• 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
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.45.2020.tde-10122020-165920
Documento
Autor
Nome completo
Thiago Ildeu Albuquerque Lira
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2020
Orientador
Banca examinadora
Finger, Marcelo (Presidente)
John, Vanderley Moacyr
Lotufo, Roberto de Alencar
Título em português
Modelos neurais para regressão de séries temporais
Palavras-chave em português
Deep learning
Inferência Bayesiana
Séries temporais
Resumo em português
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 em inglês
Neural models for regression on time series
Palavras-chave em inglês
Bayesian inference
Deep learning
Time series
Resumo em inglês
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.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
diss_corrigida.pdf (1.62 Mbytes)
Data de Publicação
2020-12-18
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2022. Todos os direitos reservados.