Rede Neural Difusa com T-normas Diferenciáveis e Interativas

• Ano de defesa: 2007
• Autor(a) principal: Oliveira, Fabiano Ricardo de
• Orientador(a): Zanusso, Maria Bernadete
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Inteligência Artificial; Redes Neurais; Fuzzy (Inteligência Artificial)
• Link de acesso: https://repositorio.ufms.br/handle/123456789/463

Conjuntos difusos são usados na representação de conhecimentos vagos e imprecisos. Redes neurais, além de proverem paralelismo computacional, também possuem capacidade de aprendizado. A combinação desses dois paradigmas é uma tentativa de reunir os benefícios de ambos em um sistema híbrido integrado, tal como uma rede neural difusa. T-normas são funções que atuam como operadores de intersecção e união de conjuntos difusos. Na maioria dos casos, redes neurais difusas utilizam as t-normas do mínimo e do máximo para realizarem as operações de conjunção e disjunção, respectivamente. O uso de tais t-normas impossibilita a aplicação direta do algoritmo de treinamento por retropropagação de erros, baseado no cálculo do gradiente descendente, devido á inexistência da derivada do erro quadrático médio. Uma rede neural, na maioria das vezes, é incapaz de tornar explícito seu raciocínio de decisão. Existem vários algoritmos para geração de regras a partir de redes treinadas. No entanto, o volume das regras geradas por estes algoritmos pode ser muito grande, dificultando sua análise por parte do usuário. Na literatura, foram apresentadas várias medidas de avaliação e algoritmos de pós-processamento, que permitem ao usuário focalizar sua atenção nas regras que mais se destacam dentro do conjunto gerado. O objetivo principal deste projeto é aplicar t-normas diferenciáveis e interativas para realizarem as operações de conjunção e disjunção numa rede neural difusa, visando a classificação e geração de regras. A Rede Neural Difusa Diferenciável (RNDD), objeto desta dissertação, é completamente conectada, com arquitetura alimentada adiante em três camadas: a camada de entrada difusa, a camada intermediária (composta por neurônios e) e a camada de saída (composta por neurônios ou). Utiliza o algoritmo de retropropagação para o treinamento. Para a geração de regras, será utilizado o algoritmo backtracking. A metodologia proposta foi avaliada em aplicações sobre o conjunto de dados Iris, Vogal e em outros três conjuntos aleatoriamente gerados, com resultados promissores de treino, teste e geração de regras. Em testes sobre o conjunto Vogal, a taxa de acerto alcançada foi de 80.3% e o coeficiente Kappa calculado foi de 0.771. A partir da rede treinada com os dados Iris e Vogal, foram geradas regras difusas justificando a decisão da rede. Com o desenvolvimento do sistema proposto, espera-se obter um método automático de aquisição de conhecimento a partir de exemplos de dados.