Extração de caracteristicas via redes neurais

• Main Author: Cavalcanti, Hugo Mauro Vasconcelos da Cunha
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Language: Portuguese
• Published: [s.n.] 2000
• Subjects: Redes neurais (Computação); Reconhecimento de padrões
• Online Access: CAVALCANTI, Hugo Mauro Vasconcelos da Cunha. Extração de caracteristicas via redes neurais. 2000. 110p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/259420>. Acesso em: 26 jul. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/259420

Orientador: Lee Luan Ling === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação === Made available in DSpace on 2018-07-27T01:49:41Z (GMT). No. of bitstreams: 1 Cavalcanti_HugoMauroVasconcelosdaCunha_M.pdf: 6391593 bytes, checksum: 75cb2a1a256c8652d012f7153f370886 (MD5) Previous issue date: 2000 === Resumo: A implementação de um sistema de reconhecimento de padrões requer a solução de alguns problemas básicos: Aquisição de Dados, Extração de Características e Classificação dos padrões. Apesar de muitos trabalhos estarem sendo feitos na tentativa de resolver o problema de Reconhecimento de Padrões utilizando Redes Neurais, poucos são os trabalhos que abordam o Problema de Extração de Características. Assim, nesta Tese propomos o Algoritmo de Extração de Características via Redes Neurais Lee/Cavalcanti. Este algoritmo encontra a quantidade mínima de características necessárias para resolver o problema de classificação de padrões utilizando uma rede neural do tipo Multilayer Parceptron (MLP). E baseia-se no fato de que todas as características informativas podem ser encontradas a partir da fronteira de decisão do problema. Então, mostramos como construímos o algoritmo e apresentamos alguns experimentos que provam a eficiência do mesmo. Inicialmente, alguns experimentos foram feitos utilizando dados sintéticos, mostrando a relação entre a fronteira de decisão teórica e a fronteira de decisão prática encontrada a partir da rede treinada. Em seguida, implementamos urna rede neural para classificação de assinaturas estáticas. Neste experimento, utilizamos originalmente 32 características. E, em seguida, utilizando o algoritmo de extração de características Lee/Cavalcanti, conseguimos 98,84% de precisão de classificação, com apenas 16 características. Desta forma, mostramos que o uso do algoritmo Lee/Cavalcanti pode encontrar a quantidade mínima de características de um problema de classificação de padrões. E, desta maneira, fazer com que a classificação do padrão seja realizada de forma mais rápida do que utilizando o conjunto original de amostras === Abstract: The design and implementation of Pattern Recognition systems require the solution ofthe following problems: Data Acquisition, Feature Extraction and Pattern Classification. Although, much effort has been expended to solve a Pattern Recognition problem using the Neural Networks approach, not many works have being done to solve the Feature Extraction problem. In this thesis, we propose the Lee/Cava1canti Feature Extraction Algorithm Via Neural Networks, which finds the minimum number of features necessary to solve the classification problem using Multilayer Perception (MLP) Neural Networks. This algorithm is based on informative features found from the Decision Boundary. We present how the algorithm was built and some experiments to prove its efficiency. Some experiments using synthetic data are shown, indicating the relationship between the practical decision boundary, obtained from the trained neural network, and the theoretic one. Then, we design a neural classifier for a static signature recognition and we test it using 32 features. Finally, using only 16 features, we test the classifier obtaining a 98,84% accuracy in relation to the accuracy gained in the first test. The use of only 16 features was obtained using Lee/Cava1canti Algorithm. The use of the Lee/Cava1canti Algorithm can reduce the number of features involved in a classification problem. Furthermore, it can make the system work faster with the same classification accuracy provided by the original set of features === Mestrado === Mestre em Engenharia Elétrica