Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas

Detalhes bibliográficos
Autor(a) principal: Dantas, Leonardo Camilo
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/194489
Resumo: As pesquisas na área de Redes Neurais Artificiais são caracterizadas pelo desenvolvimento de algoritmos inspirados no funcionamento do sistema nervoso que apresentam diversas aplicações, como classificação de dados. Porém, seu funcionamento depende de um processo de treinamento que, em alguns casos, pode consumir tempo e ter um custo elevado. Este trabalho apresenta uma proposta de técnica de otimização para Redes do tipo MultiLayer Perceptron (MLP), integrando os benefícios de duas categorias de algoritmos de otimização: Algoritmos Genéticos (AG) e Otimização por Enxame de Partículas (PSO – Particle Swarm Optimization). Tal técnica será utilizada para realizar a otimização simultânea da arquitetura e de seus pesos sinápticos, com o objetivo de buscar redes com boas arquiteturas, isto é, com o mínimo de neurônios e com um bom desempenho para cada problema, tudo de forma automática. E, assim, diminuir custos e tempo para a utilização das MLPs. Os resultados mostram que as redes otimizadas segundo o modelo proposto foram eficientes, pois geraram redes MLPs com boas acurácias e, simultaneamente, com boas arquiteturas.
id UNSP_64aeafbc55f62e91873ff252b709761d
oai_identifier_str oai:repositorio.unesp.br:11449/194489
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículasMulti-layer artificial neural network optimization using genetic algorithms and particle swarmRedes neurais artificiaisMLPAlgoritmo genéticoEnxame de partículasArtificial networksGenetic algorithmParticle swarmAs pesquisas na área de Redes Neurais Artificiais são caracterizadas pelo desenvolvimento de algoritmos inspirados no funcionamento do sistema nervoso que apresentam diversas aplicações, como classificação de dados. Porém, seu funcionamento depende de um processo de treinamento que, em alguns casos, pode consumir tempo e ter um custo elevado. Este trabalho apresenta uma proposta de técnica de otimização para Redes do tipo MultiLayer Perceptron (MLP), integrando os benefícios de duas categorias de algoritmos de otimização: Algoritmos Genéticos (AG) e Otimização por Enxame de Partículas (PSO – Particle Swarm Optimization). Tal técnica será utilizada para realizar a otimização simultânea da arquitetura e de seus pesos sinápticos, com o objetivo de buscar redes com boas arquiteturas, isto é, com o mínimo de neurônios e com um bom desempenho para cada problema, tudo de forma automática. E, assim, diminuir custos e tempo para a utilização das MLPs. Os resultados mostram que as redes otimizadas segundo o modelo proposto foram eficientes, pois geraram redes MLPs com boas acurácias e, simultaneamente, com boas arquiteturas.Research on Artificial networks is characterized by the development of algorithms inspired by the nervous system leading to many applications, such as data classification. However, its functioning depends on a training process that, in some cases, may consume time and money. This work presents an optimization technique for MultiLayer Perceptron Networks (MLP), integrating the benefits of two categories of optimization algorithms: Genetic Algorithms and Particle Swarm Optimization. Such techniques will be used to accomplish the simultaneous optimization of the architecture and its synaptic weights, aiming to search for networks with good architecture, i.e, with a minimum of neurons and with a good performance for each problem, all of this automated. Therefore, it lowers the costs and time for the usage of multiple layers neural network. The results show that the optimized networks following the model proposed were efficient, since it had generated MPL networks with good accuracy and, simultaneously, with good architectures.Universidade Estadual Paulista (Unesp)Breve, Fabricio Aparecido [UNESP]Universidade Estadual Paulista (Unesp)Dantas, Leonardo Camilo2020-12-03T19:03:59Z2020-12-03T19:03:59Z2017-03-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/19448933004153073P256938600255383270000-0002-1123-9784porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-11-22T06:11:57Zoai:repositorio.unesp.br:11449/194489Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T18:23:44.479327Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
Multi-layer artificial neural network optimization using genetic algorithms and particle swarm
title Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
spellingShingle Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
Dantas, Leonardo Camilo
Redes neurais artificiais
MLP
Algoritmo genético
Enxame de partículas
Artificial networks
Genetic algorithm
Particle swarm
title_short Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
title_full Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
title_fullStr Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
title_full_unstemmed Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
title_sort Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
author Dantas, Leonardo Camilo
author_facet Dantas, Leonardo Camilo
author_role author
dc.contributor.none.fl_str_mv Breve, Fabricio Aparecido [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Dantas, Leonardo Camilo
dc.subject.por.fl_str_mv Redes neurais artificiais
MLP
Algoritmo genético
Enxame de partículas
Artificial networks
Genetic algorithm
Particle swarm
topic Redes neurais artificiais
MLP
Algoritmo genético
Enxame de partículas
Artificial networks
Genetic algorithm
Particle swarm
description As pesquisas na área de Redes Neurais Artificiais são caracterizadas pelo desenvolvimento de algoritmos inspirados no funcionamento do sistema nervoso que apresentam diversas aplicações, como classificação de dados. Porém, seu funcionamento depende de um processo de treinamento que, em alguns casos, pode consumir tempo e ter um custo elevado. Este trabalho apresenta uma proposta de técnica de otimização para Redes do tipo MultiLayer Perceptron (MLP), integrando os benefícios de duas categorias de algoritmos de otimização: Algoritmos Genéticos (AG) e Otimização por Enxame de Partículas (PSO – Particle Swarm Optimization). Tal técnica será utilizada para realizar a otimização simultânea da arquitetura e de seus pesos sinápticos, com o objetivo de buscar redes com boas arquiteturas, isto é, com o mínimo de neurônios e com um bom desempenho para cada problema, tudo de forma automática. E, assim, diminuir custos e tempo para a utilização das MLPs. Os resultados mostram que as redes otimizadas segundo o modelo proposto foram eficientes, pois geraram redes MLPs com boas acurácias e, simultaneamente, com boas arquiteturas.
publishDate 2017
dc.date.none.fl_str_mv 2017-03-10
2020-12-03T19:03:59Z
2020-12-03T19:03:59Z
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 http://hdl.handle.net/11449/194489
33004153073P2
5693860025538327
0000-0002-1123-9784
url http://hdl.handle.net/11449/194489
identifier_str_mv 33004153073P2
5693860025538327
0000-0002-1123-9784
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808128927069110272

Registros relacionados