Meta-heurísticas baseadas em população para o treinamento de redes neurais de base radial no contexto de inteligência computacional : teoria e implementações

Abstract

Resumo: Um dos problemas da modelagem de uma RBFNN - Radial Basis Neural Network, Rede Neural de Base Radial, consiste em determinar os pesos da camada de saída, geralmente representados por uma matriz retangular. Uma abordagem que tem ganho alguma notoriedade recentemente na resolução desse problema é a criação de modelos híbridos baseados na combinação de Meta-heurísticas, que são modelos gerais para solução de problemas de otimização, como alternativa ao método tradicional de realizar a pseudo-inversão da matriz com os valores de ativação da camada intermedíaria. Nesta pesquisa, duas destas Meta-heurísticas, Algoritmos Genéticos e Nuvem de Partículas (Particle Swarm Optmization) são implementadas a fim de comparar seus desempenhos com o método tradicional e também é proposta a mudança da representação dos indivíduos de uma população, em Algoritmos Genéticos, com a consequente adaptação operadores para algoritmos genéticos contínuos em que os indivíduos são matrizes, como é o caso do problema de calcular a matriz de pesos de uma RBFNN. Além disso, essas técnicas também são comparadas com a FDLF - Função Discriminante Linear de Fisher na classificação de padrões. Para fins de validação da hipótese levantada, foi realizado um experimento com seis bancos de dados e os resultados mostraram que as abordagens mais eficientes foram o treinamento tradicional das RBFNN e a FDLF, já a modificação proposta se mostrou tão consistente quanto o Algoritmo Genético tradicional no que diz respeito à eficiência ao encontrar soluções.

Abstract: One of the issues of modeling a RBFNN - Radial Basis Neural Network is to determine the weights matrix of the output layer, wich is generally represented by a rectangular matrix. One of the existing approaches that has gained some notoriety recently in solving this problem is to create hybrid models based on a combination of Metaheuristcs, which are general models for solving optimization problems, as an alternative to the traditional method of performing the pseduoinversion the hidden layer activation values matrix. In this research two of these Metaheuristcs, Genetic Algorithms (GA) and Particle Swarm Optmization (PSO) are implemented in order to compare their performance with the traditional method and also a new kind representation of individuals in a population for genetic algorithms is proposed. This caused the adaptation of the continuous genetic operators in genetic algorithms with matricial individuals, specially for calculating the weights matrix of a RBFNN. Also a comparison of all these techniques with the LDFF - Linear Discriminant Fisher Function For is provided. Trying to validating the research hypothesis an experiment was designed using six diffrerent databases and results shows that the traditional training method of RBFNN and the Fisher LDF was more effective than the others techniques. The new proposed GA individuals representation was equally consistent with the traditional GA in finding solutions.