Cascade correlation e MLP
Uma comparação avaliativa
Bernardo Felipe de Souza Reis
Departamento de Engenharia Eletrônica
Universidade Federal de Minas Gerais
Belo Horizonte, Brasil bernardosouzareis@gmail.com Abstract — In the field of Artificial Neural Networks (ANN), several strategies and different network architectures have been proposed to cover a wide range of applications. In this paper, one of these models , the Cascade Correlation, originally proposed by
Scott Fahlman will be reviewed, and then a comparison with the
Multilayer Perceptron will be carried out, pointing out vantages and disadvantages of the first with respect to the second.
Keywords — Neural Networks; MLP; Cascade Correlation;
Resumo — No campo das Redes Neurais Aritificias (RNN), diversas estratégias e diferentes arquiteturas de redes foram propostas para uma vasta gama de aplicações. No presente artigo, um desses modelos, o Cascade Correlation, originalmente proposto por Scott Falhman será revisado, e uma comparação com o modelo MLP (Multilayer Perceptron) será realizada, visando apontar as vantagens e desvantagens do primeiro em relação ao segundo.
Palavras chave — Redes Neurais; MLP; Cascade Correlation;
I.
INTRODUÇÃO
Redes Neurais Artificiais (RNAs) compreendem um ramo da inteligência artificial que visa simular o comportamento do cérebro dos animais e seu mecanismo de aprendizado e correção de erro para resolução de uma vasta gama de problemas normalmente não solucionáveis via ferramentas matemáticas ou algoritmos convencionais. Dentre as aplicações mais comuns das RNAs encontram-se os problemas de classificação (separação de um conjunto de dados em duas ou mais classes baseado em características similares entre as classes), regressão (aproximação de séries ou funções lineares ou não lineares), e previsão (estimativa de uma condição futura baseado em dados de instantes de tempo anteriores).
Ao longo dos anos surgiram na literatura diversas