Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/56529| Tipo: | Dissertação |
| Título : | Redes de Função de Base Radial Utilizando a Função Lambert-Tsallis |
| Autor : | Silva, Jorge Lucas Mouta da |
| Tutor: | Ramos, Rubens Viana |
| Palabras clave : | Função Wq de Lambert-Tsallis;Disentropia relativa quântica;Função densidade de probabilidade;Redes de função de base radial |
| Fecha de publicación : | 2020 |
| Citación : | SILVA, Jorge Lucas Mouta da. Redes de Função de Base Radial Utilizando a Função Lambert-Tsallis. 2020. 40 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia de Teleinformática, Fortaleza, 2020. |
| Resumen en portugués brasileño: | Redes neurais artificiais são modelos computacionais baseados no sistema nervoso central que são capazes aproximar funções desconhecidas, por isso realizam muito bem o reconhecimento de padrões. Há diferentes tipos de redes neurais. Essa dissertação trabalha exclusivamente com Redes de Função de Base Radial (RBFN – em inglês). O principal elemento de uma RBFN é exatamente a função de base radial a ser utilizada. O presente trabalho propõe uma nova função de base radial baseada na recém criada função de Lambert-Tsallis. A RBFN usando a função de Lambert-Tsallis foi então utilizada em duas tarefas: 1) Como classificador capaz de discriminar estados de dois qubits entrelaçados e não entrelaçados. 2) Como estimador de função densidade de probabilidade a partir de uma sequência aleatória de números. No primeiro caso estados quânticos com entrelaçamento maior que 0,1 foram corretamente classificados pela RBFN proposta em pelo menos 97% dos casos. No segundo caso, a RBFN estimou com boa precisão as funções densidade de probabilidade de dois conjuntos de dados amostrados, respectivamente, de acordo com as distribuições Normal e Cauchy. Em ambos os casos os resultados obtidos foram comparados com os resultados obtidos por outra RBFN usando como função de base radial a função q-Gaussiana com diferentes valores de q. |
| Abstract: | Artificial neural networks are computational models based on the central nervous system that can approximate unknown functions, so they perform pattern recognition very well. There are different types of neural networks. This dissertation works exclusively with Radial Base Function Networks (RBFN). The main element of an RBFN is exactly the radial base function used. The present work proposes a new radial base function based on the recently created Lambert-Tsallis function. The RBFN using the Lambert-Tsallis function was then used in two tasks: 1) As a classifier capable of discriminating between entangled and disentangled states of two qubits. 2) As a probability density function estimator based on a random sequence of numbers. In the first case, quantum states with entanglement greater than 0.1 were correctly classified by the proposed RBFN in at least 97% of cases. In the second case, the RBFN estimated the probability density functions of two sampled data sets with good precision, according to the Normal and Cauchy distributions. In both cases the results obtained were compared with the results obtained by another RBFN using the q-Gaussian function with different values of q as the radial basis function. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/56529 |
| Aparece en las colecciones: | DETE - Dissertações defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2020_dis_jlmsilva.pdf | 933,22 kB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.