| Summary: | Este trabalho fundamenta-se no conceito de máquina de comitê de redes neurais artificiais e tem por objetivo resolver o problema inverso de transferência radiativa em um meio
unidimensional, homogêneo, absorvedor e espalhador isotrópico. A máquina de comitê de redes neurais artificiais agrega e combina o conhecimento adquirido por um certo número de
especialistas aqui representados, individualmente, por cada uma das redes neurais artificiais (RNA) que compõem a máquina de comitê de redes neurais artificiais. O objetivo é atingir um
resultado final melhor do que o obtido por qualquer rede neural artificial separadamente, selecionando-se apenas àquelas redes neurais artificiais que apresentam os melhores resultados na fase de generalização descartando-se as demais, o que foi feito neste trabalho. Aqui são utilizados dois modelos estáticos de máquinas de comitê, usando a média aritmética de conjunto, que se diferenciam entre si apenas na composição do combinador de saída de cada máquina de comitê. São obtidas, usando-se máquinas de comitê de redes neurais
artificiais, estimativas para os parâmetros de transferência radiativa, isto é, a espessura óptica do meio, o albedo de espalhamento simples e as refletividades difusas. Finalmente, os
resultados obtidos com ambos os modelos de máquina de comitê são comparados entre si e com aqueles encontrados usando-se apenas redes neurais artificiais do tipo perceptrons de
múltiplas camadas (MLP), isoladamente. Aqui essas redes neurais artificiais são denominadas redes neurais especialistas, mostrando que a técnica empregada traz melhorias de
desempenho e resultados a um custo computacional relativamente baixo. === This work is based on the concept of neural networks committee machine and has the objective to solve the inverse radiative transfer problem in one-dimensional, homogeneous,
absorbing and isotropic scattering media. The artificial neural networks committee machine adds and combines the knowledge acquired by an exact number of specialists which are
represented, individually, by each one of the artificial neural networks (ANN) that composes the artificial neural network committee machine. The aim is to reach a final result better than the one obtained by any of the artificial neural network separately, selecting only those artificial neural networks that presents the best results during the generalization phase and discarding the others, what was done in this present work. Here are used two static models of committee machines, using the ensemble arithmetic average, that differ between themselves only by the composition of the output combinator by each one of the committee machine. Are obtained, using artificial neural networks committee machines, estimates for the radiative transfer parameters, that is, medium optical thickness, single scattering albedo and diffuse reflectivities. Finally, the results obtained with both models of committee machine are compared between themselves and with those found using artificial neural networks type multi-layer perceptrons (MLP), isolated. Here that artificial neural networks are named as specialists neural networks, showing that the technique employed brings performance and results improvements with relatively low computational cost.
|
|---|
