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

Página do item simplificado
dc.creatorRoselito de Albuquerque Teixeira
dc.date.accessioned2019-08-12T16:05:58Z
dc.date.accessioned2025-09-08T23:29:39Z
dc.date.available2019-08-12T16:05:58Z
dc.date.issued2001-08-10
dc.identifier.urihttps://hdl.handle.net/1843/RHCT-5F2N6Y
dc.languagePortuguês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectEngenharia elétrica
dc.subjectRedes neurais
dc.subject.otherRedes Neurais
dc.subject.otherOtimização Multiobjetivo
dc.titleTreinamento de redes neurais artificiais através de otimização multi-objetivo: uma nova abordagem para o equilíbrio entre a polarização e a variância
dc.typeTese de doutorado
local.contributor.advisor-co1Ricardo Hiroshi Caldeira Takahashi
local.contributor.advisor-co1Rodney Rezende Saldanha
local.contributor.advisor1Antonio de Padua Braga
local.contributor.referee1Geraldo Robson Mateus
local.contributor.referee1Andre Carlos Ponce de Leon Ferreira de Carvalho
local.contributor.referee1Takashi Yoneyama
local.description.resumoNeste 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.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
roselito.pdf
Tamanho:
6.12 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Engenharia Elétrica - Teses

Logo UFMG