Publicado em: 05/12/2011

Dissertação de Mestrado em Inteligência Artificial/Redes Neurais

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
INSTITUTO DE INFORMÁTICA
PROGRAMA DE POS-GRADUAÇÃO EM COMPUTAÇÃO
———————————————————
DEFESA DE DISSERTAÇÃO DE MESTRADO
Aluno: Rafael Coimbra Pinto
Orientador: Prof. Dr. Paulo Martins Engel

Título: “Online Incremental One-Shot Learning of Temporal Sequences”
Linha de Pesquisa: Inteligência Artificial / Redes Neurais
Data: 08/12/2011
Hora: 10:30
Local: Sala 104 Prédio 43425 (73) – Instituto de Informática

Banca Examinadora:
Prof. Dr. Luís da Cunha Lamb (UFRGS)
Prof. Dr. Dante Augusto Couto Barone (UFRGS)
Prof. Dr. Mauro Roisenberg (UFSC)
Presidente da Banca: Prof. Dr. Paulo Martins Engel

Resumo: Este trabalho introduz novos algoritmos de redes neurais para o processamento online de padrões espaço-temporais, estendendo o algoritmo Incremental Gaussian Mixture Network (IGMN). O algoritmo IGMN é uma rede neural online incremental que aprende a partir de uma única passada através de dados por meio de uma versão incremental do algoritmo Expectation-Maximization (EM) combinado com regressão localmente ponderada (Locally Weighted Regression, LWR). Quatro abordagens diferentes são usadas para dar capacidade de processamento temporal para o algoritmo IGMN: linhas de atraso (Time-Delay IGMN), uma camada de reservoir (Echo-State IGMN), média móvel exponencial do vetor de entrada reconstruído (Merge IGMN) e auto-referência (Recursive IGMN). Isso resulta em algoritmos que são online, incrementais, agressivos e têm capacidades temporais e, portanto, são adequados para tarefas com memória ou estados internos desconhecidos, caracterizados por fluxo contínuo ininterrupto de dados, e que exigem operação perpétua provendo previsões sem etapas separadas para aprendizado e execução. Os algoritmos propostos são comparados a outras redes neurais espaço-temporais em 8 tarefas de previsão de séries temporais. Dois deles mostram desempenhos satisfatórios, em geral, superando as abordagens existentes. Uma melhoria geral para o algoritmo IGMN também é descrita, eliminando um dos parâmetros ajustáveis manualmente e provendo melhores resultados.
Palavras-Chave: Redes neurais, processamento de padrões espaço-temporais, misturas de Gaussianas, computação por reservoir, previsão de séries temporais.