Representação baseada em Autoencoder empilhado otimizado por enxame de partículas
| dc.contributor.advisor | Araújo, Fábio Meneghetti Ugulino de | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/5473196176458886 | pt_BR |
| dc.contributor.author | Severino, Alcemy Gabriel Vitor | |
| dc.contributor.authorLattes | http://lattes.cnpq.br/7324129312150435 | pt_BR |
| dc.contributor.referees1 | Dorea, Carlos Eduardo Trabuco | |
| dc.contributor.referees1ID | https://orcid.org/0000-0002-3999-2874 | pt_BR |
| dc.contributor.referees1Lattes | http://lattes.cnpq.br/0143490577842914 | pt_BR |
| dc.contributor.referees2 | Lima, Jean Mario Moreira de | |
| dc.contributor.referees3 | Linhares, Leandro Luttiane da Silva | |
| dc.contributor.referees4 | Silva, Sérgio Natan | |
| dc.date.accessioned | 2024-02-15T20:12:07Z | |
| dc.date.available | 2024-02-15T20:12:07Z | |
| dc.date.issued | 2023-11-20 | |
| dc.description.resumo | A competitividade no mercado impulsiona as organizações a buscar o desenvolvimento tecnológico com o objetivo de aprimorar a qualidade dos produtos e reduzir os custos de produção, ao mesmo tempo em que atendem às demandas socioambientais dos consumidores. No entanto, os processos industriais podem apresentar desafios no monitoramento e controle em tempo real de variáveis críticas. Uma solução para esse problema é a utilização de soft sensors, que consistem em algoritmos capazes de estimar variáveis difíceis de serem medidas a partir de variáveis secundárias de fácil medição. Um desafio comum em projetos de soft sensors é a falta de dados rotulados, o que torna os métodos semi-supervisionados mais promissores do que os métodos tradicionais. Nesse contexto, a arquitetura de rede neural denominada Autoencoder Empilhado tem sido amplamente empregada. Essa arquitetura é treinada de forma não supervisionada e posteriormente ajustada de forma supervisionada. No entanto, a definição adequada dos hiperparâmetros do Autoencoder Empilhado, tais como tamanho do lote, taxa de aprendizado e número de características ocultas, representa um desafio. Os métodos tradicionais, como Grid Search e Random Search, são computacionalmente intensivos e podem não encontrar rapidamente a melhor combinação de hiperparâmetros. Uma alternativa mais eficiente é o uso de algoritmos meta-heurísticos, como a Otimização por Enxame de Partículas. Esses algoritmos exploram o espaço de busca de maneira mais inteligente e são mais eficazes em espaços de alta dimensionalidade. Uma abordagem promissora consiste em incorporar a Informação Mútua na função de avaliação da Otimização por Enxame de Partículas, em conjunto com o Erro Médio Quadrado. A Informação Mútua captura relações não lineares entre as saídas do Autoencoder Empilhado e as saídas reais do sistema, enquanto o Erro Médio Quadrado mede a diferença entre essas saídas. Neste contexto, a presente tese propõe o método Representação Baseada no Autoencoder Empilhado Otimizado por Enxame de Partículas, o qual utiliza a Otimização por Enxame de Partículas com uma função de avaliação modificada para otimizar os hiperparâmetros de um soft sensor baseado no Autoencoder Empilhado. Espera-se que essa abordagem aprimore a precisão e a capacidade de representação do Autoencoder Empilhado em comparação com as abordagens convencionais, que utilizam apenas o Erro Médio Quadrado. Com o objetivo de avaliar o desempenho dos modelos gerados pelo método proposto, foram selecionados dois processos não-lineares amplamente utilizados na indústria. Os resultados obtidos demonstram que a incorporação da Informação Mútua na função de avaliação permite uma busca mais eficiente e equilibrada, resultando em um Autoencoder Empilhado com melhor desempenho e capacidade de representação. | pt_BR |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | pt_BR |
| dc.identifier.citation | SEVERINO, Alcemy Gabriel Vitor. Representação baseada em Autoencoder empilhado otimizado por enxame de partículas. Orientador: Dr. Fábio Meneghetti Ugulino de Araújo. 2023. 71f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2023. | pt_BR |
| dc.identifier.uri | https://repositorio.ufrn.br/handle/123456789/57599 | |
| dc.language | pt_BR | pt_BR |
| dc.publisher | Universidade Federal do Rio Grande do Norte | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.publisher.initials | UFRN | pt_BR |
| dc.publisher.program | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Otimização por enxame de partículas | pt_BR |
| dc.subject | Sensores virtuais | pt_BR |
| dc.subject | Aprendizagem profunda | pt_BR |
| dc.subject | Autoencoders empilhados | pt_BR |
| dc.subject | Informação mútua | pt_BR |
| dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | pt_BR |
| dc.title | Representação baseada em Autoencoder empilhado otimizado por enxame de partículas | pt_BR |
| dc.type | doctoralThesis | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- RepresentacaobaseadaAutoencoder_Severino_2023.pdf
- Tamanho:
- 1.87 MB
- Formato:
- Adobe Portable Document Format
Nenhuma Miniatura disponível