Techn. Hochsch., Diss., 2002--Aachen.

No description available.

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / Esse trabalho propõe a modelagem e o controle neuro-fuzzy aplicados na estabilidade estática de um veículo de duas rodas do tipo pêndulo invertido, utilizando como método de otimização a evolução diferencial. Durante a fase de modelagem, determinam-se as incertezas relacionadas aos parâmetros e também à resposta do modelo neuro-fuzzy. Verifica-se que este é capaz de se ajustar satisfatoriamente aos dados extraídos experimentalmente do veículo. Na determinação do controlador neuro-fuzzy, testam-se três estratégias de ajuste de parâmetros, sendo duas delas propostas neste texto, e os resultados são comparados entre si e aos obtidos através de controladores clássicos, e verifica-se experimentalmente e por meio de testes estatísticos que as abordagens propostas apresentam grande capacidade de adaptação às restrições impostas à planta, garantindo a estabilidade estática e a eficiência energética do sistema. / This work proposes the neuro-fuzzy modeling and control applied to the static stability of a two-wheeled inverted pendulum vehicle, using differential evolution as optimization technique. During the modeling phase, the uncertainties related to the parameters and also to the neuro-fuzzy model response are determined. It is possible to verify that the neuro-fuzzy system is capable of satisfactorily adjusts to the data experimentally extracted from the vehicle. In the determination of the neuro-fuzzy controller, three strategies of parameter adjustment are tested, two of them being proposed in this text, and the results are compared between them and those obtained through classical controllers, and it is verified experimentally and through tests that the proposed approaches present a great capacity to adapt to the constraints imposed on the plant, guaranteeing the static stability and the energy efficiency of the system. / Dissertação (Mestrado)

Zugl.: Hagen, Fernuniv., Diss., 2007

[pt] Esta tese investiga modelos híbridos neuro-fuzzy para aprendizado automático de ações efetuadas por agentes. O objetivo dos modelos é dotar um agente de inteligência, tornando-o capaz de, através da interação com o seu ambiente, adquirir e armazenar o conhecimento e raciocinar (inferir uma ação). O aprendizado desses modelos é realizado através de processo não-supervisionado denominado Aprendizado por Reforço (RL: Reinforcement Learning). Esta nova proposta de modelos neuro-fuzzy apresenta as seguintes características: aprendizado automático da estrutura do modelo; auto-ajuste dos parâmetros associados à estrutura; capacidade de aprender a ação a ser tomada quando o agente está em um determinado estado do ambiente; possibilidade de lidar com um número maior de entradas do que os sistemas neuro-fuzzy tradicionais; e geração de regras lingüísticas com hierarquia. O trabalho envolveu três etapas principais: levantamento bibliográfico e estudo de modelos de aprendizado; definição e implementação de dois novos modelos neuro-fuzzy hierárquicos baseados em RL; e estudo de casos. O levantamento bibliográfico e o estudo de modelos de aprendizado foi feito a partir dos modelos usados em agentes (com o objetivo de ampliar a ação autônoma) e em espaço de estados grande e/ou contínuo. A definição dos dois novos modelos neuro-fuzzy foi motivada pela importância de se estender a capacidade autônoma de agentes através do quesito inteligência, em particular a capacidade de aprendizado. Os modelos foram concebidos a partir do estudo das limitações existentes nos modelos atuais e das características desejáveis para sistemas de aprendizado baseados em RL, em particular quando aplicados a ambientes contínuos e/ou ambientes considerados de grande dimensão. Tais ambientes apresentam uma característica denominada curse of dimensionality que inviabiliza a aplicação direta de métodos tradicionais de RL. Assim sendo, a decisão de se usar uma metodologia de particionamento recursivo, já explorada com excelentes resultados em Souza (1999), que reduz significativamente as limitações dos sistemas neuro-fuzzy existentes, foi de fundamental importância para este trabalho. Optou-se pelos particionamentos BSP e Quadtree/Politree, gerando os dois modelos RL-NFHB (Reinforcement Learning - Neuro-Fuzzy Hierárquico BSP) e RL-NFHP (Reinforcement Learning - Neuro-Fuzzy Hierárquico Politree). Estes dois novos modelos são derivados dos modelos neuro-fuzzy hierárquicos NFHB e NFHQ (Souza, 1999) que utilizam aprendizado supervisionado. Com o uso desses métodos de particionamento, associados ao Reinforcement Learning, obteve-se uma nova classe de Sistemas Neuro-Fuzzy (SNF) que executam, além do aprendizado da estrutura, o aprendizado autônomo das ações a serem tomadas por um agente. Essas características representam um importante diferencial em relação aos sistemas de aprendizado de agentes inteligentes existentes. No estudo de casos, os dois modelos foram testados em 3 aplicações benckmark e uma aplicação em robótica. As aplicações benchmark são referentes a 3 problemas de sistemas de controle: o carro na montanha (mountain cart problem), estacionamento do carro (cart-centering problem) e o pêndulo invertido. A aplicação em robótica utilizou o modelo Khepera. A implementação dos modelos RL-NFHB e RL- NFHP foi feita em linguagem Java em microcomputadores com plataforma Windows 2000. Os testes efetuados demonstram que estes novos modelos se ajustam bem a problemas de sistemas de controle e robótica, apresentando boa generalização e gerando sua própria estrutura hierárquica de regras com interpretação lingüística. Além disso, o aprendizado automático do ambiente dota o agente de inteligência - (base de conhecimento, raciocínio e aprendizado), característica que aumenta a capacidade autônoma deste agente. A área de sistemas neuro-fuzzy hie / [en] This thesis investigates neuro-fuzzy hybrid models for automatic learning of actions taken by agents. The objective of these models is to provide an agent with intelligence, making it capable of acquiring and retaining knowledge and of reasoning (infer an action) by interacting with its environment. Learning in these models is performed by a non-supervised process, called Reinforcement Learning. These novel neuro-fuzzy models have the following characteristics: automatic learning of the model structure; auto-adjustment of parameters associated with the structure; capability of learning the action to be taken when the agent is on a given environment state; possibility of dealing with a larger number of inputs than those of traditional neuro-fuzzy systems; and the generation of hierarchical linguistic rules. This work comprised three main stages: bibliographic survey and study of learning models; definition and implementation of two new hierarchical neurofuzzy models based on Reinforcement Learning; and case studies. The bibliographic survey and the study of learning models considered learning models employed in agents (aiming to enhance the autonomous action) and in large and/or continuous state spaces. The definition of the two new neuro-fuzzy models was motivated by the importance of extending the autonomous capacity of agents through its intelligence, particularly the learning capacity. The models were conceived from the study of the existing limitations in current models, as well as the desirable characteristics for RL-based learning systems, particularly, when applied to continuous and/or high dimension environments. These environments present a characteristic called curse of dimensionality, which makes impracticable the direct application of the traditional RL- methods. Therefore, the decision of using a recursive partitioning methodology (already explored with excellent results in Souza, 1999), which significantly reduces the existing neuro-fuzzy systems limitations, was crucial to this work. The BSP (Binary Space Partitioning) and the Quadtree/Politree partitioning were then chosen, generating the RL-NFHB (Reinforcement Learning - Hierarchical Neuro- Fuzzy BSP) and RL-NFHP (Reinforcement Learning - Hierarchical Neuro-Fuzzy Politree) models. These two new models are derived from the hierarchical neuro-fuzzy models NFHB and NFHQ (Souza, 1999), which use supervised learning. By using these partitioning methods, together with the Reinforcement Learning methodology, a new class of Neuro-Fuzzy Systems (SNF) was obtained, which executes, in addition to structure learning, the autonomous learning of the actions to be taken by an agent. These characteristics represent an important differential when compared to the existing intelligent agents learning systems. In the case studies, the two models were tested in three benchmark applications and one application in robotics. The benchmark applications refer to 3 problems of control systems : the mountain cart problem, cart-centering problem, and the inverted pendulum. The application in robotics made use of the Khepera model. The RL-NFHB and RL-NFHP models were implemented using the Java language in Windows 2000 platform microcomputers. The experiments demonstrate that these new models are suitable for problems of control systems and robotics, presenting a good generalization and generating their own hierarchical structure of rules with linguistic interpretation. Moreover, the automatic environment learning endows the agent with intelligence (knowledge base, reasoning and learning). These are characteristics that increase the autonomous capacity of this agent. The hierarchical neuro-fuzzy systems field was also enhanced by the introduction of reinforcement learning, allowing the learning of hierarchical rules and actions to take place within the same process.

[pt] Desde sua formulação, no início da década de setenta, o conceito de grupo estratégico é objeto de pesquisas teóricas e empíricas que buscam confirmar sua existência, sua contribuição à avaliação da performance e à formação das estratégias das empresas. Este trabalho soma-se a estas pesquisas, utilizando os conceitos da Visão Resource- Based e a aplicação de ferramentas de inteligência computacional, neste caso as redes neurais e os sistemas de inferência fuzzy, com o objetivo de contribuir para a discussão deste tema na superação de suas limitações e dos novos desafios que o aumento da complexidade das arenas competitivas trouxeram para as pesquisas do gerenciamento estratégico. A Visão Resource-Based fornece a base teórica para o desenvolvimento dos construtos: grau de inimitabilidade e grau de imobilidade, resultantes da exploração estratégica dos recursos da empresa. Estes construtos são propostos como dimensões de avaliação da semelhança estratégica entre as empresas de uma arena competitiva. A inteligência computacional fornece os meios de extração de informações subjetivas, e presentes em ambientes complexos, através da simulação do aprendizado, percepção, evolução e adaptação do raciocínio humano. O resultado é a proposição de um modelo de avaliação da existência de grupos estratégicos, utilizando os construtos Grau de Inimitabilidade e Grau de Imobilidade, e Sistemas Neuro-fuzzy. Este modelo é aplicado ao setor de supermercados como teste de validação do mesmo. / [en] Since its has introduced, in the beginning of the decade of seventy, the concept of strategic groups is object of theoretical and empirical research that aims to confirm its existence, its contribution to performance evaluation and the formulation of the strategies of the firms. This text join these research, using the Resource-Based Views framework and soft computing, in this case neural networks and fuzzy inference systems, with aims at contributing for the discussion of this subject to overcome its limitations and the new challenges, resulting increasingly complexity and competitive environment, for the strategic management research. The Resource-Based View framework supplies the theoretical underpinnings to use the inimitability degree and immobility degree, resultants of the strategical exploration of the resources of the firms, as constructors to evaluate firm strategic similarity in a competitive environment. Soft computing is a tool to extract subjective data from complexity environments, simulating the ability for learning, perception, evolution and adaptation of human reasoning. The result of this research is the proposal of a model to identify strategic groups, applying the constructors Inimitability Degree and Immobility Degree, and Neuro-fuzzy Inference Systems. To validate the model, a test is performed to the supermarkets industry.

[pt] Esta tese consiste na investigação e no desenvolvimento de estratégias de coordenação inteligente que possam ser integradas a modelos neuro-fuzzy hierárquicos para sistemas de múltiplos agentes em ambientes complexos. Em ambientes dinâmicos ou complexos a organização dos agentes deve se adaptar a mudanças nos objetivos do sistema, na disponibilidade de recursos, nos relacionamentos entre os agentes, e assim por diante. Esta flexibilidade é um problema chave nos sistemas multiagente. O objetivo principal dos modelos propostos é fazer com que múltiplos agentes interajam de forma inteligente entre si em sistemas complexos. Neste trabalho foram desenvolvidos dois novos modelos inteligentes neuro-fuzzy hierárquicos com mecanismo de coordenação para sistemas multiagentes, a saber: modelo Neuro-Fuzzy Hierárquico com Aprendizado por Reforço com mecanismo de coordenação Market-Driven (RL-NFHP-MA-MD); e o Modelo Neuro-Fuzzy Hierárquico com Aprendizado por Reforço com modelo de coordenação por grafos (RL-NFHP-MA-CG). A inclusão de modelos de coordenação ao modelo Neuro-Fuzzy Hierárquicos com Aprendizado por Reforço (RL-NHFP-MA) foi motivada principalmente pela importância de otimizar o desempenho do trabalho em conjunto dos agentes, melhorando os resultados do modelo e visando aplicações mais complexas. Os modelos foram concebidos a partir do estudo das limitações existentes nos modelos atuais e das características desejáveis para sistemas de aprendizado baseados em RL, em particular quando aplicados a ambientes contínuos e/ou ambientes considerados de grande dimensão. Os modelos desenvolvidos foram testados através de basicamente dois estudos de caso: a aplicação benchmark do jogo da presa-predador (Pursuit- Game) e Futebol de robôs (simulado e com agentes robóticos). Os resultados obtidos tanto no jogo da presa-predador quanto no futebol de robô através dos novos modelos RL-NFHP-MA-MD e RL-NFHP-MA-CG para múltiplos agentes se mostraram bastante promissores. Os testes demonstraram que o novo sistema mostrou capacidade de coordenar as ações entre agentes com uma velocidade de convergência quase 30 por cento maior que a versão original. Os resultados de futebol de robô foram obtidos com o modelo RL-NFHP-MA-MD e o modelo RL-NFHP-MA-CG, os resultados são bons em jogos completos como em jogadas específicas, ganhando de times desenvolvidos com outros modelos similares. / [en] This thesis is the research and development of intelligent coordination strategies that can be integrated into models for hierarchical neuro-fuzzy systems of multiple agents in complex environments. In dynamic environments or complex organization of agents must adapt to changes in the objectives of the system, availability of resources, relationships between agents, and so on. This flexibility is a key problem in multiagent systems. The main objective of the proposed models is to make multiple agents interact intelligently with each other in complex systems. In this work we developed two new intelligent neuro-fuzzy models with hierarchical coordination mechanism for multi-agent systems, namely Neuro-Fuzzy Model with Hierarchical Reinforcement Learning with coordination mechanism Market-Driven (RL-NFHP-MA-MD), and Neuro-Fuzzy model with Hierarchical Reinforcement Learning with coordination model for graphs (RL-NFHP-MA-CG). The inclusion of coordination models to model with Neuro-Fuzzy Hierarchical Reinforcement Learning (RL-NHFP-MA) was primarily motivated by the importance of optimizing the performance of the work in all players, improving the model results and targeting more complex applications. The models were designed based on the study of existing limitations in current models and desirable features for learning systems based RL, in particular when applied to continuous environments and/or environments considered large. The developed models were tested primarily through two case studies: application benchmark game of predator-prey ( Pursuit-Game) and Soccer robots (simulated and robotic agents). The results obtained both in the game of predator-prey as in soccer robot through new models RL-NFHP-MA-MD and RL-NFHP-MA-CG for multiple agents proved promising. The tests showed that the new system showed ability to coordinate actions among agents with a convergence rate nearly 30 percent higher than the original version. Results soccer robot were obtained with model RL-NFHP-MA-MD–NFHP-RL and model-CG-MA, the results are good in games played in full as specific winning teams developed with other similar models.

No description available.

The quantitative study of conflict management is concerned with finding models which are accurate and also capable of providing a causal interpretation of results. This dissertation applies computational intelligence methods to study interstate disputes. Both multilayer perceptron neural networks and Takagi-Sugeno neuro-fuzzy models are used to model interstate interactions. The multilayer perceptron neural network is trained in the Bayesian framework, using the Hybrid Monte Carlo method to sample from the posterior probabilities. It is found that the network is able to forecast conflict with an accuracy of 77.3%. A hybrid machine learning method using the neural network and the genetic algorithm is then presented as a method of suggesting how conflict can be brought under control. The automatic relevance determination approach and the sensitivity analysis are used as methods of extracting causal information from the neural network. The Takagi-Sugeno neuro-fuzzy model is optimised, using the Gustafson-Kessel clustering algorithm to partion the input space. It is found that the neuro-fuzzy model predicts conflict with an accuracy of 80.1%. The neuro-fuzzy model is also incorporated into the hybrid machine learning method to suggest how the identified conflict cases can be avoided. The casual interpretation is then formulated by a linguistic approximation of the fuzzy rules extracted from the neuro-fuzzy model. The major finding in this work is that the interpretations drawn from both the neural network and the neuro-fuzzy model are consistent.

For some new multimedia applications using Mpeg-4 or Mpeg-7 video coding standards, it is important to find the main objects in a video frame. In this thesis, we propose a neuro-fuzzy modeling approach to the detection of human face and body. Firstly, a fuzzy clustering technique is performed to segment a video frame into clusters to generating several fuzzy rules. Secondly, chrominance and motion features are used to roughly classify the clusters into foreground and background, respectively. Finally, the fuzzy rules are refined by a fuzzy neural network, and the ambiguous regions between foreground and background are further distinguished by the fuzzy neural network. Our method improves the correctness of human face and body detection by getting training data more precisely. Besides, we can extract the VOs correctly even the VOs have no obvious motion in the video sequence.