O Repositório será lançado oficialmente no dia 9 de abril de 2025 às 14h30min no miniauditório do Campus Nova Suiça.
 

Uma abordagem Fuzzy evolutiva com aprendizagem participativa e funções gaussiana multivariável

Página do item simplificado
dc.contributor.advisorSilva, Alisson Marques da
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3856358583630209
dc.contributor.authorRodrigues, Fernanda Pereira dos Santos
dc.contributor.authorLatteshttp://lattes.cnpq.br/9707483185755948
dc.contributor.refereeSilva, Alisson Marques da
dc.contributor.refereeLemos, André Paim
dc.contributor.refereeSá, Elisângela Martins de
dc.contributor.refereeMartins, Vinícius Cruzeiro
dc.date.accessioned2025-03-27T21:48:38Z
dc.date.available2025-03-27T21:48:38Z
dc.date.issued2022-02-15
dc.description.abstractEste 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.
dc.description.abstractotherThis work introduces an evolving fuzzy approach constructed based on a non-supervised recursive clustering algorithm with participatory learning and multivariate Gaussian membership functions. From this approach, four models are introduced, called 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) and eFTLS (evolving Fuzzy with Multivariable Gaussian Participatory Learning and Recursive Weighted Total Least Squares). In the proposed approach, clusters are created using a compatibility measure and an alert mechanism. The compatibility measure is computed by Euclidian or Mahalanobis distance according to the number of samples in the cluster. Inactive clusters are excluded by an age and population based-method. Redundant clusters are merged whenever is a noticeable overlap between two clusters. The consequent parameters are updated by a recursive algorithm of Weighted Least Squares, Multi-Innovations Weighted Least Squares, Maximum Correntropy, or Weighted Total Least Squares. Finally, the performance of the models is evaluated and compared with alternative state-of-the-art models in time series forecasting and non-linear system identification problems. Computational experiments and comparisons suggest that the proposed models have superior or comparable performance to alternative models.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1000
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.subjectLógica fuzzy
dc.subjectComputação evolutiva
dc.subjectPrevisão
dc.subjectIdentificação de sistemas
dc.titleUma abordagem Fuzzy evolutiva com aprendizagem participativa e funções gaussiana multivariável
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Uma abordagem Fuzzy evolutiva com aprendizagem participativa e.pdf
Tamanho:
1.2 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

Mestrado em Modelagem Matemática e Computacional