Tese: Engenharia de recursos para lidar com dados ruidosos na identificação esparsa sob as perspectivas de classificação e regressão
Aluno(a) : Thaynã da Silva FrançaOrientador(a): Helon Ayala
Área de Concentração: Mecânica Aplicada
Data: 13/05/2021
Link para tese/dissertação: https://doi.org/10.17771/PUCRio.acad.53741
Resumo: Os sistemas dinâmicos desempenham um papel crucial no que diz respeito à compreensão de fenômenos inerentes a diversos campos da ciência. Desde a última década, todo aporte tecnológico alcançado ao longo de anos de investigação deram origem a uma estratégia suportada por uma poderosa entidade, permitindo a inferência de modelos capazes de representar sistemas dinâmicos. A entidade citada que, por sua vez, pode aparecer de várias formas, é amplamente conhecida como dados. Além disso, independentemente dos tipos de sensores adotados a fim de realizar o procedimento de aquisição de dados, é natural verificar a existência de uma certa corrupção ruidosa nos referidos dados. Genericamente, a tarefa de identificação é diretamente afetada pelo cenário ruidoso previamente descrito, implicando na falsa descoberta de um modelo generalizável. Em outras palavras, a corrupção ao ruído pode ser responsável pela geração de uma representação matemática infiel de um determinado sistema. Neste trabalho, sob as perspectivas de classificação e regressão, demonstramos como a hibridação de várias técnicas de aprendizado de máquinas melhora a robustez ao ruído no que diz respeito à tarefa de identificação. Especificamente, no trabalho atual, mostramos o sucesso da estratégia proposta a partir de exemplos numéricos, tais como o crescimento logístico, oscilador Duffing, modelo FitzHugh-Nagumo, atrator de Lorenz e uma modelagem Suscetível-Infeccioso-Recuperado do SARS-CoV-2.