THE ROBUSTNESS OF NEURAL NETWORKS IN PATTERN RECOGNITION TASKS USING NEW TARGETS VECTORS

Este trabalho propoe o uso de novos vetores alvo em redes neurais artificiais (ANNs) do tipo multilayer perceptron (MLP) a fim de proporcionar maior robustez diante das mudancas dos parâmetros de treinamento. Estes sao alvos com distância euclidiana aumentada denominados como vetores bipolares ortogonais (OBV)s. Pela caracteristica geometrica de bipolaridade e perpendicularidade, estes alvos sao localizados no espaco n-dimensional, estando a maior distância possivel um do outro. Esta maior distância mutua dos pontos do espaco de saida facilita a tarefa das ANNs na classificacao de padroes. Isto garante maior desempenho para MLP ate mesmo em situacoes em que os parâmetros nao sao bons para ANNs treinadas com alvos convencionais. Assim, a robustez obtida por meio do uso de OBVs facilita o use de MLPs por pessoas que nao tem experiencia na escolha dos parâmetros de treinamento. A nalise de robustez foi realizada com a utilizacao de experimentos de reconhecimento, por MLPs, de tres tipos de conjuntos de dados: (a) Digitos manuscritos do Machine Learning Repository; (b) De imagens de Iris humana da Chinese Academy of Sciences – CASIA; e (c) Signos de linguagem australiana, sinais do Machine Learning Repository. Os resultados experimentais mostram que o uso de OBVs como targets de MLPs reduz a perda de desempenho causada pela escolha de parâmetros. A media de desempenho obtida com o uso de OBVs e ate 15% maior que aquela obtida com vetores convencionais.