Uma metodologia de busca por redes neurais artificiais quase-Ãtimas

AUTOR(ES)

Leandro Maciel Almeida

DATA DE PUBLICAÇÃO

2007

RESUMO

Este trabalho propÃe uma metodologia de busca automÃtica por Redes Neurais Artificiais (RNA) quase-Ãtimas para problemas de classificaÃÃo. A metodologia tem o intuito de buscar redes com arquitetura simples, com aprendizagem rÃpida e com boa capacidade de classificaÃÃo, ou seja, redes quase-Ãtimas. A motivaÃÃo para o desenvolvimento do presente trabalho està centralizada nas dificuldades de encontrar manualmente RNAs quase-Ãtimas. Essas dificuldades sÃo ocasionadas pelo grande nÃmero de parÃmetros de RNAs que necessitam de ajustes para que haja uma correlaÃÃo entre esses parÃmetros, a fim de contribuir para que redes estruturalmente simples e com alto desempenho possam ser encontradas. A busca automÃtica por redes quase-Ãtimas engloba informaÃÃes como pesos iniciais, camadas escondidas, nodos por camada, tipos de funÃÃes de ativaÃÃo e algoritmos de aprendizagem para redes Multi-Layer Perceptron (MLP), completamente conectadas. O mecanismo de busca à composto por uma combinaÃÃo de Algoritmos GenÃticos (AG) e de RNAs. Nessa combinaÃÃo, primeiramente à executada uma busca global pelos parÃmetros de RNAs, posteriormente executa-se uma busca local com RNAs por meio de seus algoritmos de aprendizagem, para refinar e avaliar a soluÃÃo encontrada. Essa forma de busca à consagrada e apresentou bons resultados em outros trabalhos encontrados na literatura. O diferencial do mÃtodo desenvolvido à o foco na simplificaÃÃo de arquiteturas com um alto desempenho de classificaÃÃo, exigindo poucas Ãpocas de treinamento. Com o mÃtodo desenvolvido foram realizados experimentos em cinco domÃnios de problemas conhecidos, a saber: CÃncer, Vidros, CoraÃÃo, Cavalos e Diabetes. Os resultados apontam uma melhor eficÃcia do mÃtodo desenvolvido na busca por redes quase-Ãtimas perante o mÃtodo de busca manual e tambÃm em relaÃÃo a outros mÃtodos da literatura. As redes encontradas para cada um dos domÃnios de problemas apresentam uma baixa complexidade e tambÃm um baixo erro de classificaÃÃo. Esses resultados sÃo extremamente importantes para mostrar a capacidade do mÃtodo desenvolvido e justificar o esforÃo investido no desenvolvimento de mÃtodos de busca por RNAs quase-Ãtimas

ASSUNTO(S)

algoritmos memÃticos artificial neural networks near- optimal nets ciencia da computacao redes quase-Ãtimas memetic algorithms genetic algorithms automatic parametrization of artificial neural networks parametrizaÃÃo automÃtica de redes neurais artificiais algoritmos genÃticos redes neurais artificiais

Documentos Relacionados

• Programação da produção : uma abordagem por redes neurais artificiais.
• Localização de faltas de alta impedância em sistemas de distribuição de energia : uma metodologia baseada em redes neurais artificiais
• Uso das redes neurais artificiais na aplicação de metodologia para alocação de recursos da saúde
• Previsão de demanda de energia elétrica por meio de redes neurais artificiais
• Uma ferramenta de visualização para redes neurais artificiais do tipo neocognitron.