[pt] Esta tese consiste na investigação e no desenvolvimento de estratégias de coordenação inteligente que possam ser integradas a modelos neuro-fuzzy hierárquicos para sistemas de múltiplos agentes em ambientes complexos. Em ambientes dinâmicos ou complexos a organização dos agentes deve se adaptar a mudanças nos objetivos do sistema, na disponibilidade de recursos, nos relacionamentos entre os agentes, e assim por diante. Esta flexibilidade é um problema chave nos sistemas multiagente. O objetivo principal dos modelos propostos é fazer com que múltiplos agentes interajam de forma inteligente entre si em sistemas complexos. Neste trabalho foram desenvolvidos dois novos modelos inteligentes neuro-fuzzy hierárquicos com mecanismo de coordenação para sistemas multiagentes, a saber: modelo Neuro-Fuzzy Hierárquico com Aprendizado por Reforço com mecanismo de coordenação Market-Driven (RL-NFHP-MA-MD); e o Modelo Neuro-Fuzzy Hierárquico com Aprendizado por Reforço com modelo de coordenação por grafos (RL-NFHP-MA-CG). A inclusão de modelos de coordenação ao modelo Neuro-Fuzzy Hierárquicos com Aprendizado por Reforço (RL-NHFP-MA) foi motivada principalmente pela importância de otimizar o desempenho do trabalho em conjunto dos agentes, melhorando os resultados do modelo e visando aplicações mais complexas. Os modelos foram concebidos a partir do estudo das limitações existentes nos modelos atuais e das características desejáveis para sistemas de aprendizado baseados em RL, em particular quando aplicados a ambientes contínuos e/ou ambientes considerados de grande dimensão. Os modelos desenvolvidos foram testados através de basicamente dois estudos de caso: a aplicação benchmark do jogo da presa-predador (Pursuit- Game) e Futebol de robôs (simulado e com agentes robóticos). Os resultados obtidos tanto no jogo da presa-predador quanto no futebol de robô através dos novos modelos RL-NFHP-MA-MD e RL-NFHP-MA-CG para múltiplos agentes se mostraram bastante promissores. Os testes demonstraram que o novo sistema mostrou capacidade de coordenar as ações entre agentes com uma velocidade de convergência quase 30 por cento maior que a versão original. Os resultados de futebol de robô foram obtidos com o modelo RL-NFHP-MA-MD e o modelo RL-NFHP-MA-CG, os resultados são bons em jogos completos como em jogadas específicas, ganhando de times desenvolvidos com outros modelos similares. / [en] This thesis is the research and development of intelligent coordination strategies that can be integrated into models for hierarchical neuro-fuzzy systems of multiple agents in complex environments. In dynamic environments or complex organization of agents must adapt to changes in the objectives of the system, availability of resources, relationships between agents, and so on. This flexibility is a key problem in multiagent systems. The main objective of the proposed models is to make multiple agents interact intelligently with each other in complex systems. In this work we developed two new intelligent neuro-fuzzy models with hierarchical coordination mechanism for multi-agent systems, namely Neuro-Fuzzy Model with Hierarchical Reinforcement Learning with coordination mechanism Market-Driven (RL-NFHP-MA-MD), and Neuro-Fuzzy model with Hierarchical Reinforcement Learning with coordination model for graphs (RL-NFHP-MA-CG). The inclusion of coordination models to model with Neuro-Fuzzy Hierarchical Reinforcement Learning (RL-NHFP-MA) was primarily motivated by the importance of optimizing the performance of the work in all players, improving the model results and targeting more complex applications. The models were designed based on the study of existing limitations in current models and desirable features for learning systems based RL, in particular when applied to continuous environments and/or environments considered large. The developed models were tested primarily through two case studies: application benchmark game of predator-prey ( Pursuit-Game) and Soccer robots (simulated and robotic agents). The results obtained both in the game of predator-prey as in soccer robot through new models RL-NFHP-MA-MD and RL-NFHP-MA-CG for multiple agents proved promising. The tests showed that the new system showed ability to coordinate actions among agents with a convergence rate nearly 30 percent higher than the original version. Results soccer robot were obtained with model RL-NFHP-MA-MD–NFHP-RL and model-CG-MA, the results are good in games played in full as specific winning teams developed with other similar models.

No description available.

The quantitative study of conflict management is concerned with finding models which are accurate and also capable of providing a causal interpretation of results. This dissertation applies computational intelligence methods to study interstate disputes. Both multilayer perceptron neural networks and Takagi-Sugeno neuro-fuzzy models are used to model interstate interactions. The multilayer perceptron neural network is trained in the Bayesian framework, using the Hybrid Monte Carlo method to sample from the posterior probabilities. It is found that the network is able to forecast conflict with an accuracy of 77.3%. A hybrid machine learning method using the neural network and the genetic algorithm is then presented as a method of suggesting how conflict can be brought under control. The automatic relevance determination approach and the sensitivity analysis are used as methods of extracting causal information from the neural network. The Takagi-Sugeno neuro-fuzzy model is optimised, using the Gustafson-Kessel clustering algorithm to partion the input space. It is found that the neuro-fuzzy model predicts conflict with an accuracy of 80.1%. The neuro-fuzzy model is also incorporated into the hybrid machine learning method to suggest how the identified conflict cases can be avoided. The casual interpretation is then formulated by a linguistic approximation of the fuzzy rules extracted from the neuro-fuzzy model. The major finding in this work is that the interpretations drawn from both the neural network and the neuro-fuzzy model are consistent.

For some new multimedia applications using Mpeg-4 or Mpeg-7 video coding standards, it is important to find the main objects in a video frame. In this thesis, we propose a neuro-fuzzy modeling approach to the detection of human face and body. Firstly, a fuzzy clustering technique is performed to segment a video frame into clusters to generating several fuzzy rules. Secondly, chrominance and motion features are used to roughly classify the clusters into foreground and background, respectively. Finally, the fuzzy rules are refined by a fuzzy neural network, and the ambiguous regions between foreground and background are further distinguished by the fuzzy neural network. Our method improves the correctness of human face and body detection by getting training data more precisely. Besides, we can extract the VOs correctly even the VOs have no obvious motion in the video sequence.

ATM (Asynchronous Transfer Mode) networks were deemed the best choice for multimedia communication. The traditional mode was replaced because ATM can provide varied traffic types and QoS (quality of service). Maintaining QoS, however, requires a flexible traffic control, including call admission control and congestion control. Traditional approaches fail to estimate the required bandwidth and cell loss rate precisely. To alleviate these problems, we employ AI methods to improve the capability of estimated bandwidth and predicted cell loss rate. This thesis aims to apply neural network techniques to ATM traffic control and consists of two parts. The first part concerns a neural-based call admission control, while the second part presents an intelligent congestion control for ATM networks. In the first part, we focus on the improvement of RBF (Radial basis function) networks and the design of a neural-based call admission control. RBF networks have been widely used for modeling a function from given input-output patterns. However, two difficulties are encountered with traditional RBF networks. One is that the initial configuration of a RBF network needs to be determined by a trial-and-error method. The other is that the performance suffers from some difficulties when the desired output has abrupt changes or constant values in certain intervals. We propose a novel approach to overcome these difficulties. New kernel functions are used for hidden nodes, and the number of nodes is determined automatically by an ART-like algorithm. Parameters and weights are initialized appropriately, and then tuned and adjusted by the gradient descent method to improve the performance of the network. Then, we employ ART-RBF networks to design and implement a call admission control. Traditional approaches fail to estimate appropriately the required bandwidth, leading to a waste of bandwidth or a high cell loss rate. To alleviate the problem, we employ ART-RBF networks to estimate the required bandwidth, and thus a new connection request can then be accepted or rejected. Because of the more accurate estimation on the required bandwidth, the proposed method can provide a better control on quality of service for ATM networks. In the second part, we propose a neural-fuzzy rate-based feedback congestion control for ATM networks. Traditional methods perform congestion control by monitoring the queue length. The source rate is decreased by a fixed rate when the queue length is greater than a predefined threshold. However, it is difficult to get a suitable rate according to the degree of traffic congestion. We employ a neural-fuzzy mechanism to control the source rate. Through learning, cell loss can be predicted from the current value and the derivative of the queue length. Then an explicit rate is calculated and the source rate is controlled appropriately. In summary, we have proposed improvements on architecture and performance of neural networks, and applied neural networks to traffic control for ATM networks. We have developed some control mechanisms which, through simulations, have been shown to be more effective than traditional methods.

Stuttgart, Univ., Studienarb., 2004.

Made available in DSpace on 2016-08-29T15:37:11Z (GMT). No. of bitstreams: 1 tese_8553_Dissertacao Giovanni Correia.pdf: 1949241 bytes, checksum: ddd93004c970a35dee4940ff6ad8ebcf (MD5) Previous issue date: 2015-02-23 / VIEIRA, Giovanni Correia,Prognose do diâmetro e da altura de árvores individuais utilizando inteligência artificial. 2015. Dissertação (Mestrado em Ciências Florestais) Universidade Federal do Espírito Santo, Jerônimo Monteiro. Orientador: Prof. Dr. Adriano Ribeiro de Mendonça. Coorientadores: Prof. Dr. Gilson Fernandes da Silva; Prof. Dr. Sidney Sára Zanetti. Os modelos de árvores individuais são compostos por submodelos que estimam, geralmente,a competição, a mortalidade e o crescimento em diâmetro e altura de cada árvore. São usualmente adotados quando se deseja o melhor detalhamento da informação para estimar multiprodutos da floresta. Nesses modelos, as estimativas do crescimento em diâmetro a 1,30m do solo (DAP) e a altura total (H)éobtida por meio de análise de regressão. Recentemente, técnicas de inteligência artificialestão sendo utilizadas com bom desempenhona mensuração florestal. Portanto, o objetivo desse trabalho foi avaliar o desempenho de técnicas de inteligência artificial(redes neurais artificiais e sistemas neuro-fuzzy)para estimar o crescimento em DAP e altura de árvores de eucalipto.Utilizou-se dados de inventários florestais contínuos de eucalipto, com medições anuais deDAP, altura total das 15 primeiras árvores da parcela e altura dominante, de acordo com o conceito de Assmann (1970), de 398 parcelas. O banco de dados foi dividido em 70% das parcelas para o treinamento das redes neurais artificiais e do sistema neuro-fuzzy; 15% das parcelas para a validação cruzada; e 15% das parcelas para validação dos sistemas. Com base nos resultados,notou-se que o índice de competição independente da distância 5 IID5, proposto por Glover; Hool (1979), foi o que teve a maior correlação com as variáveis idade, crescimento em DAP e altura. Observou-se queas técnicas de inteligência artificialapresentaram boa precisão na estimativa do crescimento em DAP e altura total.As duas técnicas abordadas podem ser utilizadas para a prognose do DAP e altura total. Palavras-chave: Redes neurais artificiais, Sistemas neuro-fuzzy, Mensuração florestal.

Submitted by Eduarda Figueiredo (eduarda.ffigueiredo@ufpe.br) on 2015-03-11T13:28:22Z No. of bitstreams: 2 MCSC.pdf: 902467 bytes, checksum: feccf454de8a2ed9ecdca640cb23ba6c (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-11T13:28:22Z (GMT). No. of bitstreams: 2 MCSC.pdf: 902467 bytes, checksum: feccf454de8a2ed9ecdca640cb23ba6c (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2012-01-19 / ANP, FINEP / Devido a maior oferta de petróleos pesados e alto grau de contaminantes que os derivados deste possuem, os processos de hidrorrefino têm recebido atenção especial ao longo dos últimos por possibilitar a remoção de contaminantes e melhorar a margem de lucro das refinarias por tonar possível a obtenção de derivados de maior valor agregado. Entre esses o processo de hidrotratamento (HDT), no qual ocorre uma série de reações que utilizam o gás hidrogênio como reagente, foi o foco de estudo deste trabalho. Ao ser aplicado em correntes de Diesel o HDT realiza a remoção de contaminantes como enxofre e nitrogênio, aumentando a qualidade do mesmo. A unidade de HDT tem como principal equipamento o reator, que consiste em um leito com partículas sólidas, onde gás e líquido escoam em fluxo co-corrente ou em contracorrente. Apesar deste processo já ser maduro, o crescente aumento nas exigências de mercado demandam por melhorias no mesmo, a fim de atingir uma rentabilidade cada vez maior. Desta forma o uso de inferenciadores na estimação das variáveis tornaria possível o melhor acompanhamento do processo como também a implementação de novas estratégias de controle. Visto a relevância desse tema o presente trabalho abordou o desenvolvimento de observadores de estado para o reator do processo de HDT, para isto foi necessário a aquisição de dados do processo, o que foi conseguido através de um modelo matemático do reator, o qual foi denominado como planta virtual. Esta forneceu os dados para treinamento e validação dos inferenciadores aqui estudados: as redes neuronais e a neuro-fuzzy. No decorrer do trabalho foi definido o tempo de amostragem e o período de excitação do sinal através da menor constante de tempo. Para treinamento dos inferenciadores foi utilizado dois bancos de dados distintos, um com tempo de amostragem de 50s, onde este foi obtido pelo método da constante de tempo, e outro com amostragem de 10 minutos, em que as seguintes variáveis foram inferenciadas: concentração de compostos sulfurados, nitrogenados e olefinas na saída do reator. Dessas o melhor resultado foi obtido na inferência da concentração de compostos sulfurados realizada através da Rede Neuronal. Foi escolhida esta rede neuronal na implementação de um controlador PID e como modelo interno de um controlador NNMPC. O controlador PID cuja variável de controle foi à concentração de sulfurados foi chamado de controlador PID inferencial e os resultados deste se mostraram melhores do que os resultados obtidos pelo controlador NNMPC.

Made available in DSpace on 2014-06-12T18:08:23Z (GMT). No. of bitstreams: 2 arquivo9473_1.pdf: 920450 bytes, checksum: 8de41a22d93f1f66a4f3481b45626f98 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2012 / Devido a maior oferta de petróleos pesados e alto grau de contaminantes que os derivados deste possuem, os processos de hidrorrefino têm recebido atenção especial ao longo dos últimos por possibilitar a remoção de contaminantes e melhorar a margem de lucro das refinarias por tonar possível a obtenção de derivados de maior valor agregado. Entre esses o processo de hidrotratamento (HDT), no qual ocorre uma série de reações que utilizam o gás hidrogênio como reagente, foi o foco de estudo deste trabalho. Ao ser aplicado em correntes de Diesel o HDT realiza a remoção de contaminantes como enxofre e nitrogênio, aumentando a qualidade do mesmo. A unidade de HDT tem como principal equipamento o reator, que consiste em um leito com partículas sólidas, onde gás e líquido escoam em fluxo co-corrente ou em contracorrente. Apesar deste processo já ser maduro, o crescente aumento nas exigências de mercado demandam por melhorias no mesmo, a fim de atingir uma rentabilidade cada vez maior. Desta forma o uso de inferenciadores na estimação das variáveis tornaria possível o melhor acompanhamento do processo como também a implementação de novas estratégias de controle. Visto a relevância desse tema o presente trabalho abordou o desenvolvimento de observadores de estado para o reator do processo de HDT, para isto foi necessário a aquisição de dados do processo, o que foi conseguido através de um modelo matemático do reator, o qual foi denominado como planta virtual. Esta forneceu os dados para treinamento e validação dos inferenciadores aqui estudados: as redes neuronais e a neuro-fuzzy. No decorrer do trabalho foi definido o tempo de amostragem e o período de excitação do sinal através da menor constante de tempo. Para treinamento dos inferenciadores foi utilizado dois bancos de dados distintos, um com tempo de amostragem de 50s, onde este foi obtido pelo método da constante de tempo, e outro com amostragem de 10 minutos, em que as seguintes variáveis foram inferenciadas: concentração de compostos sulfurados, nitrogenados e olefinas na saída do reator. Dessas o melhor resultado foi obtido na inferência da concentração de compostos sulfurados realizada através da Rede Neuronal. Foi escolhida esta rede neuronal na implementação de um controlador PID e como modelo interno de um controlador NNMPC. O controlador PID cuja variável de controle foi à concentração de sulfurados foi chamado de controlador PID inferencial e os resultados deste se mostraram melhores do que os resultados obtidos pelo controlador NNMPC

Robots should offer a human-like level of dexterity when handling objects if humans are to be replaced in dangerous and uncertain working environments. This level of dexterity for human-like manipulation must come from both the hardware, and the control. Exact replication of human-like degrees of freedom in mobility for anthropomorphic robotic hands are seen in bulky, costly, fully actuated solutions, while machine learning to apply some level of human-like dexterity in underacted solutions is unable to be applied to a various array of objects. This thesis presents experimental and theoretical contributions of a novel neuro-fuzzy control method for dextrous human grasping based on grasp synergies using a Human Computer Interface glove and upgraded haptic-enabled anthropomorphic Ring Ada dexterous robotic hand. Experimental results proved the efficiency of the proposed Adaptive Neuro-Fuzzy Inference Systems to grasp objects with high levels of accuracy.