Treinamento multiobjetivo de perceptron de múltiplas camadas comrepresentação esférica de pesos

Exportado OPUSMade available in DSpace on 2019-08-10T20:44:09Z (GMT). No. of bitstreams: 1 tese_honovan_rocha.pdf: 5924244 bytes, checksum: 8e4461fb02ebe0d59a7afe169421c951 (MD5) Previous issue date: 17Este trabalho apresenta uma nova representação para o aprendizadomultiobjetivo de redes neurais artifiiciais (RNA), onde os pesos sãodescritos com base na norma Euclidiana, que é tomada como umamedida da complexidade do modelo. Os pesos são projetados emum novo espaço definido por um raio r e um vetor de ângulos . Esta representação esférica simplifica ainda mais o problema de aprendizado multiobjetivo, cujo conjunto Pareto-ótimo estimado é obtidoutilizando-se o método e-restrito nas abordagens clássicas, minimizando o erro com múltiplos valores restritos de norma. O correspondente problema de otimização com restrições é transformado em vários problemas irrestritos, o que simplifica a formulação e esforço computacional, além de permitir que qualquer método de otimização não-linear possa ser utilizado para treinar a RNA. Os resultados indicam que a representação esférica de pesos proposta gera estimativas do conjunto Pareto mais precisas quando comparada à abordagem multiobjetivo clássica. Com relação à solução final obtida a partir do conjunto Pareto, a abordagem esférica mostrou eficácia com base no teste de Friedman, superando alguns métodos do estado da arte em vários conjuntos de dados.This work presents a novel representation of artificial neural networks(ANN) multiobjective learning in which the weights are described basedon the Euclidean norm, which is taken as a measure of model complexity. Weights are projected into a new space defined by a radius r and a vector of angles. This spherical representation further simplifies the multi-objective learning problem whose estimated Paretooptimalset is obtained in classical approaches by the e-constrained method, minimizing error with multiple constrained values of norm. The corresponding constrained optimization problem is transformed into unconstrained ones, what simplifies formulation and computationalefforts, besides allowing that any nonlinear optimization method could be used to train the ANN. Results indicate that the proposed spherical weights representation yields more accurate estimates of the Pareto set when compared to the classical multi-objective approach. Regarding the final solution taken from the Pareto set, our approach showed effectiveness, outperforming some state-of-the-art methods in several datasets based on Friedman's test