This paper presents a new evolving intelligent model capable of combining the techniques and concepts of artificial neural networks, fuzzy systems and artificial hydrocarbon networks, in which the latter aggregates concepts of organic chemistry to carry out the training of intelligent models. The proposed model has three layers where the first two form a fuzzy inference system and the third layer is responsible for the defuzzification process through concepts based on the bond between carbons and hydrogens. The fuzzification process of the model is based on the techniques of an autonomous data partitioning algorithm that can elicit the number and centers of the clouds that make up the fuzzy neurons in the first layer of the model. Thereby, an evolving algorithm is employed, which uses the data set as a stream in a single-pass incremental mode (allowing fast processing). This is achieved in an unsupervised manner, and thus, to eliminate possible overfitting problems in the subsequent supervised training process, a Bayesian pruning technique is used to identify the neurons that are finally most relevant to the actual supervised approximation and/or classification problem. To validate the proposed approach, binary pattern classification tests, multi-class classification problems and regression problems were performed. The results obtained and compared with other intelligent models in the literature prove that the approach becomes a model capable of extracting knowledge from data sets and using concepts of organic chemistry to perform learning tasks with high degree of reliability.

本文提出了一种能够将人工神经网络，模糊系统和人工碳氢化合物网络的技术和概念相结合的新的智能模型，其中后者集合了有机化学的概念以进行智能模型的训练。所提出的模型分为三层，其中前两层构成模糊推理系统，第三层通过基于碳氢键的概念负责去模糊过程。模型的模糊化过程基于自主数据分区算法的技术，该算法可以在模型的第一层中得出组成模糊神经元的云的数量和中心。因此，采用了进化算法，它以单次增量模式（允许快速处理）将数据集用作流。这是以无监督的方式实现的，因此，为消除在随后的有监督的训练过程中可能出现的过拟合问题，贝叶斯修剪技术用于识别最终与实际有监督的近似和/或分类问题最相关的神经元。为了验证所提出的方法，进行了二进制模式分类测试，多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。这是以无监督的方式实现的，因此，为消除在随后的有监督的训练过程中可能出现的过拟合问题，贝叶斯修剪技术用于识别最终与实际有监督的近似和/或分类问题最相关的神经元。为了验证所提出的方法，进行了二进制模式分类测试，多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。这是以无监督的方式实现的，因此，为消除在随后的有监督的训练过程中可能出现的过拟合问题，贝叶斯修剪技术用于识别最终与实际有监督的近似和/或分类问题最相关的神经元。为了验证所提出的方法，进行了二进制模式分类测试，多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。贝叶斯修剪技术用于识别最终与实际监督近似和/或分类问题最相关的神经元。为了验证所提出的方法，进行了二进制模式分类测试，多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。贝叶斯修剪技术用于识别最终与实际监督近似和/或分类问题最相关的神经元。为了验证所提出的方法，进行了二进制模式分类测试，多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。进行了多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。进行了多类分类问题和回归问题。获得的结果并与文献中的其他智能模型进行比较，证明该方法成为一种能够从数据集中提取知识并使用有机化学概念执行具有高度可靠性的学习任务的模型。