MÃtodos de otimizaÃÃo global para escolha do padrÃo de conectividade de redes neurais sem peso

AUTOR(ES)

Luiz Alberto Crispiano Garcia

DATA DE PUBLICAÇÃO

2003

RESUMO

Nas Redes Neurais Sem Peso (RNSP), o padrÃo de conectividade dos nÃs desempenha um papel fundamental, pois à diretamente responsÃvel pela performance da rede, determinando o custo computacional, a eficiÃncia, a velocidade, a tolerÃncia a falhas e ruÃdos e a capacidade de generalizaÃÃo. PorÃm, apesar de sua importÃncia, de um modo geral, o padrÃo de conectividade à escolhido empiricamente, por meio de um mÃtodo manual de tentativas e erros ou com a ajuda de um especialista, o que nem sempre à viÃvel. Por outro lado, essa escolha do melhor padrÃo de conectividade pode ser visto como um problema de otimizaÃÃo, no qual cada rede à um ponto no espaÃo de soluÃÃes possÃveis. Portanto, vÃrios mÃtodos de otimizaÃÃo, principalmente os mÃtodos globais de otimizaÃÃo, tÃm sido propostos para automatizaÃÃo da geraÃÃo do padrÃo de conectividade. Esses mÃtodos fazem busca no espaÃo global, evitando cair em soluÃÃes de mÃnimos locais. Nesse contexto, uma das principais contribuiÃÃes desta dissertaÃÃo à um estudo experimental sobre o uso de mÃtodos de otimizaÃÃo global, tais como Algoritmos GenÃticos, Simulated Annealing e Tabu Search, aplicados à escolha do padrÃo de conectividade das RNSPs. Os resultados obtidos com esses mÃtodos, junto com aqueles baseados na escolha empÃrica, sÃo avaliados no contexto de um problema de classificaÃÃo de caracteres numÃricos manuscritos, em que testes de hipÃtese sÃo aplicados. Por exemplo, o uso de Tabu Search conseguiu diminuir em 17,27% o erro mÃdio de classificaÃÃo obtido inicialmente com o mÃtodo de escolha empÃrica. Em outro experimento, o uso de algoritmos genÃticos conseguiu diminuir em 89% o uso de memÃria alocada, com erros mÃdios de classificaÃÃo menores que os obtidos inicialmente, pelo mÃtodo baseado na escolha empÃrica

ASSUNTO(S)

otimizaÃÃo global redes neurais ciencia da computacao padrÃo de conectividade

Documentos Relacionados

• OtimizaÃÃo Global em Redes Neurais Artificiais
• Uma metodologia para otimizaÃÃo de arquitetura e pesos de redes neurais
• Abordagem hÃbrida para otimizaÃÃo de redes neurais artificiais para previsÃo de sÃries temporais
• OtimizaÃÃo de trajetÃrias espaciais usando mÃtodos do gradiente.
• Optimization methods for the definition of MLP neural network architectures and weights