[pt] Hoje em dia, grande parte do conhecimento acumulado está armazenado em forma de dados. Para muitos problemas de classificação, tenta-se aprender a relação entre um conjunto de variáveis (atributos) e uma variável alvo de interesse. Dentre as ferramentas capazes de atuar como modelos representativos de sistemas reais, os Sistemas de Inferência Fuzzy são considerados excelentes com respeito à representação do conhecimento de forma compreensível, por serem baseados em regras linguísticas. Este quesito de interpretabilidade linguística é relevante em várias aplicações em que não se deseja apenas um modelo do tipo caixa preta, que, por mais precisão que proporcione, não fornece uma explicação de como os resultados são obtidos. Esta dissertação aborda o desenvolvimento de um Sistema de Inferência Fuzzy de forma automática, buscando uma base de regras que valorize a interpretabilidade linguística e que, ao mesmo tempo, forneça uma boa acurácia. Para tanto, é proposto o modelo AutoFIS-Class, um método automático para a geração de Sistemas de Inferência Fuzzy para problemas de classificação. As características do modelo são: (i) geração de premissas que garantam critérios mínimos de qualidade, (ii) associação de cada premissa a um termo consequente mais compatível e (iii) agregação de regras de uma mesma classe por meio de operadores que ponderem a influência de cada regra. O modelo proposto é avaliado em 45 bases de dados benchmark e seus resultados são comparados com modelos da literatura baseados em Algoritmos Evolucionários. Os resultados comprovam que o Sistema de Inferência gerado é competitivo, apresentando uma boa acurácia com um baixo número de regras. / [en] Nowadays, much of the accumulated knowledge is stored as data. In many classification problems the relationship between a set of variables (attributes) and a target variable of interest must be learned. Among the tools capable of modeling real systems, Fuzzy Inference Systems are considered excellent with respect to the knowledge representation in a comprehensible way, as they are based on inference rules. This is relevant in applications where a black box model does not suffice. This model may attain good accuracy, but does not explain how results are obtained. This dissertation presents the development of a Fuzzy Inference System in an automatic manner, where the rule base should favour linguistic interpretability and at the same time provide good accuracy. In this sense, this work proposes the AutoFIS-Class model, an automatic method for generating Fuzzy Inference Systems for classification problems. Its main features are: (i) generation of premises to ensure minimum, quality criteria, (ii) association of each rule premise to the most compatible consequent term; and (iii) aggregation of rules for each class through operator that weigh the relevance of each rule. The proposed model was evaluated for 45 datasets and their results were compared to existing models based on Evolutionary Algorithms. Results show that the proposed Fuzzy Inference System is competitive, presenting good accuracy with a low number of rules.

[pt] A série temporal é a representação mais comum para a evoluçãao no tempo de uma variável qualquer. Em um problema de previsão de séries temporais, procura-se ajustar um modelo para obter valores futuros da série, supondo que as informações necessárias para tal se encontram no próprio histórico da série. Como os fenômenos representados pelas séries temporais nem sempre existem de maneira isolada, pode-se enriquecer o modelo com os valores históricos de outras séries temporais relacionadas. A estrutura formada por diversas séries de mesmo intervalo e dimensão ocorrendo paralelamente é denominada série temporal multivariada. Esta dissertação propõe uma metodologia de geração de um Sistema de Inferência Fuzzy (SIF) para previsão de séries temporais multivariadas a partir de dados históricos, com o objetivo de obter bom desempenho tanto em termos de acurácia de previsão como no quesito interpretabilidade da base de regras – com o intuito de extrair conhecimento sobre o relacionamento entre as séries. Para tal, são abordados diversos aspectos relativos ao funcionamento e à construção de um SIF, levando em conta a sua complexidade e claridade semântica. O modelo é avaliado por meio de sua aplicação em séries temporais multivariadas da base completa da competição M3, comparandose a sua acurácia com as dos métodos participantes. Além disso, através de dois estudos de caso com dados reais públicos, suas possibilidades de extração de conhecimento são exploradas por meio de dois estudos de caso construídos a partir de dados reais. Os resultados confirmam a capacidade do AutoMFIS de modelar de maneira satisfatória séries temporais multivariadas e de extrair conhecimento da base de dados. / [en] A time series is the most commonly used representation for the evolution of a given variable over time. In a time series forecasting problem, a model aims at predicting the series future values, assuming that all information needed to do so is contained in the series past behavior. Since the phenomena described by the time series does not always exist in isolation, it is possible to enhance the model with historical data from other related time series. The structure formed by several different time series occurring in parallel, each featuring the same interval and dimension, is called a multivariate time series. This dissertation proposes a methodology for the generation of a Fuzzy Inference System (FIS) for multivariate time series forecasting from historical data, aiming at good performance in both forecasting accuracy and rule base interpretability – in order to extract knowledge about the relationship between the modeled time series. Several aspects related to the operation and construction of such a FIS are investigated regarding complexity and semantic clarity. The model is evaluated by applying it to multivariate time series obtained from the complete M3 competition database and by comparing it to other methods in terms of accuracy. In addition knowledge extraction possibilities are explored through two case studies built from actual data. Results confirm that AutoMFIS is indeed capable of modeling time series behaviors in a satisfactory way and of extractig meaningful knowldege from the databases.

[pt] Por definição, a série temporal representa o comportamento de uma variável em função do tempo. Para o processo de previsão de séries, o modelo deve ser capaz de aprender a dinâmica temporal das variáveis para obter valores futuros. Contudo, prever séries temporais com exatidão é uma tarefa que vai além de escolher o modelo mais complexo, e portanto a etapa de análise é um processo fundamental para orientar o ajuste do modelo. Especificamente em problemas multivariados, o AutoMFIS é um modelo baseado na lógica fuzzy, desenvolvido para introduzir uma explicabilidade dos resultados através de regras semanticamente compreensíveis. Mesmo com características promissoras e positivas, este sistema possui limitações que tornam sua utilização impraticável em problemas com bases de dados com alta dimensionalidade. E com a presença cada vez maior de bases de dados mais volumosas, é necessário que a síntese automática de sistemas fuzzy seja adaptada para abranger essa nova classe de problemas de previsão. Por conta desta necessidade, a presente dissertação propõe a extensão do modelo AutoMFIS para a previsão de séries temporais com alta dimensionalidade, chamado de e-AutoMFIS. Apresentase uma nova metodologia, baseada em comitê de previsores, para o aprendizado distribuído de geração de regras fuzzy. Neste trabalho, são descritas as características importantes do modelo proposto, salientando as modificações realizadas para aprimorar tanto a previsão quanto a interpretabilidade do sistema. Além disso, também é avaliado o seu desempenho em problemas reais, comparando-se a acurácia dos resultados com as de outras técnicas descritas na literatura. Por fim, em cada problema selecionado também é considerado o aspecto da interpretabilidade, discutindo-se os critérios utilizados para a análise de explicabilidade. / [en] By definition, the time series represents the behavior of a variable as a time function. For the series forecasting process, the model must be able to learn the temporal dynamics of the variables in order to obtain consistent future values. However, an accurate time series prediction is a task that goes beyond choosing the most complex (or promising) model that is applicable to the type of problem, and therefore the analysis step is a fundamental procedure to guide the adaptation of a model. Specifically, in multivariate problems, AutoMFIS is a model based on fuzzy logic, developed not only to give accurate forecasts but also to introduce the explainability of results through semantically understandable rules. Even with such promising characteristics, this system has shown practical limitations in problems that involve datasets of high dimensionality. With the increasing demand formethods to deal with large datasets, it should be great that approaches for the automatic synthesis of fuzzy systems could be adapted to cover a new class of forecasting problems. This dissertation proposes an extension of the base model AutoMFIS modeling method for time series forecasting with high dimensionality data, named as e-AutoMFIS. Based on the Ensemble learning theory, this new methodology applies distributed learning to generate fuzzy rules. The main characteristics of the proposed model are described, highlighting the changes in order to improve both the accuracy and the interpretability of the system. The proposed model is also evaluated in different case studies, in which the results are compared in terms of accuracy against the results produced by other methods in the literature. In addition, in each selected problem, the aspect of interpretability is also assessed, which is essential for explainability evaluation.

[pt] Hoje em dia, grande parte do conhecimento acumulado está armazenada em forma de dados. Dentre as ferramentas capazes de atuar como modelos representativos de sistemas reais, os Sistemas de Inferência Fuzzy têm se destacado pela capacidade de fornecer modelos precisos e, ao mesmo tempo, interpretáveis. A interpretabilidade é obtida a partir de regras linguísticas, que podem ser extraídas de bases de dados bases históricas e que permitem ao usuário compreender a relação entre as variáveis do problema. Entretanto, tais sistemas sofrem com a maldição da dimensionalidade ao lidar com problemas complexos, isto é, com um grande número de variáveis de entrada ou padrões, gerando problemas de escalabilidade. Esta dissertação apresenta um novo algoritmo de geração automática de regras, denominado RandomFIS, especificamente para problemas de classificação, capaz de lidar com grandes bases de dados tanto em termos de número de variáveis de entrada (atributos) quanto em termos de padrões (instâncias). O modelo RandomFIS utiliza os conceitos de seleção de variáveis (Random Subspace) e Bag of Little Bootstrap (BLB), que é uma versão escalável do Bootstrapping, criando uma estrutura de comitê de classificadores. O RandomFIS é avaliado em várias bases benchmark, demostrando ser um modelo robusto que mantém a interpretabilidade e apresenta boa acurácia mesmo em problemas envolvendo grandes bases de dados. / [en] Nowadays, much of the accumulated knowledge is stored as data. Among the tools capable of acting as representative models of real systems, Fuzzy Inference Systems are recognized by their ability to provide accurate and at the same time interpretable models. Interpretability is obtained from linguistic rules, which can be extracted from historical databases. These rules allow the end user to understand the relationship between variables in a specific problem. However, such systems experience the curse of dimensionality when handling complex problems, i.e. with a large number of input variables or patterns in the dataset, giving origin to scalability issues. This dissertation presents a new algorithm for automatic generation of fuzzy rules, called RandomFIS, specifically for classification problems, which is able to handle large databases both in terms of number of input variables (attributes) and in terms of patterns (instances). The RandomFIS model makes use of feature selection concepts (Random Subspace) and Bag of Little Bootstrap (BLB), which is a scalable version of Bootstrapping, creating a classifier committee structure. RandomFIS is tested in several benchmark datasets and shows to be a robust model that maintains interpretability and good accuracy even in problems involving large databases.

[pt] Esta tese apresenta uma nova metodologia para valoração dinâmica do Capital Intelectual, aplicada ao Capital Humano. Trata-se de oferecer, ao tomador de decisão, uma ferramenta capaz de calcular e comparar o retorno do investimento em ativos intangíveis, como ocorre com outros ativos tangíveis. Através da metodologia proposta, denominada KVA-ACHE, é possível estimar a quantidade potencial de conhecimento humano, utilizado na geração do resultado financeiro da empresa. Essa metodologia também permite medir variações de desempenho nos processos-chave que compõem a cadeia de valor da empresa e o impacto do investimento em educação em um determinado processo. O método KVA-ACHE é composto de cinco módulos, que são executados em três fases. Na primeira fase se avalia a empresa de forma agregada, segundo seu modelo estratégico e, na segunda fase, avalia-se a quantidade de conhecimento potencial e disponível, associado a cada processo-chave. A terceira fase é aplicado o método KVA e obtido o indicador de desempenho ROI. Ao final da sua aplicação, essa metodologia permite: identificar os processos que estão drenando resultado da empresa, através da observação de indicador financeiro adaptado, como o ROIK (Return on Investment on Knowledg), identificar a necessidade individualizada de treinamento para se atingir o máximo de desempenho em um determinado processochave; analisar o impacto percebido em termos percentuais do investimento em educação, realizado em determinado processo-chave; e, finalmente, dar uma visão sobre os recursos de conhecimentos e habilidades disponíveis na equipe de colaboradores, os quais poderão ser aproveitados na avaliação de novos negócios e desafios para empresa. A principal inovação dessa metodologia está no fato de se utilizar a Teoria dos Conjuntos Fuzzy e de Sistemas de Inferência Fuzzy - SIF para transformar conceitos relacionados à disponibilidade e ao uso de conhecimento humano em valores que, dessa forma, permitem a comparação de ativos intangíveis com ativos tangíveis. / [en] This thesis presents a new methodology for dynamic valuation of Intellectual Capital, applied to the Human Capital. It offers, to the decision-maker, a computational tool able to quote and compare the return on investment in intangible assets, as with tangible assets. Through the proposed methodology, called KVAACHE, it is possible to estimate the potential amount of human knowledge, used in generating the company’s financial results. This approach also allows the measurement of variations in performance in the key processes that make up the value chain of the company and the impact of investment in education in a given process. The method KVA-ACHE is composed of five modules, which are executed in three phases. The first phase evaluates the company on an aggregate basis, according to its strategic model, and, in the second phase, the amount of potential and available knowledge, associated with each key process, is evaluated. The third phase applies KVA method. This methodology allows: the identification of the processes that are draining the company’s income by looking at the adapted financial indicators, such as ROIK (Return on Investment on Knowledge); the individualized need for training to achieve maximum performance in a particular key process; the analysis of the impact noticed in terms of percentage of the investment in education, held in a certain key process; and finally, an insight into the resources of knowledge and skills available in the team of collaborators, which may be used in the assessment of new challenges and business to the enterprise. The main innovation of this methodology lies in the use of Fuzzy Set Theory and Fuzzy Inference Systems - FIS to transform concepts related to the availability and use of human knowledge into values, and thus allow the comparison of intangible assets with tangible assets.

[pt] Uma forma de avaliar a qualidade da água e a qualidade ambiental de um reservatório para monitoramento futuro é listar e analisar as concentrações de tudo o que a mesma tem. Tal lista poderia ser tão longa quanto o número de elementos analisados, podendo ir de 20 e poucos componentes comuns a centenas. É assim que vários índices de qualidade têm sido propostos por serem capazes de sintetizar o maior número destes parâmetros de qualidade em um único valor de fácil interpretação. Não obstante, uma vez que a maior parte dos índices formulados serem para águas moventes, os mesmos têm pouca utilidade para lagos e reservatórios. Lagos e reservatórios são geralmente avaliados e classificados com base em índices de estado trófico e em análises de suas composições químicas. Porém, um índice de estado trófico não tem a mesma representatividade de um índice de qualidade, visto que o termo qualidade sugere uma avaliação subjetiva, importante ressaltar essa distinção de conceitos. Excelente ou pobre, a referência de qualidade da água depende do seu uso e das atitudes locais das pessoas. A definição de estado trófico e seu índice correspondente deveriam permanecer neutros a tais julgamentos subjetivos, mantendo-se numa estrutura dentro da qual podem ser feitas várias avaliações da qualidade da água. Dessa forma, no presente trabalho, criou-se um modelo de avaliação da qualidade da água e da qualidade ambiental para um reservatório tropical oligo-mesotrófico (reservatório das Lajes) capaz de representar em uma escala numérica as gradações nos níveis de qualidade, além de levar em consideração a subjetividade implícita no conceito de qualidade. A subjetividade da avaliação em discussão motivou o emprego da Lógica Fuzzy, metodologia capaz de representar, de forma mais eficiente e clara, os limites dos intervalos de variação dos parâmetros de qualidade para um conjunto de categorias subjetivas, quando esses limites não são bem definidos ou são imprecisos. Assim, foi desenvolvida uma ferramenta computacional baseada em Sistemas de Inferência Fuzzy que avalia automaticamente a qualidade em função de variáveis físicas, químicas e biológicas do reservatório. O referido modelo foi desenvolvido com base no conhecimento de especialistas em qualidade de água e qualidade ambiental do Centro de Ciências Biológicas e da Saúde da Universidade Federal do Estado do Rio de Janeiro (UNIRIO) e do Departamento de Biologia Animal da Universidade Federal Rural do Rio de Janeiro (UFRRJ). O modelo foi avaliado utilizando dados de coleta do reservatório das Lajes coletados no ano 2005, 2008 e 2009. / [en] There are many approaches to monitor the water and environmental qualities of a reservoir. One approach is to list and analyze the concentration of chemicals and physical characteristics that the amount of water it contains. Such a list could be as long as the number of elements analyzed, from a few common components to hundreds. Thus, many indices have been proposed since they are able to synthesize as many of these quality parameters into a single value for an easy interpretation. However, majority of the indices are formulated to evaluate lentic ecosystems, they have little use for lakes and reservoirs. Lakes and reservoirs are generally evaluated and classified based on trophic state indices and chemical composition analysis. Nevertheless, a trophic state index does not have the same representativeness of a quality index. The term quality implies a subjective judgment that is best kept separate from the concept of trophic state. Excellent or poor, water quality depends on the use of that water and the local attitudes of the people. The definition of trophic state and its corresponding index should remain neutral to these subjective judgments, remaining a framework within which various evaluations of water quality may be made. Accordingly, in today s world of technology and advancement there exists a unique model to evaluate water quality and environmental quality for a tropical oligo-mesotrophic reservoir which is located and known as the reservoir of Lajes in the State of Rio de Janeiro, Brazil. This model is capable of representing quality levels on a numerical scale gradation, and also takes into consideration the subjectivity implicit in the concept of quality. The subjectivity, implicit in the concept of quality, motivated the use of fuzzy logic. This is a methodology to represent more efficiently the limits of ranges of quality parameters for a set of subjective categories, when these limits are not well defined or are inaccurate. As a result, we developed a computational tool based on a Fuzzy Inference System that automatically assesses the quality in terms of the physical, chemical and biological characteristics of the reservoir. The model was developed based on the knowledge of experts on water quality and environmental quality from the Biological Sciences and Health Center of Universidade Federal do Estado do Rio de Janeiro (UNIRIO) and from the Department of Animal Biology of the Universidade Federal Rural do Rio de Janeiro (UFRRJ). The model was evaluated with data from the Lajes reservoir during the years 2005, 2008 and 2009.

[pt] Os sistemas de inferência fuzzy são técnicas de aprendizado de máquina que possuem a capacidade de modelar incertezas matematicamente. Eles são divididos em sistemas de inferências fuzzy tipo-1 e fuzzy tipo-2. O sistema de inferência fuzzy tipo-1 vem sendo amplamente aplicado na solução de diversos problemas referentes ao aprendizado de máquina, tais como, controle, classificação, clusterização, previsão, dentre outros. No entanto, por apresentar uma melhor modelagem matemática das incertezas, o sistema de inferência fuzzy tipo-2 vem ganhando destaque ao longo dos anos. Esta melhora modelagem vem também acompanhada de um aumento do esforço matemático e computacional. Visando reduzir tais pontos para solucionar problemas de classificação, este trabalho apresenta o desenvolvimento e a comparação de duas funções de pertinência Gaussiana para um sistema de inferência fuzzy tipo-2 intervalar usando o método superior e inferior. São utilizadas as funções de pertinência Gaussiana com incerteza na média e com incerteza no desvio padrão. Ambos os modelos fuzzy abordados neste trabalho são treinados por algoritmos baseados em informações de primeira ordem. Além disso, este trabalho propõe a extensão dos modelos fuzzy tipo-2 intervalar para apresentarem múltiplas saídas, reduzindo significativamente o custo computacional na solução de problemas de classificação multiclasse. Finalmente, visando contextualizar a utilização desses modelos em aplicações de engenharia mecânica, este trabalho apresenta a solução de um problema de detecção de falhas em turbinas a gás, utilizadas em aeronaves. / [en] Fuzzy logic systems are machine learning techniques that can model mathematically uncertainties. They are divided into type-1 fuzzy, and type-2 fuzzy logic systems. The type-1 fuzzy logic system has been widely applied to solve several problems related to machine learning, such as control, classification, clustering, prediction, among others. However, as it presents a better mathematical modeling of uncertainties, the type-2 fuzzy logic system has received much attention over the years. This modeling improvement is also accompanied by an increase in mathematical and computational effort. Aiming to reduce these issues to solve classification problems, this work presents the development and comparison of two Gaussian membership functions for a type-2 interval fuzzy logic system using the upper and lower method. Gaussian membership functions with uncertainty in the mean and with uncertainty in the standard deviation are used. Both fuzzy models covered in this work are trained by algorithms based on first order information. Furthermore, this work proposes the extension of interval type-2 fuzzy models to present multiple outputs, significantly reducing the computational cost in solving multiclass classification problems. Finally, aiming to contextualize the use of these models in mechanical engineering applications, this work presents the solution of a problem of fault detection in aircraft gas turbines.