Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/4119
Título: Modelo de Aprendizado Incremental Baseado em Uma Rede Neural com Arquitetura Adaptativa
Autor(es): CIARELLI, P. M.
Orientador: OLIVEIRA, E. S.
Coorientador: SALLES, E. O. T.
Palavras-chave: Redes neurais (Computção)
Reconhecimento de padrões
Data do documento: 12-Dez-2012
Editor: Universidade Federal do Espírito Santo
Citação: CIARELLI, P. M., Modelo de Aprendizado Incremental Baseado em Uma Rede Neural com Arquitetura Adaptativa
Resumo: Este trabalho apresenta uma abordagem baseada em Redes Neurais Artificiais para problemas de classificação multi-rotulada. Em particular, foi empregada uma versão modificada da Rede Neural Probabilística para tratar de tais problemas. Em experimentos realizados em várias bases de dados conhecidas na literatura, a Rede Neural Probabilística proposta apresentou um desempenho comparável, e algumas vezes até superior, a outros algoritmos especializados neste tipo de problema. Como o foco principal deste trabalho foi o estudo de estratégias para classificação automática de texto de atividades econômicas, foram realizados também experimentos utilizando uma base de dados de atividades econômicas. No entanto, diferente das bases de dados utilizadas anteriormente, esta base de dados apresenta um número extenso de categorias e poucas amostras de treino por categoria, o que aumenta o grau de dificuldade deste problema. Nos experimentos realizados foram utilizados a Rede Neural Probabilística proposta, o classificador k-Vizinhos mais Próximos Multi-rotulado, e um Algoritmo Genético para otimização dos parâmetros dos mesmos. Nas métricas utilizadas para avaliação de desempenho, a Rede Neural Probabilística mostrou resultados superiores e comparáveis aos resultados obtidos pelo k-Vizinhos mais Próximos Multi-rotulado, mostrando que a abordagem utilizada neste trabalho é promissora.
URI: http://repositorio.ufes.br/handle/10/4119
Aparece nas coleções:PPGEE - Teses de doutorado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tese_2753_Patrick_tese.pdf6.02 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.