Modelos parametricos e não-parametricos de redes neurais artificiais e aplicações
TESE
Português
T/UNICAMP Z81m
Campinas, SP : [s.n.], 1996.
244p. : il.
Orientador: Marcio Luiz de Andrade Netto
Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica
Resumo: Esta tese apresenta métodos de análise e síntese de modelos paramétricos e nãoparamétricos de redes neurais artificiais, utilizando resultados derivados da teoria de aproximação de funções e análise numérica. A flexibilidade destas estruturas conexionistas não-lineares é explorada com base...
Resumo: Esta tese apresenta métodos de análise e síntese de modelos paramétricos e nãoparamétricos de redes neurais artificiais, utilizando resultados derivados da teoria de aproximação de funções e análise numérica. A flexibilidade destas estruturas conexionistas não-lineares é explorada com base em técnicas de regularização e métodos de otimização nãolinear irrestrita. A rede neural não-paramétrica resultante realiza mapeamentos não-lineares estáticos via métodos construtivos caracterizados por redução de dimensionalidade e propriedades de aproximação bem-definidas. Estruturas genéricas de processamento dinâmico não-linear podem ser obtidas via redes neurais multicamadas recorrentes, que são modelos paramétricos tendo redes neurais multicamadas não-recorrentes como caso particular. É investigado um conjunto de problemas não-lineares, cujas soluções são formuladas de modo a permitir a aplicação direta dos modelos de redes neurais desenvolvidos
Abstract: This thesis presents methods of analysis and synthesis of parametric and nonparametric artificial neural network models, using results from approximation theory and numerical analysis. The flexibility of these nonlinear connectionist structures is explored based on regularization...
Abstract: This thesis presents methods of analysis and synthesis of parametric and nonparametric artificial neural network models, using results from approximation theory and numerical analysis. The flexibility of these nonlinear connectionist structures is explored based on regularization techniques and nonlinear unconstrained optimization methods. The resulting nonparametric neural network performs arbitrary nonlinear and static mappings via constructive methods characterized by dimensionality reduction and well-defined approximation properties. Generic nonlinear dynarnicprocessing structures can be obtained via recurrent multilayer neural networks, parametric models having nonrecurrent multilayer neural networks as a particular case. A set of nonlinear problems is investigated, and solutions are formulated so that the developed neural network models can be directly employed.