Abordagens multi-objetivo para o treinamento de redes neurais e seleção de características

Exportado OPUSMade available in DSpace on 2019-08-12T03:13:17Z (GMT). No. of bitstreams: 1 disserta__o_honovan_final.pdf: 2076497 bytes, checksum: 4cd596749bcc126ec45d1327ad9e5494 (MD5) Previous issue date: 2As redes neurais artificiais têm sido aplicadas com sucesso na resolução de problemas como aproximação de funções e classificação de padrões, onde a extração de um modelo pode ser de difícil visualização. A busca por um modelo que melhor represente o problema torna a habilidade de generalização a principal preocupação no treinamento de redes neurais artificiais, tarefa esta que se torna ainda mais difícil em ambientes com grande dimensionalidade. Neste contexto o presente trabalho propõe novas técnicas para o treinamento multi-objetivo de redes neurais, onde a minimização do risco e o controle de complexidade são os objetivos a serem atingidoscom o treinamento de forma que se obtenha um modelo mais compatível ao problema. É proposta também uma abordagem à redução de dimensionalidade através da tarefa de seleção de características, em que os objetivos são diminuir a quantidade de atributos do problema e maximizar a taxa de classificação correta, tornando menos árdua a tarefa de classificadores em ambientes com grande número de dimensões.s redes neurais artificiais têm sido aplicadas com sucesso na resolução de problemas como aproximação de funções e classificação de padrões, onde a extração de um modelo pode ser de difícil visualização. A busca por um modelo que melhor represente o problema torna a habilidade de generalização a principal preocupação no treinamento de redes neurais artificiais, tarefa esta que se torna ainda mais difícil em ambientes com grande dimensionalidade. Neste contexto o presente trabalho propõe novas técnicas para o treinamento multi-objetivo de redes neurais, onde a minimização do risco e o controle de complexidade são os objetivos a serem atingidos com o treinamento de forma que se obtenha um modelo mais compatível ao problema. É proposta também uma abordagem à redução de dimensionalidade através da tarefa de seleção de características, em que os objetivos são diminuir a quantidade de atributos do problema e maximizar a taxa de classificação correta, tornando menos árdua a tarefa de classificadores em ambientes com grande número de dimensões.Artificial neural networks have been successfully applied in solvingproblems such as functions approximation and patterns classification,where the extraction of a model can be difficult to see. The search for a model that best represents the problem makes the generalizationability the main concern in the training of artificial neural networks, atask that becomes even more difficult in environments with large dimensionality. In this context, this paper proposes new techniques for training multiobjective neural network, where the minimization of the risk and the control of complexity are objectives to be achieved through of the training in order to obtain a model more compatible to the problem. It also proposed an approach to dimensionality reduction through the task of feature selection, in which the objectives are to reduce the number of attributes of the problem and maximize the correct classification rate, making it less arduous task of classifiers in environments with large numbers of dimensions