Método de segmentações geométricas sucessivas para treinamento de redes neurais artificiais

• Ano de defesa: 2013
• Autor(a) principal: Machado, Lucas Corrêa Netto
• Orientador(a): Honório, Leonardo de Mello
• Banca de defesa: Moraes, Carlos Henrique Valério de , Oliveira, Edimar José de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: 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
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/4164

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.