
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 | Ferreira, Danton Diego | - |
| Autor(es): dc.contributor | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.contributor | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.contributor | Vitor, Giovani Bernardes | - |
| Autor(es): dc.creator | Braga, André de Aguiar | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:17:12Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:17:12Z | - |
| Data de envio: dc.date.issued | 2019-07-24 | - |
| Data de envio: dc.date.issued | 2019-07-24 | - |
| Data de envio: dc.date.issued | 2019-07-24 | - |
| Data de envio: dc.date.issued | 2019-07-03 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/35637 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1137614 | - |
| Descrição: dc.description | Being a nonlinear generalization of principal component analysis, the principal curves technique is a robust tool for data analysis and classification. In pattern recognition one of the most popular algorithms to build Principal Curves is the k-segments algorithm. This algorithm presents good results and excellent applicability due to its guaranteed convergence and robustness. However, its use and performance depend on user-defined parameters. This work presents an automatic selection technique of the quantity and length of segments of the k-segment algorithm with the use of different mono-objective and multiobjective meta-heuristics, especially TLBO (Teaching-Learning-Based Optimization). Different applications of the proposed method are studied, as representation, supervised classification and unsupervised classification of data, for which are used as cost functions equations that take into account the length of the curve and the distance of the events to the segments where they are projected, in addition to minimizing the classification error of the validation bases for the supervised classification of data. Experimental tests made with two-dimensional synthetic and real, mostly multidimensional, databases, taken from known repositories, are presented to demonstrate the efficiency of the proposed method. For representation the quality of results is observed visually, while for supervised and unsupervised classification of data, comparisons are made with the k-NN and k-means methods, respectively. For the supervised classification it is observed that both methods have similar results, highlighting the superiority observed in the proposed method for the database with the largest dimension. For data clustering, it is observed that the proposed method achieves superior results than the comparative method for most databases, depending on the cost-function used, being also observed the importance of multiobjective optimization for this purpose. | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) | - |
| Descrição: dc.description | Sendo uma generalização não linear de análise de componentes principais, a técnica de curvas principais é uma ferramenta robusta para análise e classificação de dados. Em reconhecimento de padrões, um dos algoritmos mais populares para construção de Curvas Principais é o algoritmo k-segmentos. Esse algoritmo apresenta bons resultados e ótima aplicabilidade por sua convergência garantida e robustez. Contudo, sua utilização e desempenho dependem de parâmetros definidos pelo usuário. Este trabalho apresenta uma técnica de seleção automática da quantidade e comprimento dos segmentos do algoritmo k-segmentos com a utilização de diferentes meta-heurísticas mono-objetivo e multiobjetivo, sobretudo TLBO (Teaching-Learning-Based Optimization). Diferentes aplicações do método proposto são estudadas, como representação, classificação supervisionada e classificação não supervisionada de dados, para as quais são utilizadas como funções-custo equações que levam em consideração o comprimento da curva e a distância dos eventos aos segmentos onde eles se projetam, além da minimização do erro de classificação das bases de validação para a classificação supervisionada de dados. Testes experimentais feitos com bases de dados sintéticos bidimensionais e reais, em sua maioria multidimensionais, retirados de repositórios conhecidos, são apresentados para demonstrar a eficiência do método proposto. Para representação, a qualidade dos resultados é observada visualmente, enquanto para classificação supervisionada e não supervisionada de dados, são feitas comparações com os métodos k-NN e k-means, respectivamente. Para a classificação supervisionada observa-se que ambos os métodos comparados apresentam resultados similares, destacando a superioridade observada no método proposto para a base de dados de maior dimensão. Para clusterização de dados, observa-se que o método proposto alcança resultados superiores ao método comparado para a grande maioria das bases de dados, dependendo da função-custo utilizada, sendo observada ainda a importância da otimização multiobjetivo para tal fim. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| 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 | restrictAccess | - |
| Palavras-chave: dc.subject | Curvas principais | - |
| Palavras-chave: dc.subject | K-segmentos | - |
| Palavras-chave: dc.subject | Meta-heurísticas | - |
| Palavras-chave: dc.subject | Otimização baseada em ensino-aprendizagem | - |
| Palavras-chave: dc.subject | Principal curves | - |
| Palavras-chave: dc.subject | K-segments | - |
| Palavras-chave: dc.subject | Metaheuristics | - |
| Palavras-chave: dc.subject | Teaching-learning-based optimization (TLBO) | - |
| Palavras-chave: dc.subject | Análise de Algoritmos e Complexidade de Computação | - |
| Título: dc.title | Utilização de meta-heurísticas para a seleção automática de parâmetros do algoritmo k-segmentos | - |
| Título: dc.title | Use of meta-heuristics for automatic selection of k-segment algorithm parameters | - |
| 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: