ETD system

Electronic theses and dissertations repository

 

Tesi etd-11082004-152852


Thesis type
Tesi di laurea vecchio ordinamento
Author
Guasqui, Pierluigi
email address
pierlu_g@virgilio.it
URN
etd-11082004-152852
Title
Identificazione di un sistema a regole fuzzy secondo il modello di Takagi-Sugeno mediante algoritmi genetici multi-obiettivo
Struttura
INGEGNERIA
Corso di studi
INGEGNERIA INFORMATICA
Commissione
relatore Cococcioni, Marco
relatore Prof. Marcelloni, Francesco
relatore Prof.ssa Lazzerini, Beatrice
Parole chiave
  • PAES
  • ANFIS
  • Takagi-Sugeno
  • algoritmi genetici
  • fuzzy
  • classificazione
  • regressione
  • identificazione
  • multi-obiettivo
  • ottimizzazione
Data inizio appello
15/12/2004;
Consultabilità
parziale
Data di rilascio
15/12/2044
Riassunto analitico
Nel presente lavoro presentiamo un tool, scritto in linguaggio di programmazione C++, per la risoluzione di problemi di regressione non lineare, di classificazione e di previsione di serie temporali, che fa uso dei concetti della logica fuzzy, degli algoritmi genetici multi-obiettivo e delle reti neurali, cercando di sfruttare al meglio le peculiarità di ciascun metodo.<br>L’uso della logica fuzzy permette di dare una descrizione linguistica delle regioni significative dello spazio di ingresso, mentre sfruttando un algoritmo di ricerca euristica come gli algoritmi genetici multi-obiettivo si riescono a trovare soluzioni ottime anche a problemi di ottimizzazione di funzioni non lineari, non necessariamente derivabili e in presenza di vincoli. Inoltre la multi-obiettività della ricerca genetica permette di trovare un ottimo compromesso tra complessità e accuratezza del modello. L’utilizzazione delle reti neurali consente, infine, di raffinare il modello, mediante ricerca dell’ottimo locale più vicino a quello generato in maniera grossolana con l’algoritmo genetico multi-obiettivo.<br>Nel Capitolo 1 descriveremo la struttura di una rete neurale ANFIS, introducendo i concetti fondamentali delle teorie che stanno alla base delle regole fuzzy e di un sistema di inferenza fuzzy. Nel Capitolo 2 ripercorreremo le tappe che hanno portato allo sviluppo degli algoritmi genetici multi-obiettivo, iniziando dalle metodologie di base sino ad un’approfondita trattazione degli attuali algoritmi disponibili. Il Capitolo 3, appoggiandosi sui concetti base esposti nei precedenti due capitoli, affronterà in maniera approfondita e dettagliata tutte le scelte implementative che hanno portato allo sviluppo del tool e le varie funzionalità che questo strumento mette a disposizione. Infine, il Capitolo 4 presenta una serie di test effettuati per la verifica della correttezza e dell’efficacia del tool sviluppato; il banco di prova dei test è costituito da una serie di benchmark tradizionali nel campo dei problemi di identificazione e di classificazione. I risultati dei test saranno brevemente discussi nel Capitolo 5, a conclusione di questo lavoro.<br>
File