
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Lacerda, Wilian Soares | - |
| Autor(es): dc.contributor | Bettio, Raphael Winckler de | - |
| Autor(es): dc.contributor | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.creator | Santana, Alan Filipe | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:21:41Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:21:41Z | - |
| Data de envio: dc.date.issued | 2018-09-26 | - |
| Data de envio: dc.date.issued | 2018-09-26 | - |
| Data de envio: dc.date.issued | 2015-04-17 | - |
| Data de envio: dc.date.issued | 2012-10-10 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/30691 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1139245 | - |
| Descrição: dc.description | Artificial Neural Networks are algorithms inspired in the functioning of the nervous system that have many applications such as data classification and time series prediction. Its use depends on a training process which, in some problems, can consume significant processing time. This study aimed to evaluate the use of a parallel model of Genetic Algorithm to execute the training of Multilayer Perceptron networks. The analysis was performed by two steps: evaluation of two types of genetic algorithms by comparison among results obtained by Backpropagation learning algorithm; and evaluation of the distributed system by tests running on up to five computers. For the tests, six databases from UCI machine learning repository were used. The Genetic Algorithm has underperformed Backpropagation; however it was able to find solutions with good generalization capacity. The total average training time was reduced to 31% when the distributed system was applied. Despite the low gain in performance, the parallel model increases the stability of the evolutionary learning process. | - |
| Descrição: dc.description | Redes Neurais Artificiais são algoritmos inspirados no funcionamento do sistema nervoso que apresentam várias aplicações como classificação de dados e previsão de valores. Seu funcionamento depende de um processo de treinamento que, em alguns problemas, pode consumir considerável tempo de processamento. Este trabalho teve como objetivo avaliar a utilização de um modelo paralelo de Algoritmo Genético para realizar o treinamento de redes do tipo Multilayer Perceptron. A análise foi dividida em duas etapas: avaliação de duas variações de algoritmos genéticos a partir de comparações dos resultados obtidos com o algoritmo de aprendizagem Backpropagation; e avaliação do sistema distribuído através de testes com a utilização de até cinco computadores. Para a realização dos testes foram utilizados seis bases de dados do repositório de aprendizagem de máquina UCI. Foi observado que o Algoritmo Genético possui desempenho inferior ao Backpropagation, entretanto é capaz de encontrar soluções com boa capacidade de generalização. Com a utilização do sistema distribuído a redução média total do tempo de treinamento foi de 31%. Apesar do baixo ganho em desempenho, o modelo paralelo aumenta a estabilidade do processo de aprendizagem evolutivo. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Redes neurais artificiais | - |
| Palavras-chave: dc.subject | Treinamento | - |
| Palavras-chave: dc.subject | Algoritmo genético | - |
| Palavras-chave: dc.subject | Sistema distribuído | - |
| Título: dc.title | Treinamento de redes neurais artificiais utilizando algoritmos genéticos em plataforma distribuída | - |
| Tipo de arquivo: dc.type | TCC | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: