Método não supervisionado baseado em curvas principais para reconhecimento de padrões

• Ano de defesa: 2015
• Autor(a) principal: Moraes, Elson Claudio Correa
• Orientador(a): Ferreira, Danton Diego
• Banca de defesa: Barbosa, Bruno Henrique Groenner, Magalhães, Ricardo Rodrigues, Vitor, Giovani Bernardes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Curvas principais; k-segmentos; Agrupamento; Reconhecimento de padrões; Principal curves; k-segments; Clustering; Pattern recognition
• Área do conhecimento CNPq: Automação Eletrônica de Processos Elétricos e Industriais
• Link de acesso: https://repositorio.ufla.br/handle/1/10839

No presente trabalho é proposto um novo método de agrupamento e classificação de padrões baseado em Curvas Principais. As Curvas Principais consistem numa generalização não linear da Análise de Componentes Principais e são definidas como curvas suaves, unidimensionais, que modelam um conjunto multidimensional de dados, fornecendo um resumo unidimensional destes. O algoritmo de extração de curvas principais que o método proposto se baseou é o k-segmentos não suave. O método divide a curva principal originalmente obtida pelo algoritmo k-segmentos não suave em duas ou mais curvas, de acordo com o número de agrupamentos definido pelo usuário. Em seguida é calculada a distância dos dados às curvas geradas pelo método e, posteriormente, é feita a classificação dos dados de acordo com o critério da menor distância dos dados às novas curvas. Utilizou-se como métrica para o cálculo da distância o quadrado da distância Euclidiana. O método foi aplicado a cinco bases de dados, duas bidimensionais e três multidimensionais. Os resultados foram comparados com os métodos k-means e Self Organized Maps, em que o método proposto superou os demais métodos nas duas bases bidimensionais, com 100% de acerto, e obteve o segundo melhor resultado para as outras bases de dados. O método proposto é mais indicado para agrupamentos com distribuições alongadas e circulares no espaço de parâmetros. Apesar do desempenho alcançado, o método proposto apresentou forte sensibilidade aos parâmetros de entrada como comprimento do segmento e número de segmentos. O problema da sensibilidade aos parâmetros do método será investigado em trabalhos futuros.