Made available in DSpace on 2014-06-12T15:54:40Z (GMT). No. of bitstreams: 2 arquivo1989_1.pdf: 870524 bytes, checksum: 413a85636fb1d4ac740960f22b3960f6 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Redes neurais com neurônios baseados em memória RAM (random access memory) são caracterizadas por serem implementáveis em hardware e por serem uma opção atraente na solução de problemas definidos em espaço de entradas binárias. No entanto, para problemas definidos no espaço de entradas reais, existe uma tarefa difícil que é encontrar a representação adequada desses valores, sem perder o poder de generalização em tarefas de classificação de padrões. Este trabalho investiga a utilização de ruído gaussiano aditivo nas variáveis de entradas continuas para aumentar o poder de generalização da rede. Dessa forma uma maior quantidade de posições de memória pode ser treinada , formando uma região de vizinhança comum para padrões semelhantes, conhecida como bacia de atração. Foram realizadas análises da influência da adição de ruído durante o treinamento do n-tuple classifier, que é um tipo de rede booleana, onde se pôde comprovar que o treinamento com ruído aumenta o poder de generalização 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 públicas, três de um conhecido benchmark da área e outra de recente competição internacional. Resultados experimentais mostram que o modelo investigado obtém desempenho equivalente ao da rede neural MLP para os problemas utilizados

Made available in DSpace on 2014-06-12T15:56:06Z (GMT). No. of bitstreams: 2 arquivo2738_1.pdf: 2219821 bytes, checksum: e0060e817bd6a925ad67e0971641acff (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Classificadores têm sido largamente aplicados nos mais diversos campos científicos e industriais, em geral obtendo bons desempenhos. Entretanto, quando aplicados a problemas cuja quantidade de dados disponível para o treinamento é limitada (bases de dados pequenas) ou quando estes dados apresentam um desbalanceamento entre as classes (bases de dados desbalanceadas), a maioria dos classificadores obtém um desempenho pobre. O poder de generalização do classificador é reduzido quando bases de dados pequenas são utilizadas durante o processo de treinamento, enquanto que em bases de dados desbalanceadas, as classes com maior representatividade e menor importância tendem a ser favorecidas. Inerentes a diversos problemas do mundo real, conjuntos de dados pequenos e desbalanceados representam uma limitação a ser superada por algoritmos de aprendizagem para produção de classificadores precisos e confiáveis. Neste trabalho é proposta uma abordagem baseada na adição de ruído Gaussiano durante o processo de treinamento de uma rede neural MultiLayer Perceptron (MLP) com o intuito de contornar as limitações referentes às bases de dados pequenas e/ou desbalanceadas, possibilitando a rede neural obter um alto poder de generalização A metodologia proposta pode ser dividida em duas etapas principais. Na primeira, um estudo acerca da correlação entre as variáveis é realizado. Este estudo envolve avaliar a correlação entre as variáveis por meio do coeficiente de correlação de Pearson e a descorrelação das variáveis através do método Análise de Componentes Principais (ACP). Na segunda, ruídos derivados a partir de uma distribuição Gaussiana são inseridos nas variáveis de entrada. Para validar a abordagem proposta foram utilizadas três bases públicas de um conhecido benchmark da comunidade de redes neurais, Proben1. Os resultados experimentais indicam que a abordagem proposta obtém um desempenho estatisticamente melhor (95% de confiança) que o método de treinamento convencional, principalmente quando utilizado o método PCA para descorrelação das variáveis antes da aplicação de ruído