoning. Lawrence Erlbaum.
1989.
RFID JOURNAL
. Benetton to Tag 15 Million Itens. 2003. Disponível em:
<http://www.rfidjournal.com/article/articleview/344/1/1/>. Acesso em 30 ago. 2008.
RFID JOURNAL
. What is RFID. [200-]a. Disponível em:
<http://www.rfidjournal.com/article/articleprint/1339/-1/129/>. Acesso em 30 ago. 2008.
RFID JOURNAL
. RFID Consumer Applications and Benefits. [200-]b. Disponível em:
<http://www.rfidjournal.com/article/articleprint/1332/-1/129/>. Acesso em 30 ago. 2008.
RFID JOURNAL
. RFID Business Applications. [200-]c. Disponível em:
<http://www.rfidjournal.com/article/articleprint/1334/-1/129/>. Acesso em: 30 ago. 2008.
ROSA, P. F. F. et al.
Smart house with a reactive architecture and a neural network for
gait recognition. Rio de Janeiro, Instituto Militar de Engenharia, 2005.
SGARBI, J.A.
Domótica inteligente: automação residencial baseada em comportamento.
2007. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário da FEI, São
Bernardo do Campo.
116
STONHAM, T. J.
Practical face recognition and verification with WISARD. Dordrecht,
1986.
SMYTH, B.; MCKENNA, E.
Footprint-Based Retrieval. Dublin, University College
Dublin, 2001. Disponível em:
<http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.35.9358>. Acesso em 03 set. 2008.
TONIDANDEL, F. Desenvolvimento e implementação de um sistema de planejamento
baseado em casos. 2003. Tese (Doutorado em Engenharia) – Universidade de São Paulo, São
Paulo.
TONIDANDEL, F; TAKIUCHI, M; MELO, E.
Domótica Inteligente: Automação baseada
em comportamento. Congresso Brasileiro de Automática, 2004.
TURK, M. A.; PENTLAND, A. P.
Face Recognition Using Eigenfaces. 1991. Vision and
Modeling Group. The Media Laboratory Massachusetts Institute of Technologies.
WANGENHEIM, C.G.; WANGENHEIM, A.
Raciocínio Baseado em Casos. 1ª edição
brasileira. Manole, 2003.
WESS, S.
Fallbasiertes Problemlosen in Wissenbasierten Systemen zur
Entscheidungsunterstutzng und Diagnostik. 1995. PhD Thesis - University of
Kaiserslautern, Germany.
117
APÊNDICE 1
Diagrama esquemático do software classificador de casos (CAPBC).
118
APÊNDICE 2
Lista de combinações de roupas e objetos utilizada pelo semeador de casos para a
criação de novas combinações.
Combinações masculinas. AD = Adulto; CR = Crianças; AC = Adultos e Crianças.
Tipo de Combinação AD AD AC AC AC AC AC AC AC AC AC
Babydolls
Bermudas 100% 100%
Biquinis
Blusas 50% 20% 10%
Bonés 10% 10% 10% 30%
Botas
Cacharréis
Cachecóis 5% 5%
Calças Jeans 100% 100%
Calças Sociais 100% 100%
Calcinhas
Camisas Sociais 100% 100% 100%
Camisetas 100% 90% 90%
Camisetas Regatas 90% 50% 50% 20%
Camisolas
Chapéus 5% 5%
Chinelos 90% 80% 50% 30%
Cintos 100% 100% 100% 70%
Cuecas 100% 100% 100% 100% 90% 90% 70% 50% 100% 50%
Gravatas 50% 30%
Jaquetas 40% 30%
Lenços 30% 30% 30% 10% 10% 10%
Meias Calças
Meias Esporte 80% 50%
Meias Sociais 100% 100% 100%
Minissaias
Pantufas
Pijamas 100%
Pulôver 10% 20% 20%
Saias
Sandálias
Sapatos 100% 100% 100%
Shorts 100% 20% 20%
Sobretudos 10% 10%
Sungas 100%
Sutiãs
Tênis 100% 100%
Ternos 70%
Toalhas 50% 100%
Vestidos
Anéis 90% 90% 90% 70% 70% 70% 30% 20% 20% 20% 20%
Bolsas
Braceletes
Brincos
Canetas 30% 30% 30%
Carteiras 80% 80% 80% 60% 70% 40% 20%
Chaveiros 80% 80% 80% 40% 50% 30% 30%
Colares
Óculos 80% 80% 80% 50% 50% 50% 40% 20% 20%
Óculos Escuros 40% 40% 40% 40% 60% 50%
Pen Drives 70% 70% 40% 10%
Presilhas de Cabelo
Relógios de Pulso 80% 80% 80% 60% 30% 30% 20%
Telefones Celulares 90% 90% 90% 90% 80% 70% 40%
Walkie Mans 20% 20% 40% 40% 20% 20% 30%
119
Combinações femininas. AD = Adulto; CR = Crianças; AC = Adultos e Crianças.
Tipo de Combinação AD AD AD AD AD AC AC AC AC AC AC AC AC AC AC AC AC
Babydolls 100%
Bermudas
Biquinis 100%
Blusas 40% 70% 50%
Bonés
Botas 100%
Cacharréis 70%
Cachecóis 30%
Calças Jeans 100% 100% 100%
Calças Sociais 100%
Calcinhas 100% 95% 95% 95% 95% 100% 100% 100% 90% 100% 100% 70% 70% 100% 100% 50%
Camisas Sociais 100% 100% 100% 100%
Camisetas 100% 100% 80%
Camisetas Regatas 100% 100% 100%
Camisolas 100%
Chapéus
Chinelos 50% 50%
Cintos 20% 20% 20% 20%
Cuecas
Gravatas
Jaquetas 50% 50%
Lenços 50% 50% 50% 50%
Meias Calças 100% 90%
Meias Esporte 100% 100% 50%
Meias Sociais 100%
Minissaias 100%
Pantufas 70% 70%
Pijamas 100%
Pulôver
Saias 100% 100% 100%
Sandálias 100% 100% 100% 100%
Sapatos 100% 100% 100%
Shorts 100%
Sobretudos 20% 20%
Sungas
Sutiãs 100% 100% 70% 100% 70% 100% 80% 80% 80% 50% 70% 20% 20%
Tênis 100% 100% 100%
Ternos
Toalhas 50% 100%
Vestidos 100% 100%
Anéis 90% 90% 90% 90% 90% 90% 90% 90% 90% 90% 90% 70% 70% 70% 70% 30% 30%
Bolsas 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%
Braceletes 60% 60% 60% 60% 60% 60% 60% 60% 60% 60% 60%
Brincos 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 70% 70% 70% 70% 50% 50%
Canetas 30% 30% 30% 30% 30% 30% 30% 30% 30% 30% 30%
Carteiras 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%
Chaveiros 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%
Colares 80% 80% 80% 80% 80% 80% 80% 80% 80% 80% 80%
Óculos 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 20% 20% 20% 20%
Óculos Escuros 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%
Pen Drives 30% 30% 30% 30% 30% 30% 30% 30% 30% 30% 30%
Presilhas de Cabelo 60% 60% 60% 60% 60% 60% 60% 60% 60% 60% 60% 30% 30% 30% 30% 30% 50%
Relógios de Pulso 70% 70% 70% 70% 70% 70% 70% 70% 70% 70% 70%
Telefones Celulares 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%
Walkie Mans 20% 20% 20% 20% 20% 20% 20% 20% 20% 20% 20%
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
