Nessa dissertação, é investigado o armazenamento e a recuperação de padrões de forma biologicamente inspirada no cérebro. Os modelos estudados consistiram de redes neurais realimentadas, que tentam modelar certos aspectos dinâmicos do funcionamento do cérebro. Em particular, atenção especial foi dada às Redes Neurais Celulares, que constituem uma versão localmente acoplada do já clássico modelo de Hopfield. Além da análise de estabilidade das redes consideradas, foi realizado um teste com o intuito de avaliar o desempenho de diversos métodos de construção de memórias endereçáveis por conteúdo (memórias associativas) em Redes Neurais Celulares. / In this dissertation we investigate biologically inspired models of pattern storage and retrieval, by means of feedback neural networks. These networks try to model some of the dynamical aspects of brain functioning. The study concentrated in Cellular Neural Networks, a local coupled version of the classical Hopfield model. The research comprised stability analysis of the referred networks, as well as performance tests of various methods for content-addressable (associative) memory design in Cellular Neural Networks.

Orientador: Peter Sussner / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-25T00:54:31Z (GMT). No. of bitstreams: 1 Esmi_Estevao_D.pdf: 1836434 bytes, checksum: 5c3a2879200ff2c7bb59b21e24a173fc (MD5) Previous issue date: 2014 / Resumo: Muitas das memórias associativas fuzzy (FAMs) da literatura correspondem a redes neurais com uma única camada de pesos que armazenam de forma distributiva as informações das associações desejadas. As principais aplicações deste tipo de mémorias associativas são encontradas em sistemas baseados em regras fuzzy. Nesta tese introduzimos a classe de memórias associativas fuzzy-T (T-FAMs) que, em contraste com estes outros modelos, representam redes neurais fuzzy com duas camadas. Caso particulares de T-FAMs, denominadas S-FAMs (duais) e E-FAMs, são baseadas em medidas de subsethood e equivalência fuzzy. Resultados gerais sobre a capacidade de armazenamento e a capacidade de correção de erro das T-FAMs também foram providenciados. Adicionalmente, introduzimos um algoritmo geral de treinamento para T-FAM cuja convergência é sempre garantida. Apresentamos ainda um algoritmo alternativo para treinamento de uma certa classe de E-FAMs que além de ajustar os seus parâmetros também determina automaticamente a topologia da rede. Finalmente, comparamos as taxas de classificação produzidas pelas T-FAMs com alguns classificadores bem conhecidos em diversos problemas de classificação disponíveis na internet. Além disso, aplicamos com sucesso as T-FAMs em um problema de auto-localização de robô móvel baseado em visão / Abstract: Most fuzzy associative memories in the literature correspond to neural networks with a single layer of weights that distributively contains the information about the associations to be stored. The main applications of these types of associative memory can be found in fuzzy rule-base systems. In contrast, we present in this thesis the class of T-fuzzy associative memories (T-FAMs) that represent fuzzy neural networks with two layers. Particular cases of T-FAMs, called (dual) S-FAMs and E-FAMs, are based on fuzzy subsethood and equivalence measures. We provide theoretical results concerning the storage capability and error correction capability of T-FAMs. Furthermore, we introduce a general training algorithm for T-FAM that is guaranteed to converge in a finite numbers of iterations. We also proposed another alternative training algorithm for a certain type of E-FAM that not only adjusts the parameters of the corresponding network but also automatically determines its topology. We compare the classification rates produced by T-FAMs with that ones of some well-known classifiers in several benchmark classification problems that are available on the internet. Finally, we successful apply T-FAM approach to a problem of vision-based selflocalization in mobile robotics / Doutorado / Matematica Aplicada / Doutor em Matemática Aplicada

Orientador: Peter Sussner / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-07T23:05:00Z (GMT). No. of bitstreams: 1 Mesquita_MarcosEduardoRibeirodoValle_D.pdf: 1277085 bytes, checksum: 70e93671eb62f360b430f7b81b3c71e3 (MD5) Previous issue date: 2007 / Resumo: Uma Memória Associativa (AM, Associative Memory) é um modelo projetado para armazenar pares de entrada e saída. Sobretudo, uma AM deve ser capaz de recordar uma sida desejada ao mesmo após a apresentação de uma versão incompleta ou destorcida de um padrão de entrada. Essa tese de doutorado discute as Memórias Associativas Morfológicas Nebulosas (FMAMs, Fuzzi Morphological Associative Memories), uma classe de memórias associativas elaboradas para armazenar padrões nebulosas cujos neurÔnios realizam operações elementares da morfologia matemática, i.e., dilatação, erosão, anti-dilatação e anti-erosão. É verificado que os principais modelos de Memória Associativa Nebulosa (FAM, Fuzzy Associative Memory) pertencem à classe das FMAMs. Essa tese introduz as Memórias Associativas Nebulosas Implicativas (IFAMs, Implicative Fuzzy Associative Memories) e suas versões duas com respeito à negação e adjunção. Uma IFAM é uma FMAM onde os pares de entrada e saída são armazenados usando o armazenamento nebuloso implicativo. No armazenamento nebuloso implicativo, os pesos sinápticos. Resultados sobre a fase de armazenamento faz IFAMs e das IFAMs duas são apresentados. Em particular, são demonstrados teoremas sobre a convergência, capacidade de armazenamento, tolerância à ruído e pontos fixos das IFAMs e das IFAMs duais para o caso autoassoplos e resultados teóricos. Finalmente, são apresentadas duas aplicações das FMAMs em problemas de previsão de séries temporais. O primeiro problema trata da previsão da mão-de-obra requerida em industrias metalúrgicas enquanto que a segunda aplicação refere-se a previsão da vazão média mensal da usina hidrelétrica de Furnas / Abstract: Associative memories (AMs) are models that allow for the storage of pattern associations and the retrieval of the desired output pattern upon presentation of a possibly noisy or incomplete version of an input pattern. This thesis discusses fuzzy morphological associative memories (FMAMs), a general class of AMs designed to store fuzzy patterns and described by fuzzy neural networks. Each neuron of a FMAM model performs an elementary operation of mathematical morphology such as dilation, erosion, anti-dilation, and anti-erosion. We show that the most widely known models of fuzzy associative memories (FAMs) belong to the FMAM class. This thesis introduces the implicative fuzzy associative memories (IFAMs) and their dual versions with respect to negation and adjunction. An IFAM is a FMAM model where the patterns are stored by means of implicative fuzzy learning. Specifically, in implicative fuzzy learning, the synaptic weights are given by the minimum of the implication of pre- and postsynaptic activations. We present results concerning the recall and storing phase of IFAM and the dual IFAM models. In particular, we present theorems concerning the convergence, the storage capacity, the noise tolerance, and the fixed points of the IFAM and dual IFAM models in the auto-associative case. We compare the IFAMs with several others FAM models by means of theoretical results and examples. Finally, we present two applications of FMAM models in problems of time-series prediction. The first problem concerns the engineering manpower requirement in steel manufacturing industry while the second refers to the stream flow prediction of a large hydroelectric plant, namely Furnas / Doutorado / Doutor em Matemática Aplicada

Orientador: Peter Sussner / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-26T17:27:37Z (GMT). No. of bitstreams: 1 Schuster_Tiago_M.pdf: 2910336 bytes, checksum: 1f5147831dd6410a0fdb0c0fa53d94c8 (MD5) Previous issue date: 2015 / Resumo: As últimas décadas têm testemunhado a emergência de uma variedade de abordagens à resolução de problemas com base na computação em reticulados como, por exemplo, as redes neurais morfológicas e os modelos neurocomputação e de raciocínio fuzzy em reticulados. Usamos aqui o termo "reticulado'' no sentido dado no trabalho seminal de Birkhoff. A teoria dos reticulados nasceu da álgebra booleana e tem um grande leque de aplicações como a análise de conceitos formais, a inteligência computacional, a teoria dos conjuntos fuzzy e a morfologia matemática (MM). A MM em reticulados completos representa a base teórica para uma série de modelos de inteligência computacional conhecidos como redes neurais morfológicas (MNNs), que incluem as memórias associativas morfológicas em tons de cinza e as memórias associativas morfológicas fuzzy (FMAMs). As últimas décadas têm testemunhado a emergência de uma variedade de abordagens à resolução de problemas com base na computação em reticulados como, por exemplo, as redes neurais morfológicas e os modelos neurocomputação e de raciocínio fuzzy em reticulados. Usamos aqui o termo "reticulado'' no sentido dado no trabalho seminal de Birkhoff. A teoria dos reticulados nasceu da álgebra booleana e tem um grande leque de aplicações como a análise de conceitos formais, a inteligência computacional, a teoria dos conjuntos fuzzy e a morfologia matemática (MM). A MM em reticulados completos representa a base teórica para uma série de modelos de inteligência computacional conhecidos como redes neurais morfológicas (MNNs), que incluem as memórias associativas morfológicas em tons de cinza e as memórias associativas morfológicas fuzzy (FMAMs). O advento de sistemas fuzzy tipo-2 sugere o desenvolvimento das FMAMs tipo-2 e em particular FMAMs tipo-2 intervalar, ou FMAMs intervalar (IV-FMAMs). Observemos aqui que a classe dos conjuntos fuzzy, assim como a dos conjuntos fuzzy tipo-2, fuzzy tipo-2 intervalar e fuzzy intervalar sobre um universo arbitrário em conjunção com diferentes escolhas de ordens parciais formam classes de conjuntos L-fuzzy, em que L denota um reticulado completo. Nessa dissertação de mestrado, introduzimos as memórias associativas L-fuzzy (L-FMAMs) com base na morfologia matemática L-fuzzy (L-FMM). Nosso foco está nas FMAMs fuzzy intervalar, uma vez que sistemas fuzzy intervalar têm sido aplicados com sucesso em problemas de engenharia, computação com palavras e raciocínio aproximado. Nós aplicamos os modelos de IV-FMAMs em conjunção com a técnica de clusterização fuzzy c-means intervalar a um problema de predição de série temporal, especificamente o prognóstico da vazão mensal de uma usina hidroelétrica localizada no sudeste brasileiro. Por fim, comparamos as predições produzidas pela abordagem das IV-FMAMs com aquelas produzidas por modelos competitivos da literatura / Abstract: The last decade has witnessed the emergence of a variety of lattice computing approaches towards computational intelligence such as morphological neural networks and fuzzy lattice reasoning / neuro-computing models. Here, the technical term "lattice" refers to a lattice in the mathematical sense of Birkhoff's seminal work. Lattice theory grew out of Boolean algebra and has found a wide range of applications such as mathematical morphology, formal concept analysis, computational intelligence, and fuzzy set theory. Mathematical morphology on complete lattices represents the theoretical basis for a range of computational intelligence models known as morphological neural networks (MNNs) including gray-scale and fuzzy morphological associative memories (FMAMs). The advent of type-2 fuzzy systems suggests the development of type-2 FMAMs and in particular interval type-2 FMAMs or interval-valued FMAMs. Recall that the class of fuzzy sets as well as the classes of type-2, interval type-2, and interval-valued fuzzy sets over an arbitrary universe together with different choices of partial orderings form classes of L-fuzzy sets, where L denotes a complete lattice. In this master's thesis, we introduce L-fuzzy morphological associative memories (L-FMAMs) on the basis of L-FMM. Our focus is on interval-valued FMAMs since interval type-2 fuzzy systems, have found various applications in engineering, computing with words, and approximate reasoning. We applied the aforementioned interval-valued FMAM models in conjunction with the interval-valued fuzzy c-means clustering technique to a time-series prediction problem in industry, namely the problem of forecasting the average monthly streamflow of a hydroelectric plant located in southeastern Brazil, and compared the predictions produced by the IV-FMAM approach with the ones produced by a number of competitive models from the literature / Mestrado / Matematica Aplicada / Mestre em Matemática Aplicada

A contribuição e objetivo desta tese é desenvolver um modelo de redes neurais artificiais, baseado em princípios de memória associativa, capaz de resolver o problema de planejamento e controle ponto a ponto de trajetória de um braço mecânico imerso em um ambiente parcialmente conhecido e/ou sujeito a ruídos. O modelo proposto é formado por dois planos: plano seqüência temporal e plano ângulo. Para o plano seqüência temporal, o novo modelo proposto chamado de Memória Associativa Multidirecional Temporal (TMAM) é capaz de armazenar e recuperar n-tuplas de informações, lidar com informações ruidosas e/ou incompletas e aprender seqüências temporais. TMAM utiliza representação contínua e realimentação autoassociativa. O plano ângulo é formado pelo modelo RBF que é responsável por produzir as informações de ângulos das juntas do braço mecânico. A composição dos dois planos forma o sistema completo que é responsável pelo planejamento e controle ponto a ponto de trajetória. Em resumo, o sistema recebe informações do ponto origem e do ponto alvo, estabelece uma trajetória para atingir o ponto alvo a partir do ponto de origem e transforma os pontos espaciais da trajetória em valores de ângulos das juntas. Os resultados obtidos mostram que o modelo TMAM é capaz de recuperar, interpelar e extrapolar pontos nas seqüências, é capaz de gerar trajetórias, de memorizar seqüências de diferentes tamanhos e de lidar com duas trajetórias ao mesmo tempo. O modelo apresenta também rápido treinamento. O modelo RBF é capaz de recuperar as saídas desejadas apresentando um erro pequeno e é capaz de receber um padrão que apresenta um ponto final inatingível e gerar um conjunto de ângulos que representa um ponto final atingível. / The aim of this project is to develop an artificial neural networks model based on principles of associative memory. This neural network model must be able to solve the problem of trajectory planning and point to point control of a robot arm, which is located in a partially known and/or noisy environment. The proposed model is composed by two surfaces: the temporal sequence surface and the angle surface. For the temporal sequence surface the new propose model Temporal Multidirectional Associative Memmy (TMAM) is able to store and recall n-tuplas of information, to deal with noisy and/or incomplete information and to learn temporal sequences. TMAM uses a continuas representation and autoassociative feedback. A RBF model is used to implement the angle surface, which is liable for producing the angle information for the joint of the robot arm. The two surfaces compose the whole system which is liable for the trajectory planning and system control. Hence, the system receives information about the initial point and the target point, constructs the trajectory to reach the target point from the initial point and converts the spatial points which compose the trajectory, in values of joint angles. The obtained results show that TMAM model can recall, interpolate and extrapolate points in the sequences. The model has the ability of generating new trajectories and memorizing different size of sequences at the same time. This model also shows fast learning. The RBF model can recall the desired outputs with a small error and can receive a pattern which is formed by an unreachable final point and generate a set of angles which, in turn, represent a reachable final point.

A contribuição e objetivo desta tese é desenvolver um modelo de redes neurais artificiais, baseado em princípios de memória associativa, capaz de resolver o problema de planejamento e controle ponto a ponto de trajetória de um braço mecânico imerso em um ambiente parcialmente conhecido e/ou sujeito a ruídos. O modelo proposto é formado por dois planos: plano seqüência temporal e plano ângulo. Para o plano seqüência temporal, o novo modelo proposto chamado de Memória Associativa Multidirecional Temporal (TMAM) é capaz de armazenar e recuperar n-tuplas de informações, lidar com informações ruidosas e/ou incompletas e aprender seqüências temporais. TMAM utiliza representação contínua e realimentação autoassociativa. O plano ângulo é formado pelo modelo RBF que é responsável por produzir as informações de ângulos das juntas do braço mecânico. A composição dos dois planos forma o sistema completo que é responsável pelo planejamento e controle ponto a ponto de trajetória. Em resumo, o sistema recebe informações do ponto origem e do ponto alvo, estabelece uma trajetória para atingir o ponto alvo a partir do ponto de origem e transforma os pontos espaciais da trajetória em valores de ângulos das juntas. Os resultados obtidos mostram que o modelo TMAM é capaz de recuperar, interpelar e extrapolar pontos nas seqüências, é capaz de gerar trajetórias, de memorizar seqüências de diferentes tamanhos e de lidar com duas trajetórias ao mesmo tempo. O modelo apresenta também rápido treinamento. O modelo RBF é capaz de recuperar as saídas desejadas apresentando um erro pequeno e é capaz de receber um padrão que apresenta um ponto final inatingível e gerar um conjunto de ângulos que representa um ponto final atingível. / The aim of this project is to develop an artificial neural networks model based on principles of associative memory. This neural network model must be able to solve the problem of trajectory planning and point to point control of a robot arm, which is located in a partially known and/or noisy environment. The proposed model is composed by two surfaces: the temporal sequence surface and the angle surface. For the temporal sequence surface the new propose model Temporal Multidirectional Associative Memmy (TMAM) is able to store and recall n-tuplas of information, to deal with noisy and/or incomplete information and to learn temporal sequences. TMAM uses a continuas representation and autoassociative feedback. A RBF model is used to implement the angle surface, which is liable for producing the angle information for the joint of the robot arm. The two surfaces compose the whole system which is liable for the trajectory planning and system control. Hence, the system receives information about the initial point and the target point, constructs the trajectory to reach the target point from the initial point and converts the spatial points which compose the trajectory, in values of joint angles. The obtained results show that TMAM model can recall, interpolate and extrapolate points in the sequences. The model has the ability of generating new trajectories and memorizing different size of sequences at the same time. This model also shows fast learning. The RBF model can recall the desired outputs with a small error and can receive a pattern which is formed by an unreachable final point and generate a set of angles which, in turn, represent a reachable final point.