1. Identificação | |
Tipo de Referência | Artigo em Evento (Conference Proceedings) |
Site | mtc-m16d.sid.inpe.br |
Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identificador | 8JMKD3MGP7W/3A53TBP |
Repositório | sid.inpe.br/mtc-m19/2011/07.19.12.44 (acesso restrito) |
Última Atualização | 2012:01.19.13.24.08 (UTC) administrator |
Repositório de Metadados | sid.inpe.br/mtc-m19/2011/07.19.12.44.26 |
Última Atualização dos Metadados | 2018:06.05.04.24.35 (UTC) administrator |
Chave de Citação | PereiraPetr:2011:AsDaUt |
Título | Assimilação de dados utilizando neuroevolução ao modelo do atrator de lorenz |
Ano | 2011 |
Data de Acesso | 09 maio 2024 |
Tipo Secundário | PRE CN |
Número de Arquivos | 1 |
Tamanho | 13 KiB |
|
2. Contextualização | |
Autor | 1 Pereira, André Grahl 2 Petry, Adriano |
Grupo | 1 2 CRS-CCR-INPE-MCT-BR |
Afiliação | 1 2 Instituto Nacional de Pesquisas Espaciais (INPE) |
Nome do Evento | Seminário Iniciação Cientifica do CRS, (SICCRS). |
Localização do Evento | Santa Maria-RS |
Data | 15 a 16 de junho de 2011 |
Tipo Terciário | Resumo Estendido |
Histórico (UTC) | 2012-01-19 15:01:27 :: ana.silveira -> administrator :: 2011 2018-06-05 04:24:35 :: administrator -> tereza@sid.inpe.br :: 2011 |
|
3. Conteúdo e estrutura | |
É a matriz ou uma cópia? | é a matriz |
Estágio do Conteúdo | concluido |
Transferível | 1 |
Tipo do Conteúdo | External Contribution |
Tipo de Versão | publisher |
Palavras-Chave | técnicas neuroevolutivas |
Resumo | Este trabalho teve como objetivo realizar um estudo da viabilidade do uso de técnicas neuroevolutivas para a assimilação de dados com uma qualidade equivalente a das técnicas clássicas. Redes Neurais vêm sendo propostas muito recentemente como métodos para emulação de técnicas de assimilação de dados, apresentando resultados consistentes, sendo computacionalmente eficientes. A neuroevolução faz analogia à teoria evolucionista, em que as redes neurais são os fenótipos a serem alcançados e os algoritmos genéticos são a maneira que permite que a evolução ocorra, através de operadores de crossover e mutação. Os cromossomos na neuroevolução podem representar qualquer componente da rede, em casos mais comuns eles definem os pesos sinápticos, podendo também definir topologias. Neuro-Evolution of Augmenting Topologies (NEAT) é um método Topology and Weight Evolving Neural Networks (TWEANNs). Nesta classe de algoritmos de aprendizagem, o genoma codifica a topologia, bem como os pesos de conexão, que possuem a propriedade de descobrir de forma autônoma a topologia mais adequada à rede. Assim, a evolução da topologia pode ser usada para aumentar a eficiência, deixando a rede com o menor número possível de neurônios na camada oculta. O modelo utilizado para os testes do projeto foi o atrator de Lorenz, e consiste de um mapa caótico que mostra o estado de um sistema dinâmico evoluindo no tempo, em um padrão complexo e não repetitivo, sendo este modelo referência em testes de novas técnicas de assimilação de dados. O projeto consistiu da implementação do atrator de Lorenz, da técnica de assimilação de dados de interpolação ótima, bem como das redes neurais treinadas por backpropagation, algoritmos genéticos e NEAT. A partir do atrator de Lorenz foram gerados dois conjuntos de dados com mil iterações cada, sendo que um foi definido como background e o outro como truth. Com os dados do truth foram geradas observações com uma pequena aleatoriedade, esses três conjuntos foram utilizados no método de interpolação ótima para a geração do conjunto de análise. Dessa forma o conjunto para o treinamento das redes neurais foi obtido, sendo o background e as observações usados como input e a análise como output. 20% desse conjunto foi empregado na fase de treinamento e 80% na fase de validação. Após os testes, foi observado que redes neurais treinadas por backpropagation apresentam o menor erro para o conjunto de treinamento e as treinadas por NEAT apresentam um erro menor que redes treinadas por algoritmos genéticos. No conjunto de validação as redes treinadas por NEAT apresentam uma capacidade de generalização superior e assim um erro inferior as redes treinadas por algoritmos genéticos e backpropagation. Dessa forma, a neuroevolução apresenta-se como uma alternativa aos métodos clássicos de assimilação de dados, bem como para as abordagens tradicionais do uso de redes neurais treinadas por backpropagation. |
Área | GEST |
Arranjo | urlib.net > BDMCI > Fonds > Produção anterior à 2021 > CRCRS > Assimilação de dados... |
Conteúdo da Pasta doc | acessar |
Conteúdo da Pasta source | não têm arquivos |
Conteúdo da Pasta agreement | |
|
4. Condições de acesso e uso | |
Idioma | pt |
Grupo de Usuários | administrator ana.silveira |
Visibilidade | shown |
Permissão de Leitura | deny from all and allow from 150.163 |
Permissão de Atualização | não transferida |
|
5. Fontes relacionadas | |
Repositório Espelho | sid.inpe.br/mtc-m19@80/2009/08.21.17.02.53 |
Unidades Imediatamente Superiores | 8JMKD3MGPCW/3EUFCFP |
Acervo Hospedeiro | sid.inpe.br/mtc-m19@80/2009/08.21.17.02 |
|
6. Notas | |
Campos Vazios | archivingpolicy archivist booktitle callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor electronicmailaddress format isbn issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readergroup resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject targetfile tertiarymark type url volume |
|
7. Controle da descrição | |
e-Mail (login) | tereza@sid.inpe.br |
atualizar | |
|