Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/RAOA-BC6H7L
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Antonio de Padua Braga | pt_BR |
dc.contributor.advisor-co1 | Cristiano Leite de Castro | pt_BR |
dc.contributor.referee1 | Cristiano Leite de Castro | pt_BR |
dc.contributor.referee2 | Takashi Yoneyama | pt_BR |
dc.contributor.referee3 | Renato Cardoso Mesquita | pt_BR |
dc.contributor.referee4 | Andre Paim Lemos | pt_BR |
dc.contributor.referee5 | Carmelo Jose Albanez Bastos Filho | pt_BR |
dc.creator | Luiz Carlos Bambirra Torres | pt_BR |
dc.date.accessioned | 2019-08-10T06:02:13Z | - |
dc.date.available | 2019-08-10T06:02:13Z | - |
dc.date.issued | 2016-02-25 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/RAOA-BC6H7L | - |
dc.description.abstract | This work presents a methodology directed to pattern classification problems. The goal is to design large margin classifiers where the information necessary is obtained from the geometric structure of data. Through the Gabriel graph, the data set is turned into a planar graph, where the edges with vertices of distinct labels corresponds to the samples which are on the margin of separation between the classes. These edge set is named as support edges and forms the basis for the development of a family of methods, such as a decision-maker for multi-objective learning of neural networks; a strategy for selecting parameters in RBF neural networks. Finally, the design of new large margin classifiers. Results with benchmarks known in the literature show that our approaches maximize the margin and increase the classifier generalization ability . | pt_BR |
dc.description.resumo | Este trabalho apresenta uma metodologia direcionada para problemas de classifica¸cao de padroes. O objetivo ´e projetar classificadores de margem larga, onde as informa¸coes necess´arias para o projeto do classificador sao obtidas a partir da estrutura geom´etrica dos dados. Atrav´es do grafo de Gabriel, o conjunto de dados ´e transformado em um grafo planar, onde as arestas deste grafo que possuem v´ertices com r´otulos de classes distintas coincidem com as amostras que estao na margem de separa¸cao entre as classes. Estas arestas sao denominadas arestas de suporte e formam a base para o desenvolvimento de uma fam´lia de m´etodos, tais como um decisor para o aprendizado multiobjetivo de redes neurais; uma estrat´egia para sele¸cao de parametros em redes neurais RBF; por fim, a concep¸cao de novos classificadores de margem larga. Resultados com benchmarks conhecidos na literatura mostram que essas abordagens maximizam a margem e aumentam a capacidade de generaliza¸cao dos classificadores. | 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 | Engenharia elétrica | pt_BR |
dc.subject.other | Processo decisório | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.subject.other | Teoria dos grafos | pt_BR |
dc.title | Classificador por arestas de suporte (CLAS): métodos de aprendizado baseados em Grafos de Gabriel | pt_BR |
dc.type | Tese de Doutorado | pt_BR |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
teseluizbambirra.pdf | 10.65 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.