Made available in DSpace on 2016-06-02T19:06:23Z (GMT). No. of bitstreams: 1 DissMGP.pdf: 1155179 bytes, checksum: 853fabfd715d513d373e075b049d726a (MD5) Previous issue date: 2004-08-20 / The success of Fuzzy Rule Based Systems is due to their ability to represent vague and uncertain knowledge and to the facility to express the system behavior in a language easily interpretable by human beings. The knowledge acquisition of a Fuzzy Rule Based System is done from a human expert, which is known as the direct approach to knowledge acquisition, or through methods that automatically extract this knowledge from numerical information that represent samples or examples of the problem. Genetic Algorithms have demonstrated to be a powerful tool to rule bases construction, rule bases optimization, membership functions generation and membership functions optimization. The main research focus of this work is the investigation of fuzzy systems automatic generation approaches applied to pattern classification problems, using genetic algorithms to the definition and tuning of fuzzy sets that belong to the fuzzy partitions of the domains involved, considering interpretability maintenance of the linguistic values. The genetic learning is employed only in the fuzzy system data base, that is, in the membership functions, either through the traditional way of tuning previously defined functions after the rule base has been defined or through the more recent approach of constructing membership functions before the rules definition. This kind of investigation requires the use of different rule generation methods, the rules being generated before or after the use of genetic algorithm. The combination Fuzzy Systems + Genetic Algorithms, known as Genetic Fuzzy Systems, has great acceptance in the scientific community, since this systems are robust and capable of finding good solutions in complex and irregular spaces. / O sucesso dos Sistemas Baseados em Regras Nebulosas deve-se à habilidade para representar o conhecimento vago e incerto e à facilidade de expressar o comportamento do sistema em uma linguagem facilmente interpretável pelos seres humanos. A aquisição de conhecimento de um Sistema Baseado em Regras Nebulosas é feita a partir de um especialista humano, a qual é conhecida como abordagem direta para aquisição do conhecimento, ou através de métodos que automaticamente extraem este conhecimento a partir de informações numéricas que representam amostras ou exemplos do problema. Algoritmos Genéticos vêm demonstrando ser uma poderosa ferramenta para a construção de bases de regras, otimização de bases de regras, geração de funções de pertinência e otimização de funções de pertinência. O principal foco de pesquisa deste trabalho é a investigação das abordagens de modelagem automática de sistemas nebulosos aplicados a problemas de classificação de padrões, através de algoritmos genéticos para a definição e sintonia dos conjuntos nebulosos que compõem as partições nebulosas dos domínios envolvidos, considerando a manutenção da interpretabilidade dos valores lingüísticos. O aprendizado genético é empregado somente na Base de Dados do sistema nebuloso, isto é, nas funções de pertinência, tanto pela maneira mais tradicional, de sintonizar as funções já definidas depois da definição das regras, como pela abordagem mais recente, de construir as funções de pertinência antes da definição das regras. Esse tipo de investigação supõe o uso de outros métodos para a geração das regras, sejam elas geradas antes ou depois da aplicação do algoritmo genético. A combinação de Sistemas Nebulosos + Algoritmos Genéticos, conhecida como Sistemas Genéticos Nebulosos, tem grande aceitação na comunidade científica, uma vez que estes sistemas são robustos e capazes de encontrar boas soluções em espaços complexos e irregulares.

Este trabalho é um estudo das dispersões metrológicas em aproximações de funções tidas como não conhecidas ou não totalmente conhecidas. A metodologia alternativa para esse fim são as redes neurais artificiais do tipo Multilayer Perceptrons (MLP), aqui utilizadas como aproximadoras de funções. As funções aproximadas são curvas de calibração decorrentes de indicações de instrumentos ou sistemas de medição numa calibração. Essas curvas levam consigo propriedades metrológicas e possuem, neste trabalho, papel de ponte entre os elementos considerados da teoria metrológica e os elementos considerados da teoria da Inteligência Computacional: as Multilayer Perceptrons (MLPs). Uma balança externa de medição de esforços aerodinâmicos e uma Língua Eletrônica (LE), aplicada na medição da concentração de cátions, foram os meios de aplicação dos conceitos dessa metodologia alternativa. As proposições desta tese visam implementar melhorias na exatidão do ajuste das curvas de calibração por meio da consideração dos seguintes fatores: grandezas de influências, incertezas nos Valores Objetivos (VOs), tendência de medição de erros sistemáticos ocultos ou não solvidos e indicadores de desempenho metrológicos. A indicação da qualidade na medição ou a indicação da competência metrológica de um laboratório de calibração é estabelecida pelos valores das incertezas, e a curva de calibração é o ponto de partida para os cálculos desses valores. Visto que o estabelecimento dessa curva é uma das dificuldades para o cálculo das incertezas e a própria curva é uma fonte de incerteza, sua aproximação requer uma a cuidadosa e meticulosa metodologia, daí a importância estratégica deste trabalho. As dispersões metrológicas possuem conotação de incertezas nas medições e elas são a base para a determinação de seu valor numérico; assim, os indicadores de desempenho podem representar essas dispersões e a recíproca também é verdadeira: a incerteza padrão pode ser um dos indicadores de desempenho. Sintetizando, nesta tese é mostrado de que forma a teoria da inteligência computacional adentra na teoria da metrologia e vice versa, nas esferas dos elementos aqui considerados. / The present study investigates metrological dispersions in fitting partially or totally unknown functions. An alternative method is the application of a multilayer perceptron neural network used here to fit functions. The fitting functions are calibration curves from calibration indications of measurement systems or instruments. These curves hold metrological properties and establish a link between elements of Metrological theory and elements of Computing Intelligence theory: the Multilayer Perceptrons. An external balance of aerodynamic forces and moments and an electronic tongue applied in the measurement of cation concentrations were the measurement systems used to apply the concepts of this alternative methodology. This thesis proposes improvements in the accuracy of fitting calibration curves considering the following factors: influence quantities, uncertainties about target values, tendency of hidden or not solved systematic errors and metrological performance functions. The measurement quality indicator or the laboratory metrological competence indicator is established by uncertainty values and the calibration curve is the starting point for the calculation of these values. The establishment of this curve is one of the difficulties in assessing uncertainties and the curve itself is an uncertainty source. Therefore, a careful and meticulous methodology is necessary in curve approximation, which explains the strategic importance of this work. Metrological dispersions have connotation of uncertainty in measurements and are the basis for calculating their numerical values, the performance functions can represent metrological dispersions and the opposite is also true: the standard uncertainty can be a performance function. Making a synthesis, this thesis demonstrates how computing intelligence theory takes into account the metrological theory and vice versa, in the elements of these theories that were discussed in the present study.

Este trabalho é um estudo das dispersões metrológicas em aproximações de funções tidas como não conhecidas ou não totalmente conhecidas. A metodologia alternativa para esse fim são as redes neurais artificiais do tipo Multilayer Perceptrons (MLP), aqui utilizadas como aproximadoras de funções. As funções aproximadas são curvas de calibração decorrentes de indicações de instrumentos ou sistemas de medição numa calibração. Essas curvas levam consigo propriedades metrológicas e possuem, neste trabalho, papel de ponte entre os elementos considerados da teoria metrológica e os elementos considerados da teoria da Inteligência Computacional: as Multilayer Perceptrons (MLPs). Uma balança externa de medição de esforços aerodinâmicos e uma Língua Eletrônica (LE), aplicada na medição da concentração de cátions, foram os meios de aplicação dos conceitos dessa metodologia alternativa. As proposições desta tese visam implementar melhorias na exatidão do ajuste das curvas de calibração por meio da consideração dos seguintes fatores: grandezas de influências, incertezas nos Valores Objetivos (VOs), tendência de medição de erros sistemáticos ocultos ou não solvidos e indicadores de desempenho metrológicos. A indicação da qualidade na medição ou a indicação da competência metrológica de um laboratório de calibração é estabelecida pelos valores das incertezas, e a curva de calibração é o ponto de partida para os cálculos desses valores. Visto que o estabelecimento dessa curva é uma das dificuldades para o cálculo das incertezas e a própria curva é uma fonte de incerteza, sua aproximação requer uma a cuidadosa e meticulosa metodologia, daí a importância estratégica deste trabalho. As dispersões metrológicas possuem conotação de incertezas nas medições e elas são a base para a determinação de seu valor numérico; assim, os indicadores de desempenho podem representar essas dispersões e a recíproca também é verdadeira: a incerteza padrão pode ser um dos indicadores de desempenho. Sintetizando, nesta tese é mostrado de que forma a teoria da inteligência computacional adentra na teoria da metrologia e vice versa, nas esferas dos elementos aqui considerados. / The present study investigates metrological dispersions in fitting partially or totally unknown functions. An alternative method is the application of a multilayer perceptron neural network used here to fit functions. The fitting functions are calibration curves from calibration indications of measurement systems or instruments. These curves hold metrological properties and establish a link between elements of Metrological theory and elements of Computing Intelligence theory: the Multilayer Perceptrons. An external balance of aerodynamic forces and moments and an electronic tongue applied in the measurement of cation concentrations were the measurement systems used to apply the concepts of this alternative methodology. This thesis proposes improvements in the accuracy of fitting calibration curves considering the following factors: influence quantities, uncertainties about target values, tendency of hidden or not solved systematic errors and metrological performance functions. The measurement quality indicator or the laboratory metrological competence indicator is established by uncertainty values and the calibration curve is the starting point for the calculation of these values. The establishment of this curve is one of the difficulties in assessing uncertainties and the curve itself is an uncertainty source. Therefore, a careful and meticulous methodology is necessary in curve approximation, which explains the strategic importance of this work. Metrological dispersions have connotation of uncertainty in measurements and are the basis for calculating their numerical values, the performance functions can represent metrological dispersions and the opposite is also true: the standard uncertainty can be a performance function. Making a synthesis, this thesis demonstrates how computing intelligence theory takes into account the metrological theory and vice versa, in the elements of these theories that were discussed in the present study.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The approach to knowledge about the probabilities of water excess occurrence enables the planning sunflower crop management, mainly about the sowing period. The objective of this study was quantify and analyze the occurrence of water excess through numerical study for sunflower crop sown on different dates, considering the storage capacity of water in different soils of the Central Region of Rio Grande do Sul and determine the probability distribution functions that better represent the water excess occurrence. Mathematical modeling was used to simulate the sunflower development, considering a medium maturity genotype. The simulation was done for 14 sowing dates in each year of the time series of 43 years of diary weather data from 1968 to 2011 of Main Climatological Station of Santa Maria (ECPSM). The number of days with water excess in different development stages of culture was determined for main soils of the region covered by the ECPSM. Capacity values of available water storage (CAD) were considered according soil and culture characteristics, being the water excess calculated using the Dialy Water Balance, represented by accumulated water in the soil exceeding the CAD. The distribution probability functions tested for the number of days with water excess were Normal, Exponential, Gamma, Lognormal and Weibull, and the Kolmogorov-Smirnov and Chi-square tests were used to check the fit of functions. The weather conditions were different for the different sowing dates simulated in 43 years, so that differentiate the simulations of the development cycle of the sunflower. Thus, difference was observed in the number of days with water excess between sowing dates for all sub-periods analyzed. In terms of functions, there was at least one function that is fitted in most of the cases, and when there was no possible fit, the empirical frequency was used to analyze the risk. The Weibull had the greatest number of adjustments for developmental cycle as well as for subperiods. Early August until mid-September sowing dates are those with the greatest number of days with water excess, considering the whole development cycle of sunflower, regardless of the soil CAD. / A abordagem do conhecimento acerca das probabilidades de ocorrência de excedentes hídricos permite o planejamento do manejo da cultura do girassol, principalmente quanto ao período de semeadura. O objetivo do presente trabalho foi quantificar e analisar a ocorrência de excesso hídrico, por meio de estudo numérico, para a cultura do girassol semeada em diferentes datas, considerando-se a capacidade de armazenamento de água nos diferentes solos da região central do Rio Grande do Sul e determinar as funções de distribuição de probabilidade que melhor representam a ocorrência de excesso hídrico. Foi utilizada a modelagem matemática para simular o desenvolvimento da cultura do girassol, considerandose um genótipo de grupo de maturidade médio, sendo a simulação feita para 14 datas de semeadura em cada ano da série histórica de 43 anos de dados meteorológicos da Estação Climatológica Principal de Santa Maria (ECPSM), desde 1968 até 2011. A ocorrência de dias com excesso hídrico nos diferentes subperíodos da cultura foi determinada para os principais solos da região de abrangência da ECPSM. Foram considerados os valores de capacidade de armazenamento de água disponível (CAD) conforme características dos solos e da cultura, sendo o excesso hídrico calculado por meio do Balanço Hídrico Sequencial Diário, representado pelo acumulado de água no solo excedente à CAD. As funções de distribuição de probabilidade testadas para o número de dias com excesso hídrico foram Normal, Exponencial, Gama, Lognormal e Weibull, sendo utilizados os teste de Kolmogorov-Smirnov e Chi-Quadrado para verificar o ajuste das funções. As condições meteorológicas foram distintas para as diferentes datas de semeadura simuladas nos 43 anos, de modo a diferenciar as simulações do ciclo de desenvolvimento do girassol. Assim, houve diferença no número de dias com excesso hídrico entre as datas de semeadura para todos os subperíodos analisados. Em relação às funções, houve pelo menos uma função que se ajustou na maioria dos casos, sendo que quando não houve ajuste possível foi utilizada a frequência empírica para analisar o risco. A função Weibull apresentou maior número de ajustes, tanto para o ciclo de desenvolvimento quanto para os subperíodos. As datas de semeadura de início de agosto até meados de setembro são as que apresentam a maior ocorrência de dias com excesso hídrico, considerando todo o ciclo de desenvolvimento do girassol, independente da CAD do solo.