Laudo de engenharia de verificação de anomalias construtivas
Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões
description
Transcript of Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões
![Page 1: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/1.jpg)
Modelos de Redes Neurais Construtivas para Classificação e
Verificação de Padrões
Juliana Neiva de Gouvêa Ribeiro
Orientador: Germano Crispim Vasconcelos
Departamento de Informática - UFPE
Recife, 23 de Abril de 1999
![Page 2: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/2.jpg)
Motivações
• Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões
• Problemas apresentados pelas redes MLP e RBF
• Redes Construtivas X Arquiteturas Fixas
• Redes construtivas pouco investigadas na teoria e na prática
![Page 3: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/3.jpg)
Objetivos
• Investigação dos modelos de Redes Construtivas – Aplicações práticas de Classificação e Verificação de
Padrões– Identificar propriedades, vantagens e deficiências
• Investigação comparativa com redes tradicionais
• Identificação de modificações nos modelos
• Avaliação da solução proposta
![Page 4: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/4.jpg)
Problemas das Redes de Topologia Fixa
• Dilema de definição a priori do número de camadas e unidades intermediárias necessárias para a solução de um dado problema
• Lentidão de processo de treinamento
![Page 5: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/5.jpg)
Redes Neurais Construtivas
• Constróem gradualmente suas próprias estruturas até atingirem uma solução satisfatória
• Configuração inicial mínima
• Adotam estratégias de inserção e treinamento distintas
• Treinam, em geral, mais rápido
![Page 6: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/6.jpg)
Cascade-Correlation
Entradas
+1
Saídas
XXX
X
X
X
XX
XX
XX
UnidadeEscondida 2
UnidadeEscondida 1
C =p(ypoyo)(epo -eo)|
![Page 7: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/7.jpg)
Características da Cascor
• Rede razoavelmente pequena é construída
• Aprendizagem rápida (problema fixo X dança complexa )
• Detectores de características de alta ordem (redes profundas)
![Page 8: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/8.jpg)
A Arquitetura Tower
• Constrói uma torre de TLUs
• Cada nova camada adicionada à rede recebe estímulos da camada de entrada e da camada imediatamente abaixo dela
• O algoritmo utilizado é do tipo perceptron
( pocket with ratchet)
![Page 9: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/9.jpg)
Camada Intermediária 1 Camada Intermediária 2
A Arquitetura Tower
Camada de SaídaCamada de Entrada
![Page 10: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/10.jpg)
A Arquitetura Pyramid
• Constrói uma rede de forma similar à rede Tower
• Cada nova camada recebe estímulos tanto da camada de entrada como de todas as camadas previamente inseridas na rede
• A diferença chave em relação à Cascor é a forma de treinamento das novas unidades
![Page 11: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/11.jpg)
A Rede Upstart
• As unidades são inseridas em uma única camada
• Unidades “filhas” wrongly-on ou wrongly-off corrigem erros das unidades ascendentes que cometeram mais erros
• Algoritmo de treinamento tipo perceptron (Barycentric Correction Procedure - BCP)
![Page 12: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/12.jpg)
A Rede Upstart
...
...
Camada de Saída
Camada de Entrada
Camada Intermediária
Unidade Filha Atual
Filhas Previamente Inseridas
CONEXÃO INDIVIDUAL ENTRE 2 UNIDADESCONEXÃO EM BLOCO
...
![Page 13: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/13.jpg)
A Rede Tiling
• Constrói uma rede em camadas contendo unidades TLUs através de algoritmos do tipo perceptron
• Unidades “mestres” são inseridas na rede de modo a classificar corretamente mais padrões que as unidades mestres das camadas anteriores
• Unidades auxiliares são inseridas nas camadas para se atingir uma representação fiel do problema
![Page 14: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/14.jpg)
A Rede Tiling
Camada Intermediária 1
Unidades “auxiliares”
Camada Intermediária 2
Camada de Saída
Camada de Entrada
![Page 15: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/15.jpg)
A Rede Perceptron-Cascade
• Baseia-se na estratégia da rede Upstart e constrói uma rede com topologia similar à Cascor
• Utiliza algoritmo do tipo perceptron (Thermal Perceptron)
• Convergência robusta, incluindo unidades de forma bastante otimizada
![Page 16: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/16.jpg)
A Rede Perceptron-Cascade
Camada Intermediária 2
Camada Intermediária 1
. . .
Camada de Saída
Conexões em Grupo Conexões Individuais
Camada de Entrada
.
.
.
![Page 17: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/17.jpg)
A Rede DistAl
• Utiliza TLUs esféricas definindo clusters
• Calcula distância entre pares de padrões, utilizando várias métricas de distância
• Tenta classificar o maior número de padrões possível com a inserção de cada unidade
• Treinamento do tipo one-shot
![Page 18: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/18.jpg)
Problemas Práticos de Classificação
• Análise de crédito ao consumidor - CARD
• Diagnóstico de problemas cardíacos - HEART
• Reconhecimento de caracteres manuscritos
![Page 19: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/19.jpg)
Problema Prático de Verificação Investigado
Verificação de Assinaturas
![Page 20: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/20.jpg)
Classificação de Padrões( Estrutura Experimental)
• Foram investigados sete modelos construtivos
• Experimentos preliminares para ajuste de parâmetros
• Esquema extensivo de investigação experimental
• Repetições das melhores simulações para extração de estatísticas como médias e desvios-padrão
![Page 21: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/21.jpg)
Classificação de Padrões( Estrutura Experimental)
• Os resultados relativos à MLP são extraídos do PROBEN1
• Foram realizadas simulações com as redes RBF seguindo o mesmo esquema experimental
![Page 22: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/22.jpg)
Classificação de Padrões( Estrutura Experimental)
• Investigação comparativa entre modelos construtivos e arquiteturas convencionais
• Propriedades de generalização, convergência, tamanhos de redes geradas e tempo de treinamento
![Page 23: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/23.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
CascorTowerPyramidDistAlPercCascUpstartTilingMLPRBF
REDE UNID. INTERM DESEMPENHO DP
Análise de Crédito - CARD1
896962710663810
84.00%84.88%86.05%84.35%87.58%90.70%80.23%86.00%88.00%
2.482.411.872.322.122.032.741.030.67
![Page 24: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/24.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
CascorTowerPyramidDistAlPercCascUpstartTilingMLPRBF
REDE UNID. INTERM DESEMPENHO DP
Análise de Crédito - CARD2
884602710751440
79.00%78.49%79.07%84.06%86.80%86.05%79.05%81.00%82.00%
1.872.912.974.102.971.962.480.860.70
![Page 25: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/25.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
CascorTowerPyramidDistAlPercCascUpstartTilingMLPRBF
REDE UNID. INTERM DESEMPENHO DP
Análise de Crédito - CARD3
8966027107712420
82.00%79.65%79.07%82.90%84.07%83.72%79.07%81.00%83.00%
1.972.263.453.542.112.532.081.190.70
![Page 26: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/26.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
CascorTowerPyramidDistAlPercCascUpstartTilingMLPRBF
REDE UNID. INTERM DESEMPENHO DP
Detecção de Problemas Cardíacos -HEART1
8969640129129810
82.00%78.70%79.57%79.13%82.72%84.05%76.52%80.00%82.00%
1.962.732.934.032.642.481.980.961.20
![Page 27: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/27.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
CascorTowerPyramidDistAlPercCascUpstartTilingMLPRBF
REDE UNID. INTERM DESEMPENHO DP
Detecção de Problemas Cardíacos - HEART2
8609638129101420
80.00%78.26%78.26%80.87%82.56%81.45%71.74%82.00%82.00%
1.663.112.692.923.032.062.021.141.72
![Page 28: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/28.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
CascorTowerPyramidDistAlPercCascUpstartTilingMLPRBF
REDE UNID. INTERM DESEMPENHO DP
Detecção de Problemas Cardíacos - HEART3
89696371291282460
74.00%70.87%76.09%82.61%80.96%80.78%77.39%76.00%79.00%
1.973.362.382.712.022.652.181.120.48
![Page 29: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/29.jpg)
Análise Comparativa dos Modelos(Classificação de Padrões)
Reconhecimento de Caracteres
Cascor MLP RBF Cascor MLP RBF
Taxa de Reconhecimento Taxa de Erro
NC
00.150.250.350.450.550.65
8.0%5.3%5.3%3.7%2.6%3.0%1.7%
92.0%89.4%88.2%84.4%80.8%81.3%72.9%
91.1%85.7%80.3%74.9%66.7%55.8% -
8.8%4.5%3.7%3.4%3.0%2.6%2.2%
91.1%84.7%83.2%81.4%80.3%79.1%77.8%
8.8%3.4%1.4%0.5%0.4%0.2% -
![Page 30: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/30.jpg)
Gráfico Comparativo(Número de Épocas Médio)
0
200
400
600
800
1000
1200
Redes Investigadas
Nú
me
ro d
e É
po
ca
s
![Page 31: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/31.jpg)
Considerações sobre Classificação
• Destaque das redes Perceptron-Cascade, Upstart, DistAl e Cascor
• As redes Tower e Pyramid consideram um fator de rejeição, tornando seus resultados mais robustos
• As redes construtivas apresentam desvios-padrão muito altos
![Page 32: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/32.jpg)
Problema Prático de Verificação de Padrões
• Reconhecimento de Assinaturas
• Base de dados contendo imagens de assinaturas juntamente com suas características extraídas
• Exemplos de assinaturas genuínas, falsas habilidosas e falsas simples
• 21 classes foram consideradas
![Page 33: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/33.jpg)
Exemplo de uma Classe de Assinaturas
Assinatura Genuína
Assinatura Falsa Habilidosa
Assinatura Falsa Simples
![Page 34: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/34.jpg)
Modelos Autoassociativos
• Saídas são obrigadas a reproduzirem as entradas
• Geram superfícies de separação fechadas cobrindo os dados de treinamento
• Poucas unidades intermediárias, filtrando as informações mais relevantes
• A verificação é estabelecida através da distância entre os vetores de entrada e saída (maxerr)
![Page 35: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/35.jpg)
Arquiteturas Investigadas
• Cascor autoassociativa
• MLP autoassociativa
• Tower-autoassociativa
• Pyramid-autoassociativa
![Page 36: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/36.jpg)
Extração de Características
• Das imagens de esqueleto, bordas e regiões de alta pressão são extraídas 12 características através da técnica de Momentos
• Para efeito comparativo, foi aplicada a técnica de Análise dos Componentes Principais (PCA)
![Page 37: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/37.jpg)
Modificações Propostas
• Tower e Pyramid originais não adequadas ao paradigma autoassociativo
• Modificações nos mecanismos de treinamento
• Tower-autoassociativa e Pyramid-autoassociativa
![Page 38: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/38.jpg)
Análise Comparativa dos Modelos(Verificação de Padrões)
MLP autoassociativaCascor autoassociativaTowerPyramid
60%70%100%100%
Rede Unidades I II III
1081224
100%100%25%50%
100%100%100%75%
Desempenhos relativos à classe 0
![Page 39: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/39.jpg)
Análise Comparativa dos Modelos(Verificação de Padrões)
MLP autoassociativaCascor autoassociativaTowerPyramid
90%70%100%100%
Rede Unidades I II III
1052424
75%50%0%25%
100%100%50%50%
Desempenhos relativos à classe 5
![Page 40: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/40.jpg)
Análise Comparativa dos Modelos(Verificação de Padrões)
MLP autoassociativaCascor autoassociativaTowerPyramid
80%70%100%90%
Rede Unidades I II III
1081212
75%75%25%25%
100%100%75%75%
Desempenhos relativos à classe 20
![Page 41: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/41.jpg)
Análise Comparativa dos Modelos(Verificação de Padrões)
MLP autoassociativaCascor autoassociativaTower-autoassociativaPyramid-autoassociativa
60%70%100%100%
Rede Unidades I II III
108612
100%100%50%75%
100%100%100%100%
Desempenhos relativos à classe 0
![Page 42: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/42.jpg)
Análise Comparativa dos Modelos(Verificação de Padrões)
MLP autoassociativaCascor autoassociativaTower-autoassociativaPyramid-autoassociativa
90%70%100%80%
Rede Unidades I II III
1051212
75%50%75%75%
100%100%100%75%
Desempenhos relativos à classe 5
![Page 43: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/43.jpg)
Análise Comparativa dos Modelos(Verificação de Padrões)
MLP autoassociativaCascor autoassociativaTower-autoassociativaPyramid-autoassociativa
80%70%90%90%
Rede Unidades I II III
1081212
75%75%75%75%
100%100%100%75%
Desempenhos relativos à classe 20
![Page 44: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/44.jpg)
Número de Épocas
Os número de épocas médios para as redes MLP, Cascor, Tower-autoassociativa e Pyramid-autoassociativa foram 100, 100, 1500 e 1500 épocas, respectivamente
![Page 45: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/45.jpg)
Análise Comparativa de Técnicas de Extração de Características
MLP autoassociativaCascor autoassociativaMLP com PCACascor com PCA
60%70%70%80%
Rede Unidades I II III
108108
100%100%50%75%
100%100%100%100%
Desempenhos relativos à classe 0
![Page 46: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/46.jpg)
Análise Comparativa de Técnicas de Extração de Características
MLP autoassociativaCascor autoassociativaMLP com PCACascor com PCA
90%70%60%70%
Rede Unidades I II III
105108
75%50%50%50%
100%100%50%75%
Desempenhos relativos à classe 5
![Page 47: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/47.jpg)
Conclusões
• Para os problemas de Classificação de Padrões, as redes construtivas se mostraram bastante eficientes
• Os melhores resultados foram apresentados pelas redes Perceptron-Cascade, Upstart, DistAl e Cascor
• Os resultados foram muito próximos e muitas vezes superiores aos obtidos com a MLP e a RBF
![Page 48: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/48.jpg)
Conclusões
• Tower e Pyramid originais não são apropriadas à verificação de padrões sob a autoassociação
• Foi realizada uma adaptação destes modelos ao paradigma autoassociação
• Em relação à taxa de reconhecimento de assinaturas genuínas, as redes construtivas obtiveram, em geral, resultados melhores que a rede MLP autoassociativa (70% a 100%)
![Page 49: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/49.jpg)
Conclusões
• A rede Pyramid-autoassociativa obteve os melhores resultados
• Em relação às taxas de rejeição de assinaturas falsas simples, as redes apresentaram resultados bastante satisfatórios e semelhantes aos da MLP
(entre 75% e 100%)
![Page 50: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/50.jpg)
Conclusões
• Os resultados relativos à rejeição de falsas habilidosas foram aquém do desejado para os
dois modelos de redes (às vezes chegando a 50%)
• Os índices alcançados com a aplicação da técnica de PCA foram inferiores aos obtidos com a técnica de Momentos, porém considerados satisfatórios
![Page 51: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/51.jpg)
Conclusões
Através dos resultados obtidos, conclui-se seguramente que os modelos construtivos
podem ser considerados como uma alternativa aos modelos mais tradicionais de
redes feedforward
![Page 52: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/52.jpg)
Contribuições
• Avaliação dos modelos tradicionais MLP e RBF nas tarefas práticas investigadas
• Investigação comparativa dos modelos construtivos Cascade-Correlation, Tower, Pyramid, DistAl, Upstart, Tiling e Perceptron-Cascade em problemas reais de classificação de padrões
![Page 53: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/53.jpg)
Contribuições
• Investigação comparativa dos modelos construtivos Cascade-Correlation, Tower e Pyramid, sob a abordagem autoassociativa, em um problema real de verificação de padrões
• Modificação dos algoritmos Tower e Pyramid, adequando-os à aplicação de verificação de padrões
![Page 54: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/54.jpg)
Trabalhos Futuros
• Investigar todos os demais modelos construtivos na tarefa de verificação de padrões
• Investigar os modelos utilizando um conjunto ainda mais extenso de problemas práticos de classificação, devido ao patamar incipiente das pesquisas
![Page 55: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/55.jpg)
Trabalhos Futuros
• Investigar os modelos construtivos em outros tipos de problemas: previsão, otimização, controle e aproximação de funções
• Investigar outros modelos de redes construtivas como o RBF-DDA
• Investigar a adequabilidade das redes construtivas ao paradigma de aprendizagem recorrente
![Page 56: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/56.jpg)
Publicações Geradas
1. An Experimental Evaluation of the Cascade-Correlation Network in Pattern Recognition Problems. Fourth International Conference on Neural Information Processing - ICONIP'97, New Zealand, Springer Verlag Singapore, 1133-1136, 1997
2. Verificação Off-line de Assinaturas Baseada em uma Arquitetura Cascade-Correlation Autoassociativa. V Simpósio Brasileiro de Redes Neurais, 305-310, 1998
3. A Comparative Study of the Cascade-Correlation Architecture in Pattern recognition Applications . IEEE Computer Society, IV th Brazilian Symposium on
Neural Networks, (1):31- 40,1997
![Page 57: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/57.jpg)
Publicações Geradas
4. Off-Line Signature Verification using an Autoassociator Cascade-Correlation Architecture. A ser publicado nos anais da IJCNN’99 (International Joint Conference on Neural Networks), Washington, 10-16 de julho de 1999
5. Redes Neurais Construtivas para Classificação de Padrões, submetido ao ENIA’99
6. Constructive Neural Networks for Pattern Classification and Verification, submetido ao ICONIP’99
7. Arquiteturas Autoassociativas Construtivas para Verificação Automática de Assinaturas, submetido ao CBRN’99
![Page 58: Modelos de Redes Neurais Construtivas para Classificação e Verificação de Padrões](https://reader036.fdocumentos.tips/reader036/viewer/2022062309/568147a4550346895db4e0a5/html5/thumbnails/58.jpg)
“Não chegar ao FIM ao que a tua grandeza...” Goethe