Este trabalho dedicou-se ao estudo da síntese automática de processadores nebulosos dedicados. Inicialmente foi desenvolvido um conjunto de relações para a síntese de retas no domínio digital. O objetivo destas relações foi estabelecer quais as operações envolvidos na síntese de uma reta, para funções com um número genérico de bits. Com base nestas relações, foi proposto um gerador de funções de pertinência. Dois exemplos de geradores de função de pertinência foram desenvolvidos para ilustrar o emprego da arquitetura. Estas unidades foram codificadas em VHDL para simulação da estrutura e validação da proposta. Finalmente, a arquitetura é a flexibilidade quanto às dimensões do processador: as portas de comunicação e as funções de pertinência podem ter o seu tamanho definido no momento da síntese. Para ilustrar a possibilidade de implementação da proposta, uma aplicação específica de controlador foi codificada em VHDL. Esta descrição foi simulada e sintetizada em diferentes condições de implementação por ferramentas comerciais.

O aumento explosivo das redes de computadores tem exigido uma gerência mais eficaz das mesmas, no sentido de tentar evitar a interrupção de seus serviços - a gerência pró-ativa. Para implementar esta idéia, é necessário agregar inteligência aos sistemas de gerência existentes. O conheciemnto envolvido é complexo, e a falta de experiência dos administradores permanece como uma das maiores deficiências desta área. Assim, o uso de métodos, técnicas e ferramentas da Inteligência Artificial aparece como um caminho promissor para a obtenção de uma gerência pró-ativa. Este trabalho apresenta uma proposta de gerência inteligente pró-ativa, concentrando-se no tratamento das informações fornecidas pelo protocolo RMON (Remote Monitoring), e no tratamento de alguns parâmetros do sistema operacional UNIX. O conhecimento extraído do contato com empresas e administradores de redes foi representado utilizando-se regras de produção para gerar um Sistema Especialista, o SEGRE- Sistema Especialista para a Gerência Pró-ativa de Redes de Computadores. O Sistema Especialista é automaticamente ativado para a pesquisa de problemas potenciais, e, por si, tenta corrigí-los. Isto não sendo possível, comunica-se, via e-mail, com o administrador da rede, baseado nas etapas de seu plano de ação. Possui também uma interface interativa, para permitir a realimentação das ações do administrador ao SEGRE.

Este trabalho refere-se à implementação e avaliação de desempenho de arquiteturas de redes neurais não supervisionadas, utilizadas como controladores em tarefas de interceptação de alvos estacionários no espaço 3D. Em termos gerais, o problema de interceptação visual consiste no controle de atitude do sistema de visão objetivando que o alvo imageado seja deslocado para a posição central dos planos-imagem das câmeras. Um modelo simulado de sistema de visão binocular é utilizado na realização do processo de imageamento. Esse modelo simulado foi baseado em um sistema de visão real e procura representar as características principais de um sistema físico deste tipo. O trabalho apresenta um estudo básico sobre Aprendizado Competitivo em uma RNA, e estuda em maiores detalhes uma teoria de redes neurais não-supervisionadas conhecida como Teoria de Ressonância Adaptativa (ART - Adaptive Resonance Theory), onde são discutidas as arquiteturas neurais ART1 e Fuzzy-ART. Uma importante característica das redes neurais ART é a capacidade de distinguir e aprender novas informações sem prejuízo de informações aprendidas no passado. A solução do problema de interceptação visual foi baseada em duas arquiteturas neurais: SOIM (Self-Organizing Invertible Mapping) e KBVS (Kohonen-Based Visual Servoing). A primeira arquitetura é constituída por duas subredes Fuzzy-ART e uma "camada de representação interna", sendo usada como controlador open-loop (em malha aberta). A segunda, constitui-se de uma Rede de Rohonen bidimensional e de uma camada associativa de saída, sendo usada como controlador neural closed-loop (em malha fechada). A partir da arquitetura SOIM, foi desenvolvida uma terceira arquitetura, designada de MeBIM (Memory-Based Invertible Mapping), com tempo de treinamento significativamente menor. Diversos testes de interceptação visual de um alvo 3D estacionário, empregando as três arquiteturas neurais em estudo, são apresentados e comparados, sendo mostrado que os melhores resultados são obtidos quando o controlador SOIM ou MeBIM é combinado com o controlador KBVS.

Face as dificuldades de se garimpar informações no mundo atual para transformá-las em conhecimento, desenvolveu-se neste trabalho de pesquisa uma metodologia que facilite o mapeamento de Conhecimentos para Sistemas Computadorizados. Esta dissertação descreve uma Metodologia contendo oito passos necessários para a transformação de informações em conhecimentos, a serem incorporados em Agentes Inteligentes Reativos AIRs projetados off-line ou em execução on-line. Após desenvolver-se a Metodologia, foi construído um Protótipo em liguagem Java denominado Gerador Tabular de Agentes Inteligentes Reativos - GETAIR. Neste Protótipo utilizou-se o pacote RMI da SUN, propiciando-se a troca de mensagens entre Agentes. O código fonte de Agentes Inteligentes Reativos foi produzido em linguagem Java de forma automática pelo GETAIR. A fim de possibilitar a verificação e a validação da Metodologia utilizada na construção do Protótipo, realizou-se um Estudo de Caso utilizando-se Agentes Inteligentes Reativos para auxiliar pilotos de aeronaves a diagnosticar falhas em alguns Sistemas Aviônicos Embarcados. As principais conclusões encontradas apontaram para a necessidade de se prosseguir com a investigação da Metodologia, aumentando-se ainda mais o nível de automatização do mapeamento de Conhecimentos para propiciar-se gerações futuras de Agentes Inteligentes Cognitivos, estendendo-se desta forma a capacidade dos Agentes Inteligentes Reativos. Finalmente, sugere-se que as características dos Agentes sejam exaustivamente estudadas, propiciando-se assim aplicações cada vez mais robustas e capazes de explorar todas as suas potencialidades.

Esta tese de Doutorado em engenharia trata do desenvolvimento de um sistema de controle inteligente do tipo neural, capaz de atuar em tempo real no controle do deslocamento do plasma no Experimento Tokamak Esférico (ETE). A máquina ETE encontra-se em operação desde novembro de 2000, no Laboratório Associado de Plasma (LAP) do Instituto Nacional de Pesquisas Espaciais (INPE) na cidade de São José dos Campos, SP, Brasil. O experimento é dedicado ao estudo do confinamento magnético do plasma de fusão, em uma configuração propícia à construção de futuros reatores. A fusão nuclear é uma fonte de energia renovável e de baixo impacto ambiental, que visa utilizar a energia contida nos átomos com fins pacíficos, para o desenvolvimento sustentável da humanidade. Uma das questões relevantes para a consecução dos reatores de fusão está relacionada com a estabilidade do plasma e o controle de sua posição durante a operação. Assim, o desenvolvimento de sistemas de controle do plasma em tokamaks constitui um avanço tecnológico necessário para a viabilização da fusão nuclear. A pesquisa realizada nesta tese, em particular, diz respeito à proposição de um sistema para controlar o deslocamento vertical do plasma no tokamak ETE, procurando tornar os disparos nesta máquina mais estáveis. Como parte deste trabalho foi desenvolvido um sistema de Levitação Magnética (MagLev), permitindo estudar-se o comportamento não-linear deste dispositivo que, sob o aspecto do controle de posição, é similar (análogo) ao do plasma no tokamak ETE. O sistema de levitação magnética foi projetado, construído e modelado computacionalmente para testar os controladores dos tipos clássico e inteligente. Os resultados obtidos nesta comparação mostraram-se muito promissores para a aplicação dos controladores inteligentes, tanto no tokamak ETE como em outras aplicações de controle.

O uso da inteligência computacional proporcionada pelas ontologias vem ganhando expressão entre desenvolvedores de Sistemas de Informação, o que mostra a direção para a qual essas Comunidades estão caminhando. A necessidade da descoberta de linguagens que representem essas ontologias e que possam conter expressividade, a ponto de haver compromisso com uma realidade, ao mesmo tempo em que as mesmas tenham poder computacional, fez com que os desenvolvedores desses artefatos começassem a pensar sobre qual a proporção ideal entre a expressividade e o poder computacional de uma ontologia. A OntoUML é uma linguagem de nível ontológico, baseada nos preceitos da UFO e destinada a gerar modelos que representam ontologias de fundamentação com grande poder de expressão, mas que coloca em detrimento o poder computacional. A perda semântica ocorrente nas tecnologias existentes que convertem esses modelos em ontologias OWL é um problema, pois, com o avanço do uso desses dois padrões e, considerando o poder de definir em nível ontológico e epistemológico estruturas que definem inteligência computacional, o principal prejuízo causado por essa lacuna é a perda da capacidade de expressão de modelos muito elaborados quando convertidos em ontologias OWL. O objetivo deste trabalho é descrever uma abordagem de conversão de modelos de referência gerados pela notação OntoUML em ontologias OWL-DL instanciáveis aplicando uma avaliação de consistência semântica. O núcleo da ideia é uma ferramenta de software que realiza a conversão dos modelos, que é baseada em um conjunto de regras de transformação entre as representações, e um conjunto de axiomas que validam a ontologia formal gerada. O benefício gerado com a técnica é a capacidade de usar a expressividade de um modelo OntoUML com tratabilidade computacional. Os experimentos executados para a validação da proposta indicam a aplicabilidade da abordagem descrita.

O domínio de sistema de software crítico embarcado requer atividades de Engenharia Reversa de Software especializadas para atender características típicas a esse tipo de sistema. A Engenharia Reversa de Software para sistemas de software críticos embarcados não tem focado na análise temporal de tais sistemas. Um dos desafios é a construção de um modelo para análise com detalhes suficientes para expressar as propriedades temporais que são de interesse de uma atividade de Engenharia Reversa de Software. Este trabalho propõe uma abordagem de Engenharia Reversa de Software para sistema de software crítico embarcado visando propiciar um entendimento dos aspectos temporais e segurança do software por meio de um modelo formal, a fim de prover o entendimento completo de tais aspectos. A solução é essencialmente baseada nas atividades de verificação formal de software e modelo e em uma base de conhecimento para armazenar os resultados dessas atividades. Os resultados da aplicação da abordagem em um software aeroespacial sugerem que a abordagem é viável de ser executada e correta ao atingir seu objetivo principal, que é aumentar a compreensão geral do sistema tanto para manutenção, evolução bem como para desenvolvimento de software novo.

A crescente quantidade e variedade de documentos disponibilizados em diversos locais, torna cada vez mais fácil o acesso a muitos documentos sobre os mais variados assuntos. Entretanto, esse crescimento torna-se cada vez mais custoso a análise dessas grandes quantidades de documentos para obtenção de informações relevantes que atendam uma necessidade definida. Dessa forma, buscam-se soluções que auxiliem melhor o usuário, obtendo resultados relevantes em quantidades menores que permitam uma análise completa dos documentos recuperados. A obtenção de poucos resultados relevantes usando um sistema automatizado ainda é um desafio para a área de recuperação de informação. Assim, usando tratamento da semântica e organização melhor dos documentos, é proposto o modelo ModRSem que lida com diversos conjuntos e tipos de documentos em um único modelo, usando estrutura, conteúdo e conceitos dos documentos para organizá-los num espaço e fazer a recuperação, permitindo melhorar a organização e os resultados obtidos automaticamente, realizando ajustes no modelo. Esse trabalho apresenta além do modelo, o método OntoMet que implementa o modelo ModRSem usando múltiplos conjuntos de temática geral e três tipos de documentos: texto, HTML e XML. A semântica é tratada na organização e na recuperação por meio de ferramentas como a Wordnet e ontologias que podem ser fornecidas ou criadas automaticamente pelo método. Esse método desenvolveu uma solução que possibilita ajustar os resultados de forma automática ou manual pelo usuário. O modelo foi validado utilizando diversos experimentos, com documentos de várias temáticas e tipos. Para comparação dos resultados obtidos pelo modelo ModRSem, foram utilizados os modelos vetorial e o LSI, considerando os valores de precisão e cobertura. Os resultados dos experimentos indicaram que o modelo ModRSem melhora os resultados de precisão em torno de vinte por cento e cobretura em torno de vinte e dois por cento, quando comparado ao LSI e vetorial, quando retornando poucos documentos. Os experimentos mostraram ainda que quanto mais bem formulada e constextualizada são as consultas, melhores são os resultados obtidos pelo modelo. Os documentos com mais informações ou ainda estrutura, conteúdo e conceitos, permitem uma organização e recuperação melhor, obtendo melhores resultados, como no caso dos documentos XML. A execução de ajustes melhora a precisão e a cobertura de algumas consultas em torno de quatro por cento, dependendo de quão bom é o conjunto de respostas analisado. Assim, conclui-se dos resultados, que o modelo melhora a recuperação de documentos, mantendo nas repostas poucos documentos que têm boa relevância.

Este trabalho propõe um Método de Inferência Difusa para Classificação em Banco de Dados, denominado MIDC, visando aumentar a eficiência no tratamento de incertezas e imprecisões nas recuperações e classificações de informações a fim de tratá-las, qualitativamente, de modo semelhante ao raciocínio humano. Deste modo, propicia-se aos sistemas de Banco de Dados, por meio da utilização de termos qualitativos (linguísticos), as capacidades de recuperar, classificar e manipular informações, representando-as além das fronteiras da Lógica Clássica. O método proposto utiliza-se de um Sistema de Inferência Difusa (SID), composto de uma base de regras e um mecanismo de inferência, aplicável, também, na tarefa de Classificação da etapa de Mineração de Dados (Data Mining - DM) do Processo de Descoberta de Conhecimento em Banco de Dados (Knowledge Discovery in Databases - KDD). O m ?todo proposto foi verificado em um estudo de caso que propiciou realizar experimentos com grandes volume de dados, a fim compará-lo com um método tradicional de consulta e classificação em Bancos de Dados. Deste modo, propiciou-se uma comparação entre a recuperação e classificação de informações, utilizando-se Lógica Difusa e Lógica Clássica.

The main goal of this work is to present an approach that ?nds an appropriate set of sequential actions for a group of cooperative agents interacting over a constrained environment. This search is considered a complex task for autonomous agents and is not possible to use default reinforcement learning algorithms to learn the adequate policy. In this thesis, a technique that deals with propositionally constrained state spaces and makes use of a Reinforcement Learning algorithm based on Markov Decision Process is proposed. A new model is also presented which formally de?nes this restricted search space. By so doing, this work aims at reducing the overall exploratory need, thus improving the performance of the learning algorithm. To constrain the state space the concept of extended reachability goals is employed. Through them it is possible to de?ne an objective to be preserved during the iteration with the environment and another that de?nes a goal state. In this cooperative environment, the information about the propositions is shared among the agents during its interaction. An architecture to solve problems in such environments is also presented. Experiments to validate the proposed algorithm were performed on different test cases and showed interesting results. A performance evaluation against standard Reinforcement Learning techniques showed that by extending autonomous learning with propositional constraints updated along the learning process can produce faster convergence to adequate policies. The best results achieved present an important reduction over execution time (34,32%) and number of iterations (67.94%). This occurs due to the early state space reduction caused by shared information on state space constraints.