Programa de Pós Graduação em Modelagem Matemática e Computacional - PPGMMC

URI Permanente desta comunidade

https://repositorio.cefetmg.br//handle/123456789/646

Navegar

Navegando Programa de Pós Graduação em Modelagem Matemática e Computacional - PPGMMC por Assunto "Computação evolutiva"

Agora exibindo 1 - 4 de 4
  • Imagem de Miniatura
    Item
    Classificação e reconhecimento de padrões: novos algoritmos e aplicações / Emmanuel Tavares Ferreira Affonso
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2022-02-28) Affonso, Emmanuel Tavares Ferreira; Silva, Alisson Marques da; Moita, Gray Farias; http://lattes.cnpq.br/2550201329788172; http://lattes.cnpq.br/3856358583630209; http://lattes.cnpq.br/3453401178017064
    Este trabalho visa o desenvolvimento de novos algoritmos para tarefas de classificação e reconhecimento de padrões. Inicialmente é proposto um método para seleção de atributos (FS, do inglês feature selection) para classificadores com treinamento offline. A abordagem de FS proposta, chamada de Mean Ratio for Feature Selection (MRFS), é baseada na razão das médias dos atributos em cada classe. MRFS possui baixo custo computacional pois utiliza apenas operações matemáticas básicas como adição, divisão e comparação e realiza apenas uma passagem nos dados para ranquear os atributos. O MRFS foi implementado e avaliado como método filter (MRFS-F) e como wrapper (MRFS-W). O desempenho dos métodos foram avaliados e comparados com o estado da arte. As comparações realizadas sugerem que os métodos propostos possuem um desempenho comparável ou superior aos métodos alternativos. Além dos métodos de FS foram propostos três classificadores evolutivos com treinamento online. O primeiro chamado de evolving Fuzzy Mean Classifier (eFMC) é baseado em um algoritmo de agrupamento fuzzy que realiza a classificação com base no grau de pertinência dos grupos. Novos grupos são criados sempre que uma nova classe é descoberta e a atualização do centro dos grupos é através das médias amostrais calculadas de forma incremental. O segundo classificador introduzido é o evolving Fuzzy Classifier (eFC) que de maneira análoga utiliza as médias amostrais para atualização dos centros dos grupos. Seu diferencial está na capacidade de gerar mais de um grupo associado a uma mesma classe para mapear diferentes regiões do espaço dos dados, criação de novos grupos aplicando o conceito de procrastinação, união de grupos redundantes e exclusão de grupos obsoletos. Por fim, foi proposto um classificador evolutivo com seleção de atributos denominado evolving Fuzzy Classifier with Feature Selection (eFCFS). Este classificador foi construído utilizando o mesmo algoritmo do eFC e incorporando o método MRFS de seleção de atributos. Os classificadores evolutivos propostos foram avaliados e comparados com três classificadores evolutivos alternativos. Os resultados experimentais e as comparações sugerem que os métodos baseados no MRFS para auxiliar modelos com treinamento offline e os 3 modelos evolutivos com treinamento online são promissores como alternativas para tarefas de classificação e reconhecimento de padrões, com boa acurácia e baixo custo computacional.
  • Imagem de Miniatura
    Item
    Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2020-11-30) Silva Júnior, Giovanni Amormino da; Silva, Alisson Marques da; http://lattes.cnpq.br/3856358583630209; http://lattes.cnpq.br/4101804906796045; Silva, Alisson Marques da; Leite, Daniel Furtado; Maia, Eduardo Habib Bechelane; Rodrigues, Thiago de Souza
    Uma grande dificuldade enfrentada no desenvolvimento de aplicações que utilizam fluxos de dados para resolver problemas de previsão são os dados ausentes. Apesar de existirem técnicas para reduzir os impactos ocasionados por este problema, a maioria dos sistemas não são modelados de forma preventiva para possibilitar o tratamento adequado deste tipo de ocorrência. Neste contexto, este trabalho introduz uma nova abordagem denominada MDP (Missing Data Procedure) que possibilita que modelos evolutivos estimem as variáveis ausentes e, simultaneamente, realizem a previsão da saída utilizando todas as variáveis da amostra. A abordagem proposta foi implementada no eNFN (evolving Neo-Fuzzy Neuron) como um modelo de múltiplas entradas e múltiplas saídas e denominada eNFN-MDP. O MDP também foi implementado no ALMMo (Autonomous Learning Multi-Model), porém, como um modelo de múltiplas entradas e uma saída, chamado de ALMMo-MDP. Experimentos computacionais foram realizados em tarefas de previsão e identificação de sistemas não lineares em cenários de Ausência Completamente Aleatória (Missing Completely at Random – MCAR) e Ausência Aleatória (Missing at Random – MAR) para avaliar o desempenho do eNFN-MDP e do ALMMo-MDP. Os resultados obtidos foram comparados com métodos alternativos de imputação e mostraram que o eNFN-MDP e o ALMMo-MDP obtiveram um desempenho comparável ou superior ao das abordagens alternativas. Eles foram capazes de estimar as variáveis ausentes e realizar a previsão da saída com precisão. Portanto, os resultados experimentais sugerem a abordagem proposta como uma alternativa simples e eficiente como método de imputação para modelos evolutivos.
  • Imagem de Miniatura
    Item
    Multi- and many-objective optimization some advances towards theoretical aspects in performance quality indicators and evolutionary frameworks
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2022-11-30) Lopes, Cláudio Lúcio do Val; Martins, Flávio Vinicius Cruzeiro; Wanner, Elizabeth Fialho; Deb, Kalyanmoy; http://lattes.cnpq.br/2243256075052322; http://lattes.cnpq.br/3199420233273400; http://lattes.cnpq.br/9356922762318218; Martins, Flávio Vinicius Cruzeiro; Wanner, Elizabeth Fialho; Deb, Kalyanmoy; Takahashi, Ricardo Hiroshi Caldeira; Fonseca, Carlos Manuel Mira de; Sá, Elisângela Martins de; Lisboa, Adriano Chaves
    A otimização com muitos objetivos (MaO) refere-se a problemas com quatro ou mais objetivos, os quais introduzem desafios complexos, incluindo a ineficácia da dominância de Pareto, dificuldades no cálculo de indicadores de qualidade, visualização de conjuntos de soluções e equilíbrio entre convergência e diversidade. Um dos principais problemas nesse contexto é a comparação e avaliação de conjuntos de soluções gerados por algoritmos de otimização, já que tais conjuntos frequentemente contêm soluções incomparáveis. A seleção adequada de indicadores de qualidade é crucial para caracterizar a frente de Pareto de maneira precisa. Nesta tese, abordamos inicialmente o indicador Dominance Move (DoM), propondo novos métodos para seu cálculo, incluindo modelos de programação inteira mista (MIP) e uma abordagem aproximada baseada em aprendizado de máquina. O DoM demonstrou ser uma ferramenta eficaz para medir e comparar soluções em problemas MaO. Em seguida, apresentamos uma estrutura multiestágio que emprega algoritmos evolutivos baseados em vetores de referência para gerar conjuntos de soluções bem distribuídas e convergentes. Essa abordagem visa corrigir progressivamente deficiências em estágios anteriores, assegurando a obtenção de soluções Pareto-ótimas representativas. Os resultados desta pesquisa incluem a análise sistemática de métodos existentes e extensões inovadoras, tanto em indicadores de qualidade quanto em técnicas para equilibrar convergência e diversidade em algoritmos evolutivos.
  • Imagem de Miniatura
    Item
    Uma abordagem Fuzzy evolutiva com aprendizagem participativa e funções gaussiana multivariável
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2022-02-15) Rodrigues, Fernanda Pereira dos Santos; Silva, Alisson Marques da; http://lattes.cnpq.br/3856358583630209; http://lattes.cnpq.br/9707483185755948; Silva, Alisson Marques da; Lemos, André Paim; Sá, Elisângela Martins de; Martins, Vinícius Cruzeiro
    Este trabalho propõe uma abordagem fuzzy evolutiva construída sob um algoritmo de agrupamento recursivo não supervisionado com aprendizagem participativa e funções de pertinência Gaussiana multivariável. A partir dessa abordagem, são introduzidos quatro modelos que se diferenciam pelo método de atualização dos parâmetros do consequente das regras fuzzy e são denominados eFLS (evolving Fuzzy with Multivariable Gaussian Participatory Learning and Weighted Recursive Least Squares), eFMI (evolving Fuzzy with Multivariable Gaussian Participatory Learning and Multi-Innovations Recursive Weighted Least Squares), eFCE (evolving Fuzzy with Multivariable Gaussian Participatory Learning and Recursive Maximum Correntropy) e eFTLS (evolving Fuzzy with Multivariable Gaussian Participatory Learning and Recursive Weighted Total Least Squares). Na abordagem proposta, os grupos são criados usando uma medida de compatibilidade e um mecanismo de alerta. A medida de compatibilidade é calculada pela distância Euclidiana ou Mahalanobis de acordo com o número de amostras do grupo. O método de exclusão de grupos combina idade e população para excluir grupos inativos. Os grupos redundantes são mesclados se houver uma sobreposição notável entre dois grupos. Os parâmetros do consequente são atualizados por um algoritmo recursivo de mínimos quadrados ponderados, mínimos quadrados ponderados com multi-inovações, máxima correntropia ou mínimos quadrados totais ponderados. O desempenho dos modelos é avaliado e comparado com modelos alternativos do estado da arte na previsão de séries temporais e na identificação de sistemas não lineares. Os experimentos computacionais e as comparações sugerem que os modelos propostos possuem um desempenho comparável ou superior ao dos modelos alternativos.