Aprendizagem estrutural de redes Bayesianas dinâmicas não-estacionárias

Resumo

Na medida em que cresce o uso de abordagens Bayesianas para pesquisas em processamento de sinais e eletrofisiologia, há a necessidade de estudo e desenvolvimento de técnicas de otimização e aprendizado de máquina para a elaboração de estruturas de modelos probabilísticos conhecidos como redes Bayesianas dinâmicas. Alguns domínios de aplicação podem revelar limitações nestes modelos, o que exige tanto adaptações dos conceitos originais, quanto técnicas que garantem um custo computacional baixo para os algoritmos de aprendizado. Este é o caso de sistemas com sinais não-estacionários e contínuos, que serão tratados em detalhe no presente trabalho. Destaca-se que o paradigma evolutivo, na área de aprendizado de máquina, constitui um caminho promissor, devido à sua ampla utilização e qualidade dos resultados obtidos (tanto em precisão como rapidez). Uma aplicação específica onde o aprendizado estrutural de uma rede Bayesiana dinâmica não-estacionária (nsDBN) se torna útil é a pesquisa do caminho percorrido por sinais neurais em gânglios de controle motor de gafanhotos, o que possibilita a descoberta do funcionamento da rede de neurônios e sua posterior aplicação em sistemas robóticos bioinspirados. (AU)