Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/4226
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorKrohling, Renato Antonio-
dc.date.accessioned2016-08-29T15:33:13Z-
dc.date.available2016-07-11-
dc.date.available2016-08-29T15:33:13Z-
dc.identifier.urihttp://repositorio.ufes.br/handle/10/4226-
dc.publisherUniversidade Federal do Espírito Santopor
dc.subjectMáquinas de vetores suportepor
dc.subjectEvolução diferencialpor
dc.subjectBusca tabupor
dc.subjectClassificationeng
dc.subjectSupport vector machineseng
dc.subjectDifferential evolutioneng
dc.subjectTabu searcheng
dc.subjectNelder-Mead-
dc.titleMáquinas de vetores suporte usando o algoritmo evolução diferencial com busca local para classificação de dadospor
dc.typemasterThesiseng
dc.subject.udc004-
dc.subject.br-rjbnClassificaçãopor
dc.subject.br-rjbnMáquina de suporte vetorialpor
dc.subject.br-rjbnAlgoritmospor
dc.subject.br-rjbnOtimização combinatóriapor
dcterms.abstractMineração de dados é uma área chave para diversos campos da ciência e engenharia. Neste contexto, um método de aprendizado estatístico, conhecido como máquinas de vetores suporte tem se apresentado como um método promissor para solucionar classificação de dados. Geralmente, o problema de máquinas de vetores suporte (inglês: Support Vector Machines - SVM) é formulado como um problema de otimização não-linear sujeito a restrições. Técnicas de otimização convencionais que utilizam a abordagem Lagrangiana são usadas para solucionar este tipo de problema. No caso de classificação de dados ruidosos as técnicas convencionais apresentam deterioração de desempenho, já que o problema de otimização resultante é multidimensional e pode apresentar muitos mínimos locais. Neste trabalho, é proposto o algoritmo Evolução Diferencial combinado com uma técnica de busca local, uma hibridização de busca tabu com o método Nelder-Mead, para encontrar os parâmetros ótimos dos classificadores SVM aplicados a dados ruidosos.por
dcterms.abstractData mining is a key area for many fields of science and engineering. In this context, a statistical learning method, known as Support Vector Machines has presented itself as a promising method to solve data classification. Usually, the SVM problem is formulated as a nonlinear optimization problem subject to constraints. Conventional optimization techniques using the Lagrangian approach are used to solve this kind of problem. In the case of classification of noisy data the conventional techniques show performance deterioration, since the resulting optimization problem is multidimensional and may present many local minima. In this work, it is proposed the Differential Evolution algorithm (DE) combined with a local search technique, a hybridization of tabu search with Nelder-Mead method, to find the optimal parameters of SVM classifiers applied to noisy data.eng
dcterms.creatorCosme, Rodrigo de Castro-
dcterms.formatTexteng
dcterms.issued2012-01-30-
dcterms.languageporpor
dc.publisher.countryBRpor
dc.publisher.programPrograma de Pós-Graduação em Informáticapor
dc.publisher.initialsUFESpor
dc.subject.cnpqCiência da Computaçãopor
dc.publisher.courseMestrado em Informáticapor
dc.contributor.refereeBoeres, Maria Claudia Silva-
dc.contributor.refereeSalomão, João Marques-
Aparece nas coleções:PPGI - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_4083_.pdf833.63 kBAdobe PDFVisualizar/Abrir


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