Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/30503
Registro completo de metadados
Campo DCValorIdioma
dc.creatorRamos, Daniel Carvalho de-
dc.date.accessioned2023-02-02T14:46:35Z-
dc.date.available2023-02-02T14:46:35Z-
dc.date.issued2022-04-29-
dc.identifier.citationRAMOS, Daniel Carvalho de. Análise comparativa de algoritmos de clusterização para reconhecimento de objetos em sistemas de radar automotivo. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/30503-
dc.description.abstractThe great difficulty of the automotive industry is to create a safe and reliable navigation system for the autonomous vehicle, it is something that involves many steps, among them, the fusion of sensors and vehicular communication networks for the recognition of objects, an alternative to this challenge is the use of clustering algorithms in automotive radar systems. Clustering algorithm can be defined as a Machine Learning technique that involves grouping data points, and it works as follows, given a set of data points, we can use a clustering algorithm to classify each data point into a specific group. In theory, data points that are in the same group should have similar properties and/or features, while data points in different groups should have highly different properties and/or features. Clustering is an unsupervised learning method and is a common technique for analyzing statistical data used in many fields. There are several methods that have been developed for the application of clustering, among them we have ten main methods, Affinity Propagation, Agglomerative Clustering, BIRCH, DBSCAN, KMeans, MiniBatch KMeans, Mean Shift, OPTICS, Spectral Clustering, Mixture of Gaussians. In this work, we will present a comparative analysis of the clustering algorithms, to verify which one has the highest efficiency to be used in an automotive radar system for object recognition, a point of extreme importance, for the construction of autonomous vehicles.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/pt_BR
dc.subjectAlgorítmospt_BR
dc.subjectCluster (Sistema de computador)pt_BR
dc.subjectRadarpt_BR
dc.subjectSimulação (Computadores)pt_BR
dc.subjectAlgorithmspt_BR
dc.subjectCluster analysis - Computer programspt_BR
dc.subjectRadarpt_BR
dc.subjectComputer simulationpt_BR
dc.titleAnálise comparativa de algoritmos de clusterização para reconhecimento de objetos em sistemas de radar automotivopt_BR
dc.title.alternativeComparative analysis of clustering algorithms for object recognition in automotive radar systemspt_BR
dc.typebachelorThesispt_BR
dc.description.resumoA grande dificuldade do ramo automotivo é criar um sistema de navegação seguro e confiável para o veículo autônomo, é algo que envolve muitas etapas entre elas, a fusão de sensores e redes de comunicação veicular para o reconhecimento de objetos, uma alternativa para esse desafio é a utilização de algoritmos de clusterização em sistemas de radares automotivos. O algoritmo de clusterização pode ser definido como uma técnica de Machine Learning que envolve o agrupamento de pontos de dados, e funciona da seguinte maneira, dado um conjunto de pontos de dados, podemos usar um algoritmo de agrupamento para classificar cada ponto de dados em um grupo específico. Em teoria, os pontos de dados que estão no mesmo grupo devem ter propriedades e ou recursos semelhantes, enquanto os pontos de dados em grupos diferentes devem ter propriedades e ou recursos altamente diferentes. O agrupamento é um método de aprendizado não supervisionado e é uma técnica comum para análise de dados estatísticos usada em muitos campos. Existem diversos métodos que foram desenvolvidos para a aplicação da clusterização, dentre eles temos dez métodos principais, o Affinity Propagation, Agglomerative Clustering, BIRCH, DBSCAN, KMeans, MiniBatch KMeans, Mean Shift, OPTICS, Spectral Clustering, Mixture of Gaussians. Nesse trabalho, vamos apresentar uma análise comparativa dos algoritmos de clusterização, para verificarmos, qual tem a maior eficiência para ser utilizado em um sistema de radar automotivo para o reconhecimento de objetos, ponto de extrema importância, para a construção de veículos autônomos.pt_BR
dc.degree.localPonta Grossapt_BR
dc.publisher.localPonta Grossapt_BR
dc.contributor.advisor1Santos, Max Mauro Dias-
dc.contributor.referee1Santos, Max Mauro Dias-
dc.contributor.referee2Gonçalves, Cristhiane-
dc.contributor.referee3Andrade, Mauren Louise Squario Coelho de-
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento Acadêmico de Engenharia de Elétricapt_BR
dc.publisher.programEngenharia Elétricapt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
Aparece nas coleções:PG - Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
algoritmosreconhecimentoradarautomotivo.pdf4,46 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons