Please use this identifier to cite or link to this item: http://repositorio.ufes.br/handle/10/4119
Title: Modelo de Aprendizado Incremental Baseado em Uma Rede Neural com Arquitetura Adaptativa
metadata.dc.creator: CIARELLI, P. M.
Keywords: Redes neurais (Computção);Reconhecimento de padrões;
Issue Date: 12-Dec-2012
Publisher: Universidade Federal do Espírito Santo
Citation: CIARELLI, P. M., Modelo de Aprendizado Incremental Baseado em Uma Rede Neural com Arquitetura Adaptativa
Abstract: 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
Appears in Collections:PPGEE - Teses de doutorado

Files in This Item:
File Description SizeFormat 
tese_2753_Patrick_tese.pdf6.02 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.