Submitted by Pedro Henrique Rodrigues (pedro.henriquer@ufpe.br) on 2015-03-05T19:01:31Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertacao_mestrado_luciano_demetrio_santos_pacifico.pdf: 1298836 bytes, checksum: a33b8177660f786665b35999a48f173a (MD5) / Made available in DSpace on 2015-03-05T19:01:31Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertacao_mestrado_luciano_demetrio_santos_pacifico.pdf: 1298836 bytes, checksum: a33b8177660f786665b35999a48f173a (MD5) Previous issue date: 2012-01-25 / FACEPE / Métodos de agrupamento (clustering) visam organizar um conjunto de itens em grupos de tal forma que itens de um dado grupo possuam alto grau de similaridade, enquanto itens em grupos diferentes possuam alto grau de dissimilaridade. A busca por métodos que realizem essa tarefa de forma satisfatória se justifica na grande variedade de aplicações possíveis para a análise de agrupamentos, em campos como processamento de imagens, mineração de dados, ciências sociais, medicina, dentre outros. Este trabalho tem por objetivo a introdução de duas novas técnicas para a realização da tarefa de formação de agrupamentos. As abordagens propostas são algoritmos de mapas autoorganizáveis por lote baseados em distâncias adaptativas: o algoritmo de mapa autoorganizável por lote baseado em distâncias adaptativas globais (GWBSOM) e o algoritmo de mapa auto-organizável por lote baseado em distâncias adaptativas locais (LWBSOM). O mapa auto-organizável (Self-Organizing Map, ou SOM) é uma rede neural artificial não-supervisionada de aprendizado competitivo que possui propriedades de agrupamento e de redução da dimensionalidade, usando uma função de vizinhança para descobrir a estrutura topológica escondida no conjunto de dados. Os testes realizados, tanto com bases de dados reais quanto com bases de dados sintéticos, demonstraram a efetividade dos métodos propostos em relação às abordagens existentes na literatura.

Submitted by João Arthur Martins (joao.arthur@ufpe.br) on 2015-03-12T19:12:53Z No. of bitstreams: 2 Tese MarceloFerreira.pdf: 1069107 bytes, checksum: 2595b3cb94f5f37295b6c52cdd1c905f (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-12T19:12:53Z (GMT). No. of bitstreams: 2 Tese MarceloFerreira.pdf: 1069107 bytes, checksum: 2595b3cb94f5f37295b6c52cdd1c905f (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-07-22 / Nesta tese de doutorado, propomos métodos de agrupamento baseados em funções kernel com ponderação automática das variáveis através de distâncias adaptativas onde medidas de dissimilaridade são obtidas como somas de distâncias Euclidianas entre padrões e protótipos calculadas individualmente para cada variável através de funções kernel. A principal vantagem da abordagem proposta sobre os métodos de agrupamento baseados em kernel convencionais é a possibilidade do uso de distâncias adaptativas, as quais mudam a cada iteração do algoritmo e podem ser a mesma para todos os grupos ou diferentes de um grupo para outro. Este tipo de medida de dissimilaridade é adequado ao aprendizado dos pesos das variáveis dinamicamente durante o processo de agrupamento, levando a uma melhora do desempenho dos algoritmos. Outra vantagem da abordagem proposta é que ela permite a introdução de diversas ferramentas para interpretação de partições e grupos. Experimentos com conjuntos de dados simulados e reais mostram a utilidade dos algoritmos propostos e o mérito das ferramentas de interpretação de partições e grupos.

Made available in DSpace on 2014-06-12T15:53:04Z (GMT). No. of bitstreams: 2 arquivo4841_1.pdf: 1339242 bytes, checksum: 436434b8efc86d7d29ed2ccfa1e7d871 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / A análise de dados simbólicos (Symbolic Data Analysis) é uma nova abordagem na área de descoberta automática de conhecimentos que visa desenvolver métodos para dados descritos por varáveis onde existem conjuntos de categorias, intervalos ou distribuições de probabilidade nas células das tabelas de dados. O objetivo deste trabalho é introduzir métodos de cluster para intervalos usando algoritmos de nuvens dinâmicas. Estes algoritmos consistem em obter, simultaneamente, uma partição em classes e identificar um conjunto de representantes das classes minimizando um critério que mede a adequação entre as classes e os protótipos. Os algoritmos de nuvens dinâmicas com distâncias adaptativas também encontram uma partição e um conjunto de representantes minimizando uma função critério, mas em cada interação existe uma distância diferente para comparar cada classe com o seu protótipo. A vantagem das distâncias adaptativas é que o algoritmo de agrupamento é capaz de reconhecer classes de formas e tamanhos diferentes. Neste trabalho, foi desenvolvido um método de nuvens dinâmicas usando a distância L1 para intervalos. Além deste método, foram também introduzidos três métodos com, respectivamente, as distâncias L1 (City-Block), L2 (Euclidiana) e L¥ (Máximo) adaptativas para intervalos. Para validar os métodos, foram realizados experimentos com um conjunto de espécies de peixes e dois conjuntos de dados artificiais de intervalos com diferentes graus de dificuldade de classificação. Os resultados fornecidos pelos métodos têm sido avaliados por um índice externo na estrutura de uma experiência Monte Carlo e testes estatísticos evidenciam que o desempenho dos métodos adaptativos é superior ao dos métodos não adaptativos