Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/17561
Document type: Dissertação
Access type: Acesso Aberto
Title: Reconstrução e reconhecimento de imagens binárias utilizando o algoritmo Máquina de Boltzmann
Author: Vale, Gustavo Bruno do
First Advisor: Carrijo, Gilberto Arantes
First member of the Committee: Veiga, Antônio Cláudio Paschoarelli
Second member of the Committee: Ferreira, Wilson Tavares
Third member of the Committee: Carneiro, Milena Bueno Pereira
Summary: O objetivo deste trabalho é utilizar algoritmos conhecidos como Máquina de Boltzmann para reconstruir e classificar padrões como de imagens. Este algoritmo possui uma estrutura parecida com a de uma Rede Neural Artificial porém os nós da rede possuem decisões estocásticas e probabilísticas. Neste trabalho é apresentado o referencial teórico das principais Redes Neurais Artificiais, do algoritmo Máquina de Boltzmann Geral e uma variação deste algoritmo conhecida como Máquina de Boltzmann Restrita. São realizadas simulações computacionais comparando os algoritmos Rede Neural Artificial Backpropagation com estes algoritmos Máquina de Boltzmann Geral e Máquina de Boltzmann Restrita. Através de simulações computacionais são analisados os tempos de execuções dos diferentes algoritmos descritos e os percentuais de acerto de bits dos padrões treinados que são posteriormente reconstruídos. Por fim, são utilizadas imagens binárias com e sem ruído no treinamento do algoritmo Máquina de Boltzmann Restrita, estas imagens são reconstruídas e classificadas de acordo com o percentual de acerto de bits na reconstrução das imagens. Os algoritmos Máquina de Boltzmann foram capazes de classificar padrões treinados e apresentaram ótimos resultados na reconstrução dos padrões com um rápido tempo de execução do código podendo assim ser utilizado em aplicações como de reconhecimento de imagens.
Abstract: The objective of this work is to use algorithms known as Boltzmann Machine to rebuild and classify patterns as images. This algorithm has a similar structure to that of an Artificial Neural Network but network nodes have stochastic and probabilistic decisions. This work presents the theoretical framework of the main Artificial Neural Networks, General Boltzmann Machine algorithm and a variation of this algorithm known as Restricted Boltzmann Machine. Computer simulations are performed comparing algorithms Artificial Neural Network Backpropagation with these algorithms Boltzmann General Machine and Machine Restricted Boltzmann. Through computer simulations are analyzed executions times of the different described algorithms and bit hit percentage of trained patterns that are later reconstructed. Finally, they used binary images with and without noise in training Restricted Boltzmann Machine algorithm, these images are reconstructed and classified according to the bit hit percentage in the reconstruction of the images. The Boltzmann machine algorithms were able to classify patterns trained and showed excellent results in the reconstruction of the standards code faster runtime and thus can be used in applications such as image recognition.
Keywords: Engenharia elétrica
Reconhecimento de padrões
Redes neurais (Computação)
Algoritmos
Máquina de Boltzmann
Reconhecimento de imagens
Redes Neurais Artificiais
Boltzmann Machine
Recognition of images
Pattern Recognition
Artificial Neural Networks
Area (s) of CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Ubelândia
Program: Programa de Pós-graduação em Engenharia Elétrica
Quote: VALE, Gustavo Bruno do. Reconstrução e reconhecimento de imagens binárias utilizando o algoritmo Máquina de Boltzmann. 2016. 107 f. Dissertação (Mestrado em Ciências) - Universidade Federal de Uberlândia, Uberlândia, 2016.
URI: https://repositorio.ufu.br/handle/123456789/17561
Date of defense: 19-Jun-2016
Appears in Collections:DISSERTAÇÃO - Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
ReconstrucaoReconhecimentoImagens.pdfDissertação2.1 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.