Subconjunto de treinamento e critério de confiabilidade para Redes Neurais Artificiais de Domínio Real, Complexo e de Clifford

• Ano de defesa: 2009
• Autor(a) principal: Torchi, Thalles de Souza
• Orientador(a): Romero, Milton Ernesto Romero
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Álgebras de Clifford; Inteligência Artificial; Redes Neurais; Engenharia Elétrica
• Link de acesso: https://repositorio.ufms.br/handle/123456789/662

A utilização de Redes Neurais Artificiais (RNA) Multilayer Perceptrons (MLP) Backpropagation (BP) para aproximação de funções compreende três fases: treinamento, validação e utilização. Este trabalho propõe uma metodologia para abordagem de dois aspectos sobre estas fases: 1ª) estimar um parâmetro para aferir a exatidão de saídas de RNA classificando quais podem ser consideradas confiáveis e quais não podem, pois na fase de utilização as RNA não conseguem aproximar a função de interesse para 100% dos dados; e 2ª) estabelecer o número mínimo de padrões a serem utilizados na fase de treinamento que permita a convergência e a generalização dessas redes. A metodologia propõe a utilização de duas redes: a RNA Direta (RNAD), utilizada para aproximar a função de interesse, e a RNA Inversa (RNAI), utilizada para aproximar a Função Inversa (FI) da RNAD. Após o treinamento conjunto das duas redes, a diferença entre a entrada da RNAD e a saída da RNAI, que devem ser computacionalmente iguais na convergência das redes, irá definir os parâmetros apresentados. Caso a função a ser aproximada não tenha FI definida, o domínio é restringido para onde exista. A metodologia proposta será demonstrada utilizando-se dados sintéticos a partir da função quadrática f(x) = x2, com o objetivo de controlar as entradas e as saídas para demonstrar experimentalmente a validade da metodologia que será aplicada para as RNA MLP nos domínios real, complexo e de Clifford. O domínio (multidimensional) de Clifford é restringido para que seja isomorfo ao domínio complexo, permitindo a visualização gráfica dos resultados e a comparação com o domínio complexo.