CONTROLE FUZZY PARA BRAÇO ROBÓTICO UTILIZANDO A ABORDAGEM ADAPTATIVA NEURO-FUZZY (ANFIS) DO MATLAB
|
|
- André Santos Palhares
- 7 Há anos
- Visualizações:
Transcrição
1 CONTROLE FUZZY PARA BRAÇO ROBÓTICO UTILIZANDO A ABORDAGEM ADAPTATIVA NEURO-FUZZY (ANFIS) DO MATLAB João Rodolfo Côrtes Pires (PG) Divisão de Engenharia Mecânica-Aeronáutica Instituto Tecnológico de Aeronáutica São José dos Campos-SP jrcortes@mec.ita.br Cairo Lúcio Nascimento Júnior (PQ) Divisão de Engenharia Eletrônica Instituto Tecnológico de Aeronáutica São José dos Campos-SP cairo@ita.br RESUMO Em muitos casos a lógica fuzzy tipo Mamdani possibilita o rápido desenvolvimento de um controlador para um sistema físico mesmo se o projetista não dispor de um rigoroso modelo matemático do sistema a ser controlado. Variáveis lingüísticas são então usadas para modelar o conhecimento intuitivo dos operadores do sistema e assim desenvolver regras fuzzy tipo Mamdani que rapidamente produzirão um controle grosseiro. Entretanto, se for desejado um controlador de alto desempenho, os controladores fuzzy tipo Mamdani são difíceis de serem ajustados. Uma alternativa é o desenvolvimento de controladores fuzzy tipo Sugeno. Porém controladores desse tipo são de difícil ajuste manual visto que a topologia usada por este estilo de lógica fuzzy favorece o modelamento matemático em prejuízo da utilização do conhecimento intuitivo. Este artigo propõe a combinação do uso destes dois tipos de controladores fuzzy usando a estrutura de controle conhecida por feedbackerror-learning. Nesta estrutura um controlador fuzzy tipo Mamdani é rapidamente ajustado para implementar um controlador feedback estável mas de baixo desempenho. Então os parâmetros de um controlador fuzzy tipo Sugeno, funcionando como controlador feedforward, são ajustados por uma rotina de treinamento para sistemas neuro-fuzzy do software MATLAB (ANFIS Adaptive Neuro- Fuzzy Inference System). As simulações computacionais desta abordagem mostraram que para um braço robótico foi possível o rápido desenvolvimento de um sistema de controle com desempenho superior ao obtido quando apenas um dos dois tipos de controladores foi usado. ABSTRACT In many cases, by using the Mamdani-style fuzzy logic, a designer can rapidly develop a controller for a physical system even if a rigorous mathematical model of the system is not available. Linguistic variables and Mamdani-style fuzzy logic are then used to model the intuitive knowledge about the system, which was acquired by the operators through their everyday experience with the real-world system. In this way a rough controller can be rapidly obtained. However, if a high-performance controller is desired, experience has shown that it will be difficult to fine tune the Mamdani-style fuzzy controller manually or by using a training algoritthm. A possible alternative is to develop a Sugenostyle fuzzy controller which are hard to be adjusted manually since their topology favours mathematical modelling instead of the expression of intuitive knowledge. Sugeno-style fuzzy controller can be adjusted automatically by a training algorithm but it may be difficult to initialize the parameters of such a controller to obtain a stable learning process. This article proposes to combine the Mandani and Sugeno fuzzy controllers using the control structure known as Feedback-Error- Learning. Initially, only the Mandani-style fuzzy controller is used as the feedback controller and is rapidly tuned which to produce a rough stable controller. Then a Sugeno-style controller is used as a feedforward controller and is tuned by a neuro-fuzzy training algorithm available in the software package MATLAB (ANFIS - Adaptive Neuro-Fuzzy Inference System). Computer simulations of a highly non-linear robotic arm demonstrate that by using the proposed approach, when the two types of fuzzy controllers are used simultaneously, one could more rapidly develop a better controller than using either one of these two types of fuzzy controllers.. INTRODUÇAO Um sistema de controle tem como função fornecer respostas a uma determinada entrada de acordo com sua função de transferência. Para muitos sistemas esta função apresenta grande complexidade o que dificulta o controle através dos procedimentos convencionais. Nestes caso os
2 controladores fuzzy podem ser aplicados com bons resultados. Os controladores fuzzy permitem que expressões linguísticas sejam usadas, e dessa maneira de maneira simples o conhecimento intuitivo dos operadores humanos pode ser codificado e usado, mesmo se os sistemas forem complexos e nãolineares. 2. LÓGICA FUZZY A lógica fuzzy (também chamada de lógica nebulosa) permite o tratamento de expressões que envolvam grandezas de forma não exata. Esta forma de mensurar as grandezas é muito parecida com o comportamento dos seres humanos, por isso sendo um bom modelo para emular o nosso comportamento. A lógica nebulosa baseia-se no estudo de operações sobre conjuntos nebulosos (fuzzy sets) e pode ser entendida como uma generalização da lógica clássica (crisp sets) [], [2]. A lógica clássica pode ser representada pela função indicadora I(.), que assume apenas dois valores, {,}, conforme respectivamente o elemento não pertença ou pertença ao conjunto em questão. Desta forma, dado um conjunto A contido num universo X, um elemento x deste universo pode assumir apenas dois estado em relação ao conjunto A, que é representado pela função I A (x): I A (x) = { se x A, ou se x A} Portanto podemos definir um conjunto clássico como: A={x X I A (x) = } No caso da lógica nebulosa 3 casos são possíveis pois o mesmo elemento x X: ) pode pertencer integralmente ao conjunto A, 2) pode não pertencer a A, ou 3) pode pertencer parcialmente ao conjunto A. O fato de um elemento pertencer parcialmente a um conjunto faz com que tenhamos de trocar a função indicadora I(.) = {,} por uma função pertinência µ (.) = [,], ou seja, o grau de pertinência de um elemento a um conjunto é um número real no intervalo fechado [,] ao invés de apenas os dois valores extremos do intervalo como no caso da lógica clássica. Deste modo passamos a definir um conjunto fuzzy como: A={x X µ A (x) = ξ, ξ }. Assim como no caso de conjuntos clássicos podem ser definidas operações como união e intersecção de conjuntos nebulosos. Entretanto para conjuntos nebulosos temos: A A c X A A c φ onde A c indica o complemento do conjunto A, X indica o conjunto universo e φ indica o conjunto vazio. 3. CONTROLADOR NEBULOSO Um controlador nebuloso é basicamente um processo de inferência em conjunto nebulosos. Podemos dividi-lo em três partes principais: a fuzzificação; a máquina de inferência nebulosa; e a defuzzificação; O processo de fuzzificação consiste em obter a partir de uma variável numérica x X, o seu grau de pertinência aos conjuntos A i contidos no universo X (figura ). Figura - Graus de pertinência de x aos conjuntos A i.
3 O processo de inferência nebulosa realiza as operações com conjuntos nebulosos. Neste artigo foram usadas as seguintes definições para os operadores A B, A B, A: A B = max( µ A, µ B ) A B = min( µ A, µ B ) A = µ A Para a operação implica ( ) adotou-se a definição onde o valor da função pertinência obtida do conjunto resultante do primeiro termo é transferida para o conjunto do segundo termo. O processo de defuzzificação consiste em obter a partir do valor da função pertinência resultante das diversas regras de inferência um valor numérico de saída. Neste ponto é que temos a diferença entre o controlador do tipo Mamdani e do tipo Sugeno [3], [4], [5]. Nos controladores do tipo Mamdani ao transferirmos o valor da função de pertinência para o conjunto de saída obtemos como resultado uma área para os valores inferiores ao da função pertinência. A união dessas áreas para todas as regras nos dá o conjunto fuzzy de saída, que para passar para o valor numérico usa-se por exemplo a abcissa do centro de gravidade da área obtida. Para o controlador do tipo Sugeno temos como saída uma função polinômio de grau n em função das variáveis de entrada. Usualmente adota-se n = ou n =, visto que a melhora dos resultados não justifica o aumento da complexidade obtida. O fato da saída do tipo Sugeno ser uma função linear nos parâmetros que devem ser ajustados permite que o método do backpropagation ou um método híbrido de backpropagation e mínimos quadrados seja aplicado para ajustar o controlador tipo Sugeno [5]. Um controlador fuzzy típico normalmente é projetado para se comportar de forma dedutiva, ou seja, inferir conclusões baseado no conhecimento que ele contenha. Outra forma de aplicação destes controladores seria projetá-lo para possuir comportamento indutivo, onde é possível a aprendizagem e generalização através de exemplos particulares provenientes da observação do seu comportamento numa situação dinâmica. 4. EXPERIMENTO A abordagem que utilizamos foi de usar um controlador do tipo Mamdani atuando de forma dedutiva e um controlador do tipo Sugeno de forma indutiva. Para isso foi simulado um sistema de controle do braço robótico com um controlador Mamdani atuando como controlador tipo feedback e um controlador Sugeno atuando como controlador tipo feedforward, de acordo com a estrutura de controle neural conhecida como Feedback-Error-Learning [6]. Tal estrutura é mostrada na figura 2. Figura 2 - Estrutura de controle Feedback-Error-Learning. A idéia central é fazer com que, através da abordagem adaptativa neuro-fuzzy, o controlador Sugeno (que é iniciado de forma tal a ter atuação nula) aprenda a cada sessão de treinamento a reproduzir o torque total aplicado no braço robótico sem o torque bias. Desta maneira, o controlador
4 Sugeno paulatinamente assumirá o controle do braço robótico e a saída do controlador Mamdani irá convergir para valores muito pequenos [6]. As figuras 3 e 4 ilustram o braço robótico e o diagrama de simulação no software MATLAB/SIMULINK. Conforme mostrado no diagrama de simulação (figura 4) a entrada do modelo Sugeno (cujos parâmetros foram armazenados no arquivo bracosug.fis) é a posição de referência e a sua derivada no instante t e a saída é o torque total aplicado ao braço robótico antes da aplicação da adição do valor bias (figuras 2 e 4). O valor bias foi ajustado de forma a ser o valor do torque necessário para manter o braço robótico parado na posição horizontal. Figura 3 - Braço robótico. Figura 4 - Diagrama de simulação em MATLAB/SIMULINK.
5 O sinal de referência da posição que o braço deve estar em função do tempo, é um uma onda senoidal de amplitude +9º a -9º com freqüência de 2 rad/s. este sinal pode ser visto na figura 5. bracoanfis Time (Seconds) Figura 5 - Trajetória de referência para o braço robótico. O treinamento do controlador Sugeno foi realizado ao final de cada sessão de simulação, ou seja, durante cada sessão de simulação os parâmetros do controlador Sugeno foram mantidos constantes e os dados de treinamento foram colhidos. Ao final de cada sessão de simulação, o controlador Sugeno foi então treinado com os dados colhidos na sessão de treinamento imediatamente anterior. Na primeira sessão de simulação da estrutura Feedback-Error-Learning (iteração zero) apenas o controlador Mamdani foi usado. Este controlador foi ajustado manualmente de forma tal a produzir para o braço robótico uma trajetória estável. Tal trajetória é mostrada na figura 6. Os parâmetros do controlador Mamdani e os parâmetros iniciais do controlador Sugeno são mostrados no apêndice deste artigo. 5 bracoanfis Time (Seconds) Figura 6 - Trajetória do braço robótico ao final da primeira sessão de simulação. Ao final da primeira sessão de simulação o valor de referência da posição (θ ), a derivada do valor de referência (θ ) e o torque total sem o bias foi armazenado em uma matriz teta, considerando os 4 segundos de operação do braço amostrados com intervalo, s. Desta matriz, foram extraídos os dados referentes aos 2 últimos ciclos do sinal de referência. Os dados referentes ao penúltimo ciclo foram armazenados na variável bracosugtrn enquanto que os dados referentes ao último ciclo foram armazenados na variável bracosugchk. A função ANFISEDIT do software MATLAB 6. [5] foi então usada par treinar um sistema neuro-fuzzy tipo Sugeno usando os dados da variável bracosugtrn como dados de treinamento (training data) e os dados da variável bracosugchk como dados de
6 verificação do treinamento (checking data) para evitar o chamado overtraining. Foi utilizada a facilidade da função ANFISEDIT onde o treinamento é realizado até que o mínimo erro sobre o conjunto checking data seja atingido. Este procedimento composto de sessão de simulação e sessão de treinamento foi repetido 2 vezes. Ao final da 2 a sessão de treinamento, foi então implementado um aumento de 2% no torque de bias e a estrutura Feedback-Error-Learning foi novamente simulada. A figura 7 mostra a trajetória real do braço após o treinamento do controlador Sugeno por 2 sessões e o ajuste fino no torque de bias. Pode-se observar nesta figura que a trajetória real do braço robótico é muito próxima da trajetória de referência desejada. bracoanfis Time (Seconds) Figura 7 - Trajetória real do braço robótico ao final do treinamento e do ajuste fino no torque de bias. A figura 8 mostra a integral do valor absoluto dos torques gerados pelos controladores Mamdani e Sugeno ao final de cada uma das 3 sessões de simulação da estrutura Feedback-Error- Learning. Note, como reportado em [] e [6], o efeito do chaveamento entre os controladores feedback (Mamdani) e feedforward (Sugeno) e a consequente redução do erro de trajetória do braço robótico conforme mostrado pela figura 7. Integral de abs(torque) Mamdani Sugeno No da sessão Figura 8 - Integral do valor absoluto dos torques gerados pelos controladores Mamdani e Sugeno ao final de cada sessão de simulação. 6. CONCLUSÃO Podemos perceber que a arquitetura de dois controladores fuzzy, um do tipo Mamdani trabalhando em feedback e o outro do tipo Sugeno trabalhando em feedforward se adequou satisfatoriamente ao ajuste do braço mecânico com um grau de liberdade. Na realidade obtivemos a vantagens dos dois tipos de controladores fuzzy, o primeiro tem a vantagem de ser ajustado rapidamente manualmente, e o segundo tem a vantagem de permitir o ajuste fino através de uma
7 abordagem adaptativa neuro-fuzzy. Uma possível melhoria nessa arquitetura poderia ser testada fazendo com que o controlador Sugeno aprendesse também o torque de bias, não necessitando então de um ajuste final como necessário neste caso. BIBLIOGRAFIA [] Nascimento Jr., C. L.; Yoneyama, T.; Inteligência Artificial em Controle e Automação, Edgard Blücher, São Paulo, 2. [2] Shaw,I. S.; Simões,M.G.; Controle e Modelagem Fuzzy, Edgard Blücher, São Paulo, 999. [3] Jang, J.-S. R.; ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Trans. Systems, Man, and Cybernectics, vol. 23, no. 3, págs , May/June 993. [4] Jang, J.-S. R.; Sun, C.-T.; Neuro-Fuzzy Modeling and Control, Proceedings of the IEEE, vol. 83, no. 3, págs , March 995. [5] The Mathworks Inc.; Fuzzy Logic Toolbox User s Guide, [6] Rios Neto, Wilson; Nascimento Jr., Cairo L.; Góes, Luiz Carlos S.; Controle Adaptativo Inverso usando Feedback-Error-Learning, Anais do XII Congresso Brasileiro de Automática, Vol. I, págs , Uberlândia, 4-8 Set A.. Controlador Mamdani: Apêndice - Dados dos Controladores A... Regras usada no controlador Mamdani: If (erro is neg) and (rate is neg) then (torque is neg) () If (erro is pos) and (rate is pos) then (torque is pos) () If (erro is pos) and (rate is neg) then (torque is BPC) () If (erro is neg) and (rate is pos) then (torque is BPC) () If (erro is zero) and (rate is zero) then (torque is BPM) () A..2. Funções de Pertinência para as entrada e a saída do controlador Mamdani: input "erro" input 2 "derivada do erro" neg zero pos derivada-teta-negativa derivada-teta-positiva zero derivada-teta-positiva erro rate Input Input 2 output " torque " controlador tipo Mamdani neg BPC BPM pos torque Output
8 A.2.Controlador Sugeno: A.2.. Regras usadas no controlador Sugeno: If (erro is teta-neg) and (rate is derivada-teta-positiva) then (torque is TGP) () If (erro is teta-pos) and (rate is derivada-teta-positiva) then (torque is TPP) () If (erro is teta-pequeno) and (rate is derivada-teta-positiva) then (torque is TMP) () If (erro is teta-pequeno) and (rate is derivada-teta-negativa) then (torque is TMN) () If (erro is teta-neg) and (rate is derivada-teta-negativa) then (torque is TPN) () If (erro is teta-pos) and (rate is derivada-teta-negativa) then (torque is TGN) () A.2.2. Funções de Pertinência para as entradas do controlador Sugeno antes do processo de aprendizagem: input "referencia" input 2 "derivada da referencia" teta-neg teta-pequeno teta-pos derivada-teta-negativa derivada-teta-positiva referência derivada-referência Input Input 2 A.2.3. Funções de Pertinência para as entradas do controlador Sugeno depois do processo de aprendizagem: Input " referencia" Input 2 "derivada da referência" teta-neg teta-pequeno teta-pos derivada-teta-negativa derivada-teta-positiva referência derivada-referência Input Input 2 A.2.4. Funções de Pertinência para a saída do controlador Sugeno: Todos os parâmetros das funções de pertinência de saída do controlador Sugeno foram inicializados em zero e ao final das 2 sessões de treinamento apresentaram os seguintes valores: TGP = [ 26,8937-2, ,3323] TPP = [ -2,447,6767-5,372] TMP = [ 3,934-3,835 4,9434] TMN = [ -4,66-7, ,597] TPN = [ -86, , ,65] TGN = [ -4,739 -,532,5572]
CARACTERIZAÇÃO DO SENSOR GPS E APLICAÇÃO EM BARCO AUTÔNOMO. Ivan Mota Moura Fé IC Elder Moreira Hemerly PQ
CARACTERIZAÇÃO DO SENSOR GPS E APLICAÇÃO EM BARCO AUTÔNOMO Ivan Mota Moura Fé IC Elder Moreira Hemerly PQ Resumo: Este trabalho teve por objetivo a implementação de um sistema de navegação para aplicação
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisESTUDO COMPARATIVO DA APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA A PREVISÃO DA FAIXA DE PESO DE RECÉM-NASCIDOS
ESTUDO COMPARATIVO DA APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA A PREVISÃO DA FAIXA DE PESO DE RECÉM-NASCIDOS Vivek Nigam 1 (IC), Cairo L. Nascimento Jr. 1 (PQ), Luiz Fernando C. Nascimento
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Princípio da Extensão) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Gráficos difusos Um gráfico difuso descreve um mapeamento funcional
Leia maisLaboratório 4 - Controle nebuloso
Laboratório 4 - Controle nebuloso PTC 2619 / PTC 3418 Laboratório de Automação 1º semestre de 2017 Bruno A. Angélico Laboratório de Automação e Controle Departamento de Engenharia de Telecomunicações e
Leia mais1. Introdução. 1.1.Objetivo
1. Introdução 1.1.Objetivo O objetivo desta dissertação é desenvolver um sistema de controle por aprendizado acelerado e Neuro-Fuzzy baseado em técnicas de inteligência computacional para sistemas servo-hidráulicos
Leia mais6. Controle por Aprendizado Neuro-Fuzzy
6. Controle por Aprendizado Neuro-Fuzzy 6.1. Introdução Neste capítulo é apresentado o controle por aprendizado utilizando um sistema híbrido Neuro-Fuzzy, para o cálculo e atualização dos pontos de reversão
Leia maisCONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA. Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás
CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás Dr. Haroldo Rodrigues de Azevedo Faculdade de Engenharia Elétrica Universidade
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisLógica Fuzzy: Introdução a Lógica Fuzzy, exemplo da Gorjeta e ANFIS
Lógica Fuzzy: Introdução a Lógica Fuzzy, exemplo da Gorjeta e ANFIS 24 de outubro de 2013 Sumário I 1 Introdução 2 Propriedades 3 Variáveis linguísticas 4 Regras Fuzzy 5 Arquitetura 6 Exemplo Exemplo 1
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 09 Lógica Fuzzy Edirlei Soares de Lima Introdução A Lógica Fuzzy é baseada na teoria dos conjuntos fuzzy. Tradicionalmente, uma proposição lógica
Leia maisLAB3 Controle nebuloso (VERSÃO PROVISÓRIA)
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA) 3.1 Objetivo Esta experiência tem por objetivo a familiarição com a técnica de Controle Nebuloso (Fuzzy Control, em inglês). Para isso será contruído um controlador
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
Leia mais3 Sistemas Neuro-Fuzzy Hierárquicos
3 Sistemas Neuro-Fuzzy Hierárquicos 3. Introdução Sistemas neuro-fuzzy (SNF) são sistemas híbridos que combinam as vantagens das redes neurais, no que se refere ao aprendizado, com o poder de interpretação
Leia maisUma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica
Uma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica Roger Júnio Campos, Tales Argolo Jesus, Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica - CPDEE - UFMG, 31270-901,
Leia maisEstudo Comparativo de Técnicas de Controle em um Processo de Nível
1 Estudo Comparativo de Técnicas de Controle em um Processo de Nível RESUMO O controle do nível de tanques é um problema clássico e é considerado um assunto de grande importância e aplicabilidade industrial,
Leia maisCOMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE
COMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE Brehme D. R. de MESQUITA (1); Jefferson A. L. e SILVA (2); André M. D. FERREIRA (3) (1) Instituto Federal
Leia maisVI SBQEE. 21 a 24 de agosto de 2005 Belém Pará Brasil
VI SBQEE 21 a 24 de agosto de 2005 Belém Pará Brasil Código: BEL 11 7795 Tópico: Modelagem e Simulações SISTEMA INTELIGENTE PARA PREVISÃO DE CARGA EM TRANSFORMADORES DE DISTRIBUIÇÃO DE ENERGIA: ESTUDOS
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisANÁLISE DE UM MANIPULADOR ROBÓTICO MÓVEL 1
ANÁLISE DE UM MANIPULADOR ROBÓTICO MÓVEL 1 Rodolfo R. dos SANTOS 2 Graduando em Engenharia de Controle e Automação, IFSP/Câmpus São Paulo Bolsista PIBIFSP Caio Igor Gonçalves CHINELATO 3 Docente do Curso
Leia maisTreinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-
Leia maisCOMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB
COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB KENJI NOSE FILHO, JORGE L. Y. MAEDA, ANNA D. P. LOTUFO Departamento
Leia maisImplementação de um Controlador Fuzzy para um Sistema de Controle de Nível
Implementação de um Controlador Fuzzy para um Sistema de Controle de Nível 1 IFPB. e-mail: josue.souza@cear.ufpb.br 2 IFRN. e-mail: jlopes0@gmail.com Josué da Silva Souza 1, José Soares Batista Lopes 2
Leia maisConteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier
Conteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier Sistemas fuzzy A inferência fuzzy é um paradigma computacional baseado na Teoria de conjuntos fuzzy, regras de inferência
Leia maisMineração de dados utilizando sistemas adaptativos de inferência neuro-fuzzy
Página73 Mineração de dados utilizando sistemas adaptativos de inferência neuro-fuzzy Thiago C. M. Nunes 1 Patricia B. Ribeiro 2 1 Departamento de Banco de dados (Fatec Bauru) Rua Manoel Bento Cruz, 3-30,
Leia maisAutomação Inteligente
Curso de Graduação em Engenharia Elétrica Universidade Federal da Paraíba Período 2016-2 Automação Inteligente Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Informações
Leia maisCLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY RESUMO INTRODUÇÃO
CLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY Wesley Osvaldo Pradella Rodrigues 1, Danilo Augusto Heredia Vieira 1, Rhaysa Wolf 1 (Alunos do Curso de Administração da Universidade
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisJosé Francisco Moreira Pessanha
Pontifícia Universidade Católica do Rio de Janeiro Sistema de Inferência Neuro-Fuy Adaptativo - ANFIS José Francisco Moreira Pessanha Rio de Janeiro - RJ, 14 de junho de 00 Sumário 1 - Introdução - Sistema
Leia mais27/8/2011. Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011
Tomada de Decisão e Regras Nebulosas Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011 Representação Matemática de Incertezas Padrões
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisInteligência Computacional
Inteligência Computacional CP78D Lógica Fuzzy Aula 4 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/37 Lógica Clássica Plano de Aula
Leia maisFerramenta para simulação dinâmica de sistema de manufatura baseada em modelos de construção flexivel.
para simulação dinâmica de sistema de manufatura baseada em modelos de construção flexivel. Fábio Luis Oliveira dos Reis (UFBA) flreis@ufba.br Leizer Schnitman (UFBA) leizer@area1.br Herman Augusto Lepikson
Leia mais5.1 INTRODUÇÃO AO SISTEMA DE CONTROLE GAIN SCHEDULING
54 5. SISTEMA DE CONTROLE GAIN SCHEDULING 5.1 INTRODUÇÃO AO SISTEMA DE CONTROLE GAIN SCHEDULING O sistema de controle tipo gain scheduling [14] é um sistema adaptativo [15], onde os parâmetros do controlador
Leia maisA REPRESENTAÇÃO DE DADOS ATRAVÉS DE PROPOSIÇÕES CONDICIONAIS DIFUSAS
A REPRESENTAÇÃO DE DADOS ATRAVÉS DE PROPOSIÇÕES CONDICIONAIS DIFUSAS GERMANO LAMBERT-TORRES LUIZ EDUARDO BORGES DA SILVA RONALDO ROSSI Departamento de Engenharia Elétrica Universidade de Taubaté RESUMO
Leia maisRedes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Leia maisSINTONIZAÇÃO AUTOMÁTICA DE CONTROLADORES PID UTILIZANDO SISTEMA FUZZY
Anais do O Encontro de Iniciação Científica e Pós-Graduação do ITA XII ENCITA / 6 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 6 a 9 6 SINTONIZAÇÃO AUTOMÁTICA DE CONTROLADORES
Leia maisPCS 5869 INTELIGÊNCIA ARTIFICIAL
PCS 5869 INTELIGÊNCIA ARTIFICIAL 1º Quadrimestre de 2016 Rodolfo Valiente Romero Seminário PCS-5743I Artigo http://dx.doi.org/10.1016/j.engappai.2014.08.015 A learning-based thresholding method customizable
Leia maisIF-705 Automação Inteligente Sistemas Nebulosos
IF-75 Automação Inteligente Sistemas Nebulosos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Conceitos Básicos da Lógica Fuzzy. Raciocínio aproximado Raciocínio aproximado é a forma mais conhecida de lógica fuzzy, cobrindo várias regras de inferência cujas premissas
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia maisEcho State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Leia maisSistemas p-fuzzy Aplicados às Equações Diferenciais Parciais
1 / 36 Sistemas p-fuzzy Aplicados às Equações Diferenciais Parciais Daniela Portes Leal Ferreira Universidade Federal de Uberlândia 17 de Julho de 2012 2 / 36 Sumário Introdução. Objetivos. Eemplos de
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisCAPÍTULO. Gonçalves F., Rosane 1 *; Napoleão R., Marcos 2. Universidade Federal de Goiás. Universidade Federal de Goiás
6 CAPÍTULO MODELAGEM MATEMÁTICA DE SISTEMAS MECÂNICOS: ANÁLISE VIBRATÓRIA Gonçalves F., Rosane 1 *; Napoleão R., Marcos 2 1 Universidade Federal de Goiás 2 Universidade Federal de Goiás * email: rosannymat@hotmail.com
Leia maisIMPLEMENTAÇÃO DE CONTROLADORES CONVENCIONAIS E FUZZY PARA CONTROLE DE VELOCIDADE DE UM MOTOR CC
IMPLEMENTAÇÃO DE CONTROLADORES CONVENCIONAIS E FUZZY PARA CONTROLE DE VELOCIDADE DE UM MOTOR CC Ricardo V. C. S. ANDRADE (1); Brehme D. R. MESQUITA (2); André M. D. FERREIRA (3) (1) Instituto Federal de
Leia maisCONTROLADORES BASEADOS EM TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL: ANÁLISE, PROJETO E APLICAÇÕES
Universidade Federal de Minas Gerais Escola de Engenharia Programa de Pós-Graduação em Engenharia Elétrica CONTROLADORES BASEADOS EM TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL: ANÁLISE, PROJETO E APLICAÇÕES
Leia maisCARACTERIZAÇÃO DO SENSOR GPS E APLICAÇÃO EM BARCO AUTÔNOMO. Ivan Mota Moura Fé IC Elder Moreira Hemerly PQ
CARACTERIZAÇÃO DO SENSOR GPS E APLICAÇÃO EM BARCO AUTÔNOMO Ivan Mota Moura Fé IC Elder Moreira Hemerly PQ Resumo: Este trabalho teve por objetivo a implementação de um sistema de navegação para aplicação
Leia mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
Leia maisModelagem empírica de funções multivariáveis por redes neurais artificiais
[~][/~][~][/~][~] [/~][ Blucher Proceedings Modelagem empírica de funções multivariáveis por redes neurais artificiais Cansian, A. B. M. 1* ; Costa, A. O. S. 2 ; Costa Jr, E. F. C. 2 1 Curso de Graduação
Leia maisMecânica Geral Vínculos (Reações de Apoio) Prof. Ettore Baldini-Neto
Mecânica Geral Vínculos (Reações de poio) Prof. Ettore Baldini-Neto baldini@uninove.br Condições necessárias e suficientes para o O M 2 resultant forc or off the bod both equal t Mathematical equilíbrio
Leia maisCONTROLE DE CARGA EM SISTEMA MECÂNICO UTILIZANDO LÓGICA FUZZY
CONTROLE DE CARGA EM SISTEMA MECÂNICO UTILIZANDO LÓGICA FUZZY FELIPE CARLOS CRUZ, JEREMIAS BARBOSA MACHADO Instituto de Engenharias de Sistemas e Tecnologias da Informação, Universidade Federal de Itajubá,
Leia maisCONTROLADORES NEURO-FUZZY PARA SISTEMAS NÃO-LINEARES MARCONI C. RODRIGUES*, FÁBIO M. U. ARAÚJO, ANDRÉ L. MAITELLI
CONTROLADORES NEURO-FUZZY PARA SISTEMAS NÃO-LINEARES MARCONI C. RODRIGUES*, FÁBIO M. U. ARAÚJO, ANDRÉ L. MAITELLI Depto. de Eng. de Computação e Automação, Universidade Federal do Rio Grande do Norte UFRN-CD-DCA,
Leia maisLógica Nebulosa (Fuzzy)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Lógica Nebulosa (Fuzzy) Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisEtapas do desenvolvimento de um sistema fuzzy gerencial para apoio à eficiência energética
Etapas do desenvolvimento de um sistema fuzzy gerencial para apoio à eficiência energética Fernando de Lima Caneppele 1, Odivaldo José Seraphim 2, Luís Roberto Almeida Gabriel Filho 3 1 Faculdade de Zootecnia
Leia maisMétodos de Inferência Fuzzy
Métodos de Inferência Fuzzy Prof. Paulo Cesar F. De Oliveira, BSc, PhD 16/10/14 Paulo C F de Oliveira 2007 1 Seção 1.1 Método de Mamdani 16/10/14 Paulo C F de Oliveira 2007 2 Professor Ebrahim Mamdani
Leia mais2.1. Construção da Pista
2 Malha de Controle Para que se possa controlar um dado sistema é necessário observar e medir suas variáveis de saída para determinar o sinal de controle, que deve ser aplicado ao sistema a cada instante.
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisSistema de Inferência Fuzzy. Prof. Juan Mauricio Villanueva
Sistema de Inferência Fuzzy Prof. Juan Mauricio Villanueva jmauricio@cear.ufpb.br http://app.cear.ufpb.br/~juan/ 1 Introdução Lógica Fuzzy É uma ferramenta que permite capturar informações imprecisas,
Leia maisSOFTWARE BASEADO EM REGRAS FUZZY PARA AVALIAÇÃO DA VITALIDADE DA ORQUÍDEA CATASETUM FIMBRIATUM
SOFTWARE BASEADO EM REGRAS FUZZY PARA AVALIAÇÃO DA VITALIDADE DA ORQUÍDEA CATASETUM FIMBRIATUM Adriane Cavichiolli 1 ; Camila Pires Cremasco Gabriel 2 ; Luís Roberto Almeida Gabriel Filho 3 ; Fernando
Leia maisA High Performance Thickness Control Architecture for Flat Sheet Rolling Mills
A High Performance Thickness Control Architecture for Flat Sheet Rolling Mills Luis Caldas*, Alessandro La Neve** * FEI- Faculdade de Engenharia Industrial Departamento de Engenharia Elétrica Av..H A.
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Leia maisUniversidade Estadual Paulista Campus de Ilha Solteira. Palestra: Carlos Roberto Minussi DEE FEIS UNESP
Universidade Estadual Paulista Campus de Ilha Solteira Palestra: Lógica Fuzzy (Nebulosa) Carlos Roberto Minussi DEE FEIS UNESP História e Motivação Lógiica Fuzzy Computação com Pallavras Zadeh [1965] desenvolveu
Leia maisConjuntos Difusos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7)
Conjuntos Difusos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Conjuntos Difusos 2 Conjuntos Difusos Quais das seguintes pessoas são altas? Paulo:
Leia mais19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS Autor(es) ANDRE DE ANDRADE BINDILATTI Orientador(es) ANDERSON BERGAMO, ANA ESTELA
Leia maisAula 15 Introdução à lógica fuzzy
Organização Aula 5 Introdução à lógica fuzzy Prof. Dr. Alexandre da Silva Simões Introdução à teoria de conjuntos nebulosos Bivalência x multivalência Números fuzzy Conjuntos fuzzy Probabilidade e possibilidade
Leia maisUm Modelo de Avaliação de Especificações Semi-Formais de Requisitos de Software Baseado na Teoria dos Conjuntos Nebulosos
Um Modelo de Avaliação de Especificações Semi-Formais de Requisitos de Software Baseado na Teoria dos Conjuntos Nebulosos Luiz Eduardo Galvão Martins, Ana Estela Antunes da Silva UNIMEP - Universidade
Leia mais5 Aplicando a Lógica Fuzzy em medidas de bilingualidade - um exemplo
5 Aplicando a Lógica Fuzzy em medidas de bilingualidade - um exemplo Nesta seção apresento uma situação hipotética de aplicação da Lógica Fuzzy para avaliação do grau de bilingualidade. 5.1 Exemplo de
Leia maisPROJETO DA MALHA DE CONTROLE DE UM PROCESSO DE HIDRÓLISE DE ANIDRIDO ACÉTICO EM CSTR
PROJETO DA MALHA DE CONTROLE DE UM PROCESSO DE HIDRÓLISE DE ANIDRIDO ACÉTICO EM CSTR A. C. S. R. DIAS, B. R. BOTINHA, J. R. COSTA, C. S. O. TENIS e J. C. S. DUTRA LAMCES Laboratório de Métodos Computacionais,
Leia maisProjeto de Controlador Difuso para Turbo Gerador a Vapor
Trabalho apresentado no DINCON, Natal - RN, 205. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Projeto de Controlador Difuso para Turbo Gerador a Vapor Flávio André
Leia maisUtilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência.
Utilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência. Rodrigo de J. Macedo Resumo Apresenta-se, neste artigo,
Leia maisIndução de Regras Nebulosas via Sistemas Classificadores para o Controle da Arquitetura em Redes Neurais Construtivas para Navegação Autônoma
Indução de Regras Nebulosas via Sistemas Classificadores para o Controle da Arquitetura em Redes Neurais Construtivas para Navegação Autônoma Rodrigo Calvo, Myriam R. Delgado, Heitor S. Lopes, Maurício
Leia maisCONTROLE DE UM SISTEMA PÊNDULO INVERTIDO USANDO CONTROLADORES INTELIGENTES
CONTROLE DE UM SISTEMA PÊNDULO INVERTIDO USANDO CONTROLADORES INTELIGENTES Vinicius Belmuds Vasconcelos belmuds_eng@hotmail.com Gustavo Maia de Almeida gmaia@ifes.edu.br Marco Antônio de Souza Leite Cuadros
Leia maisProjeto de iniciação científica desenvolvido na UFFS campus Cerro Largo, PRO-ICT/UFFS 2
ANÁLISE DA ESTABILIDADE DE UM PULVERIZADOR DE POMARES DO TIPO TORRE UTILIZANDO DIAGRAMAS DE BIFURCAÇÃO 1 ANALYSIS OF STABILITY OF A TOWER TYPE ORCHARD SPRAYER USING BIFURCATION DIAGRAMS Nadine Thiele 2,
Leia mais2 2 SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE
2 2 SIMPÓSIO BRASILEIRO DE CEFET-PR, 13 a 15 de Setembro de 1995 Curitiba Paraná Uma Rede Neural Plástica para Controle em Tempo-Real P. C. do Nascimento, A. P. Alves da Silva, G. Lambert Torres Escola
Leia maisLÓGICA FUZZY NO CONTROLE DE EMBARQUE DE NAVIOS NO TERMINAL MARÍTIMO DE PONTA DA MADEIRA. Universidade Federal do Maranhão
LÓGICA FUZZY NO CONTROLE DE EMBARQUE DE NAVIOS NO TERMINAL MARÍTIMO DE PONTA DA MADEIRA *José Pinheiro de Moura, Ginalber Luiz de Oliveira Serra, Joâo Viana da Fonseca Neto Universidade Estaual do Maranhão
Leia maisModelagem de Sistemas Complexos para Políticas Públicas. Patrícia A. Morita Sakowski 29/09/2017
Modelagem de Sistemas Complexos para Políticas Públicas Patrícia A. Morita Sakowski 29/09/2017 Motivador Apresentar o que são modelos baseados em sistemas complexos e discutirmos se é possível utilizá-los
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
Porto Alegre RS, o 4 de Outubro de 7 SINTONIA DE CONTROLADORES PID NA ESTRUTURA DO ANFIS MODIFICADO QUE UTILIZA IDENTIFICAÇÃO VIA RESPOSTA AO DEGRAU José Kleiton Ewerton da Costa Martins, Fábio Meneghetti
Leia maisCONTROLE DE VIBRAÇÕES USANDO LÓGICA FUZZY COM REGRAS OTIMIZADAS POR ALGORITMOS GENÉTICOS
CONTROLE DE VIBRAÇÕES USANDO LÓGICA FUZZY COM REGRAS OTIMIZADAS POR ALGORITMOS GENÉTICOS Rafael Luís Teixeira Prof. Dr. José Francisco Ribeiro Laboratório de Sistemas Mecânico, Faculdade de Engenharia
Leia maisMODELAGEM E CONTROLE DE UM TROCADOR DE CALOR FEIXE TUBULAR
PAULO ALEXANDRE MARTIN MODELAGEM E CONTROLE DE UM TROCADOR DE CALOR FEIXE TUBULAR Dissertação apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do título de Mestre em Engenharia.
Leia maisESTIMAÇÃO DA RESPOSTA EM FREQUÊNCIA NEBULOSA PARA SISTEMAS DINÂMICOS NÃO-LINEARES Carlos Cesar Teixeira Ferreira, Ginalber Luiz de Oliveira Serra Instituto Federal de Educação, Ciência e Tecnologia do
Leia maisProjeto de um Controlador PID
ALUNOS 1 - NOTA 2- DATA Projeto de um Controlador PID 1.1 Objetivo Este experimento tem como objetivo a implementação de um controlador PID para um dos processos da MPS-PA Estação Compacta. Supõe-se que
Leia mais3 REDES CLÁSSICAS PERCEPTRON E ADALINE
w b Professor José Gomes de Carvalho Jr. 3 REDES CLÁSSICAS PERCEPTRON E ADALINE 3.-Redes com funções de ativação de limiar Uma rede simples de uma camada, consiste em um ou mais neurônios de saída j conectados
Leia maisAvaliando Hipóteses. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Avaliando Hipóteses George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Pontos importantes Erro da Amostra e Erro Real Como Calcular Intervalo de Confiança Erros de hipóteses Estimadores Comparando
Leia maisUTILIZAÇÃO DE UM SISTEMA NEURO-FUZZY PARA MODELAGEM DE CARGAS NÃO-LINEARES EM SISTEMAS ELÉTRICOS DE POTÊNCIA
UTILIZAÇÃO DE UM SISTEMA NEURO-FUZZY PARA MODELAGEM DE CARGAS NÃO-LINEARES EM SISTEMAS ELÉTRICOS DE POTÊNCIA Marcos André Barros Galhardo * Carlos Tavares da Costa Júnior ** galhardo@ufpa.br cartav@ufpa.br
Leia maisCONTROLE DE NÍVEL USANDO FUZZY PID NÃO LINEAR
CONTROLE DE NÍVEL USANDO FUZZY PID NÃO LINEAR Bruno Gomes Dutra 1, Rodrigo Gomes Dutra 1, Maryson da Silva Araújo 1, Antonio da Silva Silveira 1 1 Laboratório de Controle de Sistemas, Universidade Federal
Leia mais