No abstract

The performance of RBF neural networks depends on the choice of the parameters of the radial base functions that are usually defined by the user or by validation methods. In this work geometric information of the structure of the input data and a linear discriminant are used to select the neurons of the hidden layer. The proposed approach showed promising results being able to reduce the number of neurons of the hidden layer compared to other methods, thus also reducing the complexity of the solutions. Resumo: O desempenho de redes neurais RBF depende da escolha dos parâmetros das funções de bases radiais que são normalmente definidas pelo usuário ou por métodos de validação. Neste trabalho são usadas informações geométricas da estrutura dos dados de entrada e um discriminante linear para selecionar os neurônios da camada escondida. A abordagem proposta mostrou resultados promissores sendo capaz de reduzir o número de neurônios da camada escondida comparada a outros métodos, assim reduzindo também a complexidade das soluções.

A crescente demanda por sistemas que utilizam LBS (Location-Based Services) em dispositivos móveis é algo em evidência na atualidade. O objetivo deste projeto consistiu em desenvolver uma solução para facilitar a implementação de LBS e que atenda aos requisitos de portabilidade e independência da linguagem de programação utilizada. Como resultado, utilizando a middleware MoCA, foi desenvolvido uma solução Web Services, criando sobre esta middleware uma nova camada de abstração, onde estão disponibilizados serviços com interface voltada para o fornecimento de LBS usando o protocolo SOAP, troca de mensagens em XML.

The use of RBF (Radial Basis Function) in classification problems of samples has been a very discussed approach in the literature. Its diverse applications allow you to deal with problems of different complexities. One of the challenges in using this type of function is to find the appropriate parameters to avoid sub or oversize in the solution of the problem and in this context to difine radius normally given by the constant sigma is another issue. This work proposes a methodology based on well-known mathematical postulates to find the sigma, for a given set of samples, generated in an autonomous way after using the Gaussians in the samples in a similar way to the other known methods.