OBJETIVOS. Aplicar técnicas de inteligência artificial na solução de problemas de controle e automação. EMENTA

Transcrição

1 Curso: ENGENHARIA ELÉTRICA Unidade Curricular: INTELIGÊNCIA ARTIFICIAL Professor(es): HANS ROLF KULITZ Período Letivo: OPTATIVA Carga Horária: 30 h TEÓRICAS E 30 h PRÁTICA OBJETIVOS Geral: Aplicar técnicas de inteligência artificial na solução de problemas de controle e automação. Específicos: Caracterizar sistemas especialistas; Caracterizar Sistema Lógico Fuzzy (FLS); Utilizar FLS para modelar sistemas dinâmicos; Utilizar FLS em problemas de controle de sistemas dinâmicos; Caracterizar Redes Neurais; Utilizar Redes Neurais para modelar sistemas dinâmicos; Utilizar Redes Neurais para controlar sistemas dinâmicos; Caracterizar sistemas neuro-fuzzy; Utilizar sistemas neuro-fuzzy em controle de sistemas dinâmicos. EMENTA Introdução à inteligência artificial. Sistemas especialistas. Lógica fuzzy. Redes neurais. Sistemas Neuro-fuzzy. PRÉ-REQUISITO (SE HOUVER) Não há.

2 CONTEÚDOS CARGA HORÁRIA Objetivos: Estabelecer os conceitos de inteligência artificial e apresentar as ferramentas a serem utilizadas no controle de processos. 1 UNIDADE I: Introdução à Inteligência Artificial 1.1 Inteligência Artifical; 1.2 Sistemas Inteligentes; 1.3 Engenharia do Conhecimento; 1.4 Algoritmos Genéticos. a) Apresentar recortes de internet com propaganda de equipamentos que utilizam lógica fuzzy e redes neurais; b) Apresentar videos mostrando aplicações de controle que utilizam lógica fuzzy e redes neurais. Objetivos: Caracterizar um Sistema Lógico Fuzzy e usá-lo para controlar nível e posição. Utilizar um SLF para reconhecer peças coloridas através de uma webcam. 4 2 UNIDADE II: Lógica Fuzzy 2.1 Definições básicas; 2.2 Teoria de Conjuntos Fuzzy Operações Fuzzy Básicas Variáveis Linguísticas 2.3 Sistemas de Inferência Fuzzy Funções de pertinência; Modelo de Mamdani Modelo de Takagi-Sugeno-Kang (TSK) Defusificação; 2.4 Exemplos de aplicação. a) Apresentar os conceitos básicos da Lógica Fuzzy. b) Caracterizar um SLF; c) Utilizar um SLF para reconhecer peças de cores diferentes utilizando o toolbox fuzzy do Matlab e uma webcam; d) Utilizar um SLF para desenvolver um controlador proporcional de nível de um reservatótio (utilizar o simulink, placa de aquisição de dados e a planta didática do laboratório de instrumentação); e) Utilizar um SLF para desenvolver um controlador PID de posição de um servomotor (utilizar o simulink, placa de aquisição de dados e a planta didática do laboratório de instrumentação); 22

3 Objetivos: Caracterizar Rede Neural Artificial e usá-la para: modelar sistemas dinâmicos, identificar e classificar padrões. 3 UNIDADE IV: Redes Neurais 3.1 Definições básicas; 3.2 O Neurônio Artificial; Funções de Ativação; Arquiteturas de Redes; Processos de Aprendizagem; 3.3 Perceptron Multicamadas; 3.4 Rede de Hopfield; 3.5 Rede de Base Radial; 3.6 Exemplos de aplicação. 22 a) Apresentar os conceitos básicos de Redes Neurais Artificiais. b) Utilizar uma rede neural para copiar um identificador fuzzy de peças coloridas usando o toolbox neural do Matlab; c) Utilizar uma rede neural para copiar um controlador fuzzy usando o toolbox neural do Matlab; d) Utilizar uma rede neural auto-organizável para classificar peças de cores diferentes. Objetivos: Apresentar um método de obtenção de um SLF Sugeno utilizando Rede Neural Artificial.. 4 UNIDADE IV: Sistemas Neuro-fuzzy 4.1 RNAs x FIS 4.2 Modelos de Redes Neuro-Fuzzy Adaptive-Network-Based Fuzzy Inference System (ANFIS) 12 a) Obter um sistema de identificação de cores utilizando o ANFIS; ESTRATÉGIA DE APRENDIZAGEM Aula expositiva; Demonstração realizada pelo professor; Laboratório (Prática realizada pelo estudante); Exercícios de análise e síntese; Estudo de caso; Resolução de situações-problema. RECURSOS METODOLÓGICOS Livro texto; Sala de aula; Quadro branco e pincel; Laboratório; Computador; Projetor multimídia;

4 Softwares específicos: Matlab; Toolbox Redes Neurais. Toolbox Fuzzy; ANFIS. AVALIAÇÃO DA APRENDIZAGEM Critérios: Será priorizada a produção discente, sobretudo a articulação entre o saber estudado e a solução de problemas que a realidade apresenta. Capacidade de análise crítica dos conteúdos; Iniciativa e criatividade na elaboração de trabalhos; Assiduidade e pontualidade nas aulas; Interação com o grupo; Organização e clareza na forma de expressão dos conceitos e conhecimentos. Instrumentos: Avaliação escrita (Testes e provas); Trabalhos; Exercícios; Relatórios e/ou produção de outros textos. Bibliografia Básica (títulos; periódicos etc.) Título/Periódico Autor Ed Local Editora Ano Bibliografia Complementar (títulos; periódicos etc.) Título/Periódico Autor Ed Local Editora Ano NASCIMENTO JÚNIOR, Cairo Lúcio; YONEYAMA, Takashi. Inteligência artificial em controle e automação. São Paulo: Edgard Blücher: FAPESP, c2000. vii, 218 p. ISBN (broch.) REZENDE, Solange Oliveira (Org.). Sistemas inteligentes: fundamentos e aplicações. Barueri, SP: Manole, xxxii, 525 p. ISBN (broch.) CAMPOS, Mario Massa de; SAITO, Kaku. Sistemas inteligentes em controle e automação de processos. Rio de Janeiro: Ciência Moderna, xii, 235 p. ISBN (broch.)

5 OLIVEIRA JÚNIOR, Hime Aguiar e. Lógica difusa: aspectos práticos e aplicações. Rio de Janeiro: Interciência, p. ISBN (broch.) HAYKIN, Simon S. Neural networks and learning machines. 3rd ed. New York: Pearson, xxx, 906 p. ISBN (enc.) HAYKIN, Simon S. Redes neurais: princípios e práticas. 2. ed. Porto Alegre: Bookman, p. ISBN (broch) BRAGA, Antônio de Pádua; CARVALHO, André C. P. L. F. de; LUDERMIR, Teresa Bernarda. Redes neurais artificiais: teoria e aplicações. 2. ed. Rio de Janeiro: LTC, p. ISBN (broch.) KOVÁCS, Zsolt László. Redes neurais artificiais: fundamentos e aplicações : um texto básico. rev. - ampl. ed. Rio de Janeiro: Collegium Cognitio, p. ISBN TAFNER, Malcon A. Redes neurais artificiais: introdução e princípios de neurocomputação. Blumenau SC: EDIFURB, p. ISBN EXPERIMENTOS MÍNIMOS Realizados pelo aluno 1 Projetar/Simular/Testar em laboratório um reconhecedor fuzzy de objetos com cores diferentes; 2 Projetar/Simular/Testar em laboratório um controlador fuzzy proporcional de nível; 3 Projetar/Simular/Testar em laboratório um controlador fuzzy PID de posição; 4 Copiar/Simular/Testar em laboratório um sistema dinâmico utilizando redes neurais; 5 Classificar objetos utilizando redes neurais ; 6 Reconhecer objetos utilizando redes neurais; 7 Obter um SLF utilizando o ambiente ANFIS.