The role of temporal feature extraction and bagging of MLP neural networks for solving the WCCI 2008 Ford Classification Challenge

Adeodato, Paulo J. L.; Arnaud, Adrian L.; Vasconcelos, Germano C.; Cunha, Rodrigo C.L.V.; Gurgel, Tarcisio B.; Monteiro, Domingos S. M. P.

doi:10.1109/ijcnn.2009.5178965

Cited by 8 publications

(4 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In this case, unfortunately, the organizers of the competition did not publish the classification methods used by the contributors. To the best of our knowledge, the only contributor that published a description of the method used was Paulo Adeodato (Adeodato et al, 2009), which ranked seventh in the competition. The strategy he and his colleagues followed for classifying the data consisted of an initial phase of feature extraction, where more than a hundred features were extracted for each sequence, and a classification phase, where an ensemble of 30 multilayer perceptrons was used.…”

Section: Resultsmentioning

confidence: 99%

Genetic Programming and Serial Processing for Time Series Classification

Alfaro-Cid

Sharman

Esparcia-Alcázar

2014

Evolutionary Computation

View full text Add to dashboard Cite

This work describes an approach devised by the authors for time series classification. In our approach genetic programming is used in combination with a serial processing of data, where the last output is the result of the classification. The use of genetic programming for classification, although still a field where more research in needed, is not new. However, the application of genetic programming to classification tasks is normally done by considering the input data as a feature vector. That is, to the best of our knowledge, there are not examples in the genetic programming literature of approaches where the time series data are processed serially and the last output is considered as the classification result. The serial processing approach presented here fills a gap in the existing literature. This approach was tested in three different problems. Two of them are real world problems whose data were gathered for online or conference competitions. As there are published results of these two problems this gives us the chance to compare the performance of our approach against top performing methods. The serial processing of data in combination with genetic programming obtained competitive results in both competitions, showing its potential for solving time series classification problems. The main advantage of our serial processing approach is that it can easily handle very large datasets.

show abstract

Section: Resultsmentioning

confidence: 99%

Genetic Programming and Serial Processing for Time Series Classification

Alfaro-Cid

Sharman

Esparcia-Alcázar

2014

Evolutionary Computation

View full text Add to dashboard Cite

show abstract

“…Outra técnica que tem apresentado bons resultados na previsão de séries temporais é o comitê de máquinas. Em [18], uma melhora significativa foi obtida apenas com a média aritmética das saídas de 30 redes multi-layer perceptron (MLP).…”

Section: Previsãounclassified

Previsão De Séries Temporais Com Clusterização, Análise De Previsores E Comitê De Máquinas

Aquino¹,

Campos²,

Souza³

2016

Anais Do 10. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo -Este trabalho busca apresentar um método para previsão de séries temporais dotado de vários previsores especializados em classes de dados (clusters) distintas, todas com um erro médio atrelado à mesma. A rede previsora de cada cluster é gerada automaticamente (considerando sua estrutura e outros parâmetros, como janela de tempo o os atributos) sendo treinada com um conjunto de exemplos representativos e os mais semelhantes possíveis. Várias estratégias são abordadas seguindo esta ideia até a definição de uma que, dependendo dos dados de entrada, seja decidido se ela será prevista por uma rede neural simples ou um complexo comitê de máquinas.Abstract -This paper presents a method for time series forecasting with several forecasters specialized in distinct data classes (clusters), each one with an average error associeted itself. The network predictor of each cluster is generated automatically (according to their structure and other parameters such as the time window and attributes) being trained with a set of representative examples as similar as possible. Several strategies are discussed following this idea to the definition of a that, depending on the input data, it is decided whether it will be provided by a simple neural network or a complex committee machines.Keywords -Previsão, séries temporais, clusterização, backpropagation, comitê de máquinas. IntroduçãoA ideia de conseguir acertar (prever) eventos é de interesse e, em alguns casos, necessidade das pessoas. Para isto, muitas pesquisas foram realizadas com sucesso nesta área, em diversos domínios de aplicação, que vai da predição de séries temporais financeiras (Dablemont, 2003) Série temporal é uma coleção de observações realizadas em ordem cronológica. As formas de se trabalhar na previsão de séries temporais se tornaram mais complexas com o tempo, sempre na busca de reduzir a distância entre o valor previsto e o valor desejado na previsão, como disse (Kalyvas, 2001), o melhor a se fazer com tanta incerteza é tentar reduzi-la [2]. Outro problema é saber quais dados (atributos) podem ajudar na previsão de uma série temporal. A calibragem de um sistema previsor, na sua forma mais simples, consiste em várias simulações com ajustes de parâmetros e atributos utilizados em um grande experimento com tentativas e erros.Fundamentalmente a abordagem é um comitê de máquinas cujo valor estimado final combina: uma rede de Kohonen; e uma combinação linear envolvendo as informações sobre a distância euclidiana entre o padrão de entrada e os "neurônios" na grade, e as saídas de várias redes previsoras associadas aos neurônios da grade, geradas automaticamente, inclusive o espaço de features (seleção de atributos), empregando-se algoritmo genético e os subconjuntos de exemplos associados aos seus respectivos neurônios na grade (seleção de exemplos).Mais um ponto importante neste trabalho é a utilização do erro médio de cada cluster na previsão dos dados. Sabendo do comportamento médio de cada classe de dados, uma previsão pode ser feita com maior ou menor segura...

show abstract

“…Outra técnica que tem apresentado bons resultados na previsão de séries temporais é o comitê de máquinas. Em Adeodato (2008), uma melhora significativa foi obtida apenas com a média aritmética das saídas de 30 redes multi-layer perceptron (MLP) (Adeodato, 2008).…”

Section: Previsãounclassified

Previsão de Séries Temporais com Clusterização, Análise de Previsores e Comitê de Máquinas

Aquino¹,

Campos²,

Souza³

et al. 2012

L&NLM

View full text Add to dashboard Cite

Este trabalho busca apresentar um método para previsão de séries temporais dotado de vários previsores especializados em classes de dados (clusters) distintas com um erro médio atrelado às mesmas. A rede previsora de cada cluster é gerada automaticamente (considerando sua estrutura e outros parâmetros, como janela de tempo o os atributos), sendo treinada com um conjunto de exemplos representativos e os mais semelhantes possíveis. Várias estratégias são abordadas seguindo essa ideia até a definição de uma que, dependendo dos dados de entrada, seja decidida se será prevista por uma rede neural simples ou um complexo comitê de máquinas.

show abstract

The role of temporal feature extraction and bagging of MLP neural networks for solving the WCCI 2008 Ford Classification Challenge

Cited by 8 publications

References 9 publications

Genetic Programming and Serial Processing for Time Series Classification

Genetic Programming and Serial Processing for Time Series Classification

Previsão De Séries Temporais Com Clusterização, Análise De Previsores E Comitê De Máquinas

Previsão de Séries Temporais com Clusterização, Análise de Previsores e Comitê de Máquinas

Contact Info

Product

Resources

About