InvestigaÃÃo sobre o efeito de ruÃdo na generalizaÃÃo de redes neurais sem peso em problemas de classificaÃÃo binÃria

AUTOR(ES)

Rosalvo Ferreira de Oliveira Neto

DATA DE PUBLICAÇÃO

2008

RESUMO

Redes neurais com neurÃnios baseados em memÃria RAM (random access memory) sÃo caracterizadas por serem implementÃveis em hardware e por serem uma opÃÃo atraente na soluÃÃo de problemas definidos em espaÃo de entradas binÃrias. No entanto, para problemas definidos no espaÃo de entradas reais, existe uma tarefa difÃcil que à encontrar a representaÃÃo adequada desses valores, sem perder o poder de generalizaÃÃo em tarefas de classificaÃÃo de padrÃes. Este trabalho investiga a utilizaÃÃo de ruÃdo gaussiano aditivo nas variÃveis de entradas continuas para aumentar o poder de generalizaÃÃo da rede. Dessa forma uma maior quantidade de posiÃÃes de memÃria pode ser âtreinadaâ, formando uma regiÃo de vizinhanÃa comum para padrÃes semelhantes, conhecida como bacia de atraÃÃo. Foram realizadas anÃlises da influÃncia da adiÃÃo de ruÃdo durante o treinamento do n-tuple classifier, que à um tipo de rede booleana, onde se pÃde comprovar que o treinamento com ruÃdo aumenta o poder de generalizaÃÃo da rede. O desempenho do modelo investigado foi comparado com resultados obtidos pela rede neural Multi Layer Perceptron (MLP). Para o estudo foram selecionadas quatro bases de dados pÃblicas, trÃs de um conhecido benchmark da Ãrea e outra de recente competiÃÃo internacional. Resultados experimentais mostram que o modelo investigado obtÃm desempenho equivalente ao da rede neural MLP para os problemas utilizados

ASSUNTO(S)

n-tuple classifier neural network treinamento com ruÃdo n-tuple classifier ciencia da computacao boolean network redes booleana noisy training redes neurais

Documentos Relacionados

• Modelos multinÃveis para resposta binÃria: um enfoque na mà classificaÃÃo
• Redes Neurais ProbabilÃsticas para ClassificaÃÃo de Imagens BinÃrias
• UtilizaÃÃo de redes neurais artificiais na classificaÃÃo de sinais eletrocardiogrÃficos atriais.
• ClassificaÃÃo supervisionada de imagens SAR via redes neurais artificiais.
• ReduÃÃo de ruÃdo Ãptico em giroscÃpios a fibra Ãptica birrefringente.