1 |
[en] CONVOLUTIONAL NETWORKS APPLIED TO SEISMIC NOISE CLASSIFICATION / [pt] REDES CONVOLUCIONAIS APLICADAS À CLASSIFICAÇÃO DE RUÍDO SÍSMICOEDUARDO BETINE BUCKER 24 March 2021 (has links)
[pt] Modelos baseados em redes neurais profundas como as Redes Neurais Convolucionais proporcionaram avanços significativos em diversas áreas da computação. No entanto, essa tecnologia é ainda pouco aplicada à predição de qualidade sísmica, que é uma atividade relevante para exploração de hidrocarbonetos. Ser capaz de, rapidamente, classificar o ruído presente em aquisições de dados sísmicos permite aceitar ou rejeitar essas aquisições de forma eficiente, o que além de economizar recursos também melhora a interpretabilidade dos dados. Neste trabalho apresenta-se um dataset criado a partir de 6.918 aquisições manualmente classificadas pela percepção de especialistas e pesquisadores, que serviu de base para o treinamento, validação e testes de um classificador, também proposto neste trabalho, baseado em uma rede neural convolucional. Em resultados empíricos, observou-se-se um F1 Score de 95,58 porcento em uma validação cruzada de 10 folds e 93,56 porcento em um conjunto de holdout de teste. / [en] Deep Learning based models, such as Convolutional Neural Networks
(CNNs), have led to significant advances in several areas of computing applications.
Nevertheless, this technology is still rarely applied to seismic quality
prediction, which is a relevant task in hydrocarbon exploration. Being able
to promptly classify noise in common shot gather(CSG) acquisitions of seismic
data allows the acceptance or rejection of those aquisitions, not only
saving resources but also increasing the interpretability of data. In this work,
we introduce a real-world classification dataset based on 6.918 common shot
gather, manually labeled by perception of specialists and researches. We use
it to train a CNN classification model for seismic shot-gathers quality prediction.
In our empirical evaluation, we observed an F1 Score of 95,58 percent in
10 fold cross-validation and 93,56 percent in a Holdout Test.
|
2 |
[pt] ENSAIOS SOBRE VOLATILIDADE E PREVISIBILIDADE DE RETORNOS / [en] ESSAYS ON VOLATILITY AND RETURNS PREDICTABILITYIURI HONDA FERREIRA 18 August 2022 (has links)
[pt] Essa tese é composta por três artigos em econometria financeira.
Os dois primeiros artigos exploram a relação entre retornos intradiários
do mercado de equities e a implied volatility, representada pelo Índice de
Volatilidade da CBOE (VIX). Nos dois artigos, estimamos previsões um
minuto à frente utilizando janelas rolantes para cada dia. No primeiro
artigo, as estimativas indicam que nossos modelos de fatores de volatilidade
têm uma performance superior a benchmarks tradicionais em uma análise
de séries de tempo em alta frequência, mesmo aos excluirmos períodos de
crise da amostra. Os resultados também indicam uma performance fora da
amostra maior para dias em que não ocorrem anúncios macroeconômicos.
A performance é ainda maior quando removemos períodos de crise. O
segundo artigo propõe uma abordagem de aprendizado de máquinas para
modelar esse exercício de previsão. Implementamos um método de estimação
intradiário minuto a minuto com janelas móveis, utilizando dois tipos de
modelos não lineares: redes neurais com Long-Short-Term Memory (LSTM)
e Random Forests (RF). Nossas estimativas mostram que o VIX é o
melhor previsor de retornos de mercado intradiários entre os candidatos
na nossa análise, especialmente quando implementadas através do modelo
LSTM. Esse modelo também melhora significativamente a performance
quando utilizamos o retorno de mercado defasado como variável preditiva.
Finalmente, o último artigo explora uma extensão multivariada do método
FarmPredict, combinando modelos vetoriais autoregressivos aumentados em
fatores (FAVAR) e modelos esparsos em um ambiente de alta dimensão.
Utilizando um procedimento de três estágios, somos capazes de estimar e
prever fatores e seus loadings, que podem ser observados, não observados
ou ambos, assim como uma estrutura idiossincrática fracamente esparsa.
Realizamos uma aplicação dessa metodologia em um painel de volatilidades
realizadas e os resultados de performance do método em etapas indicam
melhorias quando comparado a benchmarks consolidados. / [en] This thesis is composed of three papers on financial econometrics.
The first two papers explore the relation between intraday equity market
returns and implied volatility, represented by the CBOE Volatility Index
(VIX). In both papers, we estimate one-minute-ahead forecasts using rolling
windows within a day. In the first paper, the estimates indicate that
our volatility factor models outperform traditional benchmarks at high
frequency time-series analysis, even when excluding crisis periods. We also
find that the model has a better out-of-sample performance at days without
macroeconomic announcements. Interestingly, these results are amplified
when we remove the crisis period. The second paper proposes a machine
learning modeling approach to this forecasting exercise. We implement a
minute-by-minute rolling window intraday estimation method using two
nonlinear models: Long-Short-Term Memory (LSTM) neural networks and
Random Forests (RF). Our estimations show that the VIX is the strongest
candidate predictor for intraday market returns in our analysis, especially
when implemented through the LSTM model. This model also improves
significantly the performance of the lagged market return as predictive
variable. Finally, the third paper explores a multivariate extension of the
FarmPredict method, by combining factor-augmented vector autoregressive
(FAVAR) and sparse models in a high-dimensional environment. Using a
three-stage procedure, we estimate and forecast factors and its loadings,
which can be observed, unobserved, or both, as well as a weakly sparse
idiosyncratic structure. We provide an application of this methodology to
a panel of daily realized volatilities. Finally, the accuracy of the stepwise
method indicates improvements of this forecasting method when compared
to consolidated benchmarks.
|
3 |
[en] ON MACHINE LEARNING TECHNIQUES TOWARD PATH LOSS MODELING IN 5G AND BEYOND WIRELESS SYSTEMS / [pt] SOBRE TÉCNICAS DE APRENDIZADO DE MÁQUINA EM DIREÇÃO À MODELAGEM DE PERDA DE PROPAGAÇÃO EM SISTEMAS SEM FIO 5G E ALÉMYOIZ ELEDUVITH NUNEZ RUIZ 09 November 2023 (has links)
[pt] A perda de percurso (PL) é um parâmetro essencial em modelos de propagação e crucial na determinação da área de cobertura de sistemas móveis. Os
métodos de aprendizado de máquina (ML) tornaram-se ferramentas promissoras para a previsão de propagação de rádio. No entanto, ainda existem alguns
desafios para sua implantação completa, relacionados à seleção das entradas
mais significativas do modelo, à compreensão de suas contribuições para as
previsões do modelo e à avaliação adicional da capacidade de generalização
para amostras desconhecidas. Esta tese tem como objetivo projetar modelos
de PL baseados em ML otimizados para diferentes aplicações das tecnologias
5G e além. Essas aplicações abrangem links de ondas milimétricas (mmWave)
para ambientes indoor e outdoor na faixa de frequência de 26,5 a 40 GHz,
cobertura de macrocélulas no espectro sub-6 GHz e comunicações veiculares
usando campanhas de medições desenvolvidas em CETUC, Rio de Janeiro,
Brazil. Vários algoritmos de ML são explorados, como redes neurais artificiais
(ANN), regressão de vetor de suporte (SVR), floresta aleatória (RF) e aumento
de árvore de gradiente (GTB). Além disso, estendemos dois modelos empíricos
para mmWave com previsão de PL melhorada. Propomos uma metodologia
para seleção robusta de modelos de ML e uma metodologia para selecionar os
preditores mais adequados para as máquinas consideradas com base na melhoria de desempenho e na interpretabilidade do modelo. Além disso, para o canal
veículo-veículo (V2V), uma técnica de rede neural convolucional (CNN) também é proposta usando uma abordagem de aprendizado por transferência para
lidar com conjuntos de dados pequenos. Os testes de generalização propostos
mostram a capacidade dos modelos de ML de aprender o padrão entre as entradas do modelo e a PL, mesmo em ambientes e cenários mais desafiadores
de amostras desconhecidas. / [en] Path loss (PL) is an essential parameter in propagation models and critical in determining mobile systems’ coverage area. Machine learning (ML)
methods have become promising tools for radio propagation prediction. However, there are still some challenges for its full deployment, concerning to selection of the most significant model s inputs, understanding their contributions
to the model s predictions, and a further evaluation of the generalization capacity for unknown samples. This thesis aims to design optimized ML-based PL
models for different applications for the 5G and beyond technologies. These applications encompass millimeter wave (mmWave) links for indoor and outdoor
environments in the frequency band from 26.5 to 40 GHz, macrocell coverage in
the sub-6 GHz spectrum, and vehicular communications using measurements
campaign carried out by the Laboratory of Radio-propagation, CETUC, in Rio
de Janeiro, Brazil. Several ML algorithms are exploited, such as artificial neural network (ANN), support vector regression (SVR), random forest (RF), and
gradient tree boosting (GTB). Furthermore, we have extended two empirical
models for mmWave with improved PL prediction. We proposes a methodology
for robust ML model selection and a methodology to select the most suitable
predictors for the machines considered based on performance improvement and
the model’s interpretability. In adittion, for the vehicle-to-vehicle (V2V) channel, a convolutional neural network (CNN) technique is also proposed using a
transfer learning approach to deal with small datasets. The generalization tests
proposed shows the ability of the ML models to learn the pattern between the
model’s inputs and PL, even in more challenging environments and scenarios
of unknown samples.
|
4 |
[en] ON MACHINE LEARNING TECHNIQUES TOWARD PATH LOSS MODELING IN 5G AND BEYOND WIRELESS SYSTEMS / [pt] SOBRE TÉCNICAS DE APRENDIZADO DE MÁQUINA EM DIREÇÃO À MODELAGEM DE PERDA DE PROPAGAÇÃO EM SISTEMAS SEM FIO 5G E ALÉMYOIZ ELEDUVITH NUNEZ RUIZ 09 November 2023 (has links)
[pt] A perda de percurso (PL) é um parâmetro essencial em modelos de propagação e crucial na determinação da área de cobertura de sistemas móveis. Osmétodos de aprendizado de máquina (ML) tornaram-se ferramentas promissoras para a previsão de propagação de rádio. No entanto, ainda existem algunsdesafios para sua implantação completa, relacionados à seleção das entradasmais significativas do modelo, à compreensão de suas contribuições para asprevisões do modelo e à avaliação adicional da capacidade de generalizaçãopara amostras desconhecidas. Esta tese tem como objetivo projetar modelosde PL baseados em ML otimizados para diferentes aplicações das tecnologias5G e além. Essas aplicações abrangem links de ondas milimétricas (mmWave)para ambientes indoor e outdoor na faixa de frequência de 26,5 a 40 GHz,cobertura de macrocélulas no espectro sub-6 GHz e comunicações veicularesusando campanhas de medições desenvolvidas em CETUC, Rio de Janeiro,Brazil. Vários algoritmos de ML são explorados, como redes neurais artificiais(ANN), regressão de vetor de suporte (SVR), floresta aleatória (RF) e aumentode árvore de gradiente (GTB). Além disso, estendemos dois modelos empíricospara mmWave com previsão de PL melhorada. Propomos uma metodologiapara seleção robusta de modelos de ML e uma metodologia para selecionar ospreditores mais adequados para as máquinas consideradas com base na melhoria de desempenho e na interpretabilidade do modelo. Além disso, para o canalveículo-veículo (V2V), uma técnica de rede neural convolucional (CNN) também é proposta usando uma abordagem de aprendizado por transferência paralidar com conjuntos de dados pequenos. Os testes de generalização propostosmostram a capacidade dos modelos de ML de aprender o padrão entre as entradas do modelo e a PL, mesmo em ambientes e cenários mais desafiadoresde amostras desconhecidas. / [en] Path loss (PL) is an essential parameter in propagation models and critical in determining mobile systems coverage area. Machine learning (ML)
methods have become promising tools for radio propagation prediction. However, there are still some challenges for its full deployment, concerning to selection of the most significant model s inputs, understanding their contributions
to the model s predictions, and a further evaluation of the generalization capacity for unknown samples. This thesis aims to design optimized ML-based PL
models for different applications for the 5G and beyond technologies. These applications encompass millimeter wave (mmWave) links for indoor and outdoor
environments in the frequency band from 26.5 to 40 GHz, macrocell coverage in
the sub-6 GHz spectrum, and vehicular communications using measurements
campaign carried out by the Laboratory of Radio-propagation, CETUC, in Rio
de Janeiro, Brazil. Several ML algorithms are exploited, such as artificial neural network (ANN), support vector regression (SVR), random forest (RF), and
gradient tree boosting (GTB). Furthermore, we have extended two empirical
models for mmWave with improved PL prediction. We proposes a methodology
for robust ML model selection and a methodology to select the most suitable
predictors for the machines considered based on performance improvement and
the model s interpretability. In adittion, for the vehicle-to-vehicle (V2V) channel, a convolutional neural network (CNN) technique is also proposed using a
transfer learning approach to deal with small datasets. The generalization tests
proposed shows the ability of the ML models to learn the pattern between the
model’s inputs and PL, even in more challenging environments and scenarios
of unknown samples.
|
Page generated in 0.0482 seconds