Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/RHCT-5F2N6Y
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Antonio de Padua Braga | pt_BR |
dc.contributor.advisor-co1 | Ricardo Hiroshi Caldeira Takahashi | pt_BR |
dc.contributor.advisor-co2 | Rodney Rezende Saldanha | pt_BR |
dc.contributor.referee1 | Geraldo Robson Mateus | pt_BR |
dc.contributor.referee2 | Andre Carlos Ponce de Leon Ferreira de Carvalho | pt_BR |
dc.contributor.referee3 | Takashi Yoneyama | pt_BR |
dc.creator | Roselito de Albuquerque Teixeira | pt_BR |
dc.date.accessioned | 2019-08-12T16:05:58Z | - |
dc.date.available | 2019-08-12T16:05:58Z | - |
dc.date.issued | 2001-08-10 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/RHCT-5F2N6Y | - |
dc.description.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. | 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 | Redes Neurais | pt_BR |
dc.subject | Otimização Multiobjetivo | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.subject.other | Redes neurais | pt_BR |
dc.title | Treinamento de redes neurais artificiais através de otimização multi-objetivo: uma nova abordagem para o equilíbrio entre a polarização e a variância | pt_BR |
dc.type | Tese de Doutorado | pt_BR |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
roselito.pdf | 6.27 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.