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 "Lógica Fuzzy"

Agora exibindo 1 - 1 de 1
  • 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.