Modelagem fuzzy usando agrupamento condicional
Autor(a) principal: | |
---|---|
Data de Publicação: | 2008 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSCAR |
Texto Completo: | https://repositorio.ufscar.br/handle/ufscar/386 |
Resumo: | The combination of fuzzy systems with clustering algorithms has great acceptance in the scientific community mainly due to its adherence to the advantage balance principle of computational intelligence, in which different methodologies collaborate with each other potentializing the usefulness and applicability of the resulting systems. Fuzzy Modeling using clustering algorithms presents the transparency and comprehensibility typical of the linguistic fuzzy systems at the same time that benefits from the possibilities of dimensionality reduction by means of clustering. In this work is presented the Fuzzy-CCM method (Fuzzy Conditional Clustering based Modeling) which consists of a new approach for Fuzzy Modeling based on the Fuzzy Conditional Clustering algorithm aiming at providing new means to address the topic of interpretability of fuzzy rules bases. With the Fuzzy-CCM method the balance between interpretability and accuracy of fuzzy rules is dealt with through the definition of contexts defined by a small number of input variables and the generation of clusters induced by these contexts. The rules are generated in a different format, with linguistic variables and clusters in the antecedent. Some experiments have been carried out using different knowledge domains in order to validate the proposed approach by comparing the results with the ones obtained by the Wang&Mendel and conventional Fuzzy C-Means methods. The theoretical foundations, the advantages of the method, the experiments and results are presented and discussed. |
id |
SCAR_cc24bd7aa3f13b14f1f4fbfd131c2834 |
---|---|
oai_identifier_str |
oai:repositorio.ufscar.br:ufscar/386 |
network_acronym_str |
SCAR |
network_name_str |
Repositório Institucional da UFSCAR |
repository_id_str |
4322 |
spelling |
Nogueira, Tatiane MarquesCamargo, Heloisa de Arrudahttp://genos.cnpq.br:12010/dwlattes/owa/prc_imp_cv_int?f_cod=K4783179Z5http://lattes.cnpq.br/08511481379412407dbea809-ac97-4006-b69a-a12a25e84c2e2016-06-02T19:05:32Z2009-07-022016-06-02T19:05:32Z2008-08-06NOGUEIRA, Tatiane Marques. Modelagem fuzzy usando agrupamento condicional. 2008. 101 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2008.https://repositorio.ufscar.br/handle/ufscar/386The combination of fuzzy systems with clustering algorithms has great acceptance in the scientific community mainly due to its adherence to the advantage balance principle of computational intelligence, in which different methodologies collaborate with each other potentializing the usefulness and applicability of the resulting systems. Fuzzy Modeling using clustering algorithms presents the transparency and comprehensibility typical of the linguistic fuzzy systems at the same time that benefits from the possibilities of dimensionality reduction by means of clustering. In this work is presented the Fuzzy-CCM method (Fuzzy Conditional Clustering based Modeling) which consists of a new approach for Fuzzy Modeling based on the Fuzzy Conditional Clustering algorithm aiming at providing new means to address the topic of interpretability of fuzzy rules bases. With the Fuzzy-CCM method the balance between interpretability and accuracy of fuzzy rules is dealt with through the definition of contexts defined by a small number of input variables and the generation of clusters induced by these contexts. The rules are generated in a different format, with linguistic variables and clusters in the antecedent. Some experiments have been carried out using different knowledge domains in order to validate the proposed approach by comparing the results with the ones obtained by the Wang&Mendel and conventional Fuzzy C-Means methods. The theoretical foundations, the advantages of the method, the experiments and results are presented and discussed.A combinação de sistemas fuzzy com algoritmos de agrupamento tem grande aceitação na comunidade científica devido; principalmente, a sua aderência ao princípio de balanceamento de vantagens da inteligência computacional, no qual metodologias diferentes colaboram entre si, potencializando a utilidade e aplicabilidade dos sistemas resultantes. A modelagem fuzzy usando algoritmos de agrupamento apresenta a transparência e facilidade de compreensão típica dos sistemas fuzzy lingüísticos ao mesmo tempo em que se beneficia das possibilidades de redução da dimensionalidade por intermédio do agrupamento. Neste trabalho é apresentado o método Fuzzy-CCM (Fuzzy Conditional Clustering based Modeling), que consiste de uma nova abordagem de Modelagem Fuzzy baseada no algoritmo de Agrupamento Fuzzy Condicional, cujo objetivo é prover novos meios de tratar a questão da interpretabilidade de bases de regras fuzzy. Com o método Fuzzy-CCM, o balanço entre interpretabilidade e acuidade de regras fuzzy é tratado por meio da definição de contextos formados com um pequeno número de variáveis de entrada e a geração de grupos condicionados por estes contextos. As regras são geradas em um formato diferente, que contêm variáveis lingüísticas e grupos no seu antecedente. Alguns experimentos foram executados usando diferentes domínios de conhecimento a fim de validar a abordagem proposta, comparando os resultados obtidos usando a nova abordagem com os resultados obtidos usando os métodos Wang&Mendel e Fuzzy C-Means. A fundamentação teórica, as vantagens do método, os experimentos e os resultados obtidos são apresentados e discutidos.application/pdfporUniversidade Federal de São CarlosPrograma de Pós-Graduação em Ciência da Computação - PPGCCUFSCarBRGeração automática de regras FuzzyFuzzy logicMétodo de agrupamentoSistema FuzzyInterpretabilidadeAlgoritmo de agrupamento condicionalFuzzy systemsConditional clustering algorithmInterpretabilityFuzzy modelingCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOModelagem fuzzy usando agrupamento condicionalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis-1-1abf34796-0d89-460f-9185-e460cb1c066ainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARORIGINAL2113.pdfapplication/pdf882226https://repositorio.ufscar.br/bitstream/ufscar/386/1/2113.pdf022c380c1d469988d9e4617a030f17c3MD51THUMBNAIL2113.pdf.jpg2113.pdf.jpgIM Thumbnailimage/jpeg6639https://repositorio.ufscar.br/bitstream/ufscar/386/2/2113.pdf.jpg16612f9ad5fb983f6455502a316b0e18MD52ufscar/3862023-09-18 18:30:37.357oai:repositorio.ufscar.br:ufscar/386Repositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestopendoar:43222023-09-18T18:30:37Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false |
dc.title.por.fl_str_mv |
Modelagem fuzzy usando agrupamento condicional |
title |
Modelagem fuzzy usando agrupamento condicional |
spellingShingle |
Modelagem fuzzy usando agrupamento condicional Nogueira, Tatiane Marques Geração automática de regras Fuzzy Fuzzy logic Método de agrupamento Sistema Fuzzy Interpretabilidade Algoritmo de agrupamento condicional Fuzzy systems Conditional clustering algorithm Interpretability Fuzzy modeling CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Modelagem fuzzy usando agrupamento condicional |
title_full |
Modelagem fuzzy usando agrupamento condicional |
title_fullStr |
Modelagem fuzzy usando agrupamento condicional |
title_full_unstemmed |
Modelagem fuzzy usando agrupamento condicional |
title_sort |
Modelagem fuzzy usando agrupamento condicional |
author |
Nogueira, Tatiane Marques |
author_facet |
Nogueira, Tatiane Marques |
author_role |
author |
dc.contributor.authorlattes.por.fl_str_mv |
http://lattes.cnpq.br/0851148137941240 |
dc.contributor.author.fl_str_mv |
Nogueira, Tatiane Marques |
dc.contributor.advisor1.fl_str_mv |
Camargo, Heloisa de Arruda |
dc.contributor.advisor1Lattes.fl_str_mv |
http://genos.cnpq.br:12010/dwlattes/owa/prc_imp_cv_int?f_cod=K4783179Z5 |
dc.contributor.authorID.fl_str_mv |
7dbea809-ac97-4006-b69a-a12a25e84c2e |
contributor_str_mv |
Camargo, Heloisa de Arruda |
dc.subject.por.fl_str_mv |
Geração automática de regras Fuzzy Fuzzy logic Método de agrupamento Sistema Fuzzy Interpretabilidade Algoritmo de agrupamento condicional |
topic |
Geração automática de regras Fuzzy Fuzzy logic Método de agrupamento Sistema Fuzzy Interpretabilidade Algoritmo de agrupamento condicional Fuzzy systems Conditional clustering algorithm Interpretability Fuzzy modeling CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
dc.subject.eng.fl_str_mv |
Fuzzy systems Conditional clustering algorithm Interpretability Fuzzy modeling |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
The combination of fuzzy systems with clustering algorithms has great acceptance in the scientific community mainly due to its adherence to the advantage balance principle of computational intelligence, in which different methodologies collaborate with each other potentializing the usefulness and applicability of the resulting systems. Fuzzy Modeling using clustering algorithms presents the transparency and comprehensibility typical of the linguistic fuzzy systems at the same time that benefits from the possibilities of dimensionality reduction by means of clustering. In this work is presented the Fuzzy-CCM method (Fuzzy Conditional Clustering based Modeling) which consists of a new approach for Fuzzy Modeling based on the Fuzzy Conditional Clustering algorithm aiming at providing new means to address the topic of interpretability of fuzzy rules bases. With the Fuzzy-CCM method the balance between interpretability and accuracy of fuzzy rules is dealt with through the definition of contexts defined by a small number of input variables and the generation of clusters induced by these contexts. The rules are generated in a different format, with linguistic variables and clusters in the antecedent. Some experiments have been carried out using different knowledge domains in order to validate the proposed approach by comparing the results with the ones obtained by the Wang&Mendel and conventional Fuzzy C-Means methods. The theoretical foundations, the advantages of the method, the experiments and results are presented and discussed. |
publishDate |
2008 |
dc.date.issued.fl_str_mv |
2008-08-06 |
dc.date.available.fl_str_mv |
2009-07-02 2016-06-02T19:05:32Z |
dc.date.accessioned.fl_str_mv |
2016-06-02T19:05:32Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
NOGUEIRA, Tatiane Marques. Modelagem fuzzy usando agrupamento condicional. 2008. 101 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2008. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufscar.br/handle/ufscar/386 |
identifier_str_mv |
NOGUEIRA, Tatiane Marques. Modelagem fuzzy usando agrupamento condicional. 2008. 101 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2008. |
url |
https://repositorio.ufscar.br/handle/ufscar/386 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.confidence.fl_str_mv |
-1 -1 |
dc.relation.authority.fl_str_mv |
abf34796-0d89-460f-9185-e460cb1c066a |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Carlos |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação - PPGCC |
dc.publisher.initials.fl_str_mv |
UFSCar |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Universidade Federal de São Carlos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSCAR instname:Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
instname_str |
Universidade Federal de São Carlos (UFSCAR) |
instacron_str |
UFSCAR |
institution |
UFSCAR |
reponame_str |
Repositório Institucional da UFSCAR |
collection |
Repositório Institucional da UFSCAR |
bitstream.url.fl_str_mv |
https://repositorio.ufscar.br/bitstream/ufscar/386/1/2113.pdf https://repositorio.ufscar.br/bitstream/ufscar/386/2/2113.pdf.jpg |
bitstream.checksum.fl_str_mv |
022c380c1d469988d9e4617a030f17c3 16612f9ad5fb983f6455502a316b0e18 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR) |
repository.mail.fl_str_mv |
|
_version_ |
1813715502535540736 |