MODELAGEM, CONTROLE, SISTEMAS E LGICA FUZZY

Fernando Antonio Campos Gomide

Ricardo Ribeiro Gudwin
Departamento de Engenharia de Computao e Automao Industrial (DCA)
Faculdade de Engenharia Eltrica (FEE)
Universidade Estadual de Campinas (UNICAMP)
CP 6101, CEP 13081-970, Campinas - SP
e-mail : gomide@dca.fee.unicamp.br
gudwin@dca.fee.unicamp.br

RESUMO: A Lgica Fuzzy (Nebulosa) a lgica que suporta

os modos de raciocnio que so aproximados ao invs de
exatos. Modelagem e controle fuzzy de sistemas so tcnicas
para o tratamento de informaes qualitativas de uma forma
rigorosa. Derivada do conceito de conjuntos fuzzy, a lgica
fuzzy constitui a base para o desenvolvimento de mtodos e
algoritmos de modelagem e controle de processos, permitindo
a reduo da complexidade de projeto e implementao,
tornando-se a soluo para problemas de controle at ento
intratveis por tcnicas clssicas. Este trabalho apresenta uma
introduo aos princpios e s idias que fundamentam a
aplicao da lgica fuzzy em sistemas inteligentes em geral, e
controle de processos em particular. Hardware e ferramentas
de suporte ao desenvolvimento de aplicaes so tambm
descritos. Exemplos de diferentes classes de problemas de
controle so consideradas a fim de ilustrar o potencial da
lgica fuzzy em aplicaes prticas. Finalmente apresentado
um panorama do estado da arte atual, incluindo os principais
resultados prticos em uso por vrios segmentos da indstria e
as tendncias futuras.

1 - INTRODUO
A lgica fuzzy a lgica baseada na teoria dos conjuntos
fuzzy. Ela difere dos sistemas lgicos tradicionais em suas
caractersticas e seus detalhes. Nesta lgica, o raciocnio exato
corresponde a um caso limite do raciocnio aproximado, sendo
interpretado como um processo de composio de relaes
nebulosas.
Na lgica fuzzy, o valor verdade de uma proposio pode ser
um subconjunto fuzzy de qualquer conjunto parcialmente
ordenado, ao contrrio dos sistemas lgicos binrios, onde o
valor verdade s pode assumir dois valores: verdadeiro (1) ou
falso (0). Nos sistemas lgicos multi-valores, o valor verdade
de uma proposio pode ser ou um elemento de um conjunto
finito, num intervalo, ou uma lgebra booleana. Na lgica

nebulosa, os valores verdade so expressos linguisticamente,

(e.g. : verdade, muito verdade, no verdade, falso, muito
falso, ...), onde cada termo lingustico interpretado como um
subconjunto fuzzy do intervalo unitrio.
Outras caractersticas da lgica fuzzy podem ser sumarizadas
como segue : nos sistemas lgicos binrios, os predicados so
exatos (e.g. : par, maior que ), ao passo que na lgica fuzzy os
predicados so nebulosos (e.g. : alto, baixo, ...). Nos sistemas
lgicos clssicos, o modificador mais utilizado a negao
enquanto que na lgica fuzzy uma variedade de modificadores
de predicados so possveis (e.g. : muito, mais ou menos, ...).
Estes modificadores so essenciais na gerao de termos
lingusticos (e.g. : muito alto, mais ou menos perto, etc).
Nos sistemas lgicos clssicos existem somente os
quantificadores existenciais () e universais (). A lgica
fuzzy admite, em adio, uma ampla variedade de
quantificadores (e.g. : pouco, vrios, usualmente,
frequentemente, em torno de cinco, etc ).
A probabilidade, no contexto da lgica clssica, um valor
numrico ou um intervalo. Na lgica nebulosa existe a opo
adicional de se empregar probabilidades lingusticas (e.g. :
provvel, altamente provvel, improvvel, etc), interpretados
como nmeros fuzzy e manipuladas pela aritmtica fuzzy
(Kaufmann & Gupta , 1985). Tambm, em contraste com a
lgica modal clssica, o conceito de possibilidade
interpretado utilizando-se subconjuntos fuzzy no universo dos
reais (Zadeh, 1988).
Nas teorias de controle clssica e moderna, o primeiro passo
para implementar o controle de um processo, derivar o
modelo matemtico que descreve o processo. O procedimento,
requer que se conhea detalhadamente o processo a ser
controlado, o que nem sempre factvel se o processo muito
complicado. As teorias de controle existentes se aplicam a uma
grande variedade de sistemas, onde o processo bem definido.
Vrias tcnicas, tais como para controle linear multivarivel
(Doyle e Skin, 1981), estimao de estado a partir de medidas
ruidosas (Anderson e Moore, 1979), controle timo (Sage e
White, 1977), sistemas lineares estocsticos (Bertsekas, 1976),
SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

97

alm de certas classes de problemas no-lineares

determinsticos (Holtzman, 1970), foram desenvolvidas e
aplicadas com sucesso em um grande nmero de problemas
bem postulados. Entretanto, todas estas tcnicas no so
capazes de resolver problemas reais cuja modelagem
matemtica impraticvel. Por exemplo, em diversas
situaes um volume considervel de informaes essenciais
s conhecido a priori de forma qualitativa. Do mesmo modo,
critrios de desempenho s esto disponveis em termos
lingusticos. Este panorama leva a imprecises e falta de
exatido que inviabilizam a maioria das teorias utilizadas at
agora.
A modelagem e o controle fuzzy (Lee, 1990) so tcnicas para
se manusear informaes qualitativas de uma maneira
rigorosa. Tais tcnicas consideram o modo como a falta de
exatido e a incerteza so descritas e, fazendo isso, tornam-se
suficientemente poderosas para manipular de maneira
conveniente o conhecimento. A sua utilizao em sistemas de
controle de processos em tempo real, em computadores ou
micro-controladores, das mais convenientes, dado que,
geralmente, no envolvem nenhum problema computacional
srio. A teoria de modelagem e controle fuzzy trata do
relacionamento entre entradas e sadas, agregando vrios
parmetros de processo e de controle. Isso permite a
considerao de processos complexos, de modo que os
sistemas de controle resultantes proporcionam um resultado
mais acurado, alm de um desempenho estvel e robusto. A
grande simplicidade de implementao de sistemas de controle
fuzzy pode reduzir a complexidade de um projeto a um ponto
em que problemas anteriormente intratveis passam agora a
ser solveis.

(a)

(b)

0
U

(c)

0
x

25

Figura 1: Funes de Pertinncia

Zadeh (Zadeh, 1965) props uma caracterizao mais ampla,
na medida em que sugere que alguns elementos so mais
membros de um conjunto do que outros. O fator de pertinncia
pode ento assumir qualquer valor entre 0 e 1, sendo que o
valor 0 indica uma completa excluso e um valor 1 representa
completa pertinncia. Esta generalizao aumenta o poder de
expresso da funo caracterstica. Por exemplo, para
expressar a idia de que uma temperatura tem seu valor por
volta de 25, pode-se utilizar uma funo de pertinncia
triangular (veja figura 1c), com o pico em 25, para sugerir a
idia de que quanto mais perto o nmero de 25, mais ele se
identifica com o conceito representado.
Formalmente, seja U uma coleo de objetos denominados
genericamente por {u}. U chamado de universo de discurso,
podendo ser contnuo ou discreto. Um conjunto fuzzy A em
um universo de discurso U definido por uma funo de
pertinncia A que assume valores em um intervalo [0,1]:
A : U [0,1]

2 - CONJUNTOS
FUNDAMENTOS

LGICA

FUZZY

Nesta seo sero apresentadas as idias bsicas sobre

conjuntos e lgica fuzzy visando a modelagem e o
desenvolvimento de sistemas de controle. Apesar de existir
uma complexa base formal sustentando seu uso na modelagem
e controle de sistemas, ser evidenciado aqui somente o
necessrio para o entendimento da teoria bsica de controle
fuzzy (Pedrycz, 1989; Yager et.al., 1987; Lee, 1990; Albertos,
1992).
Na teoria de conjuntos clssica, um elemento ou pertence a um
conjunto ou no. Dado um universo U e um elemento
particular x U, o grau de pertinncia A(x) com respeito a
um conjunto A U dado por:

O conjunto suporte de um conjunto fuzzy A o sub-conjunto

dos pontos u de U tal que A(u) > 0. Um conjunto fuzzy cujo
conjunto suporte um nico ponto de U com A = 1
chamado de um conjunto unitrio fuzzy.
Sejam A e B dois conjuntos fuzzy em U com funes de
pertinncia A e B, respectivamente. As operaes de
conjuntos tais como a unio (AB), interseco (AB) e
complemento (A) para conjuntos fuzzy so definidas do
seguinte modo:

1 se x A
A ( x) =
0 se x A
A funo A(x) : U {0,1} chamada de funo
caracterstica na teoria clssica de conjuntos. Frequentemente,
uma generalizao desta idia utilizada, por exemplo, para
manipulao de dados com erros limitados. Todos os nmeros
dentro de um erro percentual tero um fator de pertinncia 1,
tendo todos os demais um fator de pertinncia 0. (veja figura
1a). Para o caso preciso, o fator de pertinncia 1 somente no
nmero exato, sendo 0 para todos os demais (veja figura 1b).

98

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

AB(u) = A(u)

B(u)

AB(u) = A(u)

B(u)

A(u) = 1 - A(u)
onde uma norma triangular (norma-t) e uma co-norma
triangular (norma-s). Uma norma triangular uma funo :
[0,1] [0,1] [0,1] tal que, x, y, z, w [0,1]:
(i)
(ii)
(iii)
(iv)

x
x
(x
x

w y z, se x y, w z
y = y x
y) z = x (y z)
0 = 0; x 1 = x

 temp

Uma co-norma triangular tal que :[0,1] [0,1] [0,1],

satisfazendo as propriedades (i) a (iii) acima e ainda

BAIXA

MDIA

ALTA

(iv)

x 0 = x; x 1 = 1

Exemplos de normas-t incluem o mnimo () e o produto

algbrico (.). Como exemplo de normas-s podem ser citadados
o mximo () e a soma limitada () (Pedrycz, 1989).
Se A1,A2, ..., An so conjuntos fuzzy em U1, U2, ..., Un
respectivamente, uma relao fuzzy n-ria um conjunto
fuzzy em U1 U2 ... Un, expresso da seguinte maneira:

0
25

R = { [ (u1, ...,un), R(u1, ...,un) ] |

(u1, ...,un) U1 U2 ... Un }
Se R e P so relaes fuzzy em U V e V W
respectivamente, a composio de R e P uma relao
denotada por R P definida a seguir:
R P = { [ (u,w), supv( R(u,v) P(v,w) ) ];
u U, v V, w W }
Para expressar conceitos muito comum o uso de elementos
qualitativos ao invs de valores quantitativos. Elementos
tpicos incluem "mais ou menos", "alto", "no muitos",
"mdio", etc. Estas idias so capturadas pela definio de
varivel lingustica. Uma varivel lingustica tem por
caracterstica assumir valores dentro de um conjunto de termos
lingusticos, ou seja, palavras ou frases. Assim, ao invs de
assumir instncias numricas, uma varivel lingustica assume
instncias lingusticas. Por exemplo, uma varivel lingustica
Temperatura poder assumir como valor um dos membros do
conjunto {baixa, mdia, alta}. Para se atribuir um significado
aos termos lingusticos, associa-se cada um destes a um
conjunto fuzzy definido sobre um universo de discurso
comum. (veja figura 2).
A forma mais comum de expressar o conhecimento por meio
de regras do tipo condio-ao. Nestas, um conjunto de
condies descrevendo uma parcela observvel das sadas do
processo associado com uma ao de controle que ir manter
ou levar o processo s condies de operao desejadas.
Tipicamente, uma condio uma proposio lingustica
(envolvendo variveis lingusticas) sobre o valor de alguma
das variveis de entrada, como por exemplo o erro grande e
positivo. De modo anlogo, uma tpica ao de controle uma
descrio lingustica, como por exemplo aumente um pouco a
vazo. A idia geral aqui se representar o conhecimento por
meio de um conjunto de regras nas quais as condies so
dadas a partir de um conjunto de termos lingusticos
associados s variveis de sada/entrada do processo (que so
entradas do controlador/modelo). As aes (de controle) ou as
sadas (modelo) so expressadas de modo similar para cada
varivel de controle (sada). Regras do tipo se-ento so
frequentemente chamadas de declaraes condicionais fuzzy
ou simplesmente regras fuzzy. Dependendo do propsito ser
controle ou modelagem, podem ser chamadas ainda de regras
de controle fuzzy ou regras de modelagem fuzzy.
Uma regra fuzzy como a seguinte:
Se (x Ai e y Bi ) ento (z Ci )

50

75

temperatura ( C )

Figura 2 : Varivel Lingustica Temperatura

interpretada como uma relao fuzzy Ri, definida da seguinte
forma:

R i = (A i

and Bi C i ) ( u , v, w ) = [ A i

( u) and Bi ( v )] C i ( w )

onde (Ai and Bi ) um conjunto fuzzy Ai Bi em U V; Ri =

(Ai and Bi ) Ci uma relao fuzzy em U V W e
denota o operador fuzzy de implicao.
Considerando regras do tipo AB, exemplos do operador
fuzzy de implicao incluem (Lee, 1990):
Rc(u,v) = A(u) B(v)
Rp(u,v) = A(u) . B(v)
Em um sistema fuzzy (representando um modelo ou um
controlador, por exemplo), cada regra fuzzy representada por
uma relao fuzzy. O comportamento do sistema
caracterizado pelo conjunto das relaes fuzzy associadas s
regras. O sistema como um todo ser ento representado por
uma nica relao fuzzy que uma combinao de todas as
relaes fuzzy provenientes das diversas regras. Esta
combinao envolve um operador de agregao de regras:
R = agreg (R1, R2, ...,Ri, ...,Rn )
Usualmente, o operador de agregao interpretado como um
operador de unio (utilizando a operao max ), embora exista
uma ampla classe de operadores de agregao.
Em lgica fuzzy uma importante regra de inferncia
decorrente do modus ponens generalizado:
Fato:
Regra:
Consequncia:

x A'
se (x A) ento (y B)
__________________
y B'

Usualmente esta regra de inferncia interpretada pela lei de

inferncia composicional, sugerida por Zadeh (Zadeh, 1973).
Nesta abordagem, uma regra fuzzy se x A ento y B,
escrita resumidamente como AB, primeiramente
transformada em uma relao fuzzy RAB. Por exemplo:

R AB ( u, v) = min( A ( u), B ( v)); u U , v V

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

99

onde min o operador de implicao. Dado um fato x A' (ou

simplesmente A' ) e uma regra AB, a lei de inferncia
composicional de Zadeh diz que:
B' = A' RAB

B ( v) = max{min( A ( u), R AB ( u, v) )}
u

Esta a regra (lei) de inferncia max-min, cuja interpretao

grfica mostrada pela figura 3 abaixo, onde a interseco
interpretada pela t-norma min e a projeo em V pelo operador
max. Note que, em sntese, esta regra constituida de duas
etapas : interseo da extenso cilndricasde A, A com RA
B , e a projeo desta interseco em V.
A R A B

R AB
B

onde

representa o operador agregao (unio, por

exemplo)
A figura 4 ilustra o processo de inferncia max-min quando
existem 2 regras, AiBi e Aj Bj. A' o fato de entrada,
representado como um conjunto fuzzy.

3 - MODELAGEM FUZZY DE SISTEMAS E

PROCESSOS
Para modelar um sistema necessrio descrever o
comportamento do mesmo para, por exemplo, sua anlise,
simulao e/ou projeto de controladores. Para os propsitos
deste artigo, consideraremos trs categorias de representao
de sistemas : equaes matemticas, regras fuzzy (lingusticas)
e redes neurais artificiais (Yamakawa, 1993).
Equaes relacionais ou diferenciais descrevem a dinmica ou
a cintica de sistemas (ou o conhecimento sobre o sistema) em
uma forma muito conveniente. Se a relao entre a entrada x e
a sada f(x) do sistema ou a relao entre a causa x e a resposta
f(x) obtida como mostrado na figura 5, ento f(x) descrito
por:

f ( x) = ( x 3)

U
f(x)
30.0

Figura 3 - Regra de Inferncia Composicional

Em geral, a regra da composio expressa por:

B ( v) = sup{ A ( u) 7 R A B ( u, v)}
u

Quando mais de uma regra acionada, as contribuies das

diversas regras aps a inferncia so combinadas pelo
operador de agregao. Por exemplo, supondo-se que
B'1,...,B'n so os resultados derivados das diversas regras
acionadas, todos relacionados com a mesma varivel
lingustica, o resultado combinado B' :

15.0

B= U Bi
i

0.0
-2.00 0.00 2.00

4.00

6.00

8.00
x

Ai

Bi
B
i
U

Aj

Bj
Bj
U

Figura 4: Mecanismo de Inferncia Fuzzy

100

Figura 5 - Exemplo de Funo f(x) descrita por Equao

Matemtica

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

A descrio de um sistema com este tipo de equao de

grande importncia. , no entanto, muito difcil de identificar
a equao que descreve o sistema exatamente, especialmente
em casos de sistemas complexos e com mltiplas variveis.
Em adio, tambm muito difcil reescrever esta equao
quando a relao entre x e f(x) varia. Portanto, esta descrio
no apropriada para a maioria de sistemas complexos tais
como, sistemas no lineares e sistemas variantes no tempo. A

medida que a complexidade do sistema aumenta, a

possibilidade de descrever um sistema com equaes
matemticas diminui (Princpio da Incompatibilidade de
Zadeh).
Uma outra abordagem consiste em descrever a relao entre x
e f(x) atravs de regras do tipo:
Regra i : Se x Ai Ento f(x) Bi

i = 1,..., N

onde x representa a varivel independente e f(x) a varivel

dependente, sendo Ai e Bi constantes lingusticas e N o
nmero de dados experimentais que descreve a funo.
Quando Ai e Bi so constantes lingusticas com valores
numricos exatos (como nos sistemas clssicos da inteligncia
artificial), teramos o seguinte, com relao ao exemplo
anterior (Figura 6).
f(x)
30.0

15.0

0.0
-2.00 0.00 2.00 4.00 6.00 8.00

Figura 6 - Exemplo de Funo f(x) descrita por Regras

Lingusticas com Valores Exatos.

Regra 1
Regra 2
Regra 3
Regra 4
Regra 5
Regra 6
Regra 7
Regra 8
Regra 9
Regra 10
Regra 11

Se x -2
Se x -1
Se x 0
Se x 1
Se x 2
Se x 3
Se x 4
Se x 5
Se x 6
Se x 7
Se x 8

Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento

f(x) 25
f(x) 16
f(x) 9
f(x) 4
f(x) 1
f(x) 0
f(x) 1
f(x) 4
f(x) 9
f(x) 16
f(x) 25

A vantagem desta descrio a facilidade em mudar a

descrio do sistema. Por exemplo, quando somente uma
variao local verificada (indicada por quadrados na figura
6) necessrio somente modificar os valores correspondentes
dos consequentes das regras (e.g. : Regra 7 : 1 para 2; Regra 8
: 4 para 6; Regra 9 : 9 para 13; Regra 10 : 16 para 18) pois as
regras so independentes umas das outras. Isto mostra que a

descries na forma de regras so apropriadas para sistemas

com aprendizagem, sistemas auto-organizveis e sistemas
adaptativos. Por outro lado, existem tambm algumas
desvantagens. Quando dado que x=1 a concluso obtida
f(x) = 4 a partir do casamento entre o dado x=1 com o
antecedente x=1 da regra 4. Este , essencialmente, o
procedimento bsico de inferncia em sistemas baseados em
regras da inteligncia artificial clssica. Contudo, se dado
que x = 1.5 nada pode ser inferido a partir do conjunto de
regras mencionado pois no existe nenhuma delas que possui
um antecedente com x=1.5, exatamente. Isto mostra que os
sistemas clssicos binrios so pouco eficientes com relao a
conhecimento impreciso, com rudo ou com variao em dados
de entrada, e que necessrio uma enorme quantidade de
regras (base de conhecimento) para se obter um resultado ou
desempenho significativo. Consequentemente, este tipo
clssico de inferncia demanda tempo devido a necessidade de
se verificar o casamento entre um dado e uma base de regras
(em geral muito grande). Em adio, este mecanismo de
inferncia no apropriado para manusear possveis regras
contraditrias existentes pois, caso contrrio, poderia produzir
concluses tambm contraditrias a partir de um mesmo dado.
Estas desvantagens esto tambm presentes nos sistemas
clssicos de inteligncia artificial, baseados somente no
processamento simblico, mas no no processamento do
significado dos termos lingusticos. Alternativamente,
poderamos utilizar regras do mesmo tipo anterior, mas
interpretando-as como regras fuzzy. Neste caso Ai e Bi seriam
termos lingusticos associados varivel x, cada um destes
termos associado a um conjunto fuzzy a fim de se estabelecer
seu significado.
Assim, poderamos descrever a relao entre x e f(x) por :
Regra 1 : Se x est no entorno de -2
Ento f(x) est no entorno de 25
Regra 2 : Se x est no entorno de -1
Ento f(x) est no entorno de 16
...
Regra 11: Se x est no entorno de 8
Ento f(x) est no entorno de 25
Neste caso, a relao precisa entre x e f(x) da figura 6
fuzzyficada, tornando-a contnua como mostrado pela figura 7.
Esta relao fuzzy fornece valores razoveis para qualquer
dado no universo de interesse, e.g. : x=-1.5; x=3.2; x=4.3,
etc... atravs do mecanismo (regra) de inferncia fuzzy e
defuzzyficao. Em outras palavras, inferncia fuzzy e
defuzzyficao proporcionam uma forma razovel e simples de
interpolao, com muito menos dados e dados inexatos. Sob
este ponto de vista, a inferncia fuzzy exibe um
comportamento similar quele
descrito por funes
matemticas. Ainda mais, muito mais fcil re-elaborar
regras fuzzy do que equaes matemticas quando as
caractersticas do sistema ou processo so variantes. Em geral,
neste caso, somente umas poucas regras so adicionadas ou
revisadas independentemente das outras regras. Em contraste,
no caso de equaes matemticas vrios parmetros dever ser
re-avaliados simultaneamente, e.g. ordem, coeficientes, etc ...
Logo, as caractersticas principais da modelagem fuzzy de
sistemas e processos podem ser resumidas em:
1 - apropriada para descrever sistemas complicados com
uma razovel quantidade de conhecimento;
SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

101

interconectados, cada elemento realizando uma operao de

agregao a partir de um modelo de um neurnio fsico.
Quando wij (i = 1, ..., n) o peso atribudo ao sinal de entrada
pi para o j-simo neurnio e j e qj so um limiar e o sinal de
sada do j-simo neurnio, respectivamente, o sinal de sada
tipicamente dado por :

f(x)
30.0

q j = h w ij . p i j
i

onde h em geral uma funo de agregao sigmoidal, e.g. :

h( x ) = [1 + exp( x )]

15.0

0.0
-2.00

0.00

2.00

4.00

6.00

8.00
x

Figura 7 - Exemplo de Funo f(x) descrita por Regras

Lingusticas Fuzzy

2 - fcil selecionar as variveis lingusticas e os

correspondentes valores a serem usados nas regras
fuzzy entre uma categoria relativamente pequena de
palavras;
3 - A memorizao do conhecimento mais simples;
4 - Permite uma maior facilidade na comunicao dos
modelos com projetistas e analistas devido ao uso da
linguagem natural.
Note que, enquanto a inferncia baseada na regra de inferncia
modus ponens nos sistemas clssicos de inteligncia artificial
baseada somente em processamento simblico, a inferncia
fuzzy (raciocnio aproximado) baseada tanto no
processamento simblico quanto no processamento do
significado.
Regras lingusticas (fuzzy ou no) podem representar um
conhecimento explicitamente e este ser usado tambm
explicitamente para inferncia. Redes neurais artificiais, ao
contrrio, representam tanto o conhecimento quanto a
inferncia implicitamente. Portanto regras lingusticas
representam conhecimento estruturado enquanto que as redes
neurais representam, em geral, conhecimento no estruturado.
Existem, no entanto, classes de redes neurais fuzzy que
permitem a deteo do conhecimento e ento sua estrutura
(Figueiredo et.al., 1993).
Finalmente, outra alternativa para modelagem (e tambm
controle) de sistemas complexos consiste em descrev-lo por
um conjunto de parmetros, cujo exemplo tpico so as redes
neurais artificiais clssicas (Hecht-Nielsen, 1990). Uma rede
neural composta por um nmero de elementos simples

102

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

Figura 8 - Rede Neural para a Descrio da Funo f(x)

Utilizando-se deste modelo de neurnio, a relao existente
entre x e f(x) pode ser caracterizada pela rede neural como
mostrado na figura 8,onde tanto os pesos wij quanto os
limiares j foram obtidos aps inmeras iteraes de
aprendizado utilizando-se dos algoritmos clssicos de
propagao retroativa (backpropagation). Os dados utilizados
foram aqueles correspondentes s 11 regras com termos
lingusticos constantes apresentados anteriormente. Como
pode ser verificado pela figura 9 a rede neural capaz de
realizar interpolaes de forma similar ao caso da inferncia
fuzzy. Contudo em geral muito difcil de entender, apenas
pela observao do conjunto de parmetros, como a rede
neural se comporta. Em adio, existem problemas na
determinao da topologia mais apropriada para o problema
em questo (nmero de neurnios, camadas intermedirias,
recursividade ou no-recursividade, etc...); bem como
problemas de convergncia durante o processo de
aprendizagem. Se o sistema est sujeito a variaes em seu
comportamento, nova aprendizagem deve, em geral, ser
executada para se obter um novo conjunto de pesos e limiares
correspondentes e muitas vezes os resultados no so
razoveis. Isto , existe uma maior dificuldade em projetar
sistemas para fins de modelagem (e controle) com redes
neurais do que com sistemas fuzzy. Esta uma das razes pela
qual os sistemas fuzzy tem sido mais populares na soluo de
problemas prticos do que as redes neurais. No entanto,

variao de uma varivel observvel relacionada com a sada

do processo) em funo das variveis lingusticas que
provocam a modificao do comportamento. As funes de
pertinncia so constitudas e o conjunto de regras processado,
para os valores definidos das variveis envolvidas. O modelo
testado para verificar sua fidelidade ao processo real ou no.
Caso a resposta proporcionada pelo modelo no corresponda
quela do processo real, modificaes no nmero de regras,
nmero de antecedentes e consequentes, nas funes de
pertinncia e parmetros do modelo devem ser efetuadas. Uma
metodologia baseada em dados experimentais e no clculo de
relaes fuzzy descrito em (Pedrycz, 1989). Tcnicas de
aprendizagem baseadas em redes neuro-fuzzy e algoritmos
genticos vem sendo tambm frequentemente utilizadas como
instrumentos de projeto automtico de regras e funes de
pertinncia (Takagi, 1993 ; Oliveira et.al. 1994).

f(x)
30.0

15.0

4 - SISTEMAS DE CONTROLE FUZZY

0.0
-2.00

0.00

2.00

4.00

6.00

8.00
x

Figura 9 - Exemplo da Funo f(x) descrita por uma Rede

Neural

pesquisa recente vem gerando classes de sistemas neuro-fuzzy,

onde as limitaes e vantagens de ambas as abordagens so
tratadas de forma a criar sistemas mais eficientes tanto do
ponto de vista da soluo de problemas, quanto da questo de
anlise e projeto dos mesmos (Pedrycz, 1992; Gomide &
Rocha, 1992-b; Gomide & Rocha, 1992-c; Figueiredo et.al.
1993). Devido a limitaes de espao, este assunto
(esperamos) dever ser objeto de um artigo no futuro.
Como vimos, a representao de conhecimento por meio de
regras fuzzy pode ser utilizada, tambm, para se modelar um
processo do ponto de vista de seu conhecimento qualitativo e
quantitativo.
Para concluir esta seo, apresenta-se um procedimento para
a modelagem de processos. A princpio, necessrio algum
conhecimento a priori do comportamento do processo. Caso
este conhecimento no esteja disponvel, alguns experimentos
podero fornecer um mnimo de conhecimento de modo a dar
prosseguimento ao procedimento de modelagem.
Inicialmente necessrio definir quais so as variveis fsicas
a serem consideradas. A partir da, necessrio decidir:

O nmero de variveis lingusticas (V.L.)

Os termos lingusticos utilizados para as V.L.
Os parmetros associados s regras

A seguir necessrio escrever um conjunto de regras que

descrevam o comportamento do processo (por exemplo, a

A idia bsica em controle fuzzy modelar as aes a partir de

conhecimento especialista, ao invs de, necessariamente,
modelar o processo em si. Isso nos leva a uma abordagem
diferente dos mtodos convencionais de controle de processos,
onde os mesmos so desenvolvidos via modelagem matemtica
dos processos de modo a derivar as aes de controle como
funo do estado do processo. A motivao para esta nova
abordagem veio de casos onde o conhecimento especialista de
controle era disponvel, seja por meio de operadores ou de
projetistas, e os modelos matemticos envolvidos eram muito
custosos, ou muito complicados para serem desenvolvidos.
A estrutura de um processo controlado por um controlador
fuzzy mostrada na figura 10, enfatizando-se seus
componentes bsicos: a interface de fuzzyficao, a base de
conhecimento, a base de dados, o procedimento de inferncia e
a interface de defuzzyficao.
Controlador Fuzzy
Base de Dados
Base de
Conhecimento

Interface de
Fuzzyficao

Sensores

Procedimento de
Inferncia

Processo

Interface de
Defuzzyficao

Atuadores

Figura 10 : Estrutura Bsica de um Controlador Fuzzy

A interface de fuzzyficao toma os valores das variveis de
entrada, faz um escalonamento para condicionar os valores a
universos de discurso normalizados e fuzzyfica os valores,
transformando nmeros em conjuntos fuzzy, de modo que
possam se tornar instncias de variveis lingusticas. A base
de conhecimento consiste de uma base de regras,
caracterizando a estratgia de controle e suas metas. A base de

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

103

dados armazena as definies necessrias sobre discretizaes

e normalizaes dos universos de discurso, as parties fuzzy
dos espaos de entrada e sada e as definies das funes de
pertinncia. O procedimento de inferncia processa os dados
fuzzy de entrada, junto com as regras, de modo a inferir as
aes de controle fuzzy, aplicando o operador de implicao
fuzzy e as regras de inferncia da lgica fuzzy. A interface de
defuzzyficao transforma as aes de controle fuzzy inferidas
em aes de controle no-fuzzy. Em seguida, efetua um
escalamento, de modo a compatibilizar os valores
normalizados vindos do passo anterior com os valores dos
universos de discurso reais das variveis.
Aps a inferncia da ao de controle fuzzy, necessria a
determinao de uma ao de controle no fuzzy que melhor
represente a deciso fuzzy, para ser efetivamente enviada ao
controle. Apesar de no haver nenhum procedimento
sistemtico para a escolha da estratgia de defuzzyficao, as
mais comuns incluem: o critrio do mximo (MAX), que
escolhe o ponto onde a funo inferida tem seu mximo, a
mdia dos mximos (MDM), que representa o valor mdio
dentre todos pontos de mximo quando existe mais de um
mximo, e o mtodo do centro de rea (CDA), que retorna o
centro de rea da funo inferida (figura 11).

0
V
MAX

CDA

MDM

Figura 11 - Mtodos de Defuzzyficao

B( vk ). vk

CDA =

k =1
n

MOM =

B ( v k )

v k
k =1 l
l

k =1

onde

v k V V , V = v k | B ( vk ) = max B( v j ) , v j V ,
j

l o nmero de elementos de V (discretizao de V ) e n

a discretizao de V

5PARMETROS,
SINTONIZAO
E
MONITORAO
DE
CONTROLADORES
FUZZY
Durante o projeto de controladores fuzzy, necessria a
definio de alguns parmetros. Estes parmetros so
definidos a partir da experincia do projetista ou atravs de
experimentos. Dado um processo, alguns dos parmetros so
fixos, dentro das condies normais de operao, sendo que
outros precisam ser alterados de tempos em tempos. Os

104

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

parmetros fixos so chamados de parmetros estruturais e os

variveis so chamados de parmetros de sintonizao:

Parmetros estruturais
-Nmero de variveis de sada
-Nmero de variveis de entrada
-Recursos de operao sobre os dados de entrada
(somas, multiplicaes, etc)
-Variveis lingusticas
-Funes de pertinncia parametrizadas
-Intervalos de discretizao e normalizao
-Estrutura da base de regras
-Conjunto bsico de regras

Parmetros de Sintonizao
-Universo de discurso das variveis
-Parmetros das funes de pertinncia, tais como
altura, largura ou conjunto suporte
-ganhos e offset das entradas e sadas

Certas propriedades da base de regras precisam ser testadas,

dentre elas: a completude, consistncia, interao e robustez.
Esta ltima est relacionada com a sensitividade do controle
diante de algum comportamento anmalo no modelado ou
rudo. Um mtodo possvel para se medir a robustez consiste
em introduzir um rudo aleatrio com mdia e varincia
conhecidas e observar-se a alterao dos valores das variveis
de sada.
Alm destas, diversas outras decises precisam ser tomadas,
como por exemplo a especificao dos operadores para
implementar o casamento (matching), dos conectivos e (and) e
implicao, do operador para implementar a agregao das
diversas regras e o mtodo de defuzzyficao.
Em seguida, passa-se etapa de sintonizao do controlador.
A sintonizao uma das etapas mais custosas do projeto de
um controlador fuzzy. A grande flexibilidade que decorre da
existncia de muitos parmetros exige um grande esforo do
projetista de modo a obter o melhor desempenho do
controlador. Alguns dos parmetros podem ser alterados por
mecanismos automticos de adaptao e aprendizado.
Entretanto, tais mecanismos no esto ainda bem estabelecidos
na teoria de controle fuzzy, de modo que normalmente tarefa
do projetista o treinamento e a sintonizao da maioria dos
parmetros envolvidos. Esta sintonizao feita por meio de
busca, o que caracteriza uma atividade tpica em IA. Um
grande esforo tem sido devotado a esta questo na teoria
clssica de controle. Recentemente, em (Ollero et.al. 1991),
apresentou-se uma nova estratgia de projeto, envolvendo
caractersticas de aprendizado. De acordo com o conhecimento
que se tem sobre o processo a ser controlado, a tcnica de
projeto do controlador ser mais ou menos elaborada. Tendose pouco conhecimento sobre o processo, deve-se adotar um
projeto mais conservador, de modo a evitar um mau
comportamento do controlador.
necessrio que alguns cuidados sejam observados pelo
projetista. Em primeiro lugar, deve-se verificar-se se
realmente necessrio o uso de um controlador fuzzy para
controlar o processo. Caso o processo possa ser controlado por
um controlador convencional simples, sem grandes
transtornos, este poder constituir uma boa soluo. Se este
no o caso, e controladores convencionais no so
apropriados devido a complexidades do processo, deve-se
considerar o uso dos controladores fuzzy. Mesmo com pouco

conhecimento sobre o processo, pode-se considerar o uso de

um controlador fuzzy para control-lo. A seguir, tem-se uma
proposta de metodologia de projeto, baseada nas abordagens
clssicas de sintonizao experimental:

Inicie com um controlador simples, como por exemplo

um que simule um controlador proporcional com:
-ganho reduzido
-as variveis mais relevantes
-baixo nmero de variveis lingusticas
-funes de pertinncia no discriminantes

comfirmar a modificao ou recomendar o retorno ao

conjunto de regras anterior.
Mudanas em variveis : Funes de pertinncia
no discriminantes podero recomendar
a
desconsiderao de alguns antecedentes em regras
pr-estabelecidas. Um comportamento insatisfatrio
poder indicar a considerao de novas variveis.
Como anteriormente, o procedimento de verificao e teste ir
confirmar se as aes de controle so aceitveis, tendo em
vista as especificaes a serem atingidas.

Aumente o ganho at que se verifiquem respostas indesejadas.

Adicione conhecimento de acordo com a experincia que

vai se adquirindo do processo
-procure por novas variveis lingusticas ou variveis
fsicas, para evitar dificuldades de controle
-modifique as funes de pertinncia e os parmetros
do controlador fuzzy
-adicione novos componentes ou modifique a
estrutura de controle

Valide a coerncia do novo conhecimento incorporado

modificando as condies de operao.
Para obter um desenvolvimento satisfatrio do projeto,
necessria uma interface homem-mquina poderosa, que
permita uma rpida modificao nos parmetros utilizados, o
que normalmente pode ser encontrado em pacotes integrados.
Tais pacotes incluem editores para as regras, funes de
pertinncia e outros parmetros, recursos grficos e um
mdulo depurador, para permitir o acompanhamento do
processo de inferncia e a monitorao das variveis do
processo. Tais recursos possibilitam uma grande interao
com o projetista
Outro recurso extremamente valioso a existncia de um
mdulo supervisor que possa processar alguns ndices de
desempenho, alm dos convencionais. Por exemplo, se uma
entrada do tipo degrau aplicada a alguma entrada, alguns
ndices de desempenho tais como o overshoot, o tempo de
resposta ou o erro em regime permanente podem ser
calculados. Atravs da anlise sequenciada das amostras no
tempo, pode-se detectar oscilaes, desvios lentos ou algum
tipo de comportamento inadequado mais raro, resposta dbia,
etc.
Os mdulos supervisores podem tambm se encarregar de
tomar algumas aes, tais como:
Mudanas em parmetros : Neste caso, uma
mudana lenta e progressiva recomendada
Desconsiderao ou adio de regras : Caso sejam
pouco utilizadas, algumas regras podero ser
removidas. Algum tipo de indicador poder
recomendar que uma nova regra seja adicionada. Por
exemplo, para reduzir erros estticos, regras que
utilizem termos concentrados em menores universos
de discurso podem ser adicionadas, aumentando o
ganho esttico. Neste caso, o teste das aes ir

6 - HARDWARE E SOFTWARE
O primeiro chip a implementar a lgica fuzzy foi desenvolvido
por Togai e Watanabe nos laboratrios da AT&T em 1985.
Este chip implementava uma mquina de inferncia fuzzy
capaz de processar 16 regras em paralelo. Alm de uma
memria para armazenar o conjunto de regras, implementava
uma unidade de processamento de inferncia, um controlador,
e interfaces de entrada e sada. Em uma verso mais recente, a
memria foi implementada por uma memria RAM esttica,
de modo que fosse possvel efetuar mudanas dinmicas no
conjunto de regras. A unidade de processamento de inferncia
foi baseada na regra composicional de inferncia "max-min".
Em testes de desempenho mostrou-se que o chip realizava
250.000 FLIPS (inferncias de lgica fuzzy por segundo) com
um relgio de 16 MHz. Posteriormente um acelerador para
operaes em lgica fuzzy foi desenvolvido baseado no chip
anterior. Em maro de 1989, o Centro de Microeletrnica da
Carolina do Norte completou com sucesso a fabricao de
outra verso do chip, projetada por Watanabe, com 608.000
transistores, capaz de realizar 580.000 FLIPS.
Um controlador fuzzy de alto desempenho foi proposto por
Yamakawa (1986). Composto por uma plataforma de 15
regras de controle e uma interface de sada implementando um
defuzzyficador pelo mtodo do centro de rea, ele manipula
regras fuzzy utilizando os termos lingusticos NL (alto e
negativo), NM (mdio e negativo), NS (baixo e negativo), ZR
(zero), PS (baixo e positivo), PM (mdio e positivo) e PL (alto
e positivo). Sua velocidade operacional de 10 MFLIPS (mega
FLIPS). O sistema foi testado em uma aplicao cujo objetivo
o de estabilizar um pndulo invertido montado sobre um
veculo. Pndulos duplos com diferentes parmetros foram
tambm controlados. O controlador foi integrado em um chip
com 40 pinos.
Yamakawa e Miki tambm implementaram 9 funes de uso
geral em lgica fuzzy, utilizando-se o processo CMOS
convencional, com um circuito em modo corrente.
Posteriormente uma verso preliminar de um computador
fuzzy foi proposta por Yamakawa, tendo sido implementada
pela Omron. Este computador constitua-se de uma memria,
um conjunto de mquinas de inferncia, um bloco de
operadores de mximo, um defuzzyficador e uma unidade de
controle. A memria fuzzy armazena a informao fuzzy,
contida nas funes de pertinncia.. Inclui uma RAM binria,
um registrador e um gerador de funes de pertinncia (GFP).
Este, por sua vez, consiste de uma PROM, um array de
transistores e um decodificador. Cada termo lingustico
representado por um cdigo binrio, armazenado na RAM

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

105

binria. As funes de pertinncia correspondentes so

geradas pelo GFP de acordo com estes cdigos binrios. A
mquina de inferncia aplica operaes de mximos e
mnimos, implementados por portas fuzzy em configurao
emissor-acoplado, com circuitos em modo- tenso. As entradas
so representadas por tenses analgicas nos barramentos,
alimentando cada mquina de inferncia em paralelo. Os
resultados inferidos pelas regras so agregados pelo bloco de
mximos. A sada feita por meio de tenses analgicas.
Implementando um controlador fuzzy, o computador fuzzy
capaz de processar 10 MFLIPS. Este foi um grande passo no
somente em termos de uma aplicao industrial, mas em
termos de processamento de conhecimento, de um modo geral.
Mais recentemente, a Neuralogix (1991) anunciou o microcontrolador fuzy NLX230, uma mquina de inferncia VLSI
configurvel baseada no esquema de inferncia MAX-MIN. O
chip possui 16 interfaces de fuzzyficao, uma rede neural
para comparaes de mnimos, um comparador de mximos,
memria de regras, registradores e circuitos de controle e
sincronizao. Apropriadamente programado, pode executar
30 MFLIPS.
Oki tambm desenvolveu um chip VLSI para inferncia em
lgica fuzzy, em um PGA cermico de 132 pinos. Sua
arquitetura baseada em estruturas do tipo "pipeline". Realiza
7.5 MFLIPS com no mximo 960 regras. Possui todos os
circuitos necessrios para uma inferncia fuzzy: buffer de
entrada, memria para regras e funes de pertinncia,
interface de fuzzyficao, circuitos MAX-MIN, defuzzyficador
e registradores de sada.
A Omron desenvolveu um dos primeiros controladores fuzzy.
Atualmente, anunciou uma nova gerao de processadores
fuzzy digitais, a famlia FP3000. Dotada de uma mquina de
inferncia de alta velocidade, processa em 650 s, com relgio
de 24 MHz, um total de 20 regras com 5 antecedentes e 2
consequentes cada, fornecendo alm disso diversos outros
recursos e interfaces.
Do ponto de vista de suporte de software, um grande nmero
de ambientes de desenvolvimento encontra-se hoje disponvel
no mercado. A maioria deles implementa recursos para edio
de funes de pertinncia, com suporte grfico, linguagens
dedicadas para descrio de regras, pr-compiladores para
uma vasta gama de processadores e micro-controladores e
gerao de cdigo automtica para linguagens de alto nvel, C
por exemplo. Exemplos incluem o Togai Til Shell, da Togai
Infralogic, o Cubicalc da Hyperlogic, o Manifold Editor da
Fuzzy Systems Engineering, o ambiente integrado da
fuzzyTECH, as ferramentas de desevolvimento FIDE da
Aptronix, e a da Omrom, alm do sistema de controle fuzzy da
Meiden e o SDAF da HI Tecnologia. Muitos destes
possibilitam a escolha de diferentes procedimentos de
inferncia, bem como diferentes mtodos de defuzzyficao e
capacidade de aprendizado.

7 - EXEMPLO DE UMA FERRAMENTA DE

DESENVOLVIMENTO
Nesta seo, ser apresentado o exemplo de uma ferramenta de
desenvolvimento, utilizada para o projeto, implementao e
teste de controladores fuzzy. Esta ferramenta foi apresentada
em (Gudwin et.al. 1991), descrevendo seus mdulos bsicos,
sendo colocada aqui a ttulo de ilustrao.

106

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

O SDAF (Sistema de Desenvolvimento de Aplicaes Fuzzy)

foi concebido como um sistema de suporte ao desenvolvimento
de aplicaes que utilizem a lgica fuzzy como mtodo de
construo de controladores. Uma linguagem foi
implementada para que a construo de controladores seja
realizada a partir de uma especificao na forma mais prxima
possvel da linguagem natural, viabilizando que um
especialista descreva seu conhecimento de uma maneira bem
amigvel. Esta linguagem incorpora as inovaes
possibilitadas pelo uso da lgica fuzzy como instrumento, que
o uso de termos vagos e imprecisos representando conceitos.
A representao e manipulao de termos deste tipo o que
diferencia basicamente o SDAF de outros shells para sistemas
especialistas.
SDAF
PC

MCI
Ambiente de
Desenvolvimento

Usurio

Controlador
Fuzzy

Processo

Figura 12- Componentes do SDAF

A configurao do SDAF a de uma plataforma de
desenvolvimento. Estando a base de conhecimento
devidamente concluda, a mesma pode ser armazenada em
uma EPROM, e um conjunto interpretador/base de
conhecimento ser implementado em um hardware mais
apropriado para a aplicao alvo.
O SDAF constitudo basicamente por dois mdulos de
hardware interconectados, operando em equipamentos
distintos, e ligados ao processo a ser controlado (aplicao).
So os seguintes (figura 12):

Ambiente de Desenvolvimento - PC
Controlador Fuzzy - Microcontrolador Industrial

7.1 - Mdulo
do
Desenvolvimento:

Ambiente

de

Este mdulo foi projetado para operar em microcomputadores

do tipo IBM/PC-XT/AT/386/486, sob sistemas operacionais
compatveis com o MS-DOS. Possui uma interface homemmquina amigvel, dotada de recursos grficos, menus, janelas
de entrada de dados, help sensvel a contexto, operao com
ou sem mouse, etc.
O objetivo deste mdulo permitir a integrao entre o
projetista e o hardware do controlador fuzzy, oferecendo uma
interface homem-mquina altamente amigvel. Prov, dentre
outros, os seguintes recursos:

Linguagem de Representao de Conhecimento

utilizando regras fuzzy;

Editor de funes de pertinncia;


Gerador de Cdigo para o Controlador Fuzzy;

Mecanismos para programao dos canais de

comunicao com o processo;

Operao remota do controlador Fuzzy;

Depurador simblico On line;

sobre o universo de discurso da varivel lingustica envolvida

(figura 13).

7.2 - Mdulo do Controlador Fuzzy:

Este mdulo foi implementado sob uma plataforma de
hardware baseada no micro-controlador industrial MCI da HI
Tecnologia. A implementao deste mdulo em uma outra
mquina decorre da necessidade de conexo fsica com o
processo a ser controlado. O mdulo do controlador fuzzy
deve suprir todos os recursos necessrios para a integrao
com um processo real, tais como, entradas e sadas
analgicas/digitais, interface com o operador e rede local de
comunicao.
Opcionalmente, este mdulo dispe de uma interface de
operao local, permitindo ao usurio comandar a execuo do
programa localmente. Existem comandos para ativar,
suspender, executar passo a passo as regras, medir o tempo
que o processador necessita para executar as instrues, etc.

7.3 - Desenvolvimento de Projetos

O desenvolvimento de sistemas de controle baseados em lgica
fuzzy no SDAF, um processo interativo, composto das
seguintes etapas:
Identificao das variveis de entrada/sada do
processo;
Definio das parties de cada varivel lingustica
do sistema;
Edio da Base de Regras Fuzzy;
Compilao da Base de Regras;
Edio das funes de pertinncia associadas a cada
termo lingustico previamente definido;
Transferncia da Base de Conhecimento do ambiente
de desenvolvimento para o controlador fuzzy;
Execuo/Depurao da Base de Conhecimento;
Anlise de Desempenho do sistema;
Alterao nas regras da base e/ou funes de
pertinncia, para estruturao e sintonizao.
Para facilitar a programao, o SDAF permite que as variveis
lingusticas
de
entrada/sada
do
sistema,
sejam
convenientemente escaladas no range equivalente ao do
sensor, na unidade de engenharia correspondente.

7.4 - O Editor de Funes

O SDAF dispe de um editor grfico que permite a
edio/manipulao das funes de pertinncia. As funes
mais usuais, tais como, funo sigmide, triangular e
gaussiana, so geradas por meio de seus parmetros. Outras
funes podem ser geradas atravs de tcnicas de interpolao,
via grficos ou tabelas.
Uma vez definida a base de regras fuzzy, o SDAF gera,
durante a compilao, um arquivo referente base de funes,
citando todos os termos lingusticos utilizados, que devem ser
configurados pelo usurio. Assim, para cada termo lingustico,
o usurio dever associar uma funo de pertinncia, definida

Figura 13 - Editor de Funes de Pertinncia

7.5 - A Linguagem LEARN

O ponto chave para a compreenso do SDAF o mtodo de
representao de conhecimento utilizado pelo sistema. Para
tal, desenvolveu-se a linguagem LEARN - Linguagem de
Especificao de Aplicaes mediante Regras Nebulosas,
utilizada pelo sistema para a implementao das bases de
regras fuzzy. Esta linguagem foi especialmente concebida para
ser utilizada dentro do contexto deste sistema.
A declarao das variveis lingusticas segue a seguinte
sintaxe:
VAR Nome_Var [ Universo_Discurso ] =
{Conjunto_Termos_Lingusticos } ;
A sintaxe das regras fuzzy na linguagem LEARN segue a
seguinte forma:
SE Condio_1 E Condio_2 ... ENTAO Ao;
As condies so expresses simples do tipo:
Var_i == Termo_Lingustico_j
E as aes:
Var_i = Termo_Lingustico_j
onde Var_i corresponde a uma varivel lingustica e
Termo_Lingustico_j deve ser um dos termos lingusticos
definidos na partio de Var_i.
Um exemplo simples de uma de base de regras constituida a
partir da linguagem LEARN pode ser visto na listagem 1.

7.6 - Tipos de Variveis

As variveis do sistema foram inicialmente concebidas para
suportar aplicaes de controle em tempo real, e por isso
podem ser dos seguintes tipos:
1) Variveis Analgicas : So variveis numricas de uso
geral, podendo ser de entrada, de sada ou internas. Esto

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

107

associadas implicitamente a variveis lingusticas, ou seja, as

medidas numricas colhidas pelo conversor A/D so mapeadas
no universo de termos lingusticos da varivel (variveis de
entrada) ou ento tm seus valores inferidos em termos
lingusticos mapeados em termos numricos que so enviados
ao conversor D/A (variveis de sada).
2) Variveis Digitais : So variveis lgicas de uso geral.
Tambm podem ser de entrada, de sada ou internas. Estas
variveis so utilizadas para definir estados lgicos. Assumese para o nvel lgico 0 (low) o termo lingustico FALSO, e
para o nvel lgico 1 (high) o termo lingustico
VERDADEIRO. Nas regras, as variveis digitais so
utilizadas de modo similar ao das variveis analgicas, com a
devida restrio nos termos lingusticos utilizados.
3) Timers Analgicos : So variveis numricas internas do
sistema que possuem a caracterstica adicional de serem
atualizadas automaticamente pelo sistema, medida que o
tempo passa. Funcionam em sincronismo com o relgio de
tempo real do sistema. Com este tipo de varivel, possvel
quantificar-se pores de tempo de definio vaga, como por
exemplo "um pouco", "bastante", etc. Os timers analgicos so
ento ao mesmo tempo variveis de entrada e de sada.
Quando utilizados nos antecedentes das regras, avalia-se a
temporizao atual do timer frente aos termos lingusticos
definidos. Quando utilizadas no consequente das regras,
reinicializa-se o perodo de temporizao (tambm em termos
vagos).
4) Timers Digitais : So variveis lgicas associadas a
temporizadores do sistema. Ao contrrio dos timers
analgicos, onde deseja-se manipular um tempo definido de
modo vago, os timers digitais fazem um controle bem definido
do tempo transcorrido. Ao ser acionado um consequente que
contenha um timer digital, a temporizao do mesmo
reinicializada com o perdo definido na regra. A partir desta,
qualquer avaliao nos antecedentes das regras surtir um
valor lingustico "tempo no expirado", at que o perdo de
temporizao se esgote, quando ento a avaliao do
antecedente resultar "tempo expirado". Este tipo de variveis
util quando se deseja o controle exato de algum tipo de
temporizao, como em sequenciamento de eventos, etc.

7.7 - Desenvolvimento de Aplicaes - O

Depurador
A construo de uma base de conhecimento normalmente
um processo incremental, onde o conhecimento vai sendo
levantado junto ao especialista, ou pelo projetista, em etapas.
A cada etapa, um novo conjunto de regras acrescentado
base, e o projetista do sistema, junto com o especialista, deve
verificar a consistncia destas regras, validando o
comportamento do sistema.
Uma das tcnicas na elaborao de uma base de conhecimento,
que facilita a prpria elicitao do mesmo e proporciona um
incremento no desenpenho computacional do sistema, em
ambientes de tempo real, a utilizao de bases de regras
estruturadas, ou modularizadas. O SDAF permite a construo
de bases de regras deste tipo por meio da definio de grupos.
Cada grupo deve conter portanto, uma pequena parte do
conhecimento, relativa a uma determinada especializao do

108

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

VAR
ANALOGICA Erro[0,100] = { Negativo, Zero, Positivo } ;
ANALOGICA Valvula[0,200]={Diminui, Mantem,
Aumenta } ;
ENTRADA Erro;
SAIDA Valvula;
REGRAS
GRUPO Principal
{
SE Erro==Negativo ENTAO Valvula=Aumenta;
SE Erro == Zero ENTAO Valvula = Mantem;
SE Erro == Positivo ENTAO Valvula = Diminui;
}
FimGrupo
FimRegras
Listagem 1 : Exemplo de Programa na Linguagem LEARN

mesmo, utilizando um mecanismo conhecido como foco de

ateno. Um dos grupos, normalmente o grupo principal, deve
conter o meta-conhecimento, ou seja, o conhecimento do
contedo dos diversos grupos, e de quando acess-los. O
SDAF permite que este acesso seja feito de duas maneiras. A
primeira delas, a execuo uma nica vez de um
determinado grupo, processada pelo comando EXECUTA.
Este tipo de acesso feito quando se deseja apenas uma
aplicao de um procedimento, de modo semelhante a uma
chamada de funo em programao convencional. O segundo
modo de se acessar um grupo por meio do comando
CHAVEIA, quando sob determinadas condies levantadas
pelo grupo, determine-se que aquele grupo j no mais o
adequado a ser processado, e com isso se deseja efetivamente
chavear o processamento para outro grupo de regras, que est
mais adequado situao corrente do sistema. Para o
desenvolvimento de uma base de conhecimento, o
procedimento mais usual a determinao de um grupo
principal, onde sejam colocadas as diretrizes gerais de
atuao, e a cada etapa, sejam acrescentados novos grupos de
regras, que podem ento ser analisadas pelo projetista, que
passa a validar o funcionamento do grupo, efetuando as
correo que forem pertinentes.
Durante este processo, necessrio que o projetista disponha
de alguns recursos adicionais, as ferramentas de depurao,
que o auxiliem na avaliao do comportamento do sistema.
Este conjunto de recursos reunido no SDAF no mdulo
depurador.
O mdulo depurador do SDAF permite o controle da execuo
das regras, permitindo o disparo e a parada da mquina de
inferncia em qualquer ponto da mesma. Com isso, conseguese executar as regras passo a passo, sendo exibidas na tela,
tanto as regras com o passo sendo executado, como o estado do
sistema aps a execuo do mesmo. Este passo pode ser a nvel
de ciclo, regra ou antecedente. A nvel de ciclo, a mquina
executa um ciclo de inferncia e para, esperando um prximo
comando do operador. A nvel de regra a mquina executa
uma determinada regra ao comando do operador, parando em
seguida, e a nvel de antecedentes, a mquina para aps
executar cada antedente, exibindo o estado do sistema. Um
outro comando auxiliar colocado de modo a reinicializar as
variveis do sistema.

Outro recurso importante do depurador o processo pelo qual

se pode analisar o contedo das diversas variveis utilizadas.
Com este, permite-se verificar o estado de cada varivel. Caso
sejam variveis digitais, mostra-se seu estado lgico
(FALSO/VERDADEIRO). Caso sejam variveis analgicas de
entrada, mostra-se o valor medido da varivel, e para cada
predicado lingustico associado mesma, como o mesmo se
relaciona diante do valor medido, dando uma idia da
compatibilidade entre o valor medido e o conceito associado ao
predicado lingustico. Para variveis analgicas de sada,
mostra-se alm do conjunto completo de conjuntos fuzzy
associados a ela, o estado do conjunto fuzzy inferido, que dar
origem ao valor defuzzyficado, que ser enviado ao controle.
Utilizando-se o depurador, o projetista consegue efetuar o
desenvolvimento incremental do sistema, pois aps a
elicitao do conhecimento sobre a forma de regras e funes
de pertinncia, o mesmo pode ser validado executando-se o
programa de regras passo a passo, o que permite a deteco de
regras com comportamento inadequado, facilitando sua
correo.

de CO2 aceitvel (set point , s), o desvio (d) do nvel medido

de CO2 (y) com relao ao set point, e a variao do desvio (
) em instantes sucessivos de tempo.
O primeiro passo, como no caso de qualquer controlador,
definir as variveis controladas e as variveis de controle.
Estas variveis so as entradas e as sadas, respectivamente, do
controlador. Para o sistema de exausto, as variveis de
entrada so o desvio e a variao do desvio, sendo a variao
na velocidade do exaustor a varivel de sada (u).
A seguir, determina-se, para cada varivel, o universo de
discurso (range) associado a cada varivel lingustica, a
partio do conjunto de termos para as variveis lingusticas e
os respectivos conjuntos fuzzy. No caso do exemplo, d, e u
so as variveis lingusticas com valores no conjunto de
termos {pequeno(a), mdio(a), grande}, {Negativo, Zero,
Positivo}, onde os termos so, por sua vez, definidos pelos
conjuntos fuzzy da figura 14. Observe que os universos de
discurso correspondem ao intervalo [-5,5] para d, [-1,1] para
e [-100,100] para u.
O passo final consiste em definir as regras que descrevem as
aes de controle em funo do erro e da variao do erro.
Cada varivel lingustica deve ser considerada por pelo menos
uma regra. A tabela 1 apresenta um conjunto possvel de
regras:

8 - EXEMPLOS DE APLICAO FUZZY

8.1 - Controle
Urbanos

de

Poluio

em

Tneis

Descreve-se aqui, sucintamente e com objetivos meramente

didticos, o procedimento de desenvolvimento de um
controlador fuzzy. O exemplo utilizado para ilustrar o
procedimento um sistema de exausto de gs com velocidade
varivel, utilizado para o controle do nvel de gs carbnico
em tneis urbanos. O controlador possui como entradas o nvel

P
Pequeno

M
Mdio

- VARIAO DO
ERRO
P
M
G
P
N
N
Z
M
N
Z
P
G
Z
P
P

d - ERRO

Tabela 1- Exemplo de Regras de Controle

G
Grande

P
Pequena

M
Mdia

G
Grande

1.0
0.67
0.33

-5

-1.0

-100

1.0

VARIAO DO ERRO NA PERCENTAGEM DE CO

2

ERRO NA PORCENTAGEM DE CO
2
N
Negativo

-0.6

Z
Zero

P
Positivo

100

INCREMENTO NA VELOCIDADE DE EXAUSTO

Figura 14 - Funes de Pertinncia para os Termos Lingusticos

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

109

Na execuo da estratgia de controle, representada pelo

conjunto de regras da tabela 1, o primeiro passo a
classificao (matching) das variveis de entrada com relao
s respectivas variveis lingusticas. Por exemplo, o valor
d = 1 grande com grau 0.33 e mdio com grau 0.67,
enquanto que o valor = -0.6 pequena com grau 1 (ver
figura 14), ou seja, G(d) = 0.33, M(d) = 0.67 e P() = 1.
Feita esta classificao (correspondente ao mdulo de
fuzzyficao), o procedimento de inferncia (lgica de deciso)
avalia as regras da seguinte forma. Para d=1 e = -0.6, as
regras que se aplicam so as seguintes (tabela 1) :

Unio

Contribuio
de
R
4

Contribuio
de
R
7
u

u0

R4 : Se (d Mdio) e ( Pequena) Ento (u Negativo)

Figura 16 - Ao Final de Controle
R7: Se (d Grande) e ( Pequena) Ento (u Zero)
Como as regras possuem dois antecedentes relacionados pelo
conectivo E (interseco), definindo-se o operador interseco
como sendo (min), obtm-se como resultado da combinao
dos antecedentes:
R4: min ( M(d=1), P(=-0.6) ) = (0.67) (1) = 0.67

8.2 - Controle de Direo de Veculos AutoGuiados

Deseja-se, nesta aplicao, controlar o movimento de um
veculo auto-guiado (AGV) para que o mesmo percorra uma
trajetria em um ambiente, a partir do sensoreamento de sua
localizao (figura 17).

R7 : min (G(d=1), P(=-0.6) ) = (0.33) (1) = 0.33

Para cada regra, o grau de ativao da ao de controle
calculada de acordo com o resultado da combinao de
antecedentes. Se a regra de inferncia MAX-MIN, o
resultado da inferncia, para uma regra, obtido pelo mnimo
entre o grau de combinao dos antecedentes e consequentes
(ao de controle), conforme ilustrado graficamente pela
figura 15.

1.0
0.67

0.67

R
4

x4

1.0
R
7

0.33

0.33

-0.6

Figura 17 - Variveis de Entrada e Sada

MIN

Figura 15 - Inferncia : Composio MAX-MIN

Terminada a inferncia, a ao final de controle calculada a
partir da unio das contribuies proporcionadas por cada
regra ativada. Se a unio definida como sendo o operador de
agregao mximo (), o resultado ser o mostrado na figura
16.
O ltimo passo consiste na determinao do sinal de controle
(u0)a ser enviado ao processo (no caso, sinal proporcional ao
incremento de velocidade do exaustor), obtida a partir da
defuzzyficao. Por exemplo, na figura acima, u0 obtido pelo
mtodo do centro de rea.

110

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

As variveis de entrada do controlador so as posies x1, x2,

e x4 e o ngulo do veculo em relao direo das laterais. A
sada do controlador o ngulo do eixo frontal do veculo em
relao posio de repouso (alinhada com a direo do
veculo). As regras de controle so da forma:
Ri : Se (x1 A1i ) e ... e (x4 A4i )
Ento i = p0i + p1i x1 + p2i x2 + p3i x3 + p4i x4
i = 1, ... , m
A ao de controle determinada por:

sendo que os tanques so abastecidos por meio de vlvulas

individuais de entrada de fluido. Cada tanque tem em seu
fundo, uma vlvula de drenagem de abertura fixa, por onde
escoa o fluido. A tarefa do controlador fuzzy manter os
nveis em ambos os tanques de acordo com os set-points
definidos.

w i i

i=1
m

wi

i =1

onde wi o resultado da combinao dos antecedentes da isima regra, dados os valores das variveis de entrada. As
funes de pertinncia dos conjuntos fuzzy correspondentes s
parties das variveis lingusticas so mostradas na figura 18
para as variveis x1 e x3 .

Pequena

Mdia

Grande

30

60

90

120

150

(cm)

x3
Esquerda

Frente

Direita

Figura 20 - Sistema de 2 Tanques Acoplados

-60

-40

-20

20

40

60

(graus)

Figura 18 - Funes de Pertinncia para variveis x1 e x3

A figura 19 mostra o resultado proporcionado pelo controlador
para o veculo colocado em um ambiente complexo.

Neste exemplo, ambos os tanques possuem uma seo

horizontal com rea de 1 105 cm2, alturas de 300 cm e suas
vlvulas fixas de sada possuem uma resistncia vazo de 2.5
10-2 cm / cm3 / s. As vazes mnimas de entrada so iguais
a 0 l/s e as mximas de 40 l/s.
Para implementar o controlador fuzzy, utilizou-se como
variveis lingusticas de entrada o erro e a variao do erro
entre os nves dos tanques e seus set-points. Como variveis
lingusticas de sada, adotou-se os incrementos nas vazes de
entrada do processo. Na figura 21 tem-se um esquema das
funes de pertinncia utilizadas.

NG

Figura 19 - Trajetria do Veculo

NM

NP

ZR

PP

PM

PG

0
U

8.3 - Controle de Nvel Para 2 Tanques

Acoplados
Nesta aplicao, considera-se um sistema em que 2 tanques
esto acoplados por meio de uma interligao (vide figura 20),

Figura 21 - Funes de Pertinncia

As regras utilizadas pelo controlador foram as seguintes:

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

111

erro\derro

NG

NM

NG

NP

ZR

PG

PG

NM

PP

PM

PG

busca, otimizao e aprendizagem de mquina, dentre outros.

O ciclo bsico do algoritmo gentico mostrado na figura 23.
POPULAO

NOVA

ANTERIOR

POPULAO

SELEO

MUTAO

PM

NP

PM

ZR

PG

PP
PM

PP

ZR

PP

NP

PM

NM

PG

NG

NP

NM

NG
NM

CROSSOVER
NG

Figura 23 - Ciclo Bsico de Algoritmo Gentico

Os resultados obtidos, so mostrados na figura 22 a seguir,
para os dois tanques:

Nvel do Tanque 1

Um algoritmo gentico considerado neste exemplo como um

mtodo de aprendizagem de aes de controle de forma
autnoma. Considera-se um controlador neural fuzzy para um
rob mvel. A rede aprende a dirigir o rob mvel at que o
mesmo atinja alvos predefinidos, sem colidir com obstculos
do ambiente. O conhecimento adquirido pela rede pode
tambm ser facilmente extrado em forma de regras fuzzy.
Como o algoritmo gentico tambm determina o nmero de
regras, as funes de pertinncia dos antecedentes e os
consequentes, este modelo constitui-se em um mtodo
conveniente para projetar sistemas nebulosos de forma
automtica (Oliveira et.al., 1994).
A rede neural fuzzy utilizada (figura 24) baseada em um
conjunto de proposies (fatos) e regras fuzzy do tipo
(Figueiredo et.al. 1993):
Fato:




eeX

Regra 1:

X1 A1 e
e XM A M
1
Se X1 A1 e
e X M A1M Ento y g1

Regra M:

Se X1 A1N

N
AN
M Ento y g
y g
M

Concluso (a o):
Nvel do Tanque 2

onde Xj uma varivel fuzzy, Aj e A j so os conjuntos

nebulosos associados, y uma varivel com valores gj
(figura 24).
1
max

a 111

g1

min
x11

a 1p

max

x1

.
.
.

a N1p

x 1p

.
.
.

a 11

div

a M1

1
N

a Mh

M1

max

1
1

Figura 22 - Resultados para os Tanques

.
.
.
xMh

aN

Mh

8.4 - Controle Autnomo de um Rob Mvel

Algoritmos genticos (Goldberg, 1989) so mtodos
adaptativos que podem ser usados para resolver problemas de
112

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

min

a M1

max

Figura 24: Controlador Neural Fuzzy

O consequente y determinado em trs etapas: casamento

(matching), agregao de antecedentes e agregao de regras.
Estas etapas so executadas por neurnios especializados do
tipo min-max pois incorporam funes mais complexas para
modelagem de sinapses, de agregao de entradas e de
decodificao (Gomide & Rocha, 1992-c).
O algoritmo gentico (GA) usado do tipo elitista e manipula
um cromossomo de formato misto inteiro/real. As
caractersticas ajustadas pelo GA durante as geraes so os
consequentes das regras e as funes de pertinncia,
representadas por formato e posio. Os consequentes das
regras so codificados em genes reais, enquanto a codificao
das funes de pertinncia mais elaborada: um par numrico
(centro, tipo), onde centro indica a posio do ponto central da
funo e tipo indica o formato da funo, trapezoidal ou
triangular (veja tabela 2). Para uma base de conhecimento com
n regras, cada uma com k antecedentes e fi funes de
pertinncia para cada antecedente i, o cromossomo
descrevendo esta rede neurofuzzy ter n +

Evoluo da Funo Objetivo

Valor da Funo Objetivo

80000

CtM
70000
60000
50000

BEST

40000

AVG

30000
20000
10000
0
0

10

11

Gerao

Figura 25 - Evoluo da Funo Objetivo

fi

genes reais e

i =1

fi genes inteiros.
i =1

Os genes relativos s funes de pertinncia so interpretadas

de acordo com seu prprio formato e centro e os formatos e
centros das funes imediatamente anterior e posterior. Veja a
Tabela 2.
O crossover sempre ocorre e seleciona apenas um ponto de
permutao. A mutao possui probabilidade zero durante
quase todas as geraes, ocorrendo apenas em situaes
especiais de convergncia. Este tipo de mutao baseada na
estratgia de exploses mutantes peridicas de Kauffman.
A funo objetivo uma funo do nmero de alvos
alcanados, distncia mdia percorrida e distncia ao alvo
atual ao final da simulao.
O GA descrito anteriormente utiliza durante as simulaes 4
seqncias distintas de 4 obstculos ((A,B,C,D), (B,C,D,A)
etc.). A funo objetivo a mdia dos resultados obtidos em
cada seqncia. Os resultados de simulao so mostrados nas
figuras 25, 26 e 27.
Observe que, mesmo com alvos colocados em lugares
diferentes, o melhor indivduo (controlador) encontrado foi
capaz de navegar pelo ambiente atingindo os alvos sem
colidir.
Formato da Funo (i)
(seu ponto central ci)
Triangular
(Trapezoidal)

Formato da Funo (i+1)

(seu ponto central ci+1)
Triangular
(Trapezoidal)

Figura 26 Simulao do Melhor Indivduo

Figura 27 - Simulao com Alvos Diferentes

Lado direito da Funo (i) e o lado esquerdo da Funo (i+1)

Triangular
(Trapezoidal)

ci

i+1

( c i+1 -ci )/3

2*(c i+1 -ci )/3

c i+1

Trapezoidal
(Triangular)

ci

2*(c i+1 -ci )/3

c i+1

(c

-c )/3

i+1

i+1

Tabela 2 : Formao das Funes de Pertinncia

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

113

9 - CONCLUSES E PERSPECTIVAS
A tecnologia decorrente da lgica fuzzy tem gerado aplicaes
e produtos em diversas reas. Em controle de processos
industriais, rea pioneira, as primeiras experincias datam de
1975 quando foi demonstrado no Queen College, Londres, que
um controlador fuzzy muito simples controlou eficientemente
uma mquina a vapor. Na mesma poca, a primeira aplicao
industrial significativa foi desenvolvida pela indstria de
cimento F.L.Smidth Corp. da Dinamarca. Presentemente, uma
variedade de aplicaes comerciais e industriais esto
disponveis, destacando-se neste cenrio o Japo e mais
recentemente, os EUA e a Alemanha. Exemplos tpicos
incluem produtos de consumo tais como geladeiras (Sharp), ar
condicionado (Mistsubishi), cmeras de vdeo (Canon,
Panasonic), mquinas de lavar roupa (Sanyo), fornos de
microondas (Sanyo), aspiradores de p, etc. Na indstria
automotiva destacam-se transmisses automticas (Nissam,
Lexus), injeo eletrnica, suspenso ativa, freios antibloqueantes. Sistemas industriais incluem controle de grupo de
elevadores (Hitachi, Toshiba), veculos auto-guiados e robs
mveis (Nasa, IBM), controle de motores (Hitachi), ventilao
de tneis urbanos (Toshiba), controle de trfego urbano,
controle de parada e partida de trens de metr (Sendai, Tokio).
Estas citaes so, evidentemente, ilustrativas pois
correntemente mais de 1000 patentes envolvendo lgica fuzzy
j foram anunciadas.
No Brasil, apesar do uso e da aplicao extensiva ainda ser
incipiente, vrias indstrias e empresas vm desenvolvendo
produtos e servios (Villares, IBM, Klockner & Moeller,
Robertshaw, Yokogawa, HI Tecnologia).
Nos ltimos dois anos o potencial de manuseio de incertezas e
de controle de sistemas complexos proporcionado pela lgica
fuzzy vem sendo combinado com com redes neurais artificiais
as quais, por sua vez, possuem caractersticas de
aprendizagem e adaptao. Esta simbiose vem gerando novas
classes de sistemas e de controladores neurofuzzy, combinando
assim os potenciais e as caractersticas individuais em sistemas
adaptativos e inteligentes (Gomide et.al. 1992-a). Estes
sistemas devero proporcionar uma importante contribuio
para os sistemas de automao e controle do futuro,
principalmente em controle de processos.
AGRADECIMENTO: Os autores agradecem ao CNPq pelo
apoio financeiro, respectivamente, pelo contrato n. 300729/863 e por bolsa de doutorado. Os autores tambm agradecem ao
projeto ECLA-005 por seu suporte.

REFERNCIAS BIBLIOGRFICAS
Albertos, P. (1992). Fuzzy Controllers - AI Techniques in
Control - Pergamon Press.
Anderson, B.D.O e J. B. Moore (1979). Optimal Filtering Prentice-Hall, N.J.
Bertsekas, D.P. (1976). Dynamic Programming and Stochastic
Control. Mathematics in Science and Engineering.
Vol. 125, Academic Press, NY

114

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

Doygle, J.C. e G. Skin (1981). Multivariable feedback design:

concept for a classical/modern synthesis. IEEE
Trans. on Automatic Control, vol. AC-26, pp. 4-16
Figueiredo, M. F. Gomide ; W. Pedrycz (1993) - A Fuzzy
Neural Network : Structure and Learning - 5th IFSA
World Congress, Seul, Coria. pp 1171-1174.
Goldberg, D. (1989) - Genetic Algorithms in Search,
Optimization and Machine Learning - AddisonWesley, MA.
Gomide, F.; A. Rocha; P. Albertos (1992-a) Neurofuzzy
Controllers - IFAC - LCA92, Viena, Austria
Gomide, F. ; A. Rocha (1992-b) A Neurofuzzy Controller ;
2nd International Conference on Fuzzy Logic and
Neural Networks - IIZUKA92 , Fukuoka, Japan.
Gomide, F. ; A. Rocha (1992-c) Neurofuzzy Components
Based on Threshold - IFAC SICICA Symposium,
Malaga, Espanha, pp.425-430
Gudwin, R.R ; M.A. Silva, H.J.Almeida Jr.; I.M.C.Ribeiro
(1991). SDAF - Uma Ferramenta para
Desenvolvimento e Teste de Sistemas utilizando
Lgica Nebulosa - Simpsio sobre Integrao
Computadorizada na Automao Industrial, 18 a 20
Setembro - So Paulo-SP
Hechst-Nielsen, R. (1990)
Wesley, N.Y.

Neurocomputing -

Addison

Hotzman, J.M. (1970) Nonlinear System Theory - Prentice

Hall, N.J.
Kaufmann, A. ; M. Gupta (1985) - Introduction to Fuzzy
Arithmetic - Van Nostrand, NY.
Lee, C.C (1990) . Fuzzy Logic in Control Systems: Fuzzy
Logic Controller, part I and II. IEEE Trans. on
Systems, Man and Cybernetics, vol. 20, pp 404-435
Oliveira, M. ; M. Figueiredo ; F. Gomide (1994) - A
Neurofuzzy Approach for Autonomous Control 3rd International Conference on Fuzzy Logic,
Neural Nets and Soft Computing, IIZUKA94
Fukuoka, Japan.
Ollero A., A.Garcia-Cerezo, e J.Aracil. (1991). Design of
Rule Based Expert Controllers - ECC91 European
Control Conference, Grenoble, Frana, pp 578-583
Pedrycz, W. (1989). Fuzzy Control and Fuzzy Systems. - John
Wiley and Sons Inc, NY
Sage, A. e C. White (1977).
Prentice Hall, NJ

Optimum Systems Control -

Takagi, H. ; M. Lee (1993) - Neural Networks and Genetic

Algorithms Approaches to Auto-Design of Fuzzy
Systems - Proc. of Fuzzy Logic in Artificial
Intelligence - FLAI93, Linz, Austria.
Yager, R. ; S. Ovchinnikov, R.M. Tong e H. T.Nguyen (1987).
Fuzzy Sets and Applications- Wiley Interscience,
NY
Yamakawa, T. (1993). A Fuzzy Inference Engine in Nonlinear
Analog Mode and Its Application to a Fuzzy Logic
Control. IEEE Transactions on Neural Networks,
vol. 4 n. 3, May, pp. 496-522
Zadeh, L. (1965). Fuzzy Sets - Information and Control, vol.
8, pp 338-353
Zadeh, L. (1973). Outline of a new approach to the analysis of
complex systems and decision processes. IEEE
Trans. on Systems Man and Cybernetics, vol SMC3, pp 28-44
Zadeh, L. (1988) - Fuzzy Logic - IEEE Computer, April, pp.
83-92

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

115