O Modelo Conexionista Evolutivo
Autores
|
3213 |
Fernando Antônio Rivas Maximus Denis
|
1462,104
|
|
3214 |
1462,104
|
Informações:
Publicações do PESC
Visando amenizar os problemas de fragilidade e de dificuldade de aquisição de conhecimento, existentes nos sistemas especialistas, adotamos uma arquitetura híbrida, combinando processamento simbólico com redes neuronais, lógica nebulosa e algoritmos genéticos, capaz de propiciar capacidade de aprendizado a esses sistemas.
Neste trabalho, propomos o Modelo Conexionista Evolutivo (MCE) que utiliza, como base para representação do conhecimento e aprendizado, o Modelo Neural Combinatório (MNC). Para descobrir a topologia adequada da rede neuronal, empregamos um algoritmo genético que visualiza as vias de raciocínio dessa rede como elementos de uma população em evolução.
Dentre as características principais do MCE destacamos: capacidade de refinar um conhecimento anteriormente armazenado na rede neuronal artificial (RNA), através da busca de uma topologia adequada para a RNA; o uso de múltiplos operadores genéticos; incorporação de heurísticas gerais visando realizar operações genéticas mais efetivas; possibilidade de evolução dos operadores genéticos através do algoritmo meta-genético, que determina a população ideal de operadores e a freqüência com que devem ser usados.
Aming to solve the problems presented by expert systems, such as brittleness concerning the problem domain boundaries and the knowledge acquisition bottleneck, we adopted a hybrid architecture combining symbolic processing with neural networks, fuzzy logic and genetic algorithms, able to provide a learning ability to these systems.
In this thesis, we propose the Evolutive Connectionist Model (ECM), using as basis for knowledge representation and learning, the Combinatorial Neural Model. For discovering the adequate topology for the neural network, we used a genetic algorithm that considers the reasoning pathways of the net as elements of an evolving population.
The main characteristics of the ECM are: ability to refine a previously knowledge stored in the neural network by searching the adequate topology for it; use of multiple genetic operators; incorporation of general heuristics aiming to perform the most effective genetic operations; evolution of genetic operations through the use of a metagenetic algorithm, that finds the ideal population of operators and the frequency they should be used.