Made available in DSpace on 2016-06-02T19:05:32Z (GMT). No. of bitstreams: 1 2113.pdf: 882226 bytes, checksum: 022c380c1d469988d9e4617a030f17c3 (MD5) Previous issue date: 2008-08-06 / The combination of fuzzy systems with clustering algorithms has great acceptance in the scientific community mainly due to its adherence to the advantage balance principle of computational intelligence, in which different methodologies collaborate with each other potentializing the usefulness and applicability of the resulting systems. Fuzzy Modeling using clustering algorithms presents the transparency and comprehensibility typical of the linguistic fuzzy systems at the same time that benefits from the possibilities of dimensionality reduction by means of clustering. In this work is presented the Fuzzy-CCM method (Fuzzy Conditional Clustering based Modeling) which consists of a new approach for Fuzzy Modeling based on the Fuzzy Conditional Clustering algorithm aiming at providing new means to address the topic of interpretability of fuzzy rules bases. With the Fuzzy-CCM method the balance between interpretability and accuracy of fuzzy rules is dealt with through the definition of contexts defined by a small number of input variables and the generation of clusters induced by these contexts. The rules are generated in a different format, with linguistic variables and clusters in the antecedent. Some experiments have been carried out using different knowledge domains in order to validate the proposed approach by comparing the results with the ones obtained by the Wang&Mendel and conventional Fuzzy C-Means methods. The theoretical foundations, the advantages of the method, the experiments and results are presented and discussed. / A combinação de sistemas fuzzy com algoritmos de agrupamento tem grande aceitação na comunidade científica devido; principalmente, a sua aderência ao princípio de balanceamento de vantagens da inteligência computacional, no qual metodologias diferentes colaboram entre si, potencializando a utilidade e aplicabilidade dos sistemas resultantes. A modelagem fuzzy usando algoritmos de agrupamento apresenta a transparência e facilidade de compreensão típica dos sistemas fuzzy lingüísticos ao mesmo tempo em que se beneficia das possibilidades de redução da dimensionalidade por intermédio do agrupamento. Neste trabalho é apresentado o método Fuzzy-CCM (Fuzzy Conditional Clustering based Modeling), que consiste de uma nova abordagem de Modelagem Fuzzy baseada no algoritmo de Agrupamento Fuzzy Condicional, cujo objetivo é prover novos meios de tratar a questão da interpretabilidade de bases de regras fuzzy. Com o método Fuzzy-CCM, o balanço entre interpretabilidade e acuidade de regras fuzzy é tratado por meio da definição de contextos formados com um pequeno número de variáveis de entrada e a geração de grupos condicionados por estes contextos. As regras são geradas em um formato diferente, que contêm variáveis lingüísticas e grupos no seu antecedente. Alguns experimentos foram executados usando diferentes domínios de conhecimento a fim de validar a abordagem proposta, comparando os resultados obtidos usando a nova abordagem com os resultados obtidos usando os métodos Wang&Mendel e Fuzzy C-Means. A fundamentação teórica, as vantagens do método, os experimentos e os resultados obtidos são apresentados e discutidos.

Made available in DSpace on 2014-12-17T14:54:59Z (GMT). No. of bitstreams: 1 JoseMAJ.pdf: 711051 bytes, checksum: 6bfbf1b93a8a49314295062e59672543 (MD5) Previous issue date: 2007-11-23 / Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico / Artificial Intelligence techniques are applied to improve performance of a simulated oil distillation system. The chosen system was a debutanizer column. At this process, the feed, which comes to the column, is segmented by heating. The lightest components become steams, by forming the LPG (Liquefied Petroleum Gas). The others components, C5+, continue liquid. In the composition of the LPG, ideally, we have only propane and butanes, but, in practice, there are contaminants, for example, pentanes. The objective of this work is to control pentane amount in LPG, by means of intelligent set points (SP s) determination for PID controllers that are present in original instrumentation (regulatory control) of the column. A fuzzy system will be responsible for adjusting the SP's, driven by the comparison between the molar fraction of the pentane present in the output of the plant (LPG) and the desired amount. However, the molar fraction of pentane is difficult to measure on-line, due to constraints such as: long intervals of measurement, high reliability and low cost. Therefore, an inference system was used, based on a multilayer neural network, to infer the pentane molar fraction through secondary variables of the column. Finally, the results shown that the proposed control system were able to control the value of pentane molar fraction under different operational situations / No presente trabalho, aplicamos t?cnicas de intelig?ncia artificial em um sistema simulado de destila??o de petr?leo, mais especificamente em uma coluna debutanizadora. Nesse processo, o produto que chega ? coluna, conhecido como LGN, ? fracionado por meio de aquecimento. Os componentes mais leves s?o transformados em vapor, que v?o constituir o GLP (G?s Liquefeito de Petr?leo), enquanto as fra??es mais pesadas continuam l?quidas, sendo, comumente, chamadas de C5+. Na composi??o do GLP, idealmente, temos apenas propanos e butanos, por?m, na pr?tica, temos a presen?a de contaminantes, como, por exemplo, pentanos (ipentanos e n-pentanos). O objetivo do trabalho ? regular ? quantidade de pentano presente no GLP, por meio da determina??o inteligente dos sets points (SP) de controladores presentes na instrumenta??o original da coluna. Para isso ? utilizado um sistema fuzzy, que ser? respons?vel por ajustar os valores desses SP s, a partir da compara??o entre a fra??o molar do pentano na sa?da da planta (GLP) e a quantidade desejada. Optou-se por controlar apenas a fra??o molar de i-pentano, por esta ser, normalmente, maior que a fra??o molar do n-pentano, e ainda, devido ao fato de que ambas apresentam din?micas extremamente semelhantes em fun??o das condi??es de opera??o da coluna. Por?m, a fra??o molar de pentano, seja do i-pentano ou n-pentano, ? de dif?cil medi??o on-line devido a limita??es, como: longos intervalos de medi??o, pouca confiabilidade e alto custo. Por essa raz?o, foi utilizado um sistema de infer?ncia, constru?do a partir de uma rede neural de m?ltiplas camadas para inferir o percentual de i-pentano a partir de vari?veis secund?rias da coluna. Os resultados obtidos mostram que o sistema fuzzy conseguiu controlar o valor da fra??o molar do i-pentano para diversas situa??es, mostrando ser um sistema de controle avan?ado vi?vel e com um n?vel satisfat?rio de confiabilidade

Made available in DSpace on 2014-12-17T14:55:48Z (GMT). No. of bitstreams: 1 MarconiCR.pdf: 3477416 bytes, checksum: 7bf9d3b9014c2ba726d8694085022188 (MD5) Previous issue date: 2006-02-17 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / A neuro-fuzzy system consists of two or more control techniques in only one structure. The main characteristic of this structure is joining one or more good aspects from each technique to make a hybrid controller. This controller can be based in Fuzzy systems, artificial Neural Networks, Genetics Algorithms or rein forced learning techniques. Neuro-fuzzy systems have been shown as a promising technique in industrial applications. Two models of neuro-fuzzy systems were developed, an ANFIS model and a NEFCON model. Both models were applied to control a ball and beam system and they had their results and needed changes commented. Choose of inputs to controllers and the algorithms used to learning, among other information about the hybrid systems, were commented. The results show the changes in structure after learning and the conditions to use each one controller based on theirs characteristics / Neste trabalho ? mostrado tanto o desenvolvimento quanto as caracter?sticas de algumas das principais t?cnicas utilizadas para o controle inteligente de sistemas. Partindo de um controlador fuzzy foi poss?vel aplicar t?cnicas de aprendizagem, similares ?s utilizadas pelas Redes Neurais Artificiais (RNA's), evoluir para os modelos neuro-fuzzy ANFIS e NEFCON. Estes modelos neuro-fuzzy foram aplicados a uma planta real do tipo ball and beam e tiveram tanto suas adapta??es quanto seus resultados comentados. Para cada controlador desenvolvido s?o especificadas as vari?veis de entrada, os par?metros utilizados para a adapta??o das vari?veis e os algoritmos aplicados em cada um deles. J? os resultados est?o voltados para a obten??o de um comparativo entre a fase inicial e a final da evolu??o dos controladores neuro-fuzzy, assim como, a aplicabilidade de cada um deles de acordo com suas caracter?sticas intr?nsecas

Made available in DSpace on 2014-12-17T14:55:56Z (GMT). No. of bitstreams: 1 EmanuelGBF_DISSERT.pdf: 5309348 bytes, checksum: dac342ed8ab6114cd0046b442b6a126b (MD5) Previous issue date: 2011-12-09 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / This work presents the design and construction of an X-Y table of two degrees of freedom, as well as the development of a fuzzy system for its position and trajectory control. The table is composed of two bases that move perpendicularly to each other in the horizontal plane, and are driven by two DC motors. Base position is detected by position sensors attached to the motor axes. A data acquisition board performs the interface between a laptop and the plant. The fuzzy system algorithm was implemented in LabVIEW? programming environment that processes the sensors signals and determines the control variables values that drive the motors. Experimental results using position reference signals (step type signal) and straight and circular paths reference signals are presented to demonstrate the dynamic behavior of fuzzy system / Apresentam-se, neste trabalho, o projeto e a constru??o de uma mesa de coordenadas de dois graus de liberdade, bem como o desenvolvimento de um sistema fuzzy para o controle de posi??o e trajet?ria dessa mesa. A mesa ? composta de duas bases que se movimentam perpendicularmente entre si, no plano horizontal, e s?o acionadas por dois motores de corrente cont?nua. As posi??es das bases s?o detectadas por dois sensores de posi??o acoplados aos eixos dos motores. Uma placa de aquisi??o de dados realiza a interface entre um computador port?til e a planta. O algoritmo do sistema fuzzy foi implementado no ambiente de programa??o LabVIEW?, que processa os sinais provenientes dos sensores e determina as vari?veis de controle que acionam os motores. Resultados experimentais utilizando sinais de refer?ncia de posi??o (sinais tipo degrau) e sinais de refer?ncia de trajet?rias retil?neas e circulares s?o apresentados para mostrar o comportamento din?mico do sistema fuzzy

Made available in DSpace on 2016-06-02T19:03:58Z (GMT). No. of bitstreams: 1 5694.pdf: 2329501 bytes, checksum: 90a80d78f180e25fc719ec410704ff8f (MD5) Previous issue date: 2013-12-13 / Financiadora de Estudos e Projetos / In Computer Science, ontologies are used for knowledge representation in a number of applications, aiming to structure and handle domain semantics through models shared by humans and computational systems. Although traditional ontologies model semantic information and support reasoning tasks, they are based on a formalism which is less suitable to express the vagueness inherent in real-world phenomena and human language. To address this issue, many proposals investigate how traditional ontologies can be extended by incorporating concepts from fuzzy sets and fuzzy logic, resulting in fuzzy ontologies. In special, combining the formalism from fuzzy ontologies with fuzzy rule-based reasoning, which has been successfully applied in the context of fuzzy inference systems, can lead to more expressive inferences involving imprecision. In this sense, this doctoral thesis aims at exploring the integration of fuzzy ontology reasoning with fuzzy inference systems, resulting in the definition and the development of two approaches: HyFOM (Hybrid integration of Fuzzy Ontology and Mamdani reasoning) and FT-FIS (Fuzzy Tableau and Fuzzy Inference System). HyFOM is based on a hybrid architecture combining reasoners for ontologies, fuzzy ontologies and fuzzy inference systems, focusing on the interaction among its independent components. FT-FIS defines an interface between a fuzzy tableau-based algorithm and a fuzzy inference system, including the fuzzyRuleReasoning predicate that allows fuzzy rule-based reasoning to be invoked whenever necessary for fuzzy ontology reasoning tasks. The main contribution of HyFOM and FT-FIS comes from their reasoning architectures, which combine flexibility in terms of fuzzy rule semantics with the collaboration between inferences from both types of reasoning. Experiments regarding the recommendation of touristic attractions, based on synthetic data, revealed that HyFOM and FT-FIS provide integrated inferences, in addition to a more expressive approximation of the relation defined by fuzzy rules than the results from the fuzzyDL reasoner. In experiments involving the evaluation of chemical risk in food samples, based on real data, results obtained by HyFOM and FT-FIS are also more precise than fuzzyDL results, in comparison with reference values available in this domain. / No contexto da Ciência da Computação, ontologias são utilizadas para representação de conhecimento em diversas aplicações, com o intuito de estruturar e tratar a semântica de domínios específicos. Embora representem e permitam inferir conhecimento implícito, as ontologias convencionais baseiam-se em um formalismo que não é capaz de expressar a imprecisão presente em fenômenos do mundo real e na linguagem humana. Para abordar esta limitação, há diversas pesquisas que investigam a incorporação de conceitos da teoria de conjuntos fuzzy e da lógica fuzzy em ontologias, resultando em ontologias fuzzy. Em especial, combinar o formalismo das ontologias fuzzy com o raciocínio baseado em regras fuzzy, utilizado com sucesso no contexto de sistemas de inferência fuzzy, pode proporcionar uma maior expressividade com relação às inferências envolvendo imprecisão. Neste sentido, o objetivo deste projeto de doutorado é explorar a integração do raciocínio de ontologias fuzzy e de sistemas de inferência fuzzy, resultando na definição e no desenvolvimento das abordagens HyFOM (Hybrid integration of Fuzzy Ontology and Mamdani reasoning) e FT-FIS (Fuzzy Tableau and Fuzzy Inference System). HyFOM baseia-se em uma arquitetura híbrida que combina motores de inferência existentes na literatura para ontologias, ontologias fuzzy e sistemas de inferência fuzzy, com foco na interação entre seus componentes independentes. FT-FIS define uma interface entre um algoritmo baseado em tableau fuzzy e um sistema de inferência fuzzy, incluindo o predicado fuzzyRuleReasoning que permite invocar o raciocínio baseado em regras fuzzy quando for necessário para as tarefas de raciocínio da ontologia fuzzy. A principal contribuição das arquiteturas de raciocínio de HyFOM e FT-FIS está na combinação de flexibilidade, em termos da semântica das regras fuzzy, com a colaboração entre as inferências de ambos tipos de raciocínio. Experimentos considerando a recomendação de atrações turísticas, baseados em dados sintéticos, revelaram que HyFOM e FT-FIS são capazes de proporcionar inferências integradas, além de uma aproximação mais expressiva da relação estabelecida pelas regras fuzzy que os resultados providos pelo raciocinador fuzzyDL. Em experimentos envolvendo o domínio de risco químico em alimentos, baseado em dados reais, os resultados de HyFOM e FT-FIS também são mais precisos que os resultados de fuzzyDL, em comparação com valores de referência disponíveis nesse domínio.

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

Made available in DSpace on 2016-06-02T19:06:27Z (GMT). No. of bitstreams: 1 DissARS.pdf: 1479466 bytes, checksum: b0e4db694de6cc642354b502d3f9187f (MD5) Previous issue date: 2005-05-31 / Universidade Federal de Sao Carlos / Production planning in automated manufacturing environments is a complex task which comprehends, among other activities, the production sequencing. One of the techniques used to determine the best production sequencing is the simulation. All possible sequences can be simulated and, right after that, the sequences with the best performance are verified, according to some criteria. However, due to the combinatory nature of the sequencing, the simulation of all possible combinations takes long time, becoming quite impracticable in many cases. Besides, events that were not programmed occur frequently in automated manufacturing environments and the decision maker must be fast choosing alternatives. Aiming to contour this problem, this work proposes a fuzzy analyser of sceneries for the production sequencing (ANCSP). The goal is to reduce the quantity of sequences to be simulated by the decision maker when non programmed events occur in the productive system, according to a defined performance criteria. The maximum quantity of generated sequences is calculated based on the time avaliable to realize the simulation. The proposed model intends to support the usage of the simulation technique by the decision makers. The ANCSP was implemented and various tests were performed. A specific model of flexible manufacturing system was considered to perform the tests. The performance of the ANCSP was analyzed comparing its results with those presented by a simulation software, for the same test sets and in accordance to the performance measures established. / O planejamento da produção em ambientes automatizados de manufatura é uma tarefa complexa que compreende, dentre outras atividades, o sequenciamento da produção. Uma das técnicas usadas para determinar qual a melhor sequência de produção é a simulação. Todas as sequências possíveis são simuladas e, logo após, verifica-se qual a sequência que obteve o melhor desempenho, de acordo com algum critério. Entretanto, devido à natureza combinatória do sequenciamento, a simulação de todas as sequências possíveis consome muito tempo, tornando-se inviável em muitos casos. Além disso, eventos não programados ocorrem com frequência nos ambientes automatizados de manufatura e o tomador de decisão precisa ter escolhas rápidas. Visando contornar esses problemas, esse trabalho propõe um analisador nebuloso de cen´arios para o sequenciamento da produção (ANCSP). O objetivo é reduzir a quantidade de sequências a serem simuladas pelo tomador de decis ao no momento da ocorrência de eventos não programados no sistema produtivo, de acordo com alguma medida de desempenho. A quantidade máxima de sequências geradas é calculada com base no tempo que o tomador de decisão possui para realizar a simulação. Dessa maneira, o modelo proposto pretende apoiar o uso da técnica de simulação pelos tomadores de decisão. O ANCSP foi implementado e diversos testes foram realizados. Para a realização dos testes, considerou-se um modelo específico de sistema flexível de manufatura. O desempenho do ANCSP foi analisado mediante comparação dos seus resultados com aqueles apresentados por um software de simulação, para o mesmo conjunto de testes e de acordo com as medidas de desempenho estabelecidas.

Submitted by Daniele Amaral (daniee_ni@hotmail.com) on 2016-09-15T12:10:51Z No. of bitstreams: 1 DissHPL.pdf: 5127660 bytes, checksum: 4ffaa3ce20b9eb7adef78d152d5c17d2 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-16T19:47:09Z (GMT) No. of bitstreams: 1 DissHPL.pdf: 5127660 bytes, checksum: 4ffaa3ce20b9eb7adef78d152d5c17d2 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-09-16T19:47:15Z (GMT) No. of bitstreams: 1 DissHPL.pdf: 5127660 bytes, checksum: 4ffaa3ce20b9eb7adef78d152d5c17d2 (MD5) / Made available in DSpace on 2016-09-16T19:47:20Z (GMT). No. of bitstreams: 1 DissHPL.pdf: 5127660 bytes, checksum: 4ffaa3ce20b9eb7adef78d152d5c17d2 (MD5) Previous issue date: 2015-09-17 / Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA) / Historically, since Mamdani proposed his model of fuzzy rule-based system, a lot has changed in the construction process of this type of models. For a long time, the research efforts were directed towards the automatic construction of accurate models starting from data, making fuzzy systems almost mere function approximators. Realizing that this approach escaped from the original concept of fuzzy theory, more recently, researchers attention focused on the automatic construction of more interpretable models. However, such models, although interpretable, might not make sense to the expert. This work proposes an interactive methodology for constructing fuzzy rule-based systems, which aims to integrate the knowledge extracted from experts and induced from data, hoping to contribute to the solution of the mentioned problem. The approach consists of six steps. Feature selection, fuzzy partitions definition, expert rule base definition, genetic learning of rule base, rule bases conciliation and genetic optimization of fuzzy partitions. The optimization and learning steps used multiobjective genetic algorithms with custom operators for each task. A software tool was implemented to support the application of the approach, offering graphical and command line interfaces and a software library. The efficiency of the approach was evaluated by a case study where a fuzzy rule-based system was constructed in order to offer support to the evaluation of reproductive fitness of Nelore bulls. The result was compared to fully manual and fully automatic construction methodologies, the accuracy was also compared to classical algorithms for classification. / Historicamente, desde que Mamdani propôs seu modelo de sistema fuzzy baseado em regras, muita coisa mudou no processo de construção deste tipo de modelo. Durante muito tempo, os esforços de pesquisa foram direcionados à construção automática de sistemas precisos partindo de dados, tornando os sistemas fuzzy quase que meros aproximadores de função. Percebendo que esta abordagem fugia do conceito original da teoria fuzzy, mais recentemente, as atenções dos pesquisadores foram voltadas para a construção automática de modelos mais interpretáveis. Entretanto, tais modelos, embora interpretáveis, podem ainda não fazer sentido para o especialista. Este trabalho propõe uma abordagem interativa para construção de sistemas fuzzy baseados em regras, que visa ser capaz de integrar o conhecimento extraído de especialistas e induzido de dados, esperando contribuir para a solução do problema mencionado. A abordagem é composta por seis etapas. Seleção de atributos, definição das partições fuzzy das variáveis, definição da base de regras do especialista, aprendizado genético da base de regras, conciliação da base de regras e otimização genética da base de dados. As etapas de aprendizado e otimização utilizaram algoritmos genéticos multiobjetivo com operadores customizados para cada tarefa. Uma ferramenta de software foi implementada para subsidiar a aplicação da abordagem, oferecendo interfaces gráfica e de linha de comando, bem como uma biblioteca de software. A eficiência da abordagem foi avaliada por meio de um estudo de caso, onde um sistema fuzzy baseado em regras foi construído visando oferecer suporte à avaliação da aptidão reprodutiva de touros Nelore. O resultado foi comparado às metodologias de construção inteiramente manual e inteiramente automática, bem como a acurácia foi comparada a de algoritmos clássicos para classificação.