[pt] MODELOS NEURO-FUZZY HIERÁRQUICOS BSP DO TIPO 2

• Autor(a) principal: ROXANA JIMENEZ CONTRERAS
• Data de Publicação: 2007
• Tipo de documento: Outros
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=10862@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=10862@2; http://doi.org/10.17771/PUCRio.acad.10862
• topic: [pt] INCERTEZA; [pt] FUNCAO DE PERTINENCIA INFERIOR; [pt] FUNCAO DE PERTINENCIA SUPERIOR; [pt] SISTEMAS DE INFERENCIA FUZZY; [en] UNCERTAINTY; [en] LOWER MEMBERSHIP FUNCTION; [en] UPPER MEMBERSHIP FUNCTION; [en] FUZZY INFERENCE SYSTEMS

[pt] Este trabalho tem por objetivo criar um novo sistema de inferência fuzzy intervalar do tipo 2 para tratamento de incertezas com aprendizado automático e que proporcione um intervalo de confiança para as suas saídas defuzzificadas através do cálculo dos conjuntos tipo-reduzidos correspondentes. Para viabilizar este objetivo, este novo modelo combina os paradigmas de modelagem dos sistemas de inferência fuzzy do tipo 2 e redes neurais com técnicas de particionamento recursivo BSP. Este modelo possui principalmente a capacidade de modelar e manipular a maioria dos tipos de incertezas existentes em situações reais, minimizando os efeitos destas para produzir um melhor desempenho. Além disso, tem a capacidade autônoma de criar e expandir automaticamente a sua própria estrutura, de reduzir a limitação quanto ao número de entradas e de extrair regras de conhecimento a partir de um conjunto de dados. Este novo modelo fornece um intervalo de confiança, que se constitui em uma informação importante para aplicações reais. Neste contexto, este modelo supera as limitações dos sistemas de inferência fuzzy do tipo 2 - complexidade computacional, reduzido número de entradas permissíveis e forma limitada, ou inexistente, de criarem a sua própria estrutura e regras - e dos sistemas de inferência fuzzy do tipo 1 - adaptação incompleta a incertezas e não fornecimento de um intervalo de confiança para a saída. Os sistemas de inferência fuzzy do tipo1 também apresentam limitações quanto ao reduzido número de entradas permissíveis, mas o uso de particionamentos recursivos, já explorado com excelentes resultados [SOUZ99], reduz significativamente estas limitações. O trabalho constitui-se fundamentalmente em quatro partes: um estudo sobre os diferentes sistemas de inferência fuzzy do tipo 2 existentes, análise dos sistemas neuro-fuzzy hierárquicos que usam conjuntos fuzzy do tipo 1, modelagem e implementação do novo modelo neuro-fuzzy hierárquico BSP do tipo 2 e estudo de casos. O novo modelo, denominado modelo neuro-fuzzy hierárquico BSP do tipo 2 (NFHB-T2), foi definido a partir do estudo das características desejáveis e das limitações dos sistemas de inferência fuzzy do tipo 2 e do tipo 1 e dos sistemas neuro-fuzzy hierárquicos que usam conjuntos fuzzy do tipo 1 existentes. Desta forma, o NFHB-T2 é modelado e implementado com os atributos de interpretabilidade e autonomia, a partir da concepção de sistemas de inferência fuzzy do tipo 2, de redes neurais e do particionamento recursivo BSP. O modelo desenvolvido é avaliado em diversas bases de dados benchmark e aplicações reais de previsão e aproximação de funções. São feitas comparações com outros modelos. Os resultados encontrados mostram que o modelo NFHB-T2 fornece, em previsão e aproximação de funções, resultados próximos e em vários casos superiores aos melhores resultados proporcionados pelos modelos utilizados para comparação. Em termos de tempo computacional, o seu desempenho também é muito bom. Em previsão e aproximação de funções, os intervalos de confiança obtidos para as saídas defuzzificadas mostram-se sempre coerentes e oferecem maior credibilidade na maioria dos casos quando comparados a intervalos de confiança obtidos por métodos tradicionais usando as saídas previstas pelos outros modelos e pelo próprio NFHB-T2 .