Uso de Redes Neurais Artificiais (RNA) do tipo Multilayer Perceptrons (MLP) modificado com processamento estatístico em paralelo para estudo do problema de classificação da origem de vinho tinto.

  • Mauro Almeida Lima Universidade Federal de Viçosa - UFV
  • Gilmar Gonçalves Ferreira Universidade Federal de Viçosa - UFV
  • Luana Loren Corrêa Oliveira Instituto Federal de Educação Ciência e Tecnologia do Triângulo Mineiro - IFTM
  • Rochele Ferreira Silva Diniz Universidade Federal de Viçosa - UFV
  • Cecília Baldoino Ferreira Universidade Federal de Viçosa - UFV
Palavras-chave: Vinho, Redes Neurais Artificiais, Processamento Paralelo

Resumo

Este estudo foi realizado com a criação de um modelo de Rede Neural Artificial (RNA) do tipo Multilayer Perceptron (MLP), visando a análise de um problema de classificação, aliado à determinação estatística do Coeficiente de Variação dos resultados obtidos pela rede. Para este fim, o programa criado, nomeado como NeuroChem, utilizou um banco de dados contendo os resultados da análise físico-química de 178 amostras de vinho tinto, oriundos de três cultivares diferentes da Itália. Ao todo, 13 parâmetros físico-químicos foram normalizados e usados para a alimentação do algoritmo visando a determinação da origem (Classe) de cada uma das amostras através de técnicas de processamento em paralelo (Multithread) para análise estatística da saída de rede, como forma alternativa de minimização do erro de Treinamento/Validação. Ficou evidenciado pelos resultados que, para este banco de dados, a melhor arquitetura de rede MLP deve ser composta por 3 camadas ocultas e o processamento estatístico, feito com a programação em paralelo, representou uma redução de 73% do tempo de espera dos resultados, quando comparado à mesma análise comumente executada em série.

Downloads

Não há dados estatísticos.

Referências

AEBERHARD, Stefan; COOMANS, Danny; DE VEL, Olivier. The classification performance of RDA. Dept. of Computer Science and Dept. of Mathematics and Statistics, James Cook University of North Queensland, Tech. Rep, p. 92-01, 1992.


AEBERHARD, Stefan; COOMANS, Danny; DE VEL, Olivier. The performance of statistical pattern recognition methods in high dimensional settings. In: Proc. IEEE Signal Process. Workshop Higher Order Statist. 1994. p. 14-16.


BRANCO; Tadeu Sacha; SAMPAIO; Raimundo José Borges de Sampaio; Aplicação de redes neurais artificiais em modelos de previsão de demanda para equipamentos de infraestrutura de telecomunicações. in XXVIII Encontro Nacional de Engenharia de Produção; Rio de Janeiro, RJ, Brasil, 13 a 16 de outubro de 2008.


CORTEZ, Paulo et al. Modeling wine preferences by data mining from physicochemical properties. Decision Support Systems, v. 47, n. 4, p. 547-553, 2009.


DA COSTA, Celso Maciel; STRINGHINI, Denise; CAVALHEIRO, Gerson Geraldo Homrich. Programação Concorrente: Threads, MPI e PVM. Escola Regional de Alto Desempenho, II ERAD, v. 2, 2002.


DE OLIVEIRA, Anderson Castro Soares et al. Aplicação de redes neurais artificiais na previsão da produção de álcool. 2010.

GOMES, Frederico Pimentel. O índice de variação, um substituto vantajoso do coeficiente de variação. 1991.


FERNANDES, Luiz Gustavo L.; PORTUGAL, Marcelo Savino; NAVAUX, Philippe OA. Previsão de séries de tempo: redes neurais artificiais e modelos estruturais. Pesquisa e Planejamento Econômico, v. 26, n. 2, p. 253-276, 1996.


FORINA, M. et al. Multivariate data analysis as a discriminating method of the origin of wines. Vitis, v. 25, n. 3, p. 189-201, 1986.


GONÇALVES, L.R. Modelagem de séries representativas do setor energético brasileiro. 2007. 106p. Dissertação (Mestrado em Estatística e Experimentação Agropecuária) -Universidade Federal de Lavras, Lavras, 2007.


LICHMAN, M. (2013). UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science.


LIN, Kuo-Ping. A Novel Evolutionary Kernel Intuitionistic Fuzzy $ C $-means Clustering Algorithm. Fuzzy Systems, IEEE Transactions on, v. 22, n. 5, p. 1074-1087, 2014.


MOREIRA, Michel Castro et al. Desenvolvimento e análise de uma rede neural artificial para estimativa da erosividade da chuva para o Estado de São Paulo. Revista Brasileira de Ciência do Solo, v. 30, n. 6, p. 1069-1076, 2006.


MUTTER, Stefan; HALL, Mark; FRANK, Eibe. Using classification to evaluate the output of confidence-based association rule mining. In: AI 2004: Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2005. p. 538-549.


NAVAUX, Philippe OA; DE ROSE, César AF; PILLA, Laércio L. Fundamentos das Arquiteturas para Processamento Paralelo e Distribuído. XI Escola Regional de Alto Desempenho do Estado do Rio Grande do Sul-2011-Porto Alegre, RS, p. 22-59, 2011.


PEREIRA, Liliany Aparecida dos Anjos. Classificação automática de áreas cafeeiras em imagens de satélite, utilizando Redes Neurais Artificiais. 2015.


SANGOI, Luiz Fernando. Análises do sistema produtivo suinícola da região central do rio grande do sul. Tese de Doutorado. Universidade Federal do Rio Grande do sul. 2014.


SOARES, Fátima Cibele et al. Redes neurais artificiais na estimativa da retenção de água do solo. Ciência Rural, v. 44, n. 2, p. 293-300, 2014.


SOUZA, M. B. et al. Uso da rede neural artificial no planejamento cirúrgico da correção do estrabismo. Arq Bras de Oftalmol, v. 67, n. 5, p. 459-52, 2004.


TANG, Bo et al. A Parametric Classification Rule Based on the Exponentially Embedded Family. 2015.


TONSIG, Sérgio Luiz. Redes Neurais Artificiais Multicamadas e o Algoritmo Backpropagation. 2000.


ZHONG, Ping; FUKUSHIMA, Masao. Regularized nonsmooth Newton method for multi-class support vector machines. Optimisation Methods and Software, v. 22, n. 1, p. 225-236, 2007.
Publicado
2016-06-30
Como Citar
Lima, M. A., Ferreira, G. G., Oliveira, L. L. C., Diniz, R. F. S., & Ferreira, C. B. (2016). Uso de Redes Neurais Artificiais (RNA) do tipo Multilayer Perceptrons (MLP) modificado com processamento estatístico em paralelo para estudo do problema de classificação da origem de vinho tinto. Revista Brasileira De Agropecuária Sustentável, 6(2). https://doi.org/10.21206/rbas.v6i2.282
Seção
Artigos