Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/BUOS-8CZLVX
Tipo: | Dissertação de Mestrado |
Título: | Raciocínio baseado em casos: uma abordagem utilizando o sistema imune artificial |
Autor(es): | Eduardo Enrique Ostos Carvalho |
Primeiro Orientador: | Walmir Matos Caminhas |
Resumo: | O Raciocínio Baseado em Casos (RBC) é um poderoso método de resolução de problemas que se baseia no sistema cognitivo humano, alicerçado na utilização de soluções encontradas em problemas egressos semelhantes resolvidos. A solução em questão se dá pela busca na memória por um problema similar, que pode ou não ter a sua solução adaptada à demanda presente. Após a busca pelo problema mais parecido, este é analisado para detectar a necessidade de adaptação de algum componente, com o objetivo de evitar retrabalho e reaproveitar conhecimento previamente validado. Em seguida, e se necessário, a solução é avaliada para certificar a sua efetividade. Ao final, o caso, ou problema, resolvido é armazenado junto aos demais, contribuindo para aumentar o conhecimento do sistema. Estas quatro etapas, ou processos, operados em conjunto, constituem o ciclo de vida do RBC. O RBC é, antes de tudo, uma metodologia, e como tal, não especifica a operação de cada um dos seus processos, o que abre a possibilidade para a utilização de diferentes paradigmas e ferramentas computacionais. Sob esta ótica, o Sistema Imune Artificial (SIA) é um paradigma computacional interessante que pode ser utilizado em conjunto com o RBC. A razão é que ele se apóia em sofisticados atributos do sistema biológico humano, como a detecção de padrões, compressão de dados, geração de população e adaptação dinâmica ao ambiente, características relevantes para o RBC. Este trabalho apresenta um modelo híbrido de RBC e SIA, responsável por gerar contribuições nos processos de recuperação (busca e avaliação), adaptação (reutilização e revisão) e retenção (armazenamento) de casos. Dentre as contribuições mais relevantes estão a criação de uma maneira alternativa de agrupar casos, identificação de áreas de densidade de casos, melhoria na eficiência da busca no espaço de casos e armazenamento das relações entre casos correlatos. O modelo proposto é aplicado a um problema de detecção e diagnóstico de falhas de uma máquina de corrente contínua, operando com simulações em modo supervisionado e não supervisionado. O método híbrido de RBC e SIA é confrontado com outros mais tradicionais de busca e armazenamento de casos. Ao final, os seus desdobramentos são comparados utilizando métricas específicas de desempenho do RBC, com resultados indicando um horizonte promissor para o modelo proposto neste trabalho. |
Abstract: | Case-Based Reasoning (CBR) is a powerful method for solving problems and is fundamented on the human cognitive system, which is strongly based on solving problems based on known similar ones. The solution is given by searching a memory for a similar situation, which in turn can or cannot be adapted to the current state. After searching for the more similar situation, it's analyzed to detect the adaptation needs, in order to avoid unnecessary effort and at the same time reuse previously validated knowledge. Then, if necessary, the solution is evaluated to ensure its effectiveness. Finally, the case, or problem solved, is stored together with others, helping to increase the system knowledge. These four steps, or processes, operated together, constitute the CBR life cycle. CBR is first and foremost a methodology, and as such, does not specify operational details of each of its processes, what opens the possibility for the use of different paradigms and computational tools. On this point of view, the Artificial Immune System (AIS) is an interesting computational paradigm that can be used in conjunction with CBR. The reason is that it relies on sophisticated attributes of the human biological system, such as pattern recognition, data compression, population generation and dynamic environment adaptation, all those relevant characteristics to CBR. This work presents a hybrid model of CBR and AIS, responsible for generating contributions in the process of recovery (search and evaluation), adaptation (reuse and revision) and retention (storage) of cases. Among the most relevant contributions are the creation of an alternative way of grouping cases, identifying high density areas, improve search efficiency in the case space and store the relationships of similar cases. The proposed model is applied to fault detection and diagnosis problem of a DC machine, which operates with simulations on supervised an unsupervised mode. The hybrid method of CBR and AIS is confronted with other more traditional CBR search and storage techniques. Finally, the results are compared using specific CBR performance metrics, what at the end showed positive perspectives for the proposed model. |
Assunto: | Engenharia elétrica |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/BUOS-8CZLVX |
Data do documento: | 30-Set-2009 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
eduardo_enrique_ostos_carvalho.pdf | 3.24 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.