Título: TREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO ENHANCED-CONTINUOUS-GRASP
Autores: Araújo, Tiago Maritan Ugulino; Lima, Jefferson Ferreira de Araújo; Cabrall, Lucídio dos Anjos Formiga; Souza Filho, Guido Lemos de; Dória Neto, Adrião Duarte
Resumo: O treinamento supervisionado de uma rede Perceptron de Múltiplas Camadas (Multilayer Perceptron – MLP) [1] baseado nos algoritmos baseados em gradiente, como o algoritmo de retropropagação do erro (error backpropagation) [2], geralmente possui algumas limitações como, por exemplo, a possibilidade de ficar preso em mínimos locais e a elevada complexidade computacional quando o número de parâmetros da rede (pesos sinápticos e bias) é grande [3]. Outra alternativa comumente explorada para o treinamento de MLP é a utilização de metaheurísticas para otimização combinatória, como Algoritmos Genéticos [4] e Busca Tabu [5]. Segundo Sexton e Guppa [6], contudo, essas abordagens são baseadas num esquema de codificação binária dos parâmetros da rede e não trazem necessariamente nenhum benefício. Para contornar esses problemas, nesse artigo propomos a utilização da metaheurística Enhanced Continuous-GRASP (EC-GRASP) [7,8], uma metaheurística para resolução de problemas de otimização global contínua, para o treinamento de uma rede MLP. Para validar o método proposto, a rede MLP foi treinada para aproximação de algumas funções não-lineares. Os resultados computacionais atestam a aplicabilidade da nova abordagem proposta.
Palavras-chave: Perceptron de Múltiplas Camadas; Treinamento Supervisionado; EC-GRASP; Metaheurísticas; Otimização Global Contínua; Redes Neurais Artificiais
Páginas: 8
Código DOI: 10.21528/CBRN2009-184
Artigo em PDF: 184_CBRN2009.pdf
Arquivo BibTex: 184_CBRN2009.bib