Les nouvelles variables du modèle

As seguintes publicações e submissões foram realizadas no período do projeto.

Publicações

Thamires C. Luz, Tiago A. Almeida, Fábio L. Verdi. Detecção de Novidades em

Aparelhos Eletrônicos através do Monitoramento do Consumo de Energia. XII Encontro

Nacional de Inteligência Artificial e Computacional (ENIAC 2015), 2015.

Submissões

Aceito para publicação: Thamires C. Luz, Tiago A. Almeida, Fábio L. Verdi.

Towards Novelty Detection in Electronic Devices based on their Energy Consumption. 14th

67

Referências

AGGARWAL, C. C. Data streams: Models and algorithms (advances in database

systems). 1. ed. [S.l.]: Springer, 2006. Citado 2 vezes nas páginas 26e 28.

AGUAYO, L.; BARRETO, G. A. Novelty detection in time series through self-organizing networks: An empirical evaluation of two different paradigms. Neural Networks, Brazilian

Symposium on, IEEE Computer Society, Los Alamitos, CA, USA, v. 0, p. 129–134, 2008.

ISSN 1522-4899. Citado na página 28.

ALBERTINI, M. K.; MELLO, R. F. de. A self-organizing neural network for detecting novelties. In: Proceedings of the 2007 ACM Symposium on Applied Computing. New York, NY, USA: ACM, 2007. (SAC ’07), p. 462–466. ISBN 1-59593-480-4. Disponível em: <http://doi.acm.org/10.1145/1244002.1244110>. Citado 4 vezes nas páginas 28, 29, 30

e 35.

ANEEL - Bandeiras Tarifárias - Agência Nacional de Energia Elétrica. 2015. Disponível em: <http://www.aneel.gov.br/area.cfm?idArea=758>. Acesso em: agosto 2015. Citado na página 23.

BABCOCK, B. et al. Models and issues in data stream systems. In: Proceedings of the

Twenty-first ACM SIGMOD-SIGACT-SIGART Symposium on Principles of Database Systems. New York, NY, USA: ACM, 2002. (PODS ’02), p. 1–16. ISBN 1-58113-507-6.

Disponível em: <http://doi.acm.org/10.1145/543613.543615>. Citado na página 26. CAPILLARY Electrophoresis - Agilent Technologies. 2015. Disponível em:

<http://www.chem.agilent.com/en-US/products-services/Instruments-Systems/ Automated-Electrophoresis/7100-CE-System/Pages/default.aspx>. Acesso em: agosto 2015. Citado 3 vezes nas páginas 40, 42e 43.

CHANDOLA, V.; BANERJEE, A.; KUMAR, V. Anomaly detection: A survey. ACM

Comput. Surv., ACM, New York, NY, USA, v. 41, n. 3, p. 15:1–15:58, jul. 2009. ISSN

0360-0300. Disponível em: <http://doi.acm.org/10.1145/1541880.1541882>. Citado 3 vezes nas páginas 25, 26e 28.

CHOU, J.; TELAGA, A. Real-time detection of anomalous power consumption.

Renewable and Sustainable Energy Reviews, v. 33, n. 0, p. 400 – 411, 2014. ISSN

1364-0321. Citado na página29.

DATA - The World Bank. 2015. Disponível em: <http://data.worldbank.org/>. Acesso em: janeiro 2015. Citado na página 23.

DING, X. et al. An experimental evaluation of novelty detection methods.

Neurocomputing, v. 135, n. 0, p. 313 – 327, 2014. ISSN 0925-2312. Disponível em:

<http://www.sciencedirect.com/science/article/pii/S0925231213011314>. Citado na página 28.

EPE - Empresa de Pesquisa Energética. 2015. Disponível em: <http://www.epe.gov.br/ Paginas/default.aspx>. Acesso em: agosto 2015. Citado na página 23.

68 Referências

FELLER, W. An Introduction to Probability Theory and its Applications. 3rd. ed. [S.l.]: John Wiley & Sons, 1968. Citado 2 vezes nas páginas 30e 32.

FILHO, G. P. R. et al. NodePM: A remote monitoring alert system for energy consumption using probabilistic techniques. Sensors, v. 14, n. 1, p. 848, 2014. ISSN 1424-8220. Disponível em: <http://www.mdpi.com/1424-8220/14/1/848>. Citado 4 vezes nas páginas 26, 29, 34e 39.

GAMA, J. Knowledge Discovery from Data Streams. 1st. ed. [S.l.]: Chapman & Hall/CRC, 2010. ISBN 1439826110, 9781439826119. Citado na página 27.

GAMA, J.; GABER, M. M. Learning from Data Streams: Processing Techniques in

Sensor Networks. 2st. ed. [S.l.]: Springer-Verlag New York Inc, 2007. Citado na página

27.

HANSUN, S. A new approach of moving average method in time series analysis. In: New

Media Studies (CoNMedia), 2013 Conference on. [S.l.: s.n.], 2013. p. 1–4. Citado 4 vezes

nas páginas28, 30, 32e 33.

HAYAT, M.; HASHEMI, M. A dct based approach for detecting novelty and concept drift in data streams. In: Soft Computing and Pattern Recognition (SoCPaR), 2010

International Conference of. [S.l.: s.n.], 2010. p. 373–378. Citado na página29.

JUN, W.; YING, Z. A survey and performance evaluation on sliding window for data stream. In: Communication Software and Networks (ICCSN), 2011 IEEE 3rd

International Conference on. [S.l.: s.n.], 2011. p. 654–657. Citado na página33.

LIAO, T. W. Clustering of time series data—a survey. Pattern Recognition, v. 38, n. 11, p. 1857 – 1874, 2005. ISSN 0031-3203. Citado 3 vezes nas páginas 28, 29 e35.

LIMTHONG, K. et al. Unsupervised learning model for real-time anomaly detection in computer networks. IEICE Transactions on Information and Systems, E97-D, p. 2084–2094, 2014. Citado na página31.

MARKOU M.; SINGH, S. Novelty detection: a review—part 2: neural network based approaches. Signal Processing, v. 88, n. 2499–2521, 2003. Citado na página28.

MITCHELL, T. M. Machine Learning. 1. ed. New York, NY, USA: McGraw-Hill, Inc., 1997. ISBN 0070428077, 9780070428072. Citado na página27.

NGUYEN, H.; WOON, Y.; NG, W. A survey on data stream clustering and classification.

Knowledge and Information Systems, Springer London, p. 1–35, 2014. ISSN 0219-1377.

Citado 2 vezes nas páginas 28e 29.

PAIVA, E. R. d. F. Detecção de novidade em fluxos contínuos de dados multiclasse. Tese (Doutorado) — Tese de Defesa de Doutorado. Instituto de Ciências Matemáticas e de

Computação da Universidade de São Paulo (ICMC-USP), 2014. Citado na página26. PIMENTEL, M. A. F. et al. A review of novelty detection. Signal Processing, v. 99, n. 0, p. 215 – 249, 2014. Citado na página28.

RUSSELL, S.; NORVIG, P. The Artificial Intelligence. 3rd. ed. [S.l.]: Prentice Hall Press, 2010. Citado na página27.

Referências 69

SCIPY. 2015. Disponível em: <http://www.scipy.org>. Acesso em: agosto 2015. Citado na página 32.

SILVA, J. A. et al. Data stream clustering: A survey. ACM Comput. Surv., ACM, New York, NY, USA, v. 46, n. 1, p. 13:1–13:31, jul. 2013. ISSN 0360-0300. Citado 3 vezes nas páginas 28, 29e 30.

SPINOSA, E. J. Detecção de novidade com aplicação a fluxos contínuos de dados. Tese (Doutorado) — Tese de Defesa de Doutorado. Instituto de Ciências Matemáticas e de

Computação da Universidade de São Paulo (ICMC-USP), 2008. Citado 2 vezes nas páginas 25e 29.

TAI, S.; LIN, C.; CHEN, Y. Design and implementation of the extended exponentially weighted moving average control charts. In: Management and Service Science, 2009.

MASS ’09. International Conference on. [S.l.: s.n.], 2009. p. 1–4. Citado na página 30.

WANG, Y.; ZHAO, C.; CHANG, C. Anomaly detection using sliding causal windows. In:

Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International. [S.l.: