Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/33209
ORCID:  http://orcid.org/0000-0001-9257-7701
Document type: Trabalho de Conclusão de Curso
Access type: Acesso Aberto
Title: Proposta de um método de reamostragem em redes neurais com aplicação em transformação entre sistemas de coordenadas
Alternate title (s): Proposal of a method of resampling in neural networks with application in transformation between coordinate systems
Author: Campos, Caio Cesar de
First Advisor: Vinicius, Francisco Rofatto
First member of the Committee: Matsuoka, Marcelo Tomio
Second member of the Committee: Machado, Wagner Carrupt
Summary: No desenvolvimento de redes neurais artificiais, como em qualquer algoritmo de machine learning, é comum separar os dados relativos ao problema em um conjunto de treinamento e um conjunto de testes. Os dados de treinamento são utilizados para estimar os parâmetros inerentes à rede, e os dados de teste são empregados para verificar a performance da rede sob condições reais de utilização. No entanto, surge aqui uma importante questão: como confiar nos resultados fornecidos por uma rede em particular? Devido à aleatoriedade relacionada à própria rede (arquitetura, inicialização e procedimento de aprendizado), geralmente não há a melhor escolha. Considerando essa questão, fornecemos uma abordagem que captura a aleatoriedade relacionada à própria rede. A ideia é basicamente desenvolver várias redes para uma mesma arquitetura e algoritmo de aprendizagem por meio da repetição do processo de particionamento aleatório dos dados disponíveis. Trata-se, portanto, de uma técnica de reamostragem. Consequentemente, a predição intervalar está disponível em vez da clássica predição pontual, em que a incerteza da predição é desconsiderada. O método proposto foi aplicado em um problema de transformação entre sistemas de coordenadas. Importante destacar que um dos resultados que o método oferece é o de possibilitar a descrição dos pontos de maior ou menor viés e acurácia. Apesar de restringirmos ao modelo de rede neural, o método proposto também pode ser estendido a outras ferramentas estatísticas modernas, tal como a Krigagem.
Abstract: In developing artificial neural networks (ANN), the available dataset is split into three categories: training and testing. However, an important problem arises: How to trust the prediction provided by a particular ANN? Due to the randomness related to the network itself (architecture, initialization and learning procedure), there is usually no best choice. Considering this issue, we provide a framework which capture the randomness related to the network itself. The idea is basically to develop several networks for the same architecture and learning algorithm by repeating the random partitioning process of available data. Consequently, interval prediction is available instead of point prediction. The proposed method was applied to a coordinate transformation problem. The re-sampling method spatially characterizes the points of greater or lesser bias and accuracy. Although we restrict it to the neural network model, the resampling method proposed can also be extended to others modern statistics tools such as Kriging.
Keywords: Redes Neurais Artificiais
Artificial Neural Networks
Reamostragem
Resampling
Transformação
Transformation
Predição
Prediction
Acurácia
Accuracy
Area (s) of CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Quote: CAMPOS, Caio Cesar. Proposta de um método de reamostragem em redes neurais com aplicação em transformação entre sistemas de coordenadas. 2021. 46 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Agrimensura e Cartográfica) - Universidade Federal de Uberlândia, Monte Carmelo, 2021.
URI: https://repositorio.ufu.br/handle/123456789/33209
Date of defense: 4-Nov-2021
Appears in Collections:TCC - Engenharia de Agrimensura e Cartográfica (Monte Carmelo)

Files in This Item:
File Description SizeFormat 
PropostaMetodoReamostragem.pdfTCC3.71 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons