portal da computação    ciência da computação     engenharia de computação     pós-graduação webmail
Banca de TCC: Lucas Mendes Tortelli
por Marilton Sanchotene de Aguiar, 1 ano, 109 dias atrás

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2016/1)

Extensão Intervalar aplicado em Redes Neurais por Convolução
por
Lucas Mendes Tortelli

Curso:
Ciência da Computação

Banca:
Prof. Marilton Sanchotene de Aguiar (orientador)
Profa. Aline Brum Loreto (co-orientador)
Profa. Renata Hax Sander Reiser
Profa. Alice Fonseca Finger

Data: 05 de Julho de 2016

Hora: 13:30h

Local: Auditório da Reitoria

Resumo do Trabalho:

Sistemas computacionais são caracterizados pela imprecisão recorrente em seus cálculos, uma vez que não conseguem representar o valor real com toda sua exatidão. Isto está relacionado ao fato de computadores empregarem a aritmética de ponto flutuante ou ponto fixo. Nestas os números reais são aproximados para um subconjunto finito dos números reais. Devido esta escassa gama de valores pontuais disponíveis, erros são introduzidos no decorrer da execução dos processos. Esses ocorrem através de uma tentativa da máquina de representá-los realizando as operações de arredondamento e truncamento. Estas deficiências apresentadas afetam diretamente o desenvolvimento de aplicações precisas em áreas tais como: reconhecimento de padrões, processamento de imagens, métodos matemáticos iterativos, entre outras. Redes Neurais Artificiais consistem em uma abordagem de aprendizado de máquina. Este por si caracteriza o aprendizado de sistemas a partir de dados, facilitando diversos processos que necessitem de métodos alternativos aplicações diretas. Estas redes são especificadas a partir de um conjunto de neurônios de entrada, que recebem dados (valores numéricos ou mesmo imagens) e os repassam às camadas de funções que realizam transformações sobre estes neurônios. Mais recentemente, funções convolucionais têm sido aplicadas na extração de características de imagens; e, para se alcançar um fator de reconhecimento mais confiável, necessitam de maior exatidão em cada passo de definicão de tais características relevantes. Baseado na alternativa proporcionada pela aritmética intervalar em relação ao controle automático de erros e exatidão numérica, propõem-se neste trabalho a remodelação intervalar de uma Rede Neural por Convolução, visando garantir uma alta exatidão e uma melhoria sensível na qualidade do reconhecimento de padrões em imagens.

Para mais informações acesse: http://inf.ufpel.edu.br/notcc/doku.php?id=bancas:2016_1

CDTec UFPel
Find us on Google+