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

• Processo: 17/10224-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de agosto de 2017
• Vigência (Término): 31 de julho de 2018
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Peter Sussner
• Beneficiário: Israel Campiotti
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Inteligência artificial Morfologia matemática Fuzzy (inteligência artificial) Otimização matemática Classificação
• Palavra(s)-Chave do Pesquisador: Classificação de Padrões | Extreme Learning Machine | linear fuzzy | Morfologia Matemática | perceptron híbrido morfológico | rede neural artificial | Teoria de Conjuntos Fuzzy | Inteligência Artificial

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)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SUSSNER, PETER; CAMPIOTTI, ISRAEL. Extreme learning machine for a new hybrid morphological/linear perceptron. NEURAL NETWORKS, v. 123, p. 288-298, MAR 2020. (18/13657-1, 17/10224-4)