Definição de uma nova função critério baseada em distâncias nebulosas com múltiplos protótipos para seleção de características

• Autor: Ashimine, Jishu
• Orientador: César Júnior, Roberto Marcondes
  
• Assuntos: Computação Gráfica
• Notas: Dissertação (Mestrado)
  
• Descrição: A seleção de características tem um papel importante no processo de reconhecimento de padrões. Métodos de seleção automática de características que gerem bons subconjuntos a partir de um conjunto com grande número de características são de importância fundamental dentro desse contexto. Estes métodos de seleção focam em dois pontos prncipais: o algoritmo de seleção e a função-critério. No projeto de mestrado, descrito neste texto de dissertação, desenvolvemos uma extensão da abordagem de seleção de características baseada em distâncias nebulosas entre classes, proposto anteriormente em [10], com a introdução de uma nova função critério. Nesta extensão, cada classe do conjunto de treinamento será subdividida em k grupos, utilizando o algoritmo fuzzy k-means. Isto permitirá a generalização para que a função critério utilize k protótipos por classe, no lugar de um único protótipo, como em [10]. Além disso, a função de pertinência associada a cada amostra do conjunto de treinamento será estendida apropriadamente de maneira a incorporar a informação proveniente dos k protótipos por classe. Foi avaliado o desempenho de seleção dessas duas funções critério realizando-se testes em dados sintéticos (utilizando-se distribuições Gaussianas) e em dados reais (a base de dados Ionosphere obtidas de UCI[6])
  
• DOI: 10.11606/D.45.2005.tde-20210729-144359
  
• Editor: Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Matemática e Estatística
  
• Data de criação/publicação: 2005-05-11
  
• Formato: Adobe PDF
  
• Idioma: Português