[pt] O rastreamento ocular (eye-tracking) possibilita rastrear a posição e a direção do olhar de uma pessoa sobre algum tipo de estímulo (e.g., imagens ou vídeos). O uso desta tecnologia permite identificar eventos inerentes à visão humana, que contém informações implícitas capazes de revelar aspectos importantes sobre o comportamento de um indivíduo durante uma determinada tarefa. Porém, identificar essas informações requer um conjunto de habilidades para interpretar os dados de rastreamento ocular e relacioná-los com conhecimentos de domínios específicos. Nesse contexto, pode-se fazer grande proveito de sistemas inteligentes para agregar os conhecimentos e experiências de especialistas junto às respostas do dispositivo de rastreamento ocular. Dessa forma, o objetivo principal deste trabalho é propor uma metodologia para criar sistemas baseados em eye-tracking, para enriquecer o processo de avaliação de um indivíduo frente a uma determinada tarefa, resultando em um modelo para representar o conhecimento dos especialistas sobre aspectos subjetivos, visando automatizar esse processo avaliativo. Portanto, o presente trabalho toma como caso de uso a avaliação da relação entre comportamento visual e eficácia de indivíduos na resolução de testes inspirados em Matrizes Progressivas de Raven. Esses testes são comumente usados na psicologia para medir inteligência e a capacidade de raciocínio abstrato a partir da visualização de imagens. Optamos por utilizar uma abordagem baseada em regras fuzzy, por permitir armazenar conhecimento de forma mais transparente e legível aos usuários finais. As regras do modelo foram desenvolvidas e validadas com o auxílio de um especialista da área da psicologia. O sistema foi testado com dados extraídos de um grupo de usuários e apresentou resultados promissores. Os achados e modelos obtidos nessa pesquisa poderão ser utilizados como alicerce para o desenvolvimento de sistemas mais robustos. / [en] Eye-tracking makes it possible to track the position and direction of a person s gaze on some stimulus (e.g., images or videos). This technology allows us to identify events inherent to human vision, containing implicit information capable of revealing essential aspects of one s behavior during a given task. However, identifying these pieces of information is a complex task that requires a set of skills to interpret the eye-tracking data and relate it to domain-specific knowledge. In this context, one can use intelligent systems to couple the knowledge and experience of specialists with the responses from the eye-tracking device. Thus, the main objective of this work is to propose a methodology to create eye-tracking-based systems to improve the assessment of subjects during specific tasks, resulting in a model that can represent the specialist s knowledge over subjective aspects to automate this process. Therefore, the present work s use case is the evaluation of the relationship between visual behavior and efficiency in solving tests inspired by Raven s Progressive Matrices. Those tests are commonly used in psychology to measure intelligence and abstract reasoning through image visualization. We chose an approach based on fuzzy rules, as it allows us to represent knowledge in a more readable way to end-users. The model s rules were developed and validated alongside a specialist in psychology. The system was tested with data extracted from users and showed promising results. The findings and models obtained in this research may be used as a foundation for the development of more robust systems.

[pt] Este trabalho apresenta a proposta de um novo método para a extração de regras fuzzy de máquinas de vetor suporte (SVMs) treinadas para problemas de classificação. SVMs são sistemas de aprendizado baseados na teoria estatística do aprendizado e apresentam boa habilidade de generalização em conjuntos de dados reais. Estes sistemas obtiveram sucesso em vários tipos de problemas. Entretanto, as SVMs, da mesma forma que redes neurais (RN), geram um modelo caixa preta, isto é, um modelo que não explica o processo pelo qual sua saída é obtida. Alguns métodos propostos para reduzir ou eliminar essa limitação já foram desenvolvidos para o caso de classificação binária, embora sejam restritos à extração de regras simbólicas, isto é, contêm funções ou intervalos nos antecedentes das regras. No entanto, a interpretabilidade de regras simbólicas ainda é reduzida. Deste modo, propõe-se, neste trabalho, uma técnica para a extração de regras fuzzy de SVMs treinadas, com o objetivo de aumentar a interpretabilidade do conhecimento gerado. Além disso, o modelo proposto foi desenvolvido para classificação em múltiplas classes, o que ainda não havia sido abordado até agora. As regras fuzzy obtidas são do tipo se x1 pertence ao conjunto fuzzy C1, x2 pertence ao conjunto fuzzy C2,..., xn pertence ao conjunto fuzzy Cn, então o ponto x = (x1,...,xn) é da classe A. Para testar o modelo foram realizados estudos de caso detalhados com quatro bancos de dados: Íris, Wine, Bupa Liver Disorders e Winconsin Breast Cancer. A cobertura das regras resultantes da aplicação desse modelo nos testes realizados mostrou-se muito boa, atingindo 100% no caso da Íris. Após a geração das regras, foi feita uma avaliação das mesmas, usando dois critérios, a abrangência e a acurácia fuzzy. Além dos testes acima mencionados foi comparado o desempenho dos métodos de classificação em múltiplas classes usados no trabalho. / [en] This text proposes a new method for fuzzy rule extraction from support vector machines (SVMs) trained to solve classification problems. SVMs are learning systems based on statistical learning theory and present good ability of generalization in real data base sets. These systems have been successfully applied to a wide variety of application. However SVMs, as well as neural networks, generates a black box model, i.e., a model which does not explain the process used in order to obtain its result. Some considered methods to reduce this limitation already has been proposed for the binary classification case, although they are restricted to symbolic rules extraction, and they have, in their antecedents, functions or intervals. However, the interpretability of the symbolic generated rules is small. Hence, to increase the linguistic interpretability of the generating rules, we propose a new technique for extracting fuzzy rules of a trained SVM. Moreover, the proposed model was developed for classification in multiple classes, which was not introduced till now. Fuzzy rules obtained are presented in the format if x1 belongs to the fuzzy set C1, x2 belongs to the fuzzy set C2 , … , xn belongs to the fuzzy set Cn , then the point x=(x1, x2, …xn) belongs to class A. For testing this new model, we performed detailed researches on four data bases: Iris, Wine, Bupa Liver Disorders and Wisconsin Breast Cancer. The rules´ coverage resultant of the application of this method was quite good, reaching 100% in Iris case. After the rules generation, its evaluation was performed using two criteria: coverage and accuracy. Besides the testing above, the performance of the methods for multi-class SVM described in this work was evaluated.

Submitted by Izabel Franco (izabel-franco@ufscar.br) on 2016-09-06T18:25:30Z No. of bitstreams: 1 DissPAL.pdf: 2245333 bytes, checksum: 24abfad37e7d0675d6cef494f4f41d1e (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-12T14:03:53Z (GMT) No. of bitstreams: 1 DissPAL.pdf: 2245333 bytes, checksum: 24abfad37e7d0675d6cef494f4f41d1e (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-12T14:04:01Z (GMT) No. of bitstreams: 1 DissPAL.pdf: 2245333 bytes, checksum: 24abfad37e7d0675d6cef494f4f41d1e (MD5) / Made available in DSpace on 2016-09-12T14:04:09Z (GMT). No. of bitstreams: 1 DissPAL.pdf: 2245333 bytes, checksum: 24abfad37e7d0675d6cef494f4f41d1e (MD5) Previous issue date: 2010-08-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Inductive learning is, traditionally, categorized as supervised and unsupervised. In supervised learning, the learning method is given a labeled data set (classes of data are known). Those data sets are adequate for problems of classification and regression. In unsupervised learning, unlabeled data are analyzed in order to identify structures embedded in data sets. Typically, clustering methods do not make use of previous knowledge, such as classes labels, to execute their job. The characteristics of recently acquired data sets, great volume and mixed attribute structures, contribute to research on better solutions for machine learning jobs. The proposed research fits into this context. It is about semi-supervised fuzzy clustering applied to the generation of sets of fuzzy rules. Semi-supervised clustering does its job by embodying some previous knowledge about the data set. The clustering results are, then, useful for labeling the remaining unlabeled data in the set. Following that, come to action the supervised learning algorithms aimed at generating fuzzy rules. This document contains theoretic concepts, that will help in understanding the research proposal, and a discussion about the context wherein is the proposal. Some experiments were set up to show that this may be an interesting solution for machine learning jobs that have encountered difficulties due to lack of available information about data. / O aprendizado indutivo é, tradicionalmente, dividido em supervisionado e não supervisionado. No aprendizado supervisionado é fornecido ao método de aprendizado um conjunto de dados rotulados (dados que tem a classe conhecida). Estes dados são adequados para problemas de classificação e regressão. No aprendizado não supervisionado são analisados dados não rotulados, com o objetivo de identificar estruturas embutidas no conjunto. Tipicamente, métodos de agrupamento não se utilizam de conhecimento prévio, como rótulos de classes, para desempenhar sua tarefa. A característica de conjuntos de dados atuais, grande volume e estruturas de atributos mistas, contribui para a busca de melhores soluções para tarefas de aprendizado de máquina. É neste contexto em que se encaixa esta proposta de pesquisa. Trata-se da aplicação de métodos de agrupamento fuzzy semi-supervisionados na geração de bases de regras fuzzy. Os métodos de agrupamento semi-supervisionados realizam sua tarefa incorporando algum conhecimento prévio a respeito do conjunto de dados. O resultado do agrupamento é, então, utilizado para rotulação do restante do conjunto. Em seguida, entram em ação algoritmos de aprendizado supervisionado que tem como objetivo gerar regras fuzzy. Este documento contém conceitos teóricos para compreensão da proposta de trabalho e uma discussão a respeito do contexto onde se encaixa a proposta. Alguns experimentos foram realizados a fim de mostrar que esta pode ser uma solução interessante para tarefas de aprendizado de máquina que encontram dificuldades devido à falta de informação disponível sobre dados.

Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία μιας μεθόδου για την εξαγωγή αποδοτικών και ερμηνεύσιμων επενδυτικών κανόνων με χρήση μεθόδων υπολογιστικής νοημοσύνης. Οι επενδυτικοί αυτοί κανόνες εξάγονται αυτόματα από το σύστημα και υποδεικνύουν τη στρατηγική που πρέπει να ακολουθήσει ένας χρήστης. Αποκαλύπτουν το συσχετισμό των εισόδων και παρέχουν πληροφορίες για κερδοφόρες επενδυτικές στρατηγικές. Η υπολογιστική νοημοσύνη (computational intelligence) αποτελεί παρακλάδι της τεχνητής νοημοσύνης το οποίο περιλαμβάνει τον σχεδιασμό και την ανάπτυξη θεωριών και μεθόδων, βασιζόμενη στην κατανόηση της βιολογίας και της προσπάθειας για εφαρμογή σε προβλήματα του πραγματικού κόσμου. Ένα σύστημα είναι υπολογιστικά ευφυές όταν: ασχολείται μόνο με αριθμητικά (χαμηλού επιπέδου) δεδομένα, έχει συστατικά αναγνώρισης προτύπων, δεν χρησιμοποιεί γνώσεις στην μορφή της τεχνητή νοημοσύνης και επιπλέον, εμφανίζει i) υπολογιστική προσαρμοστικότητα, ii) υπολογιστική ανοχή σε σφάλματα, iii) επιτάχυνση που προσεγγίζει την ανθρώπινη, και iv) τα ποσοστά σφάλματός του προσεγγίζουν την ανθρώπινη απόδοση. Οι αλγόριθμοι της υπολογιστικής νοημοσύνης αποτελούνται από μοντέλα που εκπαιδεύονται από τα παραδείγματα με την βοήθεια ενός δασκάλου (επιβλεπόμενη μάθηση) και μοντέλα τα οποία προσαρμόζονται μόνα τους (μη επιβλεπόμενη μάθηση). Το πρόβλημα στις παρούσες προσεγγίσεις για την πρόβλεψη οικονομικών δεικτών εντοπίζεται στην μη ερμηνευσιμότητα των αποτελεσμάτων. Ενώ υπάρχουν δυνατά υπολογιστικά μοντέλα, όπως οι γενετικοί αλγόριθμοι και οι μηχανές διανυσμάτων υποστήριξης, τα αποτελέσματα τους δεν είναι ερμηνεύσιμα. Από την άλλη τα μοντέλα της ασαφούς λογικής ενώ παρουσιάζουν ερμηνεύσιμα αποτελέσματα δεν έχουν την δύναμη να παράγουν αποδοτικούς κανόνες. Το μοντέλο που προτείνεται σε αυτή την εργασία συνδυάζει τις τρεις προαναφερθείσες μεθόδους ονομάζεται ESVM-Fuzzy Inference Trader. Το προτεινόμενο μοντέλο χρησιμοποιείται για την πρόβλεψη των δεικτών DAX και FTSE 100. Τα αποτελέσματα του ESVM Fuzzy Inference Trader ξεπέρασαν σε απόδοση τις παραδοσιακές μεθόδους καθώς και μια εξελιγμένη τεχνική μηχανικής μάθησης. / The purpose of the present thesis is to develop a method for extracting efficient and interpretable investment rules, using methods of Computational Intelligence. The investment rules are automatically extracted from the system and suggest the strategy to be followed by a user. They are revealing the correlation between inputs and provide information on profitable investment strategies. Computational intelligence (CI) constitutes a subbranch of Artificial Intelligence (AI) that includes the design and development of theories and methods with a sound biological understanding alongside their application to solve real world problems. A system is computationally intelligent when it deals with only numerical (low level) data, has pattern recognition components, does not use knowledge in the AI sense and additionally when it (begins to) exhibit i) computational adaptivity, ii) computational fault tolerance, iii) speed approaching human-like turn around and iv) error rates that approximate human performance. The CI algorithms consist of models that are trained from examples with the aid of a tutor (supervised learning) and models that are self-adapted (unsupervised learning) The problem in the current approaches for predicting economic indicators is the non-interpretability of results. While there are strong computational models, such as genetic algorithms and support vector machines their results are not interpretable. On the other hand fuzzy logic models create interpretable results, but lack the power to produce efficient rules. The model proposed in this paper combines the three previous methods is called ESVM-Fuzzy Inference Trader. The proposed model is used to predict the indices DAX and FTSE 100. The results of ESVM Fuzzy Inference Trader outperformed traditional methods as well as an advanced machine learning technique.

Este trabalho apresenta um modelo de inspeção sanitária, utilizando lógica fuzzy, sobre gerenciamento de resíduos de serviços de saúde, construído com as informações e experiência de especialista, baseadas nas inspeções de estabelecimentos assistenciais de saúde no Estado do Rio de Janeiro. A partir da estruturação de regras utilizadas na inspeção sanitária sobre Resíduos de Serviços de Saúde (RSS), e do regulamento técnico sobre gerenciamento de RSS, a RDC 306/04 da ANVISA, foi construído um modelo que simula a atuação de um agente especialista da vigilância sanitária, contemplando os elementos difusos que compõem os fatores analisados na inspeção sanitária. O objetivo deste trabalho é apresentar um instrumento, estruturado com base na prática da inspeção sanitária sobre gerenciamento de RSS, utilizando a lógica fuzzy, capaz otimizar a inspeção, gerar indicadores de controle sanitário que permitam monitorar a condição satisfatória do gerenciamento destes resíduos, dar aporte ao planejamento das ações de vigilância sanitária sobre os RSS e acima de tudo propor um instrumento que possa reverter-se em mecanismo eficiente de fiscalização sanitária. O modelo fuzzy foi desenvolvido com uso do software Matlab 2007b, sendo testado com dados de 10 relatórios de inspeções realizadas no período de maio a novembro de 2009. / This study shows a health inspections model of waste management of health establishments in Rio de Janeiro state. The model was built by fuzzys logic and with experts information. It was based in ANVISA rules about waste management in health services: RSS, a RDC 306/04. It makes a simulation of an expert actuation with the diffuse elements of health inspection. The objective of this study is to show a health inspection management waste practice structured instrument, using fuzzys logic, able to optimize the inspection, produce indicators of health control to monitor the satisfactory condition of healh services waste management and guide the planning actions. The fuzzy model was developed with Matlab software and tasted with 10 inspection reports dated of 2009, between may and november.

Made available in DSpace on 2016-06-02T19:03:58Z (GMT). No. of bitstreams: 1 5694.pdf: 2329501 bytes, checksum: 90a80d78f180e25fc719ec410704ff8f (MD5) Previous issue date: 2013-12-13 / Financiadora de Estudos e Projetos / In Computer Science, ontologies are used for knowledge representation in a number of applications, aiming to structure and handle domain semantics through models shared by humans and computational systems. Although traditional ontologies model semantic information and support reasoning tasks, they are based on a formalism which is less suitable to express the vagueness inherent in real-world phenomena and human language. To address this issue, many proposals investigate how traditional ontologies can be extended by incorporating concepts from fuzzy sets and fuzzy logic, resulting in fuzzy ontologies. In special, combining the formalism from fuzzy ontologies with fuzzy rule-based reasoning, which has been successfully applied in the context of fuzzy inference systems, can lead to more expressive inferences involving imprecision. In this sense, this doctoral thesis aims at exploring the integration of fuzzy ontology reasoning with fuzzy inference systems, resulting in the definition and the development of two approaches: HyFOM (Hybrid integration of Fuzzy Ontology and Mamdani reasoning) and FT-FIS (Fuzzy Tableau and Fuzzy Inference System). HyFOM is based on a hybrid architecture combining reasoners for ontologies, fuzzy ontologies and fuzzy inference systems, focusing on the interaction among its independent components. FT-FIS defines an interface between a fuzzy tableau-based algorithm and a fuzzy inference system, including the fuzzyRuleReasoning predicate that allows fuzzy rule-based reasoning to be invoked whenever necessary for fuzzy ontology reasoning tasks. The main contribution of HyFOM and FT-FIS comes from their reasoning architectures, which combine flexibility in terms of fuzzy rule semantics with the collaboration between inferences from both types of reasoning. Experiments regarding the recommendation of touristic attractions, based on synthetic data, revealed that HyFOM and FT-FIS provide integrated inferences, in addition to a more expressive approximation of the relation defined by fuzzy rules than the results from the fuzzyDL reasoner. In experiments involving the evaluation of chemical risk in food samples, based on real data, results obtained by HyFOM and FT-FIS are also more precise than fuzzyDL results, in comparison with reference values available in this domain. / No contexto da Ciência da Computação, ontologias são utilizadas para representação de conhecimento em diversas aplicações, com o intuito de estruturar e tratar a semântica de domínios específicos. Embora representem e permitam inferir conhecimento implícito, as ontologias convencionais baseiam-se em um formalismo que não é capaz de expressar a imprecisão presente em fenômenos do mundo real e na linguagem humana. Para abordar esta limitação, há diversas pesquisas que investigam a incorporação de conceitos da teoria de conjuntos fuzzy e da lógica fuzzy em ontologias, resultando em ontologias fuzzy. Em especial, combinar o formalismo das ontologias fuzzy com o raciocínio baseado em regras fuzzy, utilizado com sucesso no contexto de sistemas de inferência fuzzy, pode proporcionar uma maior expressividade com relação às inferências envolvendo imprecisão. Neste sentido, o objetivo deste projeto de doutorado é explorar a integração do raciocínio de ontologias fuzzy e de sistemas de inferência fuzzy, resultando na definição e no desenvolvimento das abordagens HyFOM (Hybrid integration of Fuzzy Ontology and Mamdani reasoning) e FT-FIS (Fuzzy Tableau and Fuzzy Inference System). HyFOM baseia-se em uma arquitetura híbrida que combina motores de inferência existentes na literatura para ontologias, ontologias fuzzy e sistemas de inferência fuzzy, com foco na interação entre seus componentes independentes. FT-FIS define uma interface entre um algoritmo baseado em tableau fuzzy e um sistema de inferência fuzzy, incluindo o predicado fuzzyRuleReasoning que permite invocar o raciocínio baseado em regras fuzzy quando for necessário para as tarefas de raciocínio da ontologia fuzzy. A principal contribuição das arquiteturas de raciocínio de HyFOM e FT-FIS está na combinação de flexibilidade, em termos da semântica das regras fuzzy, com a colaboração entre as inferências de ambos tipos de raciocínio. Experimentos considerando a recomendação de atrações turísticas, baseados em dados sintéticos, revelaram que HyFOM e FT-FIS são capazes de proporcionar inferências integradas, além de uma aproximação mais expressiva da relação estabelecida pelas regras fuzzy que os resultados providos pelo raciocinador fuzzyDL. Em experimentos envolvendo o domínio de risco químico em alimentos, baseado em dados reais, os resultados de HyFOM e FT-FIS também são mais precisos que os resultados de fuzzyDL, em comparação com valores de referência disponíveis nesse domínio.

Made available in DSpace on 2016-06-02T19:06:08Z (GMT). No. of bitstreams: 1 656.pdf: 1176051 bytes, checksum: 79408472b8b3606bcf1eb1699d034a2e (MD5) Previous issue date: 2004-05-24 / Financiadora de Estudos e Projetos / The construction of the knowledge base of fuzzy systems has been beneficited intensively from automatic methods that extract the necessary knowledge from data sets which represent examples of the problem. The evolutionary computation, especially genetic algorithms, has been the focus of a great number of researches that deal with the problem of automatic generation of knowledge bases as search and optimization processes using di erent approaches. This work presents a methodology to learn fuzzy rule bases from examples by means of Genetic Algorithms using the Pittsburgh approach. The methodology is composed of 2 stages. The first one is the genetic learning of rule base and the other one is the genetic optimization of the rule base previously obtained in order to exclude redundant and unnecessary rules. The first stage uses a Self Adaptive Genetic Algorithm, that changes dynamically the crossover and mutation rates ensuring genetic diversity and avoiding the premature convergence. The membership functions are defined previously by the fuzzy clustering algorithm FC-Means and remain fixed during all learning process. The application domain is multidimensional pattern classification, where the attributes and, sometimes, the class are fuzzy, so they are represented by linguistic values. The proposed methodology performance is evaluated by computational simulations on some real-world pattern classification problems. The tests focused the accuracy of generated fuzzy rules in di erent situations. The dynamic change of algorithm parameters showed that better results can be obtained and the use of don t care conditions allowed to generate a small number of comprehensible and compact rules. / A construção da base de conhecimento de sistemas fuzzy tem sido beneficiada intensamente por métodos automáticos que extraem o conhecimento necessário a partir de conjuntos de dados que representam exemplos do problema. A computação evolutiva, em particular os algoritmos genéticos, tem sido alvo de um grande número de pesquisas que tratam, usando abordagens variadas, a questão da geração automática da base de conhecimento de sistemas fuzzy como um processo de busca e otimização. Este trabalho apresenta uma metodologia para o aprendizado de bases de regras fuzzy a partir de exemplos por meio de Algoritmos Genéticos usando a abordagem Pittsburgh. A metodologia é composta por duas etapas. A primeira é a geração genética da base de regras e a segunda é a otimização genética da base de regras previamente obtida, a fim de eliminar regras redundantes e desnecessárias. A primeira etapa utiliza um algoritmo genético auto-adaptativo, que altera dinamicamente os valores das taxas de cruzamento e mutação, a fim de garantir diversidade genética na população e evitar convergência prematura. As funções de pertinência são previamente definidas pelo algoritmo de agrupamento fuzzy FC-Means e permanecem fixas durante todo o processo de aprendizado. O domínio da aplicação é a classificação de padrões multi-dimensionais, onde os atributos e, algumas vezes, as classes são fuzzy, portanto, representados por valores lingüísticos. O desempenho da metodologia proposta é avaliado por simulações computacionais em alguns problemas de classificação do mundo real. Os testes focaram a acuidade das bases de regras geradas em diferentes situações. A alteração dinâmica dos parâmetros do algoritmo mostrou que melhores resultados podem ser obtidos e o uso da condição de don t care permitiu gerar um reduzido n´umero de regras mais compreensíveis e compactas.

Submitted by Izabel Franco (izabel-franco@ufscar.br) on 2016-09-06T20:33:16Z No. of bitstreams: 1 DissFJJS.pdf: 1581721 bytes, checksum: f878dcc392455f0f3956326282aabe6a (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-12T14:27:05Z (GMT) No. of bitstreams: 1 DissFJJS.pdf: 1581721 bytes, checksum: f878dcc392455f0f3956326282aabe6a (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-12T14:27:10Z (GMT) No. of bitstreams: 1 DissFJJS.pdf: 1581721 bytes, checksum: f878dcc392455f0f3956326282aabe6a (MD5) / Made available in DSpace on 2016-09-12T14:27:36Z (GMT). No. of bitstreams: 1 DissFJJS.pdf: 1581721 bytes, checksum: f878dcc392455f0f3956326282aabe6a (MD5) Previous issue date: 2009-11-30 / Não recebi financiamento / The use of fuzzy logic and fuzzy sets theory applied to decision making process was initially proposed by Bellman and Zadeh (1970). Since then, the arisen of unstructured problems associated with multi-criteria characteristics and group decision making changed the way of dealing with these problems. The evolution of Decision Support Systems (DSS) allowed them, not only to provide data and information, but also to propose solutions to these problems. The goal of this work is to present a framework for the development of DSS that deal with Multi-Criteria Group Decision Making (MCGDM) problems through fuzzy rules. In this approach, we propose a method capable of automatically generating a Fuzzy Rule Base with multi-criteria characteristics for group decision making, that is, different influence degrees for each decider and different importance degrees assigned to each variable are considered in the model. This framework also contains a structural model of a Fuzzy System for Group Decision Support aiming at adding DSS characteristics found in literature to Fuzzy Systems. These characteristics include user/system interactivity and Model Management Subsystem (MMS) described in this work. Finally, a case study designed to validate the model is presented. / O uso da lógica fuzzy e da teoria de conjuntos fuzzy aplicadas ao processo de tomada de decisão foi proposto inicialmente por Bellman e Zadeh (1970). Desde então, os problemas não estruturados associados às características multicritério e de tomada de decisão em grupo alteraram sua forma de tratamento. A evolução presente nos Sistemas de Apoio à Decisão (SAD) fez com que estes sistemas deixassem de fornecer somente dados e informações e passassem também a propor soluções aos problemas analisados. O objetivo deste trabalho é apresentar um framework para o desenvolvimento de SAD que tratem problemas classificados como Multi-Criteria Group Decision Making (MCGDM) com o uso de regras fuzzy. Dentro desta abordagem é apresentado um método capaz de gerar automaticamente uma Base de Regras Fuzzy com características multicritério para tomada de decisão em grupo, ou seja, os diferentes graus de influência de cada decisor e os diferentes graus de importância atribuídos por eles a cada variável são considerados no modelo. Este framework ainda contempla um modelo estrutural de um Sistema Fuzzy para Apoio à Decisão em Grupo com o objetivo de agregar aos sistemas fuzzy as características dos SAD descritas na literatura como, por exemplo, a capacidade de interatividade usuário/sistema e a presença do Subsistema de Gestão de Modelos (SGM), descritos neste trabalho. Por fim, um estudo de caso é realizado para validar o modelo apresentado.

Este trabalho apresenta um modelo de inspeção sanitária, utilizando lógica fuzzy, sobre gerenciamento de resíduos de serviços de saúde, construído com as informações e experiência de especialista, baseadas nas inspeções de estabelecimentos assistenciais de saúde no Estado do Rio de Janeiro. A partir da estruturação de regras utilizadas na inspeção sanitária sobre Resíduos de Serviços de Saúde (RSS), e do regulamento técnico sobre gerenciamento de RSS, a RDC 306/04 da ANVISA, foi construído um modelo que simula a atuação de um agente especialista da vigilância sanitária, contemplando os elementos difusos que compõem os fatores analisados na inspeção sanitária. O objetivo deste trabalho é apresentar um instrumento, estruturado com base na prática da inspeção sanitária sobre gerenciamento de RSS, utilizando a lógica fuzzy, capaz otimizar a inspeção, gerar indicadores de controle sanitário que permitam monitorar a condição satisfatória do gerenciamento destes resíduos, dar aporte ao planejamento das ações de vigilância sanitária sobre os RSS e acima de tudo propor um instrumento que possa reverter-se em mecanismo eficiente de fiscalização sanitária. O modelo fuzzy foi desenvolvido com uso do software Matlab 2007b, sendo testado com dados de 10 relatórios de inspeções realizadas no período de maio a novembro de 2009. / This study shows a health inspections model of waste management of health establishments in Rio de Janeiro state. The model was built by fuzzys logic and with experts information. It was based in ANVISA rules about waste management in health services: RSS, a RDC 306/04. It makes a simulation of an expert actuation with the diffuse elements of health inspection. The objective of this study is to show a health inspection management waste practice structured instrument, using fuzzys logic, able to optimize the inspection, produce indicators of health control to monitor the satisfactory condition of healh services waste management and guide the planning actions. The fuzzy model was developed with Matlab software and tasted with 10 inspection reports dated of 2009, between may and november.

Orientador: Carlos Alberto Favarin Murari / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-11T08:34:49Z (GMT). No. of bitstreams: 1 Canoas_AnaCarolinaGarcia_D.pdf: 790052 bytes, checksum: bdc65cd1e622b5ffa74f95691e03751e (MD5) Previous issue date: 2008 / Resumo: Devido ao crescente aumento da demanda de energia elétrica e ao retardo de investimento na expansão dos sistemas e energia elétrica (SEE), a operação destes sistemas está cada vez mais próxima de seus limites operacionais, contribuindo para maior complexidade dos SEE. Neste sentido, para satisfazer as rígidas condições de operação, um gerenciamento do perfil de tensão e fluxo de potência tem se tornado cada vez mais importante para as concessionárias, de modo a aumentar a segurança operacional dos sistemas e otimizar o uso de fontes de potência reativa, visando suprir aos consumidores energia dentro de determinados padrões de qualidade e confiabilidade. o objetivo principal desta pesquisa é o desenvolvimento de metodologias com o objetivo de monitorar o perfil de tensão, mantendo-o dentro dos limites operativos, visando não perder a qualidade de fornecimento de energia elétrica. O primeiro método trata-se de uma ferramenta de auxílio à tomada de decisão dos operadores nos centros de controle, baseada em um conjunto de regras nebulosas, o qual é a base do sistema de inferência fuzzy (ou nebulosa) que por sua vez se fundamenta na teoria de conjuntos nebulosos. Considerando que o problema de controle de tensão e de potência reativa apresenta características de natureza não-linear e que envolve variáveis de controle contínuas e discretas, foi desenvolvido um segundo método, o qual utiliza lógica nebulosa em conjunto com a técnica de otimização particle swarm. Este método mostra a possibilidade de incorporar lógica nebulosa em algoritmos baseados em busca, possibilitando a redução das perdas do sistema, satisfazendo as restrições de operação, e garantindo que o perfil de tensão mantenha-se dentro dos limites operativos com uma melhor utilização das fontes de potência reativa / Abstract: Due to the growing electrical power demand and the lag of transmission system infrastruc ture, the operation of transmission systems approaches to its limits and increases the complexity of the system operation. ln this context, in order to satisfy the more rigid operating conditions, managing voltage profile and power flow in a more effective way becomes very important to the power companies that have the aim of enhancing the operating conditions and optimiz ing reactive power sources to provide the consumers with an adequate quality and reliability standards. The main objective of this research work is the development of methodologies for monitoring the volt age profile in order to keep it within operating limits and preserving the quality of the energy being served. The first method consists of a tool for helping decision making by system operators in control centres. This method is based on a set of fuzzy rules, which are the base of a fuzzy inference system. Considering that the voltage and reactive power control present nonlinear characteristics and mixed continuous and discrete variables, a hybrid meta-heuristic method based on fuzzy system and particle swarm optimization has been developed. The fuzzy system has been incorporated into swarm intelligence to provide operational point that allows reduction of system losses while satisfies the operationallimits, volt age constraints and the best utilisation of reactive power / Doutorado / Energia Eletrica / Doutor em Engenharia Elétrica