Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Bridi, Ana Maria | - |
Autor(es): dc.contributor | Nicolau, Juliana Pampana | - |
Autor(es): dc.contributor | Ayrosa, Pedro Paulo da Silva | - |
Autor(es): dc.contributor | Barbon Junior, Sylvio | - |
Autor(es): dc.creator | Peres, Louise Manha | - |
Data de aceite: dc.date.accessioned | 2025-05-15T12:51:38Z | - |
Data de disponibilização: dc.date.available | 2025-05-15T12:51:38Z | - |
Data de envio: dc.date.issued | 2024-09-30 | - |
Data de envio: dc.date.issued | 2024-09-30 | - |
Data de envio: dc.date.issued | 2018-02-27 | - |
Fonte completa do material: dc.identifier | https://repositorio.uel.br/handle/123456789/17817 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/976094 | - |
Descrição: dc.description | A classificação da qualidade da carne suína é de extrema importância, uma vez que a partir desta podemos avaliar direta e indiretamente as ações tomadas na cadeia produtiva. Inúmeros são os padrões de classificação descritos na literatura, não havendo consenso entre eles no que se refere a quantidade de classes nem tampouco em relação aos limiares entre classes. E estes limiares são rígidos, ou seja, para uma amostra ser classificada ela tem que se encaixar numericamente nos limiares máximo e mínimo de uma classe e por isso é comum haver amostras que não se enquadram em nenhuma classe devido aos fatores intrínsecos e extrínsecos que afetam a qualidade da carne, sendo nesta ocasião denominadas amostras não factíveis. "Qual padrão escolher para classificar a qualidade tecnológica da carne?" e "O que fazer para classificar uma amostra quando ela não se enquadra em nenhuma classe?". As soluções para esta problemática são apresentadas nos dois artigos que compõem esta tese. ARTIGO I: "Meta-recommendation of pork quality standards" - através da meta- recomendação, utilizando o algoritmo de árvore de decisão J48 obtivemos resultado de máximo desempenho para o meta-modelo, considerando as medidas de acurácia, coeficiente kappa, verdadeiro-positivo, falso-positivo, precisão, revocação e F-measure (média ponderada entre precisão e revocação). Sendo assim, é notória a contribuição destes resultados para direcionar com confiabilidade o padrão de qualidade de carne suína mais adequado a qualquer dataset em estudo. ARTIGO II: "Fuzzy approach for classification of pork into quality grades: coping with unclassifiable samples" - quando classificamos as amostras com a lógica clássica, segundo os limiares rígidos dos padrões descritos, facilmente encontramos amostras não factíveis. Em função disto, muitos lotes de carne podem ser direcionadas para nichos de mercados não condizentes com suas características tecnológicas. Os resultados encontrados nesse artigo foram relevantes, pois a porcentagem de amostras não factíveis foi reduzida consideravelmente quando utilizada a lógica fuzzy em comparação a lógica clássica. Com este trabalho conseguimos preencher satisfatoriamente várias lacunas da classificação da qualidade da carne suína. Inicialmente fizemos a meta-recomendação do padrão mais adequado ao dataset e na sequência aplicamos a lógica fuzzy para aumentar a porcentagem de amostras classificáveis. Assim, é notória a contribuição da lógica fuzzy como uma ferramenta viável e confiável para comercializar produtos cárneos estrategicamente em função de sua classe de qualidade. | - |
Descrição: dc.description | The pork quality classification is extremely important, since it allows us to directly and indirectly evaluate actions taken in the production chain. There are innumerous classification standards described in the literature, but no consensus about the quantity of classes and their threshold values. Moreover, the thresholds are inflexible, meaning that for a sample to be classified it has to fit numerically into the maximum and minimum thresholds of a class. However, it´s common to have samples that do not fit in any class due to intrinsic and extrinsic factors that affect the pork quality, being in this occasion named infeasible samples. In this scenario, the questions "Which standard to choose in order to classify the pork quality?" and "What to do in order to classify a sample when it doesn´t fit into any class?" arise. The solutions for these problems are presented in the two papers contained in this thesis. PAPER I: "Meta-recommendation of pork quality standards" - With the meta- recommendation, using the decision tree algorithm J48, we obtained maximum performance for the meta-model, considering the measures of accuracy, kappa coefficient, true-positive, false-positive, precision, recall and F-measure (weighted average between precision and recall). Thus, the contribution of these results is notorious for a reliable definition of the most adequate pork quality standard to any dataset under study. PAPER II: "Fuzzy approach for classification of pork into quality grades: coping with unclassifiable samples" - When we classify samples with the classical approach, according to the inflexible thresholds of the described patterns, we can easily find infeasible samples. As a consequence, many meat batches can be targeted to market niches that do not match with their technological characteristics. The results found in this article were relevant, since the percentage of infeasible samples was considerably reduced when using fuzzy logic in comparison to classical logic. Therefore, we were able to satisfactorily fill many gaps of the pork quality classification. We initially made the meta-recommendation of the most appropriate pattern to the dataset and subsequently applied the fuzzy logic to increase the percentage of classifiable samples. Hence, the contribution of the fuzzy logic is notorious as a viable and reliable tool to strategically market meat products in function of its quality class. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Idioma: dc.language | pt_BR | - |
Relação: dc.relation | CCA - Departamento de Clínicas Veterinárias | - |
Relação: dc.relation | Programa de Pós-Graduação em Ciência Animal | - |
Relação: dc.relation | Universidade Estadual de Londrina - UEL | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Árvore de decisão | - |
Palavras-chave: dc.subject | Classes | - |
Palavras-chave: dc.subject | Factíveis | - |
Palavras-chave: dc.subject | Meta aprendizado | - |
Palavras-chave: dc.subject | Padrões | - |
Palavras-chave: dc.subject | Ciências Agrárias - Medicina Veterinária | - |
Palavras-chave: dc.subject | Ciências Agrárias - Medicina Veterinária | - |
Palavras-chave: dc.subject | Class | - |
Palavras-chave: dc.subject | Decision tree | - |
Palavras-chave: dc.subject | Feasible | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Meta learning | - |
Palavras-chave: dc.subject | Standards | - |
Título: dc.title | Inteligência computacional e lógica fuzzy na classificação da qualidade tecnológica da carne suína | - |
Título: dc.title | Computational intelligence and fuzzy logic in the pork quality classification | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional da UEL - RIUEL |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: