Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação

Detalhes bibliográficos
Autor(a) principal: Oliveira, Angélica Lourenço, 1993-
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/9642
Resumo: Orientador: Marcos Eduardo Ribeiro do Valle Mesquita
id UNICAMP-30_32eba26dbad8772565d7a68583e3d6af
oai_identifier_str oai::1273934
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificaçãoLinear Dilation-Erosion Perceptron with training based on DC optimization : applications in regression and classification problemsMorfologia matemáticaRedes neurais morfológicasAprendizagem supervisionada (Aprendizado de máquina)Otimização matemáticaMathematical morphologyMorphological neural networksSupervised learning (Machine learning)Mathematical optimizationOrientador: Marcos Eduardo Ribeiro do Valle MesquitaTese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação CientíficaResumo: A morfologia matemática (MM) é uma teoria de operadores não lineares usada para o processamento e análise de imagens. Redes neurais morfológicas são redes neurais artificiais cujos neurônios computam operadores morfológicos. Dilatações e erosões são operadores elementares da MM. Do ponto de vista algébrico, uma dilatação e uma erosão são operadores que comutam respectivamente com as operações de supremo e ínfimo. Esta tese apresenta uma rede neural morfológica híbrida denominada \textit{perceptron} dilatação-erosão linear ($\ell$-DEP). Os modelos $\ell$-DEP são dados aplicando transformações lineares antes de computar uma dilatação e uma erosão. Em seguida, é feita uma combinação convexa dessa composição de operadores lineares e morfológicos. Um modelo $\ell$-DEP produz uma função linear por partes contínua e, portanto, é um aproximador universal. Nesta tese, aplicamos o $\ell$-DEP para tarefas de regressão e de classificação. Apresentamos o treinamento de uma rede $\ell$-DEP como um problema de otimização côncava-convexa, também conhecido com problema de otimização de diferença de funções convexas (otimização DC). Usando diversos problemas de regressão e também de classificação binária, comparamos o desempenho dos modelos preditivos $\ell$-DEP com outras técnicas de aprendizado de máquinas. Os experimentos computacionais apoiam a potencial aplicação do modelo $\ell$-DEP proposto para tarefas genéricas de regressão e de classificação bináriaAbstract: Mathematical morphology (MM) is a theory of nonlinear operators used for image processing and analysis. Morphological neural networks are artificial neural networks whose neurons compute morphological operators. Dilations and erosions are elementary operators of MM. From an algebraic point of view, a dilation and an erosion are operators that commute respectively with the operations of supremum and infimum. This thesis presents a hybrid morphological neural network named \textit{linear dilation-erosion perceptron} ($\ell$-DEP). The $\ell$-DEP models are given by applying linear transformations before computing a dilation and an erosion. Then, a convex combination of this composition of linear and morphological operators is made. An $\ell$-DEP model produces a continuous piecewise linear function and is a universal approximator. In this thesis, we apply $\ell$-DEP for regression and classification tasks. We present the training of a $\ell$-DEP network as a concave-convex optimization problem, also known as a DC optimization problem. Using several regression and binary classification problems, we compared the performance of $\ell$-DEP predictive models with other machine learning techniques. Computational experiments support the potential application of the proposed $\ell$-DEP model to generic regression and binary classification tasksDoutoradoMatemática AplicadaDoutora em Matemática AplicadaCAPES001[s.n.]Mesquita, Marcos Eduardo Ribeiro do Valle, 1979-Sussner, PeterGomes Neto, Francisco de Assis MagalhãesBarreto, Guilherme de AlencarGrapiglia, Geovani NunesUniversidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação CientíficaPrograma de Pós-Graduação em Matemática AplicadaUNIVERSIDADE ESTADUAL DE CAMPINASOliveira, Angélica Lourenço, 1993-20232023-01-26T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (151 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/9642OLIVEIRA, Angélica Lourenço. Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC: aplicações em problemas de regressão e classificação . 2023. 1 recurso online (151 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/9642. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1273934porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-05-22T10:00:16Zoai::1273934Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-05-22T10:00:16Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
Linear Dilation-Erosion Perceptron with training based on DC optimization : applications in regression and classification problems
title Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
spellingShingle Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
Oliveira, Angélica Lourenço, 1993-
Morfologia matemática
Redes neurais morfológicas
Aprendizagem supervisionada (Aprendizado de máquina)
Otimização matemática
Mathematical morphology
Morphological neural networks
Supervised learning (Machine learning)
Mathematical optimization
title_short Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
title_full Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
title_fullStr Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
title_full_unstemmed Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
title_sort Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
author Oliveira, Angélica Lourenço, 1993-
author_facet Oliveira, Angélica Lourenço, 1993-
author_role author
dc.contributor.none.fl_str_mv Mesquita, Marcos Eduardo Ribeiro do Valle, 1979-
Sussner, Peter
Gomes Neto, Francisco de Assis Magalhães
Barreto, Guilherme de Alencar
Grapiglia, Geovani Nunes
Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica
Programa de Pós-Graduação em Matemática Aplicada
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Oliveira, Angélica Lourenço, 1993-
dc.subject.por.fl_str_mv Morfologia matemática
Redes neurais morfológicas
Aprendizagem supervisionada (Aprendizado de máquina)
Otimização matemática
Mathematical morphology
Morphological neural networks
Supervised learning (Machine learning)
Mathematical optimization
topic Morfologia matemática
Redes neurais morfológicas
Aprendizagem supervisionada (Aprendizado de máquina)
Otimização matemática
Mathematical morphology
Morphological neural networks
Supervised learning (Machine learning)
Mathematical optimization
description Orientador: Marcos Eduardo Ribeiro do Valle Mesquita
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-01-26T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/9642
OLIVEIRA, Angélica Lourenço. Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC: aplicações em problemas de regressão e classificação . 2023. 1 recurso online (151 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/9642. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/9642
identifier_str_mv OLIVEIRA, Angélica Lourenço. Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC: aplicações em problemas de regressão e classificação . 2023. 1 recurso online (151 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/9642. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1273934
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (151 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189189490573312

Registros relacionados