As estruturas aeronáuticas estão sujeitas a uma variedade de fenômenos aeroelásticos que podem comprometer o desempenho das aeronaves. Com o desenvolvimento de novos materiais, essas estruturas têm se tornado mais leves e flexíveis, e portanto mais sujeitas a problemas aeroelásticos, tais como flutter e buffeting. Pesquisadores têm trabalhado em soluções alternativas para resolver esses problemas aeroelásticos indesejáveis. Uma dessas soluções envolve o conceito de estruturas inteligentes, que são aquelas que apresentam atuadores e sensores incorporados, integrado com sistema de controle e processamento de sinal, possibilitando a adaptação do sistema estrutural a mudanças nas condições operacionais. Modelos matemáticos que incorporam elementos atuadores e sensores são de grande importância nas fases preliminares de análise de estruturas aeronáuticas inteligentes. Neste contexto, métodos de modelagem são necessários para capturar a ação da dinâmica estrutural e de carga aerodinâmica. O presente trabalho apresenta o estudo de um controlador difuso ativo para resposta aeroelástica de uma asa inteligente com atuadores piezelétricos incorporados. Características não-lineares da resposta aeroelástica são analisadas para condições críticas de flutter. É utilizado o método de elementos finitos para o modelo estrutural não-linear e o método de malha de vórtices para o modelo aerodinâmico não-estacionário. / Aeronautical structures are submitted to a variety of aeroelastic phenomena that may compromise its performance. With this development of new materials, aeronautical structures have become lighter, more flexible, and more subjected to aeroelastic problems, such as flutter and buffeting. Researchers have been working on alternatives to solve these undesired aeroelastic problems, as the recent concept of smart or intelligent structures. Smart structures are those that present embedded sensors and actuators, integrated with control systems and signal processing, to enable the adaptation of the structural system to changes in the operational conditions. Mathematical models that incorporate actuator elements or sensors are of great importance in preliminary phases of analysis of smart aeronautical structures. In this context, modeling methods are necessary to capture dynamic-structural behavior and unsteady aerodynamic loading. The present work is the study of an active fuzzy controller for aeroelastic response of a smart wing with embedded piezoelectric actuators. Nonlinear characteristics of aeroelastic responses are analyzed for critical flutter conditions. The finite elements method for the nonlinear structural model and vortex-lattice method for the unsteady aerodynamic model has been used.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / One of the greatest limitations of Evolutionary Robotics is when transfering controllers evolved by simulation to real environments. This limitation is mainly caused by model simplifications and difficulties to represent dynamic characteristics, whether from the robot or the environment. And this results in performance degradation of the evolved controller after the transfer, a phenomenon called reality gap. Because this problem is a limitation for practical and complex applications of evolutionary robotics, many solutions have been proposed since the 90s. Until now, most of the research use control strategies based on artificial neural networks because they allow algorithms to be evolved with less designer influence. On the other hand, fuzzy logic can also be used for the development of controllers in the field of evolutionary robotics because it also allows emulating human intelligence. Therefore, this dissertation investigates whether fuzzy control systems are more robust than neural control systems, both optimized by a genetic algorithm in simulation and later transferred to a real robot in physical environment in the task of autonomous navigation while avoiding obstacles. The results show that in the analyzed conditions, fuzzy controllers present better transfer characteristics, mainly considering the smoothness of the executed trajectory, and an equivalent performance, when compared with neural controllers. / Uma das grandes limitações da Robótica Evolutiva diz respeito à transferência de controladores evoluídos por simulação e transferidos ao ambiente real. Tal limitação devese, sobretudo, a simplificações de modelo e dificuldades na representação de características dinâmicas, tanto do robô quanto do ambiente, e isso resulta na queda de desempenho do controlador evoluído após a transferência, fenômeno denominado de reality gap. Muitas soluções vêm sendo propostas desde a década de 90, em virtude deste problema ser uma limitação para aplicações práticas e complexas da robótica evolutiva. Até o momento, a maioria dos trabalhos de pesquisa desenvolvidos utiliza estratégias de controle baseadas em redes neurais artificiais por permitirem que algoritmos possam ser evoluídos com menor influência do projetista. Por outro lado, a lógica fuzzy também pode ser usada para o desenvolvimento de controladores no âmbito da robótica evolutiva, pois também permite emular a inteligência humana. Portanto, nesta dissertação é investigado se sistemas de controle fuzzy são mais robustos que sistemas de controle neurais, ambos otimizados por um algoritmo genético em simulação e posteriormente transferidos para um robô real em ambiente físico na tarefa de navegação autônoma evitando obstáculos. Como resultado, obteve-se que nas condições analisadas, os controladores fuzzy apresentaram uma melhor transferência, com destaque para a suavidade da trajetória executada, e um desempenho equivalente, quando comparados com controladores neurais. / São Cristóvão, SE

Orientador: Alexandro José Baldassin / Banca: Adriane Beatriz de Souza Serapião / Banca: Fátima de Lourdes dos Santos Nunes / Resumo: O presente trabalho visa a construção de uma ferramenta de auxílio para profissionais da fisioterapia, que promova por meio de tecnologias da computação, como a lógica Fuzzy, um tratamento personalizado, motivador e eficaz. Inicialmente fez-se uma verificação da literatura e trabalhos que relacionem reabilitação com tecnologia (incluindo ambientes virtuais imersivos e não imersivos), seguida de uma análise das necessidades da fisioterapia para, enfim, criar uma proposta de solução computacional. O problema encontrado consiste da necessidade de uma ferramenta motivadora (mantenha a assiduidade do paciente), que apresente dados da progressão do paciente e seja de fácil utilização (pelo paciente e fisioterapeuta). A solução computacional envolve câmera de profundidade e sensores vestíveis para obter dados corporais e, com análise de dados e utilização de métodos de inteligência artificial, consiga prover uma forma intuitiva, motivadora e eficiente para o tratamento fisioterapêutico. Resultados mostram a aplicabilidade da proposta em obter os valores biométricos, a criação de exercícios personalizados, os jogos motivacionais com dificuldade dinâmica por meio da lógica Fuzzy proposta e a visualização do progresso dos pacientes / Abstract: The present work aims to build an assist tool to physiotherapists that, through computer science technologies, such as Fuzzy logic, can promote a personalized, motivating and efficient treatment. Initially a literature review and works related to technologies and health were analyzed, followed by an analysis of the physiotherapy needs so that a computer solution could be proposed. The issue found consists in the need of a motivational tool (which can keep the attendance of the patient), that shows progressive data of the patient and is of ease use (both by the patient and physiotherapist). The computer solution uses a depth camera (such as MS Kinect) and wearable sensors to obtain the body data and, through data analysis and artificial intelligence methods, make an intuitive, motivational and efficient solution for the physical treatment. Results shows the applicability of the proposal in obtaining the biometric data, the creation of custom virtual exercises, the motivational games with dynamic difficulty through the Fuzzy logic and the visualization of the patient progress / Mestre

Fundação de Amparo a Pesquisa do Estado de Minas Gerais / This work proposes a design methodology of fuzzy controllers for systems that do not offer any intuitive information to the control designer, in order to provide guidelines to construct the fuzzy conventional controllers. The design methodology involves the application of artificial intelligence techniques, where the fuzzy controllers are obtained by an optimization process that uses genetic algorithms. For this optimization procedure, the knowledge of the system dynamics is required. From the experimental inputs and outputs of the system, an artificial neural network is trained and, in that way, it is possible to model the dynamic behavior of the plant. The rule base, the weights of the rules and the input membership functions are optimized. The goal of this methodology is the control the vibrations of complex dynamic systems, such as vibration control of plates instrumented with piezoelectric sensors and actuators. In this work, the fundamentals of fuzzy control, artificial neural networks and genetic algorithms are presented. The proposed control methodology is evaluated numerically and experimentally on the control of a vibratory system with one degree of freedom, and on a steel cantilever test beam. The first system is controlled by electromagnetic actuators and the beam is controlled by piezoelectric actuators. Many controllers are evaluated in time and frequency domains. For the studied cases, it is concluded that the proposed methodology is efficient and also some considerations are made about the future works based of the presented search. / Este trabalho propõe uma metodologia de projeto de controladores fuzzy para sistemas, que não oferecem ao projetista de controle informações intuitivas suficientes para orientá-lo na construção convencional dos controladores fuzzy. A metodologia de projeto envolve a aplicação de técnicas de inteligência artificial, onde os controlares fuzzy são obtidos a partir de um processo de otimização que utiliza os algoritmos genéticos. Esse mecanismo de otimização, por sua vez, requer o conhecimento da dinâmica do sistema. Uma rede neural artificial é então treinada para, a partir de dados de entrada e saída do sistema, modelar o comportamento dinâmico da planta. São otimizados a base de regras, o peso das regras e as funções de pertinência de entrada. A motivação do trabalho é o controle de vibrações em sistemas dinâmicos complexos, como, por exemplo, o controle de vibração em placas instrumentadas com vários sensores e atuadores piezelétricos. O trabalho apresenta os fundamentos do controle fuzzy, das redes neurais artificiais e dos algoritmos genéticos. A metodologia de controle proposta é avaliada numérica e experimentalmente no controle de mesa vibratória de um grau de liberdade e de uma viga de aço engastada-livre. A mesa é controlada por atuadores eletromagnéticos e a viga por atuadores piezelétricos. Diversos controladores são avaliados no domínio do tempo e da freqüência. O trabalho conclui que, para os casos estudados, a metodologia proposta é eficiente e aponta, ainda, nas considerações finais, alguns desdobramentos futuros da pesquisa realizada. / Mestre em Engenharia Mecânica

Este trabalho tem como objetivo o estudo de uma área da robótica chamada robótica móvel. Um robô móvel deve realizar uma navegação segura e esta é a principal motivação deste trabalho. Para tal foi desenvolvido um simulador de robótica móvel com visualização em 3D. Um dos grandes interesses na área de robótica móvel é a utilização de algoritmos de inteligência artificial. O objetivo deste trabalho é a utilização e simulação de inteligência artificial para o controle destinado ao desvio de obstáculos. As simulações são dinâmicas, ou seja, o robô não tem informação previa do cenário. Os algoritmos de inteligência artificial implementadas neste trabalho são lógica Fuzzy e Neurofuzzy. As contribuições do simulador são: a simulação e visualização em 3D com o cenário modelado em um programa CAD/3D, permite testar diversas configurações antes de testar o robô real, simula o ruído de sensores, utiliza lógica fuzzy e neurofuzzy para o desvio de obstáculos. Os resultados mostram a capacidade do sistema fuzzy para lidar com os dados ruidosos dos sensores assim como a influência das variáveis antecedentes e conseqüentes do sistema fuzzy de no comportamento do robô móvel para o desvio de obstáculos além da capacidade do sistema neurofuzzy de aprender a partir dos dados de treinamento mostrando uma melhoria no resultado das simulações. / This work has as objective the study of an area of the robotics named mobile robotics. A mobile robot must navigate in a safe way and this is the main motivation of this work. To do that a mobile robotics simulator with 3D visualization was developed. One of the great interests in mobile robotics is using artificial intelligence algorithms. The main point of this work is using and simulate artificial intelligence applied in obstacle avoidance control. The simulations are dynamics it means that the robot do not have previous information about the scenery. The artificial intelligence algorithms developed in this work are Fuzzy and Neurofuzzy logics. The simulator contributions are that the simulation and 3D visualization where the scenery is a 3D model from a CAD/3D software besides allows to test many configurations before testing the real robot and simulates noise from sensors and uses fuzzy and neurofuzzy logics to obstacle avoidance. The results show the fuzzy system capability to deal with the noisy data from sensors and how fuzzy variables influences the mobile robot behavior in obstacle avoidance besides the ability of neurofuzzy system to learn from training data showing improvements in the simulation results.

Nesta tese é proposta uma implementação para a solução do problema inverso com as estimativas das propriedades radiativas (o albedo de espalhamento simples, a espessura ótica do meio e as reflectividades difusas) a partir dos valores das intensidades de radiação que deixam o meio participante utilizando uma abordagem híbrida de sistemas neuro-fuzzy (SNF), o qual combina a utilização de sistemas de inferência fuzzy com as redes neurais artificiais. Busca-se com a utilização desse sistema híbrido integrar a habilidade dos sistemas fuzzy no tratamento de informações inexatas, imprecisas, e vagas, e a capacidade das redes neurais artificiais de tratar o aprendizado por experiência e a generalização do conhecimento. É proposta também uma metodologia de máquinas de comitês neuro-fuzzy na solução deste problema inverso em transferência radiativa. Foi observado paralelamente que a solução dos sistemas neuro-fuzzy e dos sistemas híbridos de máquinas de comitê neuro-fuzzy, apresentam baixa qualidade nos resultados quando são utilizados os dados experimentais com os menores coeficientes de sensibilidade para os parâmetros que serão estimados. Por outro lado, quando são utilizados dados com maior sensibilidade, são obtidos melhores resultados. Esta abordagem procura evitar a possibilidade da não convergência desses métodos. / In this thesis is proposed an implementation for solving the inverse problem with the estimates of radiative properties (the single scattering albedo, the optical thickness of the media and the diffuse reflectivities) by the values of the intensities of radiation that leaves the participant medium using a hybrid approach of neuro-fuzzy systems, which combines the use of fuzzy inference systems with artificial neural networks. The use of this hybrid system try to include the ability of fuzzy systems in the treatment of inaccurate, imprecise, and vague data, and the ability of artificial neural networks to deal with learning from experience and widespread knowledge. Also is proposed a methodology for machines committees in neuro-fuzzy solution of this inverse problem in radiative transfer. It was observed in parallel that the solution of neuro-fuzzy systems and hybrid systems neuro-fuzzy committee machines, have a poor quality results when using the experimental data with the lowest sensitivity coefficients for the parameters that will be estimated. Moreover, when data are used with greater sensitivity, better results are obtained. This approach seeks to avoid the possibility of non-convergence in such methods.

Este trabalho aplica técnicas da área de inteligência artificial (IA) com o intuito de prever e classificar riscos ambientais, com o foco no problema da qualidade do ar. Para prever os riscos, dados foram adquiridos acerca das concentrações gasosas de determinados poluentes. Tais concentrações, denominadas de indicadores da qualidade do ar, são regulamentadas por várias legislações ao redor do mundo, inclusive a do Brasil. Estes dados foram empregados em um modelo que consiste de duas técnicas de IA: redes neurais artificiais e otimização por enxame de partículas. O resultado do modelo é a previsão de um dia adiante das concentrações gasosas dos indicadores da qualidade do ar. As previsões são usadas como entradas para a modelagem de riscos. A modelagem de riscos correlaciona as previsões dos poluentes observados para obter a qualidade do ar e o risco que tal qualidade oferece à saúde humana. O modelo de risco é baseado em lógica nebulosa, uma terceira técnica de IA. Ao término do trabalho, dois resultados foram alcançados. O primeiro foi o modelo de previsões que obteve resultados com um bom nível de acuidade. Em seguida, o modelo de riscos foi capaz de alcançar uma classificação coerente dos riscos ambientais. / In order to forecast and classify environmental risks, artificial intelligence (AI) techniques were applied to the air quality problem. Predetermined gaseous pollutant concentration data were acquired with the intent of predicting the risks. Such concentrations are denominated air quality indicators, and are regulated all around the world, including by brazilian law. The data concerning these indicators were used in a model that consists of two AI techniques: artificial neural networks and particle swarm optimization. The air quality indicators concentration prediction resulted in one day ahead values. The risk modeling utilizes the predictions as inputs values, correlating them in order to obtain the resulting air quality and, the risk that such quality has upon the human health. The risk model is based on a third AI technique, called fuzzy logic. The present work obtained two main results. The first was the accurate forecasts made by the prediction model. The second was the achievement of a coherent classification of the risks.

CNPq / Este trabalho apresenta uma abordagem para a definição automática de bases de regras em Classificadores Fuzzy Probabilísticos (CFPs), um caso particular dos Sistemas Fuzzy Probabilísticos. Como parte integrante deste processo, são utilizados métodos de redução de dimensionalidade como: análise de componentes principais e discriminante de Fisher. Os algoritmos de agrupamento testados para particionar o universo das variáveis de entrada do sistema são Gustafson-Kessel, Supervised Fuzzy Clustering ambos já consolidados na literatura. Adicionalmente, propõe-se um novo algoritmo de agrupamento denominado Gustafson-Kessel com Ponto Focal como parte integrante do projeto automático de CFPs. A capacidade deste novo algoritmo em identificar clusters elipsoidais e não elipsoidais também é avaliada neste trabalho. Em dados altamente correlacionados ou totalmente correlacionados ocorrem problemas na inversão da matriz de covariância fuzzy. Desta forma, um método de regularização é necessário para esta matriz e um novo método está sendo proposto neste trabalho.Nos CFPs considerados, a combinação de antecedentes e consequentes fornece uma base de regras na qual todos os consequentes são possíveis em uma regra, cada um associado a uma medida de probabilidade. Neste trabalho, esta medida de probabilidade é calculada com base no Teorema de Bayes que, a partir de uma função de verossimilhança, atualiza a informação a priori de cada consequente em cada regra. A principal inovação é o cálculo da função de verossimilhança que se baseia no conceito de “região Ideal” de forma a melhor identificar as probabilidades associadas aos consequentes da regra. Os CFPs propostos são comparados com classificadores fuzzy-bayesianos  e outros tradicionais na área de aprendizado de máquina considerando conjuntos de dados gerados artificialmente, 30 benchmarks e também dados extraídos diretamente de problemas reais  como detecção de falhas em rolamentos de máquinas industriais. Os resultados dos experimentos mostram que os classificadores fuzzy propostos superam, em termos de acurácia, os classificadores fuzzy-bayesianos considerados e alcançam  resultados competitivos com classificadores não-fuzzy tradicionais usados na comparação. Os resultados também mostram que o método de regularização proposto é uma alternativa para a técnica de agrupamento Gustafson-Kessel (com ou sem ponto focal) quando se consideram dados com alta correção linear. / This work presents a new approach for the automatic design of Probabilistic Fuzzy Classifiers (PFCs), which are a special case of Probabilistic Fuzzy Systems. As part of the design process we consider methods for reducing the dimensionality like the principal component analysis and the Fisher discriminant. The clustering methods tested for partitioning the universe of input variables are Gustafson-Kessel and Supervised Fuzzy Clustering, both consolidated in the literature. In addition, we propose a new clustering method called Gustafson-Kessel with Focal Point as part of the automatic design of PFCs. We also tested the capacity of this method to deal with ellipsoidal and non-ellipsoidal clusters. Highly correlated data represent a challenge to fuzzy clustering due to the inversion of the fuzzy covariance matrix. Therefore, a regularization method is necessary for this matrix and a new one is proposed in this work. In the proposed PFCs, the combination of antecedents and consequents provides a rule base in which all consequents are possible, each one associated with a probability measure. In this work, the probability is calculated based on the Bayes Theorem by updating, through the likelihood function, a priori information concerning every consequent in each rule. The main innovation is the calculus of the likelihood functions which is based on the “ideal region” concept, aiming to improve the estimation of the probabilities associated with rules’ consequents. The proposed PFCs are compared with fuzzy-bayesian classifiers and other ones traditional in machine learning over artificial generated data, 30 different benchmarks and also on data directly extracted from real world like the problem of detecting bearings fault in industrial machines. Experiments results show that the proposed PFCs outperform, in terms of accuracy, the fuzzy-bayesian approaches and are competitive with the traditional non-fuzzy classifiers used in the comparison. The results also show that the proposed regularization method is an alternative to the Gustafson-Kessel clustering technique (with or without focal point) when using linearly correlated data.

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 / Este trabalho apresenta uma abordagem para a definição automática de bases de regras em Classificadores Fuzzy Probabilísticos (CFPs), um caso particular dos Sistemas Fuzzy Probabilísticos. Como parte integrante deste processo, são utilizados métodos de redução de dimensionalidade como: análise de componentes principais e discriminante de Fisher. Os algoritmos de agrupamento testados para particionar o universo das variáveis de entrada do sistema são Gustafson-Kessel, Supervised Fuzzy Clustering ambos já consolidados na literatura. Adicionalmente, propõe-se um novo algoritmo de agrupamento denominado Gustafson-Kessel com Ponto Focal como parte integrante do projeto automático de CFPs. A capacidade deste novo algoritmo em identificar clusters elipsoidais e não elipsoidais também é avaliada neste trabalho. Em dados altamente correlacionados ou totalmente correlacionados ocorrem problemas na inversão da matriz de covariância fuzzy. Desta forma, um método de regularização é necessário para esta matriz e um novo método está sendo proposto neste trabalho.Nos CFPs considerados, a combinação de antecedentes e consequentes fornece uma base de regras na qual todos os consequentes são possíveis em uma regra, cada um associado a uma medida de probabilidade. Neste trabalho, esta medida de probabilidade é calculada com base no Teorema de Bayes que, a partir de uma função de verossimilhança, atualiza a informação a priori de cada consequente em cada regra. A principal inovação é o cálculo da função de verossimilhança que se baseia no conceito de “região Ideal” de forma a melhor identificar as probabilidades associadas aos consequentes da regra. Os CFPs propostos são comparados com classificadores fuzzy-bayesianos  e outros tradicionais na área de aprendizado de máquina considerando conjuntos de dados gerados artificialmente, 30 benchmarks e também dados extraídos diretamente de problemas reais  como detecção de falhas em rolamentos de máquinas industriais. Os resultados dos experimentos mostram que os classificadores fuzzy propostos superam, em termos de acurácia, os classificadores fuzzy-bayesianos considerados e alcançam  resultados competitivos com classificadores não-fuzzy tradicionais usados na comparação. Os resultados também mostram que o método de regularização proposto é uma alternativa para a técnica de agrupamento Gustafson-Kessel (com ou sem ponto focal) quando se consideram dados com alta correção linear. / This work presents a new approach for the automatic design of Probabilistic Fuzzy Classifiers (PFCs), which are a special case of Probabilistic Fuzzy Systems. As part of the design process we consider methods for reducing the dimensionality like the principal component analysis and the Fisher discriminant. The clustering methods tested for partitioning the universe of input variables are Gustafson-Kessel and Supervised Fuzzy Clustering, both consolidated in the literature. In addition, we propose a new clustering method called Gustafson-Kessel with Focal Point as part of the automatic design of PFCs. We also tested the capacity of this method to deal with ellipsoidal and non-ellipsoidal clusters. Highly correlated data represent a challenge to fuzzy clustering due to the inversion of the fuzzy covariance matrix. Therefore, a regularization method is necessary for this matrix and a new one is proposed in this work. In the proposed PFCs, the combination of antecedents and consequents provides a rule base in which all consequents are possible, each one associated with a probability measure. In this work, the probability is calculated based on the Bayes Theorem by updating, through the likelihood function, a priori information concerning every consequent in each rule. The main innovation is the calculus of the likelihood functions which is based on the “ideal region” concept, aiming to improve the estimation of the probabilities associated with rules’ consequents. The proposed PFCs are compared with fuzzy-bayesian classifiers and other ones traditional in machine learning over artificial generated data, 30 different benchmarks and also on data directly extracted from real world like the problem of detecting bearings fault in industrial machines. Experiments results show that the proposed PFCs outperform, in terms of accuracy, the fuzzy-bayesian approaches and are competitive with the traditional non-fuzzy classifiers used in the comparison. The results also show that the proposed regularization method is an alternative to the Gustafson-Kessel clustering technique (with or without focal point) when using linearly correlated data.