Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-01-04T13:19:42Z No. of bitstreams: 1 LeandroAntonioPasa_TESE.pdf: 2290404 bytes, checksum: 02409d9ddb38171fd363b99f26390d89 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-01-05T18:51:41Z (GMT) No. of bitstreams: 1 LeandroAntonioPasa_TESE.pdf: 2290404 bytes, checksum: 02409d9ddb38171fd363b99f26390d89 (MD5) / Made available in DSpace on 2017-01-05T18:51:41Z (GMT). No. of bitstreams: 1 LeandroAntonioPasa_TESE.pdf: 2290404 bytes, checksum: 02409d9ddb38171fd363b99f26390d89 (MD5) Previous issue date: 2016-02-19 / A quantidade de informa??es coletadas e armazenadas cresce a cada dia nas mais diversas ?reas do conhecimento e t?cnicas de minera??o de dados s?o aplicadas a estes conjuntos de dados com o objetivo de extrair conhecimento ?til. A utiliza??o de um ou outro algoritmo, ou o mesmo algoritmo com diferentes atributos pode levar a diferentes resultados, devido ? diversidade dos conjuntos de dados. Na busca por solu??es eficientes para este problema, foram desenvolvidos m?todos de comit?s de m?quinas. Um comit? de m?quinas ? um conjunto de redes neurais trabalhando independentemente cujos resultados s?o combinados em uma ?nica sa?da, alcan?ando uma melhor generaliza??o do que cada uma das redes trabalhando separadamente. A proposta deste trabalho ? desenvolver um novo m?todo para comit?s de mapas de Kohonen, em que a combina??o (fus?o) dos mapas seja ponderada por ?ndices de valida??o de agrupamentos, que seja v?lido para combina??o de mapas de tamanhos iguais e mapas de tamanhos diferentes. O algoritmo proposto foi testado em variados conjuntos de dados provenientes do reposit?rio UCI e do Conjunto de Problemas Fundamentais de Agrupamento. As simula??es computacionais demonstram que o m?todo proposto neste trabalho ? capaz de alcan?ar resultados promissores, conseguindo elevar a performance em compara??o com um ?nico mapa de Kohonen. / The amount of collected and stored information is growing every day in several areas of knowledge and data mining techniques are applied to these datasets in order to extract useful knowledge. One or another algorithm, or the same algorithm with different attributes, can lead to different results due to the dataset diversity. To solve this problem, machines committees methods were developed. A machine committee is a set of neural networks working independently and the results are combined into a single output, achieving a better generalization. The purpose of this work is to develop a new method for Kohonen maps ensemble, where the maps fusion is weighted by cluster validation indices and is suitable for equal size maps fusion and for different size maps fusion. The proposed algorithm has been tested in multiple data sets from the UCI Machine Learning Repository and Fundamental Clustering Problems Suite. Computer simulations show the proposed method is able to reach encouraging results, obtaining raising performance compared with a single Kohonen map.