EXTRAÇÃO DE REGRAS FUZZY UTILIZANDO ANÁLISE ESPECTRAL E ALGORITMOS GENÉTICOS EM AMBIENTE COMPUTACIONAL DE ALTO DESEMPENHO
Documento
Informações da Dissertação
Título
EXTRAÇÃO DE REGRAS FUZZY UTILIZANDO ANÁLISE ESPECTRAL E ALGORITMOS GENÉTICOS EM AMBIENTE COMPUTACIONAL DE ALTO DESEMPENHO
Autor
Vinícius da Fonseca Vieira
Resumo
Este trabalho apresenta a implementação de um sistema para extração de regras fuzzy interpretáveis em um ambiente de computação de alto desempenho. O número de regras do modelo fuzzy é estimado através de análise espectral, que consiste na análise de autovalores de uma matriz baseada na similaridade entre os dados de entrada. Com o objetivo de melhorar a precisão de classificação do modelo, os pesos das regras são computados por um problema de otimização quadrática limitado e um algoritmo genético é utilizado para a seleção de estrutura que denine simultaneamente o melhor subconjunto de variáveis e o número de conjuntos fuzzy na partição das variáveis selecionadas. Foram implementadas duas soluções paralelas para o classificador fuzzy. Uma delas paraleliza apenas o algoritmo genético e outra paraleliza, além do algoritmo genético, a análise espectral, caracterizando uma implementação em dois níveis. O modelo resultante é avaliado em um conjunto de bases de dados e os resultados mostram que tal abordagem prodz modelos fuzzy precisos e compactos. Do ponto de vista do paralelismo, os resultados mostram que ambas as abordagens permitem uma redução considerável do tempo de processamento global do método.
Abstract
This work presents an implementation of an interpretable fuzzy rule-based classier in high performance environment. The number of rules in the fuzzy model is estimated by spectral analysis, which consists in the eigenstructure analysis of a matrix based on the similarity among the input data. In order to improve the model classification accuracy, the rule's weights are computed by a bounded quadratic optimization problem and a genetic algorithm is used for structure selection which defines simultaneously the best subset of variables and the number of fuzzy sets in the partition of the selected variables. Two parallel solutions for the fuzzy classier were implemented. One of them parallelizes only the genetic algorithm ant the other parallelizes, besides the genetic algorithm, the spectral analysis, characterizing a two-level approach. The resulting model is evaluated by a set of data bases and the results show that such approach produces accurate and compact fuzzy models. In terms of parallelism, the results show that both approaches allow a considerable reduction in the processing global time.
Ano
2009
Orientadores
Alexandre Gonçalves Evsukoff