[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.

[pt] Este trabalho tem por objetivo criar um novo sistema de inferência fuzzy intervalar do tipo 2 para tratamento de incertezas com aprendizado automático e que proporcione um intervalo de confiança para as suas saídas defuzzificadas através do cálculo dos conjuntos tipo-reduzidos correspondentes. Para viabilizar este objetivo, este novo modelo combina os paradigmas de modelagem dos sistemas de inferência fuzzy do tipo 2 e redes neurais com técnicas de particionamento recursivo BSP. Este modelo possui principalmente a capacidade de modelar e manipular a maioria dos tipos de incertezas existentes em situações reais, minimizando os efeitos destas para produzir um melhor desempenho. Além disso, tem a capacidade autônoma de criar e expandir automaticamente a sua própria estrutura, de reduzir a limitação quanto ao número de entradas e de extrair regras de conhecimento a partir de um conjunto de dados. Este novo modelo fornece um intervalo de confiança, que se constitui em uma informação importante para aplicações reais. Neste contexto, este modelo supera as limitações dos sistemas de inferência fuzzy do tipo 2 - complexidade computacional, reduzido número de entradas permissíveis e forma limitada, ou inexistente, de criarem a sua própria estrutura e regras - e dos sistemas de inferência fuzzy do tipo 1 - adaptação incompleta a incertezas e não fornecimento de um intervalo de confiança para a saída. Os sistemas de inferência fuzzy do tipo1 também apresentam limitações quanto ao reduzido número de entradas permissíveis, mas o uso de particionamentos recursivos, já explorado com excelentes resultados [SOUZ99], reduz significativamente estas limitações. O trabalho constitui-se fundamentalmente em quatro partes: um estudo sobre os diferentes sistemas de inferência fuzzy do tipo 2 existentes, análise dos sistemas neuro-fuzzy hierárquicos que usam conjuntos fuzzy do tipo 1, modelagem e implementação do novo modelo neuro-fuzzy hierárquico BSP do tipo 2 e estudo de casos. O novo modelo, denominado modelo neuro-fuzzy hierárquico BSP do tipo 2 (NFHB-T2), foi definido a partir do estudo das características desejáveis e das limitações dos sistemas de inferência fuzzy do tipo 2 e do tipo 1 e dos sistemas neuro-fuzzy hierárquicos que usam conjuntos fuzzy do tipo 1 existentes. Desta forma, o NFHB-T2 é modelado e implementado com os atributos de interpretabilidade e autonomia, a partir da concepção de sistemas de inferência fuzzy do tipo 2, de redes neurais e do particionamento recursivo BSP. O modelo desenvolvido é avaliado em diversas bases de dados benchmark e aplicações reais de previsão e aproximação de funções. São feitas comparações com outros modelos. Os resultados encontrados mostram que o modelo NFHB-T2 fornece, em previsão e aproximação de funções, resultados próximos e em vários casos superiores aos melhores resultados proporcionados pelos modelos utilizados para comparação. Em termos de tempo computacional, o seu desempenho também é muito bom. Em previsão e aproximação de funções, os intervalos de confiança obtidos para as saídas defuzzificadas mostram-se sempre coerentes e oferecem maior credibilidade na maioria dos casos quando comparados a intervalos de confiança obtidos por métodos tradicionais usando as saídas previstas pelos outros modelos e pelo próprio NFHB-T2 . / [en] The objective of this thesis is to create a new type-2 fuzzy inference system for the treatment of uncertainties with automatic learning and that provides an interval of confidence for its defuzzified output through the calculation of corresponding type-reduced sets. In order to attain this objective, this new model combines the paradigms of the modelling of the type-2 fuzzy inference systems and neural networks with techniques of recursive BSP partitioning. This model mainly has the capacity to model and to manipulate most of the types of existing uncertainties in real situations, diminishing the effects of these to produce a better performance. In addition, it has the independent capacity to create and to expand its own structure automatically, to reduce the limitation referred to the number of inputs and to extract rules of knowledge from a data set. This new model provides a confidence interval, that constitutes an important information for real applications. In this context, this model surpasses the limitations of the type-2 fuzzy inference systems - complexity computational, small number of inputs allowed and limited form, or nonexistent, to create its own structure and rules - and of the type-1 fuzzy inference systems - incomplete adaptation to uncertainties and not to give an interval of confidence for the output. The type-1 fuzzy inference systems also present limitations with regard to the small number of inputs allowed, but the use of recursive partitioning, already explored with excellent results [SOUZ99], reduce significantly these limitations. This work constitutes fundamentally of four parts: a study on the different existing type-2 fuzzy inference systems, analysis of the hierarchical neuro- fuzzy systems that use type-1 fuzzy sets, modelling and implementation of the new type-2 hierarchical neuro-fuzzy BSP model and study of cases. The new model, denominated type-2 hierarchical neuro-fuzzy BSP model (T2-HNFB) was defined from the study of the desirable characteristics and the limitations of the type-2 and type-1 fuzzy inference systems and the existing hierarchical neuro-fuzzy systems that use type- 1 fuzzy sets. Of this form, the T2-HNFB model is modelling and implemented with the attributes of interpretability and autonomy, from the conception of type-2 fuzzy inference systems, neural networks and recursive BSP partitioning. The developed model is evaluated in different benchmark databases and real applications of forecast and approximation of functions. Comparisons with other models are done. The results obtained show that T2-HNFB model provides, in forecast and approximation of functions, next results and in several cases superior to the best results provided by the models used for comparison. In terms of computational time, its performance also is very good. In forecast and approximation of functions, the intervals of confidence obtained for the defuzzified outputs are always coherent and offer greater credibility in most of cases when compared with intervals of confidence obtained through traditional methods using the forecast outputs by the other models and the own T2-HNFB model.

[pt] A maioria dos estudos existentes em controle de qualidade de processos focam no desempenho de máquinas e ferramentas. Assim, estes já contam com bons métodos para serem controlados. Contudo, erros humanos em potencial estão presentes em todos os processos industriais que contenham a relação homem-máquina, fazendo com que a necessidade de se avaliar a qualidade do desempenho humano seja de igual importância. A abordagem para se avaliar quão suscetível à falha humana estão tais processos baseiam-se em probabilidades de erro, supondo que o desempenho humano funciona da mesma maneira que o desempenho de máquinas, ou em PSFs (Performance Shaping Factors), variáveis representativas de características de desempenho humano. Embora esta última abordagem seja mais eficiente, ainda existem críticas a sua falta de contextualização: tais características são avaliadas separadamente uma das outras, e independentemente da tarefa que o operador esteja realizando. Sistemas de Inferência Fuzzy (SIFs) permitem que variáveis lingüísticas sejam avaliadas em conjunto, isto é, passa a ser possível criar um modelo que assimile as nuances da variação do comportamento de um PSF concomitantemente com a alteração de outro PSF. Dessa forma, a caracterização da confiabilidade humana, considerando que diversos PSFs afetam no desempenho dos demais, pode ser satisfeita ao se fazer uso de SIFs interligados seqüencialmente - SIFs hierárquicos. Para se contextualizar a caracterização da confiabilidade humana por tarefa realizada, necessita-se que os PSFs pertinentes a cada determinada tarefa sejam medidos novamente e realimentados ao sistema (desenvolvido nesta dissertação). O SIF geral (composto por nove camadas de SIFs hierárquicos) foi testado com dados hipotéticos e dados reais de operadores e tarefas de uma empresa do setor elétrico brasileiro. Os resultados encontrados foram satisfatórios e evidenciaram que a Lógica Fuzzy, na forma de SIFs hierárquicos, pode ser utilizada para caracterizar a confiabilidade humana, com a vantagem de fazê-lo enquanto seu contexto é considerado. / [en] Most of existing studies in quality control focus on machinery performance. There are effective and advanced control methods to deal with that. However, potential human errors are present in every industrial process operated by humans. Therefore, evaluating the quality of human performance becomes as important as evaluate machinery s. The approach to evaluate how much processes are susceptible to human error are based on error probabilities, by assuming that human performance is similar to machinery performance, or on PSFs (Performance Shaping Factors) – variables representing human features. Although this based approach is more efficient, there are still criticisms about its lack of context awareness: those features are evaluated separately from one another, and regardless of which task the employee is performing. Fuzzy Inference Systems (FISs) allow linguistic variables to be evaluated simultaneously, thus making it possible to develop a method that gathers the nuances of behavioral changes of a PSF whilst another PSF varies. With this method, and considering that different PSFs affect the performance of others, human reliability can be assessed through the use of sequentially interconnected FISs – Hierarchical Fuzzy Inference Systems. In order to contextualize this assessment by tasks, each of the PSFs that affects each task will have to be measured and fed into the system (as developed within this dissertation) once per task and per employee. The main FIS (which contains nine layers of hierarchical FISs) was tested by using both hypothetical and real data from operators and tasks of a Brazilian electricity company. Results were satisfactory and attested that Fuzzy Logic, in the form of hierarchical FISs, can be used to assess human reliability, with the advantage of also taking the context into account.