Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUOS-ATQJX9
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Antonio de Padua Bragapt_BR
dc.contributor.advisor-co1Marcelo Azevedo Costapt_BR
dc.contributor.referee1Luiz Enrique Zaratept_BR
dc.contributor.referee2Rodney Rezende Saldanhapt_BR
dc.contributor.referee3Robert Holtept_BR
dc.contributor.referee4Haroldo Fraga de Campos Velhopt_BR
dc.creatorHonovan Paz Rochapt_BR
dc.date.accessioned2019-08-10T20:44:09Z-
dc.date.available2019-08-10T20:44:09Z-
dc.date.issued2017-02-17pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/BUOS-ATQJX9-
dc.description.abstractThis work presents a novel representation of artificial neural networks(ANN) multiobjective learning in which the weights are described basedon the Euclidean norm, which is taken as a measure of model complexity. Weights are projected into a new space defined by a radius r and a vector of angles. This spherical representation further simplifies the multi-objective learning problem whose estimated Paretooptimalset is obtained in classical approaches by the e-constrained method, minimizing error with multiple constrained values of norm. The corresponding constrained optimization problem is transformed into unconstrained ones, what simplifies formulation and computationalefforts, besides allowing that any nonlinear optimization method could be used to train the ANN. Results indicate that the proposed spherical weights representation yields more accurate estimates of the Pareto set when compared to the classical multi-objective approach. Regarding the final solution taken from the Pareto set, our approach showed effectiveness, outperforming some state-of-the-art methods in several datasets based on Friedman's test.pt_BR
dc.description.resumoEste trabalho apresenta uma nova representação para o aprendizadomultiobjetivo de redes neurais artifiiciais (RNA), onde os pesos sãodescritos com base na norma Euclidiana, que é tomada como umamedida da complexidade do modelo. Os pesos são projetados emum novo espaço definido por um raio r e um vetor de ângulos . Esta representação esférica simplifica ainda mais o problema de aprendizado multiobjetivo, cujo conjunto Pareto-ótimo estimado é obtidoutilizando-se o método e-restrito nas abordagens clássicas, minimizando o erro com múltiplos valores restritos de norma. O correspondente problema de otimização com restrições é transformado em vários problemas irrestritos, o que simplifica a formulação e esforço computacional, além de permitir que qualquer método de otimização não-linear possa ser utilizado para treinar a RNA. Os resultados indicam que a representação esférica de pesos proposta gera estimativas do conjunto Pareto mais precisas quando comparada à abordagem multiobjetivo clássica. Com relação à solução final obtida a partir do conjunto Pareto, a abordagem esférica mostrou eficácia com base no teste de Friedman, superando alguns métodos do estado da arte em vários conjuntos de dados.pt_BR
dc.languagePortuguêspt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectPerceptron de múltiplas camadaspt_BR
dc.subjectPesos esféricospt_BR
dc.subjectAlgoritmos de treinamento esféricospt_BR
dc.subjectAprendizado multiobjetivopt_BR
dc.subject.otherEngenharia elétricapt_BR
dc.subject.otherRedes neurais (Computação)pt_BR
dc.subject.otherPerceptronspt_BR
dc.titleTreinamento multiobjetivo de perceptron de múltiplas camadas comrepresentação esférica de pesospt_BR
dc.typeTese de Doutoradopt_BR
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
tese_honovan_rocha.pdf5.79 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.