1 |
[en] STRATEGIC GROUPS: ARESOURCE-BASED VIEW AND NEURO-FUZZY SYSTEMS APPROACH / [pt] IDENTIFICAÇÃO DE GRUPOS ESTRATÉGICOS: UMA ABORDAGEM UTILIZANDO A VISÃO RESOURCE-BASED E SISTEMAS NEURO-FUZZYCARLOS ALEXANDRE DOS SANTOS OLIVEIRA 03 January 2005 (has links)
[pt] Desde sua formulação, no início da década de setenta, o
conceito de grupo estratégico é objeto de pesquisas
teóricas e empíricas que buscam confirmar sua existência,
sua contribuição à avaliação da performance e à formação
das estratégias das empresas. Este trabalho soma-se a
estas pesquisas, utilizando os conceitos da Visão Resource-
Based e a aplicação de ferramentas de inteligência
computacional, neste caso as redes neurais e os sistemas
de inferência fuzzy, com o objetivo de contribuir para a
discussão deste tema na superação de suas limitações
e dos novos desafios que o aumento da complexidade das
arenas competitivas trouxeram para as pesquisas do
gerenciamento estratégico. A Visão Resource-Based fornece
a base teórica para o desenvolvimento dos construtos: grau
de inimitabilidade e grau de imobilidade, resultantes da
exploração estratégica dos recursos da empresa. Estes
construtos são propostos como dimensões de avaliação
da semelhança estratégica entre as empresas de uma arena
competitiva. A inteligência computacional fornece os meios
de extração de informações subjetivas, e presentes em
ambientes complexos, através da simulação do aprendizado,
percepção, evolução e adaptação do raciocínio humano. O
resultado é a proposição de um modelo de avaliação da
existência de grupos estratégicos, utilizando os
construtos Grau de Inimitabilidade e Grau de Imobilidade,
e Sistemas Neuro-fuzzy. Este modelo é aplicado ao setor de
supermercados como teste de validação do mesmo. / [en] Since its has introduced, in the beginning of the decade
of seventy, the concept of strategic groups is object of
theoretical and empirical research that aims to confirm
its existence, its contribution to performance evaluation
and the formulation of the strategies of the firms. This
text join these research, using the Resource-Based Views
framework and soft computing, in this case neural networks
and fuzzy inference systems, with aims at contributing for
the discussion of this subject to overcome its limitations
and the new challenges, resulting increasingly complexity
and competitive environment, for the strategic management
research. The Resource-Based View framework supplies the
theoretical underpinnings to use the inimitability degree
and immobility degree, resultants of the strategical
exploration of the resources of the firms, as constructors
to evaluate firm strategic similarity in a competitive
environment. Soft computing is a tool to extract
subjective data from complexity environments, simulating
the ability for learning, perception, evolution and
adaptation of human reasoning. The result of this research
is the proposal of a model to identify strategic groups,
applying the constructors Inimitability Degree and
Immobility Degree, and Neuro-fuzzy Inference Systems. To
validate the model, a test is performed to the
supermarkets industry.
|
2 |
[en] INTELLIGENT SYSTEMS APPLIED TO FRAUD ANALYSIS IN THE ELECTRICAL POWER INDUSTRIES / [pt] SISTEMAS INTELIGENTES NO ESTUDO DE PERDAS COMERCIAIS DO SETOR DE ENERGIA ELÉTRICAJOSE EDUARDO NUNES DA ROCHA 25 March 2004 (has links)
[pt] Esta dissertação investiga uma nova metodologia, baseada em
técnicas inteligentes, para a redução das perdas comerciais
relativas ao fornecimento de energia elétrica. O objetivo
deste trabalho é apresentar um modelo de inteligência
computacional capaz de identificar irregularidades na
medição de demanda e consumo de energia elétrica,
considerando as características sazonais não lineares
das curvas de carga das unidades consumidoras,
características essas que são difíceis de se representar em
modelos matemáticos. A metodologia é baseada em três
etapas: categorização, para agrupar unidades consumidoras
em classes similares; classificação para descobrir
relacionamentos que expliquem o perfil da irregularidade no
fornecimento de energia elétrica e que permitam prever a
classe de um padrão desconhecido; e extração de
conhecimento sob a forma de regras fuzzy interpretáveis. O
modelo resultante foi denominado Sistema de Classificação
de Unidades Consumidoras de Energia Elétrica. O trabalho
consistiu em três partes: um estudo sobre os principais
métodos de categorização e classificação de padrões;
definição e implementação do Sistema de Classificação de
Unidades Consumidoras de Energia Elétrica; e o estudo de
casos. No estudo sobre os métodos de categorização foi
feito um levantamento bibliográfico da área, resultando em
um resumo das principais técnicas utilizadas para esta
tarefa, as quais podem ser divididas em algoritmos de
categorização hierárquicos e não hierárquicos. No estudo
sobre os métodos de classificação foram feitos levantamentos
bibliográficos dos sistemas Neuro-Fuzzy que resultaram em
um resumo sobre as arquiteturas, algoritmos de aprendizado
e extração de regras fuzzy de cada modelo analisado. Os
modelos Neuro-Fuzzy foram escolhidos devido a sua
capacidade de geração de regras lingüísticas. O Sistema de
Classificação de Unidades Consumidoras de Energia Elétrica
foi definido e implementado da seguinte forma: módulo de
categorização, baseado no algoritmo Fuzzy C-Means (FCM); e
módulo de classificação baseado nos Sistemas Neuro-Fuzzy
NEFCLASS e NFHB-Invertido. No primeiro módulo, foram
utilizadas algumas medidas de desempenho como o FPI
(Fuzziness Performance Index), que estima o grau de
nebulosidade (fuziness) gerado por um número específico de
clusters, e a MPE (Modified Partition Entropy), que estima
o grau de desordem gerado por um número específico de
clusters. Para validação do número ótimo de clusters,
aplicou-se o critério de dominância segundo o método de
Pareto. No módulo de classificação de unidades consumidoras
levou-se em consideração a peculiaridade de cada sistema
neuro-fuzzy, além da análise de desempenho comparativa
(benchmarking) entre os modelos. Além do objetivo de
classificação de padrões, os Sistemas Neuro-Fuzzy são
capazes de extrair conhecimento em forma de regras fuzzy
interpretáveis expressas como: SE x é A e y é B então
padrão pertence à classe Z. Realizou-se um amplo estudo de
casos, abrangendo unidades consumidoras de atividades
comerciais e industriais supridas em baixa e média tensão.
Os resultados encontrados na etapa de categorização foram
satisfatórios, uma vez que as unidades consumidoras foram
agrupadas de forma natural pelas suas características de
demanda máxima e consumo de energia elétrica. Conforme o
objetivo proposto, esta categorização gerou um número
reduzido de agrupamentos (clusters) no espaço de busca,
permitindo que o treinamento dos sistemas Neuro-Fuzzy fosse
direcionado para o menor número possível de grupos, mas com
elevada representatividade sobre os dados. Os resultados
encontrados com os modelos NFHB-Invertido e NEFCLASS
mostraram-se, na maioria dos casos, superiores aos melhores
resultados encontrados pelos modelos matemáticos comumente
utilizados. O desempenho dos modelos NFHB-Invertido e
NEFCLASS, em relação ao te / [en] This dissertation investigates a new methodology based on
intelligent techniques for commercial losses reduction in
electrical energy supply. The objective of this work is to
present a model of computational intelligence able to
identify irregularities in consumption and demand
electrical measurements, regarding the non-linearity of the
consumers seasonal load curve which is hard to represent
by mathematical models. The methodology is based on three
stages: clustering, to group consumers of electric energy
into similar classes; patterns classification, to discover
relationships that explain the irregularities profile and
that determine the class for an unknown pattern; and
knowledge extraction in form of interpretable fuzzy rules.
The resulting model was entitled Electric Energy Consumers
Classification System. The work consisted of three parts: a
bibliographic research about main methods for clustering
and patterns classification; definition and implementation
of the Electric Energy Consumers Classification System; and
case studies. The bibliographic research of clustering
methods resulted in a survey of the main techniques used
for this task, which can be divided into hierarchical and
non-hierarchical clustering algorithms. The bibliographic
research of classification methods provided a survey of
the architectures, learning algorithms and rules extraction
of the neuro-fuzzy systems. Neuro-fuzzy models were chosen
due to their capacity of generating linguistics rules.
The Electric Energy Consumers Classification System was
defined and implemented in the following way: a clustering
module, based on the Fuzzy CMeans (FCM) algorithm; and
classification module, based on NEFCLASS and Inverted-NFHB
neuro-fuzzy sytems. In the first module, some performance
metrics have been used such as the FPI (Fuzziness
Performance Index), which estimates the fuzzy level
generated by a specific number of clusters; and the MPE
(Modified Partition Entropy) that estimates disorder level
generated by a specific number of clusters. The dominance
criterion of Pareto method was used to validate optimal
number of clusters. In the classification module, the
peculiarities of each neuro-fuzzy system as well as
performance comparison of each model were taken into
account. Besides the patterns classification objective, the
neuro-Fuzzy systems were able to extract knowledge in form
of interpretable fuzzy rules. These rules are expressed
by: IF x is A and y is B then the pattern belongs to Z
class. The cases studies have considered industrial and
commercial consumers of electric energy in low and medium
tension. The results obtained in the clustering step were
satisfactory, since consumers have been clustered in a
natural way by their electrical consumption and demand
characteristics. As the proposed objective, the system has
generated an optimal low number of clusters in the search
space, thus directing the learning step of the neuro-fuzzy
systems to a low number of groups with high representation
over data. The results obtained with Inverted-NFHB and
NEFCLASS models, in the majority of cases, showed to be
superior to the best results found by the mathematical
methods commonly used. The performance of the Inverted-NFHB
and NEFCLASS models concerning to processing time was also
very good. The models converged to an optimal
classification solution in a processing time inferior to a
minute. The main objective of this work, that is the non-
technical power losses reduction, was achieved by the
assertiveness increases in the identification of the
cases with measuring irregularities. This fact made
possible some reduction in wasting with workers and
effectively improved the billing.
|
3 |
[en] HIBRID NEURO-FUZZY-GENETIC SYSTEM FOR AUTOMATIC DATA MINING / [pt] SISTEMA HÍBRIDO NEURO-FUZZY-GENÉTICO PARA MINERAÇÃO AUTOMÁTICA DE DADOSMANOEL ROBERTO AGUIRRE DE ALMEIDA 20 August 2004 (has links)
[pt] Esta dissertação apresenta a proposta e o desenvolvimento
de um sistema
de mineração de dados inteiramente automático. O objetivo
principal é criar um
sistema que seja capaz de realizar a extração de
informações obscuras a partir
de bases de dados complexas, sem exigir a presença de um
especialista técnico
para configurá-lo. O sistema híbrido neuro-fuzzy
hierárquico com
particionamento binário (NFHB) vem apresentando excelentes
resultados em
tarefas de classificação de padrões e previsão, além de
possuir importantes
características não encontradas em outros sistemas
similares, entre elas:
aprendizado automático de sua estrutura; capacidade de
receber um número
maior de entradas abrangendo um maior número de aplicações;
e geração de
regras lingüísticas como produto de seu treinamento.
Entretanto, este modelo
ainda necessita de uma complexa parametrização inicial
antes de seu
treinamento, impedindo que o processo seja automático em
sua totalidade. O
novo modelo proposto busca otimizar a parametrização do
sistema NFHB
utilizando a técnica de coevolução genética, criando assim
um novo sistema de
mineração de dados completamente automático. O trabalho foi
realizado em
quatro partes principais: avaliação de sistemas existentes
utilizados na
mineração de dados; estudo do sistema NFHB e a determinação
de seus
principais parâmetros; desenvolvimento do sistema híbrido
neuro-fuzzy-genético
automático para mineração de dados; e o estudo de casos.
No estudo dos sistemas existentes para mineração de dados
buscou-se
encontrar algum modelo que apresentasse bons resultados e
ainda fosse
passível de automatização. Várias técnicas foram estudadas,
entre elas:
Métodos Estatísticos, Árvores de Decisão, Associação de
Regras, Algoritmos
Genéticos, Redes Neurais Artificiais, Sistemas Fuzzy e
Sistemas Neuro-Fuzzy.
O sistema NFHB foi escolhido como sistema de inferência e
extração de regras
para a realização da mineração de dados. Deste modo, este
modelo foi estudado
e seus parâmetros mais importantes foram determinados. Além
disso, técnicas
de seleção de variáveis de entradas foram investigadas para
servirem como
opções para o modelo. Ao final, foi obtido um conjunto de
parâmetros que deve
ser automaticamente determinado para a completa
configuração deste sistema. Um modelo coevolutivo genético
hierárquico foi criado para realizar com
excelência a tarefa de otimização do sistema NFHB. Desta
forma, foi modelada
uma arquitetura hierárquica de Algoritmos Genéticos (AG s),
onde os mesmos
realizam tarefas de otimização complementares. Nesta etapa,
também foram
determinados os melhores operadores genéticos, a
parametrização dos AG s, a
melhor representação dos cromossomas e as funções de
avaliação. O melhor
conjunto de parâmetros encontrado é utilizado na
configuração do NFHB,
tornando o processo inteiramente automático.
No estudo de casos, vários testes foram realizados em bases
de dados
reais e do tipo benchmark. Para problemas de previsão,
foram utilizadas séries
de carga de energia elétrica de seis empresas: Cerj, Copel,
Eletropaulo, Cemig,
Furnas e Light. Na área de classificação de padrões, foram
utilizadas bases
conhecidas de vários artigos da área como Glass Data, Wine
Data, Bupa Liver
Disorders e Pima Indian Diabetes. Após a realização dos
testes, foi feita uma
comparação com os resultados obtidos por vários algoritmos
e pelo NFHB
original, porém com parâmetros determinados por um
especialista.
Os testes mostraram que o modelo criado obteve resultados
bastante
satisfatórios, pois foi possível, com um processo
completamente automático,
obter taxas de erro semelhantes às obtidas por um
especialista, e em alguns
casos taxas menores. Desta forma, um usuário do sistema,
sem qualquer
conhecimento técnico sobre os modelos utilizados, pode
utilizá-lo para realizar mineração de banco de dados, extraindo informações e até mesmo conhecimento que podem auxiliá-lo em processos de tomada de decisão, o qual é o objetivo final de um processo de Knowledge Data Discovery. / [en] This dissertation presents the proposal and the development
of a totally
automatic data mining system. The main objective is to
create a system that is
capable of extracting obscure information from complex
databases, without
demanding the presence of a technical specialist to
configure it. The Hierarchical
Neuro-Fuzzy Binary Space Partitioning model (NFHB) has
produced excellent
results in pattern classification and time series
forecasting tasks. Additionally, it
provides important features that are not present in other
similar systems, such
as: automatic learning of its structure; ability to deal
with a larger number of input
variables, thus increasing the range of possible
applications; and generation of
linguistic rules as a result of its training process.
However, this model depends on
a complex configuration process before the training is
performed, hindering to
achieve a totally automatic system. The model proposed in
this Dissertation tries
to optimize the NFHB system parameters by using the genetic
coevolution
technique, thus creating a new automatic data mining
system. This work
consisted of four main parts: evaluation of existing
systems used in data mining;
study of the NFHB system and definition of its main
parameters; development of
the automatic hybrid neuro-fuzzy-genetic system for data
mining; and case
studies.
In the study of existing data mining systems, the aim was
to find a suitable
model that could yield good results and still be automated.
Several techniques
have been studied, among them: Statistical methods,
Decision Trees, Rules
Association, Genetic Algorithms, Artificial Neural
Networks, Fuzzy and Neuro-
Fuzzy Systems. The NFHB System was chosen for inference and
rule extraction
in the data mining process. In this way, this model was
carefully studied and its
most important parameters were determined. Moreover, input
variable selection
techniques were investigated, to be used with the proposed
model. Finally, a set
of parameters was defined, which must be determined
automatically for the
complete system configuration.
A hierarchical coevolutive genetic model was created to
execute the
system optimization task with efficiency. Therefore, a
hierarchical architecture of genetic algorithms (GAs) was
created, where the GAs execute complementary
optimization tasks. In this stage, the best genetic
operators, the GAs
configuration, the chromossomes representation, and
evaluation functions were
also determined. The best set of parameters found was used
in the NFHB
configuration, making the process entirely automatic.
In the case studies, various tests were performed with
benchmark
databases. For forecasting problems, six electric load
series were used: Cerj,
Copel, Eletropaulo, Cemig, Furnas and Light. In the pattern
classification area,
some well known databases were used, namely Glass Data,
Wine Data, Bupa
Liver Disorders and Pima Indian Diabetes. After the tests
were carried out, a
comparison was made with known models and with the original
NFHB System,
configured by a specialist.
The tests have demonstrated that the proposed model
generates
satisfactory results, producing, with an automatic process,
similar errors to the
ones obtained with a specialist configuration, and, in some
cases, even better
results can be obtained. Therefore, a user without any
technical knowledge of the
system, can use it to perform data mining, extracting
information and knowledge
that can help him/her in decision taking processes, which
is the final objective of
a Knowledge Data Discovery process.
|
4 |
[en] HIERARCHICAL NEURO-FUZZY MODELS / [pt] MODELOS NEURO-FUZZY HIERÁRQUICOSFLAVIO JOAQUIM DE SOUZA 13 December 2005 (has links)
[pt] Esta dissertação apresenta uma nova proposta de sistemas
(modelos) neuro-fuzzy que possuem, além do tradicional
aprendizado dos parâmetros, comuns às redes neurais e aos
sistemas nero-fuzzy, as seguintes características:
aprendizado de estrutura, a partir do uso de
particionamentos recursisvos; número maior de entradas que
o comumente encontrado nos sistemas neuro-fuzzy; e regras
com hierarquia. A definição da estrutura é uma necessidade
que surge quando da implementação de um determinado
modelo. Pode-se citar o caso das redes neurais, em que se
deve determinar (ou arbitrar) a priori sua estrutura
(número de camadas e quantidade de neurônios por camadas)
antes de qualquer teste. Um método automático de
aprendizado da estrutura é, portanto, uma característica
importante em qualquer modelo. Um sistema que também
permita o uso de um número maior de entradas é
interessante para se abranger um maior número de
aplicações. As regras com hierarquia são um subproduto do
método de aprendizado de estrutura desenvolvido nestes
novos modelos.
O trabalho envolveu três partes principais: um
levantamento sobre os sistemas neuro-fuzzy existentes e
sobre os métodos mais comuns de ajuste de parâmetros; a
definição e implementação de dois modelos neuro-fuzzy
hierárquicos; e o estudo de casos.
No estudo sobre os sistemas neuro-fuzzy(SNF) fez-se um
levantamento na bibliografia da área sobre as
características principais desses sistemas, incluindo suas
virtudes e deficiências. Este estudo gerou a proposta de
uma taxonomia para os SNF, em função das características
fuzzy neurais. Em virtude deste estudo constataram-se
limitações quanto à capacidade de criação de sua própria
estrutura e quanto ao número reduzido de entradas
possíveis.
No que se refere aos métodos de ajuste dos parâmetros
abordou-se os métodos mais comuns utilizados nos SNF, a
saber: o método dos mínimos quadrados com sua solução
através de métodos numéricos iterativos; e o método
gradient descent e seus derivados como o BackPropagation e
o RProp(Resilient BackPropagation).
A definição dos dois novos modelos neuro-fuzzy foi feita a
partir do estudo das características desejáveis e das
limitações dos SNF até então desenvolvidos. Observou-se
que a base de regras dos SNF juntamente com os seus
formatos de particionamento dos espaços de entrada e saída
têm grande influência sobre o desempenho e as limitações
destes modelos. Assim sendo, decidiu-se utilizar uma nova
forma de particionamento que eliminasse ou reduzisse as
limitações existentes- os particionamentos recursivos.
Optou-se pelo uso dos particionamentos Quadtree e BSP,
gerando os dois modelos NFHQ (Neuro-Fuzzy Hierárquico
Quadree) e NFHB (Neiro-Fuzzy Hierárquico BSP). Com o uso
de particionamentos obteve-se um nova classe de SNF que
permitiu além do aprendizado dos parâmetros, também o
aprendizado dos parâmetros. Isto representa um grande
diferencial em relação aos SNF tradicionais, além do fato
de se conseguir extender o limite do número de entradas
possíveis para estes sistemas.
No estudo de casos, os dois modelos neurofuzzy
hierárquicos foram testados 16 casos diferentes, entre as
aplicações benchmarks mais tradicionais da área e
problemas com maior número de entradas. Entre os casos
estudados estão: o conjunto de dados IRIS; o problema das
duas espirais; a previsão da série caótica de Mackey-
Glass; alguns sistemas de diagnóstico e classificação
gerados a partir de conjuntos de dados comumente
utilizados em artigos de machine learning e uma aplicação
de previsão de carga elétrica. A implementação dos dois
novos modelos neuro-fuzzy foi efetuada em linguagem pascal
e com o uso de um compilador de 32 bits para micros da
linha PC (Pentium) com sistema operacional DOS 32 bits,
Windows, ou Linux.
Os testes efetuados demostraram que: esses novos modelos
se ajustam bem a qualquer conjunto de dados; geram sua
própria estrutura; ajustam seus parâmetros com boa
generalização e extraem / [en] This dissertation presents a new proposal of neurofuzzy
systems (models), which present, in addition to the
learning capacity (which are common to the neural networks
and neurofuzzy systems) the following features: learning
of the structure; the use of recursive partitioning; a
greater number of inputs than usually allowed in
neurofuzzy systems; and hierarchical rules. The
structure´s definition is needed when implementing a
certain model. In the neural network case, for example,
one must, first of all, estabilish its structure (number
of layers and number of neurons per layers) before any
test is performed. So, an important feature for any model
is the existence of an automatic learning method for
creating its structure. A system that allows a larger
number of inputs is also important, in order to extend the
range of possible applications. The hierarchical rules
feature results from the structure learning method
developed for these two models.
The work has involved three main parts: study of the
existing neurofuzzy systems and of the most commom methods
to adjust its parameters; definition and implementation of
two hierarchical neurofuzzy models; and case studies.
The study of neurofuzzy systems (NFS) was accomplished by
creating a survey on this area, including advantages,
drawbacks and the main features of NFS. A taxonomy about
NFS was then proposed, taking into account the neural and
fuzzy features of the existing systems. This study pointed
out the limitations of neurofuzzy systems, mainly their
poor capability of creating its own structure and the
reduced number of allowed inputs.
The study of the methods for parameter adjustment has
focused on the following algorithms: Least Square
estimator (LSE) and its solutions by numerical iterative
methods; and the basic gradient descent method and its
offsprings such as Backpropagation and Rprop (Resilient
Backpropagation).
The definition of two new neurofuzzy models was
accomplished by considering desirable features and
limitations of the existing NFS. It was observed that the
partitioning formats and rule basis of the NFS have great
influence on its performance and limitations. Thus, the
decision to use a new partitioning method to remove or
reduce the existing limitations - the recursive
partitioning. The Quadtree and BSP partitioning were then
adopted, generating the so called Quadree Hierarchical
Neurofuzzy model (NFHQ) and the BSP hierarchical
Neurofuzzy model (NFHB). By using these kind os
partitioning a new class of NFS was obtained allowing the
learning of the structure in addition to parameter
learning. This Feature represents a great differential in
relation to the traditional NFS, besides overcoming the
limitation in the number of allowed inputs.
In the case studies, the two neurofuzzy models were tested
in 16 differents cases, such as traditional benchmarks and
problems with a greater number of inputs. Among the cases
studied are: the IRIS DATA set; the two spirals problem;
the forecasting of Mackey-Glass chaotic time series; some
diagnosis and classifications problems, found in papers
about machine learning; and a real application involving
load forecasting. The implementation of the two new
neurofuzzy models was carried out using a 32 bit Pascal
compiler for PC microcomputers using DOS or Linux
operating system.
The tests have shown that: these new models are able to
adjust well any data sets; they create its own struture;
they adjust its parameters, presenting a good
generalization performance; and automatically extract the
fuzzy rules. Beyond that, applications with a greater
number of inputs for these neurofuzzy models. In short two
neurofuzzy models were developed with the capability of
structure learning, in addition to parameter learning.
Moreover, these new models have good interpretability
through hierarchical fuzzy rules. They are not black coxes
as the neural networks.
|
5 |
[en] NEURO-FUZZY BSP HIERARCHICAL SYSTEM FOR TIME FORECASTING AND FUZZY RULE EXTRACTION DOR DATA MINING APPLICATONS / [pt] SISTEMA NEURO-FUZZY HIERÁRQUICO BSP PARA PREVISÃO E EXTRAÇÃO DE REGRAS FUZZY EM APLICAÇÕES DE DATA MININGALBERTO IRIARTE LANAS 11 October 2005 (has links)
[pt] Esta dissertação investiga a utilização de um sistema
Neuro-Fuzzy Hierárquico para previsão de séries e a
extração de regras fuzzy em aplicações de Mineração de
Dados. O objetivo do trabalho foi estender o modelo Neuro-
Fuzzy Hierárquico BSP para a classificação de registros e
a previsão de séries temporais. O processo de
classificação de registros no contexto de Mineração de
Dados consiste na extração de regras de associação que
melhor caracterizem, através de sua acurácia e
abrangência, um determinado grupo de registros de um banco
de dados (BD). A previsão de séries temporais, outra
tarefa comum em Mineração de Dados tem como objetivo
prever o comportamento de uma série temporal no instante
t+k (k ? 1).O trabalho consistiu de 5 etapas principais:
elaborar um survey dos principais sistemas e modelos
mais utilizados nas aplicações de Mineração de Dados;
avaliar o desempenho do sistema NFHB original em
aplicações de Mineração de Dados; desenvolver uma extensão
do modelo NFHB dedicado à classificação de registros em
uma BD; desenvolver um novo modelo híbrido Neuro-Fuzzy
Genético para o ajuste automático dos parâmetros do
sistema dedicado a previsão de séries temporais; e o
estudo dos casos. O estudo da área resultou num survey
sobre os principais modelos para Mineração de Dados. São
apresentados os modelos mais utilizados em tarefas de
classificação e extração de regras tais como: redes
neurais, árvores de decisão crisp e fuzzy, algoritmos
genéticos, estatística e sistemas neuro-fuzzy. Na etapa de
avaliação do modelo NFHB original, foi verificado que além
do tradicional aprendizado dos parâmetros, comuns às redes
neurais e aos sistemas neuro-fuzzy, o modelo possui as
seguintes aracterísticas: aprendizado da estrutura, a
partir do uso de particionamentos recursivos; número maior
de entradas que o habitualmente encontrado nos sistemas
neuro-fuzzy; e regras com hierarquia, características
adequadas para as aplicações de Mineração de Dados.
Entretanto, o processo de extração de regras e a seleção
de atributos não são adequados para este tipo de
aplicação, assim como a excessiva complexidade da
parametrização do modelo para aplicações de previsão de
séries temporais. Uma extensão ao modelo NFHB original foi
então proposta para aplicações de classificação de
registros no contexto da Mineração de Dados onde se têm
como objetivo principal a extração de informação em forma
de regras interpretáveis. Foi necessário modificar a
seleção de atributos e o processo original de extração de
regras. O sistema fuzzy do tipo Takagi-Sugeno do modelo
NFHB original fornece regras inadequadas do ponto de vista
da Mineração de Dados. O novo modelo NFHB, dotado das
modificações necessárias, mostrou um ótimo desempenho na
extração de regras fuzzy válidas que descrevem a
informação contida no banco de dados. As medidas de
avaliação normalmente usadas para analisar regras crisp
(Se x1 é <14.3 e...), como abrangência e acurácia, foram
modificadas para poderem ser aplicadas ao caso de
avaliação das regras fuzzy (Se x1 é Baixo e..) extraídas
pelo sistema NFHB após da fase de aprendizado. A
quantidade e a qualidade das regras extraídas é um ponto
fundamental dos sistemas voltados para aplicações de
Mineração de Dados, que buscam sempre obter o menor número
de regras e da maior qualidade possível. Nesse sentido, o
processo de seleção das características de entrada foi
alterado para evitar particionamentos excessivos, ou seja
regras desnecessárias. Foram implementadas duas
estratégias de seleção (Fixa e Adaptativa) em função de
diferentes medidas de avaliação como a Entropia e o método
de Jang. Um novo modelo híbrido neuro-fuzzy genético para
previsão de séries temporais foi criado para resolver o
problema da excessiva complexidade de parametrização do
sistema, o qual conta com mais de 15 parâmetros.Foi
proposto um novo modelo híbrido neuro-fuzzy genético capaz
de evoluir e obter um conjunto de parâmetros adequado par / [en] This dissertation investigates the use of a Neuro-Fuzzy
Hierarchical system for time series forecasting and fuzzy
rule extraction for Data Mining applications. The
objective of this work was to extend the Neuro-Fuzzy BSP
Hierarchical model for the classification of registers and
time series forecasting. The process of classification of
registers in the Data Mining context consists of
extracting association rules that best characterise,
through its accuracy and coverage measures, a certain
group of registers of database (DB). The time series
forecasting other common task in Data Mining, has a main
objective to foresee the behavior of a time series in the
instant t+k (k>=1).
The work consisted of 5 main stages: to elaborate a survey
of the main systems and the most common models in Data
Mining applications; to evaluate the performance of the
original NFHB system in Data Mining applicatons; to
develop an extension of the NFHB model dedicated to the
classification of registers in a DB; to develop a new
Neuro-Fuzzy Genetic hybrid model for the automatic
adjustment of the parameters of the system for time series
forecasting applicatons; and the case estudies.
The study of the area resulted in a survey of the main
Data Mining models. The most common methods used in Data
Mining application are presented such as: neural nets,
crisp and fuzzy decision trees, genetic algorithms,
statistics and neuro-fuzzy systems.
In the stage of evaluation of the original NFHB model, it
verified that besides the traditional learning of the
parameters, common to the neural nets and the neuro-fuzzy
systems, the model possesses the following
characteristics: learning of the structure; recursive
partitioning; larger number of inputs than usually found
on the neuro-fuzzy systems; rule with hierarchy; which are
characteristics adapted for Data Mining applications.
However the rule extraction process and attributes
selection are not appropriate for this type of
applications, as well as the excessive complexity of the
tuning of the model for time series forecasting
applicatons.
An extension of the original NFHB model was then proposed
for applicatons of classification of registers in the Data
Mining context, where the main objective in the extraction
of information in form of interpratable rules. It was
necessary to modify the attributes selection and the
original rule extraction process. The Takagi-Sugeno fuzzy
system of the original NFHB model supplies inadequate
rules, from the Data Mining point of view. The new NFHB
models, endowed with necessary modifications, showed good
performance in extracting valid fuzzy rules that describe
the information contained in the database. The evaluation
metrics, usually used to analyse crips rules (If x1 is
<14.3 and), as coverage and accuracy, were modified to be
applied to the evaluation of the fuzzy rules (If x1 is Low
and) extracted from the NFHB system after the learning
process. The amount and quality of the extracted rules are
important points of the systems dedicated for Data Mining
applicatons, where the target is to obtain the smallest
number of rules and of the best quality. In that sense,
the input selection strategies were implemented (Static
and Adaptive), using different evaluation measures as
Entropy and the jang algorithm.
A new genetic neuro-fuzzy hybrid model for time series
forecasting was created to solve the problem of the
excessive complexity of the model tuning, which comprises
more than 15 parameters. A new model wes proposed, a
genetic neuro-fuzzy hybrid, model capable to develop and
to obtain an appropriate set of parameters for the
forecasting of time series. The new hybrid, model capable
to develop and to obtain an appropriate set of parameters
for the forecasting of time series. The new hybrid model
presented good results with different types of series.
A tool based on the NFHB model was developed for
classification and forecasting applications. Th
|
6 |
[en] SPOT PRICE FORECASTING IN THE ELECTRICITY MARKET / [pt] PREVISÃO DO PREÇO SPOT NO MERCADO DE ENERGIA ELÉTRICALUCIO DE MEDEIROS 14 April 2004 (has links)
[pt] O objetivo da tese é propor uma metodologia para previsão
do preço de curto prazo (spot) da energia elétrica no
Brasil baseada em sistemas neuro-fuzzy e nos programas do
planejamento da operação do sistema elétrico brasileiro.
Com essa abordagem, obtém-se distribuições estimadas do
preço spot para o curto prazo com menor dispersão do que as
obtidas somente com os programas do planejamento da
operação. Além disso, por ser rápido, o sistema de previsão
final possibilita análises de cenários ou simulações Monte
Carlo. As principais variáveis que afetam o preço spot no
Brasil são consideradas, tais como a energia natural
afluente e a energia armazenada, entre outras. Ainda,
é possível incluir também variáveis que não têm um
histórico definido ou dados suficientes para o treinamento,
tais como o plano de obras, limites de intercâmbio, demanda
etc. Comparações com modelos de redes neurais são feitas.
Apresenta-se, também, o estado da arte em modelagem para a
política e o mercado de energia elétrica e os principais
conceitos de gerenciamento de risco no mercado de
eletricidade. / [en] This thesis focuses on spot price forecasting and risk
management in the Brazilian electricity industry. It is
proposed a new methodology for the problem based on neuro-
fuzzy systems and the dispatching and planning operation
programs. The main advantage of the approach is to be able
to get more informative spot price distributions than using
the operation and planning programs alone. Furthermore, it
allows Monte Carlo simulations or scenarios analysis as the
forecasting system runs in less than 1 minute.
The main variables which affect the spot price (inflow
river, storage capacity of reservoir, among others) are
included in the model. Even variables such as the
interchange limits, without a well-defined time series and
which could be important, could also be included because of
the intrinsic characteristics of each fuzzy model.
Comparisons with neural networks models are made.
It is also presented the state-of-the-art in the market and
politics modelling for the electricity market around the
world, as well as some main concepts of the risk management.
|
Page generated in 0.0432 seconds