BDBComp
Parceria:
SBC
Capacidade de aproximação de redes neurais nebulosas baseadas em uninormas

Fernando BordignonFernando Gomide

Este artigo aborda uma estrutura e introduz um método para treinar redes neuraishíbridas baseadas em uninormas utilizando aprendizado extremo. Neurôniosbaseados em uninormas generalizam neurnônios nebulosos e introduzem naturalmenteplasticidade em redes neurais. Eles adicionam flexibilidade e generalidade emmodelos de neurônios nebulosos pois podem se comportar como neurônios baseadosem normas triangulares, conormas triangulares ou de modo intermediário ajustandoseus elementos identidade. A abordagem de aprendizado utiliza o método deagrupamento extit{fuzzy c-means} para granularizar o espaço de entrada, e umesquema baseado em aprendizado extremo para ajustar os pesos da rede neural e oselementos identidade das uninormas. Também é mostrado que a rede proposta é umaproximador universal. Resultados computacionais indicam que o método deaprendizado é competitivo quando comparado com métodos de modelagemnebulosos-neurais.

http://www.lbd.dcc.ufmg.br/colecoes/cbsf/2012/007.pdf

Caso o link acima esteja inválido, faça uma busca pelo texto completo na Web: Buscar na Web

Biblioteca Digital Brasileira de Computação - Contato: bdbcomp@lbd.dcc.ufmg.br
     Mantida por:
LBD