Autor: Sidnei da Fonseca Pereira Junior (Currículo Lattes)
Resumo
O objetivo deste trabalho é propor o uso de conjuntos fuzzy intervalares em funções de overlap para construção de índices de overlap intervalares e, a partir destes, obter medidas de confiança e suporte para utilização em Sistemas de Classificação baseados em Regras fuzzy, cuja tomada de decisão final é dada por funções de penalidade (ou funções penalty). Para o mapeamento de problemas que tratam do raciocínio aproximado a modelagem fuzzy é frequentemente realizada em um espaço finito, ou seja, é realizada uma discretização dos valores para que haja um número limitado de possíveis estados. Essa abordagem fornece uma solução computacional rápida e modelagem intuitiva para trabalhar com conjuntos fuzzy em várias aplicações. No entanto, ao considerar o uso de quantidades fuzzy, estamos interessados em executar operações através de conjuntos definidos pelos números reais. A propagação de erros pode tornar-se importante e afetar o resultado final. É difícil para o especialista determinar se o grau de certeza é 0.5 ou 0.503, por exemplo. Esse problema encontra sua solução dentro do conceito de conjuntos fuzzy intervalares. Primeiramente, foi introduzido um método para criar medidas de confiança e suporte baseado em índices de overlap intervalares, que geralmente são usados para avaliar o grau de certeza ou interesse de uma determinada regra de associação. Estes índices de overlap intervalares são construídos a partir de funções de overlap intervalar, que são um tipo especial de funções de agregação, não necessariamente associativas, que servem para aplicações relacionadas aos problemas de sobreposição de conjuntos. Esta dissertação apresenta um novo Mecanismo de Raciocínio fuzzy para ser usado em sistemas de classificação baseados em regras fuzzy considerando diferentes índices de overlap intervalares, que generaliza os métodos clássicos. Ao considerar vários índices de overlap intervalares, funções de penalidade foram utilizadas para a tomada de decisão relacionada à seleção da melhor classe. Por fim, é apresentado o método de consenso para classificação utilizando funções de penalidade e os resultados teóricos relacionados aos métodos desenvolvidos.