Título: Uma Rede Regularizada Esparsa e Robusta para Identificação Recursiva de Sistemas Dinâmicos
Autores: Michael Santos, Guilherme Barreto
Resumo: Redes regularizadas em espaços de Hilbert gerados por kernel (RKHS) constituem um arcabouço poderoso para estimação de funções não-lineares, com aplicações bem-sucedidas em áreas como identificação de sistemas dinâmicos, previsão de séries temporais e filtragem adaptativa. Tal técnica, porém, possui aplicação limitada a problemas que envolvem o processamento de sinais de larga escala, contaminados com ruído não-gaussiano e variantes no tempo. Isto posto, neste artigo introduzimos uma nova proposta de redes regularizadas no RKHS com as seguintes características. (i) O modelo preditor é atualizado para cada nova amostra de dados via aprendizado recursivo. (ii) O critério de otimalidade baseado no erro médio quadrático (MSE) é substituído pela correntropia a fim de conferir robustez a ruído não-gaussiano. (3) O critério de esparsificação por Novidade é usado para adicionar amostras a um dicionário de vetores-suporte. (4) Um critério de poda usando divergência de Kullback-Leibler é aplicado para excluir amostras do dicionário de vetores-suporte tornando-o capaz de rastrear um sistema variante no tempo. A proposta é avaliada em três conjuntos de dados, sendo um destes de larga escala, para diferentes níveis de contaminação por outliers na tarefa de identificação de sistemas dinâmicos. Os resultados obtidos pela rede regularizada proposta tem reduzido custo e complexidade computacional, atingindo um alto poder preditivo, com excelente robustez a outliers e reduzido uso de memória pela matriz de kernel.
Palavras-chave: Correntropia; esparsidade; identificação de sistemas; métodos de kernel; redes regularizadas.
Páginas: 8
Código DOI: 10.21528/CBIC2019-76
Artigo em pdf: CBIC2019-76.pdf
Arquivo BibTeX: CBIC2019-76.bib