Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-01-13T14:35:43Z No. of bitstreams: 1 ArtejoseRevoredoDaSilva_DISSERT.pdf: 15158528 bytes, checksum: 4aa5411704db7ed0abe93c1d6be7b4b5 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-01-26T14:53:00Z (GMT) No. of bitstreams: 1 ArtejoseRevoredoDaSilva_DISSERT.pdf: 15158528 bytes, checksum: 4aa5411704db7ed0abe93c1d6be7b4b5 (MD5) / Made available in DSpace on 2017-01-26T14:53:00Z (GMT). No. of bitstreams: 1 ArtejoseRevoredoDaSilva_DISSERT.pdf: 15158528 bytes, checksum: 4aa5411704db7ed0abe93c1d6be7b4b5 (MD5) Previous issue date: 2016-07-20 / Os laborat?rios de an?lises qu?micas, por se constitu?rem em um conjunto de testes e procedimentos, usando produtos e equipamentos espec?ficos para tratar dos resultados nas amostras que s?o testadas, est?o sempre sujeitos aos fatores inerentes ao ambiente. Devido a esse fato, controlar fatores como a temperatura e a umidade relativa do ar ? tarefa primordial, para que os processos desenvolvidos dentro de tais ambientes (laborat?rios de an?lises qu?micas) possam ser repetidos dentro dos par?metros exigidos. Buscando propor mecanismos de controle para ambientes, mais especificamente para laborat?rios de an?lises qu?micas, neste trabalho, apresentamos um sistema baseado em rede de sensores e reconhecimento de padr?es para controle inteligente de ambientes. Nosso prot?tipo utiliza os pr?prios dados gerados pelos sensores distribu?dos pelo ambiente, para identificar um padr?o de comportamente. Atrav?s da utiliza??o de algoritmos de aprendizado de m?quina, identificam-se as classes contidas nos dados (agrupamento), treina-se e testa-se o sistema (algoritmos de classifica??o), para que o mesmo consiga generalizar o que foi aprendido. Por ?ltimo, criam-se regras de controle associadas as classes previamente identificadas, para controlar os aparelhos de ar condicionado, tanto o principal quanto o reserva, e mais o desumificador. Dessa forma, o prot?tipo mant?m temperatura e umidade estaveis de forma inteligente.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-04-04T18:57:08Z No. of bitstreams: 1 GeorgeOliveiraDeAraujoAzevedo_DISSERT.pdf: 13409798 bytes, checksum: 2b80da129a9eaf742197ec7d854bc74b (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-04-12T22:17:49Z (GMT) No. of bitstreams: 1 GeorgeOliveiraDeAraujoAzevedo_DISSERT.pdf: 13409798 bytes, checksum: 2b80da129a9eaf742197ec7d854bc74b (MD5) / Made available in DSpace on 2017-04-12T22:17:49Z (GMT). No. of bitstreams: 1 GeorgeOliveiraDeAraujoAzevedo_DISSERT.pdf: 13409798 bytes, checksum: 2b80da129a9eaf742197ec7d854bc74b (MD5) Previous issue date: 2016-11-25 / Com o surgimento de t?cnicas de controle que utilizam estrat?gias n?o lineares combinadas com algoritmos da intelig?ncia artificial, tem sido poss?vel em diversas ?rea da engenharia o controle eficaz de sistemas n?o lineares, mesmo na presen?a de elevado grau de incertezas. A l?gica difusa (fuzzy) se destaca dentre as t?cnicas de intelig?ncia artificial tanto pela facilidade de sua implementa??o quanto pela semelhan?a entre o seu processo de infer?ncia e o racioc?nio humano. Outra vantagem reside no fato da l?gica difusa n?o necessitar de conhecimento pr?vio do modelo do sistema, quando aplicada ao controle de sistemas din?micos. No que tange ?s estrat?gias de controle n?o linear, a principal limita??o da t?cnica de lineariza??o por realimenta??o, por exemplo, est? na necessidade do conhecimento do modelo do sistema. Os sistemas eletro-hidr?ulicos, por sua vez, possuem modelo n?o linear de dif?cil controle pelas t?cnicas tradicionais e s?o utilizados em diversas ?reas da engenharia, como por exemplo nos setores industrial e aeroespacial. Desta forma, mostra-se extremamente importante que seu controle seja realizado de maneira eficiente, tanto por quest?es de economia quanto de seguran?a. Partindo das dificuldades apresentadas ao tentar controlar esse tipo de sistema, s?o apresentadas propostas de utiliza??o da t?cnica de controle de lineariza??o por realimenta??o em conjunto com a l?gica difusa para compensar a n?o linearidade de zona morta e demais incertezas inerentes a este tipo de sistema. Para avaliar o desempenho das estrat?gias de controle propostas s?o realizadas simula??es num?ricas utilizando um modelo n?o linear simplificado desse sistema e tamb?m s?o desenvolvidos testes experimentais em um atuador eletro-hidr?ulico de bancada.

Submitted by Haroudo Xavier Filho (haroudo.xavierfo@ufpe.br) on 2016-04-06T18:16:38Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) SISTEMA DE PREDIÇÃO DE ESTADOS DE TRANSDUTORES PARA AMBIEN.pdf: 2277201 bytes, checksum: 566bf1bfadd889426473a7471d98ef39 (MD5) / Made available in DSpace on 2016-04-06T18:16:38Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) SISTEMA DE PREDIÇÃO DE ESTADOS DE TRANSDUTORES PARA AMBIEN.pdf: 2277201 bytes, checksum: 566bf1bfadd889426473a7471d98ef39 (MD5) Previous issue date: 2015-08-26 / CNPq / Nos Ambientes Inteligentes, os dispositivos colaboram entre si para auxiliar o usuário de forma não intrusiva. Uma forma de auxílio é antecipar as ações do usuário e realizá-las por ele ou facilitar a sua realização. Esse trabalho propõe um framework para a predição das ações do usuário pelo aprendizado do seu comportamento e hábitos enquanto ele interage com o Ambiente Inteligente. As ações do usuário é considerada como sendo a troca do valor de um transdutor (sensor ou atuador). A interação do usuário com o Ambiente Inteligente produz o contexto que é utilizado para a predição das ações. O preditor é um algoritmo de classificação supervisionada que aprende os padrões de comportamento do habitante do Ambiente Inteligente. Portanto, a solução proposta pode prover um serviço personalizado e adaptativo ao invés de um conjunto de regras predefinido por humanos. O preditor trabalha apenas com um transdutor alvo e para prever valores de mais transdutores, mais preditores devem ser treinados. A solução proposta é projetada para funcionar automaticamente sem a necessidade de interferência humana. Isso faz com que o habitante do Ambiente Inteligente sinta-se mais confortável já que sua privacidade estará protegida. Todas as informações para treinar o preditor podem ser obtidas diretamente dos transdutores do Ambiente Inteligente. Não existe a necessidade de anotação manual dos dados e nem dados extras como tipo do transdutor, localização do transdutor ou objeto ao qual o transdutor está acoplado. Isso aumenta a facilidade de instalação dos transdutores no Ambiente Inteligente. A saída do preditor pode tanto controlar diretamente um atuador ou ser enviada a um agente de software. Esse agente pode verificar condições de segurança ou requisitos de gerenciamento de energia antes de tomar a decisão. O foco desse trabalho é a geração de uma base de dados com os dados do contexto para o treinamento do preditor responsável por decidir se o transdutor alvo deverá ou não mudar seu valor. Vários parâmetros são considerados como o tamanho do período de treinamento, quantidade de ativações passadas que serão consideradas e quais são os transdutores mais relevantes para a predição. A solução proposta atinge uma melhora significativa para todos os transdutores estudados e a maioria das combinações de parâmetros da geração da base de dados possuem resultados melhores que o caso base. Além disso, os nossos resultados são superiores às outras soluções da literatura. / Smart environments possess devices that collaborate to help the user non-intrusively. One possible aid smart environment offer is to anticipate user’s tasks and perform them on his/her behalf or facilitate the action completion. In this work, we propose a framework that predicts user’s actions by learning his/her behavior when interacting with the smart environment. The user actions are considered as being the value change of a transducer (sensor or actuator). The user interaction with the smart environment produces the context used to predict the actions. The predictor is a supervised classification algorithm that learns the smart environment inhabitant behavior patterns. Therefore, the proposed solution can provide a personalized and adaptive service instead of a human predefined set of rules. The predictor works with only one transducer and to predict the values of several transducers, more predictors must be trained. The proposed solution is designed to work automatically without the need of human interference. That makes the smart environment inhabitant more comfortable since his/her privacy is protected. All the information needed to train the predictor can be obtained directly from the smart environment transducers. There is no need for manual data annotation or extra data such as transducer type, transducer location or which object the transducer is attached to. This facilitates the transducer installation in the smart environment. The predictor output can either control directly an actuator or be sent to an software agent. This software agent can check for security or energy constraints before making the decision. This work focus on prepare datasets and train a predictor that is responsible to decide whether a target transducer value should be changed or not. Several parameters are considered such as the training period size, amount of previous transducer activations considered and which are the most relevant transducers for the prediction. Our solution achieves a significant improvement for all target transducers studied and most combinations of parameters yields better results than the base case. Our results are superior to other solutions in the literature.

Submitted by Edisangela Bastos (edisangela@ufpa.br) on 2013-01-14T18:46:34Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_SistematizacaoProjetosControladores.pdf: 2279028 bytes, checksum: 1dc03c44968f11a40f0cc54493cb1927 (MD5) / Approved for entry into archive by Ana Rosa Silva(arosa@ufpa.br) on 2013-01-17T15:31:44Z (GMT) No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_SistematizacaoProjetosControladores.pdf: 2279028 bytes, checksum: 1dc03c44968f11a40f0cc54493cb1927 (MD5) / Made available in DSpace on 2013-01-17T15:31:44Z (GMT). No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_SistematizacaoProjetosControladores.pdf: 2279028 bytes, checksum: 1dc03c44968f11a40f0cc54493cb1927 (MD5) Previous issue date: 2009 / Através do uso da programação em linguagem orientada a objetos e, aplicando-se uma técnica de programação específica, é possível gerar um conjunto de classes genéricas cujos objetos representam cada bloco de um controlador fuzzy e também suas variáveis linguísticas. Tais classes, sendo aplicadas de forma sistemática, facilitam a programação de uma variedade de controladores desta natureza. Este trabalho apresenta a referida técnica e mostra os resultados obtidos através de um modelo simulado de um pêndulo rotacional invertido que é controlado por um sistema de controle composto por três controladores fuzzy, projetados e construídos sob este ponto de vista. / By using object oriented language programming and, applying a specific programming technique, it‟s possible to generate a set of generic classes whose objects represent each block of a fuzzy controller as well its linguistic variables. Such classes, being applied in a systematic way, make easy the programming of a set of controllers of this nature. This work presents this technique and shows the results obtained via a model simulation of a inverted rotational pendulum which is controlled by a control system composed by three fuzzy controllers designed and built under this point of view.

166f. / Submitted by Suelen Reis (suziy.ellen@gmail.com) on 2013-04-10T19:35:07Z No. of bitstreams: 1 Luciana Pacheco seg.pdf: 3529890 bytes, checksum: 13857ac04543f1bbc9fd4d7ed9849eba (MD5) / Approved for entry into archive by Rodrigo Meirelles(rodrigomei@ufba.br) on 2013-05-11T15:30:28Z (GMT) No. of bitstreams: 1 Luciana Pacheco seg.pdf: 3529890 bytes, checksum: 13857ac04543f1bbc9fd4d7ed9849eba (MD5) / Made available in DSpace on 2013-05-11T15:30:28Z (GMT). No. of bitstreams: 1 Luciana Pacheco seg.pdf: 3529890 bytes, checksum: 13857ac04543f1bbc9fd4d7ed9849eba (MD5) Previous issue date: 2011 / Em sistemas industriais automatizados, a inatividade provocada pela escassez não planejada de recursos, ou por falhas de processo, tem grande influência no desempenho dos sistemas por conta das descontinuidades e instabilidades geradas. Sistemas de controle distribuídos e autônomos podem ajudar a lidar com esses tipos de problemas devido à melhoria de desempenho possibilitada. Entretanto, aspectos relativos à segurança e ao tempo de resposta devem ser bem tratados nesses sistemas devido aos riscos envolvidos (humanos, financeiros e ambientais). A proposta de sistemas autônomos e distribuídos visa a que decisões de controle sejam tomadas mais próximas do objeto controlado, reduzindo assim o tempo de atuação no processo e sistematizando algumas decisões, antes tomadas de forma empírica. Consequentemente, se espera aumentar a disponibilidade e a continuidade do processo, bem como garantir os aspectos de confiabilidade. Entretanto, quando tais sistemas se tornam mais autônomos e distribuídos, podem tender ao comportamento global caótico, caso suas interações não estejam bem definidas. Assim, é importante que seja avaliado e dimensionado o acoplamento entre os sistemas autônomos relacionados. O grau de inteligência de um sistema pode variar de uma entidade completamente controlada a entidades completamente autônomas. O primeiro nível de inteligência é verificado quando um sistema é capaz de gerenciar suas próprias informações, obtidas por meio de sensores e demais técnicas e dispositivos, e não somente manipular informações. Em um segundo nível, o sistema pode notificar o seu gestor quando há um problema. Em um terceiro nível, o sistema já é capaz de tomar decisões e se autogerenciar, mesmo sem intervenção externa. Neste caso, o sistema tem controle total sobre suas tarefas e não há nenhum controle externo a ele. A alternativa proposta pelo GCAD visa a que Sistemas Industriais Automatizados atinjam até o terceiro nível de inteligência, sendo que intervenções externas podem ser admitidas nos casos em que uma ação puramente local e autônoma de fato não é recomendável ou não é possível, por exemplo, havendo necessidade de substituição de equipamentos ou dispositivos. O GCAD propõe um módulo de controle inteligente instanciado predominantemente em nível local que visa a permitir que cada Sistema Industrial Automatizado, distribuído em células, tome decisões críticas de uma forma autônoma. Adicionalmente, um módulo remoto deve gerenciar situações mais complexas que estão além da capacidade de decisão ou atuação do sistema de controle local. O modelo proposto visa a permitir ajustes automáticos e autônomos no sistema, a fim de melhorar seu desempenho, e prevenir ou tratar as falhas inesperadas,assegurando a continuidade da operação. / Salvador

CAPES / O conforto e a liberdade de movimentos de pacientes com doenças crônicas e que têm que ser continuamente monitorados é um tema que tem incentivado o desenvolvimento de novas tecnologias como as redes de sensores corporais sem fios (WBAN) e novas áreas de pesquisa como a telemedicina. Além disso, a incorporação de software inteligente que permite simular o raciocínio dos especialistas, auxiliá-los na tomada de decisões e detectar com antecedência condições anormais ou tendência ao desenvolvimento de determinadas doenças, abre um campo ainda maior de pesquisas, como o campo da Inteligência Artificial na Medicina (AIM). O monitoramento de pacientes por meio de equipamentos sem fios, em conjunto com a tecnologia AIM, permite desenvolver soluções práticas para monitorar pacientes sem descuidar de seu conforto. Nesta tese foram pesquisadas técnicas inteligentes para o desenvolvimento de uma aplicação que permita monitorar cinco sinais vitais de pacientes sem que eles precisem usar leitos hospitalares. Em uma primeira etapa, os procedimentos médicos tipicamente usados pelos especialistas para avaliar um paciente foram estudados e transformados em regras para o modelo fuzzy. O modelo fuzzy proposto permite analisar o estado clínico presente do paciente e criar as saídas desejadas (targets) que permitam treinar as redes neurais artificiais. Posteriormente foi desenvolvido um modelo neural que, analisando os dados atuais e saídas anteriores do paciente, permite prever o seu estado clínico futuro próximo. A fim de achar a metodologia mais exata, cinco redes neurais artificiais foram analisadas e comparadas umas às outras. As redes Elman MISO, Elman MIMO, e NNARX – totalmente conectadas e podadas – foram testadas. O modelo fuzzy teve um excelente resultado concordando com as respostas dadas pelos especialistas em 99,76% dos casos. Depois de analisar as redes propostas no conjunto de validação, os resultados revelaram que unicamente a rede NNARX podada pode oferecer a mais alta acurácia de 99,82%, enquanto os outros modelos degradam o seu desempenho em até 35%. As técnicas de parada antecipada para o treinamento junto com a obtenção de valores médios de MSE, FPE e coeficientes de correlação conseguiram obter as melhores topologias de cada tipo de rede, fazendo quase desnecessária a sua poda. As redes NNARX e P-NNARX conseguiram resultados bem melhores que as redes restantes, mas a acurácia na rede P-NNARX observou um aumento de 1,27% em relação à rede NNARX. Como conclusão, pode-se dizer que, para este caso particular, as redes NNARX capturam a essência do sistema dinâmico não linear muito melhor do que as redes Elman. Finalmente, a rede P-NNARX foi a escolhida para a implementação do sistema inteligente proposto nesta tese. A sua acurácia foi de 99,25% para uma predição no tempo (t + d), onde d = 1 segundo, utilizando os dados de 30 novos pacientes. Foram feitas mais provas com periodos de predição maiores e o sistema demostrou uma ligeira diminuição na acurácia, chegando a 94,58% para d = 60 segundos, mas ainda ficando na faixa dos 90%. Os resultados demonstram o alto nível de generalização do sistema e o excelente desempenho na predição dos três estados clínicos do paciente (estável, semiestável e instável). Pretende-se que este sistema inteligente possa ser usado como ferramenta para a medicina preventiva em pacientes crônicos. / The comfort and freedom of movements of patients that have to be continually monitored is a theme that has motivated the development of new technologies such as networks of wireless body sensors (WBAN) and new research areas such as telemedicine. In addition, the incorporation of intelligent software to simulate the reasoning of experts, assist them in decision making and in early detection of abnormal conditions or tendencies to develop certain diseases, opens an even larger field of research, such as the field of Artificial Intelligence in Medicine (AIM beings its acronym in English). Patient monitoring through wireless equipment and AIM technology allows to develop practical solutions to control patients in environments outside of clinics or hospitals. In this thesis, intelligent tools were used for the development of an application that allows monitoring of five vital signs of patients without them being present in a hospital bed. In a first step, typical medical procedures used by specialists for evaluating a patient were studied and transformed into rules for the fuzzy model. The proposed fuzzy model allows the analysis of the current state of the patient to create the desired outputs (targets) that are used to train the artificial neural networks. Then, a neural model was developed which, by analysing current and historic patient data, forecasts patients’ clinical status in the near future. In order to find the most exact methodology, five artificial neural networks were analyzed and compared with each other using thousands of real patient data sets. Elman MISO, Elman MIMO and NNARX – fully connected and pruned – were tested. The fuzzy model answered in a excelent form, agreeing in 99.76% to the answers given by the experts. After analizing the proposed networks in the validation dataset, it was discovered that the pruned NNARX can offer the highest overall accuracy of 99.82%, whereas the others show a decrease of up to 35%. Through techniques such as early stopping for the training with the search of the mean of MSE, FPE and correlation coefficients it was possible to achieve the best topologies of every network type, making their pruning almost unnecessary. The fully connected NNARX and the P-NNARX achieved much better results than other networks, but an increase of 1.27% was observed in the overall accuracy of the pruned network with respect to the NNARX. It can be said that for this particular case, NNARX networks capture the essence of the non-linear dynamic system much better than Elman. Finally, the P-NNARX model was chosen for the implementation of the proposed smart system. Its overall acuracy was of 99.25%, for the prediction time (t + d), with d = 1 second, by using unseen data of 30 new patients. More tests made with longer prediction periods demonstrate a slight decrease in the overall accuracy reaching up to 94.58% for d = 60 seconds. Nevertheless, it still remained over 90%. Results demonstrate the high generalization level of the system and its excellent performance in predicting the three possible patient conditions (stable, semi-stable, unstable). The next step is to turn this intelligent system into an usefull tool for preventive medicine for chronic patients.

CAPES / O conforto e a liberdade de movimentos de pacientes com doenças crônicas e que têm que ser continuamente monitorados é um tema que tem incentivado o desenvolvimento de novas tecnologias como as redes de sensores corporais sem fios (WBAN) e novas áreas de pesquisa como a telemedicina. Além disso, a incorporação de software inteligente que permite simular o raciocínio dos especialistas, auxiliá-los na tomada de decisões e detectar com antecedência condições anormais ou tendência ao desenvolvimento de determinadas doenças, abre um campo ainda maior de pesquisas, como o campo da Inteligência Artificial na Medicina (AIM). O monitoramento de pacientes por meio de equipamentos sem fios, em conjunto com a tecnologia AIM, permite desenvolver soluções práticas para monitorar pacientes sem descuidar de seu conforto. Nesta tese foram pesquisadas técnicas inteligentes para o desenvolvimento de uma aplicação que permita monitorar cinco sinais vitais de pacientes sem que eles precisem usar leitos hospitalares. Em uma primeira etapa, os procedimentos médicos tipicamente usados pelos especialistas para avaliar um paciente foram estudados e transformados em regras para o modelo fuzzy. O modelo fuzzy proposto permite analisar o estado clínico presente do paciente e criar as saídas desejadas (targets) que permitam treinar as redes neurais artificiais. Posteriormente foi desenvolvido um modelo neural que, analisando os dados atuais e saídas anteriores do paciente, permite prever o seu estado clínico futuro próximo. A fim de achar a metodologia mais exata, cinco redes neurais artificiais foram analisadas e comparadas umas às outras. As redes Elman MISO, Elman MIMO, e NNARX – totalmente conectadas e podadas – foram testadas. O modelo fuzzy teve um excelente resultado concordando com as respostas dadas pelos especialistas em 99,76% dos casos. Depois de analisar as redes propostas no conjunto de validação, os resultados revelaram que unicamente a rede NNARX podada pode oferecer a mais alta acurácia de 99,82%, enquanto os outros modelos degradam o seu desempenho em até 35%. As técnicas de parada antecipada para o treinamento junto com a obtenção de valores médios de MSE, FPE e coeficientes de correlação conseguiram obter as melhores topologias de cada tipo de rede, fazendo quase desnecessária a sua poda. As redes NNARX e P-NNARX conseguiram resultados bem melhores que as redes restantes, mas a acurácia na rede P-NNARX observou um aumento de 1,27% em relação à rede NNARX. Como conclusão, pode-se dizer que, para este caso particular, as redes NNARX capturam a essência do sistema dinâmico não linear muito melhor do que as redes Elman. Finalmente, a rede P-NNARX foi a escolhida para a implementação do sistema inteligente proposto nesta tese. A sua acurácia foi de 99,25% para uma predição no tempo (t + d), onde d = 1 segundo, utilizando os dados de 30 novos pacientes. Foram feitas mais provas com periodos de predição maiores e o sistema demostrou uma ligeira diminuição na acurácia, chegando a 94,58% para d = 60 segundos, mas ainda ficando na faixa dos 90%. Os resultados demonstram o alto nível de generalização do sistema e o excelente desempenho na predição dos três estados clínicos do paciente (estável, semiestável e instável). Pretende-se que este sistema inteligente possa ser usado como ferramenta para a medicina preventiva em pacientes crônicos. / The comfort and freedom of movements of patients that have to be continually monitored is a theme that has motivated the development of new technologies such as networks of wireless body sensors (WBAN) and new research areas such as telemedicine. In addition, the incorporation of intelligent software to simulate the reasoning of experts, assist them in decision making and in early detection of abnormal conditions or tendencies to develop certain diseases, opens an even larger field of research, such as the field of Artificial Intelligence in Medicine (AIM beings its acronym in English). Patient monitoring through wireless equipment and AIM technology allows to develop practical solutions to control patients in environments outside of clinics or hospitals. In this thesis, intelligent tools were used for the development of an application that allows monitoring of five vital signs of patients without them being present in a hospital bed. In a first step, typical medical procedures used by specialists for evaluating a patient were studied and transformed into rules for the fuzzy model. The proposed fuzzy model allows the analysis of the current state of the patient to create the desired outputs (targets) that are used to train the artificial neural networks. Then, a neural model was developed which, by analysing current and historic patient data, forecasts patients’ clinical status in the near future. In order to find the most exact methodology, five artificial neural networks were analyzed and compared with each other using thousands of real patient data sets. Elman MISO, Elman MIMO and NNARX – fully connected and pruned – were tested. The fuzzy model answered in a excelent form, agreeing in 99.76% to the answers given by the experts. After analizing the proposed networks in the validation dataset, it was discovered that the pruned NNARX can offer the highest overall accuracy of 99.82%, whereas the others show a decrease of up to 35%. Through techniques such as early stopping for the training with the search of the mean of MSE, FPE and correlation coefficients it was possible to achieve the best topologies of every network type, making their pruning almost unnecessary. The fully connected NNARX and the P-NNARX achieved much better results than other networks, but an increase of 1.27% was observed in the overall accuracy of the pruned network with respect to the NNARX. It can be said that for this particular case, NNARX networks capture the essence of the non-linear dynamic system much better than Elman. Finally, the P-NNARX model was chosen for the implementation of the proposed smart system. Its overall acuracy was of 99.25%, for the prediction time (t + d), with d = 1 second, by using unseen data of 30 new patients. More tests made with longer prediction periods demonstrate a slight decrease in the overall accuracy reaching up to 94.58% for d = 60 seconds. Nevertheless, it still remained over 90%. Results demonstrate the high generalization level of the system and its excellent performance in predicting the three possible patient conditions (stable, semi-stable, unstable). The next step is to turn this intelligent system into an usefull tool for preventive medicine for chronic patients.

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)

Submitted by camilla martins (camillasmmartins@gmail.com) on 2016-12-09T15:11:41Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_ControleInteligenteLQR.pdf: 2310311 bytes, checksum: 11af2680d8c53f2af5c55aa84abe2822 (MD5) / Rejected by Edisangela Bastos (edisangela@ufpa.br), reason: on 2016-12-15T12:03:10Z (GMT) / Submitted by camilla martins (camillasmmartins@gmail.com) on 2016-12-15T13:34:29Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_ControleInteligenteLQR.pdf: 2310311 bytes, checksum: 11af2680d8c53f2af5c55aa84abe2822 (MD5) / Rejected by Edisangela Bastos (edisangela@ufpa.br), reason: on 2016-12-15T14:00:21Z (GMT) / Submitted by camilla martins (camillasmmartins@gmail.com) on 2016-12-15T14:24:22Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_ControleInteligenteLQR.pdf: 2310311 bytes, checksum: 11af2680d8c53f2af5c55aa84abe2822 (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2016-12-19T13:20:56Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_ControleInteligenteLQR.pdf: 2310311 bytes, checksum: 11af2680d8c53f2af5c55aa84abe2822 (MD5) / Made available in DSpace on 2016-12-19T13:20:56Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_ControleInteligenteLQR.pdf: 2310311 bytes, checksum: 11af2680d8c53f2af5c55aa84abe2822 (MD5) Previous issue date: 2008-08-30 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nesta tese é apresentado um modelo neuro-genético, orientado a síntese de controladores no espaço de estado baseado no projeto do Regulador Linear Quadrático, para alocação de autoestrutura em sistemas dinâmicos multivariáveis. O modelo neuro-genético representa uma fusão de um algoritmo genético e uma rede neural recorrente para realizar a seleção das matrizes de ponderação e resolver a equação algébrica de Riccati, respectivamente. Um modelo de 6a ordem de uma aeronave, um modelo de 6a ordem de um gerador de indução duplamente alimentado de uma planta eólica e um modelo de 4a ordem de um circuito elétrico, são usados para avaliar a fusão dos paradigmas de inteligência computacional e o desempenho da metodologia do projeto de controle. O desempenho dos modelos neuro-genéticos são avaliados por momentos estatísticos de primeira e segunda ordem para o algoritmo genético, enquanto que a rede neural é avaliada por superfícies da função energia e da norma do infinito da equação algébrica de Riccati. São feitas comparações com o método de Schur. / In this thesis is presented a neural-genetic model, oriented to state space controllers synthesis, based on the Linear Quadratic Regulator design, for eigenstructure assignment of multivariable dynamic systems. The neural-genetic model represents a fusion of a genetic algorithm and a recurrent neural network to perform the weighting matrices selection and the algebraic Riccati equation solution, respectively. In order to a assess the LQR design, the procedure was applied in a 6th order aircraft model, 6th order doubly fed induction generator model of a wind plant and a 4th order electric circuit model which were used to evaluate the fusion of the computational intelligence paradigms and the control design method performance.The performance of the neural-genetic models are evaluated by the first and second statistics moments for the genetic algorithm, whereas the neural network is evaluated by surfaces of the energy function and of the norm of the infinity of the algebraic equation of Riccati and the results compared to the results obtained by using Schur’s Method.

This work presents an intelligent control of position and velocity to a climber robot developed to perform inspections of pressure vessels. The climber robot has steerable and magnetic wheels, which makes it similar to an omnidirectional robot due to its high maneuverability. The intelligent velocity control proposed uses the switching Fuzzy controllers according to the movement to be performed, which allow the use of all the robot's movement potential respecting the constraints imposed by the dynamic model and magnetic adhesion. Also, a position controller was developed in cascade with the speed controller to verify the navigation capability of the robot in a 2D environment. Simulated and experimental tests are applied for validation of control techniques implemented and they're presented at the end of this work. / Este trabalho apresenta um controle inteligente de posição e velocidade para um robô escalador desenvolvido para realizar inspeções em vasos de pressões. O robô escalador possui rodas direcionáveis e magnéticas, o que o torna similar a um robô omnidirecional em virtude da sua alta manobrabilidade. O controle inteligente de velocidade proposto utiliza o chaveamento de controladores Fuzzy de acordo com o movimento a ser realizado, que permitem a utilização de todo o potencial de movimentação do robô respeitando as restrições impostas pelo modelo dinâmico e pela adesão magnética. Também foi projetado um controlador de posição em cascata com o de velocidade para a verificação da capacidade de navegação do robô em um ambiente 2D. Testes simulados e experimentais são aplicados para a validação das técnicas de controle implementadas e são apresentados ao final do trabalho.