[pt] Este trabalho tem por objetivo criar um novo sistema de
inferência fuzzy
intervalar do tipo 2 para tratamento de incertezas com
aprendizado automático e
que proporcione um intervalo de confiança para as suas
saídas defuzzificadas
através do cálculo dos conjuntos tipo-reduzidos
correspondentes. Para viabilizar
este objetivo, este novo modelo combina os paradigmas de
modelagem dos
sistemas de inferência fuzzy do tipo 2 e redes neurais com
técnicas de
particionamento recursivo BSP. Este modelo possui
principalmente a capacidade
de modelar e manipular a maioria dos tipos de incertezas
existentes em situações
reais, minimizando os efeitos destas para produzir um
melhor desempenho. Além
disso, tem a capacidade autônoma de criar e expandir
automaticamente a sua
própria estrutura, de reduzir a limitação quanto ao número
de entradas e de extrair
regras de conhecimento a partir de um conjunto de dados.
Este novo modelo
fornece um intervalo de confiança, que se constitui em uma
informação
importante para aplicações reais. Neste contexto, este
modelo supera as limitações
dos sistemas de inferência fuzzy do tipo 2 - complexidade
computacional,
reduzido número de entradas permissíveis e forma limitada,
ou inexistente, de
criarem a sua própria estrutura e regras - e dos sistemas
de inferência fuzzy do
tipo 1 - adaptação incompleta a incertezas e não
fornecimento de um intervalo de
confiança para a saída. Os sistemas de inferência fuzzy do
tipo1 também
apresentam limitações quanto ao reduzido número de entradas
permissíveis, mas o
uso de particionamentos recursivos, já explorado com
excelentes resultados
[SOUZ99], reduz significativamente estas limitações. O
trabalho constitui-se
fundamentalmente em quatro partes: um estudo sobre os
diferentes sistemas de
inferência fuzzy do tipo 2 existentes, análise dos sistemas
neuro-fuzzy
hierárquicos que usam conjuntos fuzzy do tipo 1, modelagem
e implementação do
novo modelo neuro-fuzzy hierárquico BSP do tipo 2 e estudo
de casos. O novo
modelo, denominado modelo neuro-fuzzy hierárquico BSP do
tipo 2 (NFHB-T2), foi definido a partir do estudo das
características desejáveis e das limitações dos
sistemas de inferência fuzzy do tipo 2 e do tipo 1 e dos
sistemas neuro-fuzzy
hierárquicos que usam conjuntos fuzzy do tipo 1 existentes.
Desta forma, o
NFHB-T2 é modelado e implementado com os atributos de
interpretabilidade e
autonomia, a partir da concepção de sistemas de inferência
fuzzy do tipo 2, de
redes neurais e do particionamento recursivo BSP. O modelo
desenvolvido é
avaliado em diversas bases de dados benchmark e aplicações
reais de previsão e
aproximação de funções. São feitas comparações com outros
modelos. Os
resultados encontrados mostram que o modelo NFHB-T2
fornece, em previsão e
aproximação de funções, resultados próximos e em vários
casos superiores aos
melhores resultados proporcionados pelos modelos utilizados
para comparação.
Em termos de tempo computacional, o seu desempenho também é
muito bom.
Em previsão e aproximação de funções, os intervalos de
confiança obtidos para as
saídas defuzzificadas mostram-se sempre coerentes e
oferecem maior
credibilidade na maioria dos casos quando comparados a
intervalos de confiança
obtidos por métodos tradicionais usando as saídas previstas
pelos outros modelos
e pelo próprio NFHB-T2 . / [en] The objective of this thesis is to create a new type-2
fuzzy inference system
for the treatment of uncertainties with automatic learning
and that provides an
interval of confidence for its defuzzified output through
the calculation of
corresponding type-reduced sets. In order to attain this
objective, this new model
combines the paradigms of the modelling of the type-2 fuzzy
inference systems
and neural networks with techniques of recursive BSP
partitioning. This model
mainly has the capacity to model and to manipulate most of
the types of existing
uncertainties in real situations, diminishing the effects
of these to produce a better
performance. In addition, it has the independent capacity
to create and to expand
its own structure automatically, to reduce the limitation
referred to the number of
inputs and to extract rules of knowledge from a data set.
This new model provides
a confidence interval, that constitutes an important
information for real
applications. In this context, this model surpasses the
limitations of the type-2
fuzzy inference systems - complexity computational, small
number of inputs
allowed and limited form, or nonexistent, to create its own
structure and rules -
and of the type-1 fuzzy inference systems - incomplete
adaptation to uncertainties
and not to give an interval of confidence for the output.
The type-1 fuzzy
inference systems also present limitations with regard to
the small number of
inputs allowed, but the use of recursive partitioning,
already explored with
excellent results [SOUZ99], reduce significantly these
limitations. This work
constitutes fundamentally of four parts: a study on the
different existing type-2
fuzzy inference systems, analysis of the hierarchical neuro-
fuzzy systems that use
type-1 fuzzy sets, modelling and implementation of the new
type-2 hierarchical
neuro-fuzzy BSP model and study of cases. The new model,
denominated type-2
hierarchical neuro-fuzzy BSP model (T2-HNFB) was defined
from the study of
the desirable characteristics and the limitations of the
type-2 and type-1 fuzzy inference systems and the existing
hierarchical neuro-fuzzy systems that use type-
1 fuzzy sets. Of this form, the T2-HNFB model is modelling
and implemented
with the attributes of interpretability and autonomy, from
the conception of type-2
fuzzy inference systems, neural networks and recursive BSP
partitioning. The
developed model is evaluated in different benchmark
databases and real
applications of forecast and approximation of functions.
Comparisons with other
models are done. The results obtained show that T2-HNFB
model provides, in
forecast and approximation of functions, next results and
in several cases superior
to the best results provided by the models used for
comparison. In terms of
computational time, its performance also is very good. In
forecast and
approximation of functions, the intervals of confidence
obtained for the
defuzzified outputs are always coherent and offer greater
credibility in most of
cases when compared with intervals of confidence obtained
through traditional
methods using the forecast outputs by the other models and
the own T2-HNFB
model.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:10862 |
| Date | 23 November 2007 |
| Creators | ROXANA JIMENEZ CONTRERAS |
| Contributors | RICARDO TANSCHEIT, MARLEY MARIA BERNARDES REBUZZI VELLASCO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0031 seconds