[pt] Um controlador Heurístico Adaptativo baseia-se num conjunto de regras lingüísticas para conduzir um processo com modelo impreciso ou complexo ao estado desejado. O comportamento do processo deve respeitar os requisitos de performance predefinidos. Para satisfazer estes objetivos, a estrutura interna do controle sofre mudanças para adequá- la as condições vigentes no processo. Os métodos de adaptação abordados consideram a modificação de uma estrutura matricial interpretada como as correções incrementais, compatíveis com os ajustes a serem efetuados sobre o processo, ou como regras, constituídas por variáveis nebulosas, que requerem manipulações adicionais para produzir a saída do controlador. Em qualquer dos casos, a adaptação é realizada a partir de uma Tabela de Índices de Performance. Para facilitar a sua obtenção é implementado um procedimento, que fornece a representação matricial das regras lingüísticas, concatenadas na forma de um Algoritmo Lingüístico de Controle. O comportamento dinâmico do Sistema, composto pelos Controladores Heurísticos e por processos com modelos distintos, é considerado para Tabelas de índices de Performance com várias dimensões. As regras lingüísticas, correlacionadas com estas tabelas, foram elaboradas com diversas classes de atributos. As simulações realizadas concentram-se sobre os parâmetros dos controladores, que influenciam significativa- Os estudos abordam também o comportamento da estrutura interna destes controladores e o seu desempenho em termos da velocidade de atuação sobre o processo. / [en] A heuristic Controller uses a set of linguistic rules, which are derived from expertise or human operators´ skills, in order to achieve control of processes that have inaccurate or complex models. An adaptative Heuristic Controller adjusts the set of rules in an automatic and continuous way, aiming to achieve prescribed objectives indicated by a performance measure. The adaptative procedures modify a matrix, the elements of which are either incremental corrections or numeric rules associated with fuzzy variables. In both cases a Performance Index Table and a learning method are employed to correct that matrix. The Performance Table is a matrix calculated from a set of linguistic rules. The controllers are implemented with different Performance Tables, considering various sets of linguistic values and quantization levels. The dynamic behaviour of overdamped and underdamped processes is investigated. The performance of simulated systems is analyzed with respect to relevant parameters that affect their behaviour.

[pt] Este trabalho apresenta a utilização de lógica fuzzy e de redes neurais no desenvolvimento de um controlador de semáforos - o FUNNCON. O trabalho realizado consiste em quatro etapas principais: estudo dos fundamentos de engenharia de tráfego; definição de uma metodologia para a avaliação de cruzamentos sinalizados; definição do modelo do controlador proposto; e implementação com dados reais em um estudo de caso.O estudo sobre os fundamentos de engenharia de tráfego aborda a definição de termos,os parâmetros utilizados na descrição dos fluxos de tráfego, os tipos de cruzamentos e seus semáforos, os sistemas de controle de tráfego mais utilizados e as diversas medidas de desempenho.Para se efetuar a análise dos resultados do FUNNCON, é definida uma metodologia para a avaliação de controladores. Apresenta-se, também, uma investigação sobre simuladores de tráfego existentes, de modo a permitir a escolha do mais adequado para o presente estudo. A definição do modelo do FUNNCON compreende uma descrição geral dos diversos módulos que o compõem. Em seguida, cada um destes módulos é estudado separadamente: o uso de redes neurais para a predição de tráfego futuro; a elaboração de um banco de cenários ótimos através de um otimizador; e a criação de regras fuzzy a partir deste banco.No estudo de caso, o FUNNCON é implementado com dados reais fornecidos pela CET-Rio em um cruzamento do Rio de Janeiro e comparado com o controlador existente.É constatado que redes neurais são capazes de fornecer bons resultados na predição do tráfego futuro. Também pode ser observado que as regras fuzzy criadas a partir do banco de cenários ótimos proporcionam um controle efetivo do tráfego no cruzamento estudado. Uma comparação entre o desempenho do FUNNCON e o do sistema atualmente em operação é amplamente favorável ao primeiro. / [en] This work presents the use of fuzzy logic and neural networks in the development of a traffic signal controller - FUNNCON. The work consists of four main sections: study of traffic engineering fundamentals; definition of a methodology for evaluation of traffic controls; definition of the proposed controller model; and implementation on a case study using real data.The study of traffic engineering fundamentals considers definitions of terms,parameters used for traffic flow description, types of intersections and their traffic signals,commonly used traffic control systems and performance measures.In order to analyse the results provided by FUNNCON, a methodology for the evaluation of controllers is defined. The existing traffic simulators are investigated, in order to select the best one for the present study.The definition of the FUNNCON model includes a brief description of its modules.Thereafter each module is studied separately: the use of neural networks for future traffic prediction; the setup of a best scenario database using an optimizer; and the extraction of fuzzy rules from this database.In the case study, FUNNCON is implemented with real data supplied by CET-Rio from an intersection in Rio de Janeiro; its performance is compared with that of the existing controller.It can be observed that neural networks can present good results in the prediction of future traffic and that the fuzzy rules created from the best scenario database lead to an effective traffic control at the considered intersection. When compared with the system in operation, FUNNCON reveals itself much superior.

[pt] O rastreamento ocular (eye-tracking) possibilita rastrear a posição e a direção do olhar de uma pessoa sobre algum tipo de estímulo (e.g., imagens ou vídeos). O uso desta tecnologia permite identificar eventos inerentes à visão humana, que contém informações implícitas capazes de revelar aspectos importantes sobre o comportamento de um indivíduo durante uma determinada tarefa. Porém, identificar essas informações requer um conjunto de habilidades para interpretar os dados de rastreamento ocular e relacioná-los com conhecimentos de domínios específicos. Nesse contexto, pode-se fazer grande proveito de sistemas inteligentes para agregar os conhecimentos e experiências de especialistas junto às respostas do dispositivo de rastreamento ocular. Dessa forma, o objetivo principal deste trabalho é propor uma metodologia para criar sistemas baseados em eye-tracking, para enriquecer o processo de avaliação de um indivíduo frente a uma determinada tarefa, resultando em um modelo para representar o conhecimento dos especialistas sobre aspectos subjetivos, visando automatizar esse processo avaliativo. Portanto, o presente trabalho toma como caso de uso a avaliação da relação entre comportamento visual e eficácia de indivíduos na resolução de testes inspirados em Matrizes Progressivas de Raven. Esses testes são comumente usados na psicologia para medir inteligência e a capacidade de raciocínio abstrato a partir da visualização de imagens. Optamos por utilizar uma abordagem baseada em regras fuzzy, por permitir armazenar conhecimento de forma mais transparente e legível aos usuários finais. As regras do modelo foram desenvolvidas e validadas com o auxílio de um especialista da área da psicologia. O sistema foi testado com dados extraídos de um grupo de usuários e apresentou resultados promissores. Os achados e modelos obtidos nessa pesquisa poderão ser utilizados como alicerce para o desenvolvimento de sistemas mais robustos. / [en] Eye-tracking makes it possible to track the position and direction of a person s gaze on some stimulus (e.g., images or videos). This technology allows us to identify events inherent to human vision, containing implicit information capable of revealing essential aspects of one s behavior during a given task. However, identifying these pieces of information is a complex task that requires a set of skills to interpret the eye-tracking data and relate it to domain-specific knowledge. In this context, one can use intelligent systems to couple the knowledge and experience of specialists with the responses from the eye-tracking device. Thus, the main objective of this work is to propose a methodology to create eye-tracking-based systems to improve the assessment of subjects during specific tasks, resulting in a model that can represent the specialist s knowledge over subjective aspects to automate this process. Therefore, the present work s use case is the evaluation of the relationship between visual behavior and efficiency in solving tests inspired by Raven s Progressive Matrices. Those tests are commonly used in psychology to measure intelligence and abstract reasoning through image visualization. We chose an approach based on fuzzy rules, as it allows us to represent knowledge in a more readable way to end-users. The model s rules were developed and validated alongside a specialist in psychology. The system was tested with data extracted from users and showed promising results. The findings and models obtained in this research may be used as a foundation for the development of more robust systems.

[pt] Este trabalho apresenta a proposta de um novo método para a extração de regras fuzzy de máquinas de vetor suporte (SVMs) treinadas para problemas de classificação. SVMs são sistemas de aprendizado baseados na teoria estatística do aprendizado e apresentam boa habilidade de generalização em conjuntos de dados reais. Estes sistemas obtiveram sucesso em vários tipos de problemas. Entretanto, as SVMs, da mesma forma que redes neurais (RN), geram um modelo caixa preta, isto é, um modelo que não explica o processo pelo qual sua saída é obtida. Alguns métodos propostos para reduzir ou eliminar essa limitação já foram desenvolvidos para o caso de classificação binária, embora sejam restritos à extração de regras simbólicas, isto é, contêm funções ou intervalos nos antecedentes das regras. No entanto, a interpretabilidade de regras simbólicas ainda é reduzida. Deste modo, propõe-se, neste trabalho, uma técnica para a extração de regras fuzzy de SVMs treinadas, com o objetivo de aumentar a interpretabilidade do conhecimento gerado. Além disso, o modelo proposto foi desenvolvido para classificação em múltiplas classes, o que ainda não havia sido abordado até agora. As regras fuzzy obtidas são do tipo se x1 pertence ao conjunto fuzzy C1, x2 pertence ao conjunto fuzzy C2,..., xn pertence ao conjunto fuzzy Cn, então o ponto x = (x1,...,xn) é da classe A. Para testar o modelo foram realizados estudos de caso detalhados com quatro bancos de dados: Íris, Wine, Bupa Liver Disorders e Winconsin Breast Cancer. A cobertura das regras resultantes da aplicação desse modelo nos testes realizados mostrou-se muito boa, atingindo 100% no caso da Íris. Após a geração das regras, foi feita uma avaliação das mesmas, usando dois critérios, a abrangência e a acurácia fuzzy. Além dos testes acima mencionados foi comparado o desempenho dos métodos de classificação em múltiplas classes usados no trabalho. / [en] This text proposes a new method for fuzzy rule extraction from support vector machines (SVMs) trained to solve classification problems. SVMs are learning systems based on statistical learning theory and present good ability of generalization in real data base sets. These systems have been successfully applied to a wide variety of application. However SVMs, as well as neural networks, generates a black box model, i.e., a model which does not explain the process used in order to obtain its result. Some considered methods to reduce this limitation already has been proposed for the binary classification case, although they are restricted to symbolic rules extraction, and they have, in their antecedents, functions or intervals. However, the interpretability of the symbolic generated rules is small. Hence, to increase the linguistic interpretability of the generating rules, we propose a new technique for extracting fuzzy rules of a trained SVM. Moreover, the proposed model was developed for classification in multiple classes, which was not introduced till now. Fuzzy rules obtained are presented in the format if x1 belongs to the fuzzy set C1, x2 belongs to the fuzzy set C2 , … , xn belongs to the fuzzy set Cn , then the point x=(x1, x2, …xn) belongs to class A. For testing this new model, we performed detailed researches on four data bases: Iris, Wine, Bupa Liver Disorders and Wisconsin Breast Cancer. The rules´ coverage resultant of the application of this method was quite good, reaching 100% in Iris case. After the rules generation, its evaluation was performed using two criteria: coverage and accuracy. Besides the testing above, the performance of the methods for multi-class SVM described in this work was evaluated.