Aprendizado extremo para redes neurais fuzzy baseadas em uninormas

Detalhes bibliográficos
Ano de defesa: 2013
Autor(a) principal: Bordignon, Fernando Luis
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Neurônios
Aprendizagem
Redes neurais (Computação)
Hybrid neural networks
Neurons
Learning
Neural networks (Computing)
Link de acesso: https://hdl.handle.net/20.500.12733/1619580
Resumo: Orientador: Fernando Antônio Campos Gomide
id UNICAMP-30_b45b02f25b3f59d75c64a85421c67578
oai_identifier_str oai::902246
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Aprendizado extremo para redes neurais fuzzy baseadas em uninormasExtreme learning for uninorm-based fuzzy neural networksNeurôniosAprendizagemRedes neurais (Computação)Hybrid neural networksNeuronsLearningNeural networks (Computing)Orientador: Fernando Antônio Campos GomideDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Sistemas evolutivos são sistemas com alto nível de adaptação capazes de modificar simultaneamente suas estruturas e parâmetros a partir de um fluxo de dados, recursivamente. Aprendizagem a partir de fluxos de dados é um problema contemporâneo e difícil devido à taxa de aumento da dimensão, tamanho e disponibilidade temporal de dados, criando dificuldades para métodos tradicionais de aprendizado. Esta dissertação, além de apresentar uma revisão da literatura de sistemas evolutivos e redes neurais fuzzy, aborda uma estrutura e introduz um método de aprendizagem evolutivo para treinar redes neurais híbridas baseadas em uninormas, usando conceitos de aprendizado extremo. Neurônios baseados em uninormas fundamentados nas normas e conormas triangulares generalizam neurônios fuzzy. Uninormas trazem flexibilidade e generalidade a modelos neurais fuzzy, pois elas podem se comportar como normas triangulares, conormas triangulares, ou de forma intermediária por meio do ajuste de elementos identidade. Este recurso adiciona uma forma de plasticidade em modelos de redes neurais. Um método de agrupamento recursivo para granularizar o espaço de entrada e um esquema baseado no aprendizado extremo compõem um algoritmo para treinar a rede neural. _E provado que uma versão estática da rede neural fuzzy baseada em uninormas aproxima funções contínuas em domínios compactos, ou seja, _e um aproximador universal. Postula-se, e experimentos computacionais endossam, que a rede neural fuzzy evolutiva compartilha capacidade de aproximação equivalente, ou melhor, em ambientes dinâmicos, do que as suas equivalentes estáticasAbstract: Evolving systems are highly adaptive systems able to simultaneously modify their structures and parameters from a stream of data, online. Learning from data streams is a contemporary and challenging issue due to the increasing rate of the size and temporal availability of data, turning the application of traditional learning methods limited. This dissertation, in addition to reviewing the literature of evolving systems and neuro fuzzy networks, addresses a structure and introduces an evolving learning approach to train uninorm-based hybrid neural networks using extreme learning concepts. Uninorm-based neurons, rooted in triangular norms and conorms, generalize fuzzy neurons. Uninorms bring flexibility and generality to fuzzy neuron models as they can behave like triangular norms, triangular conorms, or in between by adjusting identity elements. This feature adds a form of plasticity in neural network modeling. An incremental clustering method is used to granulate the input space, and a scheme based on extreme learning is developed to train the neural network. It is proved that a static version of the uninorm-based neuro fuzzy network approximate continuous functions in compact domains, i.e. it is a universal approximator. It is postulated and computational experiments endorse, that the evolving neuro fuzzy network share equivalent or better approximation capability in dynamic environments than their static counterpartsMestradoEngenharia de ComputaçãoMestre em Engenharia Elétrica[s.n.]Gomide, Fernando Antonio Campos, 1951-Caminhas, Walmir MatosYamakami, AkeboUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASBordignon, Fernando Luis2013info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf59 f. : il.https://hdl.handle.net/20.500.12733/1619580BORDIGNON, Fernando Luis. Aprendizado extremo para redes neurais fuzzy baseadas em uninormas. 2013. 59 f. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1619580. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/902246porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T06:53:47Zoai::902246Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T06:53:47Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
Extreme learning for uninorm-based fuzzy neural networks
title Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
spellingShingle Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
Bordignon, Fernando Luis
Neurônios
Aprendizagem
Redes neurais (Computação)
Hybrid neural networks
Neurons
Learning
Neural networks (Computing)
title_short Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
title_full Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
title_fullStr Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
title_full_unstemmed Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
title_sort Aprendizado extremo para redes neurais fuzzy baseadas em uninormas
author Bordignon, Fernando Luis
author_facet Bordignon, Fernando Luis
author_role author
dc.contributor.none.fl_str_mv Gomide, Fernando Antonio Campos, 1951-
Caminhas, Walmir Matos
Yamakami, Akebo
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Bordignon, Fernando Luis
dc.subject.por.fl_str_mv Neurônios
Aprendizagem
Redes neurais (Computação)
Hybrid neural networks
Neurons
Learning
Neural networks (Computing)
topic Neurônios
Aprendizagem
Redes neurais (Computação)
Hybrid neural networks
Neurons
Learning
Neural networks (Computing)
description Orientador: Fernando Antônio Campos Gomide
publishDate 2013
dc.date.none.fl_str_mv 2013
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.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1619580
BORDIGNON, Fernando Luis. Aprendizado extremo para redes neurais fuzzy baseadas em uninormas. 2013. 59 f. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1619580. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1619580
identifier_str_mv BORDIGNON, Fernando Luis. Aprendizado extremo para redes neurais fuzzy baseadas em uninormas. 2013. 59 f. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1619580. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/902246
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
59 f. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189868905955328

Registros relacionados