<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

ANÁLISE DA NEURO-OTIMIZAÇÃO EM ALGORITMOS GLOBAIS SUPERVISIONADOS E APLICAÇÃO NA MODELAGEM DA DINÂMICA DE LASERS SEMICONDUTORES

dc.contributor.authorCARVALHO, Rômullo Randell Macedo
dc.date.accessioned2022-08-10T19:35:45Z
dc.date.available2022-08-10T19:35:45Z
dc.date.issued2022-08-10
dc.descriptionOrientador: Prof. Dr. Luís Gustavo Mota Souza Examinador interno: Prof. Dr. José Maria Pires de Menezes Júnior Examinador interno: Prof. Dr. Guilherme de Alencar Barreto Examinador externo: Prof. Dr. George André Pereira Thé (UFC)pt_BR
dc.description.abstractRESUMO: 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.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Piauí (FAPEPI)pt_BR
dc.identifier.urihttp://hdl.handle.net/123456789/2619
dc.language.isootherpt_BR
dc.subjectLasers de pontos quânticospt_BR
dc.subjectPerceptron de múltiplas camadaspt_BR
dc.subjectMáquina de aprendizado extremopt_BR
dc.subjectOtimização por enxame de partículaspt_BR
dc.subjectAlgoritmo genéticopt_BR
dc.subjectQuantum dot laserspt_BR
dc.subjectMultilayer perceptronpt_BR
dc.subjectExtreme learning machinept_BR
dc.subjectParticle swarm optimizationpt_BR
dc.subjectGenetic Algorithmpt_BR
dc.titleANÁLISE DA NEURO-OTIMIZAÇÃO EM ALGORITMOS GLOBAIS SUPERVISIONADOS E APLICAÇÃO NA MODELAGEM DA DINÂMICA DE LASERS SEMICONDUTORESpt_BR
dc.typePreprintpt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Dissertação Rômullo.pdf
Tamanho:
7,7 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação completa

Pacote de licença

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: