Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas
Autor(a) principal: | |
---|---|
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 |