Return to search

Comparação de arquiteturas de redes neurais para sistemas de reconheceimento de padrões em narizes artificiais

Made available in DSpace on 2014-06-12T15:58:28Z (GMT). No. of bitstreams: 2
arquivo4572_1.pdf: 1149011 bytes, checksum: 92aae8f6f9b5145bfcecb94d96dbbc0b (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2004 / Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco / Um nariz artificial é um sistema modular composto de duas partes principais: um sistema
sensor, formado de elementos que detectam odores e um sistema de reconhecimento de padrões que
classifica os odores detectados. Redes neurais artificiais têm sido utilizadas como sistema de
reconhecimento de padrões para narizes artificiais e vêm apresentando resultados promissores.
Desde os anos 80, pesquisas para criação de narizes artificiais, que permitam detectar e
classificar odores, vapores e gases automaticamente, têm tido avanços significativos. Esses
equipamentos podem ser utilizados no monitoramento ambiental para controlar a qualidade do ar, na
área de saúde para realizar diagnóstico de doenças e nas indústrias de alimentos para o controle de
qualidade e o monitoramento de processos de produção.
Esta dissertação investiga a utilização de quatro técnicas diferentes de redes neurais para criação
de sistemas de reconhecimento de padrões em narizes artificiais. O trabalho está dividido em quatro
partes principais: (1) introdução aos narizes artificiais, (2) redes neurais artificiais para sistema de
reconhecimento de padrões, (3) métodos para medir o desempenho de sistemas de reconhecimento de
padrões e comparar os resultados e (4) estudo de caso.
Os dados utilizados para o estudo de caso, foram obtidos por um protótipo de nariz artificial
composto por um arranjo de oito sensores de polímeros condutores, expostos a nove tipos diferentes
de aguarrás. Foram adotadas as técnicas Multi-Layer Perceptron (MLP), Radial Base Function (RBF),
Probabilistic Neural Network (PNN) e Time Delay Neural Network (TDNN) para criar os sistemas de
reconhecimento de padrões. A técnica PNN foi investigada em detalhes, por dois motivos principais: esta técnica é indicada para realização de tarefas de classificação e seu treinamento é feito em apenas
um passo, o que torna a etapa de criação dessas redes muito rápida. Os resultados foram comparados
através dos valores dos erros médios de classificação utilizando o método estatístico de Teste de
Hipóteses.
As redes PNN correspondem a uma nova abordagem para criação de sistemas de
reconhecimento de padrões de odor. Estas redes tiveram um erro médio de classificação de 1.1574%
no conjunto de teste. Este foi o menor erro obtido entre todos os sistemas criados, entretanto mesmo
com o menor erro médio de classificação, os testes de hipóteses mostraram que os classificadores
criados com PNN não eram melhores do que os classificadores criados com a arquitetura RBF, que
obtiveram um erro médio de classificação de 1.3889%. A grande vantagem de criar classificadores com
a arquitetura PNN foi o pequeno tempo de treinamento dos mesmos, chegando a ser quase imediato.
Porém a quantidade de nodos na camada escondida foi muito grande, o que pode ser um problema,
caso o sistema criado deva ser utilizado em equipamentos com poucos recursos computacionais. Outra
vantagem de criar classificadores com redes PNN é relativa à quantidade reduzida de parâmetros que
devem ser analisados, neste caso apenas o parâmetro relativo à largura da função Gaussiana precisou ser
investigado

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2465
Date January 2004
CreatorsFERREIRA, Aida Araújo
ContributorsLUDERMIR, Teresa Bernarda
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds