Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/306345
Type: TESE
Title: Fundamentos e aplicações de memorias associativas morfologicas nebulosas
Title Alternative: Fundamentals and applications of fuzzy morphological associative memories
Author: Mesquita, Marcos Eduardo Ribeiro do Valle, 1979-
Advisor: Sussner, Peter, 1961-
Abstract: Resumo: Uma Memória Associativa (AM, Associative Memory) é um modelo projetado para armazenar pares de entrada e saída. Sobretudo, uma AM deve ser capaz de recordar uma sida desejada ao mesmo após a apresentação de uma versão incompleta ou destorcida de um padrão de entrada. Essa tese de doutorado discute as Memórias Associativas Morfológicas Nebulosas (FMAMs, Fuzzi Morphological Associative Memories), uma classe de memórias associativas elaboradas para armazenar padrões nebulosas cujos neurÔnios realizam operações elementares da morfologia matemática, i.e., dilatação, erosão, anti-dilatação e anti-erosão. É verificado que os principais modelos de Memória Associativa Nebulosa (FAM, Fuzzy Associative Memory) pertencem à classe das FMAMs. Essa tese introduz as Memórias Associativas Nebulosas Implicativas (IFAMs, Implicative Fuzzy Associative Memories) e suas versões duas com respeito à negação e adjunção. Uma IFAM é uma FMAM onde os pares de entrada e saída são armazenados usando o armazenamento nebuloso implicativo. No armazenamento nebuloso implicativo, os pesos sinápticos. Resultados sobre a fase de armazenamento faz IFAMs e das IFAMs duas são apresentados. Em particular, são demonstrados teoremas sobre a convergência, capacidade de armazenamento, tolerância à ruído e pontos fixos das IFAMs e das IFAMs duais para o caso autoassoplos e resultados teóricos. Finalmente, são apresentadas duas aplicações das FMAMs em problemas de previsão de séries temporais. O primeiro problema trata da previsão da mão-de-obra requerida em industrias metalúrgicas enquanto que a segunda aplicação refere-se a previsão da vazão média mensal da usina hidrelétrica de Furnas

Abstract: Associative memories (AMs) are models that allow for the storage of pattern associations and the retrieval of the desired output pattern upon presentation of a possibly noisy or incomplete version of an input pattern. This thesis discusses fuzzy morphological associative memories (FMAMs), a general class of AMs designed to store fuzzy patterns and described by fuzzy neural networks. Each neuron of a FMAM model performs an elementary operation of mathematical morphology such as dilation, erosion, anti-dilation, and anti-erosion. We show that the most widely known models of fuzzy associative memories (FAMs) belong to the FMAM class. This thesis introduces the implicative fuzzy associative memories (IFAMs) and their dual versions with respect to negation and adjunction. An IFAM is a FMAM model where the patterns are stored by means of implicative fuzzy learning. Specifically, in implicative fuzzy learning, the synaptic weights are given by the minimum of the implication of pre- and postsynaptic activations. We present results concerning the recall and storing phase of IFAM and the dual IFAM models. In particular, we present theorems concerning the convergence, the storage capacity, the noise tolerance, and the fixed points of the IFAM and dual IFAM models in the auto-associative case. We compare the IFAMs with several others FAM models by means of theoretical results and examples. Finally, we present two applications of FMAM models in problems of time-series prediction. The first problem concerns the engineering manpower requirement in steel manufacturing industry while the second refers to the stream flow prediction of a large hydroelectric plant, namely Furnas
Subject: Redes neurais (Computação) - Modelos matemáticos
Morfologia matemática
Conjuntos fuzzy
Memória associativa
Language: Português
Editor: [s.n.]
Date Issue: 2007
Appears in Collections:IMECC - Dissertação e Tese

Files in This Item:
File SizeFormat 
Mesquita_MarcosEduardoRibeirodoValle_D.pdf1.25 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.