Uma Abordagem Modular com Máquinas de Boltzmann Restrita para Predição de Séries Temporais.
| Autor: | HRASKO, R. |
|---|---|
| Rok vydání: | 2016 |
| Zdroj: | Repositório Institucional da UFESUniversidade Federal do Espírito SantoUFES. |
| Druh dokumentu: | masterThesis |
| Popis: | Made available in DSpace on 2016-08-29T15:33:24Z (GMT). No. of bitstreams: 1 tese_9628_ATA DA DEFESA DO ALUNO RAFAEL20160503-91238.pdf: 627703 bytes, checksum: 9b686c011d00d9e58dfdb0b7124d6013 (MD5) Previous issue date: 2016-02-25 Predição de séries temporais ocorrem em várias áreas: economia, climatologia, engenharia e muitas outras. Abordagens baseadas em redes neurais artificiais tem sido utilizadas com resultados promissores devido a capacidade de aprender mapeamentos não lineares. No entanto, redes neurais convencionais usando o algoritmo backpropagation também podem cair em mínimos locais durante a fase de treinamento. Nos últimos anos, uma abordagem alternativa conhecida como redes neurais profundas, que consiste em máquinas de Boltzmann restrita, apresentam a vantagem de serem treinadas em sequencia uma após a outra para problemas que requerem múltiplas camadas. Este trabalho apresenta uma abordagem usando redes modulares, onde os módulos consistem em híbridos de máquinas de Boltzmann restrita com redes neurais convencionais. A abordagem tem seus parâmetros otimizados pelo algoritmo enxame de partículas, e agrega os módulos com a integral de Choquet. Estudos de simulação foram conduzidos para avaliar a abordagem em vários problemas de predição e os resultados são comparados com os fornecidos por uma rede modular convencional. |
| Databáze: | Networked Digital Library of Theses & Dissertations |
| Externí odkaz: |
|