Ciência para a Redução das Desigualdades
15 a 20 de outubro de 2018
Trabalho 10630
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Pós-graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Biológicas e da Saúde |
| Área temática | Ciências Biológicas |
| Setor | Departamento de Biologia Geral |
| Bolsa | CNPq |
| Conclusão de bolsa | Não |
| Apoio financeiro | CNPq |
| Primeiro autor | Ivan de Paiva Barbosa |
| Orientador | COSME DAMIAO CRUZ |
| Outros membros | Alexandre Gomes Ferraz, Ana Izabella Freire, Francyse Edite de Oliveira Chagas |
| Título | Redes neurais na discriminação de populações com alta similaridade genética |
| Resumo | A área da inteligência artificial está se expandindo a cada dia. Dentro dessa área existem as redes neurais, a lógica Nebulosa e a Computação Evolucionária. As redes são sistemas paralelos compostos por unidades elementares, denominadas neurônios, que calculam determinadas funções matemáticas geralmente não-lineares, cujo funcionamento é inspirado no próprio cérebro humano. A arquitetura das redes podem ser divididas em três partes ou camadas: camada de entrada, camada oculta e camada de saída. Os neurônios usados fornecem saídas tipicamente contínuas e realizam funções simples, como coletar sinais existentes em suas entradas, agregá-los de acordo com sua função operacional e produzir uma resposta, levando em consideração sua função de ativação. Existem várias metodologias de redes, como a Rede de Base Radial e oPerceptron multicamadas. O objetivo do trabalho foi comparar o poder de discriminação das redes neurais artificiais com a análise discriminante de Anderson frente a populações com alta similaridade genética. Para isso foram simuladas no programa computacional GENES (CRUZ, 2013) duas populações dialélicas (P1 e P2) com 100 indivíduos e 20 locos co-dominantes e realizados diversos cruzamentos entre elas, formando a geração filial 1 (F1 = P1 x P2), a geração retrocruzamento a (RCa = P1 x F1) e a geração retrocruzamento b (RCb = P2 x F1), todas também com 100 indivíduos. O arquivo com as cinco populações foi partido em dois: 80% para treinamento e 20% para treinamento. Foi observado que para a análise discriminante de Anderson foi encontrado 63,9% de erro durante as classificações no arquivo de validação. Para a rede neural artificial os arquivos foram ampliados antes da análise, ficando 800 indivíduos para treinamento e 200 para validação. A análise foi feita com a metodologia Perceptron multicamadas em um período de 5000 épocas. A menor taxa de erro obtida foi de 36,5% ao se utilizar 2 camadas ocultas, com respectivamente 18 e 12 neurônios. A primeira função de ativação usada foi a tansig, na primeira camada, e a segunda logsig, na segunda camada. Este trabalho mostrou a melhor capacidade de discriminação da rede neural artificial quando comparada com a análise discriminante de Anderson para identificar populações semelhantes. |
| Palavras-chave | Redes neurais artificiais, populações semelhantes, discriminação. |
| Forma de apresentação..... | Painel |