| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Instrumentação. |
|
Data corrente: |
23/05/2005 |
|
Data da última atualização: |
23/05/2005 |
|
Autoria: |
TEIXEIRA, R. de A. |
|
Título: |
Treinamento de redes neurais artificiais através de otimização multi-objetivo: uma nova abordagem para o equilíbrio entre a polarização e a variância. |
|
Ano de publicação: |
2001 |
|
Fonte/Imprenta: |
Belo Horizonte, 2001. |
|
Páginas: |
168 p. |
|
Descrição Física: |
1 CD-ROM |
|
Idioma: |
Português |
|
Notas: |
Tese ( Doutorado ) - Universidade Federal de Minas Gerais.
Orientador: Antônio de Pádua Braga.
Co-Orientadores : Ricardo H. C. Takahashi e Rodney R. Saldanha. |
|
Conteúdo: |
Neste trabalho é desenvolvido um novo método para treinamento de Redes Neurais Artifi
ciais (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
treinamento.
O método multi-objetivo proposto controla a flexibilidade do modelo independente-
mente 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 Brain Damage, Weight Decay e Support
Vector Machines são abordados. Uma análise 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. MenosNeste trabalho é desenvolvido um novo método para treinamento de Redes Neurais Artifi
ciais (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
treinamento.
O método multi-objetivo proposto controla a flexibilidade do modelo independente-
mente 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 Brain Damage, Weight Decay e Support
Vector Machines são abordados. Uma análise qualitativa e quantitativ... Mostrar Tudo |
|
Palavras-Chave: |
decisor; otimização; Pareto-ótimas; polarização; quadrático; Redes Neurais Artificiais; RNAs; variância. |
|
Thesagro: |
Vetor. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 02611nam a2200241 a 4500
001 1028983
005 2005-05-23
008 2001 bl uuuu m 00u1 u #d
100 1 $aTEIXEIRA, R. de A.
245 $aTreinamento de redes neurais artificiais através de otimização multi-objetivo$buma nova abordagem para o equilíbrio entre a polarização e a variância.
260 $aBelo Horizonte$c2001
300 $a168 p.$c1 CD-ROM
500 $aTese ( Doutorado ) - Universidade Federal de Minas Gerais. Orientador: Antônio de Pádua Braga. Co-Orientadores : Ricardo H. C. Takahashi e Rodney R. Saldanha.
520 $aNeste trabalho é desenvolvido um novo método para treinamento de Redes Neurais Artifi ciais (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 treinamento. O método multi-objetivo proposto controla a flexibilidade do modelo independente- mente 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 Brain Damage, Weight Decay e Support Vector Machines são abordados. Uma análise 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.
650 $aVetor
653 $adecisor
653 $aotimização
653 $aPareto-ótimas
653 $apolarização
653 $aquadrático
653 $aRedes Neurais Artificiais
653 $aRNAs
653 $avariância
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
| Registros recuperados : 1 | |
| Registros recuperados : 1 | |
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
