Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/41472
metadata.teses.dc.title: Clusterização intervalar incremental bottom-up a partir de fluxos de dados intervalares
metadata.teses.dc.title.alternative: Incremental bottom-up interval clusterization from interval data streams
metadata.teses.dc.creator: Pereira, Tamyres
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/6584945771127695
metadata.teses.dc.contributor.advisor1: Leite, Daniel Furtado
metadata.teses.dc.contributor.referee1: Huallpa, Belisário Nina
metadata.teses.dc.contributor.referee2: Costa Júnior, Pyramo Pires da
metadata.teses.dc.contributor.referee3: Leite, Daniel Furtado
metadata.teses.dc.subject: Clusterização incremental
Aprendizado de máquina
Fluxos de dados
Matemática intervalar
Computação granular
Incremental clustering
Machine learning
Data streams
Interval mathematics
Granular computing
metadata.teses.dc.date.issued: 17-Jun-2020
metadata.teses.dc.description.sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
metadata.teses.dc.identifier.citation: PEREIRA, T. Clusterização intervalar incremental bottom-up a partir de fluxos de dados intervalares. 2019. 71 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação)–Universidade Federal de Lavras, Lavras, 2019.
metadata.teses.dc.description.resumo: Esse trabalho propõe um método de clusterização intervalar incremental bottom-up a partir de fluxos de dados intervalares. O método é apoiado por conceitos, definições e ferramentas matemáticas da teoria da computação granular, em particular da álgebra de intervalos. Diferen- temente de outros métodos evolutivos de processamento e modelagem de fluxos de dados nu- méricos, o método proposto lida com fluxos de dados que apresentam incerteza não-estruturada representados por valores intervalares, e também fluxos de dados numéricos como um caso par- ticular. O método proposto é capaz de modelar processos complexos apresentados como um fluxo de dados e sujeitos à mudanças no ambiente. O algoritmo de aprendizado desenvolve a estrutura de um modelo de maneira bottom-up, sem conhecimento anterior a respeito do pro- cesso, e adapta os parâmetros deste modelo à medida que há necessidade, evitando assim, que o modelo seja reconstruído e retreinado quando há mudança no ambiente ou no sistema – sendo esta uma vantagem clara com relação a modelos pré-concebidos a partir de conhecimento espe- cialista ou dados históricos. Para o desenvolvimento de grânulos (modelos locais), o algoritmo de aprendizado é equipado com fórmulas recursivas para cálculo de similaridade entre objetos intervalares, e com o índice de validação incremental Xie-Beni.
metadata.teses.dc.description.abstract: This work proposes a method of bottom-up incremental interval clustering from interval data streams. The method is supported by concepts, definitions and mathematical tools of the gra- nular computation theory, in particular interval algebra. Differently from other evolutionary methods of processing and modeling numerical data flows, the proposed method deals with data streams that exhibits unstructured uncertainty represented by interval values, and also nu- merical data streams as a particular case. The proposed method is able to model complex processes presented as a data stream and subject to changes in the environment. The learning algorithm develop the structure of the model in a bottom-up manner, without prior knowledge about of the process, and adapts the parameters of the model as needed, thus avoiding that the model be reconstructed and retrained when there is a change in the environment or system - this being a clear advantage over pre-designed models based on specialized knowledge or historical data. For the development of granules (local models), the learning algorithm is equipped with recursive formulas to calculate the similarity between interval objects and with the Xie-Beni incremental validation index.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/41472
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.