Detalhes bibliográficos
| Ano de defesa: |
2017 |
| Autor(a) principal: |
Dantas, Leonardo Camilo |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://hdl.handle.net/11449/194489
|
Resumo: |
As pesquisas na área de Redes Neurais Artificiais são caracterizadas pelo desenvolvimento de algoritmos inspirados no funcionamento do sistema nervoso que apresentam diversas aplicações, como classificação de dados. Porém, seu funcionamento depende de um processo de treinamento que, em alguns casos, pode consumir tempo e ter um custo elevado. Este trabalho apresenta uma proposta de técnica de otimização para Redes do tipo MultiLayer Perceptron (MLP), integrando os benefícios de duas categorias de algoritmos de otimização: Algoritmos Genéticos (AG) e Otimização por Enxame de Partículas (PSO – Particle Swarm Optimization). Tal técnica será utilizada para realizar a otimização simultânea da arquitetura e de seus pesos sinápticos, com o objetivo de buscar redes com boas arquiteturas, isto é, com o mínimo de neurônios e com um bom desempenho para cada problema, tudo de forma automática. E, assim, diminuir custos e tempo para a utilização das MLPs. Os resultados mostram que as redes otimizadas segundo o modelo proposto foram eficientes, pois geraram redes MLPs com boas acurácias e, simultaneamente, com boas arquiteturas. |
