Uso de redes neurais artificiais (rna) do tipo multilayer perceptrons (mlp) modificado com processamento estatístico em paralelo para estudo do problema de classificação da origem de vinho tinto

Abstract

Este estudo foi realizado com a criação de um modelo de Rede Neural Artificial (RNA) do tipo Multilayer Perceptron (MLP), visando a análise de um problema de classificação, aliado à determinação estatística do Coeficiente de Variação dos resultados obtidos pela rede. Para este fim, o programa criado, nomeado como NeuroChem, utilizou um banco de dados contendo os resultados da análise físico-química de 178 amostras de vinho tinto, oriundos de três cultivares diferentes da Itália. Ao todo, 13 parâmetros físico-químicos foram normalizados e usados para a alimentação do algoritmo visando a determinação da origem (Classe) de cada uma das amostras através de técnicas de processamento em paralelo (Multithread) para análise estatística da saída de rede, como forma alternativa de minimização do erro de Treinamento/Validação. Ficou evidenciado pelos resultados que, para este banco de dados, a melhor arquitetura de rede MLP deve ser composta por 3 camadas ocultas e o processamento estatístico, feito com a programação em paralelo, representou uma redução de 73% do tempo de espera dos resultados, quando comparado à mesma análise comumente executada em série.

This study was performed with the creation of an Artificial Neural Network (ANN) model in a Multilayer Perceptron class (MLP) in order to make the analysis of a classification problem, together with the statistical analysis of the of Coefficient of Variation results provided by the neural network. To this goal, the program named as Neurochem used a database containing physical-chemical analysis results of 178 samples of wines, from three different cultivars of Italy. These 13 physical-chemical parameters were standardized and used for feeding the computational algorithm in order to determine the origin (class) of the given samples using techniques of parallel processing (multithread) and the statistical analysis of the network output, as an alternative way to minimize the training/validation error. Evidenced by the results, the best MLP network architecture for this database must be composed of three hidden layers and the statistical processing, done with programming in parallel, confirms a 73% reduction of the waiting time for results when compared to the same analysis commonly performed in the serial way type.