Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMS |
Texto Completo: | https://repositorio.ufms.br/handle/123456789/662 |
Resumo: | A utilização de Redes Neurais Artificiais (RNA) Multilayer Perceptrons (MLP) Backpropagation (BP) para aproximação de funções compreende três fases: treinamento, validação e utilização. Este trabalho propõe uma metodologia para abordagem de dois aspectos sobre estas fases: 1ª) estimar um parâmetro para aferir a exatidão de saídas de RNA classificando quais podem ser consideradas confiáveis e quais não podem, pois na fase de utilização as RNA não conseguem aproximar a função de interesse para 100% dos dados; e 2ª) estabelecer o número mínimo de padrões a serem utilizados na fase de treinamento que permita a convergência e a generalização dessas redes. A metodologia propõe a utilização de duas redes: a RNA Direta (RNAD), utilizada para aproximar a função de interesse, e a RNA Inversa (RNAI), utilizada para aproximar a Função Inversa (FI) da RNAD. Após o treinamento conjunto das duas redes, a diferença entre a entrada da RNAD e a saída da RNAI, que devem ser computacionalmente iguais na convergência das redes, irá definir os parâmetros apresentados. Caso a função a ser aproximada não tenha FI definida, o domínio é restringido para onde exista. A metodologia proposta será demonstrada utilizando-se dados sintéticos a partir da função quadrática f(x) = x2, com o objetivo de controlar as entradas e as saídas para demonstrar experimentalmente a validade da metodologia que será aplicada para as RNA MLP nos domínios real, complexo e de Clifford. O domínio (multidimensional) de Clifford é restringido para que seja isomorfo ao domínio complexo, permitindo a visualização gráfica dos resultados e a comparação com o domínio complexo. |
id |
UFMS_02ec547b491bf0f18063088e693e3572 |
---|---|
oai_identifier_str |
oai:repositorio.ufms.br:123456789/662 |
network_acronym_str |
UFMS |
network_name_str |
Repositório Institucional da UFMS |
repository_id_str |
2124 |
spelling |
2011-10-28T11:23:50Z2021-09-30T19:55:28Z2009https://repositorio.ufms.br/handle/123456789/662A utilização de Redes Neurais Artificiais (RNA) Multilayer Perceptrons (MLP) Backpropagation (BP) para aproximação de funções compreende três fases: treinamento, validação e utilização. Este trabalho propõe uma metodologia para abordagem de dois aspectos sobre estas fases: 1ª) estimar um parâmetro para aferir a exatidão de saídas de RNA classificando quais podem ser consideradas confiáveis e quais não podem, pois na fase de utilização as RNA não conseguem aproximar a função de interesse para 100% dos dados; e 2ª) estabelecer o número mínimo de padrões a serem utilizados na fase de treinamento que permita a convergência e a generalização dessas redes. A metodologia propõe a utilização de duas redes: a RNA Direta (RNAD), utilizada para aproximar a função de interesse, e a RNA Inversa (RNAI), utilizada para aproximar a Função Inversa (FI) da RNAD. Após o treinamento conjunto das duas redes, a diferença entre a entrada da RNAD e a saída da RNAI, que devem ser computacionalmente iguais na convergência das redes, irá definir os parâmetros apresentados. Caso a função a ser aproximada não tenha FI definida, o domínio é restringido para onde exista. A metodologia proposta será demonstrada utilizando-se dados sintéticos a partir da função quadrática f(x) = x2, com o objetivo de controlar as entradas e as saídas para demonstrar experimentalmente a validade da metodologia que será aplicada para as RNA MLP nos domínios real, complexo e de Clifford. O domínio (multidimensional) de Clifford é restringido para que seja isomorfo ao domínio complexo, permitindo a visualização gráfica dos resultados e a comparação com o domínio complexo.The use of Artificial Neural Networks (ANN) Multilayer Perceptrons (MLP) Backpropagation (BP) for regression is done in three phases: training, validation and testing. This research proposes a methodology to approach two aspects of these phases: 1st) to estimate a parameter to confront the accuracy of the ANN output classifying those which can be considered reliable and those which are not, therefore in the testing phase of the ANN it will not be possible to evaluate the function of interest for 100% of the data; and 2nd) to establish the minimum number of patterns which allow the convergence and the generalization of those networks to be used in the training phase. The method proposes the use of two networks: Direct ANN (DANN), used to approximate the function of interest, and Inverse ANN (IANN), used to approximate the Inverse Function (IF) of DANN. After the joint training of the two networks, the difference between the input of the DANN and the output of the IANN, should be the same computerwise in the convergence of the networks, it will define the parameters presented. In case the function to be approximated does not have a defined IF, the domain is restricted for where there is one. The method proposed will be demonstrated using synthetic data starting from the quadratic function f(x) = x2, with the objective of controlling the input and the output to demonstrate the validity of the method that will be applied for the ANN MLP in the Real, Complex and Clifford domain. The Clifford (multidimensional) domain is restricted so that it is isomorphous to the complex domain, allowing the graphic visualization of the results and the comparison to the complex domain.porÁlgebras de CliffordInteligência ArtificialRedes NeuraisEngenharia ElétricaSubconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Cliffordinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisRomero, Milton Ernesto RomeroTorchi, Thalles de Souzainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSTHUMBNAILThalles de Souza Torchi.pdf.jpgThalles de Souza Torchi.pdf.jpgGenerated Thumbnailimage/jpeg1149https://repositorio.ufms.br/bitstream/123456789/662/4/Thalles%20de%20Souza%20Torchi.pdf.jpg59998afa46fa8ddfe864c9a767873df3MD54TEXTThalles de Souza Torchi.pdf.txtThalles de Souza Torchi.pdf.txtExtracted texttext/plain187605https://repositorio.ufms.br/bitstream/123456789/662/3/Thalles%20de%20Souza%20Torchi.pdf.txt338b62ede762d7781bc80233d4dbf93fMD53ORIGINALThalles de Souza Torchi.pdfThalles de Souza Torchi.pdfapplication/pdf1886543https://repositorio.ufms.br/bitstream/123456789/662/1/Thalles%20de%20Souza%20Torchi.pdf468adef953997e9e922586a5f103be8bMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufms.br/bitstream/123456789/662/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/6622021-09-30 15:55:28.358oai:repositorio.ufms.br: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Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242021-09-30T19:55:28Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false |
dc.title.pt_BR.fl_str_mv |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
title |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
spellingShingle |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford Torchi, Thalles de Souza Álgebras de Clifford Inteligência Artificial Redes Neurais Engenharia Elétrica |
title_short |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
title_full |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
title_fullStr |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
title_full_unstemmed |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
title_sort |
Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford |
author |
Torchi, Thalles de Souza |
author_facet |
Torchi, Thalles de Souza |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Romero, Milton Ernesto Romero |
dc.contributor.author.fl_str_mv |
Torchi, Thalles de Souza |
contributor_str_mv |
Romero, Milton Ernesto Romero |
dc.subject.por.fl_str_mv |
Álgebras de Clifford Inteligência Artificial Redes Neurais Engenharia Elétrica |
topic |
Álgebras de Clifford Inteligência Artificial Redes Neurais Engenharia Elétrica |
description |
A utilização de Redes Neurais Artificiais (RNA) Multilayer Perceptrons (MLP) Backpropagation (BP) para aproximação de funções compreende três fases: treinamento, validação e utilização. Este trabalho propõe uma metodologia para abordagem de dois aspectos sobre estas fases: 1ª) estimar um parâmetro para aferir a exatidão de saídas de RNA classificando quais podem ser consideradas confiáveis e quais não podem, pois na fase de utilização as RNA não conseguem aproximar a função de interesse para 100% dos dados; e 2ª) estabelecer o número mínimo de padrões a serem utilizados na fase de treinamento que permita a convergência e a generalização dessas redes. A metodologia propõe a utilização de duas redes: a RNA Direta (RNAD), utilizada para aproximar a função de interesse, e a RNA Inversa (RNAI), utilizada para aproximar a Função Inversa (FI) da RNAD. Após o treinamento conjunto das duas redes, a diferença entre a entrada da RNAD e a saída da RNAI, que devem ser computacionalmente iguais na convergência das redes, irá definir os parâmetros apresentados. Caso a função a ser aproximada não tenha FI definida, o domínio é restringido para onde exista. A metodologia proposta será demonstrada utilizando-se dados sintéticos a partir da função quadrática f(x) = x2, com o objetivo de controlar as entradas e as saídas para demonstrar experimentalmente a validade da metodologia que será aplicada para as RNA MLP nos domínios real, complexo e de Clifford. O domínio (multidimensional) de Clifford é restringido para que seja isomorfo ao domínio complexo, permitindo a visualização gráfica dos resultados e a comparação com o domínio complexo. |
publishDate |
2009 |
dc.date.issued.fl_str_mv |
2009 |
dc.date.accessioned.fl_str_mv |
2011-10-28T11:23:50Z |
dc.date.available.fl_str_mv |
2021-09-30T19:55:28Z |
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.ufms.br/handle/123456789/662 |
url |
https://repositorio.ufms.br/handle/123456789/662 |
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.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMS instname:Universidade Federal de Mato Grosso do Sul (UFMS) instacron:UFMS |
instname_str |
Universidade Federal de Mato Grosso do Sul (UFMS) |
instacron_str |
UFMS |
institution |
UFMS |
reponame_str |
Repositório Institucional da UFMS |
collection |
Repositório Institucional da UFMS |
bitstream.url.fl_str_mv |
https://repositorio.ufms.br/bitstream/123456789/662/4/Thalles%20de%20Souza%20Torchi.pdf.jpg https://repositorio.ufms.br/bitstream/123456789/662/3/Thalles%20de%20Souza%20Torchi.pdf.txt https://repositorio.ufms.br/bitstream/123456789/662/1/Thalles%20de%20Souza%20Torchi.pdf https://repositorio.ufms.br/bitstream/123456789/662/2/license.txt |
bitstream.checksum.fl_str_mv |
59998afa46fa8ddfe864c9a767873df3 338b62ede762d7781bc80233d4dbf93f 468adef953997e9e922586a5f103be8b 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS) |
repository.mail.fl_str_mv |
ri.prograd@ufms.br |
_version_ |
1807552812249251840 |