UMA OTIMIZAÇÃO DO PERCEPTRON MULTICAMADAS UTILIZANDO APROXIMAÇÃO QUADRÁTICA E MÉTODO DE PONTO PROXIMAL

Abstract

RESUMO: Por conta de sua alta capacidade de generalização, predição e auto-ajuste, as redes neurais artificiais têm sido amplamente usadas em muitas áreas de pesquisa e mercado. Dentre essas redes, o perceptron multicamadas ´e uma das mais usadas. Baseado em modelos de otimização e no algoritmo backpropagation, o Perceptron Multicamadas pode solucionar qualquer problema que possa ser mapeado em seus sinais de entrada. Entretanto, o processo de treinamento do Perceptron Multicamadas pode convergir antes de alcançar os valores ótimos, o que resultaria em um pequeno erro em seu aprendizado. Este trabalho propõe o uso de modelos de otimização para cálculo do tamanho da taxa de aprendizagem e determinação de uma direção de descida para tornar o Perceptron Multicamadas mais preciso, fazendo com que o aprendizado do mesmo se aproxime mais da solução ótima, diminuindo assim o erro. ABSTRACT: Due to its high ability to generalize, predicting and self-tuning, the artificial neural networks have been widely used in many research and market areas . Among these networks, the Multilayer Perceptron is one of the most used. Based on optimization models and backpropagation algorithm, the Multilayer Perceptron can solve any problem that can be mapped to it’s input signals. However, the Multilayer Perceptron’s training process may converge before it reachs the optimums values, that result in a small error in his learning. This paper proposes the use of optimization models to calculate the size of the rate of learning and determination of a descent direction to make the Multilayer Perceptron more accurate, making the learning of it get closer to the optimum solution, reducing the error.