Doutorado em Modelagem Matemática e Computacional

URI Permanente para esta coleção

https://repositorio.cefetmg.br//handle/123456789/648

Navegar

Navegando Doutorado em Modelagem Matemática e Computacional por Assunto "Aprendizagem de máquina – Teses"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Abordagens evolucionárias para aprendizado autônomo em redes neuro-fuzzy preditivas
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2025-08-25) Medeiros, Glender Brás; Silva, Alisson Marques da; Wanner, Elizabeth Fialho; http://lattes.cnpq.br/2243256075052322; http://lattes.cnpq.br/3856358583630209; http://lattes.cnpq.br/5341764231791401; Silva, Alisson Marques da; Lemos, André Paim; D'Angelo, Marcos Flávio Silveira Vasconcelos; Vargas, Dênis Emanuel da Costa; Martins, Flávio Vinicius Cruzeiro
    Este trabalho propõe novas abordagens evolucionárias para o aprendizado autônomo em redes neuro-fuzzy. São apresentados três novos modelos neuro-fuzzy evolucionários: um linguístico (FALCON-GA) e dois funcionais (EvoNFuzz e DGP-NF). O FALCON-GA utiliza um algoritmo genético para a extração de regras e um método baseado em gradiente para o ajuste dos parâmetros. Já o EvoNFuzz e o DGP-NF empregam programação genética multi-gene para a modelagem das regras funcionais. Esses modelos apresentam uma estrutura mais próxima das redes neurais, incorporando pesos sinápticos aos consequentes das regras. Para o ajuste de parâmetros, o EvoNFuzz utiliza um método baseado em gradiente, enquanto o DGP-NF adota um método de aprendizagem incremental baseado em mínimos quadrados ponderados. Além disso, o DGP-NF introduz mecanismos voltados à melhoria da exploração do espaço de busca, como população dinâmica, controle de diversidade populacional e um operador de poda baseado na análise de diversidade dos genes, com o objetivo de eliminar regras redundantes. Tais mecanismos são fundamentados na diversidade fenotípica, uma vez que o principal objetivo é aumentar a qualidade das soluções geradas pela programação genética e aprimorar as respostas fornecidas pelo modelo final. Experimentos computacionais em tarefas de regressão, conduzidos em 21 conjuntos de dados, sugerem que as abordagens propostas são promissoras e que os modelos desenvolvidos são eficientes para esse tipo de problema. Destaca-se o DGP-NF, que obteve os melhores resultados em 16 conjuntos e apresentou desempenho competitivo nos demais. Os resultados também indicam que o método de aprendizagem incremental supera o método baseado em gradiente no ajuste de parâmetros em redes neuro-fuzzy evolucionárias, além de apontarem que redes funcionais são mais eficazes do que as linguísticas em problemas de regressão. O uso de mecanismos como população dinâmica e controle de diversidade demonstrou ser eficiente para evitar a convergência prematura e melhorar a acurácia dos modelos. Além disso, a poda baseada na diversidade fenotípica mostrou-se uma estratégia simples e eficaz para eliminar regras redundantes, por meio da poda de indivíduos multi-gene.