Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais
Ano de defesa: | 2009 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Viçosa
|
Programa de Pós-Graduação: |
Mestrado em Estatística Aplicada e Biometria
|
Departamento: |
Estatística Aplicada e Biometria
|
País: |
BR
|
Palavras-chave em Português: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://locus.ufv.br/handle/123456789/4026 |
Resumo: | The correct classification of individuals in pre-established groups has become of great importance in breeding. The multivariate statistical techniques commonly used in this type of problem are the discriminant functions of Fisher and Anderson, which are used to allocate an initially unknown individual in one of the g populations or pre-defined groups. In recent decades a new computing paradigm, artificial neural networks, has come along to solve various problems of Statistics, such as grouping of similar individuals, time series forecasting and also of particular interest, the problem of classification. The objective of this research was to conduct a simulation study in order to compare the discriminant functions of Fisher and Anderson and neural networks. We evaluated the number of incorrect classifications of individuals known to belong to different populations with different levels of dissimilarity measured by the Mahalanobis distance. Simulations were conducted using the software Genes (Cruz, 2006). Although Artificial Neural Networks presented a rate of incorrect classification of individuals rejected for being considered ambiguous as to its discriminatory characteristics, it proved to be a promising technique, since it presented a lower number of incorrect classifications of individuals when compared to the discriminant functions. |
id |
UFV_6067346437c4776b1ef4b4021a995431 |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/4026 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
|
spelling |
Pereira, Tiago Martinshttp://lattes.cnpq.br/1234901953219216Regazzi, Adair Joséhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4783586A7Ribeiro Junior, José Ivohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723282Y6Cruz, Cosme Damiãohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788274A6Peternelli, Luiz Alexandrehttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723301Z7Carneiro, Pedro Crescêncio Souzahttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728227T62015-03-26T13:32:08Z2011-03-222015-03-26T13:32:08Z2009-12-15PEREIRA, Tiago Martins. Discrimination of populations different degrees of similarity in artificial neural networks. 2009. 88 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa, 2009.http://locus.ufv.br/handle/123456789/4026The correct classification of individuals in pre-established groups has become of great importance in breeding. The multivariate statistical techniques commonly used in this type of problem are the discriminant functions of Fisher and Anderson, which are used to allocate an initially unknown individual in one of the g populations or pre-defined groups. In recent decades a new computing paradigm, artificial neural networks, has come along to solve various problems of Statistics, such as grouping of similar individuals, time series forecasting and also of particular interest, the problem of classification. The objective of this research was to conduct a simulation study in order to compare the discriminant functions of Fisher and Anderson and neural networks. We evaluated the number of incorrect classifications of individuals known to belong to different populations with different levels of dissimilarity measured by the Mahalanobis distance. Simulations were conducted using the software Genes (Cruz, 2006). Although Artificial Neural Networks presented a rate of incorrect classification of individuals rejected for being considered ambiguous as to its discriminatory characteristics, it proved to be a promising technique, since it presented a lower number of incorrect classifications of individuals when compared to the discriminant functions.A correta classificação de indivíduos em grupos pré-estabelecidos tem se tornado de grande importância no melhoramento genético. As técnicas de estatística multivariada usualmente utilizadas nesse tipo de problema são as funções discriminantes de Fisher e as funções discriminantes de Anderson, que são usadas para alocar um indivíduo inicialmente desconhecido em uma das g populações ou grupos pré-definidos. Nas últimas décadas vêm surgindo um novo paradigma de computação, as redes neurais artificiais, que podem ser utilizadas para resolver diversos problemas da Estatística, como agrupamento de indivíduos similares, previsão de séries temporais e em especial, os problemas de classificação. O objetivo dessa pesquisa foi realizar um estudo comparativo entre as funções discriminantes de Fisher e de Anderson e as redes neurais artificiais quanto ao número de classificações erradas de indivíduos sabidamente pertencentes a diferentes populações, com distintos níveis de dissimilaridade. Essa dissimilaridade, medida pela distância de Mahalanobis, foi um conceito de fundamental importância na utilização das técnicas de discriminação, pois quantificou o quanto as populações eram divergentes. Quanto maior o valor observado para essa medida, menos similares foram as populações em análise. A obtenção dos dados foi feita através de simulação utilizando o programa computacional Genes (CRUZ, 2006). As redes neurais artificiais apresentaram uma taxa de indivíduos rejeitados por serem considerados ambíguos quanto às suas características discriminatórias. No entanto, mostraram-se uma técnica promissora no que diz respeito a problemas de classificação, uma vez que apresentaram um número de classificações erradas de indivíduos menor que aqueles dados pelas funções discriminantes.Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorapplication/pdfporUniversidade Federal de ViçosaMestrado em Estatística Aplicada e BiometriaUFVBREstatística Aplicada e BiometriaClassificaçãoAnálise discriminanteRedes neurais artificiaisClassificationDiscriminant analysisArtificial neural networksCNPQ::CIENCIAS AGRARIASDiscriminação de populações com diferentes graus de similaridade por redes neurais artificiaisDiscrimination of populations different degrees of similarity in artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdfapplication/pdf958045https://locus.ufv.br//bitstream/123456789/4026/1/texto%20completo.pdfa7576f2d825f5b6d63c2110fc9afce32MD51TEXTtexto completo.pdf.txttexto completo.pdf.txtExtracted texttext/plain102686https://locus.ufv.br//bitstream/123456789/4026/2/texto%20completo.pdf.txt4b9db92c1dbe09377b8ff396edea76e9MD52THUMBNAILtexto completo.pdf.jpgtexto completo.pdf.jpgIM Thumbnailimage/jpeg933https://locus.ufv.br//bitstream/123456789/4026/3/texto%20completo.pdf.jpg3af67e24cb72f892a6e40345ca1a0766MD53123456789/40262016-04-09 23:16:40.136oai:locus.ufv.br:123456789/4026Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452016-04-10T02:16:40LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.por.fl_str_mv |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
dc.title.alternative.eng.fl_str_mv |
Discrimination of populations different degrees of similarity in artificial neural networks |
title |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
spellingShingle |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais Pereira, Tiago Martins Classificação Análise discriminante Redes neurais artificiais Classification Discriminant analysis Artificial neural networks CNPQ::CIENCIAS AGRARIAS |
title_short |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
title_full |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
title_fullStr |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
title_full_unstemmed |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
title_sort |
Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais |
author |
Pereira, Tiago Martins |
author_facet |
Pereira, Tiago Martins |
author_role |
author |
dc.contributor.authorLattes.por.fl_str_mv |
http://lattes.cnpq.br/1234901953219216 |
dc.contributor.author.fl_str_mv |
Pereira, Tiago Martins |
dc.contributor.advisor-co1.fl_str_mv |
Regazzi, Adair José |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4783586A7 |
dc.contributor.advisor-co2.fl_str_mv |
Ribeiro Junior, José Ivo |
dc.contributor.advisor-co2Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723282Y6 |
dc.contributor.advisor1.fl_str_mv |
Cruz, Cosme Damião |
dc.contributor.advisor1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788274A6 |
dc.contributor.referee1.fl_str_mv |
Peternelli, Luiz Alexandre |
dc.contributor.referee1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723301Z7 |
dc.contributor.referee2.fl_str_mv |
Carneiro, Pedro Crescêncio Souza |
dc.contributor.referee2Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728227T6 |
contributor_str_mv |
Regazzi, Adair José Ribeiro Junior, José Ivo Cruz, Cosme Damião Peternelli, Luiz Alexandre Carneiro, Pedro Crescêncio Souza |
dc.subject.por.fl_str_mv |
Classificação Análise discriminante Redes neurais artificiais |
topic |
Classificação Análise discriminante Redes neurais artificiais Classification Discriminant analysis Artificial neural networks CNPQ::CIENCIAS AGRARIAS |
dc.subject.eng.fl_str_mv |
Classification Discriminant analysis Artificial neural networks |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS AGRARIAS |
description |
The correct classification of individuals in pre-established groups has become of great importance in breeding. The multivariate statistical techniques commonly used in this type of problem are the discriminant functions of Fisher and Anderson, which are used to allocate an initially unknown individual in one of the g populations or pre-defined groups. In recent decades a new computing paradigm, artificial neural networks, has come along to solve various problems of Statistics, such as grouping of similar individuals, time series forecasting and also of particular interest, the problem of classification. The objective of this research was to conduct a simulation study in order to compare the discriminant functions of Fisher and Anderson and neural networks. We evaluated the number of incorrect classifications of individuals known to belong to different populations with different levels of dissimilarity measured by the Mahalanobis distance. Simulations were conducted using the software Genes (Cruz, 2006). Although Artificial Neural Networks presented a rate of incorrect classification of individuals rejected for being considered ambiguous as to its discriminatory characteristics, it proved to be a promising technique, since it presented a lower number of incorrect classifications of individuals when compared to the discriminant functions. |
publishDate |
2009 |
dc.date.issued.fl_str_mv |
2009-12-15 |
dc.date.available.fl_str_mv |
2011-03-22 2015-03-26T13:32:08Z |
dc.date.accessioned.fl_str_mv |
2015-03-26T13:32:08Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
PEREIRA, Tiago Martins. Discrimination of populations different degrees of similarity in artificial neural networks. 2009. 88 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa, 2009. |
dc.identifier.uri.fl_str_mv |
http://locus.ufv.br/handle/123456789/4026 |
identifier_str_mv |
PEREIRA, Tiago Martins. Discrimination of populations different degrees of similarity in artificial neural networks. 2009. 88 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa, 2009. |
url |
http://locus.ufv.br/handle/123456789/4026 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.publisher.program.fl_str_mv |
Mestrado em Estatística Aplicada e Biometria |
dc.publisher.initials.fl_str_mv |
UFV |
dc.publisher.country.fl_str_mv |
BR |
dc.publisher.department.fl_str_mv |
Estatística Aplicada e Biometria |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/4026/1/texto%20completo.pdf https://locus.ufv.br//bitstream/123456789/4026/2/texto%20completo.pdf.txt https://locus.ufv.br//bitstream/123456789/4026/3/texto%20completo.pdf.jpg |
bitstream.checksum.fl_str_mv |
a7576f2d825f5b6d63c2110fc9afce32 4b9db92c1dbe09377b8ff396edea76e9 3af67e24cb72f892a6e40345ca1a0766 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1794528749448855552 |