00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) IC - INSTITUTO DE COMPUTAÇÃO Dissertações e Teses defendidas na UFAL - IC
Use este identificador para citar ou linkar para este item: http://www.repositorio.ufal.br/jspui/handle/123456789/10808
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Aquino, André Luiz Lins de-
dc.contributor.advisor1LattesCV: http://lattes.cnpq.br/7957606883987162pt_BR
dc.contributor.referee1Coelho, Jorge Artur Peçanha de Miranda-
dc.contributor.referee2Queiroz, Fabiane da Silva-
dc.creatorFarias, Daniel Gomes de Mello-
dc.creator.Latteshttp://lattes.cnpq.br/0695887937325404pt_BR
dc.date.accessioned2023-03-29T21:15:46Z-
dc.date.available2024-03-17-
dc.date.available2023-03-29T21:15:46Z-
dc.date.issued2020-07-17-
dc.identifier.citationFARIAS, Daniel Gomes de Mello. Avaliação de técnicas de inteligência artificial para predição e classificação de séries temporais. 2023. 79 f. Dissertação (Mestrado em Modelagem Computacional de Conhecimento) – Programa de Pós-Graduação em Modelagem Computacional de Conhecimento, Instituto de Computação, Universidade Federal de Alagoas, Maceió, 2020.pt_BR
dc.identifier.urihttp://www.repositorio.ufal.br/jspui/handle/123456789/10808-
dc.description.abstractThis work aims to apply deep learning techniques (Long Short Term Memory and Convolutional Neural Network) in time series. The study was carried out in two databases. One to classify the electroencephalogram signal, and another, to predict solar radiation. Various tools were used in the different stages of pre-processing, feature extraction and classification / prediction. The developed models were compared with the literature using metrics such as: accuracy and root mean square error (RMSE), obtaining significant results. In the radiation prediction the RMSE was 78W/m2 while for the classification of the cerebral signal, the accuracy of the model reached 86%, which represents great advances in several areas of health, engineering and meteorology.pt_BR
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Alagoaspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Computacional de Conhecimentopt_BR
dc.publisher.initialsUFALpt_BR
dc.rightsAcesso Embargadopt_BR
dc.subjectAprendizagem profundapt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectAnálise de séries temporaispt_BR
dc.subjectSinais cerebraispt_BR
dc.subjectRadiação solarpt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectBrain signalpt_BR
dc.subjectDeep learningpt_BR
dc.subjectSolar radiationpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleAvaliação de técnicas de inteligência artificial para predição e classificação de séries temporaispt_BR
dc.title.alternativeEvaluation of Artificial Intelligence Techniques for Time Series Prediction and Classificationpt_BR
dc.typeDissertaçãopt_BR
dc.description.resumoEste trabalho tem por objetivo avaliar o impacto das técnicas de aprendizagem profunda (Long Short Term Memory e Convolutional Neural Network) para predição e classificação de séries temporais, em duas aplicações específicas. Uma para classificar o sinal de eletroencefalograma, e outro, na predição da radiação solar. Foram utilizadas várias ferramentas nas diversas etapas de pré processamento, extração de características (transformada de Fourier, Wavelet, principais componentes de análise, entropias) e classificação/predição (convolutional neural network e long short term memory). Os modelos desenvolvidos foram comparados com a literatura utilizando métricas como: acurácia e root mean square error (RMSE), obtendo resultados significativos embora não supere o estado da arte. Na predição da radiação o RMSE foi de 78W/m2 enquanto que para a classificação do sinal cerebral, a acurácia do modelo chegou até 86%.pt_BR
Aparece nas coleções:Dissertações e Teses defendidas na UFAL - IC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Avaliação de técnicas de inteligência artificial para predição e classificação de séries temporais.pdf4.93 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.