Navegando por Assunto "Aprendizado profundo ( Aprendizado do computador)"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Prognóstico de falhas baseado em redes neurais convolucionais: uma análise para estimar a vida útil remanescente de turbinas turbofan(2021-06-03) SILVA, William Machado da; BAYMA, Rafael Suzuki; http://lattes.cnpq.br/6240525080111166Este trabalho propõe um método baseado em aprendizado profundo para estimar a vida útil remanescente (RUL do inglês, Remaining Useful Life) de turbinas turbofan. É apresentada uma arquitetura de rede neural convolucional (CNN do inglês, Convolutional Neural Network). O método proposto é aplicado a um conjunto de dados da NASA (do inglês, National Aeronautics and Space Administration) para a estimativa RUL, variando o conjunto de sensores e a forma de degradação das turbinas em dois modelos: RUL linear e RUL linear por partes. Os resultados experimentais são comparados entre si e com outros métodos encontrados na literatura, as comparações mostram que o método proposto RUL linear por partes apresenta desempenho comparável aos outros trabalhos publicados em termos da raiz do erro quadrático médio (RMSE do inglês, Root Mean Square Error) e uma métrica específica de competições de prognósticos.Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Sistema de reconhecimento facial com base em técnicas de aprendizado de máquina(2022-01-31) SANTOS, Vagner Vieira dos; PINHEIRO, Daniel da Conceição; http://lattes.cnpq.br/2970581734279237O trabalho propõe estudos na área de aprendizado de máquina para reconhecimento facial. A implementação de um sistema de identificação pessoal visa comparar fluxos de informação contidos em conjuntos de dados obtidos a partir do processamento de vídeos e fotos de indivíduos como mecanismo de prevenção de fraudes. A tecnologia de redes neurais é usada para criar embeddings (representação vetorial de características faciais) de rostos, extraindo rostos de fotos. Assim, são utilizados modelos previamente treinados em bancos de dados massivos, como OpenFace e Facenet, pois são validados e demonstram resultados científicos com alto índice de eficácia. Vale ressaltar que os procedimentos foram aplicados e comparados com diferentes classificadores como Support Vector Machine (SVM), k-Nearest Neighbors (KNN) e Convolutional Neural Network (ConvNet). Os resultados adquiridos foram baseados no processo de comparação entre programação Python via Jupyter Notebook e Orange Software versão 3.29.3. Os testes realizados mostraram resultados positivos e promissores.