Conexão de Saberes e Mundialização

20 a 23 de outubro de 2015

Trabalho 5418

ISSN 2237-9045
Instituição Universidade Federal de Viçosa- Campus de Rio Paranaiba
Nível Graduação
Modalidade Pesquisa
Área de conhecimento Ciências Exatas e Tecnológicas
Área temática Química teórica e experimental
Setor Instituto de Ciências Exatas e Tecnológicas
Conclusão de bolsa Não
Primeiro autor Cecília Baldoíno Ferreira
Orientador GILMAR GONÇALVES FERREIRA
Outros membros Luana Loren Corrêa Oliveira, Mauro Almeida Lima, Rochele Ferreira Silva Diniz
Título Uso de Redes Neurais Artificiais (MLP) e computação paralela para análise estatística da origem de vinhos
Resumo O vinho nada mais é do que o resultado da fermentação alcoólica do mosto da uva madura e, neste contexto, pesquisas sobre a qualificação vinícola vêm se tornando cada vez mais importantes. Neste trabalho, usou-se um banco de dados específico sobre a Origem de Vinhos oriundos de 3 vinícolas diferentes, produzidos na mesma região da Itália. Esse banco de dados conta com 13 análises químicas para cada tipo de vinho produzido. O objetivo desse trabalho foi a utilização desse banco de dados para o teste do algoritmo NeuroChem que, através de uma RNA Multilayer Perceptrons (MPL) de três arquiteturas distintas, efetuou a análise estatística do Coeficiente de Variação (CV),durante a classificação da origem das amostras de vinho.

Parâmetros de análise química foram utilizados para alimentar a camada de entrada de uma Rede Neural Artificial (RNA) específica, cujo processamento estatístico foi aplicado sobre um banco de dados contendo 178 amostras de Vinhos, oriundos de 3 cultivos diferentes da Itália. Após a definição da taxa de aprendizado a ser usada, foram efetuados testes específicos para a análise estatística em série e em paralelo. O algoritmo NeuroChem, escrito em linguagem de alto nível Scilab® , possibilitou o acesso aos recursos (núcleos) de processamento da máquina através de uma rotina específica que usa o sistema paralell_run. Foram efetuados 20 testes para cada amostragem, a partir dos resultados do treinamento com os parâmetros químicos do banco de dados.
As etapas de Treinamento e Validação foram efetuadas com 60% e 30% do banco de dados. Os 10% restantes foram utilizados para a fase de Teste. O Erro Quadrático Médio (EQM) foi medido a cada época de treinamento verificando a diferença entre as respostas encontradas pela RNA e os dados originais. De forma semelhante trabalhou-se com o Erro Percentual Médio Absoluto (do inglês, MAPE) utilizado para medir a diferença entre as previsões feitas pela RNA e os dados originais, uma vez que o MAPE tende a ser mais sensível que o EQM. Os resultados mostraram que a arquitetura de rede com três camadas foi a que apresentou os menores valores de MAPE e EQM, para a classificação da origem das amostras de vinho, na fase final de teste.
As etapas de Treinamento e Validação da rede MLP se mostraram eficientes para a taxa de aprendizado igual a 0,1. A arquitetura da rede com 3 camadas ocultas apresentou menor erro EQM e menor CV para as amostras de vinhos, na fase de Teste. Ficou evidenciado pelos resultados que a análise estatística feita com a programação paralela representou uma redução de 73% do tempo de espera, quando comparado à mesma análise em série, para este banco de dados específico.
Palavras-chave Vinho, Redes Neurais Artificiais, Processamento Paralelo.
Forma de apresentação..... Painel
Gerado em 0,66 segundos.