Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouAfonso Barata Borges Alterado mais de 8 anos atrás
1
Luiz Eduardo Balabram
2
CERN UPSO Resultados Conclusão
3
Fundado no ano de 1954 é o maior centro de pesquisas científicas na área de física de partículas Conta com a colaboração de 113 países, envolvendo 608 universidades e institutos Possui o maior acelerador de partículas já construído, LHC
4
É um dos dois detectores de propósito geral localizados ao redor do LHC Grava as medidas das partículas criadas na colisão É composto por vários subsistemas com características específicas
5
O ATLAS possui um sistema de coordenadas cartesiano que segue a regra da mão direita
6
Geometria de células do TileCal
7
PSO voltado para exploitation ou exploration Parsopoulos and Vrahatis (2004) Buscaram um algoritmo capaz de vasculhar localmente e globalmente, sem aumentar a carga computacional Utiliza o coeficiente de constrição (constriction coefficient) Global: Local:
8
Principal novidade de UPSO, ocorre na atualização da velocidade Atualização de posição permanece a mesma u funciona como uma compensação ponderada do melhor mínimo global e local u é valido no intervalo [0,1] u=0, favorece a exploration (busca local) u=1, favorece a exploitation (busca global)
9
Outra novidade, melhoria no fator de exploração Adicionado um novo parâmetro estocástico na equação 3, gerando 2 novas possibilidades para atualizar a velocidade Global: Local r 3 segue uma distribuição gaussiana
10
Tipos t representa a iteração T max representa o número máximo de iterações Linear Modular Exponencial Sigmoid
12
Inicialização aleatória das posições e velocidades Avaliação de desempenho(mse) Busca em cada enxame, atualizando mínimo local e mínimo global Iteração até o término ou alcance de desempenho Atualização de velocidades Atualização do Componente Global de PSO (formula 1) para cada enxame Atualização do Componente Local de PSO (formula 2) para cada enxame Atualização da velocidade utilizando o parâmetro u (fórmula 3) Verificação do limite de velocidade inferior e superior Atualização de posição com base na nova velocidade (fórmula 4) Avaliação de desempenho(mse) Busca em cada enxame, atualizando mínimo local e mínimo global
13
Run_191715 (eventos de outubro de 2011) – aquisição de múons 4015 múons 422 não-múons Minbias (etapa offline) – rejeição de múons 2252 múons (selecionados pelo critério tight) 430 não-múon (selecionados pelo critério loose)
14
70% treino 20% validação 10% teste Replicação dos dados Mudanças das variáveis eta para sin() e cos() Variação aleatoriamente uniforme entre conjunto de terinamento/validação/teste Rede Neural MLP 7 entradas Neurônios na camada escondida Quantidade: 15 para 191715 e 29 para minbias Tipo: tangente hiperbólico Camada de saída 1 tangente hiperbólica UPSO 40 enxames Chi 0.736 ; C1=C2=2.05; U = 0.5 Ambos Inicialização de pesos aleatória 4000 épocas; fail = 500
16
Best SP(%) mean SP(%) stdSP (%) Best FA(%) Mea_ fa(%) Std_F A(%) Best TA(%) Mean TA(%) Std TA(%) Upso64,4660,022,8132,3940,383,5964,2859,502,53 Upso_ linear 63,3659,872,1832,6040,723,3562,8659,392,18 Upso_ mod 66,1060,533,7932,5740,914,4166,1759,693,75 Upso_ exp 63,3359,772,9934,1940,123,1463,0059,412,84 Upso_ sig 65,5561,463,0533,4039,893,7165,3460,743,12 NN80,7472,325,3815,3624,795,9680,5672,235,34 NN_w UPSO 72,1065,923,7629,1839,175,5871,6162,845,03 SPFATA NN_Fernando82,0021,282,3
17
Mean time Std time Upso161,7237,2 Upso_ linear 267,2 4 303,1 Upso_ mod 305,2272,2 Upso_ exp 126,5 2 130,8 Upso_ sig 217,0282,0 NN106,381,92 NN_w UPSO 157,569,27
19
Best SP(%) mean SP(%) stdSP (%) Best FA(%) Mea_ fa(%) Std_F A(%) Best TA(%) Mean TA(%) Std TA(%) Upso99,930 Upso_ linear 99,970 Upso_ mod 99,950 Upso_ exp 99,960 Upso_ sig 99,86099,87 NN99,960 NN_w UPSO 99,85099,86 SPFATA NN_Fernando80,0015,475,6
20
Mean time Std time Upso117,437,51 Upso_ linear 126,253,70 Upso_ mod 112,042,21 Upso_ exp 170,9193,4 Upso_ sig 123,363,56 NN114,341,54 NN_w UPSO 165,876,64
21
Best SP(%) mean SP(%) stdSP (%) Best FA(%) Mea_ fa(%) Std_F A(%) Best TA(%) Mean TA(%) Std TA(%) Upso66,4462,983,6544,6638,194,7166,3061,963,42 Upso_ linear 68,7264,742,2741,1835,405,1268,5463,992,79 Upso_ mod 67,4463,162,9942,3238.842,8666,7162,122,83 Upso_ exp 65,5863,513,2144,8434,895,5966,1861,963.25 Upso_ sig 68,4564,082,7640,7634,345,8268,3363,412,70 NN76,3172,262,7231,4125,803,6776,2672,272,68 NN_w UPSO 68,4162,085,3345,9238,315,0567,63 60,395,63 SPFATA NN_Fernando80,0015,475,6
22
Mean time Std Time Upso86,1265,70 Upso_ linear 105,587,01 Upso_ mod 100,3100,6 Upso_ exp 53,4024,63 Upso_ sig 77,4774,61 NN63,0818,64 NN_w UPSO 103,670,92
23
O algoritmo UPSO apresentou um desempenho pior em relação a rede neural Não houveram melhorias significativas em relação aos algoritmos
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.