Return to search

Frankenstein PSO na definição das arquiteturas e ajustes dos pesos e uso de PSO heterogêneo no treinamento de redes neurais feed-forward

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-08-24T17:35:05Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Dissertacao-Natalia_Flora_de_Lima.pdf: 2000980 bytes, checksum: 107f0691d21b9d94e253d08f06a4fbdd (MD5) / Made available in DSpace on 2016-08-24T17:35:05Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Dissertacao-Natalia_Flora_de_Lima.pdf: 2000980 bytes, checksum: 107f0691d21b9d94e253d08f06a4fbdd (MD5)
Previous issue date: 2011-08-29 / Facepe / Este trabalho apresenta dois novos algoritmos, PSO-FPSO e FPSO-FPSO, para
a otimização global de redes neurais MLP (do inglês Multi Layer Perceptron) do
tipo feed-forward. O propósito destes algoritmos é otimizar de forma simultânea
as arquiteturas e pesos sinápticos, objetivando melhorar a capacidade de
generalização da rede neural artificial (RNA). O processo de otimização
automática das arquiteturas e pesos de uma rede neural vem recebendo grande
atenção na área de aprendizado supervisionado, principalmente em problemas
de classificação de padrões. Além dos Algoritmos Genéticos, Busca Tabu,
Evolução Diferencial, Recozimento simulado que comumente são empregados
no treinamento de redes neurais podemos citar abordagens populacionais como
a otimização por colônia de formigas, otimização por colônia de abelhas e
otimização por enxame de partículas que vêm sendo largamente utilizadas nesta
tarefa. A metodologia utilizada neste trabalho trata da aplicação de dois
algoritmos do tipo PSO, sendo empregados na otimização das arquiteturas e na
calibração dos pesos das conexões. Nesta abordagem os algoritmos são
executados de forma alternada e por um número definido de vezes. Ainda no
processo de ajuste dos pesos de uma rede neural MLP foram realizados
experimentos com enxame de partículas heterogêneos, que nada mais é que a
junção de dois ou mais PSOs de tipos diferentes. Para validar os experimentos
com os enxames homogêneos foram utilizadas sete bases de dados para
problemas de classificação de padrões, são elas: câncer, diabetes, coração,
vidros, cavalos, soja e tireóide. Para os experimentos com enxames
heterogêneos foram utilizadas três bases, a saber: câncer, diabetes e coração.
O desempenho dos algoritmos foi medido pela média do erro percentual de
classificação. Algoritmos da literatura são também considerados. Os resultados
mostraram que os algoritmos investigados neste trabalho obtiveram melhor
acurácia de classificação quando comparados com os algoritmos da literatura
mencionados neste trabalho. / This research presents two new algorithms, PSO-FPSO e FPSO-FPSO, that can
be used in feed-forward MLP (Multi Layer Perceptron) neural networks for global
optimization. The purpose of these algorithms is to optimize architectures and
synaptic weight, at same time, to improve the capacity of generalization from
Artificial Neural Network (ANN). The automatic optimization process of neural
network’s architectures and weights has received much attention in supervised
learning, mainly in pattern classification problems. Besides the Genetic
Algorithms, Tabu Search, Differential Evolution, Simulated Annealing that are
commonly used in the training of neural networks we can mentioned population
approaches such Ant Colony Optimization, Bee Colony Optimization and Particle
Swarm Optimization that have been widely used this task. The methodology
applied in this research reports the use of two PSO algorithms, used in
architecture optimization and connection weight adjust. In this approach the
algorithms are performed alternately and by predefined number of times. Still in
the process of adjusting the weights of a MLP neural network experiments were
performed with swarm of heterogeneous particles, which is nothing more than the
joining of two or more different PSOs. To validate the experiments with
homogeneous clusters were used seven databases for pattern classification
problems, they are: cancer, diabetes, heart, glasses, horses, soy and thyroid. For
the experiments with heterogeneous clusters were used three bases, namely
cancer, diabetes and heart. The performance of the algorithms was measured by
the average percentage of misclassification, literature algorithms are also
considered. The results showed that the algorithms investigated in this research
had better accuracy rating compared with some published algorithms.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/17738
Date29 August 2011
CreatorsLIMA, Natália Flora De
ContributorsLUDERMIR, Teresa Bernarda
PublisherUniversidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil
Source SetsIBICT Brazilian ETDs
LanguageBreton
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0022 seconds