Modulo De Validacao Cruzada Para Treinamento De Redes Neurais Artificiais Com Algoritmos Backpropagation E Resilient Propagation

Abstract

RESUMOA metodologia de Redes Neurais Artifi ciais (RNAs) tem sido aplicada nas soluções de diversos problemas, dentre eles, nas aplicações voltadas a áreas específi cas cujo objetivo geralmente é auxiliar na tomada de decisões. Parte destas aplicações é resolvida com simuladores, por exemplo, o JavaNNS e o SNNS. Em determinadas situações, porém, é necessário buscar informações ou valores que estão em variáveis, ou ainda, implícitos nos códigos de algoritmos de treinamento destes simuladores, não sendo acessíveis diretamente ao usuário, situação em que o uso dos simuladores torna-se insufi ciente. Surge então a necessidade de desenvolver sistemas específi cos, implementando todos os mecanismos de criar e de treinar as RNAs, sendo também necessário estabelecer um meio para validar os resultados obtidos dos sistemas. Diante disso, este trabalho apresenta o desenvolvimento de um

Uma abordagem baseaeda em Redes Neurais Artificiais para o auxílio ao diagnóstico de doenças meningocócicas

“…O método de validação cruzada foi utilizado no presente artigo de modo a testar e validar as modelagens neurais apresentadas [10]. Esta técnica consiste na divisão dos dados, de maneira aleatória, em um conjunto de teste e um de treinamento, sendo este subdividido em grupo de estimação e grupo de validação, empregados em prol da escolha, teste e validação do modelo analisado.…”

Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas

“…O treinamento de uma rede é uma etapa crucial, pois determina se ela obterá sucesso ou fracasso considerando vários fatores como o algoritmo de treinamento e o número de épocas (iterações para obter o resultado ótimo) (GUIMARÃES et al, 2008). O fluxo de treinamento da rede MLP é descrito pelo vetor de valores de entrada que passam pela camada inicial, cujos valores de saída são ligados às entradas da camada seguinte, e assim por diante, até a rede fornecer como resultado os valores de saída da última camada.…”

“…Esta técnica acompanha a evolução do aprendizado da rede observando a curva dos subconjuntos de dados de treinamento e validação. Assim, o fluxo de treinamento é interrompido quando a curva de validação é menor que o erro mínimo e antes que a curva retome seu crescimento (GUIMARÃES et al, 2008).…”