Submitted by Patricia Barros (patricia.barros@ufes.br) on 2017-07-03T10:36:35Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Andre Georghton Cardoso Pacheco Agregacao de classificadores neurais via integral de Choquet com respeito a uma medida fuzzy.pdf: 2377890 bytes, checksum: a119a6b35273222d80df45cdde5602db (MD5) / Approved for entry into archive by Patricia Barros (patricia.barros@ufes.br) on 2017-07-19T09:37:39Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Andre Georghton Cardoso Pacheco Agregacao de classificadores neurais via integral de Choquet com respeito a uma medida fuzzy.pdf: 2377890 bytes, checksum: a119a6b35273222d80df45cdde5602db (MD5) / Made available in DSpace on 2017-07-19T09:37:39Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Andre Georghton Cardoso Pacheco Agregacao de classificadores neurais via integral de Choquet com respeito a uma medida fuzzy.pdf: 2377890 bytes, checksum: a119a6b35273222d80df45cdde5602db (MD5) / CAPES / Data classification appears in many real-world problems, e.g., recognition of image patterns,
differentiation among species of plants, classifying between benign and malignant tumors,
among others. Many of these problems present data patterns, which are difficult to be
identified, thus requiring more advanced techniques to be solved. Over the last few years,
various classification algorithms have been developed to address these problems, but there
is no classifier able to be the best choice in all situations. So, the concept of ensemble
systems arise, which more than one methodology is used together to solve a particular
problem. As a simple and effective methodology, ensemble of classifiers have been applied
in several classification problems, aiming to improve performance and increase reliability
of the final result. However, in order to improve the classification accuracy, an affective
aggregation of classifiers must be performed. In this work, we present two contributions:
first, we describe three classifiers based on neural networks, a multilayer feedforward
trained by Levenberg-Marquardt algorithm; an extreme learning machine (ELM); and a
discriminative restricted Boltmann machine (DRBM). Furthermore, we use conventional
classifier k-nearest neighbors (KNN). Next, we propose an aggregation methodology to
ensemble of classifiers using Choquet integral with respect to a fuzzy measure obtained by
principal component analysis (PCA). Then, we apply this methodology to aggregate the
classifiers performed to conventional benchmarks, for large database and the results are
promising. / Classificação de dados pode ser aplicada em diversos problemas reais, tais como: reconhecer
padrões em imagens, diferenciar espécies de plantas, classificar tumores benignos e malignos,
dentre outros. Muitos desses problemas possuem padrões de dados difíceis de serem
identificados, o que requer, consequentemente, técnicas mais avançadas para sua resolução.
Ao longo dos anos, diversos algoritmos de classificação foram desenvolvidos para abordar
esses problemas, todavia, não existe um classificador capaz de ser a melhor opção em todas
as situações. Baseado nisso, surge o conceito de sistema baseado em elenco, no qual, mais
de uma metodologia é utilizada em conjunto para solucionar um determinado problema.
Por ser uma metodologia simples e eficaz, elenco de classificadores vem sendo aplicado em
diversos problemas de classificação com intuito de melhorar o desempenho e de aumentar
confiabilidade do resultado final. Entretanto, para que o elenco seja capaz de promover
melhorias, uma boa técnica de agregação deve ser aplicada. Neste trabalho, duas contribui-
ções são apresentadas: primeiramente será apresentado o uso de três classificadores baseado
em redes neurais artificiais, sendo uma rede neural multicamadas feedforward usando o
algoritmo de treinamento de Levenberg-Marquardt, uma rede neural do tipo máquina
de aprendizado extremo (ELM), e uma máquina de Boltzmann restrita discriminativa
(DRBM), além de um classificador convencional do tipo K vizinhos mais próximos (KNN).
A seguir é proposta uma metodologia de agregação de elenco de classificadores utilizando a
integral de Choquet com respeito a uma medida fuzzy obtida através da técnica de Análise
de Componentes Principais (PCA). Por fim, tal metodologia é aplicada para agregar os
classificadores obtidos para benchmarks convencionais da literatura, para grande base de
dados e os resultados são promissores
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace2.ufes.br:10/6811 |
| Date | 15 July 2016 |
| Creators | Pacheco, André Georghton Cardoso |
| Contributors | Boeres, Maria Claudia Silva, Papa, João Paulo, Kröhling, Renato Antônio |
| Publisher | Programa de Pós-Graduação em Informática |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | text |
| Source | reponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0031 seconds