Modelagem nebulosa evolutiva: novas topologias e algoritmos de aprendizagem

Esse trabalho tem como objetivo propor novas topologias e algoritmos de aprendizados para sistemas nebulosos evolutivos. Sistemas nebulosos evolutivos são definidos como sistemas nebulosos inteligentes, com alto grau de flexibilidade e autonomia. Esses sistemas são capazes de realizar tarefas, tais como identificação de sistemas, controle e classificação de padrões, em um ambiente dinâmico não estacionário, ajustando seus parâmetros e estrutura a partir de um fluxo de dados. Esse trabalho propõe duas técnicas de modelagem nebulosa evolutiva. A primeira técnica é baseada em funções de pertinência Gaussianas multivariadas definidas a partir de um algoritmo de agrupamento recursivo não supervisionado baseado no conceito do aprendizado participativo. O aprendizado participativo é um modelo de aprendizagem baseado na forma de aprendizagem humana que tem como principal característica a robustez, uma vez que o impacto que uma nova amostra causa na revisão dos conhecimentos sobre um sistema depende do grau de compatibilidade dessa amostra com os conceitos já adquiridos. Em seguida, uma nova abordagem para modelagem nebulosa evolutiva é proposta, baseada em árvores de regressão nebulosas evolutivas construídas a partir de um fluxo de dados. O algoritmo incremental proposto nesse trabalho atualiza a topologia da árvore a partir de um fluxo de dados utilizando testes estatísticos de seleção de modelos. O teste é computado recursivamente e constrói a árvore substituindo folhas por subárvores que melhorem a qualidade do modelo resultante. Para avaliar a qualidade do modelo, o teste utilizado leva em consideração a precisão e o número de parâmetros livres, gerando modelos eficientes e parcimoniosos. Os modelos nebulosos evolutivos propostos nesse trabalho são avaliados em problemas de previsão de séries temporais, identificação de sistemas dinâmicos não lineares, seleção de características e detecção e diagnóstico de falhas. Os resultados obtidos sugerem os modelos como alternativas promissoras para utilização em ambientes não estacionários ou para processamento de um grande volume de dados, em que a utilização de algoritmos tradicionais acarretaria em um elevado custo computacional.This works aims to introduce new evolving fuzzy topologies and learning algorithms. Evolving fuzzy systems are defined as new class of intelligent fuzzy systems, with a high flexibility and autonomy. These systems are able to address problems like nonlinear system identification, control and pattern classification in a dynamic changing environment, adapting its parameters and structure based on a data stream. This work proposes two alternative evolving fuzzy modelling techniques. The first technique uses multivariate Gaussian membership functions defined by a non supervised recursive clustering algorithm based on participatory learning. Participatory learning is a learning model based on the human learning with a essential characteristic of robustness, since a new observation impact in causing learning or belief revision depends on its compatibility with the current system belief. Next, a novel approach for evolving fuzzy modeling is proposed, using fuzzy linear regression trees built from a stream of data in an incremental manner. The learning algorithm proposed grows the trees from a stream of data using a statistical model selection test. This model selection test is done recursively and grows the tree replacing leaves with subtrees that improves the model quality. To evaluate the model quality, the statistical model selection test takes into account the accuracy and number of the parameters of the resulting model, generating highly efficient models and avoiding over fitting. Experiments considering nonlinear system identification, time series forecasting, feature selection and fault detection and diagnosis are performed to evaluate the evolving systems proposed in this work. The results suggests these models as a promising approach for adaptive system modeling or to be used on large datasets, where the application of traditional approaches would lead to a excessive omputational cost