The dynamic characteristics of autonomous underwater vehicles (AUVs) present a control problem that classical methods cannot often accommodate easily. Fundamentally, AUV dynamics are highly non-linear, and the relative similarity between the linear and angular velocities about each degree of freedom means that control schemes employed within other flight vehicles are not always applicable. In such instances, intelligent control strategies offer a more sophisticated approach to the design of the control algorithm. Neurofuzzy control is one such technique, which fuses the beneficial properties of neural networks and fuzzy logic in a hybrid control architecture. Such an approach is highly suited to development of an autopilot for an AUV. Specifically, the adaptive network-based fuzzy inference system (ANFIS) is discussed in Chapter 4 as an effective new approach for neurally tuning course-changing fuzzy autopilots. However, the limitation of this technique is that it cannot be used for developing multivariable fuzzy structures. Consequently, the co-active ANFIS (CANFIS) architecture is developed and employed as a novel multi variable AUV autopilot within Chapter 5, whereby simultaneous control of the AUV yaw and roll channels is achieved. Moreover, this structure is flexible in that it is extended in Chapter 6 to perform on-line control of the AUV leading to a novel autopilot design that can accommodate changing vehicle pay loads and environmental disturbances. Whilst the typical ANFIS and CANFIS structures prove effective for AUV control system design, the well known properties of radial basis function networks (RBFN) offer a more flexible controller architecture. Chapter 7 presents a new approach to fuzzy modelling and employs both ANFIS and CANFIS structures with non-linear consequent functions of composite Gaussian form. This merger of CANFIS and a RBFN lends itself naturally to tuning with an extended form of the hybrid learning rule, and provides a very effective approach to intelligent controller development.

Submitted by Eduarda Figueiredo (eduarda.ffigueiredo@ufpe.br) on 2015-03-10T19:39:21Z No. of bitstreams: 2 Tese de Doutorado - Helenice Leite Garcia DEQ UFPE.pdf: 18198049 bytes, checksum: bb0a11c0b9e56d9bf8ace7b684c665b7 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-10T19:39:21Z (GMT). No. of bitstreams: 2 Tese de Doutorado - Helenice Leite Garcia DEQ UFPE.pdf: 18198049 bytes, checksum: bb0a11c0b9e56d9bf8ace7b684c665b7 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2012-08-02 / CNPq / A disponibilidade de água no mundo inteiro tem se tornado pauta importante em todos os fóruns de discussão sobre as condições dos recursos hídricos no planeta. As avaliações sobre esta disponibilidade são, principalmente em relação à qualidade da águ,a em termos da definição de parâmetros físicos, químicos e biológicos da água, representando um conjunto de parâmetros extremamente importantes para o contexto da sustentabilidade ambiental. Neste cenário, as técnicas de Inteligência Computacional ou de Inteligência Artificial, têm se tornando alternativas de ampla aplicabilidade para modelagem e simulação da qualidade da água. Neste trabalho foi, então, desenvolvido um estudo para que as redes neurais, a lógica fuzzy e a análise de componente principal fossem utilizadas como estratégias para avaliação da qualidade da água em corpos hídricos do Estado de Sergipe, com vista à construção de interface fáceis de serem utilizadas em ambiente MATLAB. Neste estudo, foram coletados dados ambientais dos reservatórios Jacarecica, da Marcela e da bacia do Rio Poxim, em Sergipe. Para o desenvolvimento da modelagem em termos de redes neurais, foram utilizadas as redes Multi Layer Perceptron (MLP) e as redes Radial Basis Function (RBF) e um sistema neuro-fuzzy para modelar a qualidade da água utilizando como variável de saída a concentração de clorofila-a para caracterizar o fenômeno de eutrofização do sistema. Além dessa modelagem, foi desenvolvida uma equação com base na análise de componente principal em função das medidas de pH, oxigênio dissolvido, amônia, nitrito e nitrato, além das concentrações de ortofosfato, nitrogênio total e fosforo total, e clorofila-a. Quanto à aplicação da lógica fuzzy, foi calculado o índice de qualidade da água em função das concentrações de clorofila-a, nitrogênio total e fósforo total para classificação do sistema nos quatro níveis tróficos para que as variáveis linguísticas fossem identificadas. Para a análise fuzzy foram implementadas as regras fuzzy com base no conhecimento especialista do sistema hídrico, sendo o modelo fuzzy considerado representativo para classificar as condições ambientais dos reservatórios. É importante ressaltar que os resultados foram satisfatórios em termos da classificação e descrição do fenômeno de eutrofização entre os níveis de oligotrófico e hipertrófico para corpos hídricos em análise. Dessa forma, as técnicas de inteligência artificial, em particular as redes neurais e a lógica fuzzy, foram empregadas com sucesso para um conjunto de dados ambientais, mostrando a viabilidade numérica no que concerne a representação de fenômenos ambientais complexos e importantes para sustentabilidade ambiental dos corpos hídricos.

The Master’s thesis deals with the topic of the use of artificial inteligence for managerial decision making in the firm. This thesis contains an aplication of fuzzy logic system for firm’s supplier evaluation that provides informations for more efficient collaboration with suppliers.

No / This study compares the performance of neurofuzzy logic and neural networks using two software packages (INForm and FormRules) in generating predictive models for a published database for an immediate release tablet formulation. Both approaches were successful in developing good predictive models for tablet tensile strength and drug dissolution profiles. While neural networks demonstrated a slightly superior capability in predicting unseen data, neurofuzzy logic had the added advantage of generating rule sets representing the cause-effect relationships contained in the experimental data.

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.

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.

Orientadores: Fernando Antonio Campos Gomide, Pyramo Pires Costa Junior / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-15T16:46:31Z (GMT). No. of bitstreams: 1 Hell_MichelBortolini_D.pdf: 7545996 bytes, checksum: 071a8d962605648b1cbdab01fc9a54b2 (MD5) Previous issue date: 2008 / Resumo: Este trabalho propõe um procedimento sistemático para obtenção de modelos de sistemas dinâmicos não-lineares complexos utilizando redes neurais nebulosas. As redes neurais nebulosas aplicadas em modelagem são capazes de extrair conhecimento de dados entrada/saída e representar este conhecimento na forma de regras nebulosas do tipo se-então, gerando modelos lingüísticos convenientes para compreensão humana. Duas novas classes de redes neurais nebulosas são propostas a partir de generalizações dos neurônios lógicos AND e OR. Estas generalizações, denominadas unineurons e nullneurons, implementam, além da plasticidade sináptica, outra importante característica dos neurônios biológicos, a plasticidade neuronal. Desta forma, os neurônios propostos neste trabalho são capazes de modificar parâmetros internos em resposta à alterações, permitindo que unineurons e nullneurons variem individualmente de um neurônio AND para um neurônio OR (e vice-e-versa), dependendo da necessidade do problema. Conseqüentemente, uma rede neural nebulosa composta por unineurons e nullneurons é mais geral do que as redes neurais nebulosas similares sugeridas na literatura. Além da introdução de redes neurais com unineurons e nullneurons, um novo algoritmo de treinamento para obtenção de modelos nebulosos de sistemas dinâmicos é proposto utilizando aprendizado participativo. Neste algoritmo, uma nova informação fornecida à rede por meio de um dado entrada/saída é comparada com o conhecimento que já se tem a respeito do sistema. A nova informação só tem influência na atualização do conhecimento se não entrar em conflito com o conhecimento adquirido anteriormente. Como conseqüência, redes neurais nebulosas que utilizam este novo algoritmo de treinamento são mais robustas a dados de treinamento com valores que correspondem a comportamentos anômalos ou mesmo a erros durante a obtenção destes dados. As abordagens propostas foram utilizadas para desenvolver modelos para previsão de séries temporais e modelagem térmica de transformadores de potência. Os resultados experimentais mostram que os modelos aqui propostos são mais robustos e apresentam os melhores desempenhos, tanto em termos de precisão quanto em termos de custos computacionais, quando comparados com abordagens alternativas sugeridas na literatura / Abstract: This work suggests a systematic procedure to develop models of complex nonlinear dynamical systems using neural fuzzy networks. The neural fuzzy networks are able to extract knowledge from input/output data and to encode it explicitly in the form of if-then rules. Therefore, linguistic models are obtained in a form suitable for human understanding. Two new classes of fuzzy neurons are introduced to generalize AND and OR logic neurons. These generalized login neurons, called unineurons and nullneurons, provide a mechanism to implement synaptic plasticity and an important characteristic of biological neurons, the neuronal plasticity. Unineurons and nullneurons achieve synaptic and neuronal plasticity modifying their internal parameters in response to external changes. Thus, unineurons and nullneurons may individually vary from a AND neuron to a OR neuron (and vice-versa), depending upon the necessity of the modeling task. Neural fuzzy networks constructed with unineurons and nullneurons are more general than similar fuzzy neural approaches suggested in literature. Training algorithms for neural fuzzy networks with unineurons and nullneurons are also studied. In particular, a new training algorithm based on the participatory learning is introduced to develop fuzzy models of dynamical systems. In the participatory learning algorithm, a new information brought to the network through an input/output data is first compared with the knowledge that the network already has about the model. The new information influences the update of the knowledge only if it does not conflict with the current knowledge. As a result, neural fuzzy networks trained with participatory learning show greater robustness to training data with anomalous values than their counterparts. The neural fuzzy network and training algorithms suggested herein are used to develop time series forecast models and thermal models of power transformers. Experimental results show that the models proposed here are more robust and perform best in terms of accuracy and computational costs when compared against alternative approaches suggested in the literature / Doutorado / Automação / Doutor em Engenharia Elétrica

This study presents the implementation of Middle East Technical University Neural Network (METU-NN) models for the ionospheric forecasting together with worldwide usage capability of the Internet. Furthermore, an attempt is made to include expert information in the Neural Network (NN) model in the form of neurofuzzy network (NFN). Middle East Technical University Neurofuzzy Network (METU-NFN) modeling approach is developed which is the first attempt of using a neurofuzzy model in the ionospheric forecasting studies. The Web based applications developed in this study have the ability to be customized such that other NN and NFN models including METU-NFN can also be adapted. The NFN models developed in this study are compared with the previously developed and matured METU-NN models. At this very early stage of employing neurofuzzy models in this field, ambitious objectives are not aimed. Applicability of the neurofuzzy systems on the ionospheric forecasting studies is only demonstrated. Training and operating METU-NN and METU-NFN models under equal conditions and with the same data sets, the cross correlation of obtained and measured values are 0.9870 and 0.9086 and the root mean square error (RMSE) values of 1.7425 TECU and 4.7987 TECU are found by operating METU-NN and METU-NFN models respectively. The results obtained by METU-NFN model is close to those found by METU-NN model. These results are reasonable enough to encourage further studies on neurofuzzy models to benefit from expert information. Availability of these models which already attracted intense international attention will greatly help the related scientific circles to use the models. The models can be architecturally constructed, trained and operated on-line. To the best of our knowledge this is the first application that gives the ability of on-line model usage with these features. Applicability of NFN models to the ionospheric forecasting is demonstrated. Having ample flexibility the constructed model enables further developments and improvements. Other neurofuzzy systems in the literature might also lead to better achievements.

In Electric Power Systems understand the future behavior of electric loads is crucial to make a decision. The long, medium and short term load forecast is essential power systems. Considering the gradual transformation of the traditional distribution systems to smart grids, where the electric system automation and online communication are effective, the forecast in very short term gets new challenges. Based on these facts, the objective of this thesis is to identify the most appropriate methods to accomplish these forecasts to contribute to decision-making in distribution systems operation. Various techniques of forecasting and simulations in different methods were studied, in order to identify which of these offers the best results regarding demand the forecast in the very short term. The quantities considered to make predictions and, which have more relevance to the horizon under study are electrical and climate. The methods used in the simulations were the Artificial Neural Networks (ANN) type recurrent Elman e NARX and Neurofuzzy. / Em Sistemas Elétricos de Potência conhecer o comportamento futuro das cargas elétricas é de fundamental importância para tomada de decisões. A previsão de cargas elétricas é essencial nos horizontes de longo, médio, curto e curtíssimo prazo. Tendo em vista a gradual transformação dos sistemas de distribuição tradicionais para sistemas inteligentes de distribuição, onde a automação do sistema elétrico e a comunicação online estejam efetivas, a previsão no curtíssimo prazo ganha novos desafios. Com base nesses fatos esta dissertação busca identificar os métodos mais adequados para realizar essas previsões de forma a contribuir com a tomada de decisões na operação dos sistemas de distribuição de energia elétrica. Foram estudadas várias técnicas de previsão e realizadas simulações em diferentes métodos de forma a identificar qual desses apresenta melhor resultado com relação à previsão de demanda no curtíssimo prazo. As grandezas consideradas para realizar as previsões e que apresentam maior relevância para o horizonte em estudo são elétricas e climáticas. Os métodos utilizados nas simulações foram as Redes Neurais Artificiais (RNAs) do tipo recorrente Elman e NARX e Neurofuzzy.

Made available in DSpace on 2016-12-12T17:29:55Z (GMT). No. of bitstreams: 1 Angelo Luis Pagliosa.pdf: 1725265 bytes, checksum: d01cb2eed64463999696ddaef3a82724 (MD5) Previous issue date: 2003-12-18 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This dissertation presents an hybrid computational model that combines fuzzy system techniques and artificial neural networks. Its objective is the automatic generation of membership functions, in particular, triangle forms, aiming at a dynamic modelling of a system. The model is named Neo-Fuzzy-Neuron Modify by Kohonen (NFN-MK), since it starts using Kohonen network to obtain the central vertices in triangular curves. A set of these curves are used to model a variable of the real system. NFN-MK is based on the Neo-Fuzzy- Neuron (NFN) model originally proposed by Yamakawa, where a network is adapted in order to associate fuzzy, "if-then"rules allowing elicitation and extraction of knowledge in linguistic form. The NFN-MK model is tested by simulation of real systems. They are here represented by classical mathematical functions, chosen due their importance in the system identification field. Finally, a comparison of the results obtained by NFN-MK is carried out against other models such as analytical results, traditional neural networks, and correlated studies of neurofuzzy systems applied to system identification. This work ends with a comparison of the results obtained by NFN-MK with analytical results, and those obtained by using traditional neural networks and other system identification neurofuzzy methods. / Esta dissertação propõe um modelo computacional que combina técnica de Sistemas Fuzzy (SF) e Redes Neurais Artificiais (RNA´s), com o objetivo de realizar a identificação desistemas, os quais são modelados pela descoberta de curvas de pertinência e pesos de conexões no modelo proposto. O modelo proposto chamado de Neo Fuzzy Neuron Modificadopela rede de Kohonen (NFN-MK) foi reestruturado a partir do modelo do Neo Fuzzy Neuron (NFN), proposto originalmente por Yamakawa. O modelo NFN é construído sob uma topologia neural que associa as regras do tipo Se Então , sendo estas do tipo fuzzy. A virtude do modelo de Yamakawa é combinar o conhecimento apresentado nos SF´s com a habilidade de aprendizagem e generalização das RNA´s. A partir deste modelo, o NFN-MK introduz a rede de Kohonen em um estágio inicial da aprendizagem, a fim de encontrar os vértices iniciais das curvas triangulares de pertinência do modelo proposto. A partir da definição inicial dos vértices dos triângulos nas curvas de pertinência, inicia-se um processo de aprendizagem, análogo ao backpropagation clássico, a fim de ajustar os pesos de cada conexão da topologia neural proposta. Ao final da aprendizagem, o NFN-MK é submetido a experimentos na identificação de três sistemas. Estes sistemas são representados com curvas matemáticas clássicas, a fim de comparar a eficiência do modelo proposto a outros resultados como: o próprio valor analítico das funções, RNA´s clássicas e outros modelos neurofuzzy de trabalhos correlatos.