Abstract:
RESUMO: O presente estudo associa as redes máquina de aprendizagem extremo (ELM) e perceptron de múltiplas camadas (MLP) a mecanismos inteligentes de otimização, o Algoritmo Genético e a Otimização por Enxame de Partículas, de maneira tal a obter modelos globais supervisionados mais eficientes (com menos neurônios na camada oculta). A modelagem da potência óptica de lasers semicondutores de pontos quânticos por meio de redes neurais com diferentes estratégias de aprendizagem tem se apresentado como uma alternativa eficaz à abordagem clássica a partir de métodos massivamente físico-experimentais, como as equações de taxa e a descrição por microestados. Por se tratarem de paradigmas do tipo caixa preta, as redes supervisionadas dispensam o profundo conhecimento do processo e o tempo de teorização demandado dos métodos clássicos, ao mesmo tempo que consegue entregar resultados satisfatórios, com base em recentes trabalhos. Para tanto, duas abordagens são estabelecidas para estudo dos modelos: a primeira com um valor fixo reduzido da quantidade de neurônios e a segunda com um valor variável dentro do treinamento e determinado pelo próprio algoritmo. Ambas as abordagens são estudadas para a aproximação de funções de uma e de duas variáveis, com análise dos impactos da otimização nas redes MLP e ELM, como em relação ao sobreajuste e subajuste. Por fim, os modelos elaborados são aplicados à modelagem da potência óptica de lasers de ponto quântico em função de degrau de corrente na entrada, usando-se autorregressão com entrada exógenas, para um banco de dados com variações de estado (fundamental e excitado) e temperatura. Todos os modelos são submetidos à validação pelo erro quadrático médio e por análise dos resíduos.
ABSTRACT: The present study associates Extreme learning machine (ELM) and multilayer perceptron (MLP) networks with intelligent optimization mechanisms, Genetic Algorithm and Particle Swarm Optimization, in order to obtain more efficient supervised global models (with fewer hidden layer neurons). Modeling the optical power of semiconductor quantum dot lasers by neural networks with different learning strategies has been an effective alternative to the classical approach from experimental methods such as rate equations and microstate description. Because they are black box paradigms, supervised networks dispense deep knowledge of the process and the theorizing time required of classical methods, while delivering satisfactory results based on recent work. Therefore, two approaches are established to study the models: the first with a reduced fixed amount of neurons and the second with a variable value within the training and determined by the algorithm itself. Both approaches are studied for the approximation of functions of one and two variables, with analysis of the impacts of optimization in MLP and ELM networks, as in relation to overfitting and underfitting. Finally, the elaborated models are applied to the modeling of the optical power of quantum dot lasers as a function of input current step, using regressive model with an external input, for a database with state (fundamental and excited) and temperature variations. All models are subjected to validation by the mean square error and residual analysis.
