<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Conference Proceedings">
		<identifier>8JMKD3MGP7W/3A53TBP</identifier>
		<repository>sid.inpe.br/mtc-m19/2011/07.19.12.44</repository>
		<metadatarepository>sid.inpe.br/mtc-m19/2011/07.19.12.44.26</metadatarepository>
		<site>mtc-m16d.sid.inpe.br 806</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<citationkey>PereiraPetr:2011:AsDaUt</citationkey>
		<author>Pereira, André Grahl,</author>
		<author>Petry, Adriano,</author>
		<group></group>
		<group>CRS-CCR-INPE-MCT-BR</group>
		<affiliation></affiliation>
		<affiliation>Instituto Nacional de Pesquisas Espaciais (INPE)</affiliation>
		<title>Assimilação de dados utilizando neuroevolução ao modelo do atrator de lorenz</title>
		<conferencename>Seminário Iniciação Cientifica do CRS, (SICCRS).</conferencename>
		<year>2011</year>
		<date>15 a 16 de junho de 2011</date>
		<conferencelocation>Santa Maria-RS</conferencelocation>
		<keywords>técnicas neuroevolutivas.</keywords>
		<abstract>Este trabalho teve como objetivo realizar um estudo da viabilidade do uso de técnicas neuroevolutivas para a assimilação de dados com uma qualidade equivalente a das técnicas clássicas. Redes Neurais vêm sendo propostas muito recentemente como métodos para emulação de técnicas de assimilação de dados, apresentando resultados consistentes, sendo computacionalmente eficientes. A neuroevolução faz analogia à teoria evolucionista, em que as redes neurais são os fenótipos a serem alcançados e os algoritmos genéticos são a maneira que permite que a evolução ocorra, através de operadores de crossover e mutação. Os cromossomos na neuroevolução podem representar qualquer componente da rede, em casos mais comuns eles definem os pesos sinápticos, podendo também definir topologias. Neuro-Evolution of Augmenting Topologies (NEAT) é um método Topology and Weight Evolving Neural Networks (TWEANNs). Nesta classe de algoritmos de aprendizagem, o genoma codifica a topologia, bem como os pesos de conexão, que possuem a propriedade de descobrir de forma autônoma a topologia mais adequada à rede. Assim, a evolução da topologia pode ser usada para aumentar a eficiência, deixando a rede com o menor número possível de neurônios na camada oculta. O modelo utilizado para os testes do projeto foi o atrator de Lorenz, e consiste de um mapa caótico que mostra o estado de um sistema dinâmico evoluindo no tempo, em um padrão complexo e não repetitivo, sendo este modelo referência em testes de novas técnicas de assimilação de dados. O projeto consistiu da implementação do atrator de Lorenz, da técnica de assimilação de dados de interpolação ótima, bem como das redes neurais treinadas por backpropagation, algoritmos genéticos e NEAT. A partir do atrator de Lorenz foram gerados dois conjuntos de dados com mil iterações cada, sendo que um foi definido como background e o outro como truth. Com os dados do truth foram geradas observações com uma pequena aleatoriedade, esses três conjuntos foram utilizados no método de interpolação ótima para a geração do conjunto de análise. Dessa forma o conjunto para o treinamento das redes neurais foi obtido, sendo o background e as observações usados como input e a análise como output. 20% desse conjunto foi empregado na fase de treinamento e 80% na fase de validação. Após os testes, foi observado que redes neurais treinadas por backpropagation apresentam o menor erro para o conjunto de treinamento e as treinadas por NEAT apresentam um erro menor que redes treinadas por algoritmos genéticos. No conjunto de validação as redes treinadas por NEAT apresentam uma capacidade de generalização superior e assim um erro inferior as redes treinadas por algoritmos genéticos e backpropagation. Dessa forma, a neuroevolução apresenta-se como uma alternativa aos métodos clássicos de assimilação de dados, bem como para as abordagens tradicionais do uso de redes neurais treinadas por backpropagation.</abstract>
		<language>pt</language>
		<secondarytype>PRE CN</secondarytype>
		<tertiarytype>Resumo Estendido</tertiarytype>
		<area>GEST</area>
		<size>13 KiB</size>
		<numberoffiles>1</numberoffiles>
		<lastupdate>2012:01.19.13.24.08 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 administrator</lastupdate>
		<metadatalastupdate>2018:06.05.04.24.35 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 administrator {D 2011}</metadatalastupdate>
		<mirrorrepository>sid.inpe.br/mtc-m19@80/2009/08.21.17.02.53</mirrorrepository>
		<username>tereza@sid.inpe.br</username>
		<usergroup>administrator</usergroup>
		<usergroup>ana.silveira</usergroup>
		<visibility>shown</visibility>
		<transferableflag>1</transferableflag>
		<hostcollection>sid.inpe.br/mtc-m19@80/2009/08.21.17.02</hostcollection>
		<contenttype>External Contribution</contenttype>
		<documentstage>not transferred</documentstage>
		<versiontype>publisher</versiontype>
		<readpermission>deny from all and allow from 150.163</readpermission>
		<nexthigherunit>8JMKD3MGPCW/3EUFCFP</nexthigherunit>
		<agreement>agreement.html .htaccess .htaccess2</agreement>
		<lasthostcollection>sid.inpe.br/mtc-m19@80/2009/08.21.17.02</lasthostcollection>
		<url>http://mtc-m16d.sid.inpe.br/rep-/sid.inpe.br/mtc-m19/2011/07.19.12.44</url>
	</metadata>
</metadatalist>