Classificação e reconhecimento de padrões: novos algoritmos e aplicações / Emmanuel Tavares Ferreira Affonso
| dc.contributor.advisor | Silva, Alisson Marques da | |
| dc.contributor.advisor-co | Moita, Gray Farias | |
| dc.contributor.advisor-coLattes | http://lattes.cnpq.br/2550201329788172 | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/3856358583630209 | |
| dc.contributor.author | Affonso, Emmanuel Tavares Ferreira | |
| dc.contributor.authorLattes | http://lattes.cnpq.br/3453401178017064 | |
| dc.date.accessioned | 2025-04-02T12:36:51Z | |
| dc.date.available | 2025-04-02T12:36:51Z | |
| dc.date.issued | 2022-02-28 | |
| dc.description.abstract | 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. | |
| dc.description.abstractother | This thesis aims the development of new algorithms for classification and pattern recognition tasks. Initially, a method for feature selection for classifiers with offline training is proposed. The proposed FS approach, called Mean Ratio for Feature Selection (MRFS), is based on each a per-class ratio considering feature averages. MRFS has a low computational cost due to the use of basic mathematical operations such as addition, division, and comparison. Moreover, it performs a single pass over the data to rank the attributes. MRFS was implemented and evaluated as a filter method (MRFS-F) and a wrapper (MRFS-W). The performance of the methods is evaluated and compared with that of state of the art methods. The comparisons suggest that the proposed methods have comparable or superior performance to alternative methods. In addition to the FS methods, three multiclass evolving classifiers with online training were proposed. The first, called the evolving Fuzzy Mean Classifier (eFMC), is a fuzzy clustering model that performs classification based on the degree of membership between the sample and the groups. New groups are created whenever a new class is discovered, and the center of the groups is updated through the sample means calculated incrementally. The second classifier introduced is the evolving Fuzzy Classifier (eFC). Similarly, eFC uses the sample means to update the centers of the groups. Its odds lie in the ability to generate more than one group associated with the same class to map different regions of the data space, create new groups applying the concept of procrastination, ability to merge redundant groups, and delete obsolete groups. Finally, an evolving classifier with feature selection called evolving Fuzzy Classifier with Feature Selection (eFC-FS) was proposed. This classifier was built using the same algorithm as the eFC and incorporating the MRFS feature selection method. The proposed classifiers were evaluated and compared with three alternative evolving classifiers. The experimental results and comparisons suggest that the three evolving models with online training are promising alternatives for classification and pattern recognition tasks. They have shown good accuracy and low computational cost. | |
| dc.identifier.uri | https://repositorio.cefetmg.br//handle/123456789/1075 | |
| dc.language.iso | pt | |
| dc.publisher | Centro Federal de Educação Tecnológica de Minas Gerais | |
| dc.publisher.country | Brasil | |
| dc.publisher.initials | CEFET-MG | |
| dc.publisher.program | Programa de Pós-Graduação em Modelagem Matemática e Computacional | |
| dc.subject | Algoritmos | |
| dc.subject | Computação evolutiva | |
| dc.subject | Reconhecimento de padrões | |
| dc.subject | Lógica fuzzy | |
| dc.title | Classificação e reconhecimento de padrões: novos algoritmos e aplicações / Emmanuel Tavares Ferreira Affonso | |
| dc.type | Tese |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- Classificação e reconhecimento de padrões novos algoritmos e aplicações.pdf
- Tamanho:
- 1.6 MB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.39 KB
- Formato:
- Item-specific license agreed to upon submission
- Descrição: