XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: ONLINE TRAINING OF NEURAL METWORKS: METHODOLOGY FOR TIME VARYING ENVIRONMENTS Autor: NITZI MESQUITA ROEHL
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
CARLOS EDUARDO PEDREIRA - ADVISOR
Nº do Conteudo: 8593
Catalogação: 26/06/2006 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8593@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8593@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.8593
Resumo:
Título: ONLINE TRAINING OF NEURAL METWORKS: METHODOLOGY FOR TIME VARYING ENVIRONMENTS Autor: NITZI MESQUITA ROEHL
Nº do Conteudo: 8593
Catalogação: 26/06/2006 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8593@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8593@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.8593
Resumo:
The main issue when dealing with non-stationary processes
is related to the requirement of fast adaptation while
simultaneously preventing catastrophic damage to
previously learned behavior. In this thesis, two on-line
learning techniques, one for supervised and the other for
unsupervised artificial neural networks, are proposed.
A new supervised procedure to continuously adjust weights
in a multi layered perceptrons neural networks is
proposed. This methodology is tailored to be used in time
varying (or non-stationary) models, eliminating the
necessity of retraining. The main objective is to keep the
error related to the latest income data within a pre
established tolerance, while maximizing the information
incorporated up to that point. By choosing a balance
parameter, the designer is able to decide on the relevance
that should be attributed to the new data. Non-linear
programming techniques are used in order to properly solve
this trade off optimization problem and on-line calculate
the new weight set. Numerical results for real and non-
real data are presented, illustrating the potentiality and
properties of the proposed approach.
A modular Fuzzy ART model for hierarchical categorization
of data is proposed in such a manner that each module
groups the prototypes of the categories developed in the
previous module or layer. In this way, the hierarchical
levels of successively higher layers learn a more general
pattern from the input data while the lower layers learn
more specific categories. Interesting properties of the
component Fuzzy ART network also apply to this new
hierarchical network model like, fast and stable learning
of arbitrary sequences of analogical or binary input
patterns and the dynamic creation of categories for new
input patterns presentation. Some theoretical results
related to properties of this new approach for clustering
applications are presented, as well as some illustrative
numerical results.
Descrição | Arquivo |
COVER, ACKNOWLEDGEMENTS, RESUMO, ABSTRACT, SUMMARY AND LISTS | |
CHAPTER 1 | |
CHAPTER 2 | |
CHAPTER 3 | |
CHAPTER 4 | |
APPENDIX | |
REFERENCES |