| spelling |
Alcinei Mistico AzevedoCarlos Juliano Brant AlbuquerqueDemerson Arruda SanglardCarlos Juliano Brant AlbuquerqueCésar Fernandes AquinoSilvia NietscheLudimila Geiciane de Sa2019-08-13T14:56:58Z2019-08-13T14:56:58Z2018-02-15http://hdl.handle.net/1843/NCAP-B3QNDSAs redes neurais artificiais são modelos computacionais do cérebro humano que reconhecem padrões e regularidades dos dados e representam uma alternativa como aproximador universal de funções complexas. Podem ter desempenho superior aos modelos estatísticos convencionais, com vantagens de ser não paramétricos, não necessitarem de informações detalhadas sobre os processos físicos do sistema a ser modelado e tolerarem perda de dados. A inteligência computacional apresenta um grande potencial, já é amplamente consolidada nas áreas computacionais e torna-se uma abordagem interessante a ser utilizada na área de melhoramento de plantas. Desse modo, no primeiro artigo, objetivou-se estudar a dissimilaridade genética entre cultivares de soja, utilizando redes neurais do tipo SOM, e testar a eficiência da metodologia utilizada, por meio da análise discriminante de Anderson. Para selecionar a melhor topologia de rede, foram testadas diferentes arquiteturas de rede quanto à maior taxa de acerto médio, pela análise discriminante de Anderson, e o menor número de clusters vazios, efetuando-se 1000 treinamentos. Após, fizeram-se 1000 novos treinamentos de rede e, posteriormente, construiu-se uma matriz de dissimilaridade, observando-se a frequência com que os genótipos foram considerados como sendo de grupos distintos. A consistência do agrupamento foi verificada através da análise discriminante de Anderson. Seis grupos foram formados pelo método UPGMA, indicando a existência de variabilidade para as características avaliadas. Através da análise discriminante de Anderson, 100% dos acessos foram corretamente classificados. Logo, as redes SOM são eficientes para o agrupamento de linhagens de soja, mostrando a existência de dissimilaridade genética e a formação de seis agrupamentos entre as linhagens estudadas. O segundo artigo teve como objetivo auferir metodologias que permitam estimar a área foliar em soja, por meio do uso de redes neurais artificiais, considerando-se diferentes formatos foliares. Foram avaliadas trinta e seis cultivares, as quais foram separadas em três grupos, de acordo o formato foliar. Foram desenvolvidos perceptrons multicamadas, utilizando-se 300 folhas por grupo, destinando-se 70% para treinamento e 30% para a validação. Foram testadas também as medidas morfológicas mais importantes nesses estudos. As RNAs foram eficientes para estimar a área foliar em soja, com coeficientes de determinação próximos a 0,90. Apenas duas medidas foliares dos folíolos são suficientes para estimação da área foliar. A rede 4, treinada com folhas de todos os grupos, foi mais generalista e, consequentemente, é a mais indicada para a predição da área foliar em soja.The artificial neural networks are computational models of the human brain that recognize patterns and regularities of the data and represent an alternative as a universal approximation of complex functions. They may outperform conventional statistical models, with the advantage of being non-parametric, not requiring detailed information on the physical processes of the system being modeled, and tolerating data loss. The computational intelligence has great potential, it is already widely consolidated in the computational areas and becomes an interesting approach to be used in the field of plant breeding. Thus, in the first article, the objective was to study the genetic dissimilarity between soybean cultivars, using SOM type neural networks, and to test the efficiency of the methodology used, through Anderson's discriminant analysis. In order to select the best network topology, different network architectures were tested for the highest average hit rate, Anderson discriminant analysis, and the lowest number of empty clusters, with 1000 trainings performed. After that, 1000 new net trainings were performed and, later, a matrix of dissimilarity was constructed, observing the frequency with which the genotypes were considered as being of different groups. The consistency of the clustering was verified through Anderson's discriminant analysis. Six groups were formed by the UPGMA method, indicating the existence of variability for the evaluated characteristics. Through Anderson's discriminant analysis, 100% of hits were correctly classified. Therefore, the SOM networks are efficient for the grouping of soybean strains, showing the existence of genetic dissimilarity and the formation of six clusters among the studied strains. The second article had as objective to obtain methodologies that allow estimating the leaf area in soybean, through the use of artificial neural networks, considering different leaf formats. Thirty-six cultivars were evaluated, which were divided into three groups, according the leaf format. Multilayer perceptrons were developed, using 300 sheets per group, with 70% for training and 30% for validation. The most important morphological measures were also tested in these studies. The RNAs were efficient to estimate the leaf area in soybean, with determination coefficients close to 0.90. Only two foliar measurements of leaflets are sufficient for estimation of leaf area. The network 4, trained with leaves of all groups, was more general and, consequently, is the most indicated for the prediction of the leaf area in soybean.Universidade Federal de Minas GeraisUFMGProdução vegetalMelhoramento genético vegetalGlycine max (L) MerrillRedes neurais artificiaisMapas auto-organizáveis de KohonenPerceptrons multicamadasInteligência computacional aplicada ao estudo da divergência e fenotipagem em cultivares de sojainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALludimila_geiciane___disserta__o_final.pdfapplication/pdf1179990https://repositorio.ufmg.br/bitstream/1843/NCAP-B3QNDS/1/ludimila_geiciane___disserta__o_final.pdf93497bede04bd0fc0a40c35cfa278313MD51TEXTludimila_geiciane___disserta__o_final.pdf.txtludimila_geiciane___disserta__o_final.pdf.txtExtracted texttext/plain146701https://repositorio.ufmg.br/bitstream/1843/NCAP-B3QNDS/2/ludimila_geiciane___disserta__o_final.pdf.txt5c08b86762e2d613db64fbebbad61cccMD521843/NCAP-B3QNDS2019-11-14 13:22:12.694oai:repositorio.ufmg.br:1843/NCAP-B3QNDSRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T16:22:12Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|