Uma abordagem Fuzzy evolutiva com aprendizagem participativa e funções gaussiana multivariável
Carregando...
Data
2022-02-15
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
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.
Descrição
Palavras-chave
Lógica fuzzy, Computação evolutiva, Previsão, Identificação de sistemas