Perceptron Dilatação-Erosão Linear com treinamento baseado em otimização DC : aplicações em problemas de regressão e classificação
Autor(a) principal: | |
---|---|
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 |