Abordagens evolucionárias para aprendizado autônomo em redes neuro-fuzzy preditivas

Página do item simplificado
dc.contributor.advisorSilva, Alisson Marques da
dc.contributor.advisor-coWanner, Elizabeth Fialho
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/2243256075052322
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3856358583630209
dc.contributor.authorMedeiros, Glender Brás
dc.contributor.authorLatteshttp://lattes.cnpq.br/5341764231791401
dc.contributor.refereeSilva, Alisson Marques da
dc.contributor.refereeLemos, André Paim
dc.contributor.refereeD'Angelo, Marcos Flávio Silveira Vasconcelos
dc.contributor.refereeVargas, Dênis Emanuel da Costa
dc.contributor.refereeMartins, Flávio Vinicius Cruzeiro
dc.date.accessioned2026-07-09T16:12:15Z
dc.date.available2026-07-09T16:12:15Z
dc.date.issued2025-08-25
dc.description.abstractEste 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.
dc.description.abstractotherThis work proposes new evolutionary approaches for autonomous learning in neuro-fuzzy networks. Three new neuro-fuzzy models are presented: one linguistic (FALCON-GA) and two functional (EvoNFuzz and DGP-NF). In FALCON-GA, a genetic algorithm is used for rule extraction, and a gradient-based method is used for parameter adjustment. The EvoNFuzz and DGP-NF models use multi-gene genetic programming to model functional rules. They also present a structure closer to neural networks, incorporating synaptic weights into the rule consequents. For parameter adjustment, EvoNFuzz uses a gradient-based method, while DGP-NF implements an incremental learning method based on weighted least squares. Furthermore, DGP-NF incorporates mechanisms to improve the search space exploration, such as dynamic population and population diversity control, and a pruning operator based on gene diversity analysis to eliminate redundant rules. The proposed mechanisms are based on phenotypic diversity, aiming to improve the quality of solutions generated by genetic programming and the responses provided by the final model. Experimental results on 21 nonlinear regression datasets suggest that the proposed approaches are promising and that the proposed models are efficient for this type of problem, with DGP-NF standing out as the best performer on 16 datasets and competitive on the remaining datasets. The results also suggest that the incremental learning method outperforms the gradient method for parameter tuning in evolutionary neuro-fuzzy networks and that functional networks are more efficient than linguistic networks for regression problems. The use of dynamic population and diversity control mechanisms proved effective in avoiding premature convergence and improving model accuracy. Furthermore, phenotypic diversity-based pruning has demonstrated potential as a simple and effective strategy for pruning multi-gene individuals and eliminating redundant rules.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/2803
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacional
dc.subjectRedes neurais (Ciência da computação) – Teses
dc.subjectSistemas difusos – Teses
dc.subjectAprendizagem de máquina – Teses
dc.subjectComputação autônoma – Teses
dc.subjectComputação evolutiva – Teses
dc.titleAbordagens evolucionárias para aprendizado autônomo em redes neuro-fuzzy preditivas
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Abordagens evolucionárias para aprendizado autônomo em redes neuro-fuzzy.pdf
Tamanho:
4.86 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Doutorado em Modelagem Matemática e Computacional