Uma Abordagem Modular com Máquinas de Boltzmann Restrita para Predição de Séries Temporais.
Nome: RAFAEL HRASKO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 25/02/2016
Orientador:
Nome |
Papel |
|---|---|
| RENATO ANTÔNIO KROHLING | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| CELSO ALBERTO SAIBEL SANTOS | Examinador Interno |
| RENATO ANTÔNIO KROHLING | Orientador |
Resumo: Predição de séries temporais ocorrem em várias áreas: economia, climatologia, engenharia e muitas outras. Abordagens baseadas em redes neurais artificiais tem sido utilizadas com resultados promissores devido a capacidade de aprender mapeamentos não lineares. No entanto, redes neurais convencionais usando o algoritmo backpropagation também podem cair em mínimos locais durante a fase de treinamento. Nos últimos anos, uma abordagem alternativa conhecida como redes neurais profundas, que consiste em máquinas de Boltzmann restrita, apresentam a vantagem de serem treinadas em sequencia uma após a outra para problemas que requerem múltiplas camadas. Este trabalho apresenta uma abordagem usando redes modulares, onde os módulos consistem em híbridos de máquinas de Boltzmann restrita com redes neurais convencionais. A abordagem tem seus parâmetros otimizados pelo algoritmo enxame de partículas, e agrega os módulos com a integral de Choquet. Estudos de simulação foram conduzidos para avaliar a abordagem em vários problemas de predição e os resultados são comparados com os fornecidos por uma rede modular convencional.
