Your SlideShare is downloading. ×
Isi.slides
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Isi.slides

131
views

Published on

Published in: Engineering

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
131
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. 1 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Introdução aos Sistemas Inteligentes Prof. Adolfo Bauchspiess Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Sumário 1 - Introdução – Sistemas Inteligentes Conexionistas 2 - Redes Neurais Artificiais 3 - Lógica Fuzzy e Sistemas Fuzzy 4 - Exemplos de Aplicações 5 - Conclusões 2
  • 2. 2 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Parte 1 Introdução – Sistemas Inteligentes Conexionistas 3 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Publicações em Sistema Inteligentes Congressos Nacionais Congresso Brasileiro de Automática Simpósio Brasileiro de Automação Inteligente (SBAI 2009 – Brasília, 20 a 25 setembro) Congresso Brasileiro de Redes Neurais Simpósio Brasileiro de Redes Neurais ..... Revistas Internacionais Neural Networks, IEEE Transactions on Fuzzy Systems, IEEE Transactions on Intelligent Systems Engineering Intelligent Systems, IEEE Intelligent Transportation Systems, IEEE Transactions on ..... 4
  • 3. 3 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Epistemologia – “Filosofia do Conhecimento” Axiomas Axiomas negados Sentenças Sentenças negadas verdades não alcançáveis inverdades não alcançáveis 5 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Heurísticas D Domínio Heurística Espaço SoluçãoS Uma regra heurística leva do espaço domínio ao espaço solução. Solução Ótima D S H1 H2 H3 Espaço Solução D S H2 H3 Solução Ótima Espaço Solução H4 H5H1 Heurísticas fornecem soluções sub-ótimas. Heurísticas “bem-formadas” estão próximas da solução ótima. 6
  • 4. 4 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Dislexia? De aorcdo com uma pqsieusa de uma uinrvesriddae ignlsea, nao ipomtra a odrem plea qaul as lrteas de uma plravaa etaso, a úncia csioa iprotmatne é que a piremria e útmlia lrteas etejasm no lgaur crteo. O rseto pdoe ser uma ttaol csãofnuo que vcoe pdoe anida ler sem gnderas pobrlmeas. Itso é poqrue nós nao lmeos cdaa lrtea isladoa, mas a plravaa cmoo um tdoo. Vcoe ahca que itso tem aulgm fmdennatuo? 7 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Gigante x Ilusão 3D? 8
  • 5. 5 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ondas? 9 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Simpática? 10
  • 6. 6 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Antipática? 11 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Introdução - Sistemas Inteligentes Conexionistas Inteligência Artificial Ramo da ciência que estuda o conjunto de paradigmas que pretendem justificar como um comportamento inteligente pode emergir de implementações artificiais, em computadores. Inteligência: aprendizado, adaptação, compreensão 12
  • 7. 7 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Paradigmas de IA Inteligência: aprendizado, adaptação, compreensão Paradigmas de IA Simbolista Conexionista (Numérico) (Lisp, Prolog) - Sistemas Especialistas Simbólico - Fuzzy Sub-Simbólico - RNA 13 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Paradigma Conexionista Reconhecer rostos, Compreender e traduzir línguas, Evocação de memória pela associação, Jogos... Considera ser virtualmente impossível transformar em algoritmos - i.é, reduzir a uma seqüência de passos lógicos e aritméticos – diversas tarefas que a mente humana executa com facilidade e rapidez, como por exemplo: 14
  • 8. 8 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Paradigma Conexionista O processo computacional deve reproduzir a capacidade do cérebro de se auto-organizar ⇒ aprender! Cérebro Humano Sistemas Inteligentes Numéricos Emular a Fisiologia => Redes Neurais Artificiais Emular a Psicologia => Lógica Fuzzy (Nebulosa) 15 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Paradigma Simbolista versus Conexionista -Percepção Quadro de Kanizsa, 1976 16
  • 9. 9 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia M.C. Escher “Coerência Local - Paradoxo Global” 17 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia M.C.Escher “Verdade Positiva X Verdade Negativa” 18
  • 10. 10 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia “Em Cima X Em Baixo” 19 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Paradigma Simbolista versus Conexionista - J.S. Bach “Coerência Local - Paradoxo Global” Pseudo-rising scale played on a vibraphone Shepard's scale 20
  • 11. 11 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Formação das Sinapses 0-2 Anos 2 Anos até a Puberdade Adulto 21 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Processamento da informação olfativa 22
  • 12. 12 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Processamento da informação auditiva 23 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Paciente de Epilepsia – sem hemisfério esquerdo a 12 anos 24
  • 13. 13 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Neurônio sobre Chip. 25 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Parte 2 – Redes Neurais Artificiais 26
  • 14. 14 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Fundamentos Biológicos Apenas uma pequena parte das informações obtidas é relevante para o funcionamento do corpo. Informações Sensoriais Informações Armazenadas (hereditárias/aprendidas) Sistema Nervoso Ações (Respostas do Corpo) O sistema nervoso obtém informações do meio ambiente através de sensores que são combinadas com informações armazenadas para produzir as ações do corpo. 27 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Fundamentos Biológicos O sistema nervoso pode ser considerado em três níveis. Cada um constituído por neurônios de diferentes anatomias. Estima-se que o cérebro humano tenha por volta de 1011 neurônios, cujo comprimento total somado chega a 1014 metros. 28
  • 15. 15 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Fundamentos Biológicos Níveis de processamento da informação pelo cérebro • estrutural • fisiológico • cognitivo Dendritos Corpo Celular (Soma) Impulsos de Entrada Impulso de Saída Axônio Arborização axonial (terminais) O Fluxo da informação (corrente elétrica) é sempre dos dendritos para o axônio. O Fluxo da informação (corrente elétrica) é sempre dos dendritos para o axônio. 29 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Fundamentos Biológicos Tipos de Neurônios: 30
  • 16. 16 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Fundamentos Biológicos • Padrão de conexão: em camadas 31 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Fundamentos Biológicos Neurotransmissores no gap sináptico 32
  • 17. 17 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia O Potencial de Ação Tn – duração do impulso nervoso Ta – período de refração absoluta Tr – período de refração relativa 33 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Integração Espaço/Temporal dos Estímulos A T1 T2 T3 T4 T5 T6 T7 t B C D E F Limiar Potencial da Membrana Potencial de Ação 34
  • 18. 18 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Integração Espaço/Temporal Freqüência máxima de pulsos no axônio: na TT f + = 1 max         = ∫∑ T i iiT dttxtgf 0 )()(α fT – freqüência média de impulsos nervosos no intervalo de tempo T, αi(t) – ganhos sinápticos, xi(t) – entradas dos neurônios. 35 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Modelo básico do neurônio artificial Sinapse excitatória wij > 0, Sinapse inibitória wij < 0. Ui p1 wi1 p2 wi2 p3 wi3 pj wij pn p0 bi polarização neurônio i Sinapses win ai ., 2 1 2 1 1             =             = +=+= ∑= in i i n i t i n j ijiji w w w p p p bbpwu MM wp pw 1 ai ui 0≥ i i du da Função de ativação sigmóide 36
  • 19. 19 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Neurônios com conexão lateral Circuito neural inibidor dos antagonismos 37 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Comparação Cérebro x Computador Cérebro Computador # elementos processadores ∼ 1011 neurônios ∼ 109 transistores Forma de processamento Massivamente paralelo Em geral serial Memória Associativa Endereçada Tempo de chaveamento ∼ 1 ms ∼ 1 ns Chaveamentos /s ∼ 103 /s ∼ 109 /s Chaveamentos totais (teórico) ∼ 1014 /s ∼ 1018 /s Chaveamentos totais (real) ∼ 1012 /s ∼ 1010 /s Regra dos 100 passos Pessoas reconhecem um rosto conhecido em ∼ 0.1 s. Considerando 1ms por neurônio: 100 passos seqüênciais até reconhecer o padrão. ⇒arquiteturas de processamento paralelo !⇒arquiteturas de processamento paralelo ! Intel Core 2 Duo Transistores: 582 milhões 38
  • 20. 20 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Perspectiva Histórica de RNAs 1943 McCulloch Neurônio Booleano 1949 Hebb Regra de aprendizado 1957 Rosenblatt Perceptron 1960 Widrow-Hoff ADALINE/MADALINE LMS Rosenblatt Perceptron Multicamadas, sem treinamento 1969 Minsky-Papert Perceptrons 1974 Werbos Algoritmo Error Backpropagation – sem repercussão 1982 Hopfield Rede realimentada 1986 Rumelhart, Hinton & Williams PDP – MIT Backpropagation p/ Perceptron Multicamadas Função de ativação contínua sigmóide 1987 Kosko BAM Entusiasmo Inicial Entusiasmo Inicial Desencantamento Ressurgimento 39 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia O Neurônio de McCulloch (1943) F = função degrau Divisão do espaço euclidiano ℜn em duas regiões A e B degrau]1;0[)( 1 ∈→−=      −= ∑= abFbpwFa t n i ii pw w1 p1 b p2 pn w2 wn + A B p1 p2 bpwpw =+ 2211 Para n=2 40
  • 21. 21 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia O neurônio de McCulloch – como classificador de padrões o o o o o o o o o o o oo o x xx xx x x x x x x x x xx x Coleções linearmente separáveis e linearmente dependentes (não-separáveis). Algumas funções booleanas de duas variáveis representadas no plano binário. 41 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Classificadores Lineares e Não-Lineares Existem possíveis funções lógicas conectando n entradas para uma saída binária. n no de padrões binários no de funções lógicas linearmente separáveis % linearmente separável 1 2 4 4 100 2 4 16 14 87,5 3 8 256 104 40,6 4 16 65536 1.772 2,9 5 32 4,3 x 109 94.572 2,2 x 10-3 6 64 1,8 x 1019 5.028.134 3,1 x 10-13 n m 2 22 = As funções lógicas de uma variável: A, A , 0, 1 As funções lógicas de duas variáveis: A, B, B,A , 0, 1 ,,,, BABABABA ∧∨∧∨ ,,,, BABABABA ∧∨∧∨ BABA ⊕⊕ , 42
  • 22. 22 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Perceptron binário de duas etapas O neurônio 6 implementa um E-lógico fazendo-se ∑= = 5 3 66 i iwb . Por exemplo: 111; 3 1 54366564636 ====⇒==== aaasesomenteeseabwww 43 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Perceptron binário de três etapas 1 p w w A A B w a a =A B 9 10 10 Regiões não conexas, concavas! 44
  • 23. 23 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Neurônios e Redes Neurais Artificiais Micro-Estrutura características de cada neurônio na rede Meso-Estrutura organização da rede Macro-Estrutura associação de redes eventualmente com processamento analítico para abordar problemas complexos. 45 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Funções de ativação típicas Linear ssf =)( Hopfield BSB purelin s f s( ) Sinal    <− ≥+ = 01 01 )( sse sse sf Perceptron hardlims s -1 1 f s( ) Degrau    < ≥+ = 00 01 )( sse sse sf Perceptron BAM hardlim s 1 f s( ) Hopfield/ BAM      = <− >+ = 0 01 01 )( sseinalterado sse sse sf Hopfield BAM s -1 1 f s( ) 46
  • 24. 24 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Funções de ativação típicas BSB ou Limiar Lógico      +≥+ +<<− −≤− = KsseK KsKses KsseK sf )( BSB satlin satlins s -K K f s( ) Logística s e sf − + = 1 1 )( Perceptron Hopfield BAM, BSB logsig s 1 f s( ) Tangente Hiperbólica s s e e ssf 2 2 1 1 )tanh()( − − + − == Perceptron Hopfield BAM, BSB tansig s 1 -1 f s( ) 47 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Meso-Estrutura – organização da rede # neurônios por camada # camadas da rede # tipo de conexão (forward, backward, lateral). 1-Feedforward Multicamadas Perceptron Multicamadas (MLP) 48
  • 25. 25 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Meso-Estrutura – organização da rede 2- Camada simples conectada lateralmente BSB (auto-realimentação), Hopfield 3 – Bicamadas Feedforward/Feedbackward 49 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Meso-Estrutura – organização da rede 4 – Rede Multicamadas Cooperativa/Comparativa 5 – Rede Híbrida Sub- Rede 1 Sub- Rede 2 50
  • 26. 26 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Macro-Estrutura Neural Rede 1 Rede 2a Rede 2b Rede 2c Rede 3 # de redes tipo de conexão tamanho das redes grau de conectividade 51 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia ∑ +← 2 k ijj ijij x x ww µδ Aprendizado Supervisionado ydxww −≡+← δµδ Regra delta → perceptron Regra delta de Widrow-Hoff (LMS) → ADALINE, MADALINE Regra delta generalizada Regra delta de Widrow-Hoff (LMS) x d - y __ δµ - taxa de aprendizagem 52
  • 27. 27 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia O Perceptron Multicamadas - Regra delta generalizada Rumelhart, Hinton e Williams, 1986 )0( 11 xp = )1( 1x 1 )2( 1 yx = 2 )2( 2 yx = )1( 2x )1( 3x )0( 22 xp = )0( 33 xp = O erro derivativo quadrático é definido por )( 2 )( 2 1 k j k j s∂ ∂ −= ε δ )1()()( 2 − −=∇ k j k j k j xδ 53 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia O algoritmo “error backpropagation” 1. randomw k ij ←)( , inicializar a rede 2. p/ (x,d), par de treinamento, obter y. Propagação feedforward. ∑= −= m j jj yd 1 22 )(ε 3. k camadaúltima← 4. para todo elemento j da camada k faça: Calcule )(k jε empregando jj k jj k j ydxd −=−= )()( ε se k for a última camada, ∑ + = ++ = 1 1 )1()1()( kN i k ji k i k j wδε se for uma camada oculta; Calcule )(. )()()( k j k j k j sf ′= εδ 5. 1−← kk se k>0 vá para o passo 4, senão prossiga. 6. )(2)()1( )()()()( nnn k j k j k j k j XWW µδ+=+ 7. para o próximo par de treinamento vá para o passo 2. 54
  • 28. 28 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Aplicações de RNAs Classificação de Padrões Aproximação de Funções (não lineares) RNA RNA 0 20 40 60 80 100 -0.4 -0.2 0 0.2 0.4 0.6 -20 0 20 40 60 80 100 120 -0.4 -0.2 0 0.2 0.4 0.6 55 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ferramentas Computacionais • SNNS • MatLab - Neural Network Toolbox • NeuralWorks • Java • C++ • Implementação de RNAs em Hardware 56
  • 29. 29 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia SNNS - Stuttgarter Neural Network Simulator 57 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia MatLab - ambiente completo uhat 1 tansig purelinnetsum 1 + netsum + Zero -Order Hold Unit Delay 5 z 1 Unit Delay 1 z 1 Switch3 Switch 2 Switch 1 Switch Saturation 1 Matrix Gain 4 K*u Matrix Gain 3 K*u Matrix Gain 2 K*u Matrix Gain 1 K*u Fcn3 f(u) Fcn2 f(u) Fcn1 f(u) Fcn f(u) Discrete State -Space 3 y(n)=Cx(n)+Du(n) x(n+1)=Ax(n)+Bu(n) Discrete State -Space 2 y(n)=Cx(n)+Du(n) x(n+1)=Ax(n)+Bu(n) Discrete State -Space 1 y(n)=Cx(n)+Du(n) x(n+1)=Ax(n)+Bu(n) Constant 7 B2_c Constant 6 B1_cConstant 5 -C- Constant 4 -C- Constant 3 -C- Constant 2 -C- y 3 u 2 r 1 qi model liq 4 order qi h4 Scope Model Reference Controller Plant Output Reference Control Signal Neural Network Controller h4 h4 tansig radbas purelin logsig 58
  • 30. 30 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Parte 3 – Lógica Fuzzy e Sistemas Fuzzy 59 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Lógica Fuzzy Emular Fisiologia Redes Neurais Artificiais Cérebro humano Emular Psicologia Lógica Fuzzy • A teoria dos conjuntos fuzzy foi proposta por Lotfi Zadeh em 1965. • Por muito tempo permaneceu incompreendida. • Em meados dos anos 80 Mamdani a utilizou para projetar controladores fuzzy. 60
  • 31. 31 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Lógica Fuzzy De acordo com a disponibilidade de um especialista ou de amostras de um sistema o paradigma Fuzzy ou o RNA é mais indicado. Descrição Parcial (Incompleta) do Sistema Especialista Fuzzy Redes Neurais Artificiais Adaptação, Amostras Informação Disponível Problema Paradigma 61 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ex: Regras “Se-Então” Se a Temperatura é baixa Então reduza o ar condicionado Se a Temperatura é OK Então não faça nada Se a Temperatura é alta Então aumente o ar condicionado 62
  • 32. 32 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Conjuntos Fuzzy – Função de Pertinência      = → Ademembroénãoxse Aateparcialmenpertencexse Adeplenomembroéxse x Xx 0 )1,0( 1 )( ]1,0[:)( A A µ µ Extensão da lógica booleana – Perspectiva histórica: ~ 1930, Lukasiewicz : {0,1/2,1}, [0,1] 1937, Black : Função de Pertinência 1965, Lotfi Zadeh : “Fuzzy Sets” Teoria dos Conjuntos Multivalentes ~ 1988, Produtos Comerciais: “terceira onda” de interesse 63 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Conjuntos Fuzzy – Complemento, Interseção e União ))(B),(Amax()(BA ))(B),(Amin()(BA )(A1)(A xxx xxx xxc µµµ µµµ µµ =∪ =∩ −= 64
  • 33. 33 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Conjuntos Fuzzy – Propriedades Involução (AC)C = A Comutatividade A U B = B U A A ∩ B = B ∩ A Associatividade A U (B U C) = (A U B) U C A ∩ (B ∩ C) = (A ∩ B) ∩ C Distributividade A ∩ (B U C) = (A ∩ B) U (A ∩ C) AU (B ∩ C) = (A U B) ∩ (A U C) Idempotência A U A = A A ∩ A = A Absorção A U (A ∩ B) = A A ∩ (A U B) = A Identidade A U Φ = A A ∩ = A Absorção por e Φ A U = A ∩ Φ = Φ Lei de De Morgan (A ∩ B)C = AC U BC (A U B)C = AC ∩ BC Porém: A ∩ AC ≠ Φ Não satisfaz lei da não-contradição A U AC ≠ Não satisfaz lei do terceiro excluído A U (AC ∩ B) ≠ A U B Não satisfaz absorção do complemento A ∩ (AC U B) ≠ A ∩ B Não satisfaz absorção do complemento 65 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Conjuntos Fuzzy – Ex. Propriedades A ∩ AC ≠ Φ Não satisfaz a lei da não-contradição A U AC ≠ Não satisfaz a lei do terceiro excluído 66
  • 34. 34 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Cálculo Sentencial – Lógica Clássica Na lógica clássica, os valores verdade das proposições (cálculo sentencial) são obtidos pelas seguinte tabela verdade (“modus ponens” – modo afirmativo). A B ¬ A A ∧ B A ∨ B A → B (¬ A ∨ B) 0 0 1 0 0 1 0 1 1 0 1 1 1 0 0 0 1 0 1 1 0 1 1 1 67 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Cálculo Sentencial – Lógica Fuzzy Quando as informações são imprecisas, a máquina de inferência implementa o assim chamado raciocínio aproximado. A lógica Fuzzy implementa o raciocínio aproximado no contexto dos conjuntos fuzzy (“modus ponens generalizado”). fato: A` Os tomates estão muito vermelhos regra: A→B Se os tomates estão vermelhos então estão maduros ______________________________________________________ conseqüência B` Os tomates estão muito maduros ¬ A = n(A) n – negação A ∧ B = T(A,B) T – t -norma A ∨ B = S(A,B) S – t-conorma A → B = I(A,B) I – implicação 68
  • 35. 35 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Operadores de Implicação I : [0,1]2 → [0,1] , µA : X → [0,1], µB : Y → [0,1] µA→B (x,y) = I(µA(x), µB(y)) “Se <premissa> então <conclusão>” Implicação Nome max (1-a,b) min(1-a+b,1) min(a.b) a.b … Kleene-Dimes Lukasiewicz Mamdani Larsen 69 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Raciocínio Fuzzy baseado em composição Max-Min Definição: Sejam A, A’ e B conjuntos fuzzy em X, X e Y respectivamente. Assuma que a inplicação fuzzy A → B é expressa pela relação fuzzy R sobre X x Y, então o conjunto fuzzy B’ é induzido “ x é A’ “ e a regra fuzzy “se x é A então y é B” é definida por: µB’(y) = maxx min [µA’(x), µR(x,y)] = Vx [µA’(x) ∧ µR(x,y)], ou seja: )B(AARAB →′=′=′ oo Uma regra fuzzy com um antecedente w→ grau de pertinência regra 70
  • 36. 36 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Raciocínio Fuzzy baseado em composição Max-Min w1, w2 → graus de pertinência das respectivas regras Uma regra fuzzy com dois antecedentes “se x é A e y é B então z é C” 71 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Raciocínio Fuzzy Max-Min Duas regras fuzzy com dois antecedentes “se x é A1 e y é B1 então z é C1” “se x é A2 e y é B2 então z é C2” Resultado: C’ 72
  • 37. 37 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Esquemas de Defuzzyficação Valor numérico associado à inferência fuzzy 73 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Duas regras fuzzy com dois antecedentes “se x é A1 e y é B1 então z é C1” “se x é A2 e y é B2 então z é C2” Resultado: C’ Inferência fuzzy com A’ exato (“crisp”) -Modelo de Mamdani 74
  • 38. 38 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Sistemas de Inferência Fuzzy • Sistemas fuzzy são sistemas baseados em conhecimento (Sistemas Especialistas). Base de conhecimento Base de fatos Máquina de Inferência Usuário Fato Novo R1: Se A e B então C R2: Se D e E então F ... A B D ... 75 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Máquina de Inferência Fuzzy A máquina de inferência fuzzy segue os seguintes passos para obter o resultado da inferência para um conjunto de fatos: 1. fatos com premissas (antecedentes) 2. grau de compatibilidade de cada regra 3. crença em cada regra 4. agregação Para a agregação quatro métodos se tornaram populares: a) Método clássico de Mamdani (Max-Min) b) Método clássico de Larsen c) Método clássico de Tsukamoto d) Método clássico de Takagi-Sugeno 76
  • 39. 39 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Exemplo: Controle Fuzzy – Ar Condicionado Base de conhecimento Base de fatos Máquina de Inferência Usuário R1: Se T é Alta e U é baixa então P é média R2: Se T é Baixa e U é alta então P é baixa T = 30°C U = 20% R = 22°C P = 47% 77 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Interface com o mundo real Valores Fuzzy- Valores Exatos ficação Exatos Um controlador realimentado baseado em lógica fuzzy (Controlador Inteligente) teria a seguinte estrutura, onde F. I. D. significam Fuzzyficação, Inferência e Defuzzyficação. O Fuzzy- ficação Banco de Regras Inferência Defuzzy ficação F. I. D. Sistema •Fuzzyficação e Defuzzyficação 78
  • 40. 40 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ferramentas Computacionais http://www.imse.cnm.es/Xfuzzy/download.htm http://www.mathworks.com MatLab® http://www-rocq.inria.fr/scilab/ SciLab Sistema XFuzzy para Unix desenvolvido pelo Instituto de Microelectrónica de Sevilla – Espanha 79 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ex: Controle Fuzzy Proporcional O F. I. D. Sistema N NM PM P erro erroref saídau Controle em Malha Fechada 80
  • 41. 41 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ex: Controle Fuzzy Proporcional Zero-Order Hold1 Zero-Order Hold 1 s+1 Transfer Fcn1 1 s+1 T ransfer Fcn Scope1 Scope Ram p1 Ramp 3 Gain1 3 Gain Fuzzy Logic Controller with Ruleviewer 81 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ex: Controle Fuzzy Proporcional 82
  • 42. 42 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ex: Controle Fuzzy Multivariável Sistema de ar condicionado para um ambiente de escritório. 30% 50% 70% 1 10° 20° 30° (Universo de Discurso) Frio Morno Quente MédioSeco Úmido 1 30% 50% 80% Potência Baixa Média Alta Conjunto Fuzzy Partição do Universo de discurso Umidade T Funções de pertinência utilizadas para o controle de temperatura. 83 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Exemplo de controle fuzzy Banco de regras • Se T é Frio e U é Seco então P é Baixa • Se T é Quente e U é Úmido então P é Alta • Se T é Morno e U é Médio então P é Alta • Se T é Quente e U é Seco então P é Média • ...... 84
  • 43. 43 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Inferência fuzzy: A temperatura 28º C e umidade relativa 35% levam pelas avaliação das regras a uma potência de 65% do ar condicionado. Centróide T= 28° 35% 0 0,8 0,7 0,3 0 0,7 65% 1 Potência 1 0,7 0,3 å das áreas + Se T é Frio e U é Seco então P é Baixa Se T é Quente e U é Úmido então P é Alta Se T é Morno e U é Médio então P é Alta Se T é Quente e U é Seco então P é Média 85 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia 86
  • 44. 44 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Parte 4 – Exemplos de Aplicações •• InspeçãoInspeção nãonão destrutivadestrutiva dede estruturasestruturas •• InspeçãoInspeção visualvisual emem linhaslinhas dede transmissãotransmissão •• ProcessoProcesso dede nívelnível dede líquidolíquido •• EstaçãoEstação dede tratamentotratamento dede águaágua •• GuiagemGuiagem automáticaautomática dede automóveisautomóveis •• EletroEletro--eletrônicoseletrônicos •• PlanejamentoPlanejamento dede trajetóriatrajetória •• AutomaçãoAutomação predialpredial 87 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Aplicações: Detecção de Falhas em Estruturas DAMAGE DETECTION USING AN HIBRID FORMULATION BETWEEN CHANGES IN CURVATURE MODE SHAPES AND NEURAL NETWORK. Miguel Genovese, Adolfo Bauchspiess, José L.V. de Brito,Graciela N. Doz 88
  • 45. 45 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Aplicações: Detecção de Falhas em Estruturas 89 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Aplicações: Detecção de Falhas em Estruturas 90
  • 46. 46 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Inspeção de Linhas de Transmissão Sistema computacional autônomo de inspeção visual em linhas de transmissão de energia elétrica Detecção de falhas nas garras dos espaçadores das linhas 91 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Inspeção tradicional em linhas de transmissão: Inspeção aérea utilizando um helicóptero Equipe em terra Processo dispendioso e de alto custo Inspeção de Linhas de Transmissão 92
  • 47. 47 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Adaptação de Veículos Aéreos Não-Tripulados (VANTs) Projeto de pesquisa UnB/ANEEL – Expansion Desenvolvimento de um UAV para auxílio à inspeção de linhas UnB, Bo A. P. L., 2007 Inspeção de Linhas de Transmissão 93 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Processamento de Imagens → Reconhecimento de Falhas 94
  • 48. 48 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Resultados - Representação do contorno 3 7 10 15 95 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Resultados - Representação do contorno An Bn Cn Dn 96
  • 49. 49 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Resultados - Treinamento da rede neural Conjunto de treinamento: 70 imagens Conjunto de teste: 25 imagens Conjunto de validação: 25 imagens Saída-alvo -0,5 para imagens sem defeito 0,5 para imagens com defeito Arquitetura utilizada: 97 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Resultados - Treinamento da rede neural Simulação do conjunto de validação para a rede treinada com 10 harmônicos Erro na classificação de 2 imagens Simulação do conjunto de validação para a rede treinada com 12 harmônicos Erro na classificação de 1 imagem 98
  • 50. 50 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Processo de Nível de Líquidos Componentes -3 Reservatórios (5x25x35 cm) -1 Tanque de Suprimento -3 Sensores de Nível -2 Bombas (0 to 10 V) -2 Circuitos de Potência -A/D & D/A Interface -Constante de Tempo = 5 min -Taxa de Amostragem = 2Hz 99 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Diagrama Esquemático . 100
  • 51. 51 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Modelo Dinâmico Bernoulli: Não-Linear, Acoplado e Multivariável 101 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Processo em Operação na WWW - Laboratório Remoto Cliente Processo PC-Controlador Servidor 102
  • 52. 52 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Resultados Experimentais Resposta ao Degrau • 10 cm (tanque 1) • 05 cm (tanque 2) 103 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Resultados Experimentais Referência Degrau e Triangular Streaming Live Video 104
  • 53. 53 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controle Fuzzy no Simulink 105 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controle Fuzzy Resposta aos sinais de teste níveis 1 e 2: Controle PI Controle Fuzzy 106
  • 54. 54 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia LEARn Laboratório de Ensino de Automação Remota. 3ª ordem 2ª ordem 4ª ordem 107 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Estação de Tratamento de Água – www.abwasser.nuernberg.de 108
  • 55. 55 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Estação de Tratamento de Água – www.abwasser.nuernberg.de 109 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Guiagem Automática - BMW BMW 645 ci - www.bmw.de Piloto Automático CâmbioAutomático Pefil de Usuário • Esportivo • Econômico • Cauteloso Sensor de Proximidade • Frontal • Traseiro • Lateral 110
  • 56. 56 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ar Condicionado Fuzzy Brastemp Ar Condicionado modelo BCG 07A SISTEMAFUZZY Sistema inteligente de controle de temperatura com 3 modos de operação, para maior conforto e praticidade: normal, conforto e dormir. Descrição detalhada: Código BCG07 Capacidade 7.500 BTUs Ciclos Quente/Frio Consumo (w/h) 925/ 880 Voltagem 127/ 220V Dimensões (alt x larg x prof) 315 x 470 x 560 mm 111 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Máquina Fotográfica Olympus IS-5 Auto Focus SLR Camera - 28-140mm 5x zoom lens, Date imprinting capability, Panorama Mode - w/Case & Batteries Features ... Programmed Auto Exposure lets you choose between Full Auto, Stop Action, Portrait, Night Scene and Landscape modes TTL metering system: Fuzzy logic ESP, center-weighted average, Spot Specifications ... Focus TypeTTL phase-difference detection system with autofocus focus lock. Auto focus beep available. Auxiliary flash activation in low light. Focus Range0.6 m to infinity in macro shooting; 0.6m to infinity at wide angle and 0.9m to infinity at telephoto in standard shooting. Predictive autofocus (in Stop Action mode only) AF Sensors 112
  • 57. 57 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Máquina de Lavar Modern washing machines automatically determine the optimum settings to get your clothes clean with the use of fuzzy logic. That's the 'skill' that gets machines to make 'best case' decisions based on incomplete information. Previously, washing machines were manually set. You had to make trial-and-error decisions on the amount of washing detergent, the size of the load, and the length of washing time. A fuzzy logic controller, comprising sensors, microchips and software algorithms, mathematically works out the amount of dirt and type of dirt on the clothes with the help of an optical sensor, which measures the transparency of the water. When the clothes are loaded into the washing machine and water added, the sensor checks to see how dirty the water is - dirtier clothes mean dirtier water, naturally. It also checks the type of dirt on the clothes by how fast the water gets saturated by the dirt. With this input, the fuzzy logic controller determines how soiled the load is, decides how much detergent is needed and how long it must wash the clothes. 113 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Aspirador de Pó Power Consumption : 2000W Suction Power : 450W Digital Auto Power Control (Fuzzy Logic) Variable Power Control 5-Stage HEPA-Filter System Exbug : Mite Killing Function LED Display Panel 2 Step Smart Brush Aluminium Telescopic Tube Smart Protector 3 Built-in Accessories 2-Way Parking System With Twister System Samsung VC-8930EN 114
  • 58. 58 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Monitor de pressão digital de pulso Modelo WS 501 Possui 60 memórias com data e hora (relógio digital) que facilita o monitoramento à distância entre médico e paciente. Indicador de carga de bateria. Tecnologia japonesa de última geração FUZZY LOGIC. R$220,00 www.etronics.com.br/detalhes.asp?codpro=495 115 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Descarga de Carvão – Erlangen/Alemanha “Redundant Sensor Guided Unloading Crane”– MAN Bauchspiess, 1995 Cruzamento Fluvial – Minden, Rio Elba, Alemanha Planejamento de Trajetória - Fuzzy 116
  • 59. 59 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Universität – Erlangen-Nürnberg Sensor guided Hydraulic Robot Bauchspiess, 1995 117 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Path tracking 118
  • 60. 60 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ambientes Inteligentes Conforto e racionalização de energia Fatores temperatura, uumidade, temperatura externa, radiação solar, Salas vizinhas, presença de pessoas, móveis nas salas, fontes de calor (e.g., computadores), janelas, aquecedores, ar condicionado etc. 119 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Conforto Térmico x Racionalização de Energia Spin Engenharia de Automação Ltda 120
  • 61. 61 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia INTERFACE GRÁFICA ActionView® 121 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Simulação de Sistema de Racionalização de Energia – Conforto Térmico ref sq T em p Extern1 T em p Extern2 Scope room 1 room 2 room 3 T Room 4 extern disturb disturb v icin1 disturb v icin Cool_on_of f Tc T Room 3 extern disturb disturb v icin1 disturb v icin Cool_on_of f Tc T Room 2 extern disturb disturb v icin1 disturb v icin Cool_on_of f Tc T Room 1 0 Rad2 0 Rad1 22.5 Operating Point KWh dif Ext setpt T PW M Energy Fuzzy-I AWUpCtrl3 dif Ext setpt T PW M Energy Fuzzy-I AWUpCtrl2 dif Ext setpt T PW M Energy Fuzzy-I AWUpCtrl1 setpt setpt Total Energy dif Ext 2 Energy 1 PWM ==~ Switch S2 PWM1 1 Ki1 1 s I Fuzzy Ctrl1 0 3 T 2 setpt 1 difExt error Projetos: FAP-DF Finep – LabInov 122
  • 62. 62 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Simulação do Conforto Térmico Fuzzy 123 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Consumo de Energia Medido (kWh) Exp Sala Desenv. Diretoria Reunião Total L-D Madrugad. 19,39 11,87 12,04 43,30 Fuz Madrugad. 03,78 01,07 02,05 06,90 L-D 8-12 14-18 35,25 17,42 19,07 71,71 Fuz 8-12 14-18 21,97 13,50 18,14 53,61 L-D 8-18 35,34 17,96 19,95 73,48 Fuz 8-18 16,41 15,80 13,10 45,32 Spin Engenharia de Automação Ltda, 2006 124
  • 63. 63 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Sala de Desenvolvimento On-Off 16-09-2006 Fuzzy Control 14-09-2006 22,00 24,00 26,00 28,00 30,00 32,00 34,00 36,00 38,00 08:00 08:35 09:10 09:45 10:20 11:00 12:05 12:40 13:15 13:50 14:25 15:00 15:35 16:10 16:45 17:20 17:55 ºC Setpoint T. Interna T. Externa Inf Sup 22,00 24,00 26,00 28,00 30,00 32,00 34,00 36,00 38,00 40,00 08:00 08:35 09:10 09:45 10:20 11:00 12:05 12:40 13:15 13:50 14:25 15:00 15:35 16:10 16:45 17:20 17:55 ºC S etpoint T. Interna T. E x terna Inf S up ~30% saving! 125 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Finep/LabInov Loboratório de Inovação em Ambientes Inteligentes 126
  • 64. 64 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Projects: SAPIEn, CT-Energ and FINEP-LabInov Energy-Saving Approach: Model-Based HVAC Control ( ) 444 3444 21444 3444 21 relatedenergyrelatedcomfort h i u T u T h i R cp ikikikikyikyJ ∑∑ − = ∆ = ++++∆+∆+−+= 1 01 2 )()()()()( uQuuQu Predictive Cost Function:Predictive Cost Function: matricesweighting iablevardmanipulateu referencey iablevarcontrolledy horizoncontrolh horizonpredictionh Where uu R c p − − − − − − ∆ QQ , : Considers comfort and energy saving. Needs model!Considers comfort and energy saving. Needs model! 127 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ar Condicionado Híbrido: Evaporativo-Convencional 128
  • 65. 65 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Ar Cond. Híbrido: Evaporativo-Convencional Diagrama EsquemáticoDamper (misturador de ar) 129 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controlador A.C. Híbrido Sensores fixos à parede - Temperatura, Umidade e Radiação Térmica Sala de reuniões LARA. Módulos móveis 1 e 2. Acionamento do ar condicionado híbrido 130
  • 66. 66 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controle Fuzzy em Rede sem Fio 131 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controle Fuzzy em Rede sem Fio Funções de pertinência da variável de entrada erro Tabela verdade da inferência fuzzy–LAVSI/ENE/UnB 132
  • 67. 67 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controle Fuzzy em Rede sem Fio 133 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Controle Fuzzy em Rede sem Fio Temperaturas no setor 1 e setor 2 – Controle On-Off Temperaturas no setor 1 e setor 2 – Controle Fuzzy Modelo de controle Consumo total (kWh) Economia energia On-off 15,69 17,00 % Fuzzy 13,41 Consumo de energia On-Off x Fuzzy sem fio, Ferreira Júnior, 2009. 134
  • 68. 68 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Medição Móvel de Conforto Térmico Triangulação hiperbólica Discrepância entre Posições Calculadas e Posição Real 0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Pontos de Medição Discrepância(m) Pontos de Menor Erro Centro da Área de Provável Localização 0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 1 2 3 4 5 6 7 8 9 10 1112131415 161718 192021222324 PontosdeMedição Discrepância(m) RNA 135 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Parte 5 – Conclusões • RNA - Técnica que envolve aprendizado • Fuzzy - Demanda Especialista Humano • Neuro-Fuzzy - ANFIS • Produtos comerciais já disponíveis 136
  • 69. 69 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Origens Filosóficas Razão René Descartes “Geometria Analítica” 1637 John Locke “Ensaio sobre o entendimento humano” 1689 Immanuel Kant “Crítica da razão pura” 1781 137 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Origens Filosóficas René Descartes John Locke Immanuel Kant “Só podemos conhecer aquilo que percebemos” “O conhecimento de nenhum homem pode ir além de sua experiência” “Penso, logo existo” Racionalismo 138
  • 70. 70 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Conclusão Engenharia Convencional Engenharia do Conhecimento (RNA , Fuzzy , GA, ...) Racionalismo Empirismo R + E ~> SI Para ser capaz de projetar sistemas inteligentes realmente úteis é necessário ter uma boa base teórica. Normalmente, só se encontra aquilo que já se sabe existir. 139 Laboratório de Automação e Robótica - ENE/FT/UnB Faculdade de Tecnologia Muito Obrigado! Adolfo Bauchspiess www.pgea.unb.br lara.unb.br/~bauchspiess adolfobs@unb.br 140

×