Algoritmos de particionamento aplicados à análise estatística de formas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/31431 |
Resumo: | A análise estatística de forma é usada para tomar decisões observando a forma de objetos. A forma de um objeto é a informação restante quando os efeitos de locação, escala e rotação são removidos com a utilização de operações matemáticas adequadas. Algoritmos de agrupamento por particionamento encontram uma partição que maximiza ou minimiza algum critério numérico. Esta pesquisa apresenta algoritmos de agrupamento baseados em protótipos e em busca, adaptados para os dados da área de análise estatística de formas. Esses algoritmos são novas versões dos algoritmos de agrupamento K-médias e KI-médias, Subida da Encosta, Busca Tabu, apropriados para o tratamento de dados de formas bidimensionais. Para avaliar a formação dos agrupamentos para os algoritmos propostos, novos critérios de agrupamento foram gerados para dados de formas a partir de estatísticas de testes de hipóteses e critérios usuais já existentes na literatura. A fim de melhorar a qualidade dos resultados de agrupamento, os algoritmos foram também analisados quando foram utilizados em conjunto com o método Bagging que faz uma reamostragem com repetição para os dados de entrada e gerou grupos através de uma votação majoritária. Estudos de simulação foram realizados para validar esses métodos propostos e três conjuntos de dados reais disponíveis na literatura também foram considerados. A qualidade dos experimentos foi avaliada pelo índice Rand corrigido e os resultados mostraram que os algoritmos propostos para formas bidimensionais são eficientes para os conjuntos de dados analisados. |
id |
UFPE_bac522b57189b9cc363726ba6941322b |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/31431 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
ASSIS, Elaine Cristina dehttp://lattes.cnpq.br/4494634576449456http://lattes.cnpq.br/9289080285504453SOUZA, Renata Maria Cardoso Rodrigues deAMARAL, Getúlio José Amorim do2019-07-11T19:10:51Z2019-07-11T19:10:51Z2018-02-08https://repositorio.ufpe.br/handle/123456789/31431A análise estatística de forma é usada para tomar decisões observando a forma de objetos. A forma de um objeto é a informação restante quando os efeitos de locação, escala e rotação são removidos com a utilização de operações matemáticas adequadas. Algoritmos de agrupamento por particionamento encontram uma partição que maximiza ou minimiza algum critério numérico. Esta pesquisa apresenta algoritmos de agrupamento baseados em protótipos e em busca, adaptados para os dados da área de análise estatística de formas. Esses algoritmos são novas versões dos algoritmos de agrupamento K-médias e KI-médias, Subida da Encosta, Busca Tabu, apropriados para o tratamento de dados de formas bidimensionais. Para avaliar a formação dos agrupamentos para os algoritmos propostos, novos critérios de agrupamento foram gerados para dados de formas a partir de estatísticas de testes de hipóteses e critérios usuais já existentes na literatura. A fim de melhorar a qualidade dos resultados de agrupamento, os algoritmos foram também analisados quando foram utilizados em conjunto com o método Bagging que faz uma reamostragem com repetição para os dados de entrada e gerou grupos através de uma votação majoritária. Estudos de simulação foram realizados para validar esses métodos propostos e três conjuntos de dados reais disponíveis na literatura também foram considerados. A qualidade dos experimentos foi avaliada pelo índice Rand corrigido e os resultados mostraram que os algoritmos propostos para formas bidimensionais são eficientes para os conjuntos de dados analisados.FACEPEPartitioning clustering algorithms find a partition that maximizes or minimizes some numeric criteria. Statistical shape analysis is used to make decisions by observing the shape of objects. The shape of an object is the remaining information when the location, scale and rotation effects are removed with the use of appropriate mathematical operations. This research presents clustering algorithms based on prototypes and in search adapted to the data of the area of statistical shape analysis. These algorithms are new versions of the K-means and KI-means, Hill Climbing and Tabu Search clustering algorithms, suitable for the treatment of two-dimensional data. In order to evaluate the formation of the clusters for the proposed algorithms, new clustering criteria were generated for form data from test statistics of hypotheses and usual criteria already existent in the literature. In order to improve the quality of clustering results, the algorithms were also analyzed when they were used in conjunction with the Bagging method, which makes a resampling with repetition for the input data and generated groups through a majority vote. Simulation studies were performed to validate these proposed methods and three real data sets available in the literature were also considered. The quality of the experiments was evaluated by the corrected Rand index and the results showed that the algorithms proposed for planar shapes are efficient for the data sets analyzed.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência computacionalMétodos de agrupamentoAlgoritmos de particionamento aplicados à análise estatística de formasAlgoritmos de partição aplicados à análise estatística de formasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILTESE Elaine Cristina de Assis.pdf.jpgTESE Elaine Cristina de Assis.pdf.jpgGenerated Thumbnailimage/jpeg1245https://repositorio.ufpe.br/bitstream/123456789/31431/5/TESE%20Elaine%20Cristina%20de%20Assis.pdf.jpgf45a909f214cfebf0d87da34e2bbdfd2MD55ORIGINALTESE Elaine Cristina de Assis.pdfTESE Elaine Cristina de Assis.pdfapplication/pdf1005968https://repositorio.ufpe.br/bitstream/123456789/31431/1/TESE%20Elaine%20Cristina%20de%20Assis.pdfc5ef6a2cd1c9dfb6485bddd44d10e098MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/31431/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82311https://repositorio.ufpe.br/bitstream/123456789/31431/3/license.txt4b8a02c7f2818eaf00dcf2260dd5eb08MD53TEXTTESE Elaine Cristina de Assis.pdf.txtTESE Elaine Cristina de Assis.pdf.txtExtracted texttext/plain189012https://repositorio.ufpe.br/bitstream/123456789/31431/4/TESE%20Elaine%20Cristina%20de%20Assis.pdf.txt7a2d52fe2065ddf1d14087b276497f8fMD54123456789/314312019-10-26 02:57:46.122oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-26T05:57:46Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Algoritmos de particionamento aplicados à análise estatística de formas |
dc.title.alternative.pt_BR.fl_str_mv |
Algoritmos de partição aplicados à análise estatística de formas |
title |
Algoritmos de particionamento aplicados à análise estatística de formas |
spellingShingle |
Algoritmos de particionamento aplicados à análise estatística de formas ASSIS, Elaine Cristina de Inteligência computacional Métodos de agrupamento |
title_short |
Algoritmos de particionamento aplicados à análise estatística de formas |
title_full |
Algoritmos de particionamento aplicados à análise estatística de formas |
title_fullStr |
Algoritmos de particionamento aplicados à análise estatística de formas |
title_full_unstemmed |
Algoritmos de particionamento aplicados à análise estatística de formas |
title_sort |
Algoritmos de particionamento aplicados à análise estatística de formas |
author |
ASSIS, Elaine Cristina de |
author_facet |
ASSIS, Elaine Cristina de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4494634576449456 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9289080285504453 |
dc.contributor.author.fl_str_mv |
ASSIS, Elaine Cristina de |
dc.contributor.advisor1.fl_str_mv |
SOUZA, Renata Maria Cardoso Rodrigues de |
dc.contributor.advisor-co1.fl_str_mv |
AMARAL, Getúlio José Amorim do |
contributor_str_mv |
SOUZA, Renata Maria Cardoso Rodrigues de AMARAL, Getúlio José Amorim do |
dc.subject.por.fl_str_mv |
Inteligência computacional Métodos de agrupamento |
topic |
Inteligência computacional Métodos de agrupamento |
description |
A análise estatística de forma é usada para tomar decisões observando a forma de objetos. A forma de um objeto é a informação restante quando os efeitos de locação, escala e rotação são removidos com a utilização de operações matemáticas adequadas. Algoritmos de agrupamento por particionamento encontram uma partição que maximiza ou minimiza algum critério numérico. Esta pesquisa apresenta algoritmos de agrupamento baseados em protótipos e em busca, adaptados para os dados da área de análise estatística de formas. Esses algoritmos são novas versões dos algoritmos de agrupamento K-médias e KI-médias, Subida da Encosta, Busca Tabu, apropriados para o tratamento de dados de formas bidimensionais. Para avaliar a formação dos agrupamentos para os algoritmos propostos, novos critérios de agrupamento foram gerados para dados de formas a partir de estatísticas de testes de hipóteses e critérios usuais já existentes na literatura. A fim de melhorar a qualidade dos resultados de agrupamento, os algoritmos foram também analisados quando foram utilizados em conjunto com o método Bagging que faz uma reamostragem com repetição para os dados de entrada e gerou grupos através de uma votação majoritária. Estudos de simulação foram realizados para validar esses métodos propostos e três conjuntos de dados reais disponíveis na literatura também foram considerados. A qualidade dos experimentos foi avaliada pelo índice Rand corrigido e os resultados mostraram que os algoritmos propostos para formas bidimensionais são eficientes para os conjuntos de dados analisados. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-02-08 |
dc.date.accessioned.fl_str_mv |
2019-07-11T19:10:51Z |
dc.date.available.fl_str_mv |
2019-07-11T19:10:51Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/31431 |
url |
https://repositorio.ufpe.br/handle/123456789/31431 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/31431/5/TESE%20Elaine%20Cristina%20de%20Assis.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/31431/1/TESE%20Elaine%20Cristina%20de%20Assis.pdf https://repositorio.ufpe.br/bitstream/123456789/31431/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/31431/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/31431/4/TESE%20Elaine%20Cristina%20de%20Assis.pdf.txt |
bitstream.checksum.fl_str_mv |
f45a909f214cfebf0d87da34e2bbdfd2 c5ef6a2cd1c9dfb6485bddd44d10e098 e39d27027a6cc9cb039ad269a5db8e34 4b8a02c7f2818eaf00dcf2260dd5eb08 7a2d52fe2065ddf1d14087b276497f8f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310652343091200 |