Uma Nova Arquitetura de Rede Neural Artificial para Abordagens End-to-End de Classificação de Sinais

Banca de DEFESA: OTÁVIO GONÇALVEZ VICENTE RIBEIRO FILHO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.

DISCENTE : OTÁVIO GONÇALVEZ VICENTE RIBEIRO FILHO

DATA : 10/11/2021

HORA: 14:00

LOCAL: Google Meet: meet.google.com/cpn-hwie-meg

TÍTULO:

Uma Nova Arquitetura de Rede Neural Artificial para abordagens end-to-end de classificação de sinais



PALAVRAS-CHAVES:

Redes Neurais Artificiais, Transformada de Wavelet Contínua, Classificação, Encoder, Pré-processamento



PÁGINAS: 72

RESUMO:

O aumento da capacidade computacional, a introdução do uso de unidades gráficas de processamento e o crescente aumento na disponibilização de dados favoreceram a utilização de redes neurais artificiais para resolução de problemas em diferentes áreas do conhecimento como visão computacional e processamento de linguagem natural. Aplicações de tais redes em cenários cujos dados são caracterizados pela presença de dependência temporal, como sinais unidimensionais (séries temporais), produzem melhores resultados quando uma etapa de pré-processamento é considerada para extrair informações implícitas entre as observações. No contexto deste mestrado, dentre os diferentes métodos de pré-processamento, observou-se que as transformadas wavelets têm sido amplamente utilizadas devido, de maneira geral, à obtenção de melhores resultados quando comparadas aos demais métodos. No entanto, estas transformadas possuem duas principais limitações na análise de sinais. Primeiro, faz-se necessário definir um conjunto de parâmetros para melhor extrair informações nos diferentes níveis de escala e resolução. Segundo, a aplicação dessas transformadas requerem uma etapa inicial de transformação de todos os sinais em lote (batch) antes do início do treinamento da rede. Neste trabalho, essas limitações foram superadas através da criação de uma nova arquitetura de rede neural artificial que, ao analisar um sinal unidimensional, produz como saída um conjunto de características equivalentes àquelas produzidas pelas transformadas de wavelets. Dessa forma, essa rede pode ser combinada com outras redes para treinamento e classificação de sinais sem a necessidade de execução à priori da etapa de pré-processamento. Para verificação do desempenho da arquitetura desenvolvida, foi utilizada uma rede pré-treinada para classificação de sinais coletados de duas aplicações reais: LFP (local field potential) a partir do monitoramento de sinais cerebrais coletados de macacos, e sinais sísmicos coletados do vulcão Llaima. As acurácias finais produzidas pelos modelos nas duas aplicações usando o pré-processamento tradicional e a arquitetura proposta foram, respectivamente: (i) LFP -- 0.655 e 0.649; (ii) Llaima -- 0.976 e 0.974.



MEMBROS DA BANCA:

Presidente - 2130353 - RICARDO ARAUJO RIOS

Externo ao Programa - 1988620 - RUBISLEY DE PAULA LEMES

Externo à Instituição - MOACIR ANTONELLI PONTI - USP

 

Data da Defesa: 
10/11/2021 - 14:00
Tipo de Defesa: 
Defesa de Mestrado