Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.ufpe.br/handle/123456789/2010
Title: Abordagem híbrida para otimização de redes neurais artificiais para previsão de séries temporai
Authors: Lucena Arnaud, Adrian
Keywords: Previsão e séries temporais; Otimização de redes neurais artificiais; Simulated annealing; Sistema híbridos inteligentes; Sistemas de apoio à decisão
Issue Date: 2007
Publisher: Universidade Federal de Pernambuco
Citation: Lucena Arnaud, Adrian; Jorge Leitão Adeodato, Paulo. Abordagem híbrida para otimização de redes neurais artificiais para previsão de séries temporai. 2007. Tese (Doutorado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2007.
Abstract: Esta tese propõe um novo método híbrido que utiliza simulated annealing e o algoritmo de treinamento padrão de retro-propagação dos erros para otimizar redes MLP (Multi Layer Perceptron) aplicadas ao problema de previsão de séries temporais. Este método, denominado aqui de ANNSATS (Artificial Neural Networks and Simulated Annealing for Time Series Forecasting), começa a partir de uma topologia inicial completamente conectada e com um número pré-definido de neurônios e pesos. O sistema híbrido proposto executa ciclos compostos por uma etapa de otimização de topologia de redes neurais seguida por outra etapa de otimização de pesos. Estes ciclos continuam até que são encontrados uma topologia otimizada de rede neural e um ajuste otimizado para os pesos das conexões. Em cada ciclo, primeiramente é criada uma nova rede neural MLP candidata, que é potencialmente mais adequada para resolver o problema específico de previsão. A nova rede é criada habilitando e desabilitando neurônios de entrada e escondidos. Em seguida, os pesos desta nova topologia são ajustados utilizando o algoritmo padrão de retro-propagação dos erros, empregando um número pré-especificado e pequeno de épocas. Após este ajuste, a rede neural candidata é avaliada de acordo com uma função objetivo. Esta função objetivo é proporcional ao número de neurônios correntemente ativos na topologia e ao erro de modelagem para a série temporal. Dependendo do valor calculado para a função objetivo e dos parâmetros correntes do simulated annealing, a topologia candidata pode ser aceita ou rejeitada. Se esta for aceita, então a mesma é utilizada como base para a geração de uma nova rede neural candidata. Se a topologia candidata não for aceita, então a última topologia válida é utilizada para começar um novo ciclo. Resultados experimentais com uma série simulada (série de Hénon) e com outras oito séries de fenômenos reais mostraram que o novo método é capaz de produzir redes MLP com os retardos esperados e com o número de neurônios escondidos suficientes para obter previsões, em média, melhores do que as calculadas por redes MLP treinadas pelo algoritmo padrão de retro-propagação e melhor do que outros resultados disponíveis na literatura relacionada
URI: https://repositorio.ufpe.br/handle/123456789/2010
Appears in Collections:Teses de Doutorado - Ciência da Computação

Files in This Item:
File Description SizeFormat 
arquivo6171_1.pdf2.37 MBAdobe PDFView/Open


This item is protected by original copyright



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.