Proposta para Trabalhos Futuros

Considerando o desempenho apresentado pelos algoritmos estudados para o reconhecimento de dígito manuscritos, existe a possibilidade de verificar o desempenho de outras abordagens conhecidas, com a aplicação das características biológicas estudadas neste trabalho. O hibridismo com outras técnicas mostrou ser uma abordagem interessante para a construção de algoritmos dessa natureza. A pesquisa e a criação de novas características biológicas podem melhorar o desempenho da arquitetura e também sejam utilizadas em outros modelos.

Outra possibilidade seria explorar o impacto das características extraídas das imagens no resultado final do reconhecimento. Procurar selecionar as características que

apresentam uma maior relevância na taxa final de reconhecimento para diminuir a quantidade de características dos padrões. Assim, permitiria uma redução na complexidade da tarefa de reconhecimento da base de dados.

Outra interessante funcionalidade a ser adicionada na arquitetura é a atualização automática dos parâmetros de configuração devido a sua quantidade e dificuldade de otimização. Os parâmetros de configuração poderiam ser atualizados de forma automática a partir da evolução do próprio algoritmo, seguindo as técnicas de controle paramétrico explicadas na Seção 3.4. Este tipo de automatização pode resultar em sistemas de reconhecimento mais versáteis e independentes do tipo de problema que está sendo estudado.

É necessário diminuir o custo computacional para o treinamento do algoritmo

Clonale. Mesmo apresentando as melhores taxas de reconhecimento, seu alto tempo de

treinamento pode tornar o algoritmo inviável para alguns tipos de problema, os quais necessitem de uma resposta mais rápida no treinamento.

[Abbas e Lichtman, 2003] ABBAS, A. K., E LICHTMAN, A. H. (2003). Cellular and Molecular Immunology (5th ed.). W.B. Saunders Company, 556 pages.

[Alexandrino e Carvalho Filho,

2006a] ALEXANDRINO, J. L. E CARVALHO FILHO, E. C. B. (2006). Inquiry of a New Approach of Artificial Immune Systems Applied to Pattern Recognition. Artificial Neural Networks In Engineering (ANNIE 2006), Vol 16, pages 605-610.

[Alexandrino e Carvalho Filho, 2006b]

ALEXANDRINO, J. L. E CARVALHO FILHO, E. C. B. (2006). Investigation of a New Artificial Immune System Model Applied to Pattern Recognition. Sixth International Conference on Hybrid Intelligent Systems (HIS’06). IEEE Computer Society Press, page 16.

[Bortolozzi et al., 2005] BORTOLOZZI, F., BRITTO JR., A., OLIVEIRA, L. S. E MORITA, M. (2005). Recent Advances in Handwriting Recognition. In Umapada Pal et al editors, Document Analysis, pages 1-31.

[Braga et al., 2000] BRAGA, A. P., CARVALHO, A. P. L. e LUDERMIR, T.B. (2000). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro: Livros Técnicos e Científicos, 262 páginas.

[Dasgupta, 1998] DASGUPTA, D., (1998). Artificial Immune Systems and their Applications. Springer, 306 pages.

[Dasgupta, 2006] DASGUPTA, D. (2006). Advances in Artificial Immune Systems. In IEEE Computational Intelligence Magazine, pages 40-49.

[De Castro e Timmis, 2002] DE CASTRO, L. N. E TIMMIS, J. I. (2002). Artificial Immune Systems: A Novel Paradigm for Pattern Recognition. in: L. Alonso, J. Corchado, C. Fyfe (Eds.), Artificial Neural Networks in Pattern Recognition, University of Paisley, pages 67-84.

[De Castro e Von Zuben,

2000a] De Castro, L. N. E Von Zuben, F. J. (2000) Artificial Immune Systems: Part II - A Survey Of Applications. Department of Computer Engineering and Industrial Automation, School of Electrical and Computer Engineering, State University of

Campinas, SP, Brazil. Feb 2000 [De Castro e Von Zuben,

2000b]

DE CASTRO, L. N. E VON ZUBEN, F. J. (2000). The Clonal Selection Algorithm with Engineering Applications. GECCO’00 – Workshop Proceedings, pages 36-37.

[De Castro e Von Zuben, 2000c]

CASTRO, L. N. E VON ZUBEN, F. J. (2000) An Evolutionary Immune Network for Data Clustering. In: Simpósio Brasileiro de Redes Neurais (SBRN'00), 2000, Rio de Janeiro. Anais do Simpósio Brasileiro de Redes Neurais, 2000. v. 1. p. 84-89. [De Castro e Von Zuben,

2001a] DE CASTRO, L.N. E VON ZUBEN, F. J. (2001) The Construction of a Boolean Competitive Neural Network Using Ideas from Immunology. Neurocomputing, Estados Unidos, v. 50, p. 51-85, 2003.

[De Castro e Von Zuben, 2001b]

DE CASTRO, L. N. E VON ZUBEN, F. J. (2001), Learning and Optimization Using the Clonal Selection Principle. IEEE Transaction on Evolutionary Computation. Vol 6 Issue 3 p. 239- 251.

[De Castro, 2001] DE CASTRO, L. N. (2001). Engenharia Imunológica: Desenvolvimento e Aplicação de Ferramentas Computacionais Inspiradas em Sistemas Imunológicos Artificiais. Tese (Doutorado em Engenharia Elétrica), Curso de Pós-graduação em Engenharia de Computação, Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas - Unicamp, Campinas – SP, 277 páginas.

[Duda et al., 2001] DUDA, R. O., HART, P. E., STORK e D. G. (2001). Pattern Classification. 2nd ed, Stork-John Wiley and Sons, 654 pages. [Eiben e Smith, 2003] EIBEN, E. E J.E. SMITH (2003). Introduction to Evolutionary

Computing. Natural Computing Series, MIT Press, Springer, 299 pages.

[Glover, 1987] GLOVER, F. (1987). Tabu Search Methods in Artificial Intelligence and Operations Research, ORSA Artificial Intelligence, Vol. 1, No. 2, 6, 1987.

[Hayken, 1994] HAYKIN, S. (1994). Neural Networks. Prentice-Hall Inc., New Jersey et al, 842 pages.

[Jain et al., 2000] K. Jain, R. P. W. Duin, J. Mao (2000). Statistical pattern recognition: A review. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(1):4-37.

[Jerne, 1974a] JERNE, N. K. (1974a). Towards a Network Theory of the Immune System. Ann. Immunol. (Inst. Pasteur) 125C, pp. 373-

389.

[Jerne, 1974b] JERNE, N. K. (1974b). Clonal Selection in a Lymphocyte Network. Cellular Selection and Regulation in the Immune Response, G. M. Edelman (Ed.), Raven Press, N. Y., p. 39.

[Ji e Dasgupta, 2003] JI, Z., E DASGUPTA, D. (2003). Artificial Immune System (AIS) Research in the Last Five Years. Published in the proceedings of the Congress on Evolutionary Computation Conference (CEC) Canberra, Australia, pages 8-12.

[Liu et al., 1997] LIU, C.-L., LIU, Y.-J., DAÍ, R.-W. (1997). Preprocessing and Statistical/Structural Feature Extration for Handwritten Numeral Recognition. Progress of Handwritting Recognition, Downton & Impedovo (Eds.), World Scientific, 1997.

[Liu et al., 2003] LIU C. L., NAKASHIMA, K., SAKO, H. E FUJISAWA, H. (2003). Handwritten Digit Recognition: Benchmarking of State-of-the-Art Techniques. Pattern Recognition, Vol. 36, Number 10, pages 2271-2285.

YAMAZAKI, A. (2004). Evolução de Redes Imunológicas para Coordenação Automática de Comportamentos Elementares em Navegação Autônoma de Robôs. Dissertação (Mestrado em Ciência da Computação), Curso de Pós-graduação em Ciência da Computação, Centro de Informática, Universidade Federal de Pernambuco, Recife-PE, 147p.

[Mico e Oncina, 1999] MICO, L. E ONCINA, J. (1999). Comparison of fast nearest neighbour classifier for handwritten character recogniton. Pattern Recognition Letters, Vol 19(3-4), pages 351-356

[Moscato, 1989] MOSCATO, P. (1989). On evolution, search, optimization, GAs and martial arts: toward memetic algorithms. California Inst. Technol., Pasadena, CA, Tech. Rep. Caltech Concurrent Comput. Prog. Rep. 826.

[Oliveira et al., 2006] OLIVEIRA, H. C. B., ALEXANDRINO, J. L. E SOUZA, M. M. (2006). Memetic and Genetic Algorithms: A Comparison among Different Approaches to Solve Vehicle Routing Problem with Time Windows. Sixth International Conference on Hybrid Intelligent Systems (HIS’06). IEEE Computer Society Press, page 55.

[Prechelt, 1994] PRECHELT, L. (1994). Proben1 – A Set of Neural Network Benchmark Problems and Benchmarking Rules. Technical Report 21/94, Fakultät für Informatik, Universität Karlsruhe, Germany.

[Rumelhart e McClelland, 1986]

RUMELHART, D. E. E MCCLELLAND, J. L. (1986). Parallel Distributed Processing, Vol 1, Foundations. The MIT Press, 1986.

[Rumelhart et al.,1986] RUMELHART, D. E., HINTON, G. E. E WILLIAMS, R. J. (1986). Learning internal representations by error propagation. Parallel Distributed Processing (Edited by D. E. Rumelhart and J. L. McClelland), Cambridge, MIT Press, Vol. 1, pages 318-362

[Russell e Norvig, 2003] RUSSELL, S. J. E NORVIG, P. (2003). Artificial Intelligence: A Modern Approach. Prentice Hall, 932 pages.

[Smith e Krasnogor, 2005] SMITH, J. E KRASNOGOR, N. (2005). A Tutorial for Competent Memetic Algorithms: Model, Taxonomy, and Design Issues. IEEE Transactions on Evolucionary Computation, Vol. 9, no. 5, pages 474-488.

[Trier et al., 1996] TRIER, O. D., JAIN, A. K., TAXT, T. (1996). Features extraction methods for character recognition – a survey. Pattern Recognition, 29(4), pages 641-662.

[Yamazaki, 2004] YAMAZAKI, A. (2004). Uma metodologia para otimização de arquiteturas e pesos de redes neurais. Tese (Doutorado em Ciência da Computação), Curso de Pós-graduação em Ciência da Computação, Centro de Informática, Universidade Federal de Pernambuco, Recife-PE, 147p.

[Zanchettin, 2004] ZANCHETTIN, C. (2001). Sistema Neural Híbrido Para Reconhecimento de Padrões em um Nariz Artificial. Dissertação (Mestrado em Ciência da Computação), Curso de Pós-graduação em Ciência da Computação, Centro de Informática, Universidade Federal de Pernambuco, Recife-PE, 149 páginas.