Um estudo comparativo de tÃcnicas conexionistas na implementaÃÃo de um sistena de reconhecimento de padrÃes para um nariz artificial

AUTOR(ES)
DATA DE PUBLICAÇÃO

2003

RESUMO

O principal objetivo desta dissertaÃÃo à fazer um estudo sistemÃtico sobre os diversos tipos de redes neurais artificiais (e seus respectivos algoritmos de aprendizagem) que vÃm sendo utilizados na implementaÃÃo do sistema de reconhecimento de padrÃes do nariz artificial proposto em [Santos, 2000], apontando suas vantagens e desvantagens. Os modelos analisados sÃo as Multi-layer Perceptrons (MLPs) com o backpropagation, Levenberg-Marquardt e tabu search, e as redes de funÃÃes de base radiais (Redes RBF). TambÃm serÃo investigadas as MLPs com o Resilient backpropagation (Rprop). O algoritmo Rprop foi escolhido por duas razÃes principais: em geral ele possui um tempo de convergÃncia inferior ao tradicional backpropagation, e atà o momento nÃo existe na literatura nenhum trabalho que aplique este algoritmo (junto com as MLPs) como parte do sistema de reconhecimento de padrÃes do nariz artificial estudado. Para cada modelo de arquitetura (por exemplo, MLP) e algoritmo de treinamento (por exemplo, backpropagation) trÃs topologias diferentes serÃo investigadas. Para cada uma destas topologias serÃo feitas trinta inicializaÃÃes de pesos diferentes (aleatÃrias), em que cada uma destas inicializaÃÃes serà executada com cada uma das trÃs diferentes partiÃÃes do conjunto de dados. A partir disto, os resultados obtidos serÃo analisados atravÃs de testes estatÃsticos (teste de hipÃteses). Isto tudo contrasta com os trabalhos anteriores, os quais usavam apenas uma partiÃÃo dos dados, somente dez execuÃÃes para cada topologia, e nenhum teste estatÃstico era feito

ASSUNTO(S)

nariz artificial artificial nose ciencia da computacao redes neurais artificiais artificial neural networks reconhecimento de padrÃes pattern recognition

ACESSO AO ARTIGO

Documentos Relacionados