Texto completo
| |
| Autor(es): |
Rodrigo Bellizia Polastro
Número total de Autores: 1
|
| Tipo de documento: | Tese de Doutorado |
| Imprenta: | São Paulo. |
| Instituição: | Universidade de São Paulo (USP). Escola Politécnica (EP/BC) |
| Data de defesa: | 2012-05-03 |
| Membros da banca: |
Fabio Gagliardi Cozman;
Jaime Shinsuke Ide;
Newton Maruyama;
Kate Cerqueira Revoredo;
José Reinaldo Silva
|
| Orientador: | Fabio Gagliardi Cozman |
| Resumo | |
Este trabalho apresenta três principais contribuições: i. a proposta de uma nova lógica de descrição probabilística; ii. um novo algoritmo de inferência em primeira ordem a ser utilizado em terminologias representadas nessa lógica; e iii. aplicações práticas em problemas reais. A lógica aqui proposta, crALC (credal ALC), adiciona inclusões probabilísticas na popular lógica ALC combinando as terminologias com condições de aciclicidade, de Markov, e adotando uma semântica baseada em interpretações. Como os métodos de inferência exata tradicionalmente apresentam problemas de escalabilidade devido à presença de quantificadores (restrições universal e existencial), apresentamos um algoritmo de loopy propagation em primeira-ordem que se comporta bem para terminologias com domínios não triviais. Uma série de testes foi feita com o algoritmo proposto em comparação com algoritmos tradicionais da literatura; os resultados apresentados mostram uma clara vantagem em relação aos outros algoritmos. São apresentadas ainda duas aplicações da lógica e do algoritmo para resolver problemas reais da área de robótica móvel. Embora os problemas tratados sejam relativamente simples, eles constituem a base de muitos outros problemas da área, sendo um passo importante na representação de conhecimento de agentes/robôs autônomos e no raciocínio sobre esse conhecimento. (AU) | |
| Processo FAPESP: | 08/53292-0 - Algoritmos para inferência e aprendizado de redes bayesianas relacionadas |
| Beneficiário: | Rodrigo Bellizia Polastro |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado Direto |