Made available in DSpace on 2014-06-12T15:53:49Z (GMT). No. of bitstreams: 2
arquivo6171_1.pdf: 2423042 bytes, checksum: 949507b002f02df43a3c9f1955b129d9 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2007 / Esta tese propõe um novo método híbrido que utiliza simulated annealing e o
algoritmo de treinamento padrão de retro-propagação dos erros para otimizar redes MLP
(Multi Layer Perceptron) aplicadas ao problema de previsão de séries temporais. Este
método, denominado aqui de ANNSATS (Artificial Neural Networks and Simulated
Annealing for Time Series Forecasting), começa a partir de uma topologia inicial
completamente conectada e com um número pré-definido de neurônios e pesos. O sistema
híbrido proposto executa ciclos compostos por uma etapa de otimização de topologia de
redes neurais seguida por outra etapa de otimização de pesos. Estes ciclos continuam até
que são encontrados uma topologia otimizada de rede neural e um ajuste otimizado para os
pesos das conexões.
Em cada ciclo, primeiramente é criada uma nova rede neural MLP candidata, que é
potencialmente mais adequada para resolver o problema específico de previsão. A nova
rede é criada habilitando e desabilitando neurônios de entrada e escondidos. Em seguida, os
pesos desta nova topologia são ajustados utilizando o algoritmo padrão de retro-propagação
dos erros, empregando um número pré-especificado e pequeno de épocas. Após este ajuste,
a rede neural candidata é avaliada de acordo com uma função objetivo. Esta função
objetivo é proporcional ao número de neurônios correntemente ativos na topologia e ao erro
de modelagem para a série temporal. Dependendo do valor calculado para a função objetivo
e dos parâmetros correntes do simulated annealing, a topologia candidata pode ser aceita ou
rejeitada. Se esta for aceita, então a mesma é utilizada como base para a geração de uma
nova rede neural candidata. Se a topologia candidata não for aceita, então a última
topologia válida é utilizada para começar um novo ciclo.
Resultados experimentais com uma série simulada (série de Hénon) e com outras
oito séries de fenômenos reais mostraram que o novo método é capaz de produzir redes
MLP com os retardos esperados e com o número de neurônios escondidos suficientes para
obter previsões, em média, melhores do que as calculadas por redes MLP treinadas pelo
algoritmo padrão de retro-propagação e melhor do que outros resultados disponíveis na
literatura relacionada
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2010 |
| Date | January 2007 |
| Creators | Lucena Arnaud, Adrian |
| Contributors | Jorge Leitão Adeodato, Paulo |
| 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/doctoralThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds