Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos

Detalhes bibliográficos
Autor(a) principal: Ferro, Rafael De Bona
Data de Publicação: 2018
Idioma: por
Título da fonte: Repositório Institucional da UNESC
Texto Completo: http://repositorio.unesc.net/handle/1/8168
Resumo: Trabalho de Conclusão de Curso, apresentado para obtenção do grau de bacharel no curso de Ciência da Computação da Universidade do Extremo Sul Catarinense, UNESC.
id UNESC-1_270b542b2aad5462f47fac3fce449e5f
oai_identifier_str oai:repositorio.unesc.net:1/8168
network_acronym_str UNESC-1
network_name_str Repositório Institucional da UNESC
spelling Ferro, Rafael De BonaGarcia, Merisandra Côrtes de MattosUniversidade do Extremo Sul Catarinense2021-05-05T23:16:51Z2021-05-05T23:16:51Z2018-12http://repositorio.unesc.net/handle/1/8168Trabalho de Conclusão de Curso, apresentado para obtenção do grau de bacharel no curso de Ciência da Computação da Universidade do Extremo Sul Catarinense, UNESC.O aprendizado de máquina é uma área da inteligência artificial que tem como objetivo desenvolver aplicações que possuem a característica de aprender com suas experiências. Para isso, podem ser utilizadas diversas técnicas entre elas destacam-se as redes neurais artificiais e as máquinas de vetores de suporte. Redes neurais artificiais são modelos computacionais inspirados no cérebro, que se originaram dos estudos sobre a teoria psicológica do aprendizado em animais. As máquinas de vetor de suporte utilizam medidas estatísticas para traçar retas que são empregadas para separar conjuntos de dados com a maior distância entre si. Esta técnica vem sendo aplicada com sucesso em várias áreas, como por exemplo, em Engenharia Ambiental e Geologia. A classificação dos solos é um processo com alto custo e trabalhoso, na qual algumas vezes é necessário a predição de alguns dados. A predição das propriedades do solo quando realizada por meio da inteligência artificial possui resultados melhores do que quando empregada a forma tradicional. As máquinas de vetores de suporte apesar de serem eficientes nas resoluções de problemas de classificação, possui uma desvantagem que é o alto tempo despendido nas fases de treinamento e execução. Esta pesquisa teve como objetivo o desenvolvimento de uma arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos. Foi utilizada uma base de dados sobre a classificação dos solos do estado de Santa Catarina, aplicando primeiramente as máquinas de vetores de suporte de forma isolada e posteriormente foi desenvolvida a arquitetura híbrida com redes neurais artificiais do tipo Kohonen. O hibridismo foi realizado empregando-se o modelo de rede neural artificial Kohonen para o agrupamento dos dados e aplicando-se uma máquina de vetores de suporte para cada um dos grupos gerados a fim de se classificar os solos. Posteriormente, por meio de métodos estatísticos avaliou-se o desempenho da aplicação das máquinas de vetores de suporte e da arquitetura híbrida, considerando-se os parâmetros de taxa de erro, tempo de treinamento, tempo de execução, acurácia, entre outras medidas de avaliação de um classificador. Foram realizados testes com diferentes quantidades de grupos gerados pela rede neural artificial, sendo elas dois, quatro, cinco, oito e quinze grupos. Ocorreram pequenas melhoras na arquitetura com dois grupos em relação a qualidade do classificador. Aumentando-se a quantidade de grupos para maior que dois, o tempo de execução apresentou melhoras significativas quando comparado com a execução das máquinas de vetores de suporte isoladamente, no entanto observou-se uma diminuição na precisão -da classificação. Nesta pesquisa, a arquitetura híbrida teve seu tempo de execução otimizado, no entanto, não foi significativo estatisticamente. Em relação a acurácia dos modelos gerados, esta se manteve a mesma nos modelos híbridos e de máquinas de vetores de suporte, que foi de aproximadamente 77,5%.Aprendizado de máquinaRedes neurais artificiaisMáquinas de vetores de suporteArquitetura híbridaClassificação dos solosArquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UNESCinstname:Universidade do Extremo Sul Catarinense (Unesc)instacron:UNESCinfo:eu-repo/semantics/openAccessORIGINALRAFAEL DE BONA FERRO.pdfRAFAEL DE BONA FERRO.pdfTCCapplication/pdf2502078http://repositorio.unesc.net/bitstream/1/8168/1/RAFAEL%20DE%20BONA%20FERRO.pdf55f80ddab5dae2d3340c9410fa2ac94aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repositorio.unesc.net/bitstream/1/8168/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD521/81682021-05-05 20:16:55.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Repositório de Publicaçõeshttp://repositorio.unesc.net/
dc.title.pt_BR.fl_str_mv Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
title Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
spellingShingle Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
Ferro, Rafael De Bona
Aprendizado de máquina
Redes neurais artificiais
Máquinas de vetores de suporte
Arquitetura híbrida
Classificação dos solos
title_short Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
title_full Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
title_fullStr Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
title_full_unstemmed Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
title_sort Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos
author Ferro, Rafael De Bona
author_facet Ferro, Rafael De Bona
author_role author
dc.contributor.author.fl_str_mv Ferro, Rafael De Bona
dc.contributor.advisor1.fl_str_mv Garcia, Merisandra Côrtes de Mattos
contributor_str_mv Garcia, Merisandra Côrtes de Mattos
dc.subject.por.fl_str_mv Aprendizado de máquina
Redes neurais artificiais
Máquinas de vetores de suporte
Arquitetura híbrida
Classificação dos solos
topic Aprendizado de máquina
Redes neurais artificiais
Máquinas de vetores de suporte
Arquitetura híbrida
Classificação dos solos
dc.description.pt_BR.fl_txt_mv Trabalho de Conclusão de Curso, apresentado para obtenção do grau de bacharel no curso de Ciência da Computação da Universidade do Extremo Sul Catarinense, UNESC.
dc.description.abstract.por.fl_txt_mv O aprendizado de máquina é uma área da inteligência artificial que tem como objetivo desenvolver aplicações que possuem a característica de aprender com suas experiências. Para isso, podem ser utilizadas diversas técnicas entre elas destacam-se as redes neurais artificiais e as máquinas de vetores de suporte. Redes neurais artificiais são modelos computacionais inspirados no cérebro, que se originaram dos estudos sobre a teoria psicológica do aprendizado em animais. As máquinas de vetor de suporte utilizam medidas estatísticas para traçar retas que são empregadas para separar conjuntos de dados com a maior distância entre si. Esta técnica vem sendo aplicada com sucesso em várias áreas, como por exemplo, em Engenharia Ambiental e Geologia. A classificação dos solos é um processo com alto custo e trabalhoso, na qual algumas vezes é necessário a predição de alguns dados. A predição das propriedades do solo quando realizada por meio da inteligência artificial possui resultados melhores do que quando empregada a forma tradicional. As máquinas de vetores de suporte apesar de serem eficientes nas resoluções de problemas de classificação, possui uma desvantagem que é o alto tempo despendido nas fases de treinamento e execução. Esta pesquisa teve como objetivo o desenvolvimento de uma arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos. Foi utilizada uma base de dados sobre a classificação dos solos do estado de Santa Catarina, aplicando primeiramente as máquinas de vetores de suporte de forma isolada e posteriormente foi desenvolvida a arquitetura híbrida com redes neurais artificiais do tipo Kohonen. O hibridismo foi realizado empregando-se o modelo de rede neural artificial Kohonen para o agrupamento dos dados e aplicando-se uma máquina de vetores de suporte para cada um dos grupos gerados a fim de se classificar os solos. Posteriormente, por meio de métodos estatísticos avaliou-se o desempenho da aplicação das máquinas de vetores de suporte e da arquitetura híbrida, considerando-se os parâmetros de taxa de erro, tempo de treinamento, tempo de execução, acurácia, entre outras medidas de avaliação de um classificador. Foram realizados testes com diferentes quantidades de grupos gerados pela rede neural artificial, sendo elas dois, quatro, cinco, oito e quinze grupos. Ocorreram pequenas melhoras na arquitetura com dois grupos em relação a qualidade do classificador. Aumentando-se a quantidade de grupos para maior que dois, o tempo de execução apresentou melhoras significativas quando comparado com a execução das máquinas de vetores de suporte isoladamente, no entanto observou-se uma diminuição na precisão -da classificação. Nesta pesquisa, a arquitetura híbrida teve seu tempo de execução otimizado, no entanto, não foi significativo estatisticamente. Em relação a acurácia dos modelos gerados, esta se manteve a mesma nos modelos híbridos e de máquinas de vetores de suporte, que foi de aproximadamente 77,5%.
description Trabalho de Conclusão de Curso, apresentado para obtenção do grau de bacharel no curso de Ciência da Computação da Universidade do Extremo Sul Catarinense, UNESC.
publishDate 2018
dc.date.created.fl_str_mv 2018-12
dc.date.accessioned.fl_str_mv 2021-05-05T23:16:51Z
dc.date.available.fl_str_mv 2021-05-05T23:16:51Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://repositorio.unesc.net/handle/1/8168
url http://repositorio.unesc.net/handle/1/8168
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.coverage.spatial.pt_BR.fl_str_mv Universidade do Extremo Sul Catarinense
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESC
instname:Universidade do Extremo Sul Catarinense (Unesc)
instacron:UNESC
instname_str Universidade do Extremo Sul Catarinense (Unesc)
instacron_str UNESC
institution UNESC
reponame_str Repositório Institucional da UNESC
collection Repositório Institucional da UNESC
bitstream.url.fl_str_mv http://repositorio.unesc.net/bitstream/1/8168/1/RAFAEL%20DE%20BONA%20FERRO.pdf
http://repositorio.unesc.net/bitstream/1/8168/2/license.txt
bitstream.checksum.fl_str_mv 55f80ddab5dae2d3340c9410fa2ac94a
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1725763294794350592

Registros relacionados