Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial

Detalhes bibliográficos
Autor(a) principal: Luiz Soares de Andrade Filho
Data de Publicação: 2014
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFC
Texto Completo: http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=14230
Resumo: Nesta dissertaÃÃo à apresentada uma abordagem evolucionÃria para o projeto eciente de classificadores baseados em protÃtipos utilizando EvoluÃÃo Diferencial. Para esta finalidade foram reunidos conceitos presentes na famÃlia de redes neurais LVQ (Learning Vector Quantization, introduzida por Kohonen para classificaÃÃo supervisionada, juntamente com conceitos extraÃdos da tÃcnica de clusterizaÃÃo automÃtica proposta por Das et al. baseada na metaheurÃstica EvoluÃÃo Diferencial. A abordagem proposta visa determinar tanto o nÃmero Ãtimo de protÃtipos por classe, quanto as posiÃÃes correspondentes de cada protÃtipo no espaÃo de cobertura do problema. AtravÃs de simulaÃÃes computacionais abrangentes realizadas sobre vÃrios conjuntos de dados comumente utilizados em estudos de comparaÃÃo de desempenho, foi demonstrado que o classificador resultante, denominado LVQ-DE, alcanÃa resultados equivalentes (ou muitas vezes atà melhores) que o estado da arte em classificadores baseados em protÃtipos, com um nÃmero muito menor de protÃtipos.
id UFC_b973050e9ec228a97cff3339828b351d
oai_identifier_str oai:www.teses.ufc.br:9467
network_acronym_str UFC
network_name_str Biblioteca Digital de Teses e Dissertações da UFC
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisProjeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencialOn the efficient design of a prototype-based classifier using differential evolution2014-11-28Guilherme de Alencar Barreto32841450368http://lattes.cnpq.br/8902002461422112Adriano Lorena InÃcio de Oliveira83088792415http://lattes.cnpq.br/5194381227316437Ricardo Coelho Silva61842559320http://lattes.cnpq.br/767026154155070203890582460http://lattes.cnpq.br/3684329955668828Luiz Soares de Andrade FilhoUniversidade Federal do CearÃPrograma de PÃs-GraduaÃÃo em Engenharia de TeleinformÃticaUFCBR QuantizaÃÃo vetorial SeleÃÃo de modelos EvoluÃÃo diferencialPrototype-based Classication Competitive Neural Networks Learning Vector Quantization Model Selection Dierential EvolutionENGENHARIASNesta dissertaÃÃo à apresentada uma abordagem evolucionÃria para o projeto eciente de classificadores baseados em protÃtipos utilizando EvoluÃÃo Diferencial. Para esta finalidade foram reunidos conceitos presentes na famÃlia de redes neurais LVQ (Learning Vector Quantization, introduzida por Kohonen para classificaÃÃo supervisionada, juntamente com conceitos extraÃdos da tÃcnica de clusterizaÃÃo automÃtica proposta por Das et al. baseada na metaheurÃstica EvoluÃÃo Diferencial. A abordagem proposta visa determinar tanto o nÃmero Ãtimo de protÃtipos por classe, quanto as posiÃÃes correspondentes de cada protÃtipo no espaÃo de cobertura do problema. AtravÃs de simulaÃÃes computacionais abrangentes realizadas sobre vÃrios conjuntos de dados comumente utilizados em estudos de comparaÃÃo de desempenho, foi demonstrado que o classificador resultante, denominado LVQ-DE, alcanÃa resultados equivalentes (ou muitas vezes atà melhores) que o estado da arte em classificadores baseados em protÃtipos, com um nÃmero muito menor de protÃtipos.In this Master's dissertation we introduce an evolutionary approach for the eficient design of prototyp e-based classiers using dierential evolution (DE). For this purp ose we amalgamate ideas from the Learning Vector Quantization (LVQ) framework for sup ervised classication by Kohonen (KOHONEN, 2001), with the DE-based automatic clustering approach by Das et al. (DAS; ABRAHAM; KONAR, 2008) in order to evolve sup ervised classiers. The prop osed approach is able to determine b oth the optimal numb er of prototyp es p er class and the corresp onding p ositions of these prototyp es in the data space. By means of comprehensive computer simulations on b enchmarking datasets, we show that the resulting classier, named LVQ-DE, consistently outp erforms state-of-the-art prototyp e-based classiers.http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=14230application/pdfinfo:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da UFCinstname:Universidade Federal do Cearáinstacron:UFC2019-01-21T11:27:28Zmail@mail.com -
dc.title.pt.fl_str_mv Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
dc.title.alternative.en.fl_str_mv On the efficient design of a prototype-based classifier using differential evolution
title Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
spellingShingle Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
Luiz Soares de Andrade Filho
QuantizaÃÃo vetorial
SeleÃÃo de modelos
EvoluÃÃo diferencial
Prototype-based Classication
Competitive Neural Networks
Learning Vector Quantization
Model Selection
Dierential Evolution
ENGENHARIAS
title_short Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
title_full Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
title_fullStr Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
title_full_unstemmed Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
title_sort Projeto de classificadores de padrÃes baseados em protÃtipos usando evoluÃÃo diferencial
author Luiz Soares de Andrade Filho
author_facet Luiz Soares de Andrade Filho
author_role author
dc.contributor.advisor1.fl_str_mv Guilherme de Alencar Barreto
dc.contributor.advisor1ID.fl_str_mv 32841450368
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/8902002461422112
dc.contributor.referee1.fl_str_mv Adriano Lorena InÃcio de Oliveira
dc.contributor.referee1ID.fl_str_mv 83088792415
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/5194381227316437
dc.contributor.referee2.fl_str_mv Ricardo Coelho Silva
dc.contributor.referee2ID.fl_str_mv 61842559320
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/7670261541550702
dc.contributor.authorID.fl_str_mv 03890582460
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/3684329955668828
dc.contributor.author.fl_str_mv Luiz Soares de Andrade Filho
contributor_str_mv Guilherme de Alencar Barreto
Adriano Lorena InÃcio de Oliveira
Ricardo Coelho Silva
dc.subject.por.fl_str_mv QuantizaÃÃo vetorial
SeleÃÃo de modelos
EvoluÃÃo diferencial
topic QuantizaÃÃo vetorial
SeleÃÃo de modelos
EvoluÃÃo diferencial
Prototype-based Classication
Competitive Neural Networks
Learning Vector Quantization
Model Selection
Dierential Evolution
ENGENHARIAS
dc.subject.eng.fl_str_mv Prototype-based Classication
Competitive Neural Networks
Learning Vector Quantization
Model Selection
Dierential Evolution
dc.subject.cnpq.fl_str_mv ENGENHARIAS
dc.description.abstract.por.fl_txt_mv Nesta dissertaÃÃo à apresentada uma abordagem evolucionÃria para o projeto eciente de classificadores baseados em protÃtipos utilizando EvoluÃÃo Diferencial. Para esta finalidade foram reunidos conceitos presentes na famÃlia de redes neurais LVQ (Learning Vector Quantization, introduzida por Kohonen para classificaÃÃo supervisionada, juntamente com conceitos extraÃdos da tÃcnica de clusterizaÃÃo automÃtica proposta por Das et al. baseada na metaheurÃstica EvoluÃÃo Diferencial. A abordagem proposta visa determinar tanto o nÃmero Ãtimo de protÃtipos por classe, quanto as posiÃÃes correspondentes de cada protÃtipo no espaÃo de cobertura do problema. AtravÃs de simulaÃÃes computacionais abrangentes realizadas sobre vÃrios conjuntos de dados comumente utilizados em estudos de comparaÃÃo de desempenho, foi demonstrado que o classificador resultante, denominado LVQ-DE, alcanÃa resultados equivalentes (ou muitas vezes atà melhores) que o estado da arte em classificadores baseados em protÃtipos, com um nÃmero muito menor de protÃtipos.
dc.description.abstract.eng.fl_txt_mv In this Master's dissertation we introduce an evolutionary approach for the eficient design of prototyp e-based classiers using dierential evolution (DE). For this purp ose we amalgamate ideas from the Learning Vector Quantization (LVQ) framework for sup ervised classication by Kohonen (KOHONEN, 2001), with the DE-based automatic clustering approach by Das et al. (DAS; ABRAHAM; KONAR, 2008) in order to evolve sup ervised classiers. The prop osed approach is able to determine b oth the optimal numb er of prototyp es p er class and the corresp onding p ositions of these prototyp es in the data space. By means of comprehensive computer simulations on b enchmarking datasets, we show that the resulting classier, named LVQ-DE, consistently outp erforms state-of-the-art prototyp e-based classiers.
description Nesta dissertaÃÃo à apresentada uma abordagem evolucionÃria para o projeto eciente de classificadores baseados em protÃtipos utilizando EvoluÃÃo Diferencial. Para esta finalidade foram reunidos conceitos presentes na famÃlia de redes neurais LVQ (Learning Vector Quantization, introduzida por Kohonen para classificaÃÃo supervisionada, juntamente com conceitos extraÃdos da tÃcnica de clusterizaÃÃo automÃtica proposta por Das et al. baseada na metaheurÃstica EvoluÃÃo Diferencial. A abordagem proposta visa determinar tanto o nÃmero Ãtimo de protÃtipos por classe, quanto as posiÃÃes correspondentes de cada protÃtipo no espaÃo de cobertura do problema. AtravÃs de simulaÃÃes computacionais abrangentes realizadas sobre vÃrios conjuntos de dados comumente utilizados em estudos de comparaÃÃo de desempenho, foi demonstrado que o classificador resultante, denominado LVQ-DE, alcanÃa resultados equivalentes (ou muitas vezes atà melhores) que o estado da arte em classificadores baseados em protÃtipos, com um nÃmero muito menor de protÃtipos.
publishDate 2014
dc.date.issued.fl_str_mv 2014-11-28
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
status_str publishedVersion
format masterThesis
dc.identifier.uri.fl_str_mv http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=14230
url http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=14230
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do CearÃ
dc.publisher.program.fl_str_mv Programa de PÃs-GraduaÃÃo em Engenharia de TeleinformÃtica
dc.publisher.initials.fl_str_mv UFC
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade Federal do CearÃ
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFC
instname:Universidade Federal do Ceará
instacron:UFC
reponame_str Biblioteca Digital de Teses e Dissertações da UFC
collection Biblioteca Digital de Teses e Dissertações da UFC
instname_str Universidade Federal do Ceará
instacron_str UFC
institution UFC
repository.name.fl_str_mv -
repository.mail.fl_str_mv mail@mail.com
_version_ 1643295203601154048

Registros relacionados