Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:34:23Z
No. of bitstreams: 2
Dissertaçao Anderson Sergio.pdf: 1358589 bytes, checksum: fdd2a84a1ce8a69596fa45676bc522e4 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-09T14:34:23Z (GMT). No. of bitstreams: 2
Dissertaçao Anderson Sergio.pdf: 1358589 bytes, checksum: fdd2a84a1ce8a69596fa45676bc522e4 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-03-07 / Reservoir Computing (RC) é um paradigma de Redes Neurais Artificiais com
aplicações importantes no mundo real. RC utiliza arquitetura similar às Redes Neurais
Recorrentes para processamento temporal, com a vantagem de não necessitar treinar
os pesos da camada intermediária. De uma forma geral, o conceito de RC é baseado
na construção de uma rede recorrente de maneira randômica (reservoir), sem alteração
dos pesos. Após essa fase, uma função de regressão linear é utilizada para treinar a
saída do sistema. A transformação dinâmica não-linear oferecida pelo reservoir é
suficiente para que a camada de saída consiga extrair os sinais de saída utilizando um
mapeamento linear simples, fazendo com que o treinamento seja consideravelmente
mais rápido. Entretanto, assim como as redes neurais convencionais, Reservoir
Computing possui alguns problemas. Sua utilização pode ser computacionalmente
onerosa, diversos parâmetros influenciam sua eficiência e é improvável que a geração
aleatória dos pesos e o treinamento da camada de saída com uma função de
regressão linear simples seja a solução ideal para generalizar os dados.
O PSO é um algoritmo de otimização que possui algumas vantagens sobre
outras técnicas de busca global. Ele possui implementação simples e, em alguns
casos, convergência mais rápida e custo computacional menor. Esta dissertação teve o
objetivo de investigar a utilização do PSO (e duas de suas extensões – EPUS-PSO e
APSO) na tarefa de otimizar os parâmetros globais, arquitetura e pesos do reservoir de
um RC, aplicada ao problema de previsão de séries temporais.
Os resultados alcançados mostraram que a otimização de Reservoir Computing
com PSO, bem como com as suas extensões selecionadas, apresentaram
desempenho satisfatório para todas as bases de dados estudadas – séries temporais
de benchmark e bases de dados com aplicação em energia eólica. A otimização
superou o desempenho de diversos trabalhos na literatura, apresentando-se como uma
solução importante para o problema de previsão de séries temporais.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/11498 |
| Date | 07 March 2013 |
| Creators | Sergio, Anderson Tenório |
| Contributors | Ludermir, Teresa Bernarda, Ferreira, Aida Araújo |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| 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 | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0055 seconds