Navegando por Assunto "Prediction"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Compression of activation signals from partitioned deep neural networks exploring temporal correlation
(Universidade Federal do Pará, 2024-11-27) SILVA, Lucas Damasceno; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
O uso de redes neurais artificiais para detecção de objetos, juntamente com avanços na pesquisa de 6G e IoT, desempenha um papel importante em aplicações como monitoramento de estruturas por drones, operações de busca e resgate, e implantação em plataformas de hardware como FPGAs. No entanto, um desafio fundamental na implementação dessas redes em tais hardwares é a necessidade de economizar recursos computacionais. Apesar dos avanços substanciais na capacidade computacional, implementar dispositivos com recursos amplos continua sendo um desafio. Como solução, técnicas de particionamento e compressão de redes neurais, bem como compressão de sinais de ativação (ou feature maps), foram desenvolvidas. Este trabalho propõe um sistema que particiona modelos de redes neurais para detecção de objetos em vídeos, alocando parte da rede em um end device e o restante em um servidor na nuvem. O sistema também comprime os mapas de características gerados pelas últimas camadas no dispositivo final, explorando a correlação temporal, o que possibilita um esquema de compressão preditiva. Essa abordagem permite que redes neurais sejam incorporadas em dispositivos de baixo consumo de energia, respeitando os limites computacionais do dispositivo, as restrições de taxa de transmissão do canal de comunicação entre o dispositivo e o servidor, e os requisitos de precisão da rede. Experimentos conduzidos em modelos de redes neurais pré-treinadas mostram que o sistema proposto pode reduzir significativamente a quantidade de dados a serem armazenados ou transmitidos ao explorar a correlação temporal, facilitando a implantação dessas redes em dispositivos com poder computacional limitado.
Acesso aberto (Open Access)
Farinha de mandioca (Manihot esculenta) e tucupi: uma abordagem analítica utilizando espectroscopia no unfravermelho próximo (NIRS) e ferramentas quimiométricas
(Universidade Federal do Pará, 2022-04-25) POMPEU, Darly Rodrigues; SOUZA, Jesus Nazareno Silva de; http://lattes.cnpq.br/3640438725903079; PENA, Rosinelson da Silva; http://lattes.cnpq.br/3452623210043423
A espectroscopia no infravermelho próximo (NIRS) associada à quimiometria tem sido amplamente utilizada como ferramenta analítica para obtenção de respostas rápidas e confiáveis. A farinha de mandioca, dependendo de seu processo de produção pode ser classificada sendo do tipo seca (não fermentada) ou d’água (fermentada). O tucupi é um caldo amarelo, ácido, fortemente aromático e amplamente utilizado na culinária paraense. Esta tese propôs-se a aplicar pela primeira vez a (NIRS) associada a quimiometria, aos dois produtos da cadeia produtiva da mandioca de maior destaque regional: a farinha de mandioca e o tucupi. Neste sentido, foram analisadas 106 amostras de farinha de mandioca (49 fermentadas e 57 não fermentadas) e avaliados nove parâmetros físico- químicos. A NIRS associada às análises multivariadas (PLS) permitiram de forma rápida e não destrutiva a predição simultânea (R2 > 0,727) dos parâmetros de atividade de água (RMSEC = RMSEV = 0,05), teor de umidade (RMSEC = 0,35%; RMSEV = 0,45%) e pH (RMSEC = 0,16; RMSEV = 0,18) das farinhas avaliadas. Além disso, a NIRS associada às análises discriminantes (PCA-LDA) (taxa de acerto: 84,6–96,2%) permitiram uma melhor discriminação das amostras de farinhas fermentadas e não fermentadas do que as análises físico-químicas (taxa de acerto: 80,0–84,6%). Na utilização da NIRS e das análises multivariada para predição de parâmetros físico-químicos do tucupi foram avaliadas 65 amostras e investigados 10 parâmetros. Destes, somente os sólidos solúveis totais puderam ser preditos pela técnica analítica associada as análises multivariadas (R2 > 0,727; RMSEC = 0,184%; RMSECV = 0,411%; RMSEV = 0,338%).