ANDRADE FILHO, L. S. Projeto de classificadores de padrões baseados em protótipos usando evolução diferencial. 2014. 115 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2014. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2015-05-26T13:28:57Z
No. of bitstreams: 1
2014_dis_lsandradefilho.pdf: 2695503 bytes, checksum: 3ad514697f800cf993cd355b3f0f71b5 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2015-05-27T19:27:39Z (GMT) No. of bitstreams: 1
2014_dis_lsandradefilho.pdf: 2695503 bytes, checksum: 3ad514697f800cf993cd355b3f0f71b5 (MD5) / Made available in DSpace on 2015-05-27T19:27:39Z (GMT). No. of bitstreams: 1
2014_dis_lsandradefilho.pdf: 2695503 bytes, checksum: 3ad514697f800cf993cd355b3f0f71b5 (MD5)
Previous issue date: 2014-11-28 / In this Master's dissertation we introduce an evolutionary approach for the eficient design of prototyp e-based classi ers using di erential evolution (DE). For this purp ose we amalgamate ideas from the Learning Vector Quantization (LVQ) framework for sup ervised classi cation by Kohonen (KOHONEN, 2001), with the DE-based automatic clustering approach by Das et al. (DAS; ABRAHAM; KONAR, 2008) in order to evolve sup ervised classi ers. The prop osed approach is able to determine b oth the optimal numb er of prototyp es p er class and the corresp onding p ositions of these prototyp es in the data space. By means of comprehensive computer simulations on b enchmarking datasets, we show that the resulting classi er, named LVQ-DE, consistently outp erforms state-of-the-art prototyp e-based classi ers / Nesta dissertação é apresentada uma abordagem evolucionária para o projeto e ciente de classifi cadores baseados em protótipos utilizando Evolução Diferencial. Para esta fi nalidade foram reunidos conceitos presentes na família de redes neurais LVQ (Learning Vector Quantization, introduzida por Kohonen para classifi cação supervisionada, juntamente com conceitos extraídos da técnica de clusterização automática proposta por Das et al. baseada na metaheurística Evolução Diferencial. A abordagem proposta visa determinar tanto o número ótimo de protótipos por classe, quanto as posições correspondentes de cada protótipo no espaço de cobertura do problema. Através de simulações computacionais abrangentes realizadas sobre vários conjuntos de dados comumente utilizados em estudos de comparação de desempenho, foi demonstrado que o classifi cador resultante, denominado LVQ-DE, alcança resultados equivalentes (ou muitas vezes até melhores) que o estado da arte em classifi cadores baseados em protótipos, com um número muito menor de protótipos
Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/12478 |
Date | 28 November 2014 |
Creators | Andrade Filho, Luiz Soares de |
Contributors | Barreto, Guilherme de Alencar |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0014 seconds