Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/BUBD-9HCFWJ
Tipo: | Dissertação de Mestrado |
Título: | Uma nova abordagem baseada em margem para seleção de modelos neurais |
Autor(es): | Luiz Carlos Bambirra Torres |
primer Tutor: | Antonio de Padua Braga |
primer miembro del tribunal : | Cristiano Leite de Castro |
Segundo miembro del tribunal: | Andre Paim Lemos |
Tercer miembro del tribunal: | Rogerio Martins Gomes |
Resumen: | Este trabalho apresenta uma nova estratégia de decisão para o aprendizado multiobjetivo de redes neurais artificiais. O objetivo é encontrar no conjunto pareto-ótimo, a solução que fornece a melhor capacidade de generalização. A abordagem proposta para a tomada decisão é baseada em uma estimativa geométrica para a margem (distância) máxima de separação entre as classes, que é obtida através das seguintes etapas: modelagem dos padrões de entrada com o grafo de gabriel, detecção das bordas de separação das classes e síntese de padrões junto à região de margem máxima. Essa metodologia permite que modelos suaves (que ignoram ruído) e bem ajustados sejam selecionados de forma transparente para o usuário, ou seja, sem a necessidade da definição de parâmetros ou do uso de um conjunto representativo de validação. Resultados com benchmarks conhecidos na literatura mostraram que o decisor proposto, aliado ao treinamento multiobjetivo, foi eficiente no controle da generalização de modelos neurais. |
Abstract: | This work presents a new decision-making strategy to the multiobjective learning of artificial neural networks. The objective is to find the solution within the pareto-optimal set that has the best generalization performance. The proposed decision-making approach is based on a geometric approximation to the maximum margin (distance) of class separation, which is estimated through the following steps: modeling of input patterns using the gabriel graph, detection of class separation borders and synthesis of patterns along the maximum margin region. This methodology allows the selection of smooth (that ignore noise) and well-fitting models in a straightforward manner, i.e., without the need of the tuning of parameters by the user or the use of a representative validation data set. Results on benchmarks in literature showed that our decision-making method, combined with multiobjective training, was efficient to control the generalization of neural models. |
Asunto: | Processo decisório Engenharia elétrica |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Institución: | UFMG |
Tipo de acceso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/BUBD-9HCFWJ |
Fecha del documento: | 24-feb-2012 |
Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
dissertacaoluiz.pdf | 2.18 MB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.