Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/11864
Tipo do documento: | Dissertação |
Título: | Projeto dedicado de redes neurais sem peso baseadas em neurônios de lógica probabilística multi-valorada |
Título(s) alternativo(s): | Dedicated project for neural networks based on multi-valued probabilistic logic node |
Autor: | Machado, Tarso Mesquita |
Primeiro orientador: | Nedjah, Nadia |
Primeiro coorientador: | Mourelle, Luiza de Macedo |
Primeiro membro da banca: | Gomes, José Gabriel Rodriguez Carneiro |
Segundo membro da banca: | Vellasco, Marley Maria Bernardes Rebuzzi |
Resumo: | As Redes Neurais Artificiais (RNA) são modelos computacionais que se espelham no arranjo e na arquitetura do cérebro humano. Para o caso das RNAs convencionais, a informação é propagada entre os neurônios e é ponderada pelos pesos sinápticos entre eles, os quais são ajustados durante a fase de treinamento e refletem o conhecimento adquirido pela rede a respeito de uma aplicação. O problema relacionado ao modelo de RNA convencional reside no fato de que o aprendizado da rede é feito a partir de sucessivas somas e multiplicações. Isto faz com que este modelo de RNA exija grande poder computacional para ser implementado, e ainda faz o aprendizado da rede ser excessivamente lento. Por outro lado, nas Redes Neurais Artificiais Sem Peso (RNSP), a informação aprendida pela rede é armazenada nas memórias RAM de cada um dos neurônios, e o processo de treinamento da mesma consiste geralmente em realizar operações de leitura e escrita. Dessa forma, as RNSPs possuem treinamento mais simples e rápido do que as RNAs convencionais. Entretanto, a grande maioria das discussões a respeito de RNAs é referente àquelas com pesos sinápticos entre os neurnios. Desse modo, existe pouca informação a respeito de implementações de RNSPs, em especial das RNSPs com elementos probabilísticos. O presente trabalho visa analisar o impacto dos parâmetros de projeto de uma RNSP baseada em Neurônios de Lógica Probabilística Multi-valorada (Multi-Value Probabilistic Logic Node - MPLN), de modo a estabelecer diretrizes de projeto para a mesma. A solução é obtida por meio da implementação de diversas arquiteturas de RNSP do tipo MPLN em duas aplicações, a saber, o reconhecimento de algarismos manuscritos e a classificação do bit de paridade. Cada uma das arquiteturas implementadas teve um dos parâmetros variado enquanto os demais foram mantidos constantes, de modo a observar o impacto de tal parâmetro na precisão de classificação da rede, épocas de treinamento necessárias para treinar a rede, e o tempo de processamento. O presente trabalho propõe ainda uma modificação na rede MPLN para problemas de múltiplas classes, denominada rede Mod-MPLN. A rede Mod-MPLN é definida por uma mudança no algoritmo de treinamento da rede e pela inclusão de um discriminador específico na saída da rede, mas sem alterar as características intrínsecas da topologia MPLN. De modo a estabelecer as diretrizes de projeto de uma RNSP MPLN e validar a eficácia da rede Mod-MPLN, foram desenvolvidas dez arquiteturas de RNSP para o problema de identificação de algarismos e dez arquiteturas para o problema do bit de paridade, as quais são avaliadas por meio de simulações realizadas no MATLABr. A partir dos resultados das simulações, são propostas recomendações na escolha dos parâmetros de projeto de rede. |
Abstract: | Artificial Neural Networks (ANN) are computational models that are mirrored in the arrangement and architecture of the human brain. For the case of conventional ANNs, the information is propagated between neurons and is weighted by the synaptic weights between them, which are adjusted during the training phase and reflect the knowledge acquired by the network regarding the problem to be solved. The problem related to the conventional ANN model lies on the fact that the learning of the network is performed by successive sums and multiplications. This causes such ANN model to require large computational power to be implemented, and causes the learning of the network to be too slow. On the other hand, in the Weightless Neural Networks (WNN), the information learned by the network is stored in the RAM memories of each of the neurons, and the training process of the network usually consists of performing read and write operations. Therefore, WNNs have simpler and faster training than conventional ANNs. However, the vast majority of discussions about ANNs are relative to those with synaptic weights between neurons. Thus, there is little information about the implementations of WNNs, especially WNNs with probabilistic elements. The present work aims to analyze the impact of the project parameters of a WNN based on Multi-valued Probabilistic Logic Neurons (MPLN), in order to establish design project for the same. The solution is obtained through the implementation of several WNN architectures of the MPLN type for two applications, namely the recognition of handwritten numbers and the classification of the parity bit. Each of the implemented architectures had one of the parameters varied while the others were kept constant, in order to observe the impact of such parameter on the classification accuracy, training epochs necessary to train the network and processing time. The present work further proposes a modification in the MPLN network for multiclass problems, defines as the Mod-MPLN network. The Mod-MPLN network is defined by a change in the network training algorithm and by the inclusion of a specific discriminator at the network output, without changing the intrinsic characteristics of the MPLN topology. In order to establish the design guidelines for an MPLN WNN and to validate the effectiveness of the Mod-MPLN network, ten WNN architectures were developed for the handwritten number identification problem and ten architectures for the parity bit problem, which are evaluated by means of simulations performed in MATLABr. From the results of the simulations, recommendations are proposed for the choice of project parameters of the network. |
Palavras-chave: | Electronic engineering Weightless Neural Network Artificial Inteligence Probabilistic Logic Node Image Recognition Engenharia eletrônica Redes Neurais Artificiais Sem Peso Inteligência Artificial Nó lógico probabilístico Reconhecimento de Imagens |
Área(s) do CNPq: | CNPQ::ENGENHARIAS |
Idioma: | por |
País: | BR |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro de Tecnologia e Ciências::Faculdade de Engenharia |
Programa: | Programa de Pós-Graduação em Engenharia Eletrônica |
Citação: | MACHADO, Tarso Mesquita. Projeto dedicado de redes neurais sem peso baseadas em neurônios de lógica probabilística multi-valorada. 2017. 158 f. Dissertação (Mestrado em Redes de Telecomunicações; Sistemas Inteligentes e Automação) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2017. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/11864 |
Data de defesa: | 16-Ago-2017 |
Aparece nas coleções: | Mestrado em Engenharia Eletrônica |
Arquivos associados a este item:
Arquivo | Tamanho | Formato | |
---|---|---|---|
Tarso Mesquita Machado.pdf | 1,45 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.