Close

1. Identity statement
Reference TypeConference Paper (Conference Proceedings)
Sitemtc-m16d.sid.inpe.br
Holder Codeisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identifier8JMKD3MGP7W/3A53TBP
Repositorysid.inpe.br/mtc-m19/2011/07.19.12.44   (restricted access)
Last Update2012:01.19.13.24.08 (UTC) administrator
Metadata Repositorysid.inpe.br/mtc-m19/2011/07.19.12.44.26
Metadata Last Update2018:06.05.04.24.35 (UTC) administrator
Citation KeyPereiraPetr:2011:AsDaUt
TitleAssimilação de dados utilizando neuroevolução ao modelo do atrator de lorenz
Year2011
Access Date2024, Mar. 29
Secondary TypePRE CN
Number of Files1
Size13 KiB
2. Context
Author1 Pereira, André Grahl
2 Petry, Adriano
Group1
2 CRS-CCR-INPE-MCT-BR
Affiliation1
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Conference NameSeminário Iniciação Cientifica do CRS, (SICCRS).
Conference LocationSanta Maria-RS
Date15 a 16 de junho de 2011
Tertiary TypeResumo Estendido
History (UTC)2012-01-19 15:01:27 :: ana.silveira -> administrator :: 2011
2018-06-05 04:24:35 :: administrator -> tereza@sid.inpe.br :: 2011
3. Content and structure
Is the master or a copy?is the master
Content Stagecompleted
Transferable1
Content TypeExternal Contribution
Version Typepublisher
Keywordstécnicas neuroevolutivas
AbstractEste 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.
AreaGEST
Arrangementurlib.net > BDMCI > Fonds > Produção anterior à 2021 > CRCRS > Assimilação de dados...
doc Directory Contentaccess
source Directory Contentthere are no files
agreement Directory Content
agreement.html 19/07/2011 09:44 1.0 KiB 
4. Conditions of access and use
Languagept
User Groupadministrator
ana.silveira
Visibilityshown
Read Permissiondeny from all and allow from 150.163
Update Permissionnot transferred
5. Allied materials
Mirror Repositorysid.inpe.br/mtc-m19@80/2009/08.21.17.02.53
Next Higher Units8JMKD3MGPCW/3EUFCFP
Host Collectionsid.inpe.br/mtc-m19@80/2009/08.21.17.02
6. Notes
Empty Fieldsarchivingpolicy 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. Description control
e-Mail (login)tereza@sid.inpe.br
update 


Close