Título: Applying The Incremental Gaussian Neural Network To Concept Formation And Robotic Tasks
Autores: Heinen, Milton Roberto; Engel, Paulo Martins; Pinto, Rafael C.
Resumo: IGMN (do inglês Incremental Gaussian Mixture Network) é uma nova abordagem conexionista para a aproximação de incremental de funções, formação de agrupamentos e robótica. Ele é baseado em fortes princípios estatísticos (modelos de mistura gaussianos) e assintoticamente converge para a superfície de regressão ótima a medida que os dados de treinamento chegam. Além disso, o IGMN aprende de forma incremental utilizando uma única passada sobre os dados de treinamento, resolve o dilema plasticidade estabilidade e não sofre de interferência catastrófica. O principal objetivo deste artigo é demonstrar o uso do IGMN em aplicações de robótica e controle que exigem aprendizado incremental e em tempo real, tais como a formação incremental de conceitos e robótica móvel. Através de diversos experimentos descritos neste artigo é demonstrado que o IGMN é uma ferramenta de aprendizado de máquina bastante útil neste tipo de tarefa. Além disso, ele não requer ajustes finos em seus parâmetros de configuração, não é sensível as condições de inicialização e possui um bom desempenho computacional, o que permite o seu uso em aplicações de controle e em tempo real.
Palavras-chave: Redes neurais artificiais; métodos Bayesianos; formação de conceitos; aprendizado incremental; modelos de mistura gaussianos; robôs autônomos
Páginas: 8
Código DOI: 10.21528/CBIC2011-14.2
Artigo em pdf: st_14.2.pdf
Arquivo BibTex: st_14.2.bib