 |
|
|
Análise da Violência nas Capitais Brasileiras - Redes Neurais - isnard martins
Palavras chave: Indicadores, Redes Neurais, Criminalística, Pesquisa Operacional, Trigonometria
|
|
Centro
Científico de Estudos de Segurança Pública |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Este ensaio oferece uma classificação da
violência nas capitais
brasileiras, tratando índices de homicídios relacionados com a população, agrupando os resultados processados por meio de redes
neurais. Os dados fonte compreendem indicadores de homicídios por 100.000
mil habitantes, referentes às capitais brasileiras, editados pelo Ministério
da Saúde (ano 2000) e os índices demográficos divulgados pelo IBGE. O visão final do estudo será o resultado do tratamento das variáveis processadas via rede neural, utilizando uma arquitetura SOM (Self Organized Method) Competitive Learning, agrupando as capitais em quatro clusters:
Grupo Critério de Classificação Usando como ambiente de classificação um círculo trigonométrico (hiper espaço), as variáveis foram distribuídas nos quadrantes do espaço onde, após processamento, foram gerados centróides (neurônios) melhor representativos das capitais em cada respectivo quadrante. As grandezas identificadas como "Grandes", "Pequenas", "Altas" ou "Baixas" são referências relativas, sem variações intermediárias ou sub-classificações, restrições impostas somente para efeitos deste ensaio. Resultados gerais do Ensaio
O centróide, calculado via rede neural, ajusta-se ao vetor mais típico do quadrante, não representando necessariamente a capital mais ou menos violenta, ou mais ou menos populosa, dentro de cada quadrante. O modelo de
agrupamento e classificação
Associando variáveis aos Padrões Associando o Padrão 1 com Homicídios e o Padrão 2 com Habitantes, teríamos:
As variáveis do Ensaio Os dados originais usados neste ensaio foram os seguintes:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
O Método de Classificação SOM |
Análise dos Clusters |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Competitive LearningÉ uma forma de aprendizado que particiona o conjunto de padrões de entrada em grupos específicos de dados. Forma simplificada : Winner takes all (o ganhador leva tudo) Objetivos: · Demonstra graficamente os resultados promovidos por uma competição entre os processadores de uma rede neural auto-organizável. · Desenvolve ensaios laboratoriais de estudos, onde o método denominado Competitive Learning pode ser aplicado como solução para “clusterização” de variáveis. Representação Geométrica
Após normalizados, os vetores de entrada (valores numéricos) foram plotados no círculo trigonométrico, apresentando a distribuição abaixo. Podemos observar, no primeiro quadrante, as referências dos vetores Rio de Janeiro e São Paulo, que, devido à magnitude, causou uma distorção nos demais vetores do conjunto selecionado para o ensaio. A distorção concentrou a massa de dados restante no terceiro quadrante.
Desta forma, estes dados foram desindexados do conjunto original, e novamente normalizados. O resultado da segunda organização apresentou o seguinte resultado gráfico:
|
Os dados classificados apresentaram os seguintes resultados e agrupamentos (clusters):
Primeiro Quadrante
Centróide: Recife
Segundo Quadrante
Terceiro Quadrante
Capitais:
Quarto Quadrante
Capitais:
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
As Variáveis normalizadas |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Os dados originais, após desindexados,
foram os seguintes:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Software VisualSOM |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
O método e Software utilizados neste ensaio incorporam recursos desenvolvidos por Isnard Martins nas pesquisas de Doutorado, orientados pelos professores Dra Marley Vellasco, Engenharia Elétrica, PUC-Rio e DR Silvio Hamacher, Engenharia Industrial, PUC-Rio. Referências bibliográficas e teóricas sobre o assunto podem ser consultadas em REDES NEURAIS. Competitive Learning - Referência de operação
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Bibliografia Vellasco Marley, Redes Neurais, ICA Núcleo de Pesquisa em Inteligência Computacional Aplicada, PUC-Rio, Julho de 2005 Haykin Simon; Neural Networks – A Comprehensive Foundation. Macmillan College Publishing Company, USA, 1994 Martins Isnard. Software Visual SOM – Competitive Learning Redes Neurais. DEI , PUC-Rio, 2005/2006 Martins Isnard - Competitive Learning - http://www.citynet.com.br/redesneurais/ |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
 Tecnologia
de pesquisa Brasileira |
Consulte: |
Disponibilizei
o software para
