Made available in DSpace on 2014-06-12T16:01:00Z (GMT). No. of bitstreams: 2
arquivo7132_1.pdf: 2088995 bytes, checksum: aa5d2a0c53668dd8ebc5d10ae3ada3a2 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2005 / As Redes Neurais Artificiais (RNAs), um dos principais modelos de computação
em Inteligência Artificial (IA), vêm sendo largamente utilizadas nas diversas abordagens de
previsão do comportamento dos dados, por exemplo, em processamento de sinais,
reconhecimento de padrões, aproximação de função e também previsão de séries temporais.
Isto porque as RNAs englobam muitas características desejáveis como boa capacidade de
generalização, não linearidade, multivariáveis, não paramétricas, dentro de um esquema de
implementação relativamente eficiente em termos de velocidade e exigência de memória
computacional.
Apesar do grande uso de RNAs para resolver vários tipos de problemas
apresentando bom desempenho, o usuário geralmente quer entender como e porque a rede
obteve uma dada saída em relação à entrada que lhe foi apresentada. Ou seja, a incapacidade
de explicar como e porque a rede gera suas respostas é uma das principais críticas às RNAs,
principalmente quando aplicadas em sistemas onde a segurança na operação seja um aspecto
importante, tais como problemas de controle de usinas nucleares, controle do sistema de
navegação de aeronaves, auxílio a cirurgias médicas, sistemas de diagnóstico médico e
detecção de falhas mecânicas. Isto se deve ao fato do conhecimento está armazenado na
topologia, nos pesos e quando usado no bias da rede, o que evidentemente dificulta a
compreensão pelo usuário de como a rede encontrou a solução para um determinado
problema. Segundo a literatura, a forma mais usual de se resolver esta deficiência é a partir da
rede treinada extrair regras do tipo Se/Então. Note que, tais regras são bem mais aceitáveis
pelos usuários por serem muito parecidas com a forma de representar o raciocínio humano.
Logo, trata-se de uma maneira bastante plausível de se justificar as saídas apresentadas pela
rede.
Portanto, o objetivo principal deste trabalho é fazer um estudo comparativo entre
diversos algoritmos, incluindo os quatro aqui propostos (destacando-se o Literal e o
ProRulext), para extração de regras de redes MLP (Multilayer Perceptron) aplicadas à
problemas de classificação de padrões e de previsão de séries temporais verificando qual(is)
o(s) método(s) que obtém o conjunto de regras mais conciso e representativo das redes
treinadas em cada um destes problemas
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2763 |
| Date | January 2005 |
| Creators | CAMPOS, Paulemir Gonçalves |
| 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/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0164 seconds