Perceptrons híbridos fuzzy morfológicos/lineares baseados em extreme learning com aplicações em classificação

Resumo

Rede neurais híbridas morfológicas/lineares combinam operadores morfológicos e lineares. Recentemente foi introduzida uma rede neural artificial alimentada adiante (feedforward) representando um perceptron híbrido linear/morfológico fuzzy chamado de fuzzy dilation/erosion/linear perceptron (F-DELP). Seguindo as ideias de Pessoa e Marago, foi aplicado uma suavização apropriada para superar a não diferenciabilidade dos operadores de dilatação e erosão fuzzy empregados nos modelos F-DELP propostos. Estes modelos foram treinados usando versões do tradicional algoritmo de retropropagação do erro (backpropagation) e seus parâmetros foram selecionados por validação cruzada (cross validation). O modelo F-DELP foi aplicado a problemas de classificação bem conhecidos, produzindo resultados satisfatórios quando comparado com outros classificadores, como FARC-HD, Theta-FAMs e SVM. Ao invés de validação cruzada e retropagação, técnicas mais avançadas, para selecionar o número e tipos de módulos e para otimizar os pesos, podem ser usadas. Neste projeto, iremos focar no uso de aprendizado extremo (extreme learning) para determinar os pesos da rede. Deste modo, o problema de selecionar o número de módulos pode também ser parcialmente contornado. De acordo com Huang et al., extreme learning (EL) é computacionalmente barato comparado com algoritmos de otimização evolucionários e algoritmos clássicos para treinamento de redes neurais e, geralmente, resulta em boa performance de generalização sem requerer alguma forma de regularização para evitar sobreajuste (overfitting). (AU)