Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-04-05T15:39:48Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) everson_verissimo_dissertacao.pdf: 2502424 bytes, checksum: 0f98e5de2dc7eab2b63e0c0ccd1a6703 (MD5) / Made available in DSpace on 2017-04-05T15:39:48Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) everson_verissimo_dissertacao.pdf: 2502424 bytes, checksum: 0f98e5de2dc7eab2b63e0c0ccd1a6703 (MD5) Previous issue date: 2013-08-14 / CAPES / Apesar dos avanços em técnicas da Aprendizagem de Máquina, muito esforço ainda é despendido na concepção de um classificador que consiga aprender bem uma dada tarefa. Váriasabordagenssurgiramparaatenuaresseesforçoatravésdacombinaçãodeclassificadores. A combinação de classificadores permite que o projetista do sistema não necessite escolher o classificador mais eficiente dentre vários, nem descartar classificadores que podem possuir informaçãoimportantesobreatarefa. Estratégiasdecombinaçãopermitemqueváriosalgoritmos trabalhem em conjunto a fim de melhorar a precisão de todo o sistema numa dada tarefa. O objetivodestetrabalhoéproporummétododecombinaçãodeclassificadoresqueagregueas vantagensdeduasabordagens: máquinasdecomitêemisturasdeespecialistas. Asmáquinasde comitêvisamcombinarclassificadoresqueresolvempadrõesdetodooespaçodecaracterísticas. Quandocombinados,lidammelhorcomsuperfíciesdedecisãocomplexasqueumclassificador individualmente e são capazes de incorporar novos classificadores mesmo após o uso. Nas MisturasdeEspecialistas,cadaumdosclassificadoreséumespecialistaemumadeterminada áreadoespaçodecaracterísticaseemboraresolvapadrõesdetodooespaçodecaracterísticas,se dedicaaresolverproblemasbemmaissimples,atingindoumdesempenhosuperioremrelaçãoa umclassificadorsópararesolveroproblematodo. OmétodopropostoéchamadodeComitê de Misturas de Especialistas e corresponde a uma máquina de comitês formada por misturas de especialistas. Assim, o método herda a escalabilidade e a tolerância a erros das máquinas decomitêeasimplicidadedetreinamentodasmisturasdeespecialistas. Experimentosforam realizadosparaverificarasuperioridadedocomitêdemisturasdeespecialistassobretrêsfatores de mudanças entre as misturas: técnicas de decomposição de tarefas, número de grupos e características. / Despite the advance of the techniques in Machine Learning, much effort is taken to conceiveaclassifierthatlearnswellaparticulartask. Severalapproacheshavebeenproposed to attenuate this effort through combination of classifiers. Combination of classifiers allows thatnotonlythemosteffectiveclassifiersbechosenamongseveral,nordiscardclassifiersthat mayhaveimportantinformationaboutthetask. Strategiesallowthatseveralalgorithmswork togetherinordertoimproveaccuracyofthewholesystemgivenatask. Thegoalofthiswork is to propose a method to combine classifiers that put together advantages of two approaches: committeemachinesandmixtureofexperts. CommitteeMachinesaimtocombineclassifiersthat solvepatternsfromalloverthespace. Whencombined,theydealbetterwithcomplexdecision boundaries than a single classifier and they are capable of incorporating new classifiers even aftertheuse. Inthemixtureofexperts,eachoneoftheclassifiersisanexpertinacertainregion ofthefeaturespaceand,althoughitsolvespatternsfromthewholefeaturespace,theclassifier is dedicated to solve well simpler problems, reaching a better performance in comparison to a unique classifier to solve the entire problem. Also, there is a hybrid approach, the mixture of experts, in which each classifier solves patterns from the entire space as a committe, but it is trained with patterns from a smaller region, similarly to modular neural networks. The proposedmethodisentitledCommitteeofMixtureofExpertsandcorrespondstoacommittee machineformedbymixtureofexperts. So,themethodinheritsscalabilityanderrortolerance from committee machines and training simplicity from the mixture of experts. Experiments weremadetoverifythesuperiorityofthecommitteeofmixturesofexpertsoverthreefactorsof changingamongthemixtures: taskdecompositionmethods,numberofgroupsandfeatures.

Nesta tese é proposta uma implementação para a solução do problema inverso com as estimativas das propriedades radiativas (o albedo de espalhamento simples, a espessura ótica do meio e as reflectividades difusas) a partir dos valores das intensidades de radiação que deixam o meio participante utilizando uma abordagem híbrida de sistemas neuro-fuzzy (SNF), o qual combina a utilização de sistemas de inferência fuzzy com as redes neurais artificiais. Busca-se com a utilização desse sistema híbrido integrar a habilidade dos sistemas fuzzy no tratamento de informações inexatas, imprecisas, e vagas, e a capacidade das redes neurais artificiais de tratar o aprendizado por experiência e a generalização do conhecimento. É proposta também uma metodologia de máquinas de comitês neuro-fuzzy na solução deste problema inverso em transferência radiativa. Foi observado paralelamente que a solução dos sistemas neuro-fuzzy e dos sistemas híbridos de máquinas de comitê neuro-fuzzy, apresentam baixa qualidade nos resultados quando são utilizados os dados experimentais com os menores coeficientes de sensibilidade para os parâmetros que serão estimados. Por outro lado, quando são utilizados dados com maior sensibilidade, são obtidos melhores resultados. Esta abordagem procura evitar a possibilidade da não convergência desses métodos. / In this thesis is proposed an implementation for solving the inverse problem with the estimates of radiative properties (the single scattering albedo, the optical thickness of the media and the diffuse reflectivities) by the values of the intensities of radiation that leaves the participant medium using a hybrid approach of neuro-fuzzy systems, which combines the use of fuzzy inference systems with artificial neural networks. The use of this hybrid system try to include the ability of fuzzy systems in the treatment of inaccurate, imprecise, and vague data, and the ability of artificial neural networks to deal with learning from experience and widespread knowledge. Also is proposed a methodology for machines committees in neuro-fuzzy solution of this inverse problem in radiative transfer. It was observed in parallel that the solution of neuro-fuzzy systems and hybrid systems neuro-fuzzy committee machines, have a poor quality results when using the experimental data with the lowest sensitivity coefficients for the parameters that will be estimated. Moreover, when data are used with greater sensitivity, better results are obtained. This approach seeks to avoid the possibility of non-convergence in such methods.

Nesta tese é proposta uma implementação para a solução do problema inverso com as estimativas das propriedades radiativas (o albedo de espalhamento simples, a espessura ótica do meio e as reflectividades difusas) a partir dos valores das intensidades de radiação que deixam o meio participante utilizando uma abordagem híbrida de sistemas neuro-fuzzy (SNF), o qual combina a utilização de sistemas de inferência fuzzy com as redes neurais artificiais. Busca-se com a utilização desse sistema híbrido integrar a habilidade dos sistemas fuzzy no tratamento de informações inexatas, imprecisas, e vagas, e a capacidade das redes neurais artificiais de tratar o aprendizado por experiência e a generalização do conhecimento. É proposta também uma metodologia de máquinas de comitês neuro-fuzzy na solução deste problema inverso em transferência radiativa. Foi observado paralelamente que a solução dos sistemas neuro-fuzzy e dos sistemas híbridos de máquinas de comitê neuro-fuzzy, apresentam baixa qualidade nos resultados quando são utilizados os dados experimentais com os menores coeficientes de sensibilidade para os parâmetros que serão estimados. Por outro lado, quando são utilizados dados com maior sensibilidade, são obtidos melhores resultados. Esta abordagem procura evitar a possibilidade da não convergência desses métodos. / In this thesis is proposed an implementation for solving the inverse problem with the estimates of radiative properties (the single scattering albedo, the optical thickness of the media and the diffuse reflectivities) by the values of the intensities of radiation that leaves the participant medium using a hybrid approach of neuro-fuzzy systems, which combines the use of fuzzy inference systems with artificial neural networks. The use of this hybrid system try to include the ability of fuzzy systems in the treatment of inaccurate, imprecise, and vague data, and the ability of artificial neural networks to deal with learning from experience and widespread knowledge. Also is proposed a methodology for machines committees in neuro-fuzzy solution of this inverse problem in radiative transfer. It was observed in parallel that the solution of neuro-fuzzy systems and hybrid systems neuro-fuzzy committee machines, have a poor quality results when using the experimental data with the lowest sensitivity coefficients for the parameters that will be estimated. Moreover, when data are used with greater sensitivity, better results are obtained. This approach seeks to avoid the possibility of non-convergence in such methods.