Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

SINTONIA DE POLOS
EM MODELO LAGUERRE-WIENER POR EVOLUC
AO
NAO-LINEAR

DIFERENCIAL PARA IDENTIFICAC

AO
Daniel Cavalcanti Jeronymo, Leandro dos Santos Coelho, Antonio Augusto
Rodrigues Coelho

Programa de P
os-Graduac
ao em Engenharia de Automac
ao,
Universidade Federal de Santa Catarina, UFSC,
Campus Universit
ario, CEP 88040-970, Florian
opolis, Santa Catarina, Brasil

Departamento de Engenharia Eletrica,

Universidade Federal do Paran
a, UFPR,
C. P. 19011, Centro Politecnico, CEP 81531-970, Curitiba, Paran
a, Brasil
LAS/PPGEPS, Pontifcia Universidade Cat
olica do Paran
a, PUCPR,
Imaculada Conceic
ao, 1155, CEP 80215-901, Curitiba, Paran
a, Brasil
Emails: dcavalcanti@bigfoot.com, leandro.coelho@pucpr.br, aarc@das.ufsc.br
Abstract There is a necessity in engineering to know the mathematical model which governs certain systems,
particularly those with non-linear behavior. The mathematical approach to this problem is known as system
identification, in which the mathematical representation of a system is developed or improved using experimental
data aiming to reduce the error presented between the output of the simulated and the output of the real system.
In this paper, a non-linear system is identified by a Laguerre-Wiener model, where the linear component of the
model is represented by a Laguerre filter and the non-linear component by static gains. The non-linear system
is linearized in different operating zones and a model is obtained for each zone, however, the Laguerre pole of
each of these models must be tuned to better fit the model to the data. Differential evolution is applied to the
problem of tuning the poles in the Laguerre filter and the static gains are defined by an interpolating polynomial.
Results are presented for a non-linear single-input single-output (SISO) system with residual analysis, indicating
the proposed approach is robust and adaptable.
Keywords

System identification, Laguerre filter, Laguerre pole, Laguerre-Wiener model.

Resumo Existe uma necessidade na engenharia em conhecer o modelo matem

atico que governa determinados sistemas, especialmente os n
ao-lineares. A abordagem matem
atica para este problema
e conhecida como
identificac
ao de sistemas, na qual se desenvolve ou melhora a representac
ao matem
atica de um sistema utilizando
dados experimentais objetivando a reduc
ao do erro apresentado na sada do sistema simulado em relaca
o a sada
do sistema real. Neste trabalho, um sistema n
ao-linear
e identificado por um modelo Laguerre-Wiener, onde
a componente linear do sistema
e representada pelo filtro de Laguerre e a componente n
ao-linear por ganhos
est
aticos. O sistema n
ao-linear
e linearizado em diferentes zonas de operac
ao e um modelo
e obtido para cada
zona, entretanto, o p
olo de Laguerre de cada um destes modelos deve ser sintonizado para melhor adequar o
modelo aos dados. Evoluca
o diferencial
e aplicada ao problema de sintonia dos p
olos no filtro de Laguerre e
os ganhos est
aticos s
ao definidos por um polin
omio interpolador. Resultados s
ao apresentados para um sistema
n
ao-linear SISO com an
alise de resduos, indicando que a abordagem proposta
e robusta e adapt
avel.
Palavras-chave

Identificac
ao de sistemas, filtro de Laguerre, p
olo de Laguerre, modelo Laguerre-Wiener.

Introdu
c
ao

De modo a controlar efetivamente um sistema din

amico, em geral, e necess
ario um modelo aderente a este, para tanto, par
ametros de um modelo conhecido podem ser sintonizados atraves de
um conjunto de dados experimentais. De fato,
h
a um interesse crescente na literatura cientfica
por identificac
ao de par
ametros, e de maneira geral, em problemas inversos de acordo com (Correa
and Aguirre, 2004; Corigliano and Mariani, 2004).
A finalidade da identificac
ao de sistemas e observar e desenvolver modelos matem
aticos de fenomenos ou sistemas de interesse, por sua vez, modelos matem
aticos servem como tentativas de explicar numericamente o que acontece na realidade
(Aguirre, 2000).
Abordagens comuns para o problema de identificac
ao incluem o interesse crescente pelo uso
de redes neurais em identificac
ao de sistemas

ISBN: 978-85-8001-069-5

(Haykin, 1999; Mehrotra and Ranka, 1997). Dentre as redes neurais, a mais utilizada em identificacao de sistemas sao as redes neurais feedforward, como o perceptron multicamadas (MultiLayer Perceptron - MLP ) (Rumelhart et al., 1986)
ja que este modelo, utilizando apenas uma camada intermediaria com funcoes de ativacao naolineares e possuindo um n
umero suficiente de
neuronios, se torna um aproximador universal
de funcoes (Hornik et al., 1989), (Hornik, 2004),
(Bishop, 1995), (Ripley, 1996). Funcoes de ativacao nao-lineares tornam as redes neurais MLP
capazes de formar fronteiras de decisao complicadas entre padroes nao-linearmente separaveis de
dados (Haykin, 1999), tornando-as dessa maneira
u
teis na identificacao de sistemas.
Nesta mesma linha de abordagens comuns
esta a teoria dos sistemas fuzzy, pois os sistemas,
ou modelos, fuzzy de Takagi-Sugeno (TS) tem sido

3593

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

investigados (Takagi and Sugeno, 1985; Sugeno

and Kang, 1988) principalmente por serem aproximadores universais de func
oes com uma dada
precis
ao e apresentarem caractersticas atrativas
de interpolac
ao e extrapolac
ao numerica. Exemplos de aplicac
oes de sistemas fuzzy em identificac
ao e modelagem tem sido apresentados na
literatura recente como (Kishor, 2008; Du and
Zhang, 2008; Trabelsi et al., 2007), entre outros.
Os filtros transversais s
ao estruturas muito
populares entre os modelos de sistemas lineares, e,
conforme explicitado em (Oliveira e Silva, 1995), a
aplicac
ao destes fitros tem obtido razo
avel sucesso
em certos casos, entre estes, identificac
ao de sistemas, predic
ao linear, equalizac
ao de canais e anulac
ao de eco. Estes filtros possuem uma estrutura
relativamente simples, motivo qual que tornou-os
particularmente bem sucedidos, porem seu principal problema e a resposta ao impulso com uma
durac
ao finita. O filtro de Laguerre, ou serie de
Laguerre, e uma generalizac
ao dos filtros transversais que n
ao sofre deste e outros problemas.
A principal diferenca do filtro de Laguerre
para os filtros transversais se d
a pela localizacao
do p
olo. Enquanto os filtros transversais possuem
o p
olo na origem, caracterizando-se como modelos de resposta finita ao impulso, os filtros de Laguerre possuem m
ultiplos p
olos ajust
aveis e sao
um modelo de resposta infinita ao impulso. De
fato, pelo ajuste do p
olo de Laguerre na origem,
o filtro se degenera, se tornando um filtro transversal. Atraves da sintonia da posic
ao do polo,
e ajustada a taxa de diminuic
ao da resposta ao
impulso e de acordo com (Oliveira e Silva, 1995),
essa sintonia resulta em boas aproximac
oes de sistemas. Nos u
ltimos anos, filtros de Laguerre tem
sido aplicados com sucesso a diversos problemas
em controle e processamento de sinais. Sua maior
vantagem sobre outros metodos e a modelagem
em espaco de estados do sistema.
A evoluc
ao diferencial (ED) e um paradigma
advindo da computac
ao evolucion
aria criado por
Storn e Price (Storn and Price, 1997) para a otimizac
ao de func
oes reais contnuas de vari
aveis reais.
utilizada uma populac
E
ao de soluc
oes candidatas e, sobre esta, e realizado um processo iterativo
que tenta melhorar uma dada medida de qualidade, aplicando a cada iterac
ao operac
oes de mutac
ao e recombinac
ao entre as soluc
oes candidatas
de forma a gerar um novo conjunto de solucoes,
basicamente consistindo estas operac
oes de adic
oes ponderadas de diferencas aleat
orias dos vetores candidatos.
Neste trabalho e considerada a identificacao
utilizando um modelo Laguerre-Wiener. Nos modelos Wiener, o sistema identificado e separado em
duas componentes, uma primeira componente linear e uma segunda n
ao-linear. No caso especfico
do modelo Laguerre-Wiener, a componente linear
do sistema e representada pelo filtro de Laguerre.

ISBN: 978-85-8001-069-5

Por sua vez, a componente nao-linear e representada por ganhos estaticos, interpolados por um
polinomio. O sistema nao-linear e separado em
diferentes zonas de operacao de acordo com a entrada. Cada zona de operacao e linearizada por
um filtro de Laguerre, cujo polo e posteriormente
sintonizado por evolucao diferencial. A importancia da sintonia dos polos e relacionada a adequac
ao
do modelo aos dados.
O restante deste artigo esta organizado da seguinte maneira, a secao 2 apresenta o filtro de Laguerre na formulacao discreta e a formulacao resultante em espaco de estados, a secao 3 apresenta
o metodo da evolucao diferencial, a secao 4 apresenta o problema de sintonia dos polos de Laguerre
no modelo Laguerre-Wiener como um problema
de otimizacao, a secao 5 apresenta o sistema naolinear SISO utilizado para levantamento de dados,
assim como os resultados do trabalho e a secao 6
apresenta as conclusoes do processo de sintonia
assim como consideracoes futuras sobre uma conversao para um modelo Hammerstein utilizando
sistemas Fuzzy para efetuar a interpolacao tanto
dos ganhos estaticos como do filtro de Laguerre.
2

Filtro de Laguerre

Os filtros de Laguerre, ou serie de Laguerre, s

ao
uma generalizacao dos filtros transversais. A diferenca principal entre o modelo dos filtros de Laguerre os filtros transversais se da pela localizac
ao
do polo. Enquanto nos filtros tranversais, os quais
sao filtros do modelo FIR (Infinite Impulse Response) e possuem o polo na origem, os filtros de
Laguerre, por sua vez, possuem polos m
ultiplos
ajustaveis e sao um modelo IIR (Infinite Impulse
Response).
A funcao de Laguerre, ver equacao 1, e uma
funcao que representa perfeitamente o sistema
real, caso o n
umero de bases utilizadas n seja infinito, ou seja, para que haja uma perfeita representacao do sistema, faz-se necessario o uso de recursos ilimitados. Para tal, qualquer base utilizada
podera representar o sistema. Porem, nota-se que
conforme o grau da base aumenta, o coeficiente
associado a esta diminui, ate um ponto em que
pode ser desprezado dadas as grandezas que est
ao
sendo tratadas no sistema,
p
Lk (z, p) =

1 p2
zp

1 pz
zp

k1
k1.

(1)

Um modelo com estrutura de bases de Laguerre possui um somatorio de bases iguais, com
diferentes multiplicidades. Cada base possui um
coeficiente associado, definido pelo polo das fun
coes, tambem chamado de polo de Laguerre. E
pelo ajuste da posicao do polo que se ajusta a
taxa de diminuicao da resposta ao impulso, que,

3594

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

segundo (Oliveira e Silva, 1995), prove boas aproximac

oes de sistemas.
Das equac
oes discretas das bases de Laguerre
e possvel a obtenc
ao de um modelo no espaco
de estados, mais especificamente das matrizes A
e B. A matriz C e obtida atraves da modelagem
ARMAX (Auto Regressive Moving Average with
eXhogenous inputs) entre a serie gerada pelas bases de Laguerre e a sada conhecida do sistema,
utilizando mnimos quadrados. Assim, conclui-se
a obtenc
ao do modelo completo no espaco de estados:

X[k + 1]

AX[k] + Bu[k]

Y[k + 1]

CY[k] .

probabilidade deste vir do vetor atual ou do vetor de diferencas. Compondo assim a representacao DE//Beta/delta de possveis variantes de
DE, sendo a mais comum a DE/1/rand/bin originalmente proposta por Storn e Price (Storn and
Price, 1997).

(2)

Evolu
c
ao Diferencial

A evoluc
ao diferencial (Differential Evolution)
(Storn, 1996; Storn and Price, 1997; Price, 2005)
em problemas deste tipo deve-se a alguns fatos
importantes, j
a que utiliza mecanismos de selecao
natural, opera por sobre valores reais e n
ao requer
diferenciabilidade da func
ao a ser otimizada, visto
que n
ao utiliza o gradiente da func
ao para guiar
a otimizac
ao. Ainda, geralmente n
ao e necessario
uma populac
ao numerosa para um funcionamento
adequado da tecnica.
Grosso modo, a DE evolui da seguinte forma:
em cada iterac
ao, para cada individuo da populac
ao (vetor atual), um indivduo mutante e criado
(vetor de diferencas) e este e recombinado com o
indivduo original para criar um novo indivduo
(vetor tentativa), se a func
ao a ser otimizada tiver melhor valor para o novo indivduo, este toma
o lugar do atual e passa para a pr
oxima iteracao,
sen
ao, o atual permanece.
H
a v
arios tipos de estrategias possveis na
composic
ao da DE, cada uma delas e controlada
por um de seus par
ametros: especifica o vetor
que ser
a perturbado atraves das diferencas, podendo este ser um vetor aleat
orio (rand) ou pode
ser o vetor que atingiu o melhor valor na funcao de
custo ate o momento (best); define o n
umero de
diferencas ponderadas a serem consideradas para
a perturbac
ao do vetor na construc
ao do vetor
de diferencas, e e o tipo de recombinac
ao feita
entre o vetor atual e o vetor de diferencas, podendo ser exponencial (exp), feito para atuar como
o crossover dos algoritmos geneticos, onde o vetor
tentativa e dividido em duas ou tres partes (crossover de um ponto ou de dois, respectivamente)
as quais de acordo com certa probabilidade virao
do vetor atual ou do vetor de diferencas, sendo assim o vetor tentativa composto por seq
uencias de
elementos consecutivos do vetor atual ou vetor de
diferencas (Zaharie, 2009); outra possibilidade de
recombinac
ao e o modo bin
ario (bin), onde para
cada elemento do vetor do vetor tentativa ha a

ISBN: 978-85-8001-069-5

Figura 1: Pseudocodigo para o algoritmo Evolucao Diferencial.

O tamanho da populacao NP e crtico para
a busca do otimo global (Mallipeddi and Suganthan, 2010), contudo uma grande populac
ao
implicara na diminuicao da velocidade de convergencia e um aumento no numero de avaliacoes da
razoavel para uma escolha inifuncao de custo. E
cial NP = 10N , contudo valores de 2N a 40N
possam considerados de acordo com o balanco entre velocidade de convergencia e robustez na busca
do otimo global (Price, 2005).
A taxa de mutacao (ou tamanho do passo),
F , controla a amplificacao do efeito da diferenca,
e deve, na DE original, pertencer ao intervalo
[0, 2], porem, e usualmente escolhido dentro de
[0, 5; 1], pois e dito que valores fora deste intervalo
sao apenas ocasionalmente efetivos (Storn and
Price, 1997). Um maior valor para F aumenta a
probabilidade de escapar de um otimo local, dado
que este deve estar acima de um determinado valor
para evitar convergencia prematura (Gaamperle

3595

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

et al., 2002; Ronkkonen et al., 2005). Em contrapartida, se F for muito alto, o n

umero de avaliac
oes da func
ao de custo ate achar o
otimo cresce
rapidamente (Mallipeddi and Suganthan, 2010).
J
a a taxa de recombinac
ao (ou crossover ),
CR, e a que controla o quanto de cada um dos
dois indivduos, o vetor original e o vetor de diferencas, compor
a o novo indivduo a ser comparado
com o original. Basicamente, ele controla quais e
quantos ser
ao os componentes a serem recombinados, sendo CR a probabilidade, logo CR [0; 1],
da componente atual do loop de recombinacao
de vir do vetor de diferencas, e o complementar
da probabilidade de vir do vetor original. O ndice rnbr(i) e utilizado para garantir que em todo
novo indivduo haver
a pelo menos uma componente proveniente do vetor de diferencas. Um alto
valor para CR aumenta a velocidade de convergencia, afirma-se que CR = 0, 1 e uma boa escolha
inicial (Storn and Price, 1997), enquanto que valores mais pr
oximos da unidade podem ser utilizados para aumentar a velocidade da convergencia.
Sendo que valores mais baixos, CR (0; 0, 2), sao
mais adequados para problemas separ
aveis, enquanto os mais altos, CR (0, 9; 1), para os multimodais (Price, 2005; Ronkkonen et al., 2005).
4

y[n] = 7 (A + B + C) ,

(4)

e os termos A, B e C sao dados por:

A = e0.1n4n
B=

ln(n + 4)
e10.01un ,
round(ln(n + 1))!

C = e0.1n ,

(5)
(6)
(7)

onde n e a variavel temporal, u e o sinal de entrada

e y e a sada do sistema. O sistema descrito por
estas equacoes e exibido com 6 zonas de operac
ao
na figura 2.

Problema de Otimiza
c
ao

Para cada zona de operac

ao do sistema, e necessario encontrar o p
olo de Laguerre que melhor adequa o modelo linear aos dados observados. Isto e,
deseja-se encontrar o menor erro entre o modelo
e a observacao. O erro por sua vez pode ser medido como o erro medio quadr
atico (mean squared
error - MSE) Em termos matem
aticos:


2
min mean (yobs Lk (z, p)) ,
p

(3)

onde yobs e a serie temporal observada e p e o

p
olo de Laguerre a ser otimizado. Como e utilizada a formulac
ao discreta do filtro de Laguerre,
o limite do espaco de busca (search space - SS) e
a restric
ao dos p
olos, isto e, limSS = [1, 1], para
cada zona de operac
ao sendo considerada ate um
n
umero total de n zonas, formando o espaco de
busca SS = [p1 , p2 , ..., pn ].
5

Resultados

Tendo em vista o objetivo de ajuste dos polos de Laguerre, isto e, da parte linear do modelo Laguerre-Wiener, a an
alise de resultados
concentra-se na parte linear do modelo, afinal
quanto melhor a adequac
ao da componente linear,
menores ser
ao os ganhos est
aticos na componente
n
ao-linear e menor o erro de interpolac
ao. Assim,
para levantamento de dados foi elaborado um sistema SISO n
ao-linear descrito pela seguinte equac
ao:

ISBN: 978-85-8001-069-5

Figura 2: Sistema SISO nao-linear com 6 zonas

distintas de operacao.
Para obtencao de dados, o sistema foi simulado com tempo de amostragem T s = 0, 1, entre
0 e 100 segundos. As zonas de operacao apresentadas na figura 2 sao u = [0, 10, 61, 11, 62, 12, 6].
Para o filtro de Laguerre foi utilizado um n
umero fixo de bases, isto e, n = 20 bases. Os
parametros da evolucao diferencial sao NP =
10, F = 0, 8, CR = 0.5 e estrategia do tipo
DE/rand/1/bin. Como criterio de parada para
a otimizacao foram utilizadas 100 iteracoes, resultando em 1000 avaliacoes da funcao objetivo, para
cada zona de operacao.
Devido a similaridade entre as zonas de operacao, sera efetuada a analise de resduos e predic
ao
apenas para a primeira zona. A figura 3 apresenta a sada obtida pelo filtro de Laguerre, linha
tracejada, em contraste com os dados observados,
linha contnua. Visualmente, observa-se uma boa
adequacao da parte linear do modelo LaguerreWiener ao sistema em questao.

3596

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

A figura 4 apresenta a an
alise de resduos para
o modelo. A figura superior apresenta a correlac
ao entre os atrasos de resduos, isto e, memoria.
Embora fora dos nveis de confianca, em amarelo,
observa-se que o atraso nulo obtem o maior ndice enquanto os demais atrasos tendem a zero,
indicando a ausencia de autocorrelac
ao entre os
resduos. A figura inferior apresenta a correlacao
entre resduos e sada, dentro dos nveis de confianca, demonstrando que o modelo retrata adequadamente esta relac
ao.
Por sua vez a an
alise de predic
ao e apresentada na figura 5. Observa-se que a media do erro
de predic
ao situa-se pr
oxima ao zero, indicando
boa adequacao do modelo neste quesito. Entretanto, h
a a ocorrencia de quatro extremos, picos,
de erro. Comparando a figura 5 com a figura 3, e
not
avel que estes extremos est
ao situados em zonas onde as n
ao-linearidades ocorrem com maior
intensidade, n
ao sendo corretamente representadas pelo modelo linear.

Figura 3: Sada obtida pelo filtro de Laguerre. A

linha contnua demonstra os dados observados e a
linha tracejada o filtro de Laguerre.

A tabela 1 apresenta os resultados finais do estudo, na primeira linha est

ao situados os polos de
Laguerre, p, e na linha inferior o coeficiente de determinac
ao, ndice R2 , para a componente linear.
O ndice varia entre [0, 1], valores baixos indicam
uma baixa capacidade do modelo em identificar
amostras e valores altos indicam uma melhor capacidade.

ISBN: 978-85-8001-069-5

Figura 4: Analise de resduos do sistema. Embora fora dos nveis de confianca, a figura superior indica a ausencia de autocorrelacao entre os
resduos, com o atraso nulo obtendo o maior ndice. A figura inferior, por sua vez, indica que o
modelo adequadamente retrata a correlacao entre
resduos e sada.

Figura 5: Analise de erro de predicao do modelo,

indicando que o modelo obtem erro proximo a media nula para a predicao, com excecao dos quatro picos de erro onde ocorrem as transicoes naolineares.

Tabela 1: Polos de Laguerre e coeficiente de determinacao para as diferentes zonas de operacao.

p
R2

1
0,9
0,976

2
0,9
0,9806

Zonas de opera
c
ao
3
4
0,9
0,9
0,9838
0,9859

5
0,8912
0,9883

6
0,9
0,9885

3597

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

Conclus
ao

Neste trabalho foi abordado o problema de identificac

ao de sistemas, utilizando como dados um sistema n
ao-linear SISO criado pelos autores. Para a
identificac
ao n
ao-linear foi elaborado um modelo
Wiener. Neste modelo, a identificac
ao e separada
em duas componentes, a primeira linear e a segunda n
ao-linear. Foi utilizado o caso especfico
do modelo Laguerre-Wiener, onde a componente
linear e composta de um filtro de Laguerre. Por
sua vez, a componente n
ao-linear e caracterizada
por uma serie de ganhos est
aticos, interpolados
por um polin
omio para garantir eficiencia em tempos de amostragem diferentes do utilizado na identificac
ao.
Devido a existencia de zonas de operacao em
sistemas n
ao-lineares, isto e, diferentes comportamentos do sistema em relac
ao a diferentes entradas, o sistema em quest
ao foi separado em seis
zonas de operac
ao. Cada zona de operac
ao foi linearizada pelo filtro de Laguerre e os resduos restantes corrigidos pelo polin
omio n
ao-linear. Para
melhor adequar o filtro de Laguerre a cada zona
de operac
ao, foi utilizada a evoluc
ao diferencial,
um algoritmo de otimizac
ao estoc
astica, para encontrar os melhores valores dos p
olos de Laguerre.
Na an
alise de resultados foi considerada apenas a componente linear do sistema, isto e, o filtro de Laguerre. Obter o modelo linear que melhor retrata o sistema n
ao-linear implica em menores ganhos est
aticos assim como num modelo
mais preciso. Com modelos mais precisos, metodos dependentes da identificac
ao de sistemas,
como controladores baseados em modelos, podem
desfrutar de melhores resultados. Os resultados
indicam que a abordagem sugerida, isto e, utilizar a evoluc
ao diferencial para ajuste dos polos de
Laguerre, atinge modelos adequados. Os erros de
predic
ao do modelo s
ao pr
oximos a media nula,
entretanto, h
a extremos localizados nos instantes
em que as n
ao-linearidades s
ao mais intensas. A
an
alise de resduos demonstra que o modelo obtido retrata adequadamente a correlac
ao entre a
entrada e os resduos.
Deve ser notado que o filtro de Laguerre,
sendo um modelo no espaco de estados, n
ao necessita de treinamento, ao contr
ario dos outros metodos como abordagens fundamentadas em redes
neurais e sistemas fuzzy, porem utiliza um ajuste
de par
ametros pelo modelo ARMAX com um conjunto de dados. Alem disso, a maior vantagem
apresentada pelo filtro de Laguerre, e a existencia
de um modelo matem
atico tangvel em espaco de
estados.
O metodo apresentado e robusto e flexvel,
permitindo abordagens futuras que incluem alterar o modelo Wiener para o modelo Hammerstein
para o uso em controladores baseados em modelo.
Alem disso, tambem e possvel incrementar o me-

ISBN: 978-85-8001-069-5

todo com sistemas fuzzy para que a interpolac

ao
nao ocorra apenas para os ganhos estaticos mas
tambem para as zonas de operacao, sendo assim
possvel utilizar o sistema identificado em zonas
de operacao diferentes das amostradas na fase de
obtencao do modelo.
Agradecimentos
Os autores agradecem o apoio financeiro do Conselho Nacional de Desenvolvimento Cientfico e
Tecnologico - CNPq (processo: 303963/20093/PQ). Alem disso, o primeiro autor agradece a
UFSC pela concessao de uma bolsa de doutorado
vinculada ao CNPq (processo: 140592/2012-1).
Refer
encias
Aguirre, L. A. (2000). Introduc
aa
` Identificac
ao de
Sistemas - Tecnicas Lineares e N
a-Lineares
Aplicadas a Sistemas Reais, UFMG.
Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford: Oxford University
Press.
Corigliano, A. and Mariani, S. (2004). Parameter identification in explicit structural dynamics: performance of the extended kalman
filter, Computer Methods in Applied Mechanics and Engineering 193.
Correa, M. V. and Aguirre, L. A. (2004). Identificacao nao-linear caixa-cinza: uma revis
ao
e novos resultados, Sba: Controle e Automac
ao, Sociedade Brasileira de Autom
atica
15: 109126.
Du, H. and Zhang, N. (2008). Application of evolving takagi-sugeno fuzzy model to nonlinear
system identification, Applied Soft Computing 8(1): 676686.
Gaamperle, R., M
uller, S. D. and Koumoutsakos,
P. (2002). A parameter study for differential
evolution, WSEAS Int. Conf. on Advances in
Intelligent Systems, Fuzzy Systems, Evolutionary Computation, Press, pp. 293298.
Haykin, S. (1999). Neural Networks, A comprehensive foundation, Second Edition, Prentice Hall.
Hornik, K. (2004). Some new results on neural network approximation, Neural Networks
(6): 10691072.
Hornik, K., Stinchcombe, M. and White, H.
(1989). Multilayer feedforward networks are
universal approximators, Neural Networks
(2): 359366.

3598

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

Kishor, N. (2008).
Zero-order ts fuzzy model to predict hydro turbine speed in closed loop operation, Applied Soft Computing
8(2): 10741084.
Mallipeddi, R. and Suganthan, P. (2010). Differential evolution algorithm with ensemble of
parameters and mutation and crossover strategies, in B. Panigrahi, S. Das, P. Suganthan
and S. Dash (eds), Swarm, Evolutionary, and
Memetic Computing, Vol. 6466 of Lecture Notes in Computer Science, Springer Berlin /
Heidelberg, pp. 7178.
Mehrotra, K. C. and Ranka, S. (1997). Elements
of Artificial Neural Networks, MIT Press.
Oliveira e Silva, T. (1995). Laguerre filters an
introduction, Revista do DETUA 1(3): 237
248.
Price, K. (2005). Differential Evolution: a Practical Approach to Global Optimization, Springer, Berlin.
Ripley, B. D. (1996). Pattern Recognition and
Neural Networks, Cambridge: Cambridge
University Press.
Ronkkonen, J., Kukkonen, S. and Price, K.
(2005). Real-parameter optimization with
differential evolution, Evolutionary Computation, 2005. The 2005 IEEE Congress on,
Vol. 1, pp. 506 513 Vol.1.
Rumelhart, D. E., Hinton, G. E. and Williams,
R. J. (1986). Learning Internal Representations by Error Propagation, in Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. I, MIT Press.
Storn, R. (1996). On the usage of differential
evolution for function optimization, in NAFIPS96, IEEE, pp. 519523.
Storn, R. and Price, K. (1997). Differential evolution - a simple and efficient heuristic for
global optimization over continuous spaces,
Journal of Global Optimization 11: 341359.
Sugeno, M. and Kang, G. T. (1988). Structure
identification of fuzzy model, Fuzzy Sets and
Systems 28(1): 1533.
Takagi, T. and Sugeno, M. (1985). Fuzzy identification of systems and its applications to
modeling and control, IEEE Transactions on
Systems, Man and Cybernetics 15(1): 116
132.
Trabelsi, A., Lafont, F., Kamoun, M. and Enea,
G. (2007). Fuzzy identification of a greenhouse, Applied Soft Computing 7(3): 1092
1101.

ISBN: 978-85-8001-069-5

3599