Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais

Detalhes bibliográficos
Autor(a) principal: Machado, Lucas Corrêa Netto
Data de Publicação: 2013
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFJF
Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/4164
Resumo: Este trabalho apresenta uma técnica para treinamento de Redes Neurais Artificiais (RNA), capaz de obter os parâmetros da rede através dos dados disponíveis para treinamento, sem necessidade de estabelecer a arquitetura da rede a priori, denominado Método de Segmentações Geométricas Sucessivas (MSGS). O MSGS agrupa os dados de cada classe em Hipercaixa (HC) onde cada caixa é alinhada de acordo com os eixos de maior distribuição de seu conjunto de pontos. Sendo as caixas linearmente separáveis, um hiperplano de separação é identificado originando um neurônio. Caso não seja possível a separação por um único hiperplano, uma técnica de quebra é aplicada para dividir os dados em classes menores para obter novas HCs. Para cada subdivisão novos neurônios são adicionados à rede. Os resultados dos testes realizados apontam para um método rápido e com alta taxa de sucesso.
id UFJF_550a2e882c8c3362b60b3bc502091653
oai_identifier_str oai:hermes.cpd.ufjf.br:ufjf/4164
network_acronym_str UFJF
network_name_str Repositório Institucional da UFJF
repository_id_str
spelling Honório, Leonardo de Mellohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707900U4Cerqueira, Augusto Santiagohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4763697Y0Moraes, Carlos Henrique Valério dehttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4775478J5Oliveira, Edimar José dehttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707772U9http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4457261H1Machado, Lucas Corrêa Netto2017-04-25T15:23:10Z2017-04-242017-04-25T15:23:10Z2013-11-22https://repositorio.ufjf.br/jspui/handle/ufjf/4164Este trabalho apresenta uma técnica para treinamento de Redes Neurais Artificiais (RNA), capaz de obter os parâmetros da rede através dos dados disponíveis para treinamento, sem necessidade de estabelecer a arquitetura da rede a priori, denominado Método de Segmentações Geométricas Sucessivas (MSGS). O MSGS agrupa os dados de cada classe em Hipercaixa (HC) onde cada caixa é alinhada de acordo com os eixos de maior distribuição de seu conjunto de pontos. Sendo as caixas linearmente separáveis, um hiperplano de separação é identificado originando um neurônio. Caso não seja possível a separação por um único hiperplano, uma técnica de quebra é aplicada para dividir os dados em classes menores para obter novas HCs. Para cada subdivisão novos neurônios são adicionados à rede. Os resultados dos testes realizados apontam para um método rápido e com alta taxa de sucesso.This work presents a technique for Artificial Neural Network (ANN) training, able to get the network parameters from the available data for training, without establishing the network architecture a priori, called Successive Geometric Segmentation Method (SGSM). The SGSM groups the data of each class into hyperboxes (HB) aligned in accordance with the largest axis of its points distribution. If the HB are linearly separable, a separating hyperplane may be identified resulting a neuron. If it is not, a segmentation technique is applied to divide the data into smaller classes for new HB. For each subdivision new neurons are added to the network. The tests show a rapid method with high success rate.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia ElétricaUFJFBrasilFaculdade de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICARede neural artificialReconhecimento de padrõesTeorema do hiperplano de separaçãoHipercaixasSegmentação geométrica sucessivaAuto-geração de neurônioArtificial neural netsPatterns classificationHyperplane separation theoremHyperboxSuccessive geometric segmentationSelf-generation of neuronMétodo de segmentações geométricas sucessivas para treinamento de redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFTEXTlucascorreanettomachado.pdf.txtlucascorreanettomachado.pdf.txtExtracted texttext/plain120005https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/3/lucascorreanettomachado.pdf.txt57dfe935472a87d70716760ecc01fa43MD53THUMBNAILlucascorreanettomachado.pdf.jpglucascorreanettomachado.pdf.jpgGenerated Thumbnailimage/jpeg1156https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/4/lucascorreanettomachado.pdf.jpgea2a4d67827f470c66c98115a4cda3c4MD54ORIGINALlucascorreanettomachado.pdflucascorreanettomachado.pdfapplication/pdf1851458https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/1/lucascorreanettomachado.pdf2a8b67f0adf8343c28d4e1121a757f6dMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82197https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/2/license.txt000e18a5aee6ca21bb5811ddf55fc37bMD52ufjf/41642019-11-07 11:06:25.297oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2019-11-07T13:06:25Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false
dc.title.pt_BR.fl_str_mv Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
title Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
spellingShingle Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
Machado, Lucas Corrêa Netto
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Rede neural artificial
Reconhecimento de padrões
Teorema do hiperplano de separação
Hipercaixas
Segmentação geométrica sucessiva
Auto-geração de neurônio
Artificial neural nets
Patterns classification
Hyperplane separation theorem
Hyperbox
Successive geometric segmentation
Self-generation of neuron
title_short Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
title_full Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
title_fullStr Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
title_full_unstemmed Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
title_sort Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
author Machado, Lucas Corrêa Netto
author_facet Machado, Lucas Corrêa Netto
author_role author
dc.contributor.advisor1.fl_str_mv Honório, Leonardo de Mello
dc.contributor.advisor1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707900U4
dc.contributor.advisor-co1.fl_str_mv Cerqueira, Augusto Santiago
dc.contributor.advisor-co1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4763697Y0
dc.contributor.referee1.fl_str_mv Moraes, Carlos Henrique Valério de
dc.contributor.referee1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4775478J5
dc.contributor.referee2.fl_str_mv Oliveira, Edimar José de
dc.contributor.referee2Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707772U9
dc.contributor.authorLattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4457261H1
dc.contributor.author.fl_str_mv Machado, Lucas Corrêa Netto
contributor_str_mv Honório, Leonardo de Mello
Cerqueira, Augusto Santiago
Moraes, Carlos Henrique Valério de
Oliveira, Edimar José de
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Rede neural artificial
Reconhecimento de padrões
Teorema do hiperplano de separação
Hipercaixas
Segmentação geométrica sucessiva
Auto-geração de neurônio
Artificial neural nets
Patterns classification
Hyperplane separation theorem
Hyperbox
Successive geometric segmentation
Self-generation of neuron
dc.subject.por.fl_str_mv Rede neural artificial
Reconhecimento de padrões
Teorema do hiperplano de separação
Hipercaixas
Segmentação geométrica sucessiva
Auto-geração de neurônio
Artificial neural nets
Patterns classification
Hyperplane separation theorem
Hyperbox
Successive geometric segmentation
Self-generation of neuron
description Este trabalho apresenta uma técnica para treinamento de Redes Neurais Artificiais (RNA), capaz de obter os parâmetros da rede através dos dados disponíveis para treinamento, sem necessidade de estabelecer a arquitetura da rede a priori, denominado Método de Segmentações Geométricas Sucessivas (MSGS). O MSGS agrupa os dados de cada classe em Hipercaixa (HC) onde cada caixa é alinhada de acordo com os eixos de maior distribuição de seu conjunto de pontos. Sendo as caixas linearmente separáveis, um hiperplano de separação é identificado originando um neurônio. Caso não seja possível a separação por um único hiperplano, uma técnica de quebra é aplicada para dividir os dados em classes menores para obter novas HCs. Para cada subdivisão novos neurônios são adicionados à rede. Os resultados dos testes realizados apontam para um método rápido e com alta taxa de sucesso.
publishDate 2013
dc.date.issued.fl_str_mv 2013-11-22
dc.date.accessioned.fl_str_mv 2017-04-25T15:23:10Z
dc.date.available.fl_str_mv 2017-04-24
2017-04-25T15:23:10Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufjf.br/jspui/handle/ufjf/4164
url https://repositorio.ufjf.br/jspui/handle/ufjf/4164
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.publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.publisher.program.fl_str_mv Programa de Pós-graduação em Engenharia Elétrica
dc.publisher.initials.fl_str_mv UFJF
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Faculdade de Engenharia
publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFJF
instname:Universidade Federal de Juiz de Fora (UFJF)
instacron:UFJF
instname_str Universidade Federal de Juiz de Fora (UFJF)
instacron_str UFJF
institution UFJF
reponame_str Repositório Institucional da UFJF
collection Repositório Institucional da UFJF
bitstream.url.fl_str_mv https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/3/lucascorreanettomachado.pdf.txt
https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/4/lucascorreanettomachado.pdf.jpg
https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/1/lucascorreanettomachado.pdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/4164/2/license.txt
bitstream.checksum.fl_str_mv 57dfe935472a87d70716760ecc01fa43
ea2a4d67827f470c66c98115a4cda3c4
2a8b67f0adf8343c28d4e1121a757f6d
000e18a5aee6ca21bb5811ddf55fc37b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)
repository.mail.fl_str_mv
_version_ 1801661415110475776

Registros relacionados