Please use this identifier to cite or link to this item:
http://hdl.handle.net/10174/12322
|
Title: | Optimização de métodos de núcleo utilizando algoritimos de enxame |
Authors: | Silva, Arlindo Ferreira da |
Advisors: | Gonçalves, Teresa Cristina de Freitas |
Issue Date: | 2014 |
Publisher: | Universidade de Évora |
Abstract: | Os métodos de núcleo, que incluem as máquinas de vectores de suporte, têm obtido
sucesso assinalável em inúmeras áreas de aplicação. Este sucesso está, no entanto, dependente
do núcleo e parâmetros definidos para cada problema. Estas questões têm
sido abordadas utilizando diversas técnicas analíticas, algébricas, heurísticas e, mais recentemente,
vários métodos evolucionários. Nesta dissertação apresentamos uma abordagem
baseada em inteligência de enxame à optimização das máquinas de vectores de
suporte. As contribuições deste trabalho incluem a análise de anteriores abordagens
evolucionárias; a proposta de um algoritmo de enxame para treino de máquinas de vectores
de suporte, superior à melhor abordagem evolucionária conhecida e aos métodos
clássicos quando são utilizados núcleos indefinidos; e a apresentação de um algoritmo de
enxame capaz de optimizar simultaneamente vários aspectos da abordagem, reduzindo
substancialmente a intervenção do utilizador. Adicionalmente, desenvolvemos novos
algoritmos e metodologias de utilidade genérica na área da inteligência de enxame; ### Optimizing Kernel Methods Using Swarm
Intelligence Algorithms
Abstract:
Kernel methods, which include support vector machines, have achieved remarkable
success in many application areas. This success is, however, dependent on the kernel
and parameters defined for each problem. These issues have been addressed using various
analytical, algebraic and heuristic techniques. More recently, various evolutionary
methods have also been used. In this thesis we present an approach based on swarm
intelligence for the optimization of support vector machines. The contributions of this
work include the analysis of previous evolutionary approaches; the proposal of a swarm
algorithm to train support vector machines that presents better performance than the
best previously known evolutionary approach and can overcome the classical methods
when indefinite kernels are used; and the presentation of a swarm algorithm able to
simultaneously optimize several aspects of the approach, substantially reducing user
intervention. Additionally, we developed new algorithms and methodologies of general
utility in the area of swarm intelligence. |
URI: | http://hdl.handle.net/10174/12322 |
Type: | doctoralThesis |
Appears in Collections: | BIB - Formação Avançada - Teses de Doutoramento
|
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
|