Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32011
Title: | Aplicação de redes neurais artificiais e regressão por vetores de suporte na modelagem da fração de produtos não conformes de um processo produtivo. |
Other Titles: | Application of artificial neural networks and support vector regression in modeling the fraction of non-conforming products in a production process. |
???metadata.dc.creator???: | ACOSTA, Simone Massulini. AMOROSO, Anderson Levati. |
Keywords: | Redes neurais artificiais;Regressão por vetores de suporte;Modelagem de fração de produtos;Modelagem de dados;Aprendizado de máquina;Réseaux de neurones artificiels;Prise en charge de la régression vectorielle;Modélisation des fractions de produits;La modélisation des données;Apprentissage automatique;Artificial neural networks;Support vector regression;Product Fraction Modeling;Data modeling;Machine Learning;Redes neuronales artificiales;Regresión de vectores de soporte;Modelado de fracciones de producto;Modelado de datos;Aprendizaje automático |
Issue Date: | 2019 |
Publisher: | Universidade Federal de Campina Grande |
Citation: | ACOSTA, Simone Massulini; AMOROSO, Anderson Levati. Aplicação de redes neurais artificiais e regressão por vetores de suporte na modelagem da fração de produtos não conformes de um processo produtivo. In: SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 7., 2019. Anais [...]. Montes Claros - MG: Faculdade Santo Agostinho - FASA, 2019. ISSN: 2318-9258. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32011 |
???metadata.dc.description.resumo???: | Para manterem-se competitivas as empresas buscam a qualidade de seus produtos, para que estes atendam às especificações com a menor variabilidade possível. Em um processo industrial muitas vezes não se consegue controlar todas as causas ou fatores de variação que produzem determinado efeito sobre as características da qualidade dos produtos. Como resultado pode-se ter a produção de produtos não conformes às especificações, que podem ser mensurados através da fração de produtos não conformes. A modelagem da fração de produtos não conformes pode ser realizada utilizando-se diferentes técnicas e modelos de regressão. As redes neurais artificiais e a regressão por vetores de suporte são técnicas de aprendizado de máquina muito utilizadas para a modelagem de processos. O objetivo deste artigo é modelar a fração de produtos não conformes às especificações de uma indústria curtidora de couro utilizando as técnicas de redes neurais artificiais e de regressão por vetores de suporte e comparar os resultados obtidos com outros modelos de regressão desenvolvidos para o mesmo processo produtivo. Os modelos de regressão desenvolvidos apresentaram melhor desempenho no ajuste do modelo aos dados do processo quando comparados ao modelo de regressão linear, modelos de regressão lineares generalizados e modelo de regressão Beta. |
Keywords: | Redes neurais artificiais Regressão por vetores de suporte Modelagem de fração de produtos Modelagem de dados Aprendizado de máquina Réseaux de neurones artificiels Prise en charge de la régression vectorielle Modélisation des fractions de produits La modélisation des données Apprentissage automatique Artificial neural networks Support vector regression Product Fraction Modeling Data modeling Machine Learning Redes neuronales artificiales Regresión de vectores de soporte Modelado de fracciones de producto Modelado de datos Aprendizaje automático |
???metadata.dc.subject.cnpq???: | Engenharia de Produção. |
URI: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32011 |
Appears in Collections: | Anais do Simpósio de Engenharia de Produção SIMEP |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO POR VETORES DE SUPORTE - ANAIS VII SIMEP ARTIGO 2019.pdf | Aplicação de redes neurais artificiais e regressão por vetores de suporte - Anais VII SIMEP Artigo 2019. | 538.43 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.