Informações:

Publicações do PESC

Título
Time-Series Classification with KernelCanvas and WISARD
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
18/12/2015
Resumo
Dados envolvendo séries temporais estão largamente presentes em nosso cotidiano, seja na forma de ondas de áudio, em sensores de instrumentos médicos, no movimento de pessoas e animais, ou em inúmeras outras. Considerando as diversas aplicações que podem ser desenvolvidas por meio desses, a classificação de séries temporais busca discriminar os padrões observados a partir de generalizações feitas sobre um conjunto finito de exemplos de treinamento. Este conjunto pode ter sido apresentado inteiramente durante uma fase prévia de desenvolvimento, ou obtido iterativamente no ambiente de execução, incrementando o conhecimento já existente. Inúmeras abordagens estão disponíveis na literatura para realizar esta tarefa e muitas vezes conseguem alcançar satisfatórias taxas de reconhecimento. Infelizmente, poucas conseguem se adequar a ambientes dinâmicos, onde novas amostras e classes são apresentadas a todo momento, e ainda conseguem manter características importantes, como operações de treinamento e classificação em tempo real.Neste trabalho é apresentada uma nova forma de classificação de séries temporais. A metodologia, baseada na rede neural sem peso WiSARD, alcança todos esses objetivos por meio de uma abordagem que identifica aleatoriamente as principais características dos sinais apresentados, ao mesmo tempo que não prejudica as características do modelo neural utilizado. Para avaliar a eficácia do modelo proposto, cinco outros modelos e cinco bases de dados envolvendo três tipos diferentes de dados foram utilizados. Ao final dos experimentos, os resultados do modelo proposto são também comparados com os melhores resultados encontrados na literatura, na qual o modelo proposto, além de apresentar todas as características desejadas, também apresenta muitos resultados equiparáveis.
Abstract
Time series data is widely present in our world, whether in the form of audio waves, in sensors of medical instruments, on the movement of people and animals, or on numerous others. Among the diversity of applications that can be developed from them, the classification of time series seeks to discriminate observed patterns through generalizations made over a finite set of training examples. This set may have been fully presented at a preliminary stage of development, or obtained iteratively in the execution environment, increasing the existing knowledge. Countless approaches are available in the literature for this task and they often achieve satisfactory recognition rates. Unfortunately, few of them are able to adapt to dynamic environments, where new samples and classes are continuously presented, while still maintaining important features such as training and classification operations in real time.This work presents a new form of time series classification. The methodology, based on the weightless neural network WiSARD, achieves all these goals through an approach that randomly identifies key features of the signals presented without hurting the characteristics of the neural model used. To evaluate the effectiveness of the proposed model, five other models and five data sets containing data from three different sources were used. At the end of the experiments, the results of the proposed model are also compared with the best results found in the literature, were it is observed that the proposed model, in addition to contain all the desired features, also presents many equivalent results.
Arquivo
Topo