Made available in DSpace on 2014-06-12T15:58:31Z (GMT). No. of bitstreams: 2
arquivo4638_1.pdf: 5130002 bytes, checksum: 6fce9704d608c04ee17fdca0537c4f2e (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2004 / As Redes Neurais Artificiais (RNA) têm sido utilizadas com sucesso em tarefas como mapeamento de
funções complexas e reconhecimento de padrões. Este sucesso é resultado da habilidade das RNA em
realizar cálculos com dados complexos ou imprecisos, aprender a partir de exemplos, generalizar a
informação aprendida, extrair padrões e descobrir tendências. Apesar destas vantagens, geralmente
não é muito fácil obter explicações de como uma RNA representa a solução de um problema. Devido a
esta limitação, as RNA têm sido consideradas inadequadas para serem utilizadas em aplicações de
KDD (Knowledge Discovery in Databases) em que o usuário deseja saber o raciocínio usado pela rede
para obter uma dada conclusão.
Sistemas Híbridos Inteligentes (SHI) é uma abordagem de Inteligência Artificial que vem sendo
bastante utilizada na resolução de problemas onde o emprego de uma única técnica não é suficiente
para obter resultados satisfatórios. Tais sistemas se inspiram na integração de duas ou mais técnicas
inteligentes com o intuito de suprir as limitações de cada técnica. A disseminação dos SHI tem
contribuído para a emergência dos Sistemas Neurais Híbridos (SNH). O principal foco de pesquisa em
SNH tem sido a integração de RNA, técnica fortemente baseada em dados, com técnicas que utilizam
representação simbólica, como Lógica Fuzzy e algoritmos simbólicos convencionais. Os Sistemas
Neuro-Fuzzy são um exemplo de SNH que combinam sistemas conexionistas com sistemas fuzzy.
Nestes sistemas é aplicado algum método de extração de regras que permite a representação do
conhecimento incorporado pela rede numa forma compreensível. Além das técnicas de extração de
conhecimento simbólico associadas aos Sistemas Neuro-Fuzzy, diversas técnicas têm sido propostas
para outros modelos neurais.
Esta dissertação tem como principais objetivos investigar o paradigma dos Sistemas Neuro-Fuzzy
e as técnicas de extração de conhecimento simbólico de RNA como uma opção para tornar as RNA
mais adequadas ao processo de KDD; e, como resultado da investigação, modelar e implementar uma
ferramenta de software, a Neural Mining, baseada na abordagem neural híbrida. A ferramenta Neural
Mining integra, em um único ambiente, o modelo Perceptron Multicamadas (Multilayer Perceptron -
MLP); os modelos neuro-fuzzy FWD (Feature-Weighted Detector) e FuNN (Fuzzy Neural Network),
juntamente com suas técnicas de extração de regras; e a técnica TREPAN (Trees Parroting Networks),
que representa o conhecimento incorporado por uma RNA na forma de uma árvore de decisão. Os
modelos e técnicas são avaliados e comparados com relação à capacidade de generalização e
compreensibilidade do conhecimento extraído. Além da análise nas etapas de mineração de dados e
apresentação do conhecimento, também são investigadas duas técnicas de seleção de atributos: a
técnica do modelo FWD e através da árvore de decisão gerada por TREPAN.
A investigação experimental é realizada usando uma base de dados de um problema real e de
larga escala no domínio de análise de crédito ao consumidor. Como os resultados obtidos demonstram
que os ganhos decorrentes do uso de modelos neuro-fuzzy e técnicas de extração de conhecimento
simbólico de RNA são bastante significativos, ao final da investigação, considerando as vantagens de
cada modelo e técnica, são propostas duas soluções neurais híbridas para o processo de KDD
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2472 |
| Date | January 2004 |
| Creators | Pereira de Amorim, Bruno |
| Contributors | Crispim Vasconcelos, Germano |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0151 seconds