• 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
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.45.2020.tde-10122020-165920
Document
Auteur
Nom complet
Thiago Ildeu Albuquerque Lira
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2020
Directeur
Jury
Finger, Marcelo (Président)
John, Vanderley Moacyr
Lotufo, Roberto de Alencar
Titre en portugais
Modelos neurais para regressão de séries temporais
Mots-clés en portugais
Deep learning
Inferência Bayesiana
Séries temporais
Resumé en portugais
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.
Titre en anglais
Neural models for regression on time series
Mots-clés en anglais
Bayesian inference
Deep learning
Time series
Resumé en anglais
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.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
diss_corrigida.pdf (1.62 Mbytes)
Date de Publication
2020-12-18
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2021. Tous droits réservés.