
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Leite, Daniel Furtado | - |
| Autor(es): dc.contributor | Esmin, Ahmed Ali Abdalla | - |
| Autor(es): dc.contributor | Camargo, Heloisa de Arruda | - |
| Autor(es): dc.contributor | Cintra, Marcos Evandro | - |
| Autor(es): dc.creator | Garcia, Cristiano Mesquita | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:11:56Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:11:56Z | - |
| Data de envio: dc.date.issued | 2018-08-23 | - |
| Data de envio: dc.date.issued | 2018-08-23 | - |
| Data de envio: dc.date.issued | 2018-08-22 | - |
| Data de envio: dc.date.issued | 2018-07-17 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/30140 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1135774 | - |
| Descrição: dc.description | Large amounts of data have been produced daily. Extracting information and knowledge from data is meaningful for many purposes and endeavors, such as prediction of future values of time series, classification, semi-supervised learning and control. Computational intelligence and machine learning methods, such as neural networks and fuzzy systems, usually require complete datasets to work properly. Real-world datasets may contain missing values due to, e.g., malfunctioning of sensors or data transfer problems. In online environments, the properties of the data may change over time so that offline model training based on multiple passes over data is prohibited due to its inherent time and memory constraints. This study proposes a method for incremental missing data imputation using a modified granular evolving fuzzy model, namely evolving Fuzzy Granular Predictor (eFGP). eFGP is equipped with an incremental learning algorithm that simultaneously impute missing data and adapt model parameters and structure. eFGP is able to handle single and multiple missing values on data samples by developing reduced-term consequent polynomials and relying on information of time-varying granules. The method is evaluated in prediction and function approximation problems considering the constraints of online data stream. Particularly, the underlying data streams may be subject to missing at random (MAR) and missing completely at random (MCAR) types of missing values. Predictions given by the model evolved after data imputation are compared to those provided by state-of-the-art fuzzy and neuro-fuzzy evolving modeling methods in the sense of accuracy. Results and statistical comparisons with other approaches corroborate to conclude that eFGP is competitive as a general evolving intelligent method and overcomes its counterparts in MAR and MCAR scenarios according to an ANOVA-Tukey statistical hypothesis test. | - |
| Descrição: dc.description | Não se aplica. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia de Sistemas e Automação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Engenharia | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Evolving intelligence | - |
| Palavras-chave: dc.subject | Fuzzy systems | - |
| Palavras-chave: dc.subject | Data stream | - |
| Palavras-chave: dc.subject | Incremental learning | - |
| Palavras-chave: dc.subject | Missing data imputation | - |
| Palavras-chave: dc.subject | Inteligência em evolução | - |
| Palavras-chave: dc.subject | Sistemas Fuzzy | - |
| Palavras-chave: dc.subject | Fluxo de dados | - |
| Palavras-chave: dc.subject | Aprendizagem incremental | - |
| Palavras-chave: dc.subject | Imputação de dados perdidos | - |
| Palavras-chave: dc.subject | Engenharia de Software | - |
| Título: dc.title | Incremental missing data imputation via modified granular evolving fuzzy model | - |
| Título: dc.title | Imputação incremental de dados faltantes via modelo granular fuzzy evolutivo modificado | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: