Dissertação
Rosenblatt Perceptrons with Random Hidden Layer EVALUATED
Quando o perceptron de Rosenblatt é discutido, é frequente consider-se um perceptron com uma única camada, apenas capaz de resolver problemas linearmente separáveis. Modelos tais como as redes neuronais profundas tem side propostos para ultrapassar esta limitação, mas a sua maior complexidade no que toca a parametros treináveis torna-os suscetı́veis ao sobreajuste, prejudicando a sua capacidade de generalizar e exigindo mais energia para o seu treino, No entanto, Rosenblatt investigou principalmente perceptrons com camadas ocultas, o que lhes permite resolver problemas não lineares. Testámos a exatidão do classificador LIRA, um modelo para classificação de imagens baseado no perceptron de Rosenblatt, com conexões à camada oculta fixas e escolhidas de forma aleatória, aplicando-o a uma variedade de conjuntos de imagens, a cores e em tons de cinzento. Também testámos modificações ao modelo LIRA, tais como uma alteração ao processo de seleção das conexões à camada oculta, suporte para classificação de imagens a cores e um passo adicional que consiste em podar e tornar a gerar neurónios entre cada iteração de treino. Usando validação cruzada, comparámos a exatidão do modelo com a do perceptron com camada única e com o classificador de regressão logistica. Descobrimos que este era mais elevada para o classificador LIRA, com uma exatidão de 86.83% no conjunto de dados Fashion-MNIST e 93.40% no conjunto de dados Kuzushiji-MNISTT.
outubro 30, 2024, 13:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Associado