Sistema ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

 

Tesi etd-11082004-152852


Tipo di tesi
Tesi di laurea vecchio ordinamento
Autore
Guasqui, Pierluigi
Indirizzo email
pierlu_g@virgilio.it
URN
etd-11082004-152852
Titolo
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.
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.
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.
File