Fechar
Metadados

%0 Conference Proceedings
%4 sid.inpe.br/mtc-m19/2011/07.19.12.44
%2 sid.inpe.br/mtc-m19/2011/07.19.12.44.26
%A Pereira, André Grahl,
%A Petry, Adriano,
%@affiliation
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%T Assimilação de dados utilizando neuroevolução ao modelo do atrator de lorenz
%B Seminário Iniciação Cientifica do CRS, (SICCRS).
%D 2011
%8 15 a 16 de junho de 2011
%C Santa Maria-RS
%K técnicas neuroevolutivas.
%X 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.
%@language pt


Fechar