Matches in SemOpenAlex for { <https://semopenalex.org/work/W2971112948> ?p ?o ?g. }
Showing items 1 to 37 of
37
with 100 items per page.
- W2971112948 endingPage "890" @default.
- W2971112948 startingPage "881" @default.
- W2971112948 abstract "Recentemente, novos metodos computacionais denominados de aprendizado de maquinasprofundo, do ingles “deep learning”, vem sendo propostos e aplicados aos mais diversos tipos de problemasde reconhecimento de padroes. Esses novos metodos buscam modelar de forma robusta abstracoescomplexas dos dados atraves do mapeamento linear e nao-linear utilizando varias camadas deprocessamento. Um dos algoritmos deep learning mais conhecidos e o Auto-Codificador Esparso (emingles, “Sparse Autoencoder” – SAE), que realiza o aprendizado das caracteristicas dos dados de formanao-supervisionada. Diante do exposto, objetiva-se no presente trabalho avaliar o uso do SAE para oproblema de deteccao de danos estruturais em uma simulacao numerica de viga, desenvolvendo-se modelosde classificacao baseados em indicadores estatisticos extraidos das respostas dinâmicas no dominiodo tempo. Os bons resultados incentivam o uso do Auto-Codificador Esparso e o desenvolvimento demodelos computacionais de aprendizado profundo na avaliacao da integridade das estruturas." @default.
- W2971112948 created "2019-09-05" @default.
- W2971112948 creator A5004862221 @default.
- W2971112948 creator A5030786220 @default.
- W2971112948 creator A5035321176 @default.
- W2971112948 creator A5088253394 @default.
- W2971112948 creator A5090617401 @default.
- W2971112948 date "2018-11-28" @default.
- W2971112948 modified "2023-09-24" @default.
- W2971112948 title "Detecção de Danos Estruturais Utilizando Análise Estatística e Auto-Codificador Esparso" @default.
- W2971112948 hasPublicationYear "2018" @default.
- W2971112948 type Work @default.
- W2971112948 sameAs 2971112948 @default.
- W2971112948 citedByCount "0" @default.
- W2971112948 crossrefType "journal-article" @default.
- W2971112948 hasAuthorship W2971112948A5004862221 @default.
- W2971112948 hasAuthorship W2971112948A5030786220 @default.
- W2971112948 hasAuthorship W2971112948A5035321176 @default.
- W2971112948 hasAuthorship W2971112948A5088253394 @default.
- W2971112948 hasAuthorship W2971112948A5090617401 @default.
- W2971112948 hasConcept C121332964 @default.
- W2971112948 hasConcept C138885662 @default.
- W2971112948 hasConcept C15708023 @default.
- W2971112948 hasConceptScore W2971112948C121332964 @default.
- W2971112948 hasConceptScore W2971112948C138885662 @default.
- W2971112948 hasConceptScore W2971112948C15708023 @default.
- W2971112948 hasIssue "19" @default.
- W2971112948 hasLocation W29711129481 @default.
- W2971112948 hasOpenAccess W2971112948 @default.
- W2971112948 hasPrimaryLocation W29711129481 @default.
- W2971112948 hasVolume "36" @default.
- W2971112948 isParatext "false" @default.
- W2971112948 isRetracted "false" @default.
- W2971112948 magId "2971112948" @default.
- W2971112948 workType "article" @default.