No description available.

[pt] Métodos de previsão são muito importantes para o desenvolvimento de diversas atividades no cotidiano produtivo de nossa sociedade. Vários modelos estatísticos são desenvolvidos até hoje, contudo possuem muitos pressupostos que devem ser seguidos com o intuito de se obter uma resposta aceitável. Modelos não estatísticos para prever séries temporais como os que envolvem Sistemas de Inferência Fuzzy (SIFs) fornecem uma descrição do processo de previsão por meio de regras linguísticas. Explora-se, nesta dissertação, o GPFIS-Forecast: versão do GPFIS - Sistema de Inferência Fuzzy Genético baseado em Programação Genética Multigênica - para previsão de série temporais univariadas. O modelo apresenta, em sua execução, quatro etapas básicas: Fuzzificação, Inferência, Defuzzificação e Avaliação. Em cada uma destas etapas, pode-se fazer uso de diferentes configurações, com implicações evidentes nos resultados finais. Este trabalho propõe o aperfeiçoamento do GPFIS-Forecast em duas vertentes principais:( i) aumentar a quantidade de possibilidades de configurações, avaliando se podem contribuir significativamente para a acurácia das previsões;(ii) adicionar informações complementares como alternativas para a interpretação do resultado do modelo, tendo como compromisso tanto a acurácia e quanto a interpretabilidade. Os estudos de caso demonstram que, em casos de séries temporais com pouca tendência, o GPFIS-Forecast apresenta uma acurácia entre as 10 melhores da competição NN3; quando há forte tendência, faz-se necessário o uso de pré-processamento, prejudicando a interpretabilidade do resultado. Os Limites de Previsão Fuzzy introduzidos neste trabalho agregam mais informação ao resultado da previsão pontual, apontando possíveis ajustes finais nas bases de regras de modelos com maior granularidade. / [en] Forecasting methods are very important for the development of various activities in everyday society. Several statistical models have been developed, but many assumptions must be made in order to obtain an acceptable response. Nonstatistical models for time series forecasting such as those involving systems Fuzzy Inference Systems (FIS) provide a description of the process through linguistic rules. This dissertation delves into GPFISForecast: a version of GPFIS - Fuzzy Inference System based on Multigene Genetic Programming - for univariate time series forecasting. This model consists of four basic stages: Fuzzification, Inference, Defuzzification and Evaluation. In each of these steps, different configurations will have distinct impacts on the results. This work proposes the improvement of GPFIS-Forecast along two main lines (i) increase the amount of possible configurations and assess their contribution to a better forecasting accuracy and (ii) add further information to the interpretation of results, keeping in mind both accuracy and interpretability. The case studies show that in the case of time series with small tendency, GPFIS-Forecast provides a good accuracy; when tendency is larger and pre-processing becomes necessary, interpretability is affected. The Fuzzy Forecasting Limits introduced here add more information to the result, pointing to possible adjustments to rule bases of models with greater granularity.

This thesis deals with a new robust control design for autonomous vehicles. The goal is to perform lane keeping under various constraints, mainly actuator saturation of the steering system, lateral wind force, incident obstacles and unknown curvatures. To reach this goal, we propose an improved formulation of Parallel Distributed Compensation (PDC) law since it is a nonlinear system feedback state controller. A direct Lyapunov method to ensure the stability and the stabilization of the discrete-time Takagi-Sugeno (T-S) model representing the autonomous vehicle dynamics is suggested. We derived necessary and sufficient stability and stabilization conditions from the quadratic Lyapunov function. These conditions are expressed in terms of strict Linear Matrix Inequalities (LMIs) extracted from the linearization of the Bilinear Matrix Inequalities (BMIs). The vector state is measured entirely by the Luenberger multi-observers to be used in the feedback control. The results of Autonomous vehicle control are presented in this thesis to show the effectiveness of the proposed approach. Simulations are used to validate the theoretical results.

Semi-active suspensions have drawn particular attention due to their superior performance over the other types of suspensions. One of their advantages is that their damping coefficient can be controlled without the need for any external source of power. In this study, a handful of control approaches are implemented on a car models using MATLAB/Simulink. The investigated control methodologies are skyhook, groundhook, hybrid skyhook-groundhook, Acceleration Driven Damper, Power Driven Damper, H∞ Robust Control, Fuzzy Logic Controller, and Inverse ANFIS. H∞ Robust Control is an advanced method that guarantees transient performance and rejects external disturbances. It is shown that H∞ with the proposed modification, has the best performance although its relatively high cost of computation could be potentially considered as a drawback. Also, the proposed Inverse ANFIS controller uses the power of fuzzy systems along with neural networks to help improve vehicle ride metrics significantly. In this study, a novel approach is introduced to analyze and fine-tune semi-active suspension control algorithms. In some cases, such as military trucks moving on off-road terrains, it is critical to keep the vehicle ride quality in an acceptable range. Semi-active suspensions are used to have more control over the ride metrics compared to passive suspensions and also, be more cost-effective compared to active suspensions. The proposed methodology will investigate the skyhook-groundhook hybrid controller. This is accomplished by conducting sensitivity analysis of the controller performance to varying vehicle/road parameters. This approach utilizes sensitivity analysis and one-at-a-time methodology to find and reach the optimum point of vehicle suspensions. Furthermore, real-time tuning of the mentioned controller will be studied. The online tuning will help keep the ride quality of the vehicle close to its optimum point while the vehicle parameters are changing. A quarter-car model is used for all simulations and analyses. / Ph. D.

A novel fuzzy system named as 2-way fuzzy system is developed by combining the intuitionistic fuzzy set theory with the fuzzy systems theory. The developed system is used in modelling and minimizing uncertainty and inconsistency. Uncertainty is the width of the interval introduced by the independent assignment of membership and nonmembership functions of the intuitionistic fuzzy sets / and inconsistency is the violation of the consistency inequality in this assignment. The uncertainty and inconsistency is reduced through a 2 phase training. An evaluation of the degree of reduction of inconsistency is carried out at the end of the rst phase of training by forming the shadowed set patterns of the membership and nonmembership functions. The system is further trained for a second phase in order to reduce uncertainty. There are three dierent methods developed for the stability analysis of fuzzy systems. The rst method is based on the approximating sequences technique, and the design turns into an optimal control problem. In the sec ond analysis, describing function of a 2-way fuzzy system is evaluated analytically, and a systematic design approach is developed using describing function technique. The last analysis technique employs the Lie algebra theory in the stability analysis of Takagi-Sugeno fuzzy systems. The theoretical results are simulated on an application system, which is a exible-joint robot arm system.

Made available in DSpace on 2016-06-02T19:05:22Z (GMT). No. of bitstreams: 1 DissAFT.pdf: 987671 bytes, checksum: a50597a438e0122d6e69ee6481e7d4a3 (MD5) Previous issue date: 2006-09-13 / This work focuses on the problem of automatic generation of fuzzy systems through evolutionary computation, specifically using the approach of co-evolution. Coevolution is based on the idea of modular modeling of the problem subcomponents. In this work the subcomponents are represented by different species, which have a collaborative relation among them. The fuzzy system to be created has the objective of pattern classification. Basically, the evolutionary scheme is composed by four different species, which have a hierarchical collaboration both in the generation of the species and in the fitness determination of the individuals of these species. These species are organized in levels, where the contribution in the species generation happens from the lowest to highest levels and the contribution in the fitness determination happens from the highest to lowest levels. The results obtained indicate that the studied approach is very promising and, through its use, one can generate efficient classification systems, that present a performance similar to other approaches found in the literature. / Este trabalho enfoca o problema de geração automática de sistemas nebulosos por meio da computação evolutiva, mais especificamente por meio da abordagem de coevolução. A co-evolução baseia-se na idéia de modelagem modular de subcomponentes do problema. Neste trabalho esses subcomponentes são representados por espécies diferentes, que têm uma relação colaborativa entre si. Essa relação força uma evolução co-adaptada entre as populações das espécies. O sistema nebuloso a ser gerado tem como objetivo a classificação de padrões. Basicamente, o esquema evolutivo é formado por quatro espécies diferentes, que têm uma colaboração hierárquica, tanto na geração das espécies, quanto na determinação da aptidão dos indivíduos dessas espécies. Essas espécies são organizadas em níveis, onde a colaboração na geração das espécies se dá dos níveis mais baixos para os mais altos, e a colaboração na determinação das aptidões se dá dos níveis mais altos para os mais baixos. Os resultados obtidos indicam que a abordagem estudada é bastante promissora e pode-se obter, por meio dela, sistemas de classificação eficientes que apresentam desempenho semelhante ao de outras abordagens encontradas na literatura.

Made available in DSpace on 2016-06-02T19:05:54Z (GMT). No. of bitstreams: 1 3998.pdf: 3486824 bytes, checksum: f1c040adfdc7d0672bc93a058f8a413d (MD5) Previous issue date: 2011-06-28 / Financiadora de Estudos e Projetos / The goal of this work is to study, expand and evaluate the use of multiobjective genetic algorithms and the iterative rule learning approach in fuzzy system generation, especially, in fuzzy rule-based systems, both in automatic fuzzy rule generation from datasets and in fuzzy sets optimization. This work investigates the use of multi-objective genetic algorithms with a focus on the trade-off between accuracy and interpretability, considered contradictory objectives in the representation of fuzzy systems. With this purpose, we propose and implement an evolutive multi-objective genetic model composed of three stages. In the first stage uniformly distributed fuzzy sets are created. In the second stage, the rule base is generated by using an iterative rule learning approach and a multiobjective genetic algorithm. Finally the fuzzy sets created in the first stage are optimized through a multi-objective genetic algorithm. The proposed model was evaluated with a number of benchmark datasets and the results were compared to three other methods found in the literature. The results obtained with the optimization of the fuzzy sets were compared to the result of another fuzzy set optimizer found in the literature. Statistical comparison methods usually applied in similar context show that the proposed method has an improved classification rate and interpretability in comparison with the other methods. / O objetivo deste trabalho é estudar, expandir e avaliar o uso dos algoritmos genéticos multiobjetivo e a abordagem iterativa na geração de sistemas fuzzy, mais especificamente para sistemas fuzzy baseados em regras, tanto na geração automática da base de regras fuzzy a partir de conjuntos de dados, como a otimização dos conjuntos fuzzy. Esse trabalho investiga o uso dos algoritmos genéticos multiobjetivo com enfoque na questão de balanceamento entre precisão e interpretabilidade, ambos considerados contraditórios entre si na representação de sistemas fuzzy. Com este intuito, é proposto e implementado um modelo evolutivo multiobjetivo genético composto por três etapas. Na primeira etapa são criados os conjuntos fuzzy uniformemente distribuídos. Na segunda etapa é tratada a geração da base de regras usando a abordagem iterativa e um algoritmo genético multiobjetivo. Por fim, na terceira etapa os conjuntos fuzzy criados na primeira etapa são otimizados mediante um algoritmo genético multiobjetivo. O modelo desenvolvido foi avaliado em diversos conjuntos de dados benchmark e os resultados obtidos foram comparados com outros três métodos, que geram regras de classificação, encontrados na literatura. Os resultados obtidos após a otimização dos conjuntos fuzzy foram comparados com resultados de outro otimizador de conjuntos fuzzy encontrado na literatura. Métodos estatísticos de comparação usualmente aplicados em contextos semelhantes mostram uma melhor taxa de classificação e interpretabilidade do método proposto com relação a outros métodos.

Made available in DSpace on 2016-06-02T19:06:08Z (GMT). No. of bitstreams: 1 656.pdf: 1176051 bytes, checksum: 79408472b8b3606bcf1eb1699d034a2e (MD5) Previous issue date: 2004-05-24 / Financiadora de Estudos e Projetos / The construction of the knowledge base of fuzzy systems has been beneficited intensively from automatic methods that extract the necessary knowledge from data sets which represent examples of the problem. The evolutionary computation, especially genetic algorithms, has been the focus of a great number of researches that deal with the problem of automatic generation of knowledge bases as search and optimization processes using di erent approaches. This work presents a methodology to learn fuzzy rule bases from examples by means of Genetic Algorithms using the Pittsburgh approach. The methodology is composed of 2 stages. The first one is the genetic learning of rule base and the other one is the genetic optimization of the rule base previously obtained in order to exclude redundant and unnecessary rules. The first stage uses a Self Adaptive Genetic Algorithm, that changes dynamically the crossover and mutation rates ensuring genetic diversity and avoiding the premature convergence. The membership functions are defined previously by the fuzzy clustering algorithm FC-Means and remain fixed during all learning process. The application domain is multidimensional pattern classification, where the attributes and, sometimes, the class are fuzzy, so they are represented by linguistic values. The proposed methodology performance is evaluated by computational simulations on some real-world pattern classification problems. The tests focused the accuracy of generated fuzzy rules in di erent situations. The dynamic change of algorithm parameters showed that better results can be obtained and the use of don t care conditions allowed to generate a small number of comprehensible and compact rules. / A construção da base de conhecimento de sistemas fuzzy tem sido beneficiada intensamente por métodos automáticos que extraem o conhecimento necessário a partir de conjuntos de dados que representam exemplos do problema. A computação evolutiva, em particular os algoritmos genéticos, tem sido alvo de um grande número de pesquisas que tratam, usando abordagens variadas, a questão da geração automática da base de conhecimento de sistemas fuzzy como um processo de busca e otimização. Este trabalho apresenta uma metodologia para o aprendizado de bases de regras fuzzy a partir de exemplos por meio de Algoritmos Genéticos usando a abordagem Pittsburgh. A metodologia é composta por duas etapas. A primeira é a geração genética da base de regras e a segunda é a otimização genética da base de regras previamente obtida, a fim de eliminar regras redundantes e desnecessárias. A primeira etapa utiliza um algoritmo genético auto-adaptativo, que altera dinamicamente os valores das taxas de cruzamento e mutação, a fim de garantir diversidade genética na população e evitar convergência prematura. As funções de pertinência são previamente definidas pelo algoritmo de agrupamento fuzzy FC-Means e permanecem fixas durante todo o processo de aprendizado. O domínio da aplicação é a classificação de padrões multi-dimensionais, onde os atributos e, algumas vezes, as classes são fuzzy, portanto, representados por valores lingüísticos. O desempenho da metodologia proposta é avaliado por simulações computacionais em alguns problemas de classificação do mundo real. Os testes focaram a acuidade das bases de regras geradas em diferentes situações. A alteração dinâmica dos parâmetros do algoritmo mostrou que melhores resultados podem ser obtidos e o uso da condição de don t care permitiu gerar um reduzido n´umero de regras mais compreensíveis e compactas.

Este trabalho apresenta uma estratégia para realizar o controle de tensão em um sistema de distribuição de energia elétrica dotado de comutadores de tap sob carga. Será investigada a aplicação de sistemas inteligentes para tornar os relés reguladores de tensão mais flexíveis. A inserção de módulos inteligentes em relés reguladores de tensão convencionais irá permitir um melhor aproveitamento das funcionalidades já existentes destes dispositivos. Ainda como foco do estudo, pretende-se atuar apenas na subestação de distribuição, realizando medições no barramento secundário e tomando medidas de controle também neste barramento. A capacidade dos sistemas fuzzy em tratar informações incertas, bem como sua potencial aplicabilidade em problemas tendo comportamentos não previsíveis, permitiram a criação de uma estratégia de controle de tensão que atende todas as regulamentações dos órgãos fiscalizadores e, também, os anseios das concessionárias de distribuição de energia elétrica devido aos resultados promissores obtidos em simulação com dados reais das subestações. / This work presents an approach to voltage control in power distribution systems with load tap changers. Intelligent approaches are studied and applied in voltage regulator relay in order to improve the voltage profiles of the system. The proposal of this work is the addition of fuzzy modules in the conventional voltage regulator relays, which allows the exploration of the main functionalities already implemented in such devices. The adaptive fuzzy voltage regulator relay controls the voltage in the distribution substation, monitoring electrical variables and performing the regulation on secondary bus based on the results provided by the fuzzy modules, which are capable to take into account the voltage profile standards for distribution systems as well as operational interests defined by electrical distribution companies. Simulation results using real data from substations are presented to validate the proposed approach.

Este trabalho apresenta uma metodologia para alocação eficiente de dispositivos indicadores de faltas em sistemas de distribuição de energia elétrica. São avaliadas como as principais variáveis que influenciam na quantificação da potencialidade para instalação de dispositivos indicadores de faltas se comportam ao longo do tronco principal dos alimentadores de distribuição de energia elétrica. Como metodologia, empregou-se sistemas de inferência fuzzy para quantificar a referida potencialidade a partir das variáveis avaliadas. Resultados com dados reais destacam também a eficiência da metodologia proposta para quantificar e avaliar a rede de dispositivos indicadores já existentes em alimentadores. / This work presents a methodology for efficient allocation of fault indicator devices in electric power distribution systems. The behavior of the main variables that influence in the quantification of the potentiality for installation of fault indicator devices were analyzed taking into account the feeder length. In methodology terms, fuzzy inference systems were used to quantify this potentiality from the analyzed variables. Results with real data have also highlighted the efficiency of the proposed methodology to quantify and to evaluate the fault indicator device network already existent in power distribution feeders.