Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/4164
Files in This Item:
File Description SizeFormat 
lucascorreanettomachado.pdf1.81 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais
Author: Machado, Lucas Corrêa Netto
First Advisor: Honório, Leonardo de Mello
Co-Advisor: Cerqueira, Augusto Santiago
Referee Member: Moraes, Carlos Henrique Valério de
Referee Member: Oliveira, Edimar José de
Resumo: Este trabalho apresenta uma técnica para treinamento de Redes Neurais Artificiais (RNA), capaz de obter os parâmetros da rede através dos dados disponíveis para treinamento, sem necessidade de estabelecer a arquitetura da rede a priori, denominado Método de Segmentações Geométricas Sucessivas (MSGS). O MSGS agrupa os dados de cada classe em Hipercaixa (HC) onde cada caixa é alinhada de acordo com os eixos de maior distribuição de seu conjunto de pontos. Sendo as caixas linearmente separáveis, um hiperplano de separação é identificado originando um neurônio. Caso não seja possível a separação por um único hiperplano, uma técnica de quebra é aplicada para dividir os dados em classes menores para obter novas HCs. Para cada subdivisão novos neurônios são adicionados à rede. Os resultados dos testes realizados apontam para um método rápido e com alta taxa de sucesso.
Abstract: This work presents a technique for Artificial Neural Network (ANN) training, able to get the network parameters from the available data for training, without establishing the network architecture a priori, called Successive Geometric Segmentation Method (SGSM). The SGSM groups the data of each class into hyperboxes (HB) aligned in accordance with the largest axis of its points distribution. If the HB are linearly separable, a separating hyperplane may be identified resulting a neuron. If it is not, a segmentation technique is applied to divide the data into smaller classes for new HB. For each subdivision new neurons are added to the network. The tests show a rapid method with high success rate.
Keywords: Rede neural artificial
Reconhecimento de padrões
Teorema do hiperplano de separação
Hipercaixas
Segmentação geométrica sucessiva
Auto-geração de neurônio
Artificial neural nets
Patterns classification
Hyperplane separation theorem
Hyperbox
Successive geometric segmentation
Self-generation of neuron
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: Faculdade de Engenharia
Program: Programa de Pós-graduação em Engenharia Elétrica
Access Type: Acesso Aberto
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/4164
Issue Date: 22-Nov-2013
Appears in Collections:Mestrado em Engenharia Elétrica (Dissertações)



Items in DSpace are protected by Creative Commons licenses, with all rights reserved, unless otherwise indicated.