A comparison between K-Means, FCM and ckmeans algorithms

Tamanho: px
Começar a partir da página:

Download "A comparison between K-Means, FCM and ckmeans algorithms"

Transcrição

1 2011 Workshop-School on Theoretical Computer Science A comparison between K-Means, FCM and ckmeans algorithms Rogério R. de Vargas, Benjamín R. C. Bedregal Departamento de Informática e Matemática Aplicada Universidade Federal do Rio Grande do Norte, UFRN Natal, Brazil rogerio@ppgsc.ufrn.br, bedregal@dimap.ufrn.br Eduardo Silva Palmeira Departamento de Ciências Exatas e da Terra Universidade Estadual de Santa Cruz, UESC Ilhéus, Brazil espalmeira@uesc.br Resumo Fuzzy C-Means, introduzido por Jim Bezdek em 1981 é um dos primeiros e mais populares algoritmos de agrupamento fuzzy. No entanto, com o objetivo de melhorar o índice de acertos ou sua velocidade, ao longo destes anos diversas modificações tem sido propostas. Entre estas destacamos o ckmeans, proposto pelos autores em 2010, que altera no FCM a forma de calcular o centro dos clusters. A ideia éusarumafunção de pertinência auxiliar dos elementos aos clusters que sejam essencialmente crisp e calcular os centroides seguindo um processo similar ao usado no algoritmo K-Means, mas mantendo o restante do algoritmo FCM. De fato, esta hibridizaçao entre o FCM e K-Means motivou o nome ckmeans para esta variante do FCM. Neste artigo aplicamos os algoritmos K-Means, FCM e ckmeans a uma base de dados validada de mamografias com cerca de mil elementos e comparamos estes três algoritmos em termos do índice de acertos e da quantidade de iterações e o tempo de processamento computacional até o sistema convergir. Título: Uma comparação entre os algoritmos K-Means, FCM e ckmeans bioinformática, etc. O objetivo desses métodos é organizar um conjunto de dados em grupos de tal forma que os dados dentro de um determinado grupo tenha um alto grau de semelhança, enquanto os dados pertencentes a diferentes grupos tenham um alto grau de dissimilaridade [1]. Agrupamento de dados é uma ferramenta essencial para a busca de grupos de dados não-rotulados. Agrupamento fuzzy éummétodo que pode capturar a incerteza em uma situação real. O agrupamento fuzzy pode obter um resultado robusto em relação a agrupamentos hard convencional. Em [2] a Figura 1 explica essa ideia. Keywords-centro dos clusters; ckmeans; FCM; K-Means Abstract Fuzzy C-Means, introduced by Jim Bezdek in 1981 is one of the earliest and most popular fuzzy clustering algorithms. However, in order to improve the hit rate or speed, over the years several modifications have been proposed. Among these we highlight the ckmeans algorithm proposed by us in 2010 which make a change in the way to calculate the center of the clusters of FCM. The idea is to use an auxiliary membership function of elements to those clusters that are essentially crisp and calculate the centroids following a similar process as done in K-Means algorithm but keeping the same procedures as in FCM in the rest of algorithm. In fact, this hybridization between FCM and K-Means motivated the name ckmeans for this variant of the FCM. In this article we apply K- Means, FCM and ckmeans algorithms in a validated database of mammograms with about a thousand elements and compare these three algorithms in terms of hit rate and number of each iterations and the computational processing time until the convergency of the system. I. INTRODUÇÃO Agrupamento éummétodo de aprendizado não supervisionado e é aplicado em diversas áreas, inclusive mineração de dados, reconhecimento de padrões, visão computacional, Figura 1. Exemplo de agrupamento de dados em sete grupos, onde o rótulo sobre o item indica o grupo a qual o item pertence Portanto, o objetivo da tarefa de agrupamento é maximizar a similaridade de objetos de um grupo, e minimizá-lo para objetos de diferentes grupos. O sucesso de um algoritmo de agrupamento é a escolha de uma boa medida de similaridade. Em métodos de agrupamento crisp cada ponto do conjunto de dados pertence a exatamente um cluster. Em geral, agrupamento fuzzy tem a sua partição com base na ideia de funções de pertinência expresso por um grau de pertinência correspondente a um cluster, especificamente, os algoritmos fuzzy associam um dado para todos os clusters, variando o grau de pertinência dos dados em cada cluster. Especialmente, agrupamento fuzzy tem sido amplamente estudado e aplicado em uma variedade de áreas. Em particular, validação de cluster fuzzy desempenha um papel muito importante no agrupamento fuzzy [3] /11 $ IEEE DOI /WEIT

2 A teoria dos Conjuntos Fuzzy foi concebido como um resultado de uma tentativa de lidar com o problema de reconhecimento de padrões no contexto de categorias imprecisamente definidos. Nesses casos, o grau de pertinência de um dado a uma classe é uma questão de grau, como é a questão de haver ou não um grupo de dados formam um cluster [4]. Existem várias propostas diferentes de extensões para o algoritmo FCM (Fuzzy C-Means) na literatura. Em [5], por exemplo, é proposto uma nova métrica, utilizando a função exponencial para substituir a distância euclidiana no algoritmo FCM. No artigo proposto por [6] o objetivo principal é reduzir o tempo de processamento e o número de iterações no algoritmo FCM, a redução é feita através da agregação de exemplos similares. Existem várias outras variantes do algoritmo FCM, por exemplo, os autores [7], [8], [9], [10], [11], que também buscam otimizar a precisão, ou o tempo de convergência do algoritmo FCM tradicional. No entanto, nenhum destes autores propõem uma nova forma de calcular o centro de clusters. Neste trabalho, propõe-se discutir a variante do algoritmo FCM, tendo como principal recurso à utilização de uma nova forma de calcular os centros dos clusters. A ideia é utilizar amatrizdograudepertinência, a fim de obter uma matriz crisp que possibilite calcular os novos centros usando uma estratégia semelhante à do algoritmo K-Means [12]. Por este motivo, denominou-se o nome de ckmeans a este algoritmo. Apresentamos o algoritmo ckmeans que usa um número de iterações menor que o algoritmo FCM e, consequentemente, o tempo total de convergência é menor no algoritmo ckmeans que mantém ou melhora a qualidade do resultado. Aseção 2 apresenta uma breve discussão sobre o algoritmo FCM. A seção 3 detalha o algoritmo ckmeans. Os experimentos são discutidos na seção 4. E, finalmente, a seção 5 traz as conclusões e considerações finais. II. ALGORITMO FUZZY C-MEANS No agrupamento não-fuzzy ou hard, os dados são divididos em grupos crisp, onde cada dado pertence a exatamente a um cluster. No agrupamento fuzzy, os dados podem pertencer a mais de um cluster, é associado a cada dado um grau de pertinência que indica o grau em que o dado pertence a diferentes clusters. Esta seção demonstra o algoritmo de agrupamento FCM. Segundo [13], o algoritmo para agrupamento de dados fuzzy foi proposto por [14], e estendido por [4]. A ideia basicamente é que o conjunto X = {x 1,x 2,...,x n } seja dividido em p clusters, μ ij é o grau de pertinência da amostra x i ao j-ésimo cluster e o resultado do agrupamento é expresso pelos graus de pertinência na matriz μ. O algoritmo FCM tenta encontrar conjuntos nos dados, minimizando a função objetivo mostrada na equação (1): onde: J = n i=1 j=1 p μ m ij d (x i; c j ) 2 (1) n éonúmero de dados; p éonúmero de clusters considerados no algoritmo o qual deve ser decidido antes da execução; m>1 éoparâmetro da fuzzificação 1. Usualmente, m está nointervalo[1, 25; 2] [15]; x i um vetor de dados de treinamento, onde i = 1, 2,...,n. Onde cada posição no vetor representa um atributo do dado; c j é o centro de um agrupamento fuzzy (j = 1, 2,...,p); d (x i ; c j ) éadistância 2 entre x i e c j ; A entrada do algoritmo são os n dados, o número de clusters p eovalordem. Ospassossão: 1) Inicialize μ com um valor aleatório contínuo entre zero (nenhuma pertinência) e um (pertinência total), onde a soma das pertinências deve ser um; 2) Calcule o centro do cluster j da seguinte maneira: c j = n μ m ij x i i=1 n i=1 μ m ij 3) Calcule um valor inicial para J usando a equação (1); 4) Calcule a tabela da função de pertinência fuzzy μ conforme mostrado na equação (3) μ ij = ( p ( k=1 1 d(x i;c j) ) 2 m 1 1 d (x i ; c k ) ) 2 m 1 (2) (3) 5) Retornar àetapa2até que uma condição de parada seja alcançada. Algumas condições de parada possíveis são: Um número de iterações pré-fixado for executado; Ousuário informa um valor de parada ɛ>0, ese d (J U ; J A ) ɛ então para, onde J A é a função objetiva (equação (1)) calculada na iteração anterior e J U éafunção objetiva da última iteração. 1 Considerando somente valores racionais para simplificar o cálculo das equações (1), (2) e (3). Uma vez que na prática, são usados m racionais. 2 Quando são valores numéricos, normalmente éusadoadistância Euclidiana. 33

3 III. ALGORITMO CKMEANS O algoritmo K-Means, proposto por [12], éummétodo de particionamento (método não-hierárquico) que divide as observações dos dados em k clusters mutuamente exclusivos. Esse algoritmo considera como centro de um grupo o seu centróide. O centróide de um grupo é definido como o vetor soma de todos os vetores correspondentes aos objetos associados a este grupo. Então, a tarefa do algoritmo K- Means é minimizar a função objetivo correspondente à distância total entre os objetos e os centróides dos grupos aos quais esses objetos foram associados. Segundo [13], o algoritmo para agrupamento de dados fuzzy foi proposto por [14], e estendido por [4]. A ideia basicamente é que o conjunto fuzzy X = {x 1,x 2,...,x n } seja dividido em p clusters, μ ij é o grau de pertinência da amostra x i ao j-ésimo cluster e o resultado do agrupamento é expresso pelos graus de pertinência na matriz μ. O algoritmo ckmeans proposto por [16] segue a mesma estrutura do algoritmo FCM, porém, a única alteração deu-se em como calcular o centro dos clusters, ou seja, o c j. A entrada do algoritmo também são os n dados, o número de clusters p eovalordem. Ospassossão: 1) Inicialize μ com um valor aleatório contínuo entre zero (nenhuma pertinência) e um (pertinência total), onde a soma das pertinências deve ser um; 2) Calcule o centro do cluster j: Cria-se uma nova matriz μ, chamada de μcrisp contendo valores 1 ou 0. Cada linha dessa nova matriz tem 1 na posição do maior valor dessa linha na matriz μ e zero nas demais posições da linha. Quando uma coluna da matriz μcrisp, for toda com zeros, é atribuído o valor 1 na posição que corresponde ao maior valor dessa mesma coluna na matriz μ. O algoritmo ckmeans retorna uma matriz μcrisp com valores em {0, 1} conforme é mostrado na equação (4). Ou seja, μcrisp é a matriz enquanto μcrisp ij é o conteúdo dessa matriz na posição (ij). μcrisp ij =max μ ij p, μ ij n (4) max μ il max μ lj l=1 l=1 O primeiro argumento do max tem que cada dado tenha o valor 1 no cluster ao qual pertence com maior grau de pertinência e grau de pertinência zero nos demais. O segundo argumento tem por objetivo que o maior grau de cada coluna (cluster) seja 1. Para assim garantir que todo cluster tenha pelo menos um elemento. Dessa forma, em raras ocasiões, pode acontecer que uma linha tenha mais de uma valor 1 (o que não ocorre o algoritmo K-Means original), mas como esta matriz é apenas auxiliar, não ocasionará qualquer transtorno. Os passos do algoritmo para calcular o μcrisp 3 ij é realizado da seguinte forma: a) Leia μ; b) Em cada linha encontrar o maior valor da matrix μ e atribuir 1 a essa mesma posição em μcrisp e zero nas restantes; c) Armazenar em um vetor a quantidade de 1 s que cada coluna de μcrisp possui. Se uma coluna não tiver 1 s marque sumariamente com 1 a posição onde está omaiorvalor.após calculada a matriz μcrisp calculam-se os novos centros dos clusters conforme a equação (5). c j = Σn i=1x i μcrisp ij Σ n i=1μcrisp ij (5) O c j é calculado pela somatória dos dados que pertencem ao cluster (de forma crisp) e dividido pela quantidade de objetos classificados como 1 na matriz μcrisp deste cluster. 3) Calcule um valor inicial para J usando as mesmas equações do algoritmo FCM; 4) Calcule a tabela da função de pertinência fuzzy μ conforme o algoritmo FCM. Algumas condições de parada possíveis são as mesmas do algoritmo FCM. O resultado (saída) da implementação do algoritmo K- Means retorna qual cluster pertece determinada instância. Para os algoritmos FCM e ckmeans é retornado o grau de pertinência de determinada instância a cada cluster. No final, os três algoritmos distribuem os elementos em m clusters. Cabe ao usuário ou especialista interpretar cada cluster. Porém quando estamos testando a eficáciadeum algoritmo para comparar com outros, usualmente usamos bases de dados onde cada dado tenha uma classificação previamente conhecida (CC 1,...,CC m ), por exemplo, a base Mamografia (detalhado na seção IV); para podermos assim determinar a porcentagem de acertos dos algoritmos. Porém um problema é que o algoritmo de agrupamento determina m classes (CA 1,...,CA m ) e não necessariamente CA i corresponde à classe CC i,comi =1,...,m, e nem sempre é possivel determinar a olho nu a melhor forma de associar as classes (CA 1,...,CA m ) as classes (CC 1,...,CC m )de forma a maximizar a porcentagem de acertos. Para este fim foi desenvolvido um algoritmo de força bruta que combina todas as possibilidades de associação determinando a porcentagem de acertos de cada associação, dando como saída aquela que devolve o maior número de acertos. 3 Pode ocorrer uma situação onde o resultado de µcrisp ij não esteja completamente fiel à equação (4). O maior valor da coluna µ ij terá 1em µcrisp ij. 34

4 Os passos para a instalação da biblioteca C-XSC, o código fonte dos algoritmos de agrupamento podem serem vistos em: IV. EXPERIMENTOS Inicialmente implementou-se o algoritmo K-Means seguindo o tutorial disponível em [17] e o algoritmo FCM (tradicional) baseado na implementação 4 de [18], disponível em Todos os algoritmos aqui discutidos, foram executados e desenvolvidos em C++ (Versão 4.4) usando a biblioteca C-XSC (versão 2.5) [19], disponível em usando um Notebook Intel R Core TM i3 CPU M GHz, e 3 GB de memória principal, usando o sistema operacional Linux (Kernel generic, GNOME 2.32, Ubuntu 10.10). Figura 2. Instâncias A. Base de Dados Mamografia A mamografia éométodo mais eficaz para o rastreamento do câncer de mama disponíveis atualmente. No entanto, a biópsia de mama resultantes da interpretação mamografia leva a aproximadamente 70% biópsias desnecessárias com resultados benignos. Para reduzir o elevado número de biópsias mamárias desnecessárias, vários computer-aided diagnóstico (CAD) têm sido propostas nos últimos anos. Este conjunto de dados 5 podem ser usados para predizer a gravidade (benigno ou maligno) de uma lesão de massa de mamografia. Esta base esta dividida em 516 dados classificados como benignos e 445 dados classificados como malignos que foram identificadas na mamografia coletadas no Instituto de Radiologia do da. Universidade Erlangen- Nuremberg, entre 2003 e B. Parâmetros para a Inicialização O número de clusters é dois, o valor fuzziness m = 1, 25 e ɛ =0, 001. Estesparâmetros são usados nas três configurações dos algoritmos aqui discutidos, ou seja, os algoritmos K-Means, FCM e ckmeans. Os valores iniciais de μ ij são números aleatórios. Usou-se os mesmos valores para inicializar os algoritmos K-Means, FCM e ckmeans. O valor inicial de C j foram os mesmos nos algoritmos FCM e ckmeans. C. Resultados Comparativos Onúmero de instâncias espalhadas nos clusters usando os algoritmos K-Means, FCM e ckmeans é o mesmo. A Figura 2 mostra a distribuição dos dados a cada classes. 4 De fato, essa implementação reporta exatamente os mesmo valores de [18]. 5 Esta base de dados está disponível em datasets/mammographic+mass. Observe que a classe Benigno teve 516 instâncias e a classe teve 445 instâncias, totalizando 961 instâncias. A Figura 3 mostra as instâncias classificadas usando o algoritmo K-Means. Figura Cluster 1 Cluster 2 Benigno Classificação das Instâncias usando o algoritmo K-Means Note que o Cluster 1 teve 339 Benigno e 106. Por possuir maiores valores a classe Benigno, associamos o cluster 1 a classe Benigno. Para o cluster 2, esse teve 217 instâncias na classe Benigno e 299 na classe, associando o Cluster 2 a classe. A Figura 4 mostra a classificação de cada dado nas classes. O número de instâncias classificadas incorretamente em cada cluster é 323, o que corresponde a 33,61% com os algoritmos simulados. 35

5 Benigno Incorretos Benigno Incorretos Figura 4. Instâncias Classificadas Corretamente e Incorretamente com o algoritmos K-Means As instâncias classificadas nessa base de dados foram 638, representando 66,39% dos dados. Os resultados obtidos com os algoritmos FCM e ckmeans são diferentes que se comparados com o algoritmo K-Means. A Figura 5 mostra as instâncias classificadas usando os algoritmos FCM e ckmeans. Figura 5. ckmeans Cluster 1 Cluster 2 Benigno Classificação das Instâncias usando os algoritmos FCM e Note que o Cluster 1 teve 353 Benigno e 77. Por possuir maiores valores a classe Benigno, associamos o cluster 1 a classe Benigno. Para o cluster 2, esse teve 229 instâncias na classe Benigno e 302 na classe, associando o Cluster 2 a classe. A Figura 6 mostra a classificação de cada dado nas classes. O número de instâncias classificadas incorretamente em cada cluster é 306, o que corresponde a 31,84% com os algoritmos simulados. Figura 6. Instâncias Classificadas Corretamente e Incorretamente com os algoritmos FCM e ckmeans As instâncias classificadas nessa base de dados foram 655, representando 68,16% dos dados. A Tabela I mostra a quantidade de iterações, a média do tempo de processamento de cada iteração em segundos e o tempo total em segundos que os algoritmos levaram para convergir. Tabela I PERFORMANCE K-Means FCM ckmeans Iterações Tempo médio de cada iteração 0,08 0,09 0,05 Tempo Convergência 0,57 2,46 0,52 O algoritmo K-Means tem o menor número de iterações (sete) e com o tempo total de convergência em 0,57 segundos. No entanto, se comparado com os demais algoritmos simulados não apresentou o menor tempo de convergência e a taxa de acerto foram menor se comparado com os algoritmos FCM e ckmeans. O tempo médio para cada iteração foram de 0,08 segundos. O algoritmo FCM convergiu com 26 iterações, o tempo médio de cada iteração foram de 0,09 segundos e o tempo total até a convergência foram de 2,46 segundos, sendo o algoritmo que teve o maior tempo de processamento se comparado ao K-Means e ckmeans. O algoritmo ckmeans se comparado entre os algoritmos testados, teve o menor tempo até asuaconvergência, com tempo total de 0,52 segundos. O número de iterações foram 9eotempomédio de cada iteração foram de 0,05 segundos. O valor inicial de J foram iguais entre os algoritmos FCM e ckmeans (374,498) e a última iteração no algoritmo FCM foram de 0, na iteração 26. No algoritmo ckmeans o valor de J foram zero na iteração 9. Se m =2(valor fuzziness) nos algoritmos FCM e ckmeans a taxa de acerto e os clusters são agrupados de forma idêntica ao algoritmo K-Means. O número de iterações e 36

6 o tempo de processamento são os mesmos mostrados na Tabela I. E mesmo assim, o algoritmo ckmeans tem o tempo de processamento melhor que se comparado com os demais algoritmos. V. CONCLUSÃO E CONSIDERAÇÕES FINAIS Neste trabalho, comparou-se três algoritmos, o K-Means, FCM e o ckmeans. Este último, propõe uma alteração na forma de calcular o centro dos clusters nos algoritmos tipo FCM, reduzindo o tempo de processamento e número de iterações e, em alguns casos, melhorando a classificação de instâncias de seus respectivos clusters. O algoritmo ckmeans mostrou-se um bom método para calcular os centros dos clusters. Esse algoritmo reduziu o tempo de processamento e o número de iterações na classificação de dados. O algoritmo ckmeans fornece uma aceleração perante a aplicação FCM tradicional [20]. Compreende-se que a expressão para o cálculo da função objetiva e os centros dos cluster no algoritmo FCM éuma derivação matemáticadeumafunção objetiva. Porém, não se tem essa preocupação no algoritmo ckmeans, os valores de J (função objetivo) é um pouco menor no algoritmo ckmeans do que no algoritmo FCM, e portanto, na prática o objetivo de minimizar J também pode ser alcançado pelo algoritmo ckmeans. Os experimentos mostram que a classificação do grau de pertinência com o algoritmo ckmeans em relação ao cluster é similar do que com o algoritmo FCM (considerando o caso estudado). O número de iterações em relação à convergência em todos os cluster usando o algoritmo K-Means e FCM foram 7 e 26 iterações, respectivamente. No entanto, usando o algoritmo ckmeans obteve-se a convergência com 9 iterações, embora tenha mais iterações se comparado com o K-Means, o tempo de processamento foi menor. Testes com outras bases tais como [16] e [21] também mostram que o algoritmo ckmeans tem um desempenho melhor que o algoritmos FCM e K-Means. Observe que a condição de parada fornecido por epsilon quanto menor for, maior éonúmero de iterações no algoritmo FCM. Entretanto, no algoritmo ckmeans isso não ocorre, como o epsilon é utizado para calcular a diferença do valor de J na iteração atual com a iteração anterior, no algoritmo ckmeans a tendência é que essa diferença seja zero. Aideiaé que a forma de calcular o centro dos clusters com o algoritmo ckmeans seja genérico, ou seja, possa ser aplicado em outras variantes do FCM, por exemplo, MFCM (Modified Fuzzy C-Means) em [22], isso será provado em trabalhos futuros. Também, usaremos outras distâncias como as propostas nos trabalhos de [23] e [24] em vez da Euclidiana para demonstrar a qualidade dos resultados usando o algoritmo ckmeans. ACKNOWLEDGMENT O autor Rogério R. de Vargas é bolsista de doutorado e agradece a CAPES-Brasil pelo apoio financeiro. REFERÊNCIAS [1] F. de Carvalho, Fuzzy k-means clustering algorithms for interval-valued data based on adaptive quadratic distances, Fuzzy Sets and Systems, vol. 161, no. 23, pp , [2] R. de Vargas and B. Bedregal, Interval ckmeans: An algorithm for clustering symbolic data, in Proc. Conf. North American Fuzzy Information Processing Society (NAFIPS 2011), El Paso, USA, [3] W. Wang and Y. Zhang, On fuzzy cluster validity indices, Fuzzy Sets and Systems, vol. 158, no. 19, pp , [4] J. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms. Norwell, MA, USA: Kluwer Academic Publishers, [5] K. Zang, B. Li, J. Xu, and L. Wu, New modification of fuzzy c-means clustering algorithm, Fuzzy Information and Engineering, vol. 1, pp , [6] S. Eschrich, J. Ke, L. Hall, and D. Goldgof, Fast accurate fuzzy clustering through data, IEEE Transactions on Fuzzy Systems, vol. 11, pp , [7] R. L. Cannon, J. V. Dave, and J. C. Bezdek, Efficient implementation of the fuzzy c-means clustering algorithms, IEEE Trans. Pattern Anal. Mach. Intell., vol. 8, no. 2, pp , [8] F. Höppner, Speeding up fuzzy c-means: Using a hierarchical data organisation to control the precision of membership calculation, Fuzzy Sets and Systems, vol. 128, no. 3, pp , [9] T. Cheng, D. Goldgof, and L. Hall, Fast clustering with application to fuzzy rule generation, in Proceedings of the IEEE International Conference on Fuzzy Systems, Tokio, Japan, 1995, pp [10] D. Hershfinkel and I. Dinstein, Accelerated fuzzy c-means clustering algorithm, in B. Bosachi, J.C. Bezdek (Eds.), Proc. SPIE Appl. Fuzzy Logic Technol. III 2761, 1996, pp [11] B. Shankar and N. Pal, FFCM: an effective approach for large data sets, in Proceedings of the 3rd International Conference on Fuzzy Logic, Neural Nets and Soft Computing, 1994, pp [12] J. MacQueen, Some methods for classification and analysis of multivariate observations, in Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Berkeley, CA: University of California Press, 1967, pp [13] K. Zou, Z. Wang, and M. Hu, An new initialization method for fuzzy c-means algorithm, Fuzzy Optimization and Decision Making, vol. 7, no. 4, pp ,

7 [14] J. C. Dunn, A fuzzy relative of the isodata process and its use in detecting compact well-separated clusters, Journal of Cybernetics, vol. 3, no. 3, pp , [15] E. Cox, Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration. Amsterdam ; Boston : Elsevier/Morgan Kaufmann, [16] R. de Vargas and B. Bedregal, A comparative study between fuzzy c-means and ckmeans algorithms, in Proc. Conf. North American Fuzzy Information Processing Society (NAFIPS 2010), Toronto, Canada, [17] K. Teknomo, K-Means Clustering Tutorials, 2010, Acessado 22/Maio/2010. [18] J. DeGruijter and A. McBratney, A modified fuzzy k-means for predictive classification, in Classification and Related Methods of Data Analysis. Amsterdam: H.H. Bock, ed., Elsevier Science, 1988, pp [19] W. Hofschuster and W. Krämer, C-xsc 2.0: A c++ library for extended scientific computing, in Dagstuhl Seminars. Springer, 2003, pp [20] R. de Vargas, B. Bedregal, and E. Palmeira, ckmeans: A new variant of fuzzy c-means algorithm, Information Sciences, 2011, submitted. [21] R. de Vargas and B. Bedregal, Uma nova forma de calcular o centro dos clusters no algoritmo fuzzy c-means, in Proceedings of CNMAC 2010 (33th Brazilian Conference on Applied and Computational Math). SBMAC (Brazilian Society of Applied and Computational Math), Águas de Lindóia, Brazil, [22] R. Brouwer and A. Groenwold, Modified fuzzy c-means for ordinal valued attributes with particle swarm for optimization, Fuzzy Sets and Systems, vol. 161, no. 13, pp , [23] K.-L. Wu and M.-S. Yang, Alternative c-means clustering algorithms, Pattern Recognition, vol. 35, no. 10, pp , [24] K.-S. Zhang, B. nian Li, J. Xu, and L.-B. Wu, New modification of fuzzy -means clustering algorithm, in ACFIE, 2008, pp

Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means

Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal, Departamento de Matemática Aplicada e Informática, DIMAp, UFRN 59072-970, Natal,

Leia mais

Chuvas e Precipitações

Chuvas e Precipitações Chuvas e Precipitações Chuvas e Precipitações 1. Mais chuvosos; Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; 3. Menos chuvosos. Chuvas

Leia mais

Uma Extensão Intervalar do Algoritmo Fuzzy C-Means

Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Rogério R. de Vargas e Benjamín R. C. Bedregal CNMAC 2009 Cuiabá-MT, Setembro de 2009 Vargas e Bedregal PPgSC/ Universidade Federal do Rio Grande do Norte

Leia mais

Clusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar

Clusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar Clusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar Rogério R. de Vargas, Benjamín R. C. Bedregal, Macilon A. Costa Neto 2 Programa de Pós-Graduação em Sistemas

Leia mais

Algoritmo ckmeans Aplicado ao Sensoriamento Remoto

Algoritmo ckmeans Aplicado ao Sensoriamento Remoto Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo ckmeans Aplicado ao Sensoriamento Remoto Rogério R. de Vargas

Leia mais

Inteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013

Inteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013 Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de 2013 http://rogerio.in slide 1 Introdução http://rogerio.in slide 2 Como agrupar?

Leia mais

Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy

Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D. Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de

Leia mais

REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS

REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS Eduardo Braun - eduardotbraun@gmail.com Universidade Federal de Santa Maria, Campus Camobi, 97105-900 - Santa Maria, RS, Brasil Alice de

Leia mais

Aprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado

Aprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos

Leia mais

Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel

Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel 19 a 21 de mar o de 2010 157 Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel José Márcio Cassettari Junior 1, Merisandra Côrtes de Mattos 1, João Manuel M. De Carlo 1, Priscyla

Leia mais

Introdução à Mineração de Dados com Aplicações em Ciências Espaciais

Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação

Leia mais

Resolvedo problemas de despacho econômico com dados incertos usando enfoque paramétrico dual

Resolvedo problemas de despacho econômico com dados incertos usando enfoque paramétrico dual Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Resolvedo problemas de despacho econômico com dados

Leia mais

A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining

A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining José Márcio Cassettari Junior, Merisandra Côrtes de Mattos 2, Priscyla Waleska Targino de Azevedo Simões 2, Cristian

Leia mais

2COP229 Inteligência Computacional. Aula 3. Clusterização.

2COP229 Inteligência Computacional. Aula 3. Clusterização. Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância

Leia mais

Uso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos

Uso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos Jorge V. R. Bonato, Paulo H. Siqueira Programa de

Leia mais

Redes Neurais (Inteligência Artificial)

Redes Neurais (Inteligência Artificial) Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest

Leia mais

FUZZY KOHONEN CLUSTERING NETWORK PARA DADOS INTERVALARES COM DISTÂNCIA CITY-BLOCK PONDERADA

FUZZY KOHONEN CLUSTERING NETWORK PARA DADOS INTERVALARES COM DISTÂNCIA CITY-BLOCK PONDERADA XIV CONGRESSO DE INICIAÇÃO CIENTÍFICA DA UNIVERSIDADE FEDERAL CAMPINA GRANDE FUZZY KOHONEN CLUSTERING NETWORK PARA DADOS INTERVALARES COM DISTÂNCIA CITY-BLOCK PONDERADA Danilo de Menezes Freitas 1 Carlos

Leia mais

Mineração de Dados em Biologia Molecular

Mineração de Dados em Biologia Molecular Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos

Leia mais

NebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means

NebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means NebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means Valmir Macário 1, Francisco de A T de Carvalho 1 1 Centro de Informática, Universidade Federal de Pernambuco; Av Prof

Leia mais

Aprendizado de Máquina

Aprendizado de Máquina Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento

Leia mais

Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy

Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy Pedro Henrique S. Coutinho, Thiago P. das Chagas, Fábio da C. Cruz DCET - UESC Ilhéus, Bahia, Brasil Emails:

Leia mais

Organização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters

Organização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor

Leia mais

Sumário. Referências utilizadas. Introdução. MAFIA: Merging of Adaptive Finite Intervals. Introdução Visão Geral e Objetivos do MAFIA

Sumário. Referências utilizadas. Introdução. MAFIA: Merging of Adaptive Finite Intervals. Introdução Visão Geral e Objetivos do MAFIA Sumário : Merging of Adaptive Finite Intervals Elaine Ribeiro de Faria Análise de Agrupamento de Dados ICMC-USP Dezembro 2010 Introdução Visão Geral e Objetivos do Algoritmo Grid Adaptativo Algoritmo Algoritmo

Leia mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Introdução às Redes Neurais Artificiais Clusterização: Conceitos Básicos Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia

Leia mais

Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais

Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução

Leia mais

Clustering - c-means e Self Organizing Maps

Clustering - c-means e Self Organizing Maps - c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals

Leia mais

A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP

A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia

Leia mais

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação

Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:

Leia mais

RECONHECIMENTO DE PADRÕES DE ESPÉCIES DE MORCEGOS DO SUL DA BAHIA UTILIZANDO CLUSTERIZAÇÃO FUZZY

RECONHECIMENTO DE PADRÕES DE ESPÉCIES DE MORCEGOS DO SUL DA BAHIA UTILIZANDO CLUSTERIZAÇÃO FUZZY RECONHECIMENTO DE PADRÕES DE ESPÉCIES DE MORCEGOS DO SUL DA BAHIA UTILIZANDO CLUSTERIZAÇÃO FUZZY Pedro Henrique Silva Coutinho, Thiago Pereira das Chagas Departamento de Ciências Exatas e Tecnológicas

Leia mais

Clustering: k-means e Agglomerative

Clustering: k-means e Agglomerative Tópicos Avançados em Avaliação de Desempenho de Sistemas Jackson Nunes Marco Eugênio Araújo Outubro de 2014 1 Sumário Contextualização Classificação Agrupamento (Clustering) Cenários de Aplicação Clustering

Leia mais

FORMAÇÃO DE REGIÕES HOMOGÊNEAS DE PRECIPITAÇÃO POR AGRUPAMENTO FUZZY C-MEANS. Eixo temático: Gerenciamento de Recursos Hídricos e Energéticos

FORMAÇÃO DE REGIÕES HOMOGÊNEAS DE PRECIPITAÇÃO POR AGRUPAMENTO FUZZY C-MEANS. Eixo temático: Gerenciamento de Recursos Hídricos e Energéticos , E 3 DE SETEMBRO DE FORMAÇÃO DE REGIÕES HOMOGÊNEAS DE PRECIPITAÇÃO POR AGRUPAMENTO FUZZY C-MEANS Evanice Pinheiro Gomes () ; Claudio José Cavalcante Blanco (), Francisco Carlos Lira Pessoa (3) () Mestranda

Leia mais

Rede RBF (Radial Basis Function)

Rede RBF (Radial Basis Function) Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação

Leia mais

Thiago Christiano Silva

Thiago Christiano Silva Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização

Leia mais

SEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos

SEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br

Leia mais

TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS

TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS Junior Leal do Prado Instituto Federal de Sergipe Av. Gentil Tavares da Mota, 1166 - Getúlio Vargas Aracaju/SE

Leia mais

5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO

5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO 102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais

Leia mais

Algoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo

Algoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares

Leia mais

Um algoritmo pseudo-periférico genérico para a heurística de Snay

Um algoritmo pseudo-periférico genérico para a heurística de Snay Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay

Leia mais

Aula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga

Aula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema

Leia mais

O reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.

O reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face. ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas

Leia mais

Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local

Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,

Leia mais

Projected Clustering Algorithm

Projected Clustering Algorithm Projected Clustering Algorithm Emanuel Matos 5560105 Disciplina : Análise de Agrupamentos Prof. Dr. Ricardo Campello Dez/2010 View Problema Objetivo Definições/Premissas Algoritmo Acurácia Escalabilidade

Leia mais

Mineração de Dados - Introdução. Elaine Ribeiro de Faria UFU 2018

Mineração de Dados - Introdução. Elaine Ribeiro de Faria UFU 2018 Mineração de Dados - Introdução Elaine Ribeiro de Faria UFU 2018 1 Mineração de Dados Processo de automaticamente descobrir informação útil em grandes repositórios de dados Tan P., SteinBack M. e Kumar

Leia mais

CLARA. Resumo. Introdução. Artigo de Referência [1] Introdução PAM. Modelagem como grafo CLARANS. Comparação de eficiência Conclusão

CLARA. Resumo. Introdução. Artigo de Referência [1] Introdução PAM. Modelagem como grafo CLARANS. Comparação de eficiência Conclusão Resumo CLARANS Diego Raphael Amancio Introdução PAM CLARA CLARANS Comparação de eficiência Conclusão 2 Artigo de Referência [1] Introdução Imagem do artigo original entitulado Efficient and Effective Clustering

Leia mais

Computação Evolutiva no treinamento de Redes Neurais

Computação Evolutiva no treinamento de Redes Neurais Computação Evolutiva no treinamento de Redes Neurais Euclides Carlos Pinto Neto David Fernandes Neves Oliveira Macilio da Silva Ferreira PSI5886 - Prof. Emilio Del Moral Hernandez 1 Agenda Objetivo Otimização

Leia mais

Inteligência nos Negócios (Business Inteligente)

Inteligência nos Negócios (Business Inteligente) Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões

Leia mais

AUTENTICAÇÃO DE IMPRESSÕES DIGITAIS

AUTENTICAÇÃO DE IMPRESSÕES DIGITAIS AUTENTICAÇÃO DE IMPRESSÕES DIGITAIS Felipe Negreiros Pedrosa- IC Aluno de graduação do curso de Eng. de Computação do Instituto Tecnológico de Aeronáutica Bolsista PIBIC-CNPQ; Brasil; e-mail: felipe.pedrosa@gmail.com

Leia mais

Autor 1 Orientador: 1. dia de mês de ano

Autor 1 Orientador: 1. dia de mês de ano Título Autor 1 Orientador: 1 1 Laboratório de Sistemas de Computação Universidade Federal de Santa Maria dia de mês de ano Roteiro Introdução Fundamentação Desenvolvimento Resultados Conclusão e Trabalhos

Leia mais

Reconhecimento de texturas utilizando padrão binário local e classificador knn.

Reconhecimento de texturas utilizando padrão binário local e classificador knn. Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais

Leia mais

Abordagem Semi-supervisionada para Rotulação de Dados

Abordagem Semi-supervisionada para Rotulação de Dados Abordagem Semi-supervisionada para Rotulação de Dados Bruno Vicente Alves de Lima Universidade Federal do Piaui Email: brunovicente@ufpi.edu.br Vinicius Ponte Machado Universidade Federal do Piauí Email:

Leia mais

Técnica de Busca Local para Melhorar a Meta-heurística de Otimização por Colônia de Formigas no Agrupamento de Instâncias em Bases de Dados

Técnica de Busca Local para Melhorar a Meta-heurística de Otimização por Colônia de Formigas no Agrupamento de Instâncias em Bases de Dados Técnica de Busca Local para Melhorar a Meta-heurística de Otimização por Colônia de Formigas no Agrupamento de Instâncias em Bases de Dados Ana Cristina B. Kochem Vendramin 1,2, Diogo Augusto B. Pereira

Leia mais

Diego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo

Diego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo

Leia mais

Análise do Desempenho do Algoritmo de Agrupamento Baseado em Colônia de Formigas Modificado

Análise do Desempenho do Algoritmo de Agrupamento Baseado em Colônia de Formigas Modificado Anais do CNMAC v. ISSN 1984-80X Análise do Desempenho do Algoritmo de Agrupamento Baseado em Colônia de Formigas Modificado Rosangela Villwock UFPR - Programa de Pós-Graduação em Métodos Numéricos em Engenharia

Leia mais

Comunicação Científica I

Comunicação Científica I Faculdade de Engenharia da Universidade do Porto Programa Doutoral em Engenharia Biomédica 2008/2009 Disciplina: Comunicação Científica I Relatório sobre as actividades de investigação, trabalhos e comunicações

Leia mais

DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB

DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,

Leia mais

Clustering (k-means, SOM e hierárquicos)

Clustering (k-means, SOM e hierárquicos) Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram

Leia mais

Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995))

Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995)) Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995)) que realiza simultaneamente agrupamento e visualização SOM usa aprendizagem não supervisionada para mapear dados

Leia mais

Algoritmos de Agrupamento - Aprendizado Não Supervisionado

Algoritmos de Agrupamento - Aprendizado Não Supervisionado Algoritmos de Agrupamento - Aprendizado Não Supervisionado Fabrício Jailson Barth fabricio.barth@gmail.com Agosto de 2016 Sumário Introdução e Definições Aplicações Algoritmos de Agrupamento Agrupamento

Leia mais

Uma Análise de Desempenho de Gráficos de Controle Multivariados. Rodrigo Luiz P. Lara 1, José Ivo Ribeiro Júnior 2, Rafael L. R.

Uma Análise de Desempenho de Gráficos de Controle Multivariados. Rodrigo Luiz P. Lara 1, José Ivo Ribeiro Júnior 2, Rafael L. R. ISSN: 2317-0840 Uma Análise de Desempenho de Gráficos de Controle Multivariados Rodrigo Luiz P. Lara 1, José Ivo Ribeiro Júnior 2, Rafael L. R. Oliveira 3 1,2 DET-UFV: Universidade Federal de Viçosa, Viçosa-MG.

Leia mais

Integração de Mineração de Dados com SGBD Detecção de Agrupamentos

Integração de Mineração de Dados com SGBD Detecção de Agrupamentos Integração de Mineração de Dados com SGBD Detecção de Agrupamentos Centro de Matemática Computação e Cognição-UFABC Jéssica Andressa de Souza Pós-Graduação em Ciência da Computação Sistemas de Banco de

Leia mais

Aprendizado de Máquina (Machine Learning)

Aprendizado de Máquina (Machine Learning) Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar

Leia mais

Algoritmo CLIQUE (Clustering In QUEst)

Algoritmo CLIQUE (Clustering In QUEst) Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research

Leia mais

Uma Extensão Intervalar do Algoritmo Fuzzy C-Means

Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Anais do CNMAC v.2 ISSN 1984-820X Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal Programa de Pós-Graduação em Sistemas e Computação, DIMAp, UFRN Lagoa

Leia mais

Predição de Utilização de Recursos Computacionais Usando Séries Temporais

Predição de Utilização de Recursos Computacionais Usando Séries Temporais Predição de Utilização de Recursos Computacionais Usando Séries Temporais Aluno: Paulo Roberto Pereira da Silva Orientador: Paulo Romero Martins Maciel Coorientador: Jean Carlos Teixeira de Araujo de Garanhuns

Leia mais

COMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA

COMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA

Leia mais

Tópicos em Mineração de Dados

Tópicos em Mineração de Dados Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores

Leia mais

Recomendação Personalizada de Notícias para Usuários da Web Móvel

Recomendação Personalizada de Notícias para Usuários da Web Móvel Recomendação Personalizada de Notícias para Usuários da Web Móvel Renato Crivano 1,2, Carlos Eduardo R. de Mello 1, Luciano Renovato de Albuquerque 2, Fabrício Raphael Silva Ferreira 1, Olivério Costa

Leia mais

Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos

Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio

Leia mais

4 Cálculo de Equivalentes Dinâmicos

4 Cálculo de Equivalentes Dinâmicos 4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação

Leia mais

Inteligência nos Negócios (Business Inteligente)

Inteligência nos Negócios (Business Inteligente) Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões

Leia mais

ANÁLISE DE AGRUPAMENTOS

ANÁLISE DE AGRUPAMENTOS ANÁLISE DE AGRUPAMENTOS Análise de Agrupamentos 2 Definição Consistem em encontrar grupos de objetos entre os objetos Categorizá-los ou agrupá-los Tipo de aprendizado não supervisionado Encontrar grupos

Leia mais

Identificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais

Identificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente

Leia mais

UNIVERSIDADE FEDERAL DA BAHIA

UNIVERSIDADE FEDERAL DA BAHIA UNIVERSIDADE FEDERAL DA BAHIA INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO RECUPERAÇÃO DE ARQUITETURA DE SOFTWARE UTILIZANDO ALGORITMOS DE AGRUPAMENTO ALUNO: DENNIS LESSA

Leia mais

Implementação dos Algoritmos e Resultados

Implementação dos Algoritmos e Resultados Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração

Leia mais

Implementação de um sistema de validação estatística configurável de dados

Implementação de um sistema de validação estatística configurável de dados Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents

Leia mais

APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS

APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de

Leia mais

Tópicos Avançados em IA. Prof. Eduardo R. Hruschka

Tópicos Avançados em IA. Prof. Eduardo R. Hruschka Tópicos Avançados em IA Prof. Eduardo R. Hruschka Créditos Este material consiste de adaptações dos originais: Elaborados por Eduardo Hruschka e Ricardo Campello de (Tan et al., 2006) de E. Keogh (SBBD

Leia mais

Echo State Networks. Fabricio Breve João Bertini

Echo State Networks. Fabricio Breve João Bertini Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações

Leia mais

Método de Precondicionamento CPR em Simulações de Reservatório de Petróleo

Método de Precondicionamento CPR em Simulações de Reservatório de Petróleo Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Método de Precondicionamento CPR em Simulações de Reservatório de

Leia mais

CRIVO QUADRÁTICO: IMPLEMENTAÇÃO DA OBTENÇÃO DE UM CONJUNTO DE NÚMEROS COMPLETAMENTE FATORADOS SOBRE UMA BASE DE FATORES

CRIVO QUADRÁTICO: IMPLEMENTAÇÃO DA OBTENÇÃO DE UM CONJUNTO DE NÚMEROS COMPLETAMENTE FATORADOS SOBRE UMA BASE DE FATORES CRIVO QUADRÁTICO: IMPLEMENTAÇÃO DA OBTENÇÃO DE UM CONJUNTO DE NÚMEROS COMPLETAMENTE FATORADOS SOBRE UMA BASE DE FATORES Alex Zanella Zaccaron1; Adriana Betânia de Paula Molgora2 1Estudante do Curso de

Leia mais

CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA. Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás

CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA. Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás Dr. Haroldo Rodrigues de Azevedo Faculdade de Engenharia Elétrica Universidade

Leia mais

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br

Leia mais

( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)

( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão) Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação

Leia mais

IN Redes Neurais

IN Redes Neurais IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa

Leia mais

Modelagem da Dinâmica de um Grupo de Indivíduos HIV Positivos com Parâmetro Fuzzy do Tipo 2

Modelagem da Dinâmica de um Grupo de Indivíduos HIV Positivos com Parâmetro Fuzzy do Tipo 2 Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 3, N., 25. Trabalho apresentado no XXXV CNMAC, Natal-RN, 24. Modelagem da Dinâmica de um Grupo de Indivíduos HIV

Leia mais

Descritores de Imagens

Descritores de Imagens Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores

Leia mais

PARALELIZAÇÃO DE ALGORITMO DE INSPEÇÃO DE ROTAS UTILIZANDO PERMUTAÇÃO LEXICOGRÁFICA 1

PARALELIZAÇÃO DE ALGORITMO DE INSPEÇÃO DE ROTAS UTILIZANDO PERMUTAÇÃO LEXICOGRÁFICA 1 PARALELIZAÇÃO DE ALGORITMO DE INSPEÇÃO DE ROTAS UTILIZANDO PERMUTAÇÃO LEXICOGRÁFICA 1 Jessica De Almeida Berlezi 2, Janiel Ceretta Foletto 3, Edson Luiz Padoin 4, Rogério S. M. Martins 5. 1 Trabalho realizado

Leia mais

K-MEANS COM ÁRVORES KD

K-MEANS COM ÁRVORES KD 2 Roteiro K-MEANS COM ÁRVORES KD Rodrigo Coelho Barros Árvores KD O que são? Algoritmo de Bentley (1975) Métodos de divisão K-Means com árvores KD Algoritmo de filtragem (Kanungo et al., 2002) Exemplo

Leia mais

Figura 5.1: Resultados do método desenvolvido por Kolmogorov (09).

Figura 5.1: Resultados do método desenvolvido por Kolmogorov (09). 5 Resultados Neste capítulo vamos apresentar os resultados obtidos com o método proposto neste trabalho. Para os testes foram utilizados diferentes pares de imagens presentes no conjunto de dados disponível

Leia mais

Método q-g: uma generalização do método da máxima descida

Método q-g: uma generalização do método da máxima descida Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática

Leia mais

PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY

PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos

Leia mais

Aplicação do Sistema de Girard no Cálculo de Raízes de Polinômios

Aplicação do Sistema de Girard no Cálculo de Raízes de Polinômios Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014 Aplicação do Sistema de Girard no Cálculo de Raízes de Polinômios Oliver Kolossoski Programa de Pós-Graduação em Matemática Aplicada, PPGMA - Centro

Leia mais

Classificação Automática de Gêneros Musicais

Classificação Automática de Gêneros Musicais Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação

Leia mais

Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos

Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária

Leia mais

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Mining Árvores de Decisão Categorização de Dados Parte II Rogério

Leia mais

Precondicionadores baseados na aproximação da inversa da matriz de coeficientes

Precondicionadores baseados na aproximação da inversa da matriz de coeficientes Precondicionadores baseados na aproximação da inversa da matriz de coeficientes João Paulo K. Zanardi, Italo C. N. Lima, Programa de Pós Graduação em Eneganharia Mecânica, FEN, UERJ 20940-903, Rio de Janeiro,

Leia mais