Comparing arquitecture of neural networks for pattern ecognation system on artificial noses / ComparaÃÃo de arquiteturas de redes neurais para sistemas de reconhecimento de padrÃes em narizes artificiais

AUTOR(ES)
DATA DE PUBLICAÇÃO

2004

RESUMO

Um nariz artificial à um sistema modular composto de duas partes principais: um sistema sensor, formado de elementos que detectam odores e um sistema de reconhecimento de padrÃes que classifica os odores detectados. Redes neurais artificiais tÃm sido utilizadas como sistema de reconhecimento de padrÃes para narizes artificiais e vÃm apresentando resultados promissores. Desde os anos 80, pesquisas para criaÃÃo de narizes artificiais, que permitam detectar e classificar odores, vapores e gases automaticamente, tÃm tido avanÃos significativos. Esses equipamentos podem ser utilizados no monitoramento ambiental para controlar a qualidade do ar, na Ãrea de saÃde para realizar diagnÃstico de doenÃas e nas indÃstrias de alimentos para o controle de qualidade e o monitoramento de processos de produÃÃo. Esta dissertaÃÃo investiga a utilizaÃÃo de quatro tÃcnicas diferentes de redes neurais para criaÃÃo de sistemas de reconhecimento de padrÃes em narizes artificiais. O trabalho està dividido em quatro partes principais: (1) introduÃÃo aos narizes artificiais, (2) redes neurais artificiais para sistema de reconhecimento de padrÃes, (3) mÃtodos para medir o desempenho de sistemas de reconhecimento de padrÃes e comparar os resultados e (4) estudo de caso. Os dados utilizados para o estudo de caso, foram obtidos por um protÃtipo de nariz artificial composto por um arranjo de oito sensores de polÃmeros condutores, expostos a nove tipos diferentes de aguarrÃs. Foram adotadas as tÃcnicas Multi-Layer Perceptron (MLP), Radial Base Function (RBF), Probabilistic Neural Network (PNN) e Time Delay Neural Network (TDNN) para criar os sistemas de reconhecimento de padrÃes. A tÃcnica PNN foi investigada em detalhes, por dois motivos principais: esta tÃcnica à indicada para realizaÃÃo de tarefas de classificaÃÃo e seu treinamento à feito em apenas um passo, o que torna a etapa de criaÃÃo dessas redes muito rÃpida. Os resultados foram comparados atravÃs dos valores dos erros mÃdios de classificaÃÃo utilizando o mÃtodo estatÃstico de Teste de HipÃteses. As redes PNN correspondem a uma nova abordagem para criaÃÃo de sistemas de reconhecimento de padrÃes de odor. Estas redes tiveram um erro mÃdio de classificaÃÃo de 1.1574% no conjunto de teste. Este foi o menor erro obtido entre todos os sistemas criados, entretanto mesmo com o menor erro mÃdio de classificaÃÃo, os testes de hipÃteses mostraram que os classificadores criados com PNN nÃo eram melhores do que os classificadores criados com a arquitetura RBF, que obtiveram um erro mÃdio de classificaÃÃo de 1.3889%. A grande vantagem de criar classificadores com a arquitetura PNN foi o pequeno tempo de treinamento dos mesmos, chegando a ser quase imediato. PorÃm a quantidade de nodos na camada escondida foi muito grande, o que pode ser um problema, aso o sistema criado deva ser utilizado em equipamentos com poucos recursos computacionais. Outra vantagem de criar classificadores com redes PNN à relativa à quantidade reduzida de parÃmetros que evem ser analisados, neste caso apenas o parÃmetro relativo à largura da funÃÃo Gaussiana precisou ser nvestigado

ASSUNTO(S)

probabilistic neural network (pnn) pattern recognition narizes artificiais reconhecimento de padrÃes multi-layer perceptron (mlp) time delay neural network (tdnn) radial base function (rbf) ciencia da computacao radial base function (rbf) redes neurais artificiais multi-layer perceptron (mlp) teste de hipÃteses artificial neural networks probabilistic neural network (pnn) hypothesis tests artificial noses time delay neural network (tdnn)

ACESSO AO ARTIGO

Documentos Relacionados