Arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos

Abstract

O aprendizado de máquina é uma área da inteligência artificial que tem como objetivo desenvolver aplicações que possuem a característica de aprender com suas experiências. Para isso, podem ser utilizadas diversas técnicas entre elas destacam-se as redes neurais artificiais e as máquinas de vetores de suporte. Redes neurais artificiais são modelos computacionais inspirados no cérebro, que se originaram dos estudos sobre a teoria psicológica do aprendizado em animais. As máquinas de vetor de suporte utilizam medidas estatísticas para traçar retas que são empregadas para separar conjuntos de dados com a maior distância entre si. Esta técnica vem sendo aplicada com sucesso em várias áreas, como por exemplo, em Engenharia Ambiental e Geologia. A classificação dos solos é um processo com alto custo e trabalhoso, na qual algumas vezes é necessário a predição de alguns dados. A predição das propriedades do solo quando realizada por meio da inteligência artificial possui resultados melhores do que quando empregada a forma tradicional. As máquinas de vetores de suporte apesar de serem eficientes nas resoluções de problemas de classificação, possui uma desvantagem que é o alto tempo despendido nas fases de treinamento e execução. Esta pesquisa teve como objetivo o desenvolvimento de uma arquitetura híbrida de máquinas de vetores de suporte e redes neurais artificiais aplicada a classificação dos solos. Foi utilizada uma base de dados sobre a classificação dos solos do estado de Santa Catarina, aplicando primeiramente as máquinas de vetores de suporte de forma isolada e posteriormente foi desenvolvida a arquitetura híbrida com redes neurais artificiais do tipo Kohonen. O hibridismo foi realizado empregando-se o modelo de rede neural artificial Kohonen para o agrupamento dos dados e aplicando-se uma máquina de vetores de suporte para cada um dos grupos gerados a fim de se classificar os solos. Posteriormente, por meio de métodos estatísticos avaliou-se o desempenho da aplicação das máquinas de vetores de suporte e da arquitetura híbrida, considerando-se os parâmetros de taxa de erro, tempo de treinamento, tempo de execução, acurácia, entre outras medidas de avaliação de um classificador. Foram realizados testes com diferentes quantidades de grupos gerados pela rede neural artificial, sendo elas dois, quatro, cinco, oito e quinze grupos. Ocorreram pequenas melhoras na arquitetura com dois grupos em relação a qualidade do classificador. Aumentando-se a quantidade de grupos para maior que dois, o tempo de execução apresentou melhoras significativas quando comparado com a execução das máquinas de vetores de suporte isoladamente, no entanto observou-se uma diminuição na precisão -da classificação. Nesta pesquisa, a arquitetura híbrida teve seu tempo de execução otimizado, no entanto, não foi significativo estatisticamente. Em relação a acurácia dos modelos gerados, esta se manteve a mesma nos modelos híbridos e de máquinas de vetores de suporte, que foi de aproximadamente 77,5%.