Escolar Documentos
Profissional Documentos
Cultura Documentos
UsodoCoeficientedeCorrelaoLineardePearsonno
AprendizadoviaBackpropagation
DiegoSantiagodeMenesesCarvalho1,AreolinodeAlmeidaNeto1
DepartamentodeInformticaUniversidadeFederaldoMaranho(UFMA)
SoLusMABrasil
diego.carvalho@ifma.edu.br, areolino@ufma.br
1.Introduo
Sistemasdotadosdacaractersticadeaprendizadosoditosinteligentesepodemmudar
seucomportamentomedidaqueabsorvemnovosconhecimentos.Dentreasdiversas
tcnicas deIntelignciaArtificialquepossuemessacaracterstica,podemsecitaras
Redes Neurais Artificiais (RNA), as quais imitam o funcionamento dos neurnios
biolgicos.Dessaforma,asRNApossuemopoderdeidentificareabsorverrelaesa
partirdoconhecimentodosdadosdeentradaesada.
Dentre os vrios tipos de RNA, este trabalho aborda o tipo Perceptron de
MltiplasCamadas(MLP).QuandoestetipodeRNAapresentafunonolinearem
pelo menos uma de suas camadas intermedirias, pode aproximar qualquer funo
matemtica.Paratanto,elaprecisapassarporumprocessodeaprendizado,definidopor
HAYKINem[1]comoumprocessopeloqualosparmetroslivres(pesos)deumarede
neuralsoadaptadosatravsdeumprocessodeestimulaopeloambientenoquala
redeestinserida.
Pararealizaroprocessodeaprendizadoescolhidoumalgoritmoiterativo,o
maisconhecidopararedesMLPodenominadoBackpropagation(BP).Oobjetivodo
algoritmo ajustar os pesos at os valores ideais. Contudo, por ser iterativo, ele
apresentaalgumasdesvantagensqueserodetalhadasnaprximaseo.
Comointuitodereduziressasdesvantagens,propeseumaabordagembaseada
nocoeficientedecorrelaolineardePearson.
2.Oalgoritmobackpropagationpadro
OalgoritmoBPresponsvelporminimizaroerroquadrticomdiodesada.Ele
baseadonomtododogradientedescendenteedivideseemduasfases: Forward e
Backward, sendo a primeira responsvel pela produo do sinal de sada da RNA,
enquantoasegundaretropropagaoerrodesadadarede.
OalgoritmoBPmuitoutilizadodevidosuasimplicidade,baixacomplexidade
computacional e forte paralelismo no processamento. Apesar de muito utilizado,
apresentabaixavelocidadedeconvergnciaefacilidadedecairemummnimolocal.
Semdvidas,oaltotempodeconvergnciaumdosmaioresproblemasdo
algoritmoBP.Eofatorquemaiscontribuiparaissoovalordefinidoparaataxade
aprendizado. Sabese que alm de o valor dessa taxa ser definido aleatoriamente,
valoresmuitoaltospodemcausaroscilaesdoerroevaloresmuitobaixostornamo
processodeaprendizadobastantelento.NoBPpadro,ataxadeaprendizadouma
constante,masnaaplicaoprticapodeservarivel.Almdisso,difcildeterminar
seumelhorvalordurantetodooprocesso.
Comoobjetivodereduzirotempodeconvergncia,muitostrabalhostmsido
propostos,focandoprincipalmentenadiminuiodonmerodeiteraes.Porexemplo,
Kim e Chien em [3] propem um mtodo de avaliao dos neurnios da camada
escondida.OmtodoanalisaasadadaRNAsemorespectivoneurnio.Osneurnios
consideradosirrelevantestmseuspesoscongelados,ouseja,ospesosconectadosa
essesneurniosnosofremmaisatualizaes,oquereduzocustocomputacionale
aceleraoaprendizadodospesosdosneurniosrelevantes.
OtrabalhodeQin,LiueXie[6]defineovalordataxadeaprendizadoatravsde
umafunoquerelacionaestavarivelcomoerro.Demaneiraquequandooerro
diminui,ataxaaumentaproporcionalmenteaomesmo.Poroutrolado,quandooerro
aumenta,ataxadiminuiproporcionalmente.
NotrabalhodeXieetal[8]aideiaprincipalmultiplicarotermodemomentum
pelafunosigmideoutangentehiperblicaparaalteraradireodeajustedospesos.
Dessaforma,seoajustedospesosvaidiminuirafunoerro,ataxadeaprendizado
aumenta,casocontrrio,ataxareduzida.Issodiminuioproblemadaoscilaocom
taxasdeaprendizadoaltasereduzotempodetreinamentoparataxasdeaprendizado
baixas.
OquedifereotrabalhodeQin,LiueXie[6]dotrabalhodeXinboeLili[9]
que,nesteltimo,ospesossoefetivamenteatualizadosapenasquandooerrodiminui.
Se o erro aumenta, a atualizao dos pesos cancelada e a taxa de aprendizado
reduzida.
XiueChengem[10]melhoramaconvergnciadoalgoritmoBPaumentandoo
sinaldeerroatravsdoaumentodotermodemomentumedataxadeaprendizagem
autoadaptativa.
XueZhangem[11]analisamaslimitaesdoalgoritmoBPepropemum
novoalgoritmo quealtera afunodeativao, regulandoataxadeaprendizado e
definindonovosvaloresiniciaisparaospesos.
Semelhante a esses trabalhos, este pretende melhorar a convergncia do
algoritmoBP.Ametodologiautilizadaapresentadadetalhadamentenaseoseguinte.
3.Metodologia
Ametodologiadestetrabalhoestdivididaemtrsetapas:estudo,implementaoe
testesevalidao.Cadaumadelassucintamenteapresentadaaseguir:
3.1Estudo
Para iniciar esta pesquisa, so necessrios estudos referentes ao algoritmo BP,
principalmenteseusproblemasemelhoriasjsugeridas,bemcomoreferentesaousodo
coeficiente de correlao de Pearson. Dessa forma, alm de livros disponveis na
bibliotecadaUFMA,estosendoconsultadosartigosdisponveisnabasedoInstitutode
EngenheiroseEletricistasEletrnicos(IEEE).Inclusive,algunsdestesforamcitados
nasseesanteriores.
Arevisobibliogrficateveincioemjaneirodesteanoeseestenderatoms
demaio,deacordocomodesenvolvimentodaproposta.Comomaterialestudadosobre
oalgoritmoBPatomomento,sabesequecadaconexo(peso)entreosneurniosatua
demaneiradiferentenamudanadoerro,ouseja,algunsreduzemmaisoerrodurante
umadeterminada quantidade deiteraes, outros reduzem menos einclusive outros
podematcontribuirparaoaumentodeste.
Nointuitodemedirarelevnciadecadapesoduranteotreinamentodeuma
RNA,propeseousodocoeficientedecorrelaodePearson(r).
Segundo Larson e Farber em [4], uma correlao uma relao entre duas
variveis,ondeosdadospodemserrepresentadosporparesordenados(x,y),sendoxa
varivelindependente(ouexplanatria)eyavariveldependente(ouresposta).
Ocoeficientedecorrelaolinearumamedidadaforaedireodarelao
linearentreasduasvariveisacima.Osmbolorrepresentaocoeficientedecorrelao
amostral.Umaformulaparardadaaseguir,ondenonmerodeparesdedados:
(1)
Variarinicialmenteumapequenaquantidadedepesos,porexemplo,cincoadez
porcentodototal,aumentandogradativamentemedianteosresultadosobtidos;
Atualizar a correlao a cada 1, 10, 50, 100, 1000 ou 10000 iteraes, por
exemplo;
Variarataxadeaprendizadobaseadonomdulodacorrelaoouno;
Variarataxadeaprendizadobaseadonavariaodoerro.
4.Cronograma
Atividades
Reviso
Bibliogrfica
Desenvolvime
nto da
proposta
Pesquisar
sobre eventos
e revistas
Preparar artigo
Escrita da
Dissertao
Defesa da
Dissertao
2014
2015
ja
ab
ju ju
se ou
de Ja
n fev mar r
mai n l ago t t
nov z
n fev
X
X
X
X
X
X
X
5.RefernciasBibliogrficas
[1]Haykin,S.S.(2001).Redesneurais.Bookman.
[2] Iranmanesh, V., Mumtazah Syed Ahmad, S., Adnan, W., Adilah, W., Layth
Malallah,F.,&Yussof,S.(2013,December).Onlinesignatureverificationusingneural
network and pearson correlation features. InOpen Systems (ICOS), 2013 IEEE
Conferenceon(pp.1821).IEEE.
[3]Kim,I.C.,&Chien,S.I.(2002).Speedupoferrorbackpropagationalgorithmwith
classselectiverelevance.Neurocomputing,48(1),10091014.
[4] Larson, R., Farber, B., & Luciane; traduco tcnica Vianna. (2010).Estatstica
aplicada.Pearson.
[5]Neto,A.M.,Victorino,A.C.,Fantoni,I.,&Zampieri,D.E.(2011,June).Realtime
dynamic power management based on Pearson's Correlation Coefficient.
InAdvancedRobotics(ICAR),201115thInternationalConferenceon(pp.304309).
IEEE.
[6]Qin,R.,Liu,L.L.,&Xie,J.(2010,January).AnApplicationofImprovedBP
NeuralNetworkinPersonalCreditScoring.InComputerModelingandSimulation,
2010.ICCMS'10.SecondInternationalConferenceon(Vol.4,pp.238241).IEEE.
[7] Wu, W. J., & Xu, Y. (2010, July). Correlation analysis of visual verbs'
subcategorization basedonPearson'scorrelation coefficient. InMachineLearning
and Cybernetics (ICMLC), 2010 International Conference on(Vol. 4, pp. 2042
2046).IEEE.
[8]Xie,R.,Wang,X.,Li,Y.,&Zhao,K.(2010,June).Researchandapplicationon
improvedBPneuralnetworkalgorithm.InIndustrialElectronicsandApplications
(ICIEA),2010the5thIEEEConferenceon(pp.14621466).IEEE.
[9]Xinbo,Z.,&Lili,W.(2010,December).HandwrittenDigitRecognitionBasedon
ImprovedLearningRateBPAlgorithm.InInformationEngineeringandComputer
Science(ICIECS),20102ndInternationalConferenceon(pp.14).IEEE.
[10] XiuJuan,F., &ChengGuo, L. (2009,March). The Research in YarnQuality
PredictionModelBasedonanImprovedBPAlgorithm.InComputerScienceand
Information Engineering, 2009 WRI World Congress on(Vol. 2, pp. 167172).
IEEE.
[11] Xu,Y.,& Zhang, H.(2009, July). Study onthe Improved BP Algorithm and
Application.InInformationProcessing,2009.APCIP2009.AsiaPacificConference
on(Vol.1,pp.710).IEEE.
[12]Zhang,Y.,Liu,H.,Fu,W.,Zhou,A.,&Mi,L.(2014,January).Localization
algorithm forGSM mobiles basedonRSSIandPearson's correlation coefficient.
InConsumerElectronics(ICCE),2014IEEEInternationalConferenceon(pp.284
285).IEEE.