Use este identificador para citar o ir al link de este elemento: http://hdl.handle.net/1843/BUOS-8CDGT6
Tipo: Tese de Doutorado
Título: Computação evolucionária e máquinas de comitê na identificaçãode sistemas não-lineares
Autor(es): Bruno Henrique Barbosa
primer Tutor: Luis Antonio Aguirre
primer Co-tutor: Antonio de Padua Braga
Resumen: Nas últimas décadas, devido ao aumento do poder computacional e do consequente crescimento da quantidade de informação disponível aos pesquisadores, a linha de pesquisa conhecida como Aprendizado de Máquina vem ganhando importância. Essa linha de pesquisa tem por objetivo estudar e desenvolver métodos computacionais para obtenção de sistemas capazes de adquirir conhecimento de forma automática. O desafio principal dos algoritmos de aprendizagem é maximizar a capacidade de generalização de seu aprendiz. Nesse contexto, os algoritmos evolucionários e as máquinas de comitê (combinaçãode mais de uma máquina de aprendizado) apresentam-se como alternativas competitivas para a resolução desse desafio. Assim, o estudo de identificação de sistemas não-lineares, cada vez mais requeridos em problemas de controle avançado, pode se beneficiar dessas alternativas. Partindo dessa premissa, este trabalho tem por objetivo aplicar tais técnicas em problemas de identificação. Olhando o problema de identificação sob uma perspectiva de otimização, duas entidades são da maior importância: o erro de predição e o erro de simulação. Com o uso de algoritmos evolucionários, multi-objetivos ou não, o papel dessas entidades na estimação de parâmetros demodelos não-lineares é discutido no trabalho aqui apresentado. Dentre os resultados obtidos, ressalta-se aquele em que se recomenda o usode critérios baseados no erro de predição em problemas de erro na equação e o uso de critérios baseados no erro de simulação em problemas de erro na saída (ou erro de medição), sendo o último geralmente mais robusto. Embora seja do conhecimento que, em problemas de erro na saída, o uso de critério baseado no erro de predição, sem os devidos ajustes (modelo de ruído), encontra estimativas de parâmetros tendenciosas, a novidade é que o uso de erro de simulação também encontra estimativas tendenciosas quando aplicado em problemas de erro na equação. Uma nova abordagem bi-objetivo foi proposta utilizando erro de simulação e erro no ajuste da função estática do modelo em identificação caixa-cinza, mostrandosua eficiência frente à identificação caixa-preta ou mesmo frente às abordagens com erro de predição em um problema real. Sistemas híbridos do tipo PWA (PieceWise Affine), considerados um exemplo de máquina de comitês, também foram estimados por essas entidades (por meio da aplicação dos algoritmos genéticos) em que foi constatado que a definição das regiões de operação de cada submodelo pode ser realizada baseando-se no erro de predição independente do tipo de ruído adicionado. No entanto, a estimação dos parâmetros desses submodelos deve ser realizada pelo algoritmo proposto chamado MQEP(mínimos quadrados estendido e ponderado) em casos de erro na saída, para evitar estimativas tendenciosas. Por fim, algoritmos co-evolucionários e sistemas imunológicos artificiais foram empregados na construção de comitês de redes neurais artificiais em que foi possível obter bons resultados em uma série de problemas de regressão. Ficou constatado que o uso de uma medida de diversidade durante o aprendizado não é aconselhável e que é possível encontrar comitês de tamanho reduzido de forma automática
Abstract: In the last decades, Machine Learning, the research area that aims to study computer algorithms that extract information from data automatically, has grown in importance due to the development of computer capacity and therefore due to the increase of available information. The main challenge of learning algorithms is to improve generalization ability of estimators. In this context, evolutionary algorithms and committee machines (combination of more than one model) may be seen as competitive alternatives to solve this challenge. Thus, the identification of nonlinear systems, increasingly required in advanced control problems, can benefit from these alternatives. From this premise, this work aims at applying such techniques in identification problems. Looking at the problem of identification in an optimization perspective, two entities are of utmost importance: the prediction error and the simulation error. With the use of evolutionary algorithms, multi-objective or not,the role of these entities in the parameters estimation of nonlinear models is discussed. Among the obtained results, it could be emphasized the one that recommends the use of prediction error based criteria in equation error problems and the use of simulation error based criteria in output error problems (or measurement error), the latter being generally more robust. Although it is known that the use of prediction error based criterion in output error problems, without the proper settings (noise model), finds biased estimates, the novelty is that the simulationerror also finds biased estimates when applied to equation error problems. A new bi-objective approach was proposed using simulation error and the model static function error in gray-box identification, showing its effectiveness against the black-box identification and against prediction error approaches on a real problem. PWA hybrid systems, examples of committee machines, were also estimated by these entities (through the application of genetic algorithms) finding that the definition of each submodel partition can be performed by prediction error based criteria regardless the noise model. However, the estimation of the submodels parameters should be undertaken by the proposed algorithmcalled MQEP (extended and weighted least squares estimator) in output error problems to avoid bias. Finally, co-evolutionary algorithms and artificial immune systems were implemented to build committees of neural networks being possible to obtain good results in some benchmark regression problems. It was shown that the use of adiversity measure in the learning process is not advisable and that it is possible to find small committees automatically
Asunto: Engenharia elétrica
Idioma: Português
Editor: Universidade Federal de Minas Gerais
Sigla da Institución: UFMG
Tipo de acceso: Acesso Aberto
URI: http://hdl.handle.net/1843/BUOS-8CDGT6
Fecha del documento: 13-oct-2009
Aparece en las colecciones:Teses de Doutorado

archivos asociados a este elemento:
archivo Descripción TamañoFormato 
bruno_barbosa.pdf8.61 MBAdobe PDFVisualizar/Abrir


Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.