Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/35637
Registro completo de metadados
Campo DCValorIdioma
dc.creatorBraga, André de Aguiar-
dc.date.accessioned2019-07-24T20:58:47Z-
dc.date.available2019-07-24T20:58:47Z-
dc.date.issued2019-07-24-
dc.date.submitted2019-07-03-
dc.identifier.citationBRAGA, A. de A. Utilização de meta-heurísticas para a seleção automática de parâmetros do algoritmo k-segmentos. 2019. 94 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação)–Universidade Federal de Lavras, Lavras, 2019.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/35637-
dc.description.abstractBeing a nonlinear generalization of principal component analysis, the principal curves technique is a robust tool for data analysis and classification. In pattern recognition one of the most popular algorithms to build Principal Curves is the k-segments algorithm. This algorithm presents good results and excellent applicability due to its guaranteed convergence and robustness. However, its use and performance depend on user-defined parameters. This work presents an automatic selection technique of the quantity and length of segments of the k-segment algorithm with the use of different mono-objective and multiobjective meta-heuristics, especially TLBO (Teaching-Learning-Based Optimization). Different applications of the proposed method are studied, as representation, supervised classification and unsupervised classification of data, for which are used as cost functions equations that take into account the length of the curve and the distance of the events to the segments where they are projected, in addition to minimizing the classification error of the validation bases for the supervised classification of data. Experimental tests made with two-dimensional synthetic and real, mostly multidimensional, databases, taken from known repositories, are presented to demonstrate the efficiency of the proposed method. For representation the quality of results is observed visually, while for supervised and unsupervised classification of data, comparisons are made with the k-NN and k-means methods, respectively. For the supervised classification it is observed that both methods have similar results, highlighting the superiority observed in the proposed method for the database with the largest dimension. For data clustering, it is observed that the proposed method achieves superior results than the comparative method for most databases, depending on the cost-function used, being also observed the importance of multiobjective optimization for this purpose.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsrestrictAccesspt_BR
dc.subjectCurvas principaispt_BR
dc.subjectK-segmentospt_BR
dc.subjectMeta-heurísticaspt_BR
dc.subjectOtimização baseada em ensino-aprendizagempt_BR
dc.subjectPrincipal curvespt_BR
dc.subjectK-segmentspt_BR
dc.subjectMetaheuristicspt_BR
dc.subjectTeaching-learning-based optimization (TLBO)pt_BR
dc.titleUtilização de meta-heurísticas para a seleção automática de parâmetros do algoritmo k-segmentospt_BR
dc.title.alternativeUse of meta-heuristics for automatic selection of k-segment algorithm parameterspt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia de Sistemas e Automaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Ferreira, Danton Diego-
dc.contributor.advisor-co1Barbosa, Bruno Henrique Groenner-
dc.contributor.referee1Ferreira, Danton Diego-
dc.contributor.referee2Barbosa, Bruno Henrique Groenner-
dc.contributor.referee3Vitor, Giovani Bernardes-
dc.description.resumoSendo uma generalização não linear de análise de componentes principais, a técnica de curvas principais é uma ferramenta robusta para análise e classificação de dados. Em reconhecimento de padrões, um dos algoritmos mais populares para construção de Curvas Principais é o algoritmo k-segmentos. Esse algoritmo apresenta bons resultados e ótima aplicabilidade por sua convergência garantida e robustez. Contudo, sua utilização e desempenho dependem de parâmetros definidos pelo usuário. Este trabalho apresenta uma técnica de seleção automática da quantidade e comprimento dos segmentos do algoritmo k-segmentos com a utilização de diferentes meta-heurísticas mono-objetivo e multiobjetivo, sobretudo TLBO (Teaching-Learning-Based Optimization). Diferentes aplicações do método proposto são estudadas, como representação, classificação supervisionada e classificação não supervisionada de dados, para as quais são utilizadas como funções-custo equações que levam em consideração o comprimento da curva e a distância dos eventos aos segmentos onde eles se projetam, além da minimização do erro de classificação das bases de validação para a classificação supervisionada de dados. Testes experimentais feitos com bases de dados sintéticos bidimensionais e reais, em sua maioria multidimensionais, retirados de repositórios conhecidos, são apresentados para demonstrar a eficiência do método proposto. Para representação, a qualidade dos resultados é observada visualmente, enquanto para classificação supervisionada e não supervisionada de dados, são feitas comparações com os métodos k-NN e k-means, respectivamente. Para a classificação supervisionada observa-se que ambos os métodos comparados apresentam resultados similares, destacando a superioridade observada no método proposto para a base de dados de maior dimensão. Para clusterização de dados, observa-se que o método proposto alcança resultados superiores ao método comparado para a grande maioria das bases de dados, dependendo da função-custo utilizada, sendo observada ainda a importância da otimização multiobjetivo para tal fim.pt_BR
dc.publisher.departmentDepartamento de Engenhariapt_BR
dc.subject.cnpqAnálise de Algoritmos e Complexidade de Computaçãopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4060846100836640pt_BR
Aparece nas coleções:Engenharia de Sistemas e automação (Dissertações)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.