Treinamento de redes neurais artificiais através de otimização multi-objetivo: uma nova abordagem para o equilíbrio entre a polarização e a variância

Roselito de Albuquerque Teixeira

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

Show simple item record