Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2

Detalhes bibliográficos
Ano de defesa: 2014
Autor(a) principal: Szabo, Alexandre lattes
Orientador(a): Silva, Leandro Nunes de Castro lattes
Banca de defesa: Oliveira, Pedro Paulo Balbi de lattes, Omar, Nizam lattes, Lucas, Luís Alberto lattes, Vellasco, Marley Maria Bernardes Rebuzzi lattes
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Presbiteriana Mackenzie
Programa de Pós-Graduação: Engenharia Elétrica
Departamento: Engenharia Elétrica
País: BR
Palavras-chave em Português:
conjuntos nebulosos do tipo-1
conjuntos nebulosos do tipo-2
agrupamento de dados
combinação de agrupamentos
enxame de partículas
Palavras-chave em Inglês:
type-1 fuzzy sets
type-2 fuzzy sets
data clustering
cluster ensembles
particle swarm
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Link de acesso: http://dspace.mackenzie.br/handle/10899/24263
Resumo: Clustering usually treats objects as belonging to mutually exclusive clusters, what is usually im-precise, because an object may belong to more than one cluster simultaneously with different membership degrees. The clustering algorithms, both crisp and fuzzy, have a number of parameters to be adjusted so that they present the best performance for a given database. Furthermore, it is known that no single algorithm is better than all the others for all problem classes, and the combi-nation of solutions found by various algorithms (or the same algorithm with different parameters) may lead to a global solution that is better than those found by individual algorithms, including the best one. It is within this context that the present thesis proposes a new fuzzy clustering algo-rithm inspired by the behavior of particle swarms and, then, introduces a new form of combining the clustering algorithms using concepts from Type-2 fuzzy sets.
id UPM_e5493c571c21077871efd4978884f614
oai_identifier_str oai:dspace.mackenzie.br:10899/24263
network_acronym_str UPM
network_name_str Biblioteca Digital de Teses e Dissertações do Mackenzie
repository_id_str
spelling 2016-03-15T19:38:52Z2020-05-28T18:07:57Z2015-04-152020-05-28T18:07:57Z2014-10-29SZABO, Alexandre. Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2. 2014. 139 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Presbiteriana Mackenzie, São Paulo, 2014.http://dspace.mackenzie.br/handle/10899/24263Clustering usually treats objects as belonging to mutually exclusive clusters, what is usually im-precise, because an object may belong to more than one cluster simultaneously with different membership degrees. The clustering algorithms, both crisp and fuzzy, have a number of parameters to be adjusted so that they present the best performance for a given database. Furthermore, it is known that no single algorithm is better than all the others for all problem classes, and the combi-nation of solutions found by various algorithms (or the same algorithm with different parameters) may lead to a global solution that is better than those found by individual algorithms, including the best one. It is within this context that the present thesis proposes a new fuzzy clustering algo-rithm inspired by the behavior of particle swarms and, then, introduces a new form of combining the clustering algorithms using concepts from Type-2 fuzzy sets.Da maneira tradicional o agrupamento trata os objetos que compõem a base como pertencentes a grupos mutuamente exclusivos, o que nem sempre é verdade, pois um objeto pode pertencer a mais de um grupo com diferentes graus de pertinência. Os algoritmos de agrupamento, sejam eles convencionais ou nebulosos (capazes de tratar múltiplas pertinências simultaneamente), possuem diversos parâmetros a serem ajustados de tal forma que ofereçam o melhor desempenho para uma base de dados. Além disso, é sabido que nenhum algoritmo é superior a todos os outros para todas as classes de problemas e que combinar soluções fornecidas por diferentes algoritmos pode levar a uma solução global superior a todas as soluções individuais, inclusive à melhor. É nesse contexto que a presente tese propõe um novo algoritmo de agrupamento nebuloso de dados inspirado no comportamento de enxames de partículas e, em seguida, propõe uma nova forma de realizar combinações (ensembles) de algoritmos de agrupamento usando conceitos da teoria de conjuntos nebulosos do Tipo-2.Fundação de Amparo a Pesquisa do Estado de São Pauloapplication/pdfporUniversidade Presbiteriana MackenzieEngenharia ElétricaUPMBREngenharia Elétricaconjuntos nebulosos do tipo-1conjuntos nebulosos do tipo-2agrupamento de dadoscombinação de agrupamentosenxame de partículastype-1 fuzzy setstype-2 fuzzy setsdata clusteringcluster ensemblesparticle swarmCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAAgrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisDelgado, Myriam Regattieri de Biase da Silvahttp://lattes.cnpq.br/4166922845507601Silva, Leandro Nunes de Castrohttp://lattes.cnpq.br/2741458816539568Oliveira, Pedro Paulo Balbi dehttp://lattes.cnpq.br/9556738277476279Omar, Nizamhttp://lattes.cnpq.br/2067336430076971Lucas, Luís Albertohttp://lattes.cnpq.br/5961504642771917Vellasco, Marley Maria Bernardes Rebuzzihttp://lattes.cnpq.br/8265116967095452http://lattes.cnpq.br/1867346456358550Szabo, Alexandrehttp://tede.mackenzie.br/jspui/retrieve/3818/Alexandre%20Szabo.pdf.jpghttp://tede.mackenzie.br/jspui/bitstream/tede/1527/1/Alexandre%20Szabo.pdfinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações do Mackenzieinstname:Universidade Presbiteriana Mackenzie (MACKENZIE)instacron:MACKENZIE10899/242632020-05-28 15:07:57.921Biblioteca Digital de Teses e Dissertaçõeshttp://tede.mackenzie.br/jspui/PRI
dc.title.por.fl_str_mv Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
title Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
spellingShingle Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
Szabo, Alexandre
conjuntos nebulosos do tipo-1
conjuntos nebulosos do tipo-2
agrupamento de dados
combinação de agrupamentos
enxame de partículas
type-1 fuzzy sets
type-2 fuzzy sets
data clustering
cluster ensembles
particle swarm
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
title_short Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
title_full Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
title_fullStr Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
title_full_unstemmed Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
title_sort Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2
author Szabo, Alexandre
author_facet Szabo, Alexandre
author_role author
dc.contributor.advisor-co1.fl_str_mv Delgado, Myriam Regattieri de Biase da Silva
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/4166922845507601
dc.contributor.advisor1.fl_str_mv Silva, Leandro Nunes de Castro
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/2741458816539568
dc.contributor.referee1.fl_str_mv Oliveira, Pedro Paulo Balbi de
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/9556738277476279
dc.contributor.referee2.fl_str_mv Omar, Nizam
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/2067336430076971
dc.contributor.referee3.fl_str_mv Lucas, Luís Alberto
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/5961504642771917
dc.contributor.referee4.fl_str_mv Vellasco, Marley Maria Bernardes Rebuzzi
dc.contributor.referee4Lattes.fl_str_mv http://lattes.cnpq.br/8265116967095452
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/1867346456358550
dc.contributor.author.fl_str_mv Szabo, Alexandre
contributor_str_mv Delgado, Myriam Regattieri de Biase da Silva
Silva, Leandro Nunes de Castro
Oliveira, Pedro Paulo Balbi de
Omar, Nizam
Lucas, Luís Alberto
Vellasco, Marley Maria Bernardes Rebuzzi
dc.subject.por.fl_str_mv conjuntos nebulosos do tipo-1
conjuntos nebulosos do tipo-2
agrupamento de dados
combinação de agrupamentos
enxame de partículas
topic conjuntos nebulosos do tipo-1
conjuntos nebulosos do tipo-2
agrupamento de dados
combinação de agrupamentos
enxame de partículas
type-1 fuzzy sets
type-2 fuzzy sets
data clustering
cluster ensembles
particle swarm
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
dc.subject.eng.fl_str_mv type-1 fuzzy sets
type-2 fuzzy sets
data clustering
cluster ensembles
particle swarm
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
description Clustering usually treats objects as belonging to mutually exclusive clusters, what is usually im-precise, because an object may belong to more than one cluster simultaneously with different membership degrees. The clustering algorithms, both crisp and fuzzy, have a number of parameters to be adjusted so that they present the best performance for a given database. Furthermore, it is known that no single algorithm is better than all the others for all problem classes, and the combi-nation of solutions found by various algorithms (or the same algorithm with different parameters) may lead to a global solution that is better than those found by individual algorithms, including the best one. It is within this context that the present thesis proposes a new fuzzy clustering algo-rithm inspired by the behavior of particle swarms and, then, introduces a new form of combining the clustering algorithms using concepts from Type-2 fuzzy sets.
publishDate 2014
dc.date.issued.fl_str_mv 2014-10-29
dc.date.available.fl_str_mv 2015-04-15
2020-05-28T18:07:57Z
dc.date.accessioned.fl_str_mv 2016-03-15T19:38:52Z
2020-05-28T18:07:57Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SZABO, Alexandre. Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2. 2014. 139 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Presbiteriana Mackenzie, São Paulo, 2014.
dc.identifier.uri.fl_str_mv http://dspace.mackenzie.br/handle/10899/24263
identifier_str_mv SZABO, Alexandre. Agrupamento nebuloso de dados baseado em enxame de partículas: seleção por métodos evolutivos e combinação via relação nebulosa do tipo-2. 2014. 139 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Presbiteriana Mackenzie, São Paulo, 2014.
url http://dspace.mackenzie.br/handle/10899/24263
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Presbiteriana Mackenzie
dc.publisher.program.fl_str_mv Engenharia Elétrica
dc.publisher.initials.fl_str_mv UPM
dc.publisher.country.fl_str_mv BR
dc.publisher.department.fl_str_mv Engenharia Elétrica
publisher.none.fl_str_mv Universidade Presbiteriana Mackenzie
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do Mackenzie
instname:Universidade Presbiteriana Mackenzie (MACKENZIE)
instacron:MACKENZIE
instname_str Universidade Presbiteriana Mackenzie (MACKENZIE)
instacron_str MACKENZIE
institution MACKENZIE
reponame_str Biblioteca Digital de Teses e Dissertações do Mackenzie
collection Biblioteca Digital de Teses e Dissertações do Mackenzie
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1757174469208571904

Registros relacionados