Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/BUBD-9HCFWJ
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Antonio de Padua Braga | pt_BR |
dc.contributor.referee1 | Cristiano Leite de Castro | pt_BR |
dc.contributor.referee2 | Andre Paim Lemos | pt_BR |
dc.contributor.referee3 | Rogerio Martins Gomes | pt_BR |
dc.creator | Luiz Carlos Bambirra Torres | pt_BR |
dc.date.accessioned | 2019-08-10T00:14:52Z | - |
dc.date.available | 2019-08-10T00:14:52Z | - |
dc.date.issued | 2012-02-24 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/BUBD-9HCFWJ | - |
dc.description.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. | pt_BR |
dc.description.resumo | 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. | pt_BR |
dc.language | Português | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Tomada de decisão | pt_BR |
dc.subject | Grafo de gabriel | pt_BR |
dc.subject | classificação | pt_BR |
dc.subject | Aprendizado de máquina multiobjetivo | pt_BR |
dc.subject.other | Processo decisório | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.title | Uma nova abordagem baseada em margem para seleção de modelos neurais | pt_BR |
dc.type | Dissertação de Mestrado | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
dissertacaoluiz.pdf | 2.18 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.