Search

Orientadores: Fernando Antônio Campos Gomide, Rosangela Ballini Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Este trabalho propõe a utilização de modelos nebulosos evolutivos para previsão de séries temporais. A concepção de modelos de previsão robustos e eficientes tem se tornado cada vez mais importante para a correta operação de sistemas do mundo real. Por sua vez, os modelos nebulosos evolutivos constituem um novo paradigma para a previsão de séries temporais, pois operam em ambientes dinâmicos não estacionários com alto grau de autonomia e ajustam automaticamente seus parâmetros e suas estruturas à medida que os dados são inseridos. Nesse contexto, este trabalho introduz um modelo nebuloso evolutivo denominado ePL-KRLS, que combina um algoritmo de agrupamento de aprendizado participativo (AP) com um método adaptativo baseado em kernels (KRLS) para previsão de séries temporais. O algoritmo de AP permite que o modelo incorpore novos conhecimentos em sua estrutura ao longo do tempo, enquanto o KRLS fornece um mecanismo de adaptação para manter e armazenar os conhecimentos adquiridos de forma robusta e eficiente. Para avaliar a qualidade e a eficácia do modelo proposto, são considerados dois cenários envolvendo séries temporais reais de velocidade do vento para três parques eólicos e a série temporal de Mackey-Glass. O modelo ePL-KRLS é comparado com a sua contrapartida de aprendizagem participativa evolutiva (ePL) e com outros modelos já consolidados na literatura para previsão de séries temporais. Os resultados mostram que o modelo ePL-KRLS é mais preciso do que o ePL, especialmente para várias etapas de previsões futuras. Além disso, o modelo ePL-KRLS mostra uma quantidade e uma variação de regras menores em comparação com outros modelos nebulosos evolutivos e menor sensibilidade a mudanças em seus parâmetros de controle Abstract: This work suggests the use of evolving fuzzy models for time series forecasting. The design of robust and efficient forecasting models has become increasingly important to the correct operation of real-world systems. Evolving fuzzy models constitute a new paradigm for predicting time series because they operate in dynamic non-stationary environments with a high degree of autonomy; they automatically adjust their parameters and model structure as data are inserted into the input. This work introduces an evolving fuzzy model called ePL-KRLS, which is a combination of a participatory learning (PL) clustering algorithm and a kernel-based adaptive method (KRLS) for time series forecasting. The PL algorithm allows the model to incorporate new knowledge in its structure over time, while the KRLS provides an adaptation mechanism for maintaining and storing the knowledge acquired in a robust and efficient manner. To evaluate the quality and effectiveness of the proposed model, two scenarios involving real wind speed time series for three wind farms and the Mackey-Glass time series are considered. The ePL-KRLS model is compared with its evolving participatory learning counterpart (ePL) and with other state-of-the-art models for time series forecasting. The results show that ePL-KRLS model is more accurate than ePL, especially for multiple steps forward predictions. In addition, the ePL-KRLS model shows a smaller amount and variation of rules compared to other evolving fuzzy models and lower sensitivity to changes in its control parameters Mestrado Engenharia de Computação Mestre em Engenharia Elétrica CAPES 1698340

Orientadores: Fernando Antonio Campos Gomide, Rosangela Ballini Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Nos últimos anos, tem crescido o interesse na modelagem computacional de informações em fluxos de dados para problemas do mundo real. Este trabalho desenvolve novas abordagens para a construção de modelos nebulosos adaptativos, abordagens estas capazes de realizar tarefas tais como identificação de sistemas, controle, classificação de padrões e previsão de séries temporais, em um ambiente dinâmico não estacionário, ajustando seus parâmetros e estrutura a partir de um fluxo de dados. É proposta a modelagem nebulosa possibilística adaptativa, caracterizada por tratar ruídos e outliers, uma vez que considera o conceito de graus de tipicalidade dos dados para a atualização de sua estrutura, baseada em regras nebulosas. Conjuntamente, inclui a ideia de graus de pertinência de sistemas nebulosos tradicionais, para adequada identificação do modelo no espaço dos dados. O aspecto adaptativo do modelo, i.e., criação, exclusão e atualização de regras, é construído com dois conceitos distintos: aprendizagem participativa e densidade de dados. A aprendizagem participativa é inspirada na forma de aprendizagem humana, em que o impacto de uma nova informação causa revisão dos conhecimentos já adquiridos. A densidade de dados considera as informações por similaridade, em termos de distância no espaço dos dados. Duas técnicas são propostas para a modelagem nebulosa possibilística adaptativa. A primeira delas é baseada na representação das regras do sistema por meio de centróides, formados a partir dos dados. Por outro lado, é sugerida uma técnica em que funções afins caracterizam os grupos nebulosos, o que permite maior simplicidade e transparência da estrutura do sistema. Além disso, os modelos que utilizam centróides para a representação dos grupos são estendidos para o caso em que a informação pode ser representada em termos granulares, por meio de intervalos numéricos. O tratamento da informação granular permite o processamento de dados complexos de maneira mais natural. Os modelos nebulosos possibilísticos adaptativos são avaliados em problemas clássicos de identificação e séries temporais, considerando também uma série temporal sintética. Outra proposta desse trabalho consiste em aplicar a modelagem desenvolvida em diversos ensaios em finanças, como: previsão da estrutura a termo das taxas de juros; previsão da volatilidade realizada com saltos; composição e rebalanceamento de carteiras de investimento; precificação de opções; e mensuração da medida Valor-em-Risco tradicional e de acordo com uma abordagem granular. Nesses problemas, as variáveis fundamentais apresentam dinâmicas não lineares variantes no tempo, e sofrem a influência de dados com ruídos e outliers, que podem ser causados por notícias, mudanças de políticas, reversão de expectativas nos mercados financeiros, o que evidencia a adequação da abordagem possibilística proposta neste trabalho. Os resultados obtidos sugerem a modelagem nebulosa possibilística adaptativa como alternativa promissora e robusta para a utilização em ambientes em fluxos de dados não estacionários. Particularmente, a abordagem é útil nos problemas em economia e finanças avaliados, provendo um adequado tratamento das incertezas e choques de mercados. Além disso, apresenta-se como uma alternativa computacionalmente eficiente quando comparada com modelos nebulosos evolutivos estado da arte na literatura Abstract: The interest in computational modeling of data streams has grown considerably in recent years. This work develops new approaches for adaptive fuzzy rule-based system modeling. The approaches comprise methods capable of performing system identification, control, pattern classification and time-series forecasting in non stationary dynamic environments by updating the model structure and its parameters using data streams. More precisely, this work suggests an adaptive possibilistic fuzzy modeling approach to deal with noisy data and outliers using the concept of data for fuzzy rule-based model structure updating. The membership degree from traditional fuzzy systems is also incorporated for model identification in the data space. The adaptive aspect of the model concerns with the creation, exclusion and updating of fuzzy rules. Adaptation uses two distinct concepts: participatory learning and data density. Participatory learning is inspired by human learning, in the sense that the impact of a new information may cause revision of the previously acquired knowledge. Data density considers similarity information based on a distance measure in the data space. Two adaptive possibilistic fuzzy modeling techniques are addressed. The first uses centroids for rule representation, derived from data clusters. The second uses affine functions as cluster "centers". The modeling approach that uses centroids for rule representation is extended to handle granular interval data. Granular data computation allows processing of complex data in a simplified manner. The adaptive possibilistic fuzzy modeling approaches are evaluated using benchmark identification and time series problems. Synthetic time series data modeling is also pursued. The approaches suggested are explored in finance, which includes: term structure of interest rates forecasting; realized volatility forecasting with jumps; composition and rebalancing of investment portfolios; option pricing; and modeling the traditional risk measure Value-at-Risk, including the granular approach. In finance, dynamics are complex, nonlinear, time-varying, and suffer the influence of noise and outliers, which can be caused by news, policy changes, and reversal of expectations in financial markets. These highlight the adequacy of the possibilistic approach considered in this work. Computational experiments suggest that the adaptive possibilistic fuzzy modelling is a robust alternative for system modeling in non-stationary environments using data streams, particularly in economic and finance problems. Moreover, the approach is computationally efficient compared against to state of the art evolving fuzzy models Doutorado Engenharia de Computação Doutor em Engenharia Elétrica CAPES

Orientador: Pedro Luis Dias Peres, Ricardo Coração de Leão Fontoura de Oliveira Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: A principal contribuição dessa tese é a proposta de novas condições, em termos de desigualdades matriciais lineares, para a análise de estabilidade e síntese de controladores de sistemas nebulosos Takagi-Sugeno, casos discretos e contínuos no tempo. A lei de controle considerada é por realimentação de estados, sendo que para sistemas contínuos no tempo são também projetados controladores de realimentação de saída estática e dinâmica, de ordem arbitrária. São adotados como critérios de desempenho os custos garantidos H2 e H?. As funções de Lyapunov propostas, mais gerais que as existentes na literatura, são construídas como a combinação nebulosa de funções quadráticas nos estados, polinomiais homogêneas de grau arbitrário em termos das funções de pertinência do sistema nebuloso. As funções de pertinência são modeladas em um espaço definido pelo produto Cartesiano de simplexos no mesmo instante de tempo, no caso contínuo, ou em múltiplos instantes de tempo, permitindo o projeto de controladores com memória finita de parâmetros presentes e passados, no caso discreto. Em sistemas contínuos, as variáveis premissas usadas na lei de controle podem ser escolhidas pelo projetista, de acordo com a disponibilidade ou não para implementação em tempo real, dando um caráter seletivo ao controlador. Nas condições de síntese de controladores, duas situações distintas para as taxas de variação das funções de pertinência são consideradas. Um conjunto convexo modela o espaço ao qual pertencem as derivadas temporais das funções de pertinência, no caso em que algumas taxas máximas de variação são conhecidas. Para taxas de variações arbitrárias, quando as variáveis premissas são os estados, utilizam-se funções de Lyapunov do tipo integral de linha associadas a uma estratégia de síntese em dois estágios. No primeiro estágio um ganho de realimentação de estados é projetado e utilizado como entrada no segundo estágio, que retorna, se possível, um controlador de realimentação de estados que atende especificações de desempenho mais exigentes, ou ganhos de realimentação estática ou dinâmica de saída, de ordem completa ou reduzida. Exemplos numéricos ilustram os resultados, mostrando que os métodos propostos podem reduzir o conservadorismo nos problemas estudados, sendo mais eficientes quando comparados com outras abordagens da literatura Abstract: This thesis proposes, as main contribution, new linear matrix inequalities conditions for stability analysis and control synthesis of continuous and discrete-time Takagi-Sugeno fuzzy systems. A state feedback control law is considered and, for continuous-time systems, static and dynamic output feedback controllers of arbitrary order are also determined. The H2 and H? guaranteed costs are adopted as performance criteria. The proposed Lyapunov functions, more general than the others in the literature, are constructed as fuzzy combinations of quadratic in the state functions that are homogeneous polynomials of arbitrary degree depending on the membership functions of the fuzzy systems. The membership functions are modeled in a space defined by the Cartesian product of simplexes in the same instant of time, in the continuous-time case, or in multiple instants of time, yielding finite memory controllers depending on the present and past parameters, in the discrete-time case. In the continuous-time synthesis conditions, the premise variables used in the control law can be defined by the designer, accordingly to real-time availability, as a selective feature of the controller. Two different situations are considered in terms of the rates of variation of the membership functions. A convex set models the space of the timederivatives of the membership functions if some upper bounds of the variation rates are known. For arbitrary rates, when the premise variables are the states of the system, a line-integral Lyapunov function is considered associated with a two steps procedure. At the first step, a state feedback is computed and used as an input for the second step, that provides, if possible, a state feedback controller that take into account more stringent performance specifications, or static or dynamic controllers, of full and reduced orders. Numerical examples illustrate the results, showing that the proposed approaches can be less conservative and more efficient when compared with other methods available in the literature Doutorado Automação Doutor em Engenharia Elétrica

Orientador: Rubens Maciel Filho Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química Resumo: A síntese de controladores representa uma importante vertente dos desenvolvimentos atuais no campo da pesquisa acadêmica e industrial. Um controlador bem projetado pode significar sucesso no que se refere aos objetivos de produção, sendo gerados materiais com as especificações desejadas e proporcionando que o sistema opere sob certas restrições, levando em consideração aspectos relativos à operabilidade, segurança e minimização de resíduos. Para tanto, sabe-se que as etapas de modelagem são fundamentais para a delineação de estratégias de controle. Contudo, a obtenção de representações matemáticas precisas e, ao mesmo tempo, aplicáveis para o controle da maioria dos processos de interesse da engenharia química é uma tarefa árdua, devido à presença de comportamentos dinâmicos não lineares e variantes ao longo do tempo e, por vezes, do espaço. Deste modo, busca-se a obtenção de modelos mais simples, porém dotados da imprescindível representatividade inerente aos sistemas de produção, a fim de serem projetadas estruturas de controle adequadas para cada necessidade específica. Esta tese enfoca o desenvolvimento de quatro controladores avançados híbridos preditivos não lineares multivariáveis, baseados em modelos nebulosos (fuzzy) funcionais não lineares multivariáveis, para processos de polimerização. Tais sistemas apresentam dinâmicas altamente complexas e de difícil modelagem matemática, dificultando, assim, a aplicação, com sucesso, de metodologias clássicas de controle ou avançadas baseadas em modelos convencionais. Foram considerados dois casos de estudo para a análise de desempenho das configurações de controle propostas: o processo de copolimerização em solução do metacrilato de metila com o acetato de vinila, e a copolimerização industrial do eteno/1-buteno com catalisador Ziegler-Natta solúvel. Os modelos fenomenológicos de ambos os processos já se encontram descritos na literatura, sendo considerados como plantas virtuais para a geração de dados dinâmicos e implementação dos desenvolvimentos sugeridos. A partir de simulações computacionais, os modelos nebulosos dinâmicos funcionais não lineares multivariáveis foram construídos ¿ os quais demonstraram excelentes capacidades para a predição das saídas dos processos como uma função dos dados dinâmicos de entrada ¿ sendo, posteriormente, acoplados à estrutura de controle preditivo MPC (Model-based Predictive Control). A escolha da metodologia MPC como base para o desenvolvimento das estratégias propostas deve-se ao fato de sua notória aplicabilidade industrial a processos químicos multivariáveis, além de possibilitar a incorporação de restrições operacionais nas variáveis controladas e manipuladas. Por fim, foram comparados os desempenhos entre os controladores híbridos delineados e duas estratégias de controle preditivo bastante difundidas na literatura. Os problemas regulatório e servo foram analisados, observando-se resultados satisfatórios em ambas as condições. Isto demonstra o alto potencial dos algoritmos propostos para o controle multivariável de sistemas não lineares. Abstract: Controllers design has currently a great importance in the field of açademic and industrial research. A well-projected controller may mean the success regarding the aims of production, and it also provides the production of materials with desirable specifications and it allows that the system operates under specific restrictions, considering aspects related to operability, safety and minimization of residue. Then, it is known that modeling stages are fundamental for delineation of controller strategies. However, the obtaining of precise and applicable mathematical representations to the control of most of relevant process in chemical engineering is a challenging task, because of the presence of nonlinear dynamic behaviors and space-time mutable. Therefore, an effort is done to obtain the simpler models, but provided with the essential representativity inherent to production systems. Thus, suitable control structures could be designed for each specific necessity. This work focus on the development of four multivariable nonlinear predictive hybrid advanced controllers, based on multivariable nonlinear functional fuzzy models, to polymerization processes. Such systems present high complex dynamic and hard mathematical modeling, making difficult to apply classic controllers or advanced control methodologies based on conventional models. Two study cases for the performance analysis of the proposed controllers were considered: the copolymerization process of methyl methacrylate and vinyl acetate, and industrial copolymerization of ethene/1 butene with Ziegler-Natta catalysis. The phenomenologic models of the two processes already are described in relevant literature, and they are considered as virtual plants to create dynamic data and to implement the suggested developments. Based on computational simulations, multivariable nonlinear functional dynamic fuzzy models were made - they demonstrated excellent capacity for outputs prediction from input dynamic data - and they were, subsequently, inserted in the MPC (Model-based Predicitve Control) control structure. The choice of MPC methodology to develop the proposal structures is because of its wellknown industry applicability to multivariable chemical processes, beyond it makes possible the incorporation of restrictions in controlled and manipulated variables. Finally, the performance among outlined hybrid controllers and two predictive control strategies fairly widespread in the literature were compared. The regulatory and servo problems were analyzed and satisfactory results were observed in both conditions. This demonstrates the high potential of proposed algorithms to control multivariable nonlinear systems. Doutorado Desenvolvimento de Processos Químicos Doutor em Engenharia Química

Orientadores: Fernando Antonio Campos Gomide, Marcos Eduardo Ribeiro do Valle Mesquita Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Esta dissertação estuda uma classe de redes neurais evolutivas para modelagem de sistemas a partir de um fluxo de dados. Esta classe é caracterizada por redes evolutivas com estruturas feedforward e uma camada intermediária cujo número de neurônios é variável e determinado durante a modelagem. A aprendizagem consiste em utilizar métodos de agrupamento para estimar o número de neurônios na camada intermediária e algoritmos de aprendizagem extrema para determinar os pesos da camada intermediária e de saída da rede. Neste caso, as redes neurais são chamadas de redes neurais evolutivas. Um caso particular de redes evolutivas é quando o número de neurônios da camada intermediária é determinado a priori, mantido fixo, e somente os pesos da camada intermediária e de saída da rede são atualizados de acordo com dados de entrada. Os algoritmos de agrupamento e de aprendizagem extrema que compõem os métodos evolutivos são recursivos, pois a aprendizagem ocorre de acordo com o processamento de um fluxo de dados. Em particular, duas redes neurais evolutivas são propostas neste trabalho. A primeira é uma rede neural nebulosa híbrida evolutiva. Os neurônios da camada intermediária desta rede são unineurônios, neurônios nebulosos com processamento sináptico realizado por uninormas. Os neurônios da camada de saída são sigmoidais. Um algoritmo recursivo de agrupamento baseado em densidade, chamado de nuvem, é utilizado para particionar o espaço de entrada-saída do sistema e estimar o número de neurônios da camada intermediária da rede; a cada nuvem corresponde um neurônio. Os pesos da rede neural nebulosa híbrida são determinados utilizando a máquina de aprendizado extremo com o algoritmo quadrados mínimos recursivo ponderado. O segundo tipo de rede proposto neste trabalho é uma rede neural multicamada evolutiva com neurônios sigmoidais na camada intermediária e de saída. Similarmente à rede híbrida, nuvens particionam o espaço de entrada-saída do sistema e são utilizadas para estimar o número de neurônios da camada intermediária. O algoritmo para determinar os pesos da rede é a mesma versão recursiva da máquina de aprendizado extremo. Além das redes neurais evolutivas, sugere-se também uma variação da rede adaptativa OS-ELM (online sequential extreme learning machine) mantendo o número de neurônios na camada intermediária fixo e introduzindo neurônios sigmoidais na camada de saída. Neste caso, a aprendizagem usa o algoritmo dos quadrados mínimos recursivo ponderado no aprendizado extremo. As redes foram analisadas utilizando dois benchmarks clássicos: identificação de forno a gás com o conjunto de dados de Box-Jenkins e previsão de série temporal caótica de Mackey-Glass. Dados sintéticos foram gerados para analisar as redes neurais na modelagem de sistemas com parâmetros e estrutura variantes no tempo (concept drif e concept shift). Os desempenhos foram quantificados usando a raiz quadrada do erro quadrado médio e avaliados com o teste estatístico de Deibold-Mariano. Os desempenhos das redes neurais evolutivas e da rede adaptativa foram comparados com os desempenhos da rede neural com aprendizagem extrema e dos métodos de modelagem evolutivos representativos do estado da arte. Os resultados mostram que as redes neurais evolutivas sugeridas neste trabalho são competitivas e têm desempenhos similares ou superiores às abordagens evolutivas propostas na literatura Abstract: Abstract: This dissertation studies a class of evolving neural networks for system modeling from data streams. The class encompasses single hidden layer feedforward neural networks with variable and online de nition of the number of hidden neurons. Evolving neural network learning uses clustering methods to estimate the number of hidden neurons simultaneously with extreme learning algorithms to compute the weights of the hidden and output layers. A particular case is when the evolving network keeps the number of hidden neurons xed. In this case, the number of hidden neurons is found a priori, and the hidden and output layer weights updated as data are input. Clustering and extreme learning algorithms are recursive. Therefore, the learning process may occur online or real-time using data stream as input. Two evolving neural networks are suggested in this dissertation. The rst is na evolving hybrid fuzzy neural network with unineurons in the hidden layer. Unineurons are fuzzy neurons whose synaptic processing is performed using uninorms. The output neurons are sigmoidals. A recursive clustering algorithm based on density and data clouds is used to granulate the input-output space, and to estimate the number of hidden neurons of the network. Each cloud corresponds to a hidden neuron. The weights of the hybrid fuzzy neural network are found using the extreme learning machine and the weighted recursive least squares algorithm. The second network is an evolving multilayer neural network with sigmoidal hidden and output neurons. Like the hybrid neural fuzzy network, clouds granulate the input-output space and gives the number of hidden neurons. The algorithm to compute the network weights is the same recursive version of the extreme learning machine. A variation of the adaptive OS-ELM (online sequential extreme learning machine) network is also suggested. Similarly as the original, the new OS-ELM xes the number of hidden neurons, but uses sigmoidal instead of linear neurons in the output layer. The new OS-ELM also uses weighted recursive least square.The hybrid and neural networks were evaluated using two classic benchmarks: the gas furnace identi cation using the Box-Jenkins data, and forecasting of the chaotic Mackey-Glass time series. Synthetic data were produced to evaluate the neural networks when modeling systems with concept drift and concept shift. This a modeling circumstance in which system structure and parameters change simultaneously. Evaluation was done using the root mean square error and the Deibold-Mariano statistical test. The performance of the evolving and adaptive neural networks was compared against neural network with extreme learning, and evolving modeling methods representative of the current state of the art. The results show that the evolving neural networks and the adaptive network suggested in this dissertation are competitive and have similar or superior performance than the evolving approaches proposed in the literature Mestrado Engenharia de Computação Mestre em Engenharia Elétrica

Orientadores: Pedro Luis Dias Peres, Ricardo Coração de Leão Fontoura de Oliveira Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Esta dissertação aborda os problemas de análise de estabilidade local, estimativa de região de atração e estabilização local por realimentação de estados para sistemas não lineares contínuos no tempo representados por modelos nebulosos Takagi-Sugeno (T¿S). Para certificar a estabilidade local e projetar o controlador, condições suficientes, expressas em termos de desigualdade matriciais lineares (do inglês, Linear Matrix Inequalities ¿ LMIs) dependentes de parâmetros são fornecidas, tendo como base matrizes de Lyapunov e variáveis de folga polinomiais homogêneas de grau arbitrário. Utilizando-se uma representação politópica para a derivada das funções de pertinência do modelo T¿S, evita-se a necessidade do estabelecimento de limitantes para a taxa de variação. Como contribuição adicional, propõe-se que termos não lineares da matriz Jacobiana associada ao modelo T¿S sejam substituídos, sempre que possível, pela correspondente série de Taylor truncada em uma ordem pré-determinada, evitando a definição de um novo conjunto de parâmetros incertos, o que aumentaria a complexidade da representação. Exemplos emprestados da literatura T¿S são utilizados para ilustrar que os métodos propostos fornecem melhores resultados que outras abordagens, em termos de maiores estimativas para as regiões de atração, tanto no caso de análise de estabilidade, quanto na síntese de controle estabilizante por realimentação de estados.Nesta dissertação também foi feito um estudo sobre o uso de programação linear, como alternativa aos resolvedores especializados em LMIs, para a análise de estabilidade de sistemas lineares incertos Abstract: This dissertation addresses the problems of local stability analysis, estimation of domains of attraction, and local state-feedback stabilization for continuous time nonlinear systems represented by Takagi-Sugeno (T¿S) fuzzy models. Sufficient conditions, expressed in terms of parameter-dependent Linear Matrix Inequalities (LMIs), are given to certify the local stability and for control design, based on homogenous polynomial Lyapunov matrices and slack variables of arbitrary degree. By using a polytopic representation for the time-derivative of the membership functions of the T-S model, upper bounds for the variation rates are not required. As an additional contribution, nonlinear terms of the Jacobian matrix associated with the T¿S model are replaced, whenever possible, by the corresponding Taylor series, truncated at a predetermined order, avoiding the definition of a new set of uncertain parameters, which would increase the complexity of the representation. Examples borrowed from the T¿S literature are used to illustrate that the proposed methods provide better results than other approaches in terms of larger estimates for the regions of attraction, both in the case of stability analysis and in the synthesis of state-feedback stabilizing controllers. A study about the use of linear programming, as an alternative to specialized LMI solvers, for stability analysis of uncertain linear systems is also included in the dissertation Mestrado Automação Mestra em Engenharia Elétrica CNPQ 132807/2018-1 FAPESP 2017/18785-5

Orientador: Celso Kazuyuki Morooka Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica Resumo: O desenvolvimento de um campo marítimo petrolífero é um projeto complexo e arriscado. Um problema central nesta tarefa é a seleção de um sistema de produção que ma-ximize a recuperação de óleo e minimize os investimentos e custos operacionais enquanto satisfaz restrições externas, econômicas, ambientais, sociais e tecnológicas em um cenário de incertezas. Diversos estudos abordam tal problema na literatura, entretanto eles não conside-ram incertezas nos dados de entrada, nem justificam objetivamente a alternativa escolhida dentre as demais possíveis. Aqui, é proposto selecionar um sistema marítimo de produção utilizando um sistema inteligente que considere incertezas nos dados de entrada e que selecio-ne a melhor alternativa de maneira racional. Através da avaliação de estudos de caso e da comparação dos resultados obtidos com estudos anteriores e da situação real, conclui-se que o método pode obter a solução ótima em situações onde outros não podem Abstract: The development of an offshore oilfield is a complex and risky project. One core problem in this task is the selection of a production system that maximizes oil recovery and minimizes investments and operational costs while meeting external, economic, environmental, societal and technological demands in a scenario of uncertainties. Several studies address this problem in the literature; however, they do not consider uncertainties in the initial data neither justify objectively the chosen alternative among other feasible ones. Here, it is proposed to select an offshore production system using an intelligent system that considers input uncertainties and chooses the best alternative in a rational manner. By evaluating case studies and comparing the results obtained with previous studies and real scenarios, it is concluded that the method can obtain the optimal solution in situations where others cannot Mestrado Explotação Mestre em Ciências e Engenharia de Petróleo CNPQ 131165/2017-8

Submitted by Daniella Santos (daniella.santos@ufma.br) on 2019-02-07T18:24:23Z No. of bitstreams: 1 DanubiaSoaresPires.pdf: 4903870 bytes, checksum: 9db72c359d52f9748117eeb1899fda54 (MD5) Made available in DSpace on 2019-02-07T18:24:23Z (GMT). No. of bitstreams: 1 DanubiaSoaresPires.pdf: 4903870 bytes, checksum: 9db72c359d52f9748117eeb1899fda54 (MD5) Previous issue date: 2018-11-30 This thesis presents a methodology to evolving fuzzy Kalman filter identification. The mathematical formulation adopted contemplates the following aspects: an offline GustafsonKessel (GK) clustering algorithm is applied to input and output experimental data set of dynamic system for rules antecedent parameters initial estimation. Similarly, this algorithm is used to formulate an offline fuzzy version of the Observer/Kalman Filter Identification (OKID) algorithm for rules consequent parameters initial estimation. Since the fuzzy Kalman filter model is obtained from offline way, it will serve as the initial condition for evolving fuzzy Kalman filter online identification. Then, each new sample of input-output experimental data of dynamical system, the eTS (evolving Takagi-Sugeno) evolving clustering algorithm is used to estimate the antecedent parameters to increase, decrease or maintain the same number of rules of the evolving fuzzy Kalman filter obtained in the immediately before sample. An evolving fuzzy version of OKID algorithm, based on eTS evolving clustering is used to estimate the consequent of evolving fuzzy Kalman filter, composed by state matrix, input influence matrix, output influence matrix, direct transmission matrix, and Kalman gain matrix, adapting to the dynamic system behavior represented by each new sample analyzed. Computational results, which are compared to results obtained by other relevant methodologies and widely cited in the literature, present two application examples: the tracking of a non-linear SISO (Single Input, Single Output) system output and the estimation of parameters and states of a system with censored data. Experimental results present two practical applications, such as: trajectory tracking of a Fogtrein-I model rocket or FTI (Foguete de Treinamento – Intermediário, in Portuguese), applied in tests, qualification and training at the Alcântara - Maranhão Launch Center (CLA, Centro de Lançamento de Alcântara, in Portuguese) and the Barreira do Inferno - Rio Grande do Norte Launch Center (CLBI); and the tracking of outputs from helicopter with two degrees of freedom (2DoF Helicopter - Quanser). Uma metodologia para identificação de filtro de Kalman nebuloso evolutivo é apresentada nesta tese. A formulação matemática adotada contempla os seguintes aspectos: uma versão off-line do algoritmo de agrupamento Gustafson-Kessel (GK) é aplicada a um conjunto de dados experimentais de entrada e saída do sistema dinâmico, para estimação inicial dos parâmetros do antecedente das regras. Da mesma forma, este algoritmo é usado para formular uma versão nebulosa off-line do algoritmo Observer/Kalman Filter Identification (OKID) para estimação inicial dos parâmetros do consequente das regras. Uma vez que o modelo do filtro de Kalman nebuloso é obtido de forma off-line, o mesmo servirá como condição inicial para identificação on-line do filtro de Kalman nebuloso evolutivo. A partir de então, a cada nova amostra dos dados experimentais de entrada e saída do sistema dinâmico, o algoritmo de agrupamento evolutivo eTS (evolving Takagi-Sugeno) é usado para estimar de forma online os parâmetros do antecedente, no sentido de aumentar, diminuir ou manter o mesmo número de regras do filtro de Kalman nebuloso evolutivo obtido na amostra imediatamente anterior. Ainda, uma versão nebulosa evolutiva do algoritmo OKID, baseada em agrupamento evolutivo eTS, é usada para estimar o consequente do filtro de Kalman nebuloso evolutivo, composto pelas matrizes de estados, de entrada, de saída, de transmissão direta e de ganho de Kalman, adaptando-se ao comportamento do sistema dinâmico representado por cada nova amostra analisada. Os resultados computacionais, que são comparados aos resultados obtidos por outras metodologias relevantes e largamente citadas na literatura, apresentam dois exemplos de aplicação: o rastreamento de saída de um sistema não linear SISO (Single Input, Single Output) e a estimação de parâmetros e estados de um sistema com dados censurados. Nos resultados experimentais duas aplicações práticas, a saber: o rastreamento de trajetória de um foguete modelo Fogtrein-I ou FTI (Foguete de Treinamento - Intermediário), utilizado em testes, qualificação e treino no Centro de Lançamento de Alcântara - Maranhão (CLA) e Centro de Lançamento da Barreira do Inferno - Rio Grande do Norte (CLBI); e o rastreamento das saídas de um helicóptero com dois graus de liberdade (2DoF Helicopter - Quanser)

Orientador: Fernando Antônio Campos Gomide Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Métodos nebulosos evolutivos são uma alternativa para modelar sistemas não-estacionários usando fluxos de dados. Este trabalho propõe um algoritmo evolutivo Min-Max para modelar sistemas com bases de regras nebulosas funcionais. O algoritmo processa um fluxo de dados para adaptar continuamente um modelo funcional que descreve o processo gerador dos dados. O algoritmo é incremental, aprende com apenas uma apresentação do conjunto de dados, processa uma amostra por vez, não armazena dados antigos e realiza todos os procedimentos dinamicamente, de acordo com a aquisição de dados de entrada. O modelo tem duas partes principais: estrutural e paramétrica. A parte estrutural é composta pelas regras nebulosas, regras estas definidas por um algoritmo de agrupamento que divide os dados no espaço de entrada em grânulos no formato de hiper-retângulos, atribuindo uma regra nebulosa a cada hiper-retângulo. A base de regras é vazia inicialmente, e regras são adicionadas gradualmente de acordo com a aquisição de dados de entrada. O algoritmo de agrupamento é uma versão aprimorada do aprendizado Min-Max, que ajusta o tamanho dos hiper-retângulos automaticamente de acordo com a dispersão dos dados de entrada. A parte paramétrica do modelo é constituída por funções afins locais atribuídas a cada regra com coeficientes atualizados pelo algoritmo de quadrados mínimos recursivo. O modelo gera a saída a partir da combinação das saídas individuais das regras, em que cada saída tem um peso diferente, determinado pelo nível de ativação normalizado da regra correspondente. O algoritmo nebuloso evolutivo Min-Max também possui mecanismos de gerenciamento da base de regras e estimação automática de parâmetros de aprendizado. O gerenciamento da base consiste na identificação de regras redundantes (que são mescladas) ou obsoletas (que são excluídas), permitindo que a base de regras esteja sempre atualizada e que o método seja auto-adaptável a ambientes não estacionários. A estimação automática de parâmetros, em contrapartida, torna o algoritmo mais autônomo, atenuando perdas de desempenho provenientes de escolhas inadequadas de parâmetros de aprendizado. O algoritmo é aplicado em problemas de previsão de séries temporais e identificação de sistemas e comparado a abordagens clássicas e evolutivas representativas do estado da arte na área Abstract: Evolving fuzzy systems are an appealing approach to deal with nonstationary system modeling using data streams. This work introduces an evolving fuzzy Min-Max algorithm for fuzzy rule-based systems modeling. The algorithm processes an incoming data stream to construct and continuously update a fuzzy functional model of the data generator process. The algorithm is incremental, learns with only one pass in the dataset, process one data sample at a time, and does not perform any retraining or store past data. The model has two parts: structural and parametric. The structural part is a set of functional fuzzy rules formed by a clustering algorithm that granulates the input data space into data granules in the form of hyperboxes. To each hyperbox corresponds a fuzzy rule. The rule base is initially empty, and rules are gradually added as new incoming data are input. The clustering algorithm is an enhanced Min-Max learning approach that automatically adjusts hyperboxes sizes based on input data dispersion. The parametric part of the model is formed by local affine functions associated with each fuzzy rule. The parameters of the local functions are updated using the recursive least squares algorithm. The model output is produced combining the local affine functions weighted by the normalized firing degrees of the active rules. The evolving fuzzy Min-Max algorithm also has a rule base management method to allow concise and updated rule bases by identifying redundant rules (which are merged) or obsolete rules (which are deleted). The rule base management mechanism makes the model parsimoniously adaptive in nonstationary environments. Another property of the evolving fuzzy algorithm is the dynamic estimation of some learning parameters, which increases the algorithm autonomy, and mitigates the deterioration of the prediction performance due to unsuitable initial choices of the learning parameters. The proposed algorithm is applied in system identification and time series forecasting tasks, and its performance is compared with that of evolving and classic regression algorithms representative of the current state of the art in the area Mestrado Automação Mestre em Engenharia Elétrica CNPQ 159678/2015-3

The international recognition of the director Enrique Diaz has asserted itself for morethan twenty years. His artistic approach is very influenced by performance and it oftenuses metatheatrical texts. His reflexive productions focus on their own creative processes. They highlight the acting of the actor and they use the media in a selfreferential and critical way. Director Enrique Diaz' creation is approached for this thesis in a systemic way, using as a transdisciplinary methodological reference, the computer systems called fuzzy systems. Therefore, it allows to study his approach through different observation scales and varied points of view. First of all, its artistical experience is analyzed with a global scale: main themes and plays, specialy the actor's work. The overall observation offers substrate to a dynamic modeling, that is to say, the development of hypothesis regarding the general operation of Enrique Dias' creating system, and his main course of actions during the process of different plays. As a validating strategy, the play Gaivota - tema para um conto curto (Seagull-Play/La Mouette), is analyzed taking in consideration the operational of a fuzzy system - fuzzification, inferences and defuzzification - that is to say, according to the initial purposes of the project, the aesthetic references for its creation and the main procedures used for improvising (Viewpoints and Composition) and itsconnections/consequences/ to the play. The objective is to show the originality of theartistic approach of Enrique Diaz using a methodology based on the fuzzy system andinspired by his own approach., La reconnaissance internationale du metteur en scène Enrique Diaz s’est affirmée de façon sensible depuis plus d’une vingtaine d’années. Sa démarche artistique est très influencée par la performance et fait souvent appel à des textes métathéâtraux. Ses mises en scène autoréflexives ont pour thème leur propre processus de création. Elles mettent en évidence le jeu de l’acteur et utilisent les vídéos de façon autoréférentielle et critique.Cette thèse propose une étude du système de création de Enrique Diaz selon une approche systémique, prenant comme référence méthodologique transdisciplinaire les systèmes numériques appelés systèmes flous ou fuzzy systems. Cet angle d’analyse nous a paru permettre l’étude de la démarche de l’artiste selon des échelles d‘observation et des points de vue différents. Nous avons donc étudié tout d'abord le parcours artistique d’Enrique Diaz sur le plan global, intégrant les principaux spectacles et thématiques à partir du travail que Diaz demande à ses acteurs. Cette observation globale nous a offert les fondements nécessaires à la création d’une modélisation dynamique, c’est-à-dire, à l’élaboration d’hypothèses touchant le fonctionnement global du système de création de l’artiste, en tentant de montrer en quoi celui-ci constitue une forme de système flou.Afin de valider la modélisation créée, le spectacle Seagull-Play/ La Mouette est analyséselon les catégories utilisées pour la création d’un système flou. La fuzzification renvoieaux phases préliminaires du projet, aux choix esthétiques et aux techniques d’improvisation collective, comme celle de l’utilisation de la technique des Viewpoints and Composition. L’inférence concerne l’observation des prises de décisions du metteur en scène au cours du processus de création. Enfin la défuzzification est l’étude de la présentation du spectacle au public. L’objectif final est de montrer l’originalité de la démarche artistique d’Enrique Diaz en utilisant une méthodologie basée sur les systèmes flous et inspirée par le processus même de création de l’artiste., A prática artística do encenador Enrique Diaz ganhou um reconhecimento internacional nos últimos vinte anos. Influenciado pela performance, Enrique Diaz faz uso recorrente de textos metateatrais e seus espetáculos autoréflexivos tematizam o próprio processo de criação. Sua prática é centrada no trabalho do ator e utiliza os vídeos de forma autoreferencial e crítica.Esta tese aborda a criação do encenador Enrique Diaz de forma sistêmica, tendo como referência metodológica transdisciplinar os sistemas informáticos chamados nebulosos (flous ou fuzzy). O sistema flou é uma analogia para a compreensão do funcionamento do trabalho de Enrique Diaz, de modo a evidenciar, segundo diferentes pontos de vista e conforme escalas de observação diversas, o que chamo de sistema de criação. Suaprática artística é abordada primeiramente numa escala global, enveredando por temas e espetáculos e fechando o foco sobre o trabalho do ator. Este modo de observação oferece substrato a uma modelização dinâmica, ou seja, permite o levantamento de hipóteses a respeito do funcionamento geral do sistema de criação de Enrique Diaz e das principais ações executadas para a construção de diferentes espetáculos. Como forma de validação, o espetáculo Gaivota – tema para um conto curto, é analisado levando em conta as fases de funcionamento de um sistema nebuloso – fuzzificação, inferências e defuzzificação –, ou seja, segundo as proposições iniciais do projeto e as técnicas utilizadas nos ensaios (como a técnica Viewpoints and Composition), os tipos de decisões da encenação e a apresentação do espetáculo. O objetivo é mostrar as singularidades do sistema de criação de Enrique Diaz a partir da criação de uma metodologia inspirada por sua prática artística.

Orientador: Lee Luan Ling Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Nesta dissertação se propõe um método de controle de admissão de chamadas fuzzy (FCAC) e um método de controle de fluxo fuzzy (FFC), considerando tráfegos multiclasses. Ambos métodos trabalham em conjunto e são implementados na interface aérea das redes 3G UMTS. O método FCAC aceita ou rejeita a requisição de uma nova chamada considerando a prioridade de cada classe de tráfego, assim como a banda efetiva total disponível na interface aérea. Devido a natureza de controle fuzzy, o método FCAC-FFC proposto é considerado como um método de bloqueio gradual. Os usuários de menor prioridade serão sempre os primeiros a serem bloqueados se a banda efetiva total disponível não for suficiente. O método FFC reduz a taxa de transmissão dos usuários ativos de menor prioridade caso seja necessário e, como consequência, a banda efetiva disponível aumenta. Desta forma, temos um uso mais eficiente dos recursos do sistema incrementando o número médio de usuários ativos. O método proposto foi implementado no ambiente de simulação MATLAB e foi utilizada a toolbox de lógica fuzzy para projetar os controladores fuzzy. Os resultados da simulação mostram que o esquema de controle de admissão proposto garante o uso eficiente dos recursos da interface aérea e obtém um melhor desempenho em comparação com os esquemas CAC-FC e FCAC-FC analisados, em termos de probabilidade de bloqueio total Abstract: This dissertation proposes a fuzzy call admission control method (FCAC) and a fuzzy flow control method (FFC) for multi-class traffic. Two methods should be used on the air interface of 3G UMTS networks. The FCAC method accepts or rejects a new call evaluating the priority of the input traffic class and the total effective bandwidth available at the air interface. Due to inherited fuzzy characteristics the proposed FCAC-FFC can be considered as a soft-blocking approach. The calls with lowest priority are blocked first whenever the currently available bandwidth is not large enough. The FFC method can reduce the transmission rates of active users of lower priority if necessary and consequently increases the effective bandwidth available. Therefore, the more efficient use of system transmission resource can be achieved by increasing the average number of active users. The proposed method was implemented in MATLAB environment, and the fuzzy logic toolbox was used to design the fuzzy controllers. The simulation results show that the proposed call admission control method guarantees efficient use of the air interface resource and achieves lower call blocking probability than the CAC-FC and FCAC-FC methods Mestrado Telecomunicações e Telemática Mestra em Engenharia Elétrica

Orientadores: Fernando Antonio Campos Gomide, Rosangela Ballini Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: Este trabalho propõe a utilização de técnicas de inteligência computacional para a estimação e previsão da estrutura a termo das taxas de juros, com base em dados dos mercados de renda fixa dos Estados Unidos e Brasil. Para o problema de estimação da curva de juros, as técnicas de computação evolucionária, Algoritmos Genéticos, Evolução Diferencial e Estratégias Evolutivas, foram comparadas com abordagens tradicionais da literatura, como mínimos quadrados não-lineares e programação quadrática sequencial. A motivação da aplicação de técnicas de computação evolucionária no problema de estimação da estrutura a termo busca superar limitações como não-convergência e elevada instabilidade dos parâmetros à inicialização. Além disso, recentemente, a literatura tem apontado o elevado desempenho dos algoritmos genéticos em problemas de modelagem da curva de rendimentos. Outra contribuição deste trabalho consiste no desenvolvimento de um modelo nebuloso evolutivo de aprendizado participativo estendido, denominado ePL+, que inclui em sua versão original, ePL, mecanismos para aumentar sua autonomia e adaptabilidade na modelagem de sistemas complexos. Dessa forma, o modelo ePL+ e outros modelos nebulosos funcionais evolutivos foram avaliados na questão da previsão das taxas futuras de juros, em contraposição com modelos econométricos baseados em processos autoregressivos e modelos de redes neurais artificiais multi-camadas, uma vez que a evolução das taxas de juros apresenta uma dinâmica altamente não-linear e variante no tempo, justificando a ideia de modelagem adaptativa. O desempenho dos métodos considerados foi avaliado em termos de métricas de erro, complexidade computacional e por meio de testes estatísticos paramétricos e não-paramétricos, MGN e SIGN, respectivamente. Os resultados evidenciaram o elevado potencial dos modelos de inteligência computacional na estimação e previsão da estrutura a termo em ambas economias consideradas, constatado pelo melhor desempenho, em termos de ajuste e significância estatística, em relação às técnicas de otimização de parâmetros e econométricas mais utilizadas na literatura Abstract: This work proposes the term structure of interest rates modeling and forecasting using computational intelligence techniques, based on data from the US and Brazilian fixed income markets. The yield curve modeling includes the use of some evolutionary computation methods like Genetic Algorithms, Differential Evolution and Evolution Strategies in comparison with traditional optimization techniques such as nonlinear least squares and sequential quadratic programming. The motivation behind the use of evolutionary computation to yield curve estimation aims to overcome limitations like non-convergence and high parameters instability to initialization. Moreover, recently, the literature has been shown the higher performance of genetic algorithms in yield curve modeling problems. This work also contributes by developing an extended participatory learning fuzzy model, called ePL+, which includes on its original version, ePL, mechanisms to improve its autonomy and adaptability in complex systems modeling. Therefore, the ePL+ model and some evolving functional fuzzy approaches were evaluated in the future interest rates forecasting, as opposed to econometric models based on autoregressive processes and multilayer artificial neural networks methodologies, since interest rates evolution shows a high non-linear dynamics and also time-varying, justifying the idea of adaptive modeling. Models' performance were compared in terms of error measures, computational complexity and by parametric and non-parametric statistical tests, MGN and SIGN, respectively. The results reveal the high potential of computational intelligence methods to deal with the term structure modeling and forecasting for both economies considered, as pointed out by their adjustment and statistical superior performance then traditional optimization and econometrics techniques reported in the literature Mestrado Automação Mestre em Engenharia Elétrica

As abordagens de inteligência computacional, tais como sistemas nebulosos e redes neurais artificiais, têm-se gradualmente estabelecido como ferramentas robustas para a tarefa de aproximação de sistemas não-lineares complexos e previsão de séries temporais. Em aplicações envolvendo a área de Finanças, evidências empíricas anteriores indicam que modelos de inteligência computacional são mais precisos, dada sua maior capacidade em capturar não-linearidades e outros fatos estilizados presentes em séries financeiras. Nesse sentido, este artigo investiga a hipótese de que os modelos matemáticos de redes neurais perceptron multicamadas, redes neurais função de base radial e o sistema nebuloso Takagi-Sugeno (TAKAGI; SUGENO, 1985) são capazes de fornecer uma previsão fora-da-amostra mais acurada que os modelos auto-regressivos de médias móveis (ARMA) e auto-regressivo de médias móveis supondo heterocedasticidade condicional auto-regressiva (ARMA-GARCH). O desempenho de previsão um-passo-à-frente dos modelos foi comparado utilizando-se séries de retorno da taxa de câmbio real/dólar (R$/US$) com freqüências de 15 minutos, 60 minutos, 120 minutos, diária e semanal. Resultados indicam que o desempenho dos modelos está diretamente relacionado à freqüência observada das séries. Além disso, os modelos de redes neurais obtiveram um desempenho superior em relação aos demais modelos considerados. A avaliação da estratégia de negociação estabelecida com base nas previsões geradas pelos modelos indicou que estratégias baseadas em modelos de redes neurais forneceram retornos superiores em relação àquelas baseadas em modelos ARMA e ARMA-GARCH e também em relação à estratégia buy-and-hold. Computational intelligence approaches, such as artificial neural networks and fuzzy systems, have become popular tools in approximating complicated nonlinear systems and time series forecasting. In Finance applications, there is evidence that these computational intelligence models are able to provide a more accurate forecast given their capacity for capturing nonlinearities and other stylized facts of financial time series. Thus, this paper investigates the hypothesis that the mathematical models of multilayer perception, radial basis function neural networks (NN), and the Takagi-Sugeno (TS) fuzzy systems are able to provide a more accurate out-of-sample forecast than the traditional AutoRegressive Moving Average (ARMA) and ARMA Generalized AutoRegressive Conditional Heteroskedasticity (ARMA-GARCH) models. Using a series of Brazilian exchange rate (R$/US$) returns with 15 minutes, 60 minutes, 120 minutes, daily and weekly basis, the one-step-ahead forecast performance is compared. The results indicate that forecast performance is strongly related to the series' frequency, possibly due to nonlinearities effects. Besides, the forecasting evaluation shows that NN models perform better than the ARMA and ARMA-GARCH ones. In the trade strategy based on forecasts, NN models achieved higher returns when compared to a buy-and-hold strategy and to the other models considered in this study.

Orientadores: Fernando Antonio Campos Gomide, Rosangela Ballini Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação Resumo: Este trabalho propõe um modelo fuzzy funcional evolutivo que utiliza uma aplicação do aprendizado participativo para a construção de uma base de regras. O aprendizado participativo é um modelo de aprendizado baseado na noção de compatibilidade para a atualização do conhecimento do sistema. O aprendizado participativo pode ser traduzido em um algoritmo de agrupamento não supervisionado conhecido como agrupamento participativo. O algoritmo intitulado Aprendizado Participativo Evolutivo é proposto para construir um modelo fuzzy funcional evolutivo no qual as regras são obtidas a partir de um algoritmo de agrupamento não supervisionado. O algoritmo utiliza uma versão do agrupamento participativo para a determinação de uma base de regras correspondente ao modelo funcional do tipo Takagi-Sugeno evolutivo. A partir de uma noção generalizada, o modelo proposto é aplicado em problemas de previsão de séries temporais e os resultados são obtidos para a conhecida série Box-Jenkis, além da previsão de uma série de carga horária de energia elétrica. Os resultados são comparados com o modelo Takagi-Sugeno evolutivo que utiliza a noção de função potencial para agrupar os dados dinâmicamente e com duas abordagens baseadas em redes neurais. Os resultados mostram que o modelo proposto é eficiente e parcimonioso, abrindo potencial para aplicações e estudos futuros. Abstract: This work introduces an approach to develop evolving fuzzy rule-based models using participatory learning. Participatory learning assumes that learning and beliefs about a system depend on what the learning mechanism knows about the system itself. Participatory learning naturally augments clustering and yields an e_ective unsupervised fuzzy clustering algorithms for on-line, real time domains and applications. Clustering is an essential step to construct evolving fuzzy models and plays a key role in modeling performance and model quality. A least squares recursive approach to estimate the consequent parameters of the fuzzy rules for on-line modeling is emphasized. Experiments with the classic Box-Jenkins benchmark are conducted to compare the performance of the evolving participatory learning with the evolving fuzzy system modeling approach and alternative fuzzy modeling and neural methods. The experiments show the e_ciency of evolving participatory learning to handle the benchmark problem. The evolving participatory learning method is also used to forecast the average hourly load of an electric generation plant and compared against the evolving fuzzy system modeling using actual data. The results confirm the potential of the evolving fuzzy participatory method to solve real world modeling problems. Mestrado Automação Industrial Mestre em Engenharia Elétrica

Este artigo reúne um conjunto de métodos que utilizam dados de natureza quantitativa e qualitativa, provenientes de fontes heterogêneas, de modo a combiná-los em um processo conhecido por fusão de dados. Diversas formas de incerteza e sua modelagem são discutidas. Propõe-se uma taxionomia em quatro níveis para processos de fusão de dados, tomando-se por base a natureza e redundância dos dados processados. This paper presents a set of methods which use quantitative and qualitative data, gathered from various heterogeneous sources of information, aiming at combining them in a process of data fusion. Different forms of uncertainty representation and modelling are discussed. Also, this work proposes a taxonomy for the data fusion processes according to the nature and redundancy of the processed data.

Orientador: Celso Pascoli Bottura Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e Computação Resumo: Esta tese apresenta propostas de metodologias para identificação e controle inteligentes. Uma metodologia para identificação de sistemas dinâmicos não-lineares no tempo discreto, baseada tio método de variável instrumental e no modelo nebuloso Takagi-Sugeno, é apresentada. Nesta metodologia, a qual é uma extensão do método de variável instrumental tradicional, as variáveis instrumentais escolhidas, estatisticamente independentes do ruído, são mapeadas em conjuntos nebulosos, particionando o espaço de entrada em sub-regiões, para estimação não-polarizada dos parâmetros do conseqüente dos modelos nebulosos TS em ambiente ruidoso. Um esquema de controle adaptativo gain scheduling baseado em redes neurais, sistemas nebulosos e algoritmos genéticos para sistemas dinâmicos não-lineares no tempo discreto também é apresentado. 0 controlador nebuloso é desenvolvido e projetado com o usa de um algoritmo genético para satisfazer, simultaneamente, múltiplos objetivos. Com o esquema de aprendizagem supervisionada, os parâmetros do controlador nebuloso são usados para projetar um gain scheduler neural para ajuste on-line do controlador nebuloso em alguns pontos de operação do sistema dinâmico Abstract: This thesis presents proposals of methodologies for intelligent identification and control. A methodology tor nonlinear dynamic discrete time systems identification, based on the instrumental variable method and Takagi-Sugeno fuzzy model, is presented. In this methodology, which is an extension of the standard instrumental variable method, the chosen instrumental variables, estatistically independent of the noise, are mapped into fuzzy sets, partitioning the input space in subregions, for unbiased estimation of Takagi-Sugeno fuzzy model consequent parameters in a noisy environment. A gain scheduling adaptive control design based on neural network, fuzzy systems and genetic algorithms for nonlinear dynamic discrete time systems is also presented. The fuzzy controller is developed and designed by a genetic algorithm to satisfy, simultaneously, multiple objectives. "With the supervised learning scheme, the fuzzy controller parameters are used to design the gain neural scheduler to tune on-line the fuzzy controller in some operation points of the dynamic system Doutorado Automação Doutor em Engenharia Elétrica

Orientador: Gilmar Barreto Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação Resumo: Este trabalho enfoca o problema de identificação multivariável de um processo de incineração de resíduos líquidos que faz parte do complexo da unidade de utilidades da empresa BASF S.A, localizada em Resende-RJ. Para trabalhos futuros, pretendemos utilizar esta identificação em um projeto de controlador inteligente. A escolha desse processo foi motivada pelo potencial de melhoria no sistema de controle da combustão, sendo realizado um estudo com as possíveis melhorias econômicas e operacionais com a otimização do processo de incineração. Os sistemas nebulosos foram enfocados de maneira especial, por causa da sua capacidade de processar informação de natureza incerta e qualitativa. O modelo nebuloso Takagi-Sugeno (TS) foi implementado para representar o processo de incineração de resíduos líquidos em estudo. Os resultados das simulações efetuadas com os modelos nebulosos TS obtidos representam de maneira adequada o comportamento real do sistema de incineração Abstract: This work is concerned with the problem of multivariable identification of liquids residues incineration process that is a complex part of utilities unit in BASF SA. Company, located in Resende-RJ. For future works, we intend use this identification in an intelligent controller design. The choice of this process was motivated by the potential of improvement on combustion system control of the incineration process, and was realized a study considering the possible economic and operational improvements with the incineration process optimization. The fuzzy systems were focused in a special way, because of its capability to process information of uncertain and qualitative nature. The Takagi-Sugeno (TS) fuzzy model was implemented to represent the studied liquids residues incineration process. The simulation results obtained with TS fuzzy models represent, in an adequate way, the real behavior of an incineration system Mestrado Automação Mestre em Engenharia Elétrica