Tese

Sensoriamento ambiental com gymnotiformes (pisces).

A Amazônia Brasileira contém a maior diversidade conhecida de peixes da Ordem Gymnotiformes. Estes peixes elétricos, como são popularmente conhecidos, têm sido intensamente estudados por causa de sua capacidade bioelétrica. Em função destes dois fatores, neste estudo desenvolveu-se procedimentos bio...

ver descrição completa

Autor principal: Schwertner Filho, Gilberto
Outros Autores: http://lattes.cnpq.br/6768576719778466
Grau: Tese
Idioma: por
Publicado em: Universidade Federal do Amazonas 2015
Assuntos:
Peixes Elétricos Neotropicais, Biomonitoramento, Redes Neurais Artificiais.
Neotropical Electric Fish, Biomonitoring, Artificial Neural Networks.
CIÊNCIAS BIOLÓGICAS
Acesso em linha: http://tede.ufam.edu.br/handle/tede/3115
id oai:https:--tede.ufam.edu.br-handle-:tede-3115
recordtype dspace
spelling oai:https:--tede.ufam.edu.br-handle-:tede-31152016-04-22T14:49:55Z Sensoriamento ambiental com gymnotiformes (pisces). Schwertner Filho, Gilberto Gomes, Jose Antônio Alves http://lattes.cnpq.br/6768576719778466 http://lattes.cnpq.br/9910235333145697 Peixes Elétricos Neotropicais, Biomonitoramento, Redes Neurais Artificiais. Neotropical Electric Fish, Biomonitoring, Artificial Neural Networks. CIÊNCIAS BIOLÓGICAS A Amazônia Brasileira contém a maior diversidade conhecida de peixes da Ordem Gymnotiformes. Estes peixes elétricos, como são popularmente conhecidos, têm sido intensamente estudados por causa de sua capacidade bioelétrica. Em função destes dois fatores, neste estudo desenvolveu-se procedimentos biotecnológicos para sensoriamento ambiental por meio do processamento e análise das descargas do órgão elétricos (DOEs) de Gymnotiformes. Estes procedimentos geraram subsídios para compor um sistema de alerta ambiental, com peixes elétricos como biossensores de contaminações por petróleo na água, com dois principais fatores modelados: depleção de oxigênio dissolvido (hipoxia) e a presença da fração solúvel de petróleo em água (Benzeno, Tolueno, Etilbenzeno e Xileno - BTEX). Foram desenvolvidos algoritmos computacionais utilizando-se técnicas de inteligência artificial com redes neurais artificiais de múltiplas camadas. Estes algoritmos foram testados para o reconhecimento de padrões nas DOEs de Gymnotiformes, com a classificação por meio de características mais basais da taxa de repetição (pulso e onda), e, com a classificação por Genero de Gymnotiformes onduladores. Redes neurais artificiais de uma camada interna com 64 neurônios, algoritmo de treinamento retropropagativo com renovação das taxas de aprendizados por relações heurísticas e validação cruzada via erro médio quadrático, obtiveram máxima performance na avaliação computacional das DOEs. Fundação de Amparo à Pesquisa do Estado do Amazonas 2015-04-20T12:31:43Z 2015-04-07 2010-12-08 Tese SCHWERTNER FILHO, Gilberto. Sensoriamento ambiental com gymnotiformes (pisces).. 2010. 114 f. Tese (Doutorado em Biotecnologia) - Universidade Federal do Amazonas, Manaus, 2010. http://tede.ufam.edu.br/handle/tede/3115 por Acesso Aberto application/pdf Universidade Federal do Amazonas Instituto de Ciências Biológicas BR UFAM Programa de Pós-Graduação em Biotecnologia
institution TEDE - Universidade Federal do Amazonas
collection TEDE-UFAM
language por
topic Peixes Elétricos Neotropicais, Biomonitoramento, Redes Neurais Artificiais.
Neotropical Electric Fish, Biomonitoring, Artificial Neural Networks.
CIÊNCIAS BIOLÓGICAS
spellingShingle Peixes Elétricos Neotropicais, Biomonitoramento, Redes Neurais Artificiais.
Neotropical Electric Fish, Biomonitoring, Artificial Neural Networks.
CIÊNCIAS BIOLÓGICAS
Schwertner Filho, Gilberto
Sensoriamento ambiental com gymnotiformes (pisces).
topic_facet Peixes Elétricos Neotropicais, Biomonitoramento, Redes Neurais Artificiais.
Neotropical Electric Fish, Biomonitoring, Artificial Neural Networks.
CIÊNCIAS BIOLÓGICAS
description A Amazônia Brasileira contém a maior diversidade conhecida de peixes da Ordem Gymnotiformes. Estes peixes elétricos, como são popularmente conhecidos, têm sido intensamente estudados por causa de sua capacidade bioelétrica. Em função destes dois fatores, neste estudo desenvolveu-se procedimentos biotecnológicos para sensoriamento ambiental por meio do processamento e análise das descargas do órgão elétricos (DOEs) de Gymnotiformes. Estes procedimentos geraram subsídios para compor um sistema de alerta ambiental, com peixes elétricos como biossensores de contaminações por petróleo na água, com dois principais fatores modelados: depleção de oxigênio dissolvido (hipoxia) e a presença da fração solúvel de petróleo em água (Benzeno, Tolueno, Etilbenzeno e Xileno - BTEX). Foram desenvolvidos algoritmos computacionais utilizando-se técnicas de inteligência artificial com redes neurais artificiais de múltiplas camadas. Estes algoritmos foram testados para o reconhecimento de padrões nas DOEs de Gymnotiformes, com a classificação por meio de características mais basais da taxa de repetição (pulso e onda), e, com a classificação por Genero de Gymnotiformes onduladores. Redes neurais artificiais de uma camada interna com 64 neurônios, algoritmo de treinamento retropropagativo com renovação das taxas de aprendizados por relações heurísticas e validação cruzada via erro médio quadrático, obtiveram máxima performance na avaliação computacional das DOEs.
author_additional Gomes, Jose Antônio Alves
author_additionalStr Gomes, Jose Antônio Alves
format Tese
author Schwertner Filho, Gilberto
author2 http://lattes.cnpq.br/6768576719778466
author2Str http://lattes.cnpq.br/6768576719778466
title Sensoriamento ambiental com gymnotiformes (pisces).
title_short Sensoriamento ambiental com gymnotiformes (pisces).
title_full Sensoriamento ambiental com gymnotiformes (pisces).
title_fullStr Sensoriamento ambiental com gymnotiformes (pisces).
title_full_unstemmed Sensoriamento ambiental com gymnotiformes (pisces).
title_sort sensoriamento ambiental com gymnotiformes (pisces).
publisher Universidade Federal do Amazonas
publishDate 2015
url http://tede.ufam.edu.br/handle/tede/3115
_version_ 1831969101592920064
score 11.753735

Registros relacionados