Spelling suggestions: "subject:"neurofuzzy"" "subject:"neuro_fuzzy""
21 |
A Neuro-Fuzzy Approach for Functional Genomics Data Interpretation and AnalysisNeagu, Daniel, Palade, V. January 2003 (has links)
No
|
22 |
Abordagem neurofuzzy para previsão de demanda de energia elétrica no curtíssimo prazo / Neurofuzzy approach for very-short term load demand forecastingAndrade, Luciano Carli Moreira de 03 August 2010 (has links)
Uma vez que sistemas de inferência neuro-fuzzy adaptativos são aproximadores universais que podem ser usados em aplicações de aproximação de funções e de previsão, este trabalho tem por objetivo determinar seus melhores parâmetros e suas melhores arquiteturas com o propósito de se executar previsão de demanda de energia elétrica no curtíssimo prazo em subestações de distribuição. Isto pode possibilitar o desenvolvimento de controles automáticos de carga mais eficientes para sistemas elétricos de potência. As entradas do sistema são séries temporais de demanda de energia elétrica, compostas por dados mensurados em intervalos de cinco minutos ao longo de sete dias em subestações localizadas em cidades do interior do estado de São Paulo. Diversas configurações de entrada e diferentes arquiteturas foram examinadas para se fazer a previsão de um passo a frente. Os resultados do sistema de inferência neuro-fuzzy adaptativo frente às abordagens encontradas na literatura foram promissores. / Since adaptive neuro-fuzzy inference systems are universal approximators that can be used in functions approximation and forecasting applications, this work has the objective to determine their best parameters and best architectures with the purpose to execute very short term load forecasting in distribution substations. This can allow the development of more efficient load automatic control for power systems. The system inputs are load demand time series, which are composed of data measured at each five minutes interval, during seven days, from substations located in cities from São Paulo state countryside. Several input configurations and different architectures were examined to make a prediction aiming one step forecasting. The adaptive neuro-fuzzy inference system results in comparison with other approaches found in literature were promising.
|
23 |
[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.
|
24 |
Abordagem neurofuzzy para previsão de demanda de energia elétrica no curtíssimo prazo / Neurofuzzy approach for very-short term load demand forecastingLuciano Carli Moreira de Andrade 03 August 2010 (has links)
Uma vez que sistemas de inferência neuro-fuzzy adaptativos são aproximadores universais que podem ser usados em aplicações de aproximação de funções e de previsão, este trabalho tem por objetivo determinar seus melhores parâmetros e suas melhores arquiteturas com o propósito de se executar previsão de demanda de energia elétrica no curtíssimo prazo em subestações de distribuição. Isto pode possibilitar o desenvolvimento de controles automáticos de carga mais eficientes para sistemas elétricos de potência. As entradas do sistema são séries temporais de demanda de energia elétrica, compostas por dados mensurados em intervalos de cinco minutos ao longo de sete dias em subestações localizadas em cidades do interior do estado de São Paulo. Diversas configurações de entrada e diferentes arquiteturas foram examinadas para se fazer a previsão de um passo a frente. Os resultados do sistema de inferência neuro-fuzzy adaptativo frente às abordagens encontradas na literatura foram promissores. / Since adaptive neuro-fuzzy inference systems are universal approximators that can be used in functions approximation and forecasting applications, this work has the objective to determine their best parameters and best architectures with the purpose to execute very short term load forecasting in distribution substations. This can allow the development of more efficient load automatic control for power systems. The system inputs are load demand time series, which are composed of data measured at each five minutes interval, during seven days, from substations located in cities from São Paulo state countryside. Several input configurations and different architectures were examined to make a prediction aiming one step forecasting. The adaptive neuro-fuzzy inference system results in comparison with other approaches found in literature were promising.
|
25 |
[en] THE WIND FORECAST FOR WIND POWER GENERATION / [pt] PREVISÃO DE VENTO PARA GERAÇÃO DE ENERGIA ELÉTRICAILITCH VITALI GOMES DA SILVA 01 February 2011 (has links)
[pt] A energia eólica é uma das alternativas mais promissoras para geração de energia elétrica, pois assegura a diversidade e segurança no fornecimento de energia e atende à necessidade premente de reduzir os níveis de emissão de gases poluentes. Na operação de sistemas elétricos com forte presença de geração eólica é fundamental prever com pelo menos um dia de antecedência os valores futuros (pelo menos horários) da veloci-dade do vento, pois assim pode-se avaliar a disponibilidade de energia para o próximo dia, uma informação útil no despacho das unidades geradoras e no controle do sistema elétrico. A proposta dessa dissertação objetiva especificamente desenvolver modelos de previsão de curto prazo da velocidade do vento, baseado em técnicas de inteligência artificial, modelo da rede neural artificial e neuro-fuzzy adaptativa (ANFIS) e um mode-lo Estatístico composto por um modelo de regressão harmônica e Box-Jenkins. Para aplicação da metodologia considerou-se o município de São João do Cariri (Estado de Paraíba), onde está localizada uma das estações de referência do projeto SONDA (Sis-tema Nacional de Dados Ambientais para o setor de energia). O desempenho dos mode-los rede neural, neuro-fuzzy (ANFIS) e modelo Estatístico são comparados nas previ-sões de 6 horas, 12 horas, 18 h e 24horas a frente. Os resultados obtidos mostram o me-lhor desempenho da modelagem ANFIS e encorajam novos estudos no tema. / [en] Wind power is one of the most promising options for power generation. It ensures the diversity and security of energy supply and meets the pressing need to reduce the levels of emission of polluting gases. In the operation of electrical systems with a strong presence of wind generation, it is essential to provide at least one day in advance the future values (at least hourly) of wind speed, so that we can assess the availability of energy for the next day, a useful information in the order of the generating units and electrical control system. The purpose of this dissertation aims to develop models spe-cifically to develop models to forecast short-term wind speed, based on artificial intelligence techniques, artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statistical model composed of a harmonic regression model and Box-Jenkins. For application of the methodology, the city of São João do Cariri (State of Paraíba), where a reference station of SONDA project (National Environmental Data for the energy sector) is located, was considered.To apply the methodology was consi-dered the city of the ray tracing model (State of Paraíba), which is located a station ref-erence design (National Environmental Data for the energy sector). The performance of artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statis-tical model are compared mixed forecasts of 6 hours, 12 hours, 18hours and 24 hours ahead. The results show the best performance of the ANFIS model and encourage fur-ther studies on the subject.
|
26 |
[en] ARTIFICIAL NEURAL NETWORKS, FUZZY LOGIC AND NEURO-FUZZY SYSTEM IN THE ROLE OF SHORT TERM LOAD FORECAST / [pt] REDES NEURAIS ARTIFICIAIS, LÓGICA NEBULOSA E SISTEMAS NEURO-FUZZY NA PREVISÃO DE CARGA ELÉTRICA EM CURTO PRAZOLUIZ SABINO RIBEIRO NETO 03 November 2005 (has links)
[pt] Esta dissertação investiga o desempenho de técnicas de
inteligência computacional na previsão de carga em curto
prazo. O objetivo deste trabalho foi propor e avaliar
sistemas de redes neurais, lógica nebulosa, neuro-fuzzy e
híbridos para previsão de carga em curto prazo, utilizando
como entradas variáveis que influenciam o comportamento da
carga, tais como: temperatura, índice de conforto e perfil
de consumo. Este trabalho envolve 4 etapas principais: um
estudo sobre previsão de carga e sobre as variáveis que
influenciam o comportamento da carga; um estudo da
aplicação de técnicas de inteligência computacional em
previsão de carga; a definição de sistemas de redes
neurais, lógica fuzzy e neuro-fuzzy em previsão de carga;
e estudo de casos. No estudo sobre previsão de carga, foi
observada a influência de algumas variáveis no
comportamento da curva de carga de uma empresa de energia
elétrica. Entre estas variáveis se encontram alguns dados
meteorológicos (Temperatura, Umidade, Luminosidade, Índice
de conforto, etc.), além de informações sobre o perfil de
consumo de carga das empresas. Também foi observado o
comportamento da série de carga com relação ao dia da
semana, sua sazonalidade e a correlação entre o valor
atual e valores passados. Foi realizado um levantamento
bibliográfico sobre a aplicação de técnicas de
inteligência computacional na previsão de carga. Os
modelos de redes neurais, são os mais explorados até o
momento. Os modelos de lógica fuzzy começaram a ser
utilizados mais recentemente. Modelos neuro-fuzzy são mais
recentes que os demais, não existindo portanto, muita
bibliografia a respeito. Os projetos de aplicação dos três
modelos foram classificados quanto à sua arquitetura,
desempenho, erros medidos, entradas utilizadas e horizonte
da previsão. Foram propostos e implementados 4 sistemas de
previsão de carga: lógica fuzzy, redes neurais, sistema
neuro-fuzzy hierárquico e um sistema híbrido neural/neuro-
fuzzy. Os sistemas foram especializados para cada dia da
semana, pelo fato do comportamento da carga ser distinto
entre estes dias. Para os sistemas neural, neuro-fuzzy e
híbrido os dados também foram separados em inverno e
verão, pois o perfil de consumo de carga é diferente
nestas estações. O sistema com lógica fuzzy foi modelado
para realizar previsões de curtíssimo prazo (10 em 10
minutos), utilizando para isto o histórico de carga, hora
do dia e intervalo de dez minutos dentro da hora do dia.
As regras do sistema foram geradas automaticamente a
partir do histórico de carga e os conjuntos nebulosos
foram pré-definidos. O sistema com redes neurais teve sua
arquitetura definida através de experimentos, utilizando-
se apenas dados de carga, hora do dia e mês como entradas.
O modelo de rede escolhido foi com retropropagação do erro
(backpropagation). Foram realizados testes incluindo
outras entradas como temperatura e perfil de consumo. Para
o sistema neuro-fuzzy foi escolhido um sistema neuro-fuzzy
hierárquico, que define automaticamente sua estrutura e as
regras a partir do histórico dos dados. Em uma última
etapa, foi estudado um sistema híbrido neural/ neuro-
fuzzy, no qual a previsão da rede neural é uma entrada do
sistema neuro-fuzzy. Para os três últimos modelos as
previsões realizadas foram em curto prazo, com um
horizonte de uma hora Os sistemas propostos foram testados
em estudos de casos e os resultados comparados entre si e
com os resultados obtidos em outros projetos na área. Os
dados de carga utilizados no sistema com lógica fuzzy
foram da CEMIG, no período de 1994 a 1996, em intervalos
de 10 minutos, para previsões em curtíssimo prazo. Os
resultados obtidos podem ser considerados bons em
comparação com um sistema de redes neurais utilizando os
mesmos dados. Para os demais modelos foram utilizados os
seguintes dados: dados horários de carga da Light e da
CPFL, no períod / [en] This thesis examines the performance of computational
intelligence in short term load forecasting. The main
objective of the work was to propose and evaluate neural
network, fuzzy logic, neurofuzzy and hybrid systems in the
role of short term load forecast, considering some
variables that affect the load behavior such as
temperature, comfort indexes and consumption profile. The
work consisted in four main steps: a study about load
forecasting; the modeling of neural network systems, fuzzy
logic and neurofuzzy related to load forecast; and case
studies.
In the load forecasting studies, some variables
appeared to affect the behavior of the load curve in the
case of electrical utilities. These variables include
meteorological data like temperature, humidity,
lightening, comfort indexes etc, and also information
about the consumption profile of the utilities. It was
also noted the distinct behavior of the load series
related to the day of the week, the seasonableness and the
correlation between the past and present values.
A bibliographic research concerning the
application of computational intelligence techniques in
load forecasting was made. This research showed that
neural network models have been largely employed. The
fuzzy logic models have just started to be used recently.
Neuro-fuzzy are very recent, and there are almost no
references on it. The surveyed application projects using
the three models were classified by its architecture,
performance, measured errors, inputs considered and
horizon of the forecast.
In this work four systems were proposed and
implemented for load forecasting: fuzzy logic, neural
network, hierarchical neuro-fuzzy and hybrid neural/neuro-
fuzzy. The systems were specialized for each day of the
week, due to the different behavior of the load found for
each of the days. For the neural network, neuro-fuzzy and
hybrid, the data were separated in winter and summer, due
to the different behavior of the load in each of the
seasons. The fuzzy logic system was modeled for very short
term forecasting using the historic load for each hour of
the day, in steps of 10 minutes within each hour. The
fuzzy system rules were generated automatically based on
the historic load and the fuzzy sets were pre-defined. The
system with neural network had its architecture defined
through experiments using only load data, hour of the day
and month as input. The network model chosen was the back-
propagation. Tests were performed adding other inputs such
as temperature and consumption profile. For the neural-
fuzzy, a hierarchical neuro-fuzzy system, which defines
automatically its structure and rules based on the
historical data, was employed. In a further step, a hybrid
neural/neuro-fuzzy was studied, so as the neural network
forecast is the input for the neuro-fuzzy system. For the
last three models, short term forecasting was made for one
hour period.
The proposed systems were tested in case studies,
and the results were compared themselves and with results
obtained in other projects in the same area. The load data
of CEMIG between 1994 and 1996 was used in the fuzzy logic
system in steps of 10 minutes for very short term
forecasting. The performance was good compared with a
neural network system using the same data. For the other
models, short term load forecasting (I hour, 24 steps
ahead) was done using the following data: load data of
LIGHT and CPFL between 1996 and 1998; temperature (hourly
for LIGHT and daily for CPFL); the codification of month
and hour of the day; and a profile of load by consumption
class. For doing. The error results obtained by the models
were around 1,15% for the fuzzy logic, 2,0% for the neural
network, 1,5% for the neuro-fuzzy system, and 2,0% for the
hybrid system.
This work has showed the applicability of the
computational intelligence techniques on load forecasting,
demonstrating that a preliminary study of the series and
their relation with
|
27 |
[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.
|
28 |
Fuzzy modely map pro pohyb mobilních robotů. / Fuzzy map models for mobile robotsMachek, Ondřej January 2011 (has links)
This master thesis present a method for building topological maps for mobile robot navigation using neural network and neural fuzzy network. The master thesis concentrates on classification method. Neural fuzzy network is compared with two neural networks. It was also designed control algorithm exploration environment for autonomous mobile robot. This will rereduce the time to build the map. I developed simulation program in Matlab, which simulate move mobile robot in unknown environment.
|
29 |
[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.
|
30 |
[pt] MODELOS NEURO-FUZZY HIERÁRQUICO BSP PARA CLASSIFICAÇÃO DE PADRÕES E EXTRAÇÃO DE REGRAS FUZZY EM BANCO DE DADOS. / [es] MODELOS NEURO-FUZZY JERÁRQUICO BSP PARA CLASIFICACIÓN DE PADRONES Y EXTRACCIÓN DE REGLAS FUZZY EN BASES DE DATOS / [en] NEURAL-FUZZY HIERARCHICAL MODELS FOR PATTERN CLASSIFICATION AND FUZZY RULE EXTRACTION FROM DATABASESLAERCIO BRITO GONCALVES 08 March 2001 (has links)
[pt] Esta dissertação investiga a utilização de sistemas Neuro-
Fuzzy Hierárquicos BSP (Binary Space Partitioning) para
classificação de padrões e para extração de regras fuzzy em
bases de dados. O objetivo do trabalho foi criar modelos
específicos para classificação de registros a partir do
modelo Neuro-Fuzzy Hierárquico BSP que é capaz de gerar sua
própria estrutura automaticamente e extrair regras fuzzy,
lingüisticamente interpretáveis, que explicam a estrutura
dos dados. O princípio da tarefa de classificação de
padrões é descobrir relacionamentos entre os dados com a
intenção de prever a classe de um padrão desconhecido.
O trabalho consistiu fundamentalmente de quatro partes: um
estudo sobre os principais métodos de classificação de
padrões; análise do sistema Neuro-Fuzzy Hierárquico BSP
(NFHB) original na tarefa de classificação; definição e
implementação de dois sistemas NFHB específicos para
classificação de padrões; e o estudo de casos.
No estudo sobre os métodos de classificação foi feito um
levantamento bibliográfico da área, resultando em um
"survey" onde foram apresentadas as principais técnicas
utilizadas para esta tarefa. Entre as principais técnicas
destacaram-se: os métodos estatísticos, algoritmos
genéticos, árvores de decisão fuzzy, redes neurais, e os
sistemas neuro-fuzzy.
Na análise do sistema NFHB na classificação de dados levou-
se em consideração as peculiaridades do modelo, que possui:
aprendizado da estrutura, particionamento recursivo do
espaço de entrada, aceita maior número de entradas que os
outros sistemas neuro-fuzzy, além de regras fuzzy
recursivas. O sistema NFHB, entretanto, não é um modelo
exatamente desenvolvido para classificação de padrões. O
modelo NFHB original possui apenas uma saída e para utilizá-
lo como um classificador é necessário criar um critério de
faixa de valores (janelas) para representar as classes.
Assim sendo, decidiu-se criar novos modelos que suprissem
essa deficiência.
Foram definidos dois novos sistemas NFHB para classificação
de padrões: NFHB-Invertido e NFHB-Class. O primeiro utiliza
a arquitetura do modelo NFHB original no aprendizado e em
seguida a inversão da mesma para a validação dos
resultados. A inversão do sistema consistiu de um meio de
adaptar o novo sistema à tarefa específica de
classificação, pois passou-se a ter o número de saídas do
sistema igual ao número de classes ao invés do critério de
faixa de valores utilizado no modelo NFHB original. Já o
sistema NFHB-Class utilizou, tanto para a fase de
aprendizado, quanto para a fase de validação, o modelo NFHB
original invertido. Ambos os sistemas criados possuem o
número de saídas igual ao número de classes dos padrões, o
que representou um grande diferencial em relação ao modelo
NFHB original. Além do objetivo de classificação de
padrões, o sistema NFHB-Class foi capaz de
extrair conhecimento em forma de regras fuzzy
interpretáveis. Essas regras são expressas da seguinte
maneira: SE x é A e y é B então padrão pertence à classe Z.
Realizou-se um amplo estudo de casos, abrangendo diversas
bases de dados Benchmark para a tarefa de classificação,
tais como: Iris Dataset, Wine Data, Pima Indians Diabetes
Database, Bupa Liver Disorders e Heart Disease, e foram
feitas comparações com diversos modelos e algoritmos de
classificação de padrões.
Os resultados encontrados com os modelos NFHB-Invertido e
NFHB-Class mostraram-se, na maioria dos casos, superiores
ou iguais aos melhores resultados encontrados pelos outros
modelos e algoritmos aos quais foram comparados.O
desempenho dos modelos NFHB-Invertido e NFHB-Class em
relação ao tempo de processamento também se mostrou muito
bom. Para todas as bases de dados descritas no estudo de
casos (capítulo 8), os modelos convergiram para uma ótima
solução de classificação, além da extração das regras
fuzzy, em / [en] This dissertation investigates the use of Neuro-Fuzzy
Hierarchical BSP (Binary Space
Partitioning) systems for pattern classification and
extraction of fuzzy rules in databases. The
objective of this work was to create specific models for
the classification of registers based on
the Neuro-Fuzzy BSP model that is able to create its
structure automatically and to extract
linguistic rules that explain the data structure. The task
of pattern classification is to find
relationships between data with the intention of
forecasting the class of an unknown pattern.
The work consisted of four parts: study about the main
methods of the pattern
classification; evaluation of the original Neuro-Fuzzy
Hierarchical BSP system (NFHB) in
pattern classification; definition and implementation of
two NFHB systems dedicated to
pattern classification; and case studies.
The study about classification methods resulted in a survey
on the area, where the
main techniques used for pattern classification are
described. The main techniques are:
statistic methods, genetic algorithms, decision trees,
neural networks, and neuro-fuzzy
systems.
The evaluation of the NFHB system in pattern classification
took in to consideration
the particularities of the model which has: ability to
create its own structure; recursive space
partitioning; ability to deal with more inputs than other
neuro-fuzzy system; and recursive
fuzzy rules. The original NFHB system, however, is unsuited
for pattern classification. The
original NFHB model has only one output and its use in
classification problems makes it
necessary to create a criterion of band value (windows) in
order to represent the classes.
Therefore, it was decided to create new models that could
overcome this deficiency.
Two new NFHB systems were developed for pattern
classification: NFHB-Invertido
and NFHB-Class. The first one creates its structure using
the same learning algorithm of the
original NFHB system. After the structure has been created,
it is inverted (see chapter 5) for
the generalization process. The inversion of the structure
provides the system with the number
of outputs equal to the number of classes in the database.
The second system, the NFHB-Class
uses an inverted version of the original basic NFHB cell in
both phases, learning and
validation. Both systems proposed have the number of
outputs equal to the number of the
pattern classes, what means a great differential in
relation to the original NFHB model.
Besides the pattern classification objective, the NFHB-
Class system was able to extract
knowledge in form of interpretable fuzzy rules. These rules
are expressed by this way: If x is
A and y is B then the pattern belongs to Z class.
The two models developed have been tested in many case
studies, including
Benchmark databases for classification task, such as: Iris
Dataset, Wine Data, Pima Indians
Diabetes Database, Bupa Liver Disorders and Heart Disease,
where comparison has been
made with several traditional models and algorithms of
pattern classification.
The results found with NFHB-Invertido and NFHB-Class
models, in all cases, showed
to be superior or equal to the best results found by the
others models and algorithms for
pattern classification. The performance of the NFHB-
Invertido and NFHB-Class models in
terms of time-processing were also very good. For all
databases described in the case studies
(chapter 8), the models converged to an optimal
classification solution, besides the fuzzy rules
extraction, in a time-processing inferior to a minute. / [es] Esta disertación investiga el uso de sistemas Neuro- Fuzzy
Herárquicos BSP (Binary Space Partitioning) en problemas de
clasificación de padrones y de extracción de reglas fuzzy
en bases de datos. El objetivo de este trabajo fue crear
modelos específicos para clasificación de registros a
partir del modelo Neuro-Fuzzy Jerárquico BSP que es capaz
de generar automáticamente su propia extructura y extraer
reglas fuzzy, lingüisticamente interpretables, que explican
la extructura de los datos. El principio de la
clasificación de padrones es descubrir relaciones entre los
datos con la intención de prever la clase de un padrón
desconocido. El trabajo está constituido por cuatro partes:
un estudio sobre los principales métodos de clasificación
de padrones; análisis del sistema Neuro-Fuzzy Jerárquico
BSP (NFHB) original en la clasificación; definición e
implementación de dos sistemas NFHB específicos para
clasificación de padrones; y el estudio de casos. En el
estudio de los métodos de clasificación se realizó un
levatamiento bibliográfico, creando un "survey" donde se
presentan las principales técnicas utilizadas. Entre las
principales técnicas se destacan: los métodos estadísticos,
algoritmos genéticos, árboles de decisión fuzzy, redes
neurales, y los sistemas neuro-fuzzy. En el análisis del
sistema NFHB para clasificación de datos se tuvieron en
cuenta las peculiaridades del modelo, que posee :
aprendizaje de la extructura, particionamiento recursivo
del espacio de entrada, acepta mayor número de entradas que
los otros sistemas neuro-fuzzy, además de reglas fuzzy
recursivas. El sistema NFHB, sin embargo, no es un modelo
exactamente desarrollado para clasificación de padrones. El
modelo NFHB original posee apenas una salida y para
utilizarlo conmo un clasificador fue necesario crear un
criterio de intervalos de valores (ventanas) para
representar las clases. Así, se decidió crear nuevos
modelos que supriman esta deficiencia. Se definieron dos
nuevos sistemas NFHB para clasificación de padrones: NFHB-
Invertido y NFHB-Clas. El primero utiliza la arquitectura
del modelo NFHB original en el aprendizaje y en seguida la
inversión de la arquitectura para la validación de los
resultados. La inversión del sistema es un medio para
adaptar el nuevo sistema, específicamente a la
clasificación, ya que el sistema pasó a tener número de
salidas igual al número de clases, al contrario del
criterio de intervalo de valores utilizado en el modelo
NFHB original. En el sistema NFHB-Clas se utilizó, tanto
para la fase de aprendizajeo, cuanto para la fase de
validación, el modelo NFHB original invertido. Ambos
sistemas poseen el número de salidas igual al número de
clases de los padrones, lo que representa una gran
diferencia en relación al modelo NFHB original. Además del
objetivo de clasificación de padrones, el sistema NFHB-Clas
fue capaz de extraer conocimento en forma de reglas fuzzy
interpretables. Esas reglas se expresan de la siguiente
manera: Si x es A e y es B entonces el padrón pertenece a
la clase Z. Se realizó un amplio estudio de casos,
utilizando diversas bases de datos Benchmark para la
clasificación, tales como: Iris Dataset, Wine Data, Pima
Indians Diabetes Database, Bupa Liver Disorders y Heart
Disease. Los resultados se compararon con diversos modelos
y algoritmos de clasificación de padrones. Los resultados
encontrados con los modelos NFHB-Invertido y NFHB-Clas se
mostraron, en la mayoría de los casos, superiores o iguales
a los mejores resultados encontrados por los otros modelos
y algoritmos con los cuales fueron comparados. El desempeño
de los modelos NFHB-Invertido y NFHB-Clas en relación al
tiempo de procesamiento tambiém se mostró muy bien. Para
todas las bases de datos descritas en el estudio de casos
(capítulo 8), los modelos convergieron para una solución
óptima, además de la extracción de las reglas fuzzy, con
tiemp
|
Page generated in 0.0493 seconds