• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.45.2020.tde-10122020-165920
Documento
Autor
Nombre completo
Thiago Ildeu Albuquerque Lira
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2020
Director
Tribunal
Finger, Marcelo (Presidente)
John, Vanderley Moacyr
Lotufo, Roberto de Alencar
Título en portugués
Modelos neurais para regressão de séries temporais
Palabras clave en portugués
Deep learning
Inferência Bayesiana
Séries temporais
Resumen en portugués
Dada a crescente importância da predição de resistência compressiva do cimento para um uso mais eciente de recursos na indústria, literatura recente busca analisar quais modelos estatísticos podem auxiliar o processo indústrial. Esse trabalho documenta a aplicação de técnicas de Deep Learning Bayesiano para a geração de predições temporais robustas e conáveis para a resistência compressiva do cimento. Os resultados mostram que técnicas de Inferência Bayesiana para modelos de Aprendizado Profundo promovem um ganho sensível de acurácia para o problema de predição de RC, com o benefício adicional das características probabilísticas das predições, tornando-as mais seguras para o possível uso no chão de fábrica.
Título en inglés
Neural models for regression on time series
Palabras clave en inglés
Bayesian inference
Deep learning
Time series
Resumen en inglés
Given the increasing importance of the prediction of the cement compressive strength for a more ecient use of resources on the industry, recent literature has been experimenting with statistical models to aid the industrial process. This thesis studies the application of Bayesian Deep Learning techniques to achieve robust and accurate predictions of the compressive strength. The results show that Bayesian Inference techniques applied to Deep Learning models promote a sensible increase of accuracy for the problem of CS predition, with the additional benet gained from the probabilistic nature of the predictions, making them more suitable to be used on the factory oor.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
diss_corrigida.pdf (1.62 Mbytes)
Fecha de Publicación
2020-12-18
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2022. Todos los derechos reservados.