Busca avançada
Ano de início
Entree

Obtenção de neurônios de redes neurais de base radial via agrupamento de dados por Floresta de Caminhos Ótimos

Processo: 13/05513-6
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de abril de 2013
Vigência (Término): 28 de fevereiro de 2014
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:João Paulo Papa
Beneficiário:Gustavo Henrique de Rosa
Instituição-sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
Vinculado ao auxílio:09/16206-1 - Novas tendências em reconhecimento de padrões baseado em floresta de caminhos ótimos, AP.JP
Assunto(s):Aprendizado computacional   Reconhecimento de padrões

Resumo

Dentre os modelos de redes neurais mais utilizados, podemos citar Perceptron Multicamadas (Multilayer Perceptron - MLP) e redes de Base Radial (Radial Basis Function - RBF). Redes neurais do tipo MLP utilizam hiperplanos de separação, ao passo que redes RBF utilizam superfícies de decisão não lineares para dicotomizar o espaço amostral. Entretanto, a principal característica destas últimas reside no fato de possuírem, geralmente, apenas três camadas: entrada, escondida e de saída, sendo que a função de ativação na camada escondida é dada por funções de base radial. No caso, uma função de base radial bastante utilizada é a Gaussiana, a qual possui dois parâmetros: variância e média. A etapa de treinamento de uma ANN-RBF consiste, basicamente, em estimar os centros (neurônios) das classes, as quais serão então representadas por funções de densidade de probabilidade (fdps) Gaussianas. Após a obtenção dos valores das médias e variâncias das fdps, as Gaussianas podem então ser estimadas para posterior classificação: dada uma amostra do conjunto de teste, a mesma é associada à classe cuja resposta à fdp é maximizada. Entretanto, boa parte das implementações das redes neurais RBF utiliza o algoritmo k-médias para a obtenção dos centros (neurônios) das classes, o que requer o conhecimento prévio dos k centros, ou seja, é necessário também informarmos ao algoritmo o número de neurônios da camada escondida. Embora o mais comum seja adotar o número de neurônios como sendo o número de classes (informação conhecida a priori em problemas supervisionados), nada impede que uma dada classe seja representada por mais de uma Gaussiana. Assim sendo, este projeto de pesquisa de iniciação científica objetiva avaliar a qualidade dos neurônios obtidos por meio de agrupamento de dados utilizando o classificador por Floresta de Caminhos Ótimos (Optimum-Path Forest - OPF) não supervisionado, o qual encontra o número de agrupamentos durante sua execução, não sendo necessária essa informação antecipada. Essa característica torna o classificador OPF não supervisionado bastante interessante para esse contexto, o qual ainda não foi aplicado para este fim.

Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.