Return to search

Aprendizado genético de funções de pertinência na modelagem nebulosa.

Made available in DSpace on 2016-06-02T19:06:23Z (GMT). No. of bitstreams: 1
DissMGP.pdf: 1155179 bytes, checksum: 853fabfd715d513d373e075b049d726a (MD5)
Previous issue date: 2004-08-20 / The success of Fuzzy Rule Based Systems is due to their ability to represent vague and
uncertain knowledge and to the facility to express the system behavior in a language easily
interpretable by human beings. The knowledge acquisition of a Fuzzy Rule Based System is
done from a human expert, which is known as the direct approach to knowledge acquisition,
or through methods that automatically extract this knowledge from numerical information that
represent samples or examples of the problem. Genetic Algorithms have demonstrated to be a
powerful tool to rule bases construction, rule bases optimization, membership functions
generation and membership functions optimization. The main research focus of this work is
the investigation of fuzzy systems automatic generation approaches applied to pattern
classification problems, using genetic algorithms to the definition and tuning of fuzzy sets that
belong to the fuzzy partitions of the domains involved, considering interpretability
maintenance of the linguistic values. The genetic learning is employed only in the fuzzy
system data base, that is, in the membership functions, either through the traditional way of
tuning previously defined functions after the rule base has been defined or through the more
recent approach of constructing membership functions before the rules definition. This kind of
investigation requires the use of different rule generation methods, the rules being generated
before or after the use of genetic algorithm. The combination Fuzzy Systems + Genetic
Algorithms, known as Genetic Fuzzy Systems, has great acceptance in the scientific
community, since this systems are robust and capable of finding good solutions in complex
and irregular spaces. / O sucesso dos Sistemas Baseados em Regras Nebulosas deve-se à habilidade para representar
o conhecimento vago e incerto e à facilidade de expressar o comportamento do sistema em
uma linguagem facilmente interpretável pelos seres humanos. A aquisição de conhecimento
de um Sistema Baseado em Regras Nebulosas é feita a partir de um especialista humano, a
qual é conhecida como abordagem direta para aquisição do conhecimento, ou através de
métodos que automaticamente extraem este conhecimento a partir de informações numéricas
que representam amostras ou exemplos do problema. Algoritmos Genéticos vêm
demonstrando ser uma poderosa ferramenta para a construção de bases de regras, otimização
de bases de regras, geração de funções de pertinência e otimização de funções de pertinência.
O principal foco de pesquisa deste trabalho é a investigação das abordagens de modelagem
automática de sistemas nebulosos aplicados a problemas de classificação de padrões, através
de algoritmos genéticos para a definição e sintonia dos conjuntos nebulosos que compõem as
partições nebulosas dos domínios envolvidos, considerando a manutenção da
interpretabilidade dos valores lingüísticos. O aprendizado genético é empregado somente na
Base de Dados do sistema nebuloso, isto é, nas funções de pertinência, tanto pela maneira
mais tradicional, de sintonizar as funções já definidas depois da definição das regras, como
pela abordagem mais recente, de construir as funções de pertinência antes da definição das
regras. Esse tipo de investigação supõe o uso de outros métodos para a geração das regras,
sejam elas geradas antes ou depois da aplicação do algoritmo genético. A combinação de
Sistemas Nebulosos + Algoritmos Genéticos, conhecida como Sistemas Genéticos Nebulosos,
tem grande aceitação na comunidade científica, uma vez que estes sistemas são robustos e
capazes de encontrar boas soluções em espaços complexos e irregulares.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/607
Date20 August 2004
CreatorsPires, Matheus Giovanni
ContributorsCamargo, Heloisa de Arruda
PublisherUniversidade Federal de São Carlos, Programa de Pós-graduação em Ciência da Computação, UFSCar, BR
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.002 seconds