Use este identificador para citar ou linkar para este item:
https://repositorio.ufjf.br/jspui/handle/ufjf/4164Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| lucascorreanettomachado.pdf | 1.81 MB | Adobe PDF |  Visualizar/Abrir |
| Tipo: | Dissertação |
| Título: | Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais |
| Autor(es): | Machado, Lucas Corrêa Netto |
| Primeiro Orientador: | Honório, Leonardo de Mello |
| Co-orientador: | Cerqueira, Augusto Santiago |
| Membro da banca: | Moraes, Carlos Henrique Valério de |
| Membro da banca: | 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. |
| Palavras-chave: | 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 |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal de Juiz de Fora (UFJF) |
| Sigla da Instituição: | UFJF |
| Departamento: | Faculdade de Engenharia |
| Programa: | Programa de Pós-graduação em Engenharia Elétrica |
| Tipo de Acesso: | Acesso Aberto |
| URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/4164 |
| Data do documento: | 22-Nov-2013 |
| Aparece nas coleções: | Mestrado em Engenharia Elétrica (Dissertações) |
Os itens no repositório estão protegidos por licenças Creative Commons, com todos os direitos reservados, salvo quando é indicado o contrário.