Modelagem adaptativa nebulosa possibilística

Autor: Maciel, Leandro dos Santos, 1986
Přispěvatelé: Gomide, Fernando Antonio Campos, 1951, Ballini, Rosangela, 1969, Leite, Daniel Furtado, Zuben, Fernando José Von, Huamani, Ivette Raymunda Luna, Lemos, Andre Paim, Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação, Programa de Pós-Graduação em Engenharia Elétrica, UNIVERSIDADE ESTADUAL DE CAMPINAS
Rok vydání: 2021
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
DOI: 10.47749/t/unicamp.2015.956415
Popis: Orientadores: Fernando Antonio Campos Gomide, Rosangela Ballini Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Nos últimos anos, tem crescido o interesse na modelagem computacional de informações em fluxos de dados para problemas do mundo real. Este trabalho desenvolve novas abordagens para a construção de modelos nebulosos adaptativos, abordagens estas capazes de realizar tarefas tais como identificação de sistemas, controle, classificação de padrões e previsão de séries temporais, em um ambiente dinâmico não estacionário, ajustando seus parâmetros e estrutura a partir de um fluxo de dados. É proposta a modelagem nebulosa possibilística adaptativa, caracterizada por tratar ruídos e outliers, uma vez que considera o conceito de graus de tipicalidade dos dados para a atualização de sua estrutura, baseada em regras nebulosas. Conjuntamente, inclui a ideia de graus de pertinência de sistemas nebulosos tradicionais, para adequada identificação do modelo no espaço dos dados. O aspecto adaptativo do modelo, i.e., criação, exclusão e atualização de regras, é construído com dois conceitos distintos: aprendizagem participativa e densidade de dados. A aprendizagem participativa é inspirada na forma de aprendizagem humana, em que o impacto de uma nova informação causa revisão dos conhecimentos já adquiridos. A densidade de dados considera as informações por similaridade, em termos de distância no espaço dos dados. Duas técnicas são propostas para a modelagem nebulosa possibilística adaptativa. A primeira delas é baseada na representação das regras do sistema por meio de centróides, formados a partir dos dados. Por outro lado, é sugerida uma técnica em que funções afins caracterizam os grupos nebulosos, o que permite maior simplicidade e transparência da estrutura do sistema. Além disso, os modelos que utilizam centróides para a representação dos grupos são estendidos para o caso em que a informação pode ser representada em termos granulares, por meio de intervalos numéricos. O tratamento da informação granular permite o processamento de dados complexos de maneira mais natural. Os modelos nebulosos possibilísticos adaptativos são avaliados em problemas clássicos de identificação e séries temporais, considerando também uma série temporal sintética. Outra proposta desse trabalho consiste em aplicar a modelagem desenvolvida em diversos ensaios em finanças, como: previsão da estrutura a termo das taxas de juros; previsão da volatilidade realizada com saltos; composição e rebalanceamento de carteiras de investimento; precificação de opções; e mensuração da medida Valor-em-Risco tradicional e de acordo com uma abordagem granular. Nesses problemas, as variáveis fundamentais apresentam dinâmicas não lineares variantes no tempo, e sofrem a influência de dados com ruídos e outliers, que podem ser causados por notícias, mudanças de políticas, reversão de expectativas nos mercados financeiros, o que evidencia a adequação da abordagem possibilística proposta neste trabalho. Os resultados obtidos sugerem a modelagem nebulosa possibilística adaptativa como alternativa promissora e robusta para a utilização em ambientes em fluxos de dados não estacionários. Particularmente, a abordagem é útil nos problemas em economia e finanças avaliados, provendo um adequado tratamento das incertezas e choques de mercados. Além disso, apresenta-se como uma alternativa computacionalmente eficiente quando comparada com modelos nebulosos evolutivos estado da arte na literatura Abstract: The interest in computational modeling of data streams has grown considerably in recent years. This work develops new approaches for adaptive fuzzy rule-based system modeling. The approaches comprise methods capable of performing system identification, control, pattern classification and time-series forecasting in non stationary dynamic environments by updating the model structure and its parameters using data streams. More precisely, this work suggests an adaptive possibilistic fuzzy modeling approach to deal with noisy data and outliers using the concept of data for fuzzy rule-based model structure updating. The membership degree from traditional fuzzy systems is also incorporated for model identification in the data space. The adaptive aspect of the model concerns with the creation, exclusion and updating of fuzzy rules. Adaptation uses two distinct concepts: participatory learning and data density. Participatory learning is inspired by human learning, in the sense that the impact of a new information may cause revision of the previously acquired knowledge. Data density considers similarity information based on a distance measure in the data space. Two adaptive possibilistic fuzzy modeling techniques are addressed. The first uses centroids for rule representation, derived from data clusters. The second uses affine functions as cluster "centers". The modeling approach that uses centroids for rule representation is extended to handle granular interval data. Granular data computation allows processing of complex data in a simplified manner. The adaptive possibilistic fuzzy modeling approaches are evaluated using benchmark identification and time series problems. Synthetic time series data modeling is also pursued. The approaches suggested are explored in finance, which includes: term structure of interest rates forecasting; realized volatility forecasting with jumps; composition and rebalancing of investment portfolios; option pricing; and modeling the traditional risk measure Value-at-Risk, including the granular approach. In finance, dynamics are complex, nonlinear, time-varying, and suffer the influence of noise and outliers, which can be caused by news, policy changes, and reversal of expectations in financial markets. These highlight the adequacy of the possibilistic approach considered in this work. Computational experiments suggest that the adaptive possibilistic fuzzy modelling is a robust alternative for system modeling in non-stationary environments using data streams, particularly in economic and finance problems. Moreover, the approach is computationally efficient compared against to state of the art evolving fuzzy models Doutorado Engenharia de Computação Doutor em Engenharia Elétrica CAPES
Databáze: OpenAIRE
Externí odkaz: