RDBU| Repositório Digital da Biblioteca da Unisinos
Extração de conhecimento a partir de redes reurais recorrentes
- RDBU
- →
- Rede Jesuíta Brasil
- →
- Unisinos
- →
- Produção Acadêmica
- →
- Escola Politécnica
- →
- Teses e dissertações
- →
- Mestrado
- →
- PPG Computação Aplicada
- →
- Ver item
JavaScript is disabled for your browser. Some features of this site may not work without it.
| Autor | Simon, Denise Regina Pechmann; |
| Lattes do autor | http://lattes.cnpq.br/5181169388808710; |
| Orientador | Cechin, Adelmo Luis; |
| Lattes do orientador | http://lattes.cnpq.br/6026974071792846; |
| Instituição | Universidade do Vale do Rio do Sinos; |
| Sigla da instituição | UNISINOS; |
| País da instituição | Brasil; |
| Instituto/Departamento | Escola Politécnica; |
| Idioma | pt_BR; |
| Título | Extração de conhecimento a partir de redes reurais recorrentes; knowledge extraction from recurrent neural networks; |
| Resumo | Neste trabalho é proposto um método de extração de conhecimento a partir de Redes Neurais Recorrentes. Expressar formalmente o conhecimento armazenado dentro de uma Rede Neural Artificial representa um grande desafio, já que tal conhecimento precisa ser reformulado e apresentado de uma maneira simples e inteligível. Três formalismos simbólicos são abordados para a representação deste conhecimento: Autômatos Finitos Difusos, Cadeias de Markov e Autômatos Finitos Determinísticos. Para as extrações de conhecimento utilizadas no trabalho, atribui-se significado às regiões do espaço de atividade dos neurônios. O método proposto utiliza a clusterização do espaço neural para obtenção dos estados do autômato, sendo utilizados para isso, o algoritmo K-means e a clusterização difusa. A obtenção do conhecimento é feita utilizando-se Redes Neurais Recorrentes para aprender o comportamento de dois sistemas dinâmicos não lineares e, a partir das redes treinadas, extrair os estados e possíveis transições do autômato. Os sis; |
| Abstract | ln this work a method ofknowledge extraction from Recurrent Neural Network is proposed. Express formally the knowledge stored inside an Artificial Neural Network is a great challenge, because such knowledge has to be reformulated and presented by simple and understandable means. Three symbolic formats are presented for the representation of this knowledge: Fuzzy Finite Automata, Markov Chains and Deterministic Finite Automata. For the knowledge extraction used in this work, each space region of the neuron activity is associated to a meaning. The considered method uses clusterization of the neural space in order to obtain the automata states, using the K-means algorithm and the fuzzy clustering. The knowledge acquisition is made using Recurrent Neural Networks to learn the behavior of the two non linear dynamic systems and, from the trained nets, to extract the states and possible automata transitions. The dynamic systems are the lnverse Pendulum system and the Lorenz system. The presented extraction method wa; |
| Palavras-chave | lógica difusa; máquina de estados finita; Redes neurais recorrentes; finite state machine; fuzzy logic; Recurrent neural network; |
| Área(s) do conhecimento | Ciências Exatas e da Terra; |
| Tipo | Dissertação; |
| Data de defesa | 2004-05-11; |
| Agência de fomento | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; |
| Direitos de acesso | openAccess; |
| URI | http://www.repositorio.jesuita.org.br/handle/UNISINOS/2208; |
| Programa | Programa de Pós-Graduação em Computação Aplicada; |
Arquivos deste item
Este item aparece na(s) seguinte(s) coleção(s)
-
PPG Computação Aplicada [360]
PPG Computação Aplicada