1 |
[en] HIERARCHICAL NEURO-FUZZY BSP-MAMDANI MODEL / [pt] MODELO NEURO-FUZZY HIERÁRQUICOS BSP MAMDANIROSINI ANTONIO MONTEIRO BEZERRA 04 November 2002 (has links)
[pt] Esta dissertação investiga a utilização de sistemas Neuro-
Fuzzy Hierárquicos BSP (Binary Space Partitioning) para
aplicações em classificação de padrões, previsão, sistemas
de controle e extração de regras fuzzy. O objetivo é criar
um modelo Neuro-Fuzzy Hierárquico BSP do tipo Mamdani a
partir do modelo Neuro-Fuzzy Hierárquico BSP Class
(NFHB-Class) que é capaz de criar a sua própria estrutura
automaticamente e extrair conhecimento de uma base de dados
através de regras fuzzy, lingüisticamente interpretáveis,
que explicam a estrutura dos dados. Esta dissertação
consiste de quatros etapas principais: estudo dos principais
sistemas hierárquicos; análise do sistema Neuro-Fuzzy
Hierárquico BSP Class, definição e implementação do modelo
NFHB-Mamdani e estudo de casos. No estudo dos principais
sistemas hierárquicos é efetuado um levantamento
bibliográfico na área. São investigados, também, os
principais modelos neuro-fuzzy utilizados em sistemas de
controle - Falcon e o Nefcon. Na análise do sistema NFHB-
Class, é verificado o aprendizado da estrutura, o
particionamento recursivo, a possibilidade de se ter um
maior número de entrada - em comparação com outros sistemas
neuro-fuzzy - e regras fuzzy recursivas. O sistema NFHB-
Class é um modelo desenvolvido especificamente para
classificação de padrões, como possui várias saídas, não é
possível utilizá-lo em aplicações em controle e em
previsão. Para suprir esta deficiência, é criado um novo
modelo que contém uma única saída. Na terceira etapa é
definido um novo modelo Neuro-Fuzzy Hierárquico BSP com
conseqüentes fuzzy (NFHB-Mamdani), cuja implementação
utiliza a arquitetura do NFHBClass para a fase do
aprendizado, teste e validação, porém, com os conseqüentes
diferentes, modificando a estratégia de definição dos
conseqüentes das regras. Além de sua utilização em
classificação de padrões, previsão e controle, o sistema
NFHB-Mamdani é capaz de extrair conhecimento de uma base de
dados em forma de regras do tipo SE ENTÃO. No estudo de
casos são utilizadas duas bases de dados típicas para
aplicações em classificação: Wine e o Iris. Para previsão
são utilizadas séries de cargas elétricas de seis
companhias brasileiras diferentes: Copel, Cemig, Light,
Cerj, Eletropaulo e Furnas. Finalmente, para testar o
desempenho do sistema em controle faz-se uso de uma planta
de terceira ordem como processo a controlar. Os resultados
obtidos para classificação, na maioria dos casos, são
superiores aos melhores resultados encontrados pelos outros
modelos e algoritmos aos quais foram comparados. Para
previsão de cargas elétricas, os resultados obtidos estão
sempre entre os melhores resultados fornecidos por outros
modelos aos quais formam comparados. Quanto à aplicação em
controle, o modelo NFHB-Mamdani consegue controlar, de forma
satisfatória, o processo utilizado para teste. / [en] This paper investigates the use of Binary Space
Partitioning (BSP) Hierarchical Neuro-Fuzzy Systems for
applications in pattern classification, forecast, control
systems and obtaining of fuzzy rules. The goal is to create
a BSP Hierarchical Neuro-Fuzzy Model of the Mamdani type
from the BSP Hierarchical Neuro-Fuzzy Class (NFHB-Class)
which is able to create its own structure automatically and
obtain knowledge from a data base through fuzzy rule,
interpreted linguistically, that explain the data structure.
This paper is made up of four main parts: study of the main
Hierarchical Systems; analysis of the BSP Hierarchical
Neuro-Fuzzy Class System, definition and implementation of
the NFHB-Mamdani model, and case studies. A bibliographical
survey is made in the study of the main Hierarchical
Systems. The main Neuro-Fuzzy Models used in control
systems - Falcon and Nefcon -are also investigated.
In the NFHB-Class System, the learning of the structure is
verified, as well as, the recursive partitioning, the
possibility of having a greater number of inputs in
comparison to other Neuro-Fuzzy systems and recursive fuzzy
rules. The NFHB-Class System is a model developed
specifically for pattern classification, since it has
various outputs, it is not possible to use it in control
application and forecast. To make up for this deficiency, a
new unique output model is developed. In the third part, a
new BSP Hierarchical Neuro-Fuzzy model is defined with
fuzzy consequents (NFHB-Mamdani), whose implementation uses
the NFHB-Class architecture for the learning, test, and
validation phase, yet with the different consequents,
modifying the definition strategy of the consequents of the
rules. Aside from its use in pattern classification,
forecast, and control, the NFHB-Mamdani system is capable of
obtaining knowledge from a data base in the form of rules
of the type IF THEN. Two typical data base for application
in classification are used in the case studies: Wine and
Iris. Electric charge series of six different Brazilian
companies are used for forecasting: Copel, Cemig, Light,
Cerj, Eletropaulo and Furnas. Finally, to test the
performance of the system in control, a third order plant
is used as a process to be controlled. The obtained results
for classification, in most cases, are better than the best
results found by other models and algorithms to which they
were compared. For forecast of electric charges, the
obtained results are always among the best supplied by
other models to which they were compared. Concerning its
application in control, the NFHB-Mamdani model is able to
control, reasonably, the process used for test.
|
Page generated in 0.0386 seconds