Modelagem nebulosa evolutiva: novas topologias e algoritmos de aprendizagem

• Autor(a) principal: Andre Paim Lemos
• Data de Publicação: 2011
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUOS-8FAH53
• topic: Sistemas Nebulosos Evolutivos; Modelagem Adaptativa; Engenharia elétrica

Esse trabalho tem como objetivo propor novas topologias e algoritmos de aprendizados para sistemas nebulosos evolutivos. Sistemas nebulosos evolutivos são definidos como sistemas nebulosos inteligentes, com alto grau de flexibilidade e autonomia. Esses sistemas são capazes de realizar tarefas, tais como identificação de sistemas, controle e classificação de padrões, em um ambiente dinâmico não estacionário, ajustando seus parâmetros e estrutura a partir de um fluxo de dados. Esse trabalho propõe duas técnicas de modelagem nebulosa evolutiva. A primeira técnica é baseada em funções de pertinência Gaussianas multivariadas definidas a partir de um algoritmo de agrupamento recursivo não supervisionado baseado no conceito do aprendizado participativo. O aprendizado participativo é um modelo de aprendizagem baseado na forma de aprendizagem humana que tem como principal característica a robustez, uma vez que o impacto que uma nova amostra causa na revisão dos conhecimentos sobre um sistema depende do grau de compatibilidade dessa amostra com os conceitos já adquiridos. Em seguida, uma nova abordagem para modelagem nebulosa evolutiva é proposta, baseada em árvores de regressão nebulosas evolutivas construídas a partir de um fluxo de dados. O algoritmo incremental proposto nesse trabalho atualiza a topologia da árvore a partir de um fluxo de dados utilizando testes estatísticos de seleção de modelos. O teste é computado recursivamente e constrói a árvore substituindo folhas por subárvores que melhorem a qualidade do modelo resultante. Para avaliar a qualidade do modelo, o teste utilizado leva em consideração a precisão e o número de parâmetros livres, gerando modelos eficientes e parcimoniosos. Os modelos nebulosos evolutivos propostos nesse trabalho são avaliados em problemas de previsão de séries temporais, identificação de sistemas dinâmicos não lineares, seleção de características e detecção e diagnóstico de falhas. Os resultados obtidos sugerem os modelos como alternativas promissoras para utilização em ambientes não estacionários ou para processamento de um grande volume de dados, em que a utilização de algoritmos tradicionais acarretaria em um elevado custo computacional.