@MASTERSTHESIS{ 2025:1461626210,
 	title = {Estratégias de aprendizado para detecção de falhas aprimoradas por kernels quânticos},
 	year = {2025},
 	url = "https://tede.ufam.edu.br/handle/tede/11393",
 	abstract = "Nesta dissertação, é explorado o uso de funções de kernel quânticas em modelos híbridos clássico-quânticos voltados à detecção de falhas em turbinas eólicas. Foram utilizados circuitos quânticos parametrizados para mapear dados em espaços de Hilbert de alta dimensionalidade. As arquiteturas dos circuitos foram: ZZFeatureMap, RealAmplitudes e EfficientSU2 com quatro estratégias de emara- nhamento: Linear, Full, Circular e Shift-Circular-Alternate, comparando-se a quatro kernels clássicos: Linear, Polinomial, Radial Based Function e Sigmoid em um algo- ritmo de Máquinas de vetores Suporte. O conjunto de dados, com 54 atributos aquisionados por sensores, foi submetido a um algoritmo de Análise de compo- nentes principais para reduzir sua dimensionalidade para 4, 8 e 16 componentes, considerando a variância cumulativa dos dados. O modelo RealAmplitudes com emaranhamento Full e 16 componentes superou o kernel Radial Based Function em métricas padrão de aprendizado de máquina. Análises adicionais com curvas ROC-AUC e matrizes de confusão indicaram ausência de overfitting, reforçando o potencial dos kernels quânticos em aplicações industriais.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Informática},
 	note = {Instituto de Computação}
}