Redução de complexidade e análise de interpretabilidade de sistemas neuro-difusos

Abstract

Os sistemas neuro-difusos beneficiam da aplicação de métodos de aprendizagem oriundos do campo das redes neuronais, contudo, possuem também as desvantagens inerentes à aprendizagem automática dos parâmetros. Em regra geral, é dada pouca atenção à complexidade da base de regras resultante, sendo a interpretabilidade linguística geralmente perdida, o que contradiz a essência dos sistemas difusos. Estes transformam-se em simples modelos de caixa negra. Nesta dissertação, são apresentadas diversas metodologias originais para a redução de complexidade de sistemas neuro-difusos. Salienta-se que os diferentes paradigmas de aprendizagem automática, nomeadamente, redes neuronais, sistemas difusos e máquinas de vectores de suporte, são, em certas condições, funcionalmente equivalentes. Na prática, existem diferentes terminologias para os mesmos conceitos. Apresenta-se uma forma de controlar a complexidade da solução usando a aprendizagem de vectores de suporte. Possui a vantagem de partir de conceitos teóricos bem estabelecidos, que garantem uma boa capacidade de aproximação e simultaneamente uma boa generalização do modelo obtido. Para se alcançar uma estrutura de reduzida complexidade estrutural e para reduzir a complexidade de informação necessária para a aprendizagem dos vectores de suporte, o método proposto divide-se em duas fases. Primeiro, aplica-se um método de agrupamento de classes supervisionado. Em segundo lugar, o método de aprendizagem de vectores de suporte determina a estrutura e parâmetros da rede neuro-difusa. Esta abordagem contribui para reduzir a complexidade da solução, número de neurónios, ou regras, necessário para realizar a tarefa em causa.