Estudo de abordagem baseada em neuroevolução para separação cega de fontes não linear

• Processo: 21/11723-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de março de 2022
• Data de Término da vigência: 31 de maio de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Lucas Fernandes Muniz
• Supervisor: Christian Jutten
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Instituição Anfitriã: Université Grenoble Alpes (UGA), França
• Vinculado à bolsa: 20/16456-7 - Estudo de estratégias neuroevolutivas para treinamento e definição topológica de redes neurais artificiais, BP.IC
• Assunto(s): Separação cega de fontes Algoritmos genéticos Aprendizado computacional Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: algoritmo genético | Aprendizagem de Maquina | Redes Neurais Artificiais | Separação Cega de Fontes | Aprendizagem de Máquina

Resumo

O problema de Separação Cega de Fontes é um modelo que pode ser aplicado para a resolução de diversos problema do mundo real que são modelados como uma mistura de componentes independentes. Ao contrário do caso linear, um estrutura geral para a solução do problema de Separação Cega de Fontes Não Linear (NLBSS, do inglês Nonlinear Blind Source Separation) ainda não foi encontrada. Algumas abordagens baseadas em modelos restritos foram propostas, porém, o sucesso desses modelos depende da escolha de um modelo com ordem de complexidade adequada. Baseado nisso, o objetivo deste projeto é resolver o problema NLBSS utilizando modelos aditivos generalizados não lineares que possuem uma ordem de complexidade adequada. Um modelo apropriado será obtido pelo algoritmo NeuroEvolution of Augmenting Topologies, que geralmente é utilizado na busca de redes neurais artificiais. A independência estatística deverá ser avaliada pela taxa de informação mútua, que incorpora informação temporal com o propósito de fornecer informação adicional para efetuar a separação de fontes não linear. (AU)