[pt] Um controlador Heurístico Adaptativo baseia-se num conjunto de regras lingüísticas para conduzir um processo com modelo impreciso ou complexo ao estado desejado. O comportamento do processo deve respeitar os requisitos de performance predefinidos. Para satisfazer estes objetivos, a estrutura interna do controle sofre mudanças para adequá- la as condições vigentes no processo. Os métodos de adaptação abordados consideram a modificação de uma estrutura matricial interpretada como as correções incrementais, compatíveis com os ajustes a serem efetuados sobre o processo, ou como regras, constituídas por variáveis nebulosas, que requerem manipulações adicionais para produzir a saída do controlador. Em qualquer dos casos, a adaptação é realizada a partir de uma Tabela de Índices de Performance. Para facilitar a sua obtenção é implementado um procedimento, que fornece a representação matricial das regras lingüísticas, concatenadas na forma de um Algoritmo Lingüístico de Controle. O comportamento dinâmico do Sistema, composto pelos Controladores Heurísticos e por processos com modelos distintos, é considerado para Tabelas de índices de Performance com várias dimensões. As regras lingüísticas, correlacionadas com estas tabelas, foram elaboradas com diversas classes de atributos. As simulações realizadas concentram-se sobre os parâmetros dos controladores, que influenciam significativa- Os estudos abordam também o comportamento da estrutura interna destes controladores e o seu desempenho em termos da velocidade de atuação sobre o processo. / [en] A heuristic Controller uses a set of linguistic rules, which are derived from expertise or human operators´ skills, in order to achieve control of processes that have inaccurate or complex models. An adaptative Heuristic Controller adjusts the set of rules in an automatic and continuous way, aiming to achieve prescribed objectives indicated by a performance measure. The adaptative procedures modify a matrix, the elements of which are either incremental corrections or numeric rules associated with fuzzy variables. In both cases a Performance Index Table and a learning method are employed to correct that matrix. The Performance Table is a matrix calculated from a set of linguistic rules. The controllers are implemented with different Performance Tables, considering various sets of linguistic values and quantization levels. The dynamic behaviour of overdamped and underdamped processes is investigated. The performance of simulated systems is analyzed with respect to relevant parameters that affect their behaviour.

Made available in DSpace on 2014-06-12T23:16:25Z (GMT). No. of bitstreams: 2 arquivo8686_1.pdf: 1460824 bytes, checksum: 6e00ba5a404123a03f24b6f64a05a565 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / A modelagem do movimento da água na região não saturada do solo requer normalmente um grande número de parâmetros e variáveis, tais como a umidade volumétrica inicial, a umidade volumétrica saturada e a condutividade hidráulica saturada, que podem sem avaliadas de forma relativamente simples. Outras funções como o potencial matricial e a condutividade hidráulica relativa, que são funções não lineares da atual umidade volumétrica, são mais trabalhosas de determinar. O fluxo monodimensional da água na região não saturada é normalmente modelado por meio de uma equação diferencial parcial não-linear, conhecida como a equação de Richards. Desde que essa equação não possa ser resolvida analiticamente em alguns casos especiais, uma maneira de aproximar sua solução é através de algoritmos numéricos. O sucesso dos modelos numéricos em descrever a dinâmica da água no solo está intimamente relacionado com a precisão com que os parâmetros físico-hídricos são determinados. Este tem sido o grande desafio no uso dos modelos numéricos, pois em geral, tais parâmetros são difíceis de determinar e apresentam uma grande variabilidade espacial no solo. Portanto, fazem-se necessários o desenvolvimento e a utilização de metodologias que incorporem, de uma maneira apropriada, as incertezas intrínsecas ao deslocamento da água nos solos. Neste trabalho, modelos fuzzy são usados como uma solução alternativa para descrever o fluxo de água na zona não saturada do solo. Dois modelos baseados na lógica fuzzy, desenvolvidos para simular o processo de redistribuição da água no solo, são apresentados. O princípio desses modelos consiste de um sistema baseado em regras fuzzy do tipo Mamdani. O conjunto de treinamento foi obtido pela solução numérica da equação de Richards através do método das diferenças finitas (MDF) e foi utilizado para criar dois modelos baseados em regras fuzzy. Aqui as regras se baseiam no teor de umidade das camadas adjacentes do solo. Dentre as vantagens do modelo fuzzy desenvolvido neste trabalho, estão a sua simplicidade e o seu baixo custo computacional. O desempenho dos resultados modelados pelo sistema fuzzy são avaliados através da evolução dos perfis de umidade ao longo do tempo comparados com os obtidos através da simulação numérica da equação de Richards, sob duas condições distintas de fronteira inferior e para três solos com diferentes características hidrodinâmicas. Os resultados obtidos pelo uso dos modelos fuzzy apresentaram uma satisfatória reprodução dos valores quando comparados com a solução numérica. Cada um destes modelos estava devidamente ajustado para cada caso estudado neste trabalho. Este fato ratificou a possibilidade de que é perfeitamente possível modelar outros casos a partir do uso da lógica fuzzy, adotando a mesma metodologia proposta e aplicada neste trabalho

[pt] Esta dissertação investiga a utilização de sistemas Neuro- Fuzzy Hierárquicos BSP (Binary Space Partitioning) para aplicações em classificação de padrões, previsão, sistemas de controle e extração de regras fuzzy. O objetivo é criar um modelo Neuro-Fuzzy Hierárquico BSP do tipo Mamdani a partir do modelo Neuro-Fuzzy Hierárquico BSP Class (NFHB-Class) que é capaz de criar a sua própria estrutura automaticamente e extrair conhecimento de uma base de dados através de regras fuzzy, lingüisticamente interpretáveis, que explicam a estrutura dos dados. Esta dissertação consiste de quatros etapas principais: estudo dos principais sistemas hierárquicos; análise do sistema Neuro-Fuzzy Hierárquico BSP Class, definição e implementação do modelo NFHB-Mamdani e estudo de casos. No estudo dos principais sistemas hierárquicos é efetuado um levantamento bibliográfico na área. São investigados, também, os principais modelos neuro-fuzzy utilizados em sistemas de controle - Falcon e o Nefcon. Na análise do sistema NFHB- Class, é verificado o aprendizado da estrutura, o particionamento recursivo, a possibilidade de se ter um maior número de entrada - em comparação com outros sistemas neuro-fuzzy - e regras fuzzy recursivas. O sistema NFHB- Class é um modelo desenvolvido especificamente para classificação de padrões, como possui várias saídas, não é possível utilizá-lo em aplicações em controle e em previsão. Para suprir esta deficiência, é criado um novo modelo que contém uma única saída. Na terceira etapa é definido um novo modelo Neuro-Fuzzy Hierárquico BSP com conseqüentes fuzzy (NFHB-Mamdani), cuja implementação utiliza a arquitetura do NFHBClass para a fase do aprendizado, teste e validação, porém, com os conseqüentes diferentes, modificando a estratégia de definição dos conseqüentes das regras. Além de sua utilização em classificação de padrões, previsão e controle, o sistema NFHB-Mamdani é capaz de extrair conhecimento de uma base de dados em forma de regras do tipo SE ENTÃO. No estudo de casos são utilizadas duas bases de dados típicas para aplicações em classificação: Wine e o Iris. Para previsão são utilizadas séries de cargas elétricas de seis companhias brasileiras diferentes: Copel, Cemig, Light, Cerj, Eletropaulo e Furnas. Finalmente, para testar o desempenho do sistema em controle faz-se uso de uma planta de terceira ordem como processo a controlar. Os resultados obtidos para classificação, na maioria dos casos, são superiores aos melhores resultados encontrados pelos outros modelos e algoritmos aos quais foram comparados. Para previsão de cargas elétricas, os resultados obtidos estão sempre entre os melhores resultados fornecidos por outros modelos aos quais formam comparados. Quanto à aplicação em controle, o modelo NFHB-Mamdani consegue controlar, de forma satisfatória, o processo utilizado para teste. / [en] This paper investigates the use of Binary Space Partitioning (BSP) Hierarchical Neuro-Fuzzy Systems for applications in pattern classification, forecast, control systems and obtaining of fuzzy rules. The goal is to create a BSP Hierarchical Neuro-Fuzzy Model of the Mamdani type from the BSP Hierarchical Neuro-Fuzzy Class (NFHB-Class) which is able to create its own structure automatically and obtain knowledge from a data base through fuzzy rule, interpreted linguistically, that explain the data structure. This paper is made up of four main parts: study of the main Hierarchical Systems; analysis of the BSP Hierarchical Neuro-Fuzzy Class System, definition and implementation of the NFHB-Mamdani model, and case studies. A bibliographical survey is made in the study of the main Hierarchical Systems. The main Neuro-Fuzzy Models used in control systems - Falcon and Nefcon -are also investigated. In the NFHB-Class System, the learning of the structure is verified, as well as, the recursive partitioning, the possibility of having a greater number of inputs in comparison to other Neuro-Fuzzy systems and recursive fuzzy rules. The NFHB-Class System is a model developed specifically for pattern classification, since it has various outputs, it is not possible to use it in control application and forecast. To make up for this deficiency, a new unique output model is developed. In the third part, a new BSP Hierarchical Neuro-Fuzzy model is defined with fuzzy consequents (NFHB-Mamdani), whose implementation uses the NFHB-Class architecture for the learning, test, and validation phase, yet with the different consequents, modifying the definition strategy of the consequents of the rules. Aside from its use in pattern classification, forecast, and control, the NFHB-Mamdani system is capable of obtaining knowledge from a data base in the form of rules of the type IF THEN. Two typical data base for application in classification are used in the case studies: Wine and Iris. Electric charge series of six different Brazilian companies are used for forecasting: Copel, Cemig, Light, Cerj, Eletropaulo and Furnas. Finally, to test the performance of the system in control, a third order plant is used as a process to be controlled. The obtained results for classification, in most cases, are better than the best results found by other models and algorithms to which they were compared. For forecast of electric charges, the obtained results are always among the best supplied by other models to which they were compared. Concerning its application in control, the NFHB-Mamdani model is able to control, reasonably, the process used for test.

[pt] Este trabalho tem como principal objetivo propor e desenvolver uma metodologia baseada em modelos fuzzy para a segmentação e caracterização dos segmentos que compõem o mercado bancário, permitindo um amplo conhecimento dos perfis de clientes, melhor adaptação das ofertas ao mercado e, conseqüentemente, melhores retornos financeiros. A metodologia proposta nesta dissertação pode ser dividida em três módulos principais: coleta e tratamento dos dados; definição dos segmentos; e caracterização e classificação dos segmentos. O primeiro módulo, denominado coleta e tratamento dos dados, abrange as pesquisas de marketing utilizadas na coleta dos dados e a aplicação de técnicas de pré-processamento de dados, para a limpeza (remoção de outliers e missing values) e normalização dos dados. O módulo de definição dos segmentos emprega o modelo fuzzy de agrupamento Fuzzy C-Means (FCM) na descoberta de grupos de clientes que apresentem características semelhantes. A escolha deste modelo de agrupamento deve-se à possibilidade de análise dos graus de pertinência de cada cliente em relação aos diferentes grupos, identificando os clientes entre segmentos e, conseqüentemente, elaborando ações efetivas para a sua transição ou manutenção nos segmentos de interesse. O módulo de caracterização e classificação dos segmentos é baseado em um Sistema de Inferência Fuzzy. Na primeira etapa deste módulo são selecionadas as variáveis mais relevantes, do ponto de vista da informação, para sua aplicação no processo de extração de regras. As regras extraídas para a caracterização dos segmentos são posteriormente utilizadas na construção de um sistema de inferência fuzzy dedicado à classificação de novos clientes. Este sistema permite que os analistas de marketing contribuam com novas regras ou modifiquem as já extraídas, tornando o modelo mais robusto e a segmentação de mercado uma ferramenta acessível a todos que dela se servem. A metodologia foi aplicada na segmentação de mercado do Banco da Amazônia, um banco estatal que atua na Amazônia Legal, cujo foco prioritário constitui o fomento da região. Avaliando a aplicação dos modelos fuzzy no estudo de caso, observam-se bons resultados na definição dos segmentos, com médias de valor de silhueta de 0,7, e na classificação da base de clientes, com acurácia de 100%. Adicionalmente, o uso destes modelos na segmentação de mercado possibilitou a análise dos clientes que estão entre segmentos e a caracterização desses segmentos por meio de uma base de regras, ampliando as análises dos analistas de marketing. / [en] The main aim of this work is to propose and develop a methodology base don fuzzy models for segmentation and characterization of segments comprising the bank segment, allowing broad knowledge of client profiles, better suiting market needs, hence offering better financial results. The methodology proposed in this work may be divided into three main modules: data collection and treatment; definition of segments; and characterization and classification of segments. The first module, denominated data collection and treatment, encompasses marketing research used in data collection and application of techniques for pre-processing of data, for data trimming (removal of outliers and missing values) and normalization. The definition of segments adopts the Fuzzy C-Means (FCM) grouping model in identifying groups of clients with similar characteristics. The choice for this grouping model is due to the possibility of analyzing the membership coefficient of each client in connection with the different groups, thus identifying clients among segments and consequently elaborating effective actions for their transition to or maintenance in the segments of interest. The module of characterization and classification of segments is based on a Fuzzy Inference System. In the first stage, the most relevant variables from the information standpoint are selected, for application in the process of rule extraction. The rules extracted are then used in the construction of a fuzzy inference system dedicated to classifying new clients. This system allows marketing analysts to contribute with new rules or modify those already extracted, making the model more robust and the turning market segmentation into a tool accessible to all using it. This methodology was applied in the market segmentation of Banco da Amazônia, stte- contrlled bank acting in the Amazon region, with main focus of which is fostering the region´s development. The application of fuzzy models in the case study generated good results in the definition of segments, with average silhouette value of 0.7, and accuracy of 100% for client base classification. Furthermore, the use of these models in market segmentation allowed the analysis of clients classified between segments and the characterization of those segments by means of a set of rules, improving the analyses made by marketing analysts.

[pt] Este trabalho apresenta a utilização de lógica fuzzy e de redes neurais no desenvolvimento de um controlador de semáforos - o FUNNCON. O trabalho realizado consiste em quatro etapas principais: estudo dos fundamentos de engenharia de tráfego; definição de uma metodologia para a avaliação de cruzamentos sinalizados; definição do modelo do controlador proposto; e implementação com dados reais em um estudo de caso.O estudo sobre os fundamentos de engenharia de tráfego aborda a definição de termos,os parâmetros utilizados na descrição dos fluxos de tráfego, os tipos de cruzamentos e seus semáforos, os sistemas de controle de tráfego mais utilizados e as diversas medidas de desempenho.Para se efetuar a análise dos resultados do FUNNCON, é definida uma metodologia para a avaliação de controladores. Apresenta-se, também, uma investigação sobre simuladores de tráfego existentes, de modo a permitir a escolha do mais adequado para o presente estudo. A definição do modelo do FUNNCON compreende uma descrição geral dos diversos módulos que o compõem. Em seguida, cada um destes módulos é estudado separadamente: o uso de redes neurais para a predição de tráfego futuro; a elaboração de um banco de cenários ótimos através de um otimizador; e a criação de regras fuzzy a partir deste banco.No estudo de caso, o FUNNCON é implementado com dados reais fornecidos pela CET-Rio em um cruzamento do Rio de Janeiro e comparado com o controlador existente.É constatado que redes neurais são capazes de fornecer bons resultados na predição do tráfego futuro. Também pode ser observado que as regras fuzzy criadas a partir do banco de cenários ótimos proporcionam um controle efetivo do tráfego no cruzamento estudado. Uma comparação entre o desempenho do FUNNCON e o do sistema atualmente em operação é amplamente favorável ao primeiro. / [en] This work presents the use of fuzzy logic and neural networks in the development of a traffic signal controller - FUNNCON. The work consists of four main sections: study of traffic engineering fundamentals; definition of a methodology for evaluation of traffic controls; definition of the proposed controller model; and implementation on a case study using real data.The study of traffic engineering fundamentals considers definitions of terms,parameters used for traffic flow description, types of intersections and their traffic signals,commonly used traffic control systems and performance measures.In order to analyse the results provided by FUNNCON, a methodology for the evaluation of controllers is defined. The existing traffic simulators are investigated, in order to select the best one for the present study.The definition of the FUNNCON model includes a brief description of its modules.Thereafter each module is studied separately: the use of neural networks for future traffic prediction; the setup of a best scenario database using an optimizer; and the extraction of fuzzy rules from this database.In the case study, FUNNCON is implemented with real data supplied by CET-Rio from an intersection in Rio de Janeiro; its performance is compared with that of the existing controller.It can be observed that neural networks can present good results in the prediction of future traffic and that the fuzzy rules created from the best scenario database lead to an effective traffic control at the considered intersection. When compared with the system in operation, FUNNCON reveals itself much superior.

[pt] Hoje em dia, grande parte do conhecimento acumulado está armazenado em forma de dados. Para muitos problemas de classificação, tenta-se aprender a relação entre um conjunto de variáveis (atributos) e uma variável alvo de interesse. Dentre as ferramentas capazes de atuar como modelos representativos de sistemas reais, os Sistemas de Inferência Fuzzy são considerados excelentes com respeito à representação do conhecimento de forma compreensível, por serem baseados em regras linguísticas. Este quesito de interpretabilidade linguística é relevante em várias aplicações em que não se deseja apenas um modelo do tipo caixa preta, que, por mais precisão que proporcione, não fornece uma explicação de como os resultados são obtidos. Esta dissertação aborda o desenvolvimento de um Sistema de Inferência Fuzzy de forma automática, buscando uma base de regras que valorize a interpretabilidade linguística e que, ao mesmo tempo, forneça uma boa acurácia. Para tanto, é proposto o modelo AutoFIS-Class, um método automático para a geração de Sistemas de Inferência Fuzzy para problemas de classificação. As características do modelo são: (i) geração de premissas que garantam critérios mínimos de qualidade, (ii) associação de cada premissa a um termo consequente mais compatível e (iii) agregação de regras de uma mesma classe por meio de operadores que ponderem a influência de cada regra. O modelo proposto é avaliado em 45 bases de dados benchmark e seus resultados são comparados com modelos da literatura baseados em Algoritmos Evolucionários. Os resultados comprovam que o Sistema de Inferência gerado é competitivo, apresentando uma boa acurácia com um baixo número de regras. / [en] Nowadays, much of the accumulated knowledge is stored as data. In many classification problems the relationship between a set of variables (attributes) and a target variable of interest must be learned. Among the tools capable of modeling real systems, Fuzzy Inference Systems are considered excellent with respect to the knowledge representation in a comprehensible way, as they are based on inference rules. This is relevant in applications where a black box model does not suffice. This model may attain good accuracy, but does not explain how results are obtained. This dissertation presents the development of a Fuzzy Inference System in an automatic manner, where the rule base should favour linguistic interpretability and at the same time provide good accuracy. In this sense, this work proposes the AutoFIS-Class model, an automatic method for generating Fuzzy Inference Systems for classification problems. Its main features are: (i) generation of premises to ensure minimum, quality criteria, (ii) association of each rule premise to the most compatible consequent term; and (iii) aggregation of rules for each class through operator that weigh the relevance of each rule. The proposed model was evaluated for 45 datasets and their results were compared to existing models based on Evolutionary Algorithms. Results show that the proposed Fuzzy Inference System is competitive, presenting good accuracy with a low number of rules.

[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 Vinicius Machado Martinez null (vinicius@ipmet.unesp.br) on 2016-03-11T20:20:53Z No. of bitstreams: 1 defesa.pdf: 4478778 bytes, checksum: 15d0e211ad6c8ad44eabe8079cf63fa2 (MD5) / Approved for entry into archive by Juliano Benedito Ferreira (julianoferreira@reitoria.unesp.br) on 2016-03-15T17:11:38Z (GMT) No. of bitstreams: 1 martinez_vm_me_soro.pdf: 4478778 bytes, checksum: 15d0e211ad6c8ad44eabe8079cf63fa2 (MD5) / Made available in DSpace on 2016-03-15T17:11:38Z (GMT). No. of bitstreams: 1 martinez_vm_me_soro.pdf: 4478778 bytes, checksum: 15d0e211ad6c8ad44eabe8079cf63fa2 (MD5) Previous issue date: 2016-01-25 / O campo de refletividade de ecos observados por radares meteorológicos está sujeito a interferências de fenômenos físicos da atmosfera que podem resultar em interpretações não realísticas do fenômeno observado. Buscando ajustar o campo de refletividade de ecos detectados simultaneamente por dois radares meteorológicos ao longo da distância, este estudo desenvolveu um sistema baseado em regras fuzzy (SBRF), do tipo Takagi-Sugeno de primeira ordem, que combina as variáveis distância (km) e refletividade (dBZ) para expressar a refletividade ajustada de alvos mais distantes de um radar em relação a outro radar mais próximo, de modo que os efeitos das interferências nas medidas dos radares possam ser minimizados. Os dados utilizados são oriundos de dois radares meteorológicos do IPMet/UNESP, localizados nos municípios de Bauru (22,3583° S; 49,0278° W) e Presidente Prudente (22.175°1 S; 51.3743° W), no Brasil, no período de um ano de dados (2010) do produto CAPPI, faixa de 3.5km de altitude. A saída do sistema é nomeada refletividade fuzzy (RF) e é obtida através de um conjunto de nove curvas de regressão linear, cujos coeficientes angulares e lineares foram estimados pelo método dos mínimos quadrados. Dois parâmetros foram utilizados para análise das curvas obtidas: o coeficiente de correlação de Pearson e o coeficiente de determinação. O sistema foi aplicado a 20.514 dados referentes a 18 pixels distribuídos sobre uma faixa de comum cobertura dos radares. O modelo foi avaliado através das estatísticas de erro médio (BIAS), erro quadrático médio (MSE) e pelo teste de Kolmogorov-Smirnov. Os resultados obtidos demonstram a capacidade do sistema em aproximar o campo de refletividade de dois radares que operam sobre uma área de comum cobertura, devendo constituir-se como uma ferramenta alternativa de interpretação no monitoramento de chuvas, nos processos de modelagem ambiental e em sugestões futuras de estimativa de chuva por radar. / The reflectivity field of echoes observed by weather radars is subjected to the interference of physical phenomena of the atmosphere that can result in unrealistic interpretations on its characteristics. Aiming to adjust the reflectivity field of echoes simultaneously detected by two weather radars over a distance, this study developed a Takagi-Sugeno fuzzy rule-based system, whose input variables are the distance(km) and the reflectivity(dBZ) of the echoes, in order to obtain the adjusted reflectivity of echoes more distant from a radar in relation to another closer radar that is considered to be less susceptible to interference and, therefore, more realistic. The data used are from two weather radars of IPMet/UNESP, located in the municipalities of Bauru (22.3583° S; 49.0278° W) and Presidente Prudente (22.1751° S; 51.3743° W), Brazil, which collected data of the CAPPI product in the period of one year (2010), with a sampling altitude range of 3.5 km. The system output is named “Fuzzy Reflectivity” (FR), obtained through the fuzzy approach of a set of nine linear regression curves, whose angular and linear coefficients were estimated by the method of least squares. Two parameters were used for the analysis of the curves obtained: the Pearson correlation coefficient and the coefficient of determination. The system was applied to 20,514 data related to 18 pixels spread over a range of common coverage of the radars. We evaluated the system performance by means of statistical parameters: average error (bias), mean square error (MSE) and Kolmogorov-Smirnov test. The results obtained demonstrate the system ability to refine the modeling of the issue in question in relation to the traditional statistical approaches, properly adjusting the reflectivity field of the echoes observed by two radars that operate over an area of common coverage and serving as an alternative interpretation tool in the monitoring of rains, in processes of environmental modeling and in future suggestions of rain estimate by radar.

Made available in DSpace on 2016-06-02T19:05:32Z (GMT). No. of bitstreams: 1 2113.pdf: 882226 bytes, checksum: 022c380c1d469988d9e4617a030f17c3 (MD5) Previous issue date: 2008-08-06 / The combination of fuzzy systems with clustering algorithms has great acceptance in the scientific community mainly due to its adherence to the advantage balance principle of computational intelligence, in which different methodologies collaborate with each other potentializing the usefulness and applicability of the resulting systems. Fuzzy Modeling using clustering algorithms presents the transparency and comprehensibility typical of the linguistic fuzzy systems at the same time that benefits from the possibilities of dimensionality reduction by means of clustering. In this work is presented the Fuzzy-CCM method (Fuzzy Conditional Clustering based Modeling) which consists of a new approach for Fuzzy Modeling based on the Fuzzy Conditional Clustering algorithm aiming at providing new means to address the topic of interpretability of fuzzy rules bases. With the Fuzzy-CCM method the balance between interpretability and accuracy of fuzzy rules is dealt with through the definition of contexts defined by a small number of input variables and the generation of clusters induced by these contexts. The rules are generated in a different format, with linguistic variables and clusters in the antecedent. Some experiments have been carried out using different knowledge domains in order to validate the proposed approach by comparing the results with the ones obtained by the Wang&Mendel and conventional Fuzzy C-Means methods. The theoretical foundations, the advantages of the method, the experiments and results are presented and discussed. / A combinação de sistemas fuzzy com algoritmos de agrupamento tem grande aceitação na comunidade científica devido; principalmente, a sua aderência ao princípio de balanceamento de vantagens da inteligência computacional, no qual metodologias diferentes colaboram entre si, potencializando a utilidade e aplicabilidade dos sistemas resultantes. A modelagem fuzzy usando algoritmos de agrupamento apresenta a transparência e facilidade de compreensão típica dos sistemas fuzzy lingüísticos ao mesmo tempo em que se beneficia das possibilidades de redução da dimensionalidade por intermédio do agrupamento. Neste trabalho é apresentado o método Fuzzy-CCM (Fuzzy Conditional Clustering based Modeling), que consiste de uma nova abordagem de Modelagem Fuzzy baseada no algoritmo de Agrupamento Fuzzy Condicional, cujo objetivo é prover novos meios de tratar a questão da interpretabilidade de bases de regras fuzzy. Com o método Fuzzy-CCM, o balanço entre interpretabilidade e acuidade de regras fuzzy é tratado por meio da definição de contextos formados com um pequeno número de variáveis de entrada e a geração de grupos condicionados por estes contextos. As regras são geradas em um formato diferente, que contêm variáveis lingüísticas e grupos no seu antecedente. Alguns experimentos foram executados usando diferentes domínios de conhecimento a fim de validar a abordagem proposta, comparando os resultados obtidos usando a nova abordagem com os resultados obtidos usando os métodos Wang&Mendel e Fuzzy C-Means. A fundamentação teórica, as vantagens do método, os experimentos e os resultados obtidos são apresentados e discutidos.