Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/RHCT-5F2N6Y
Tipo: | Tese de Doutorado |
Título: | Treinamento de redes neurais artificiais através de otimização multi-objetivo: uma nova abordagem para o equilíbrio entre a polarização e a variância |
Autor(es): | Roselito de Albuquerque Teixeira |
Primeiro Orientador: | Antonio de Padua Braga |
Primeiro Coorientador: | Ricardo Hiroshi Caldeira Takahashi |
metadata.dc.contributor.advisor-co2: | Rodney Rezende Saldanha |
Primeiro membro da banca : | Geraldo Robson Mateus |
Segundo membro da banca: | Andre Carlos Ponce de Leon Ferreira de Carvalho |
Terceiro membro da banca: | Takashi Yoneyama |
Resumo: | Neste trabalho é desenvolvido um novo método para treinamento de Redes Neurais Artificiais (RNAS) do tipo Perceptron Multi·camadas (Multilayer Perceptron-MLP) utilizando- se técnicas de otimização multi-objetivo para encontrar soluções com alta capacidade de generalização. Na abordagem proposta, além de ser utilizado o erro quadrático como função de custo, utiliza·se também a função norma do vetor de pesos como um segundo objetivo. Estas duas funções são minimizadas e como consequência deste processo, obtém·se um conjunto de soluções chamadas Pareto-ótimas. Através de um decisor, estas soluções são avaliadas e apenas uma delas é escolhida como solução final, a qual equilibra os efeitos da polarização e da variância resultando em alta capacidade de generalização dada uma determinada realização do conjunto de treinamentos O método multi-objetivo proposto controla a flexibilidade do modelo independentemente da quantidade de pesos existente na rede, a partir de uma estrutura mínima, Além disso, a utilização de parâmetros de treinamento apesar de ser necessária, influencia pouco a solução final, O que faz com que a escolha destes parâmetros seja uma tarefa simples. Além do algoritmo multi-objetivo proposto e do algoritmo Backpropagation, métodos conhecidos os quais também visam ao aumento da capacidade de generalização como 10· Fold Cross-Validation, Early Stopping, Optimal Bmin Damage, Weight Decuy e Support Vector Mcchines são abordados Uma analise qualitativa e quantitativa dos algoritmos é feita, através da qual pode-se observar a superioridade do método proposto, sendo o mesmo capaz de gerar soluções com alta capacidade de generalização de forma simples e eficiente. |
Assunto: | Engenharia elétrica Redes neurais |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/RHCT-5F2N6Y |
Data do documento: | 10-Ago-2001 |
Aparece nas coleções: | Teses de Doutorado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
roselito.pdf | 6.27 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.