1 |
[pt] MODELOS NEURO-FUZZY HIERÁRQUICO BSP PARA CLASSIFICAÇÃO DE PADRÕES E EXTRAÇÃO DE REGRAS FUZZY EM BANCO DE DADOS. / [es] MODELOS NEURO-FUZZY JERÁRQUICO BSP PARA CLASIFICACIÓN DE PADRONES Y EXTRACCIÓN DE REGLAS FUZZY EN BASES DE DATOS / [en] NEURAL-FUZZY HIERARCHICAL MODELS FOR PATTERN CLASSIFICATION AND FUZZY RULE EXTRACTION FROM DATABASESLAERCIO BRITO GONCALVES 08 March 2001 (has links)
[pt] Esta dissertação investiga a utilização de sistemas Neuro-
Fuzzy Hierárquicos BSP (Binary Space Partitioning) para
classificação de padrões e para extração de regras fuzzy em
bases de dados. O objetivo do trabalho foi criar modelos
específicos para classificação de registros a partir do
modelo Neuro-Fuzzy Hierárquico BSP que é capaz de gerar sua
própria estrutura automaticamente e extrair regras fuzzy,
lingüisticamente interpretáveis, que explicam a estrutura
dos dados. O princípio da tarefa de classificação de
padrões é descobrir relacionamentos entre os dados com a
intenção de prever a classe de um padrão desconhecido.
O trabalho consistiu fundamentalmente de quatro partes: um
estudo sobre os principais métodos de classificação de
padrões; análise do sistema Neuro-Fuzzy Hierárquico BSP
(NFHB) original na tarefa de classificação; definição e
implementação de dois sistemas NFHB específicos para
classificação de padrões; e o estudo de casos.
No estudo sobre os métodos de classificação foi feito um
levantamento bibliográfico da área, resultando em um
"survey" onde foram apresentadas as principais técnicas
utilizadas para esta tarefa. Entre as principais técnicas
destacaram-se: os métodos estatísticos, algoritmos
genéticos, árvores de decisão fuzzy, redes neurais, e os
sistemas neuro-fuzzy.
Na análise do sistema NFHB na classificação de dados levou-
se em consideração as peculiaridades do modelo, que possui:
aprendizado da estrutura, particionamento recursivo do
espaço de entrada, aceita maior número de entradas que os
outros sistemas neuro-fuzzy, além de regras fuzzy
recursivas. O sistema NFHB, entretanto, não é um modelo
exatamente desenvolvido para classificação de padrões. O
modelo NFHB original possui apenas uma saída e para utilizá-
lo como um classificador é necessário criar um critério de
faixa de valores (janelas) para representar as classes.
Assim sendo, decidiu-se criar novos modelos que suprissem
essa deficiência.
Foram definidos dois novos sistemas NFHB para classificação
de padrões: NFHB-Invertido e NFHB-Class. O primeiro utiliza
a arquitetura do modelo NFHB original no aprendizado e em
seguida a inversão da mesma para a validação dos
resultados. A inversão do sistema consistiu de um meio de
adaptar o novo sistema à tarefa específica de
classificação, pois passou-se a ter o número de saídas do
sistema igual ao número de classes ao invés do critério de
faixa de valores utilizado no modelo NFHB original. Já o
sistema NFHB-Class utilizou, tanto para a fase de
aprendizado, quanto para a fase de validação, o modelo NFHB
original invertido. Ambos os sistemas criados possuem o
número de saídas igual ao número de classes dos padrões, o
que representou um grande diferencial em relação ao modelo
NFHB original. Além do objetivo de classificação de
padrões, o sistema NFHB-Class foi capaz de
extrair conhecimento em forma de regras fuzzy
interpretáveis. Essas regras são expressas da seguinte
maneira: SE x é A e y é B então padrão pertence à classe Z.
Realizou-se um amplo estudo de casos, abrangendo diversas
bases de dados Benchmark para a tarefa de classificação,
tais como: Iris Dataset, Wine Data, Pima Indians Diabetes
Database, Bupa Liver Disorders e Heart Disease, e foram
feitas comparações com diversos modelos e algoritmos de
classificação de padrões.
Os resultados encontrados com os modelos NFHB-Invertido e
NFHB-Class mostraram-se, na maioria dos casos, superiores
ou iguais aos melhores resultados encontrados pelos outros
modelos e algoritmos aos quais foram comparados.O
desempenho dos modelos NFHB-Invertido e NFHB-Class em
relação ao tempo de processamento também se mostrou muito
bom. Para todas as bases de dados descritas no estudo de
casos (capítulo 8), os modelos convergiram para uma ótima
solução de classificação, além da extração das regras
fuzzy, em / [en] This dissertation investigates the use of Neuro-Fuzzy
Hierarchical BSP (Binary Space
Partitioning) systems for pattern classification and
extraction of fuzzy rules in databases. The
objective of this work was to create specific models for
the classification of registers based on
the Neuro-Fuzzy BSP model that is able to create its
structure automatically and to extract
linguistic rules that explain the data structure. The task
of pattern classification is to find
relationships between data with the intention of
forecasting the class of an unknown pattern.
The work consisted of four parts: study about the main
methods of the pattern
classification; evaluation of the original Neuro-Fuzzy
Hierarchical BSP system (NFHB) in
pattern classification; definition and implementation of
two NFHB systems dedicated to
pattern classification; and case studies.
The study about classification methods resulted in a survey
on the area, where the
main techniques used for pattern classification are
described. The main techniques are:
statistic methods, genetic algorithms, decision trees,
neural networks, and neuro-fuzzy
systems.
The evaluation of the NFHB system in pattern classification
took in to consideration
the particularities of the model which has: ability to
create its own structure; recursive space
partitioning; ability to deal with more inputs than other
neuro-fuzzy system; and recursive
fuzzy rules. The original NFHB system, however, is unsuited
for pattern classification. The
original NFHB model has only one output and its use in
classification problems makes it
necessary to create a criterion of band value (windows) in
order to represent the classes.
Therefore, it was decided to create new models that could
overcome this deficiency.
Two new NFHB systems were developed for pattern
classification: NFHB-Invertido
and NFHB-Class. The first one creates its structure using
the same learning algorithm of the
original NFHB system. After the structure has been created,
it is inverted (see chapter 5) for
the generalization process. The inversion of the structure
provides the system with the number
of outputs equal to the number of classes in the database.
The second system, the NFHB-Class
uses an inverted version of the original basic NFHB cell in
both phases, learning and
validation. Both systems proposed have the number of
outputs equal to the number of the
pattern classes, what means a great differential in
relation to the original NFHB model.
Besides the pattern classification objective, the NFHB-
Class system was able to extract
knowledge in form of interpretable fuzzy rules. These rules
are expressed by this way: If x is
A and y is B then the pattern belongs to Z class.
The two models developed have been tested in many case
studies, including
Benchmark databases for classification task, such as: Iris
Dataset, Wine Data, Pima Indians
Diabetes Database, Bupa Liver Disorders and Heart Disease,
where comparison has been
made with several traditional models and algorithms of
pattern classification.
The results found with NFHB-Invertido and NFHB-Class
models, in all cases, showed
to be superior or equal to the best results found by the
others models and algorithms for
pattern classification. The performance of the NFHB-
Invertido and NFHB-Class models in
terms of time-processing were also very good. For all
databases described in the case studies
(chapter 8), the models converged to an optimal
classification solution, besides the fuzzy rules
extraction, in a time-processing inferior to a minute. / [es] Esta disertación investiga el uso de sistemas Neuro- Fuzzy
Herárquicos BSP (Binary Space Partitioning) en problemas de
clasificación de padrones y de extracción de reglas fuzzy
en bases de datos. El objetivo de este trabajo fue crear
modelos específicos para clasificación de registros a
partir del modelo Neuro-Fuzzy Jerárquico BSP que es capaz
de generar automáticamente su propia extructura y extraer
reglas fuzzy, lingüisticamente interpretables, que explican
la extructura de los datos. El principio de la
clasificación de padrones es descubrir relaciones entre los
datos con la intención de prever la clase de un padrón
desconocido. El trabajo está constituido por cuatro partes:
un estudio sobre los principales métodos de clasificación
de padrones; análisis del sistema Neuro-Fuzzy Jerárquico
BSP (NFHB) original en la clasificación; definición e
implementación de dos sistemas NFHB específicos para
clasificación de padrones; y el estudio de casos. En el
estudio de los métodos de clasificación se realizó un
levatamiento bibliográfico, creando un "survey" donde se
presentan las principales técnicas utilizadas. Entre las
principales técnicas se destacan: los métodos estadísticos,
algoritmos genéticos, árboles de decisión fuzzy, redes
neurales, y los sistemas neuro-fuzzy. En el análisis del
sistema NFHB para clasificación de datos se tuvieron en
cuenta las peculiaridades del modelo, que posee :
aprendizaje de la extructura, particionamiento recursivo
del espacio de entrada, acepta mayor número de entradas que
los otros sistemas neuro-fuzzy, además de reglas fuzzy
recursivas. El sistema NFHB, sin embargo, no es un modelo
exactamente desarrollado para clasificación de padrones. El
modelo NFHB original posee apenas una salida y para
utilizarlo conmo un clasificador fue necesario crear un
criterio de intervalos de valores (ventanas) para
representar las clases. Así, se decidió crear nuevos
modelos que supriman esta deficiencia. Se definieron dos
nuevos sistemas NFHB para clasificación de padrones: NFHB-
Invertido y NFHB-Clas. El primero utiliza la arquitectura
del modelo NFHB original en el aprendizaje y en seguida la
inversión de la arquitectura para la validación de los
resultados. La inversión del sistema es un medio para
adaptar el nuevo sistema, específicamente a la
clasificación, ya que el sistema pasó a tener número de
salidas igual al número de clases, al contrario del
criterio de intervalo de valores utilizado en el modelo
NFHB original. En el sistema NFHB-Clas se utilizó, tanto
para la fase de aprendizajeo, cuanto para la fase de
validación, el modelo NFHB original invertido. Ambos
sistemas poseen el número de salidas igual al número de
clases de los padrones, lo que representa una gran
diferencia en relación al modelo NFHB original. Además del
objetivo de clasificación de padrones, el sistema NFHB-Clas
fue capaz de extraer conocimento en forma de reglas fuzzy
interpretables. Esas reglas se expresan de la siguiente
manera: Si x es A e y es B entonces el padrón pertenece a
la clase Z. Se realizó un amplio estudio de casos,
utilizando diversas bases de datos Benchmark para la
clasificación, tales como: Iris Dataset, Wine Data, Pima
Indians Diabetes Database, Bupa Liver Disorders y Heart
Disease. Los resultados se compararon con diversos modelos
y algoritmos de clasificación de padrones. Los resultados
encontrados con los modelos NFHB-Invertido y NFHB-Clas se
mostraron, en la mayoría de los casos, superiores o iguales
a los mejores resultados encontrados por los otros modelos
y algoritmos con los cuales fueron comparados. El desempeño
de los modelos NFHB-Invertido y NFHB-Clas en relación al
tiempo de procesamiento tambiém se mostró muy bien. Para
todas las bases de datos descritas en el estudio de casos
(capítulo 8), los modelos convergieron para una solución
óptima, además de la extracción de las reglas fuzzy, con
tiemp
|
Page generated in 0.0482 seconds