Sistema neural híbrido para reconhecimento de padrões em um nariz artificial

• Ano de defesa: 2004
• Autor(a) principal: Zanchettin, Cleber
• Orientador(a): Ludermir, Teresa Bernarda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Palavras-chave em Português: Sistemas híbridos inteligentes; Reconhecimento de padrões; Narizes artificiais; Redes neurais artificiais
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/2488

Esta dissertação investiga a utilização de Sistemas Híbridos Inteligentes no sistema de reconhecimento de padrões de um nariz artificial. O trabalho envolve cinco partes principais: (1) avaliação da base de dados de odores a partir de uma técnica estatística multivariada; (2) validação das Redes Neurais com Atrasos no Tempo no reconhecimento de odores; (3) avaliação da Transformada de Wavelets como método de pré-processamento de sinais de odores em abordagens conexionistas; (4) avaliação de abordagens híbridas inteligentes para o reconhecimento de odores em narizes artificiais; e (5) o estudo de caso. Duas arquiteturas híbridas inteligentes foram investigadas em detalhes: a rede neuro-difusa Feature-weighted Detector, que permite a classificação de padrões, seleção dos atributos mais importantes e extração de regras explicativas da rede; e a rede neuro-difusa Evolving Fuzzy Neural Networks, que possibilita o aprendizado on-line e incremental, além da inserção, extração e agregação de conhecimento em sua arquitetura evolutiva. Foram analisados sinais gerados por um nariz artificial, composto por um conjunto de oito sensores de polímeros condutores, exposto a gases derivados do petróleo. A utilização da Transformada de Wavelet melhorou consideravelmente o desempenho dos classificadores conexionistas. Nos experimentos realizados, as Redes Neurais com Atrasos no Tempo obtiveram um erro médio de classificação de 0.75%, enquanto que as Redes Perceptron Multi-Camadas obtiveram um erro médio de 11.5%. Dentre as abordagens hibridas investigadas, a rede Feature-weighted Detector, obteve um erro médio de classificação de 20.72% e a rede Evolving Fuzzy Neural Networks obteve um erro médio de 0.88% na classificação dos odores.