Made available in DSpace on 2014-06-12T15:52:11Z (GMT). No. of bitstreams: 2
arquivo3194_1.pdf: 1782444 bytes, checksum: 1982844f90df3787391d8faa431cde16 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Em redes neurais artificiais (RNAs), as funções de ativação mais comumente usadas são a
função sigmóide logística e a função tangente hiperbólica, dependendo das características dos
dados. Entretanto, a escolha da função de ativação pode influenciar fortemente o desempenho
e a complexidade da rede neural. Neste trabalho, com o objetivo de melhorar o desempenho
dos modelos de redes neurais, propomos o uso de novas funções de ativação no processamento
das unidades da rede neural. Aqui, as funções não-lineares implementadas são as inversas das
funções de ligação usadas em modelos de regressão binomial, essas funções são: complemento
log-log, probit, log-log e Aranda, sendo que esta última função apresenta um parâmetro livre e
é baseada na família de transformações Aranda-Ordaz.
Uma avaliação dos resultados do poder de predição com estas novas funções através de
simulação Monte Carlo é apresentada. Além disso, foram realizados diversos experimentos
com aproximação de funções contínuas e arbitrárias, com regressão e com previsão de séries
temporais.
Na utilização da função de ativação com parâmetro livre, duas metodologias foram usadas
para a escolha do parâmetro livre, l . A primeira foi baseada em um procedimento semelhante
ao de busca em linha (line search). A segunda foi usada uma metodologia para a otimização
global dessa família de funções de ativação com parâmetro livre e dos pesos das conexões
entre as unidades de processamento da rede neural. A ideia central é otimizar simultaneamente
os pesos e a função de ativação usada em uma rede multilayer perceptron (MLP), através de
uma abordagem que combina as vantagens de simulated annealing, de tabu search e de um
algoritmo de aprendizagem local.
As redes utilizadas para realizar esses experimentos foram treinadas através dos seguintes
algoritmos de aprendizagem: backpropagation (BP), backpropagation com momentum (BPM),
backpropagation baseado no gradiente conjugado com atualizações Fletcher-Reeves (CGF) e
Levenberg-Marquardt (LM)
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/1757 |
| Date | 31 January 2010 |
| Creators | GOMES, Gecynalda Soares da Silva |
| Contributors | LUDERMIR, Teresa Bernarda |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds