Redução De Número De Neurônios De Raio Variável Em Redes Tipo Art.

Abstract

Abstract-The neural network's relevance for clustering different kind of data has encouraged diverse works in order to optimize their implementation. Between the areas of research, exist ones that seek to reduce the number of neurons needed to define a specific class. In this work the authors present an algorithm that allows the reduction of number of neurons width variable radius in ART's networks, the procedure used is listed as semisupervised, but has features that allow its application in conjunction with not supervised techniques . Several tests were performed to assess the effectiveness of this method, two of the most important and informative examples are presented.Keywords-Art Network, Semi-supervised training, Not supervised reduction .Resumo-A importância das redes neurais para a clusterisação de diferentes tipos de dados tem impulso diversos trabalhos para conseguir técnicas que otimizem a aplicação das mesmas. Entre asáreas de pesquisa estão aquelas que procuram a redução do número de neurônios necessários para definir uma classe. Neste trabalho os autores apresentam um algoritmo que permite a redução de número de neurônios de raio variável numa rede tipo ART, o procedimento utilizadoé catalogado como semi-supervisionado, mas com características que permitem sua aplicação em conjunto com técnicas não supervisionadas. Diversos testes foram feitos avaliando a eficácia deste método, dois dos mais importantes e esclarecedores da técnica são apresentados .Keywords-Redes Art, Treinamento Semi-Supervisionado, Redução Não-Supervisionada. Introdução.A clusterização por meio de redes neuraisé uma técnica que tem demonstrado serútil em diversos tipos de aplicações, usando técnicas de treinamento supervisionado ou não supervisionada, mantendo sempre o objetivo geral de obter redes que possam identificar padrões semelhantes entre diversos dados O bloco 1 unido com o bloco 2, permite a criação de redes capazes de definir, depois de um treinamento ART, que neurônios representam uma determinada classe. Finalmente a união do bloco 1 com o bloco 3 permite criar a rede Counterpropagation onde os termos P n representam os padrões que representam cada neurônio.A variável denominada de Bias (B i ), permite-lhe a um neurônio i ter umaárea de cobertura maior o menor dependendo do seu valor, a relação do B i com o raio de cobertura do neurônio (r i ) está dada pela equação (1).Definido o B ié possível pensar em redes que tenham neurônios de diferentes raios de cobertura [7],