Escolar Documentos
Profissional Documentos
Cultura Documentos
Logica Fuzzy Aplicada As Engenharias PDF
Logica Fuzzy Aplicada As Engenharias PDF
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Dezembro de 2012
Jos Homero Feitosa Cavalcanti
PREFCIO
Jos Homero Feitosa Cavalcanti tem interesses no uso de sistemas inteligentes em robtica. Ele usou sistemas baseados em Lgica Fuzzy desde o incio da dcada de 1990 quando
ele cursava o doutorado (defendido em 1995) na rea de controle do Departamento de Engenharia Eltrica na antiga UFPB em Campina Grande, PB. Durante a elaborao da sua tese de
doutorado e observando os pndulos, ele e os seus orientadores projetaram um controlador
hbrido, baseado na Lgica Fuzzy e nas Redes Neurais Artificiais, para o posicionamento invertido do pndulo simples. Devido a interao cientfica entre o Professor Jos Homero Feitosa Cavalcanti e os participantes do NEUROLAB, foi decidido que esses colegas participariam, cada um, na elaborao de um captulo sobre a aplicao prtica da Lgica Fuzzy baseados nas suas experincias no NEUROLAB. Esta uma verso provisria do livro Lgica
Fuzzy aplicada s engenharias
Este livro possui cinco captulos (captulos 1 a 5) escritos pelo Professor Jos Homero
Feitosa Cavalcanti que versam sobre a base computacional e matemtica de sistemas que usam a Lgica Fuzzy.
O Professor Jos Homero Feitosa Cavalcanti escreveu o captulo 6 que representa na
Lgica Fuzzy as notas musicais. Usa-se a altura das FPs.
Este livro possui um captulo (captulo 7) escrito em conjunto com o Professor Ccero
Rocha Souto usando a defuzzyficao contnua. Os Sistemas complexos, tais como os sistemas representados por pndulos ou o corpo humano, podem ser modelados matematicamente como sistemas de mais de um grau de liberdade. Podem ser citados como sistemas complexos os pndulos e os sistemas robticos que usam ligas com memria de forma. Ccero Rocha
Souto apresenta um sistema desenvolvido para a anlise e a implementao de sistemas usando materiais atuadores de ligas com memria de forma (LMF). O sistema utiliza as ferramentas da lgica Fuzzy e um simulador do comportamento de mudana de forma de uma viga, e
se prope um sistema Fuzzy para control-la. Usa-se a CG das FPs para identificar a LMF.
Este livro possui um captulo (captulo 8) escrito em conjunto com a Professora Mnica
Tejo Cavalcanti baseado na aplicao da defuzzyficao contnua. Durante a elaborao da
sua tese de doutorado (defendida em 2011) ela observou a possibilidade de usar a Lgica
Fuzzy na anlise sensorial. Aps estudos sobre o funcionamento de sistemas para a anlise
sensorial de amostras, ela desenvolveu um sistema Fuzzy para a definio e gradao das caractersticas das amostras, e para a anlise e deciso sobre os dados obtidos da anlise sensorial. Usa-se o valor final da CG das FPs para escolher a amostra.
Este livro possui um captulo (captulo 9) escrito em conjunto com o Professor Hiran de
Melo defuzzyficao lgica e agrupamento. O Professor defendeu a sua tese de doutorado
na rea de previso de sinais, especificamente sobre a previso da posio de um peso sobre
uma placa vibratria. Hiran de Melo responsvel por um captulo que aborda estados de sistemas e a previso de valores em sries temporais representadas como variveis da Lgica
Fuzzy. Usa-se a posio das FPs para representar elementos da srie temporal.
Este livro possui um captulo (captulo 10) escrito para representao e anlise de um
manipulador robtico. Usa-se a inclinao da FP para representar manipuladores de n elos.
O texto deste livro possui nove captulos, ordenados em uma seqncia lgica da estrutura da Lgica Fuzzy. No corpo de cada captulo h a fundamentao terica, exerccios tericos e prticos, proposies de cdigos em linguagem C, solues implementadas no ambiente
1
Jos Homero Feitosa Cavalcanti et ali
MATLAB e as obras de referncia utilizadas. No final apresentado um apndice com a relao das publicaes citadas e sugeridas neste livro.
Neste livro, aps alguns captulos sobre a base da Lgica Fuzzy, apresentam-se os resultados obtidos no desenvolvimento de sistemas Fuzzy, no laboratrio NEUROLAB, na rea
de sistemas no lineares. Apresentam-se as caractersticas de um sistema Fuzzy para anlise
de acordes musicais, um sistema Fuzzy para anlise sensorial, um sistema Fuzzy para previso de sries temporais, e um sistema Fuzzy para anlise e controle de sistemas com memria
de forma.
Este livro usa os recursos de multimdia disponveis nos microcomputadores e tabletes
atuais. O autor escolhe algumas figuras dos captulos para fazer a animao montando um
filme que apresenta dinamicamente o traado das curvas nas figuras. O livro armazenado em
*.pdf e os filmes em *.wmv. Durante a leitura do livro o leitor pode ativar um conjunto de
filmes preparados sobre o desenvolvimento e gerao de algumas figuras.
Dados de Catalogao na publicao (CIP) Internacional, (Cmara do Livro, Brasil)
Cavalcanti, Jos Homero Feitosa, 1950
Cavalcanti, Mnica Tejo, 1980
Ccero Rocha Souto, 1965
Hiran de Melo, 1955
LGICA FUZZY APLICADA S ENGENHARIAS
Joo Pessoa PB, 2012
Bibliografia: Lgica Fuzzy; Controladores Fuzzy; Msica; Anlise sensorial; Memria
de forma; Posicionamento; Previso de sries temporais.
2
Jos Homero Feitosa Cavalcanti et ali
SUMRIO
1
1.1
1.2
1.3
1.4
2
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
5
5.1
5.2
5.3
5.4
5.5
INTRODUO
Introduo
A lgica de Ariststeles
A lgica Fuzzy de Zadeh
Descrio dos captulos
8
8
11
12
14
14
15
17
20
22
23
27
AS FUNES DE PERTINNCIAS
Introduo
O traado das funes de pertinncias triangulares
O alvo nas funes de pertinncia
Operaes bsicas da Lgica Fuzzy
A defuzzyficao lgica
Uma reta intercepta as funes de pertinncias
A Lgica Fuzzy de Mamdani
Concluso
28
28
31
32
36
37
40
40
41
41
43
51
55
57
61
64
69
70
73
76
77
81
3
Jos Homero Feitosa Cavalcanti et ali
6
6.1
6.2
6.3
6.4
6.5
6.7
6.7
6.8
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
8
8.1
8.2
8.3
8.4
8.5
83
83
85
87
89
90
94
98
Introduo
Aplicaes das LMFs
A histerese em LMFs, experimental
A histerese em LMFs e a Lgica Fuzzy
Controle das LMFs
Controle usando a Lgica Fuzzy
Controle direto do comprimento da LMF
Anlise experimental
Concluso
99
98
99
100
103
104
109
110
115
ANLISE SENSORIAL
Introduo
Caractersticas da lgica Fuzzy
A Anlise Sensorial e a Lgica Fuzzy
Anlise sensorial da faveleira usando a Lgica Fuzzy
Concluso
117
118
119
122
124
9
9.1
9.2
9.3
9.4
9.5
9.6
AGRUPAMENTOS E PREVISO
Introduo
Radiao solar
Varivel fuzzy da radiao solar
Varivel fuzzy da radiao solar, agrupamento
Varivel fuzzy da radiao solar, fuzzyficao
Concluso
125
125
125
126
130
133
10
10.1
10.2
10.3
10.4
10.6
134
134
136
138
144
4
Jos Homero Feitosa Cavalcanti et ali
145
147
148
5
Jos Homero Feitosa Cavalcanti et ali
FIGURAS
1
INTRODUO
A LGICA FUZZY
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
2.21
2.21
2.22
2.23
2.24
2.25
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
Aquecimento de um termmetro
Temperatura no termmetro
Temperatura na sala, gradao
Sensao trmica na sala
Sensao trmica na sala, gradao e lgica
Sensao trmica na sala, lgica
Sensao trmica na sala, T_alta
Sensao trmica na sala, T_baixa
Sensao trmica na sala, funes de pertinncias
Sensao trmica na sala, positiva e prxima de zero grau
Sensao trmica na sala, positiva e negativa
Sensao trmica na sala, retas
Sensao trmica na sala, retas e extenso
Sensao trmica na sala, trapzios
Sensao trmica na sala
Funes de pertinncias
Sensao trmica na sala, exerccio
Funo sigmide
Derivada da funo sigmide
Funo sigmide decrescente
Funo sino
Altura versus idade
Altura do homem, gradao e lgica
Varivel Fuzzy idade
Idade versus altura
Funo de pertinncia da idade
5
6
6
7
8
8
9
9
10
10
11
11
11
12
12
12
12
13
14
15
15
16
17
17
18
18
A DEFUZZYFICAO LGICA
Diagrama de entrada de um sistema Fuzzy
Funes de pertinncia
Funes de pertinncia, altura
Desenho das funes de pertinncias e do alvo
Fuzzyficao e defuzzyficao lgica
Desenho dos alvos
defuzzyficao contnua, o centro de gravidade
21
22
23
24
25
26
26
35
35
36
37
38
38
39
40
6
Jos Homero Feitosa Cavalcanti et ali
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
4.17
4.18
4.19
4.20
4.21
4.22
4.23
4.24
5
Temperaturas referncias
Temperaturas referncias, exerccio
Indicao da temperatura
Identificao do sistema trmico
Temperaturas referncias
Projeto do controlador Fuzzy
Detalhes do controlador Fuzzy inverso
Dinmica direta e inversa da planta
Identificao do sistema trmico, exerccio
Controladores tradicionais
Controle inverso a nveis variveis
Controle da temperatura, positiva e negativa
Controladores tradicionais
Os controladores lineares
O controlador PID
Funes de pertinncias, proporcional ao erro
40
42
42
43
43
44
44
45
46
46
47
47
48
48
48
49
A DEFUZZYFICAO CONTNUA
7
Jos Homero Feitosa Cavalcanti et ali
CAPTULO 1
INTRODUO
1.1
INTRODUO
Devido avanada automatizao dos processos e o uso de robs no quotidiano humano
e nas fbricas, os cursos padres de engenharia decidiram formarem engenheiros com o conhecimento bsico de inteligncia artificial. Este livro versa sobre a Lgica Fuzzy, algumas
vezes denominada lgica nebulosa, e a sua aplicao em sistemas no lineares. Neste captulo
so analisados sucintamente o princpio da lgica, a representao de conhecimento e a soluo de problemas usando a heurstica e a Lgica Fuzzy.
1.2
A LGICA DE ARISTSTELES
O filsofo e matemtico grego Aristteles nasceu em Estagira prximo de Pela, a capital
da Macednia na Grcia, ele viveu de 384 a 322 a.C. e morreu em Eubeia. O matemtico Ariststeles considerado o fundador da cincia da lgica. Suas obras contm o primeiro estudo formal conhecido da lgica, que foi incorporado posteriormente lgica formal.
Ariststeles criou um conjunto de regras rgidas para que concluses sobre questes
fossem aceitas como corretas ou logicamente vlidas.
O uso da lgica de Aristteles induz uma linha de raciocnio lgico baseado em premissas e concluses. Por exemplo, se estabelecido que um ser vivo mortal:
todo ser vivo mortal" ( considerado como premissa 1).
Ao mesmo tempo constatado que a mulher Sarah:
"Sarah um ser vivo" (considerado como premissa 2).
Usando-se a lgica de Aristteles conclui-se que "Sarah um ser vivo", isto :
"Sarah mortal".
Esse tipo de lgica conhecido como Lgica Binria ou Lgica Clssica, isto , uma
declarao falsa ou verdadeira, no podendo ser ao mesmo tempo parcialmente verdadeira e
parcialmente falsa.
A seguir, so apresentados algumas definies e alguns termos geralmente utilizados no
estudo da lgica (Copi, 1968).
A lgica, a cincia das leis do pensamento.
A lgica, a cincia do raciocnio.
Pensamento, qualquer processo mental que se produz na psique de uma pessoa.
Silogismo, um argumento que consiste em duas premissas e uma concluso. O silogismo dedutivo, parte do universal para o particular.
A lgica pode ser feita usando-se o modus ponens (latim), que o modo afirmativo,
ou o modus tollens (latim), que o modo negativo.
Modus ponens (em latim significa modo de afirmar) um dos modos dos silogismos
condicionais. Uma das formas formais de representar o modus ponens mostrada abaixo.
Se P ento Q.
P portanto Q.
O argumento tem duas premissas. A primeira premissa a condio "se - ento", significa que P implica Q. A segunda premissa que P verdadeiro seguido da concluso. A seguir apresenta-se um exemplo da lgica modus ponens.
Se chover (P), ento fico em casa (Q).
Chove (P).
Ento fico em casa (Q).
Uma das formas formais de representar o modus tollens (em latim significa modo que
nega) o nome formal para a prova indireta.
Se P ento Q.
Q falso portanto P falso.
O argumento tem duas premissas. A primeira premissa a condio se-ento, nomeadamente que P implica Q. A segunda premissa que Q falso. Destas duas premissas pode
ser logicamente concluido que P tem de ser falso. Explica-se com: se P fosse verdadeiro, ento Q seria verdadeiro, pela premissa 1, mas no , pela premissa 2.
A seguir apresenta-se um exemplo da lgica modus tollens.
Se existe fogo aqui (P), ento aqui tambm h oxignio (Q).
9
Jos Homero Feitosa Cavalcanti et ali
(premissa)
(argumento, A est contido em B)
ento X B (concluso)
A concluso de um argumento a proposio que se afirma com base nas outras proposies. As proposies que so enunciadas como prova (ou a razo para aceitar a concluso)
so as premissas desses argumentos.
As seguintes palavras so indicadores de premissas: porque, desde que, pois que, como,
dado que, tanto mais que, pela razo de que.
As palavras mostradas a seguir so indicadores de concluso: portanto, d, logo, assim,
conseqentemente, segue-se que, pode-se inferir, pode-se concluir.
Argumentos so dedutivos (termos vlidos e invlidos) e indutivos (melhor ou pior, usa
a probabilidade). A induo parte do particular para o universal. Dessa forma, se forem verdadeiras as premissas, a concluso, logicamente, tambm ser.
1.3
LGICA
GICA FUZZY APLICADA S ENGENHARIAS
A Lgica Fuzzy baseada na teoria dos Conjuntos Fuzzy. Entretanto, na Lgica Fuzzy,
uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira
ou parcialmente falsa.
A Lgica Fuzzy (Lgica Difusa ou Lgica Nebulosa), tambm pode ser definida, como
a lgica que suporta os modos de raciocnio que so aproximados ao invs de exatos.
exatos O raciocnio exato o que estamos naturalmente acostumados a trabalhar.
A fora da Lgica Fuzzy deriva da sua habilidade em inferir concluses e gerar resposrespo
tas baseadas em informaes vagas, ambguas e qualitativamente incompletas e imprecisas.
Neste aspecto,
pecto, os sistemas de base Fuzzy tm habilidade de raciocinar de forma semelhante
dos humanos. Seu comportamento representado de maneira muito simples e natural, levando
construo de sistemas compreensveis e de fcil manuteno.
A Lgica Fuzzy umaa ferramenta capaz de capturar informaes vagas, em geral desde
critas em uma linguagem natural e convert-las
convert las para um formato numrico, de fcil manipulamanipul
o pelos computadores de hoje em dia. Considere a seguinte frase:
Se o sol forte e a circulao do ar
a pequena, ento a temperatura da sala muito
alta.
Os termos forte, pequena e muito alta trazem consigo informaes vagas. A represenreprese
tao dessas informaes vagas se d atravs do uso de conjuntos Fuzzy. Devido a esta propr
priedade e a capacidade de realizar
alizar inferncias, a Lgica Fuzzy tem encontrado grandes apliapl
caes nas seguintes reas: Sistemas Especialistas; Computao com Palavras; Raciocnio
Aproximado; Linguagem Natural; Identificao e Controle de Processos; Robtica; ModelaModel
mento de Sistemas Parcialmente
rcialmente Abertos; Reconhecimento de Padres e Processos de TomaTom
da de Deciso.
Usando a Lgica Fuzzy um aluno no teria dificuldade em assinalar um grau ao profesprofe
sor no conjunto dos "bons professores". Esse grau alcanado imediatamente sem nenhuma
anlise
se consciente sobre os fatores que influem nessa deciso.
O grau de associao no probabilidade, mas uma medida da compatibilidade do objeobj
to com o conceito representado pelo conjunto Fuzzy. Suponha-se
Suponha se que Jos tenha 48 anos, num
11
Jos Homero Feitosa Cavalcanti et ali
sistema Fuzzy pode-se definir o nmero 0.3 como a compatibilidade de Jos com a definio
do conjunto Fuzzy dos homens jovens. Esse nmero 0.3 no a probabilidade de Jos ser um
homem jovem, pois ele j tem sua idade definida de 48 anos.
Neste livro, inicialmente, sero estudados como representar sistemas fsicos usando a
Lgica Fuzzy. A seguir, sero estudadas as defuzzyficaes lgicas e contnuas. Sero apresentados exemplos da identificao da dinmica (direta e inversa) de plantas no lineares usando sistemas Fuzzy e sero estudados sucintamente controladores Fuzzy.
1.4
Este livro foi escrito em nove captulos. Nos captulos sero descritos e analisados programas computacionais escritos na linguagem C do ambiente MATLAB.
No captulo 1, aps alguns comentrios sobre a Lgica de Ariststeles e a Lgica Fuzzy
de Zadeh, descrevem-se os contedos dos captulos deste livro.
No captulo 2, inicialmente faz-se a anlise Fuzzy de um sistema trmico desenvolvido
para simulao de uma planta de primeira ordem. Faz-se uma anlise sucinta das variveis
Fuzzy dos tipos lgicas e contnuas e definem-se as funes de pertinncias dos sistemas
Fuzzy. Por ltimo, aps a definio formal da Lgica Fuzzy conclui-se o captulo.
No captulo 3 apresentam-se as principais caractersticas intuitivas usadas no desenvolvimento da Lgica Fuzzy, ser mostrado o traado das funes de pertinncias triangulares
seguido das operaes bsicas e a defuzzyficao lgica no conjunto Fuzzy. Por ltimo,
ser comentado sucintamente a Lgica Fuzzy de Mandani.
No captulo 4 apresentada a defuzzyficao lgica na rea de controle. O controlador Fuzzy, o identificador e o controlador fuzzy inverso que usam funes de pertinncias nas
formas de retas e sigmides.
No captulo 5 apresentado o controlador de Furohashi, baseado num controlador fuzzy
tradicional e usando funes de pertinncias nas formas de retas e sigmides.
No captulo 6 apresenta-se a defuzzyficao contnua. Analisam-se as formas de adaptao dos parmetros Fuzzy, e se apresentam exemplos de treinamento dos parmetros do
sistema Fuzzy.
No captulo 7 estudam-se as caractersticas bsicas usadas no projeto e implementao
de um Sistema de Fuzzy desenvolvido para um sistema radiao solar. Estudam-se o Agrupamento e a fuzzyficao dos dados da radiao solar. Por ltimo feito um estudo sucinto
de previso de sries temporais com nfase em vibraes de vigas.
No captulo 8 prope-se e estuda-se o desenvolvimento de um sistema Fuzzy para a Anlise Sensorial de dados, e se faz a anlise sensorial de sementes da faveleira usando a Lgica Fuzzy.
No captulo 9 apresentam-se os conceitos bsicos e as caractersticas de ligas de memria de forma. Analisam-se as caractersticas das ligas de memria de forma e as representa e
controla usando a Lgica Fuzzy.
12
Jos Homero Feitosa Cavalcanti et ali
CAPTULO 2
INTRODUO
Inicialmente faz-se a anlise intuitiva de um sistema Fuzzy desenvolvido para a simulao de uma planta de primeira ordem representada por um sistema trmico. A seguir, aps
uma anlise sucinta das variveis Fuzzy lgicas e contnuas apresenta-se a definio formal da
Lgica Fuzzy. Aps a apresentao de dois outros sistemas Fuzzy, conclui-se este captulo
com a sua anlise e a descrio do captulo seguinte.
2.2
100o
i
S1 desligada
S1 ligada
+
-
S1 i
R
0oC
50
S1="0"
T
e
m
pC
40
30
20
10
S1="1"
0
0
t0
20
40
60
80
100
t1
120
140
160
180
200
t(s)
S1="0" ALTA
Tem
pC
40
MEDIA
30
20
BAIXA
10
S1="1"
0
0
t0
20
40
60
80
100
t1
120
140
160
180
200
t(s)
Podem ser definidas trs variveis lgicas para indicar a sensao trmica de uma pessoa numa sala: BAIXA, MDIA e ALTA. Essas variveis podem representar variveis lingusticas na Lgica Fuzzy. Essas variveis lgicas tero valor lgico 1 quando a temperatura estiver nas faixas apresentadas na Fig.2.3.
Analisando-se o grfico da Fig.2.3, considerando que no incio da anlise as variveis
lgicas tem o valor zero (BAIXA=0, MEDIA=0 e ALTA=0), e havendo variao na
temperatura, o valor lgico das variveis sero BAIXA=1 quando Temp<17oC; MEDIA=1 quando 40oC>Temp>20oC e ALTA=1 quando Temp>40oC. Baseado nesta anlise
intuitiva podem ser traadas curvas para representarem a sensao trmica de uma pessoa na
sala.
Na Fig.2.4 apresentam-se as trs curvas das variveis lgicas (BAIXA, MDIA e ALTA) traadas para indicarem a sensao trmica das pessoas. Observe-se que a abscissa o
valor da temperatura e a ordenada o valor lgico da sensao trmica (ou o valor de BAIXA, MDIA e ALTA). Essas variveis lgicas so conhecidas como variveis liguisticas,
pois representam a nossa interpretao intuitiva da temperatura num ambiente.
O valor da varivel ser BAIXA=1 para Temp<20oC (representado na cor vermelha
na Fig.2.4). O valor da varivel ser MEDIA=1 para 20oC<Temp<40oC (representado na
cor azul na Fig.2.4). O valor da varivel ser ALTA=1 para Temp>40oC (representado na
cor verde na Fig.2.4).
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
S1="0"
40
T
em
pC
50
30
20
10
S1="1"
0
t0
t1
t(s)
-10
-20
20
40
60
80
100
120
140
160
180
200
15
Jos Homero Feitosa Cavalcanti et ali
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
A funo T-media formada por duas outras funes. O traado de T-mdia de 10oC at
30 C semelhante ao traado da curva T-alta, e que o traado de T-mdia de 30oC at 50oC
semelhante ao traado da curva T-baixa.
o
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-10
10
20
30
40
50
60
TempoC
70
NEG-MEDIA
NEG-BAIXA
MINIMA
BAIXA
MDIA
ALTA
0
0oC
Temp
18
Jos Homero Feitosa Cavalcanti et ali
2.5
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
70
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
70
2.5
EXERCCIOS Funes de pertinncias, retas
2.5.1)Desenhe na Fig.2.15 as curvas T-baixa, T-media e T-alta usando uma reta para T-baixa,
duas retas para T-media (Funo de pertinncia triangular) e uma reta para T-alta. Respeite os
pontos de transio de 20oC e 40oC.
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
BAIXA
MEDIA
ALTA
1
0. 9
0. 8
0. 7
0. 6
0. 5
0. 4
0. 3
0. 2
0. 1
0
-10
10
20
30
40
50
60
TempoC
20
Jos Homero Feitosa Cavalcanti et ali
70
2.6
SIG(.) = Zi(t) =
Zi(t)=SIG'(.) =
dZ i (t)
= SIG(.).(1.-SIG(.))
dYi (t)
(2.2)
1
0.25
0.9
Zi(t)
0.8
0.2
0.7
0.6
0.15
Zi(t)
0.5
0.4
0.1
0.3
0.2
0.05
0.1
Yi(t)
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
SIGMOIDE
0.4
0.6
0.8
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
Derivada da SIGMOIDE
0.6
0.8
Yi(t)
e Yi (t )
SIGD(.) = 1-SIG(.)=
1. + e Yi (t )
(2.3)
1
1
0.9
0.8
0.8
0.6
0.7
0.4
0.6
Zi(t)
0.2
Zi(t)
0.5
0
0.4
-0.2
0.3
-0.4
0.2
-0.6
0.1
-0.8
1-Yi(t)
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
SIGMOIDE DECRESCENTE
0.6
0.8
Yi(t)
-1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
INVERSA da SIGMOIDE
0.8
0.9
21
Jos Homero Feitosa Cavalcanti et ali
A funo de pertinncia da funo Sino possui a funo de ativao de sada do tipo sino (ver o seu traado na cor vermelha na Fig.2.20 e eq.2.4). Na eq.2.4 o parmetro indica a
largura e o deslocamento da funo sino. Os parmetros da funo sino usados no traado da
curva mostrada na Fig.2.20 foram definidos com os seguintes valores: =0 e =1.
2
(2.4)
1
0.9
0.8
Zi(t)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.8
-0.6
-0.4
-0.2
0
SINO
0.2
0.4
0.6
0.8 Yi(t) 1
2.6
EXERCCIOS FUNES DE PERTINNCIA, SIGMIDES
2.5.1)Desenhe na Fig.2.21 as curvas T-mnima, T-baixa, T-media e T-alta usando a funo
sigmide, a sigmide decrescente e a derivada da sigmide para T-baixa, trs retas para Tmedia e T-alta. Repita o exerccicio usando a funo sino.
MINIMA
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-10
10
20
30
40
50
60
TempoC
70
2.7
Os Conjuntos Fuzzy so ferramentas que podem ser usadas na manipulao de conceitos vagos e particularmente, Sistemas Fuzzy ou Sistemas Inteligente, representam os esforos
na direo da emulao da capacidade humana.
Na teoria clssica dos conjuntos, os conjuntos so ditos "crisp", de tal forma que um dado elemento do universo em discurso (domnio) pertence ou no pertence ao referido conjunto. Na teoria dos conjuntos Fuzzy existe um grau de pertinncia de cada elemento a um de-
22
Jos Homero Feitosa Cavalcanti et ali
terminado conjunto. Este conceito parece ser bastante natural e facilmente percebido ao examinarmos a lista de conjuntos abaixo:
conjunto dos nmeros naturais ( c )
conjunto dos caracteres ASCII ( c )
conjuntos dos nmeros naturais muito maiores do que dez ( f )
conjunto dos clientes com alta renda ( f )
Existe claramente uma diferena fundamental entre os conjuntos marcados com "c" e os
conjuntos marcados com "f". Por exemplo, considere-se um caractere, pode-se afirmar sem
dvida se esse caractere pertence ou no pertence ao conjunto dos caracteres ASCII. Essa
questo no to simples quando se lida, por exemplo, com o conjunto dos homens altos.
Uma pessoa que tenha 1,74m de altura seria considerada como pertencente a esse conjunto? E
uma outra com 1,75m? V-se claramente que no existe uma fronteira bem definida separando os elementos do conjunto dos homens altos dos elementos do conjunto dos homens no
altos.
A seguir apresenta-se a definio formal da Lgica Fuzzy (Zadeh, 1965).
Se Y uma varivel que toma valores num universo U, ento a distribuio de possibilidade associada com Y pode ser vista como uma condio elstica nos valores que
podem ser atribudos a Y. Por exemplo, se F um subconjunto Fuzzy de U caracterizado pela funo de pertinncia f: U
[0,1], ento a declarao Y F traduzido numa
distribuio de possibilidade para Y sendo igual a F. Pode-se escrever:
Possibilidade (Y=u)=
f(u)
O conjunto Fuzzy A definido como o par ordenado A={x,
A(x)}
Onde x X e 0
A(x) 1. A funo de pertinncia (x)
descreve o grau a que o
objeto x pertence ao conjunto A. A(x)=0 representa nenhuma pertinncia e A(x)=1,
representa pertinncia total.
Observe-se que a teoria da possibilidade independente da teoria da probabilidade e dos
conjuntos Fuzzy. A teoria da possibilidade uma teoria matemtica para tratar de determinados tipos de incerteza e uma alternativa a teoria de probabilidade. O professor Lotfi Zadeh
props a teoria da possibilidade em 1978 como uma extenso de sua teoria de jogos.
Uma distribuio de possibilidade um conjunto Fuzzy com pelo menos uma funo de
pertinncia. Todos os nmeros Fuzzy so distribuio de possibilidade.
2.7
EXERCCIO DEFINIO DA LGICA FUZZY
2.7.1)Um copo dgua pode estar cheio, vazio ou meio. Explique usando a Lgica Fuzzy.
2.7.2)Qual a diferena entre possibilidade e probabilidade?
2.7.3) Na Fig.2.22 desenhada a curva da altura de um homem versus a sua idade. Observe-se
que no grfico o homem cresce at aproximadamente 2.0m at a idade de 20 anos. Verifique
se correta a gradao da altura do homem em relao altura, BAIXA, MDIA e ALTA.
Desenhe as as funes de pertinncia triangulares para esta varivel fuzzy na Fig.2.23.
23
Jos Homero Feitosa Cavalcanti et ali
2
ALTA
1.8
1.6
MEDIA
1.4
BAIXA
Altura
1.2
1
0.8
0.6
0.4
0.2
0
10
20
30
40
50
Idade
60
70
80
90
100
BAIXA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
24
Jos Homero Feitosa Cavalcanti et ali
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
25
Jos Homero Feitosa Cavalcanti et ali
MEDIA(X)
ALTA(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
CONCLUSO
Neste captulo, aps a anlise de um sistema trmico usando a Lgica Fuzzy com variveis lgicas e contnuas. A seguir apresentaram-se sucintamente as caractersticas de algumas
funes de ativao que podem ser usadas como funes de pertinncia. Analisaram-se os tipos de funes de pertinncias baseadas em retas e em sigmides. Finalmente apresentou-se
uma definio formal da Lgica Fuzzy.
26
Jos Homero Feitosa Cavalcanti et ali
CAPTULO 3
INTRODUO
Neste captulo apresentam-se detalhes da programao de um sistema Fuzzy usando
funes de pertinncia triangular. Inicia-se o captulo analisando as variveis Fuzzy e a
fuzzyficao, faz-se a simulao e o traado de funes de pertinncias triangulares. A seguir, analisa-se a defuzzyficao lgica e contnua. Descrevem-se as operaes bsicas da
Lgica Fuzzy e se conclui o captulo com comentrios sobre este e o prximo captulo.
3.2
Na Fig.3.1, esquerda, apresenta-se a entrada X de um sistema genrico Fuzzy. A entrada X aplicada individualmente sobre quatro funes de pertinncia Z(X), P(X), M(X) e
G(X). A seguir, essas aplicaes so agrupadas como pode ser visto no centro da Fig.3.1. Essas funes de pertinncia representam variveis lingsticas Fuzzy (Zero, Pequeno, Mdio e
Grande).
FUNES DE
PERTINNCIA
AGRUPAMENTO
CG
DE FUZZYFI CAO
CENTRO DE
GRAVIDADE
Z(X)
P(X)
Z
G
CG
X
FUZZYFI CAO
OPERAES
LGICAS
M(X)
DEFUZZYFI CAO
REGRAS FUZZY
G(X)
SADAS
LOGICAS
27
Jos Homero Feitosa Cavalcanti et ali
A funo de pertinncia Z(x) desenhada na cor azul escuro e representa a varivel lingustica Z (zero), traada para valores de X prximo de zero.
A funo de pertinncia P(x) desenhada na cor vermelha, representa a varivel lingustica P (pequeno), traada para valores de X pequenos.
A funo de pertinncia M(x) desenhada na cor verde e representa a varivel lingustica M (mdio), traada para valores mdios de X.
A funo de pertinncia G(x) desenhada na cor azul claro e representa a varivel lingustica G (grande), traada para valores grandes de X.
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
%triangsemcg.m
%Obtem os parametros das funoes de pertinncias
pesos
%altura das FPs
vetor das FPs
altura(1:numfp)=cth*maximo(1:numfp);curva(1:numfp,1:pontox)=0.;
for i=1:numfp
for j=1:pontox
if(j<onde(i))curva(i,j)=altura(i)-decliv(i)*onde(i)+decliv(i)*j;end
if(j>=onde(i))curva(i,j)=altura(i)+decliv(i)*onde(i)-decliv(i)*j;end
if(i==numfp & j>onde(numfp))curva(i,j)=altura(i);end
if(curva(i,j)<0)curva(i,j)=0.;end
if(curva(i,j)>altura(i))curva(i,j)=altura(i);end
end
end
%normaliza o vetor das FPs
curva=curva/cth;
t=1:pontox;
tt=t/pontox;%Abscissa entre 0 e 1
plot(tt,curva(1,t),'b',tt,curva(2,t),'r',tt,curva(3,t),'g',tt,curva(numfp,t),'c','LineWidth',3)
text(20,0.96,'Z
P
M
G')
text(300,-0.07,'X')
3.2 EXERCCIOS - O traado das funes de pertinncias
3.2.1)Quantos parmetros definem uma reta da funo de pertinncia? Quantos parmetros
so associados a uma funo de pertinncia triangular?
3.2.2)Verifique se a associao de cada parmetro do Prog.3.1 nos desenhos das funes de
pertinncias mostrados na Fig.3.2 so corretas.
3.2.3) Na Fig.3.3 apresentam-se as funes de pertinncia padro obtidas com os pesos e a
abscissa modificados. Associe cada declarao do Prog.3.2 aos desenhos das funes de
pertinncias mostrados na Fig.3.3 usando o conjunto de valores mostrados no programa
pesosm.m (Prog.3.1 modificado).
Prog.3.1 Pesos dos parmetros das funes de pertinncias, modificados
%pesosm.m
pontox=330; numfp=4; cth=100;
%Posiao da FP
onde(1)=1;onde(2)=100;onde(3)=200;onde(4)=300;
%Peso da FP
peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1.;
%declividade
decliv(1)=1.;decliv(2)=0.7;decliv(3)=1.5;decliv(4)=1.;
%altura
maximo(1)=1.;maximo(2)=0.7;maximo(3)=0.9;maximo(4)=1.;
29
Jos Homero Feitosa Cavalcanti et ali
1
maximo(1)
maximo(3)
maximo(4)
0.9
0.8
maximo(2)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
decliv(1)
0
0
onde(1)
decliv(2)
50
100
onde(2)
decliv(3)
150
decliv(4)
200
onde(3)
250
300
onde(4)
X
350
q
pq( x p )
q =1
p =1
(3.2)
Hecht-Nielsen (1987), para provar a capacidade de uma RNMC aproximar arbitrariamente bem alguma funo contnua, sugeriu a utilizao do teorema da superposio de Kolmogorov. Outro pesquisador, Funahashi (1989), utilizando o teorema da superposio de
Kolmogorov, argumentando que as funes do tipo degrau, construdas utilizando alguma
funo sigmide crescente, so capazes de aproximar alguma funo contnua num intervalo
fechado com alguma preciso, derivou que uma RNMC com duas camadas pode aproximar
este tipo de funo.
2 n +1
f(x1 , x 2 ,..., x n ) =
3.3
triangsemcg
l1=[alvo alvo];l2=[0. 1.];line(l1,l2,'Color','black','LineWidth',3)
if(ondealvo>0.)
corta(1:numfp)=curva(1:numfp,ondealvo);
end
corta
Na abscissa da Fig.3.4, indicada pelo alvo (alvo=0.5 e X=pontox*alvo=160), a reta perpendicular abscissa corta as curvas Z(X), P(X), M(X) e G(X) nas ordenadas 0., 0.4, 0.6 e 0.,
respectivamente. No alvo M(X) possui a maior ordenada, tal que M(alvo)> P(alvo)>Z(alvo) e
Z(alvo)=G(alvo). A funo de pertinncia M(X) definida como a varivel Fuzzy vencedora.
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
31
Jos Homero Feitosa Cavalcanti et ali
B(x)
x
Fig.3.5 Comparao.
3.4.2 Contido
Contido: BA
BA se A(x)>B(x) x X
L-se A varivel Fuzzy B est contida em A se todos os pontos da curva B (associado
varivel Fuzzy B) tem um valor menor que todos os pontos da curva (associado varivel Fuzzy A). A curva pontilhada representa A(x) e a contnua representa B(x). Na Fig.3.6
apresentam-se as curvas das funes de pertinncia A(x) e B(x). A curva em negrito representa BA.
B(x)
A(x)
x
Fig.3.6 Contido
3.4.3 Unio
Unio: AB
32
Jos Homero Feitosa Cavalcanti et ali
A(x)
B(x)
x
Fig.3.7 Unio
3.4.4 Interseo
Interseo: AB
A(x)B(x) = min(A(x), B(x)) x X
L-se A interseco da varivel Fuzzy A com varivel Fuzzy B ser a varivel A se
naquele ponto A(x)<B(x), ela ser a varivel B se naquele ponto A(x)>B(x).
Na Fig.3.8 apresentam-se as curvas das funes de pertinncia A(x)e B(x). A curva
em negrito representa AB.
A(x)
B(x)
x
Fig.3.8 Interseo
3.4.5 Complemento
Complemento: A-1
A-1(x) = 1- A(x) x X
L-se O complemento da varivel Fuzzy A, representada por A(x), ser uma nova
funo de pertinncia A-1(x)=1-A(x). Na Fig.3.9 apresentam-se as curvas das funes de
pertinncia A(x) e -1(x). A curva em negrito representa A-1(x).
33
Jos Homero Feitosa Cavalcanti et ali
A-1(x)
A(x)
x
Fig.3.9 Complemento
3.4.6 Subtrao
Subtrao: A-B. Seja A(x)-B(x) = (A(x) - B(x)) x X
L-se A subtrao da varivel Fuzzy A da varivel Fuzzy B ser A(x)-B(x), se naquele ponto A(x)>B(x), seno ser zero.
EXERCCIOS 3.4 Operaes bsicas
3.4.1) Sugira um sistema que use a Lgica Fuzzy e necessite da funo comparao.
Sugesto: Comparar impresses digitais.
3.4.2) Sugira um sistema que use a Lgica Fuzzy e necessite da funo contido. Sugesto:
projete um sistema em que as funes de pertinncia possam se mover na abscissa. Havendo a
ocorrncia da funo contido, uma das funes de pertinncia deve ser retirada.
3.4.3) Sugira um sistema que use a Lgica Fuzzy e necessite da funo unio. Sugesto:
projete o sistema do conforto da temperatura.
3.4.4) Sugira um sistema que use a Lgica Fuzzy e necessite da funo interseco. Sugesto:
projete um sistema em que as funes de pertinncia possam se mover na abscissa e que
represente o mnimo de ndices de desempenhos.
3.4.5) Sugira um sistema que use a Lgica Fuzzy e necessite da funo complemento.
Sugesto: lembre-se dos sistemas que possuem perguntas do tipo de quem Maria no
gosta?.
3.4.6)Qual a diferena entre as operaes dos conjuntos Fuzzy CONTIDO e UNIO? Mostre
graficamente.
3.4.7) Usando a Fig.3.10 mostre graficamente as operaes de unio, interseco e
complemento de A(x) e B(x).
34
Jos Homero Feitosa Cavalcanti et ali
A(x)
B(x)
A DEFUZZYFICAO LGICA
Na seo anterior viu-se que o clculo do valor da funo de pertinncia da varivel
Fuzzy denominado fuzzyficao.
A fuzzyficao avalia o grau de pertinncia da entrada numrica fornecida (X), onde
ocorre uma ativao das regras Fuzzy formando um conjunto de sada, que ser defuzzyficado para gerar um resultado numrico de sada (Y).
O clculo da funo de pertinncia vencedora da varivel Fuzzy denominado fuzzyficao, que pode ser definido como o processo de se calcular o valor lgico das funes de
pertinncia das variveis Fuzzy.
A defuzzyficao a transformao de uma varivel do conjunto Fuzzy numa varivel do conjunto discreto.
Na Fig.3.11, desenvolvida a partir da Fig.3.1, ilustra-se a fuzzyficao e a defuzzyficao lgica usando a UNIO como operao da Lgica Fuzzy.
As operaes inicialmente so feitas entre as funes de pertinncia da varivel Fuzzy
(ver o centro da Figura 2). Os resultados obtidos (Y) so aplicados a variveis lgicas e discretas associadas a cada funo de pertinncia. Observe-se que so atribudas variveis lgicas (ZL, PL, ML e GL) s funes de pertinncias(Z(X), P(X), M(X) e G(X)).
A atribuio final de valores lgicos s variveis lgicas denominado defuzzyficao lgica.
FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
P(X)
Z
X
X
FUZZYFI CAO
OPERAES LGICAS
INFERNCIA
M(X)
DEFUZZYFI CAO
REGRAS FUZZY
G(X)
SADAS
LOGICAS
ZL
PL
ML
GL
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0.1
0.2
0.3
0.4
0.5
alvo1
0.6
0.7
0.8
0.9
alvo2
%poereta
triangsemcg
hold
%normaliza o vetor das FPs
for j=1:pontox
reta(j)=j/pontox;end
curva=curva/cth;
t=1:pontox;tt=t/pontox;
plot(tt,reta(t),'y',tt,curva(1,t),'b',tt,curva(2,t),'r',tt,curva(3,t),'g',tt,curva(numfp,t),'c','LineWidth',
3)
text(0.1,1.06,'Z
P
M
G','Color','r')
text(0.95,-0.07,'X')
text(0.8,0.9,'y=X')
%Desenha uma reta perpendicular abscissa em alvo
alvo1=0.1578;alvoy=0.505;
l1=[alvo1 alvo1];l2=[0. alvoy];line(l1,l2,'Color','black','LineWidth',2)
l1=[0. alvo1];l2=[1. 1.];line(l1,l2,'Color','blue','LineWidth',8)
alvo2=0.4688;
l1=[alvo2 alvo2];l2=[0. alvoy];line(l1,l2,'Color','black','LineWidth',2)
l1=[alvo1 alvo2];l2=[1. 1.];line(l1,l2,'Color','red','LineWidth',8)
alvo3=0.78125;
l1=[alvo3 alvo3];l2=[0. alvoy];line(l1,l2,'Color','black','LineWidth',2)
l1=[alvo2 alvo3];l2=[1. 1.];line(l1,l2,'Color','green','LineWidth',8)
alvo4=1.;
l1=[alvo3 alvo4];l2=[1. 1.];line(l1,l2,'Color','cyan','LineWidth',8)
hold
Na Fig.3.13 apresentam-se retas perpendiculares abscissa (cor preta) traadas nos pontos de interseco entre as funes de pertinncia.
As retas nas interseces entre Z(X) e P(X), P(X) e M(X) e M(X) e G(X) foram traadas nas abscissas alvoZP=0.1578, alvoPM=0.4688; e alvoMG=0.78125), com ordenada variando de 0. a 0.505.
Nos pontos alvoZP, alvoPM e alvoMG no existe funo de pertinncia vencedora. Usando a defuzzyficao lgica, observam-se: para X<alvoZP a funo vencedora a Z(X);
para alvoZP<X<alvoPM a funo vencedora a P(X); para alvoPM<X<alvoMG a funo
vencedora a M(X); para X>alvoMG a funo vencedora a G(X).
As variveis lgicas associadas a cada funo de pertinncia esto indicadas (valores
lgicos 1) nas cores das funes de pertinncias (Zl(azul), Pl(vermelho), Ml(verde) e
Gl(azul claro)).
Na Fig.3.13 a reta amarela corta as funes de pertinncias coincidentemente nos pontos
(0.24;0.24), (0.45;0.4), (0.47;0.47), (0.72:0.72) e (0.91;0.91). Esses pontos podem ser usados
no vetor dos pesos das funes de pertinncias.
37
Jos Homero Feitosa Cavalcanti et ali
P(X)
M(X)
G(X)
1
0.9
y=X
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
P(X)
M(X)
G(X)
1
GL
0.9
0.8
ML
0.7
0.6
PL
0.5
0.4
0.3
0.2
ZL
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
38
Jos Homero Feitosa Cavalcanti et ali
3.7
CONCLUSO
Neste captulo apresentaram-se exemplos de variveis Fuzzy que usam funes de pertinncia do tipo triangular e exponencial seguido de alguns exerccios que ajudam no entendimento das caractersticas dessas funes.
39
Jos Homero Feitosa Cavalcanti et ali
CAPTULO IV
4.1
INTRODUO
Neste captulo, aps algumas consideraes sobre a fuzzyficao e a defuzzyficao, analisa-se a aplicao da Lgica Fuzzy na identificao e controle de plantas no lineares representadas por um sistema trmico. Usa-se a forma da defuzzyficao lgica no desenvolvimento do identificador e do controlador inverso. Por ltimo, apresentam-se resultados
experimentais e de simulaes obtidos com o controlador Fuzzy de Furuhashi e de Mandami.
4.2
CONTROLE DE TEMPERATURA
Nesta seo rever-se o sistema de controle de temperatura, descrito nos captulos 2 e 3
deste livro, e o define como uma planta no linear.
O esquema de uma planta no linear (Narenda & Parthasarathy, 1990) (Narenda & Mukhopadhyay, 1992) apresentada esquerda da Fig.4.1. O esquema da planta apresenta o
controlador e a planta representada por um termmetro e o seu ambiente, representado por um
paraleleppedo.
O controlador se compe de um circuito desenvolvido para abrir e fechar uma chave digital na qual passa uma corrente (i) usada no aquecimento de uma resistncia (R). A resistncia est acoplada a um paraleleppedo que representa o ambiente a ter a temperatura controlada. No ambiente (dentro do paraleleppedo hipottico) coloca-se um termmetro que usado
para medir a temperatura.
Geralmente deseja-se que a temperatura de um corpo (representada pelo paraleleppedo
esquerda da Fig.4.1) permanea num valor (graus centgrados) estipulado pelo operador.
O CONTROLADOR responsvel pela gerao da corrente i no circuito da resistncia
R usando algum algoritmo de ativao ou desativao da chave S1. O algoritmo baseado na
temperatura do termmetro e da temperatura referncia.
Na Fig.4.1, direita, apresenta-se um diagrama do controlador de temperatura. No diagrama f(U,Y,t) representa uma funo no linear e o bloco com -1 representa a realimentao de Y(t).
Considera-se que a entrada U(E,t)E da planta dependente do tempo e da tenso E, e
pode variar linearmente entre dois valores, por exemplo E=0V e E=12V, tal que 0.U(t)1.
Os valores de U(t) so conseguidos usando modulao PWM (Pulse Width Modulation) ou
uma fonte de tenso de nvel controlado. O valor de sada Y=f(U,Y) funo da entrada U(t)
e de valores anteriores de Y(t).
40
Jos Homero Feitosa Cavalcanti et ali
100oC
i
S1
U(t)
+
-
Y(t)
U(t)
U(t)
0oC
CONTROLADOR
PLANTA NO
LINEAR
Y(t)=f(U,Y,t)
Y(t)
U(t)
50
S1="0"
Temp oC
40
30
20
10
S1="1"
0
0
t0
20
40
60
80
100
t1
120
140
160
180
200
t(s)
(4.3)
41
Jos Homero Feitosa Cavalcanti et ali
Define-se =
1
, parmetro que representa a condutividade trmica do objeto.
RiC
dT
(4.4)
dt
Na simulao do sistema trmico na forma de equaes diferenciais usou-se Euler na
forma discreta. (ver a eq.4.5). A equao diferena da planta foi desenvolvida usando-se yk=Y
e uk=u tal que f(uk,yk)=(-yk+uk) e =. A equao diferena obtida e usada na simulao
mostrada na eq.4.6.
q=C
yk+1=yk+.f(uk,yk)
yk+1=yk+.(uk-yk)
A equao diferena (a eq.4.6) pode ser representada na forma da eq.4.7.
(4.5)
(4.6)
yk+1=a.yk+.uk
(4.7)
AQUECEDOR
Y(t)=f(U,Y,t)
Uf
TEMPf
Yf
IDENTIFICADOR
FUZZY
IDENTIFICADOR
FUZZY
Yf(t)
Yif
42
Jos Homero Feitosa Cavalcanti et ali
O valor defuzzyficado na forma de variveis lgicas apresentado na sada do IDENTIFICADOR FUZZY. O valor de Yf(t) obtido de tabelas com entradas acionadas pelos
valores lgicos das funes de pertinncias.
FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
FUZZYFI CAO
P(X)
Z
U(t)
G
CG
X
Uf
DEFUZZYFI CAO
REGRAS FUZZY
M(X)
ZL
PL
G(X)
ML
GL
TABELAS
Yf(t)
43
Jos Homero Feitosa Cavalcanti et ali
20
20
Y4
U4
18
Y3
16
18
U3
0.8
0.7
14
12
0.6
12
U2
0.5
Y2
10
0.4
Y1
8
U1
0.3
0.1
100
t(s),U
200
Y1
0.2
Y2
10
Y3
16
14
Y4
0.9
100
t(s)
200
100
t(s),U
200
Y3
10
8
Y2
6
4
Y1
2
0
50
100
150
200
t(s),U
250
300
350
400
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
alvo1
0.3
0.4
0.5
alvo2
0.6
0.7
0.8
alvo
0.9
1
X
45
Jos Homero Feitosa Cavalcanti et ali
(ver a ordenada de M(X)) e a G(X) o peso W(4)=1 (ver a ordenada de G(X)). Usou-se uma
nova varivel contnua denominada R(X) e a Tabela 4.2 para calcular o seu valor.
Tabela 4.2 Clculo de R(X)
for X=0:1
if(ZL==1) R(X)=0.15; %A funo vencedora a Z(X);end
if(ZL==1) R(X)=0.30; %A funo vencedora a P(X);end
if(ZL==1) R(X)=0.60; %A funo vencedora a M(X);end
if(ZL==1) R(X)=1.00; %A funo vencedora a G(X);end
end
Z(X)
P(X)
ZL
PL
M(X)
G(X)
1
ML
GL
R(X)
0.9
0.8
0.7
0.6
R(X)
0.5
0.4
0.3
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
alvo2
0.5
0.6
0.7
alvo
0.8
0.9
46
Jos Homero Feitosa Cavalcanti et ali
20
Yr4
18
E4=Yr4-Y4
16
AQUECEDOR
Yr3
14
Y(t)=f(U,Y,t)
E3=Yr3-Y3
12
Y
U(t)
10
Yr2
E2=Yr2-Y2
6
IDENTIFICADOR
FUZZY
Yf
Yr1
2
0
20
40
60
80
100
t(s),U
120
140
E1=Yr1-Y1
160
180
200
G(X)
Uf
ZL
PL
ML
GL
Yf
ZL
PL
ML
GL
Usando-se a Tabela 4.2 podem-se definir regras Fuzzy para a identificao da dinmica
da planta, mostradas na Tabela 4.3. Na Tabela 4.2 Yf representa um dos valores lgicos das
funes de pertinncias de Y(t).
Tabela 4.3 Regras Fuzzy da identificao da planta
if (Uf==ZL)Yf=ZL;end
if (Uf==PL)Yf=PL;end
if (Uf==ML)Yf=ML;end
if (Uf==GL) Yf=GL;end
A partir da Tabela 4.3 pode-se fazer a Tabela 4.4 da defuzzyficao na forma numrica.
Tabela 4.4 Defuzzyficao na forma numrica
ZL
PL
ML
GL
U(t)
U1=0.15
U2=0.3
U3=0.6
U4=1.
Y(t)
Y1=3.
Y2=6.
Y3=12.
Y4=20.
if (Uf==GL)U4=1.0; end
if (Yf==ZL)Y1=3.; end
if (Yf==PL)Y1=6.;end
if (Yf==ML)Y1=12.;end
if (Yf==GL)Y4=20.;end
EXERCCIO 4.3
4.3.1)Refaa as Fig.4.7 e Fig.4.8 para U1=0.2; U2=0.45; U3=0.9 e U4=1.
4.3.2)Coloque na Fig.4.10 as temperaturas referncias Yr1=5; Yr2=11; Yr3=13; Yr4=19.
Apresente os erros finais.
20
E4=Yr4-Y4
18
16
14
E3=Yr3-Y3
12
10
8
E2=Yr2-Y2
6
4
E1=Yr1-Y1
2
0
20
40
60
80
100
t(s),U
120
140
160
180
200
20
Y4
18
16
14
Y3
12
10
8
Y2
6
4
Y1
2
0
20
40
60
80
100
t(s),U
120
140
160
180
200
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
alvo1
100
150
alvo2
200
250
alvo3
300
350
X
2.
10.
4.3.9) Suponha que a Tabela 4.8 represente um sistema Fuzzy com Yr(t) representando a
referncia da temperatura. Desenhe na Fig.4.13 as temperaturas de referncia e calcule os
erros finais das aproximaes de Yr(t) e Y(t).
Tabela 4.8
Uf e Yf
ZE
PP
PM
PG
U(t)
0.2
0.5
0.8
1.
Yr(t)
3.
10.
49
Jos Homero Feitosa Cavalcanti et ali
10
Y4=10 e U4=1.
9
Y3=8 e U3=0.8
8
7
6
Y2=5 e U2=0.5
5
4
Y1=2 e U1=0.2
3
2
1
0
20
40
60
80
100
t(s)
120
140
160
180
200
4.4
AQUECEDOR
Y(t)=f(U,Y,t)
U(t)
Uf(t)
Yf
TEMPf
CONTROLADOR
FUZZY INVERSO
Yr
CONTROLADOR
FUZZY
Uf(t)
U(t)
CONTROLADOR
FUZZY INVERSO
AQUECEDOR
Y(t)=f(U,Y,t)
50
Jos Homero Feitosa Cavalcanti et ali
AGRUPAMENTO
Z(X)
FUZZYFI CAO
P(X)
Z
Yr(t)
G
CG
Yrf
DEFUZZYFI CAO
REGRAS FUZZY
M(X)
ZL
G(X)
PL
ML
GL
TABELAS
Uf(t)
10
200
180
160
140
120
100
Temperatura, Y
A curva da temperatura no termmetro mostrada na Fig.4.16, esquerda. Y(t) representa a ordenada, e representada por U o tempo na abscissa. direita da Fig.4.16 apresentase a curva da inversa de Y(t), o grfico foi traado usando a entrada U da planta em funo da
sua sada Y. Esta curva denominada a representao inversa da planta.
80
60
40
20
50
100
t(s),U
150
200
5
Y
10
G(X)
Uf
ZL
PL
ML
GL
Yrf
ZL
PL
ML
GL
51
Jos Homero Feitosa Cavalcanti et ali
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
alvo1
100
150
alvo2
200
250
alvo3
300
350
X
Y,U
12
10
8
6
4
2
0
U
0
20
40
60
80
100
120
140
t(s),U(verde) Y(verm) Yr(azul)
160
180
200
20
18
16
14
Y,U
12
10
8
6
4
2
0
U
0
20
40
60
80
100
120
140
t(s),U(verde) Y(verm) Yr(azul)
160
180
200
Temperatura, Y
10
50
0
50
100
t(s),U
150
200
5
Y
10
-5
Y
200
-2
150
-4
U
Temperatura, Y
100
100
-6
50
-8
-10
50
100
t(s),U
150
0
-10
200
10
8
6
Temperatura, Y
4
2
0
-2
-4
-6
-8
-10
50
100
150
200
t(s),U
250
300
350
400
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
1
X
NML
NML
NPL
NPL
ZL
ZL
PL
PL
M(X)
G(X)
ML
ML
GL
GL
55
Jos Homero Feitosa Cavalcanti et ali
56
Jos Homero Feitosa Cavalcanti et ali
25
20
15
10
Y,U
5
U
0
-5
-10
-15
-20
50
100
150
200
250
300
350
t(s),U(verde) Y(verm) Yr(azul)
400
450
500
Yr
CONTROLADOR
C
U(t)
PLANTA
P
H=PC/(1+PC) e C=(1/P)(H/(1-H))
Fig.4.24 Controladores tradicionais
57
Jos Homero Feitosa Cavalcanti et ali
O projeto de controladores lineares Fuzzy, baseado no modelo linear da planta, foi desenvolvido a partir dos controladores tradicionais como pode ser visto na Fig.4.25. Observese que se necessita do erro definido como E=Yr-Y.
Yr
E
Y(t)=f(U,Y,t)
CONTROLADOR
P, PD, PI ou PID
U(t)
AQUECEDOR
Yr(s)
+
E(s)
Kp+s.Kd+Ki/s
U(s)
Y(s)
(s +1)
_
BLOCO DO
CONTROLE
BLOCO DA
PLANTA
58
Jos Homero Feitosa Cavalcanti et ali
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
1
X
Y,U
5
U
0
-5
-10
-15
-20
50
100
150
200
250
t(s),U(verde) Y(verm) Yr(azul)
300
350
400
-0.5
0.3
0.5
0.8
G(X)
1.
O controlador inverso pode ser adaptado para uso em controladores do tipo PI, proporcional e integral ao erro (U(t+1) = U(t) + KpE(t) + (KiTs-Kp)E(t-1)), usam-se os mesmos valores de controle da Fig.4.23 e uma aproximao para o sistema PI dada por U(t+1) = U(t) +
KpE(t). Neste caso, como o erro pode ser positivo ou negativo, usa-se a funo de pertinncia
mostrada na Fig.4.27. O resultado obtido no controle com nveis positivos e negativos mostrado na Fig.4.29, semelhante ao apresentado na Fig.4.23. O grfico apresentado esquerda
refere-se a Tabela 4.9, o grfico direita refere-se a Tabela 4.10.
NG(X)
G(X)
59
Jos Homero Feitosa Cavalcanti et ali
-1.
-0.8
NG(X)
-0.5
0.3
0.5
0.8
-0.2
-0.16
-0.1
0.06
0.1
40
40
30
30
20
0.16
1.
G(X)
0.2
20
10
Y,U
Y,U
10
U
0
-10
-10
-20
-20
-30
-40
50
100
150
200
250
300
t(s),U(verde) Y(verm) Yr(azul) erro(amar)
350
-30
400
50
100
150
200
250
300
t(s),U(verde) Y(verm) Yr(azul) erro(amar)
350
400
4.6.3)Uma figura tridimensional obtida de uma matriz de duas dimenses. Por exemplo,
acoplando-se duas tabelas do tipo da Tabela 4.13 obtem-se uma curva tridimensional como se
60
Jos Homero Feitosa Cavalcanti et ali
Y
<
%cap4fig30.m
clear all;clf
trid2=[-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9];
mesh(trid2)
box off;grid off
0.5
-0.5
-1
6
10
8
6
4
0
2
0
4.7
Yr(t)
FUZZYFICAO
Uf
DEFUZZYFICAO
REGRAS
IF - THEN
U(t)
Y(t)
PLANTA
20
Yr(t)
15
15
FUZZYFICAO
10
10
Yrf
Yr
Uf
REGRAS
IF - THEN
0
-5
Y,U
0
-5
DEFUZZYFICAO
Uf(t)
-10
-15
-20
-10
50
100
150
200
250
t(s),U(verde) Y(verm) Yr(azul)
300
350
400
-15
-20
50
100
150
200
t(s)
250
300
350
400
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0
-1
alvo4
-0.8
-0.6
alvo3
-0.4
-0.2
alvo2 alvo1
0.2
alvo1
0.4
alvo2
0.6
alvo3
0.8
1
X alvo4
VARIVEIS
FUZZY
Uf
Yf
NGL
NML
NPL
ZL
PPL
PML
PGL
NGL
NML
NPL
ZL
PPL
PML
PGL
Na Tabela 4.16 apresentam-se os valores discretos de U(t) e Y(t) bem como os valores
lingsticos de Uf. Os valores numricos de U(t) e Y(t) so representados como pesos e podem ser modificados durante a adaptao do sistema Fuzzy.
Tabela 4.16 Defuzzyficao na forma numrica
NGL
NML
NPL
ZL
PPL
PML
PGL
U(t)
-0.9
-0.6
-0.3
0.0
0.3
0.6
0.9
Y(t)
-18
-12
-6
0.0
12
18
As curvas das funes de pertinncia de Yrf so as mesmas das de Yf. Na Fig.4.29 apresentam-se as funes de pertinncia da varivel Fuzzy traadas para valores positivos de
Y(t). Aps a fuzzyficao dos valores de referncia (Yr(t)) da planta no mdulo FUZZYFICAO deve ser escolhida a funo de pertinncia que melhor represente o valor Yr(t).
Isso significa escolher uma das variveis linguistica (Z(t), P(t), M(t) e G(t)) que melhor represente o ponto Yr(t). Isso feito atribuindo uma varivel lgica a cada uma das variveis linguistica (Z(t), P(t), M(t) e G(t)). Essa escolha feita utilizando o operador unio, descrito na
seo xxx, na forma mostrada na eq.4.1.
Yrf = NG(t)NM(t)NP(t)ZE(t)PP(t)PM(t)PG(t)
(4.1)
Por exemplo, supondo-se que foram atribuidos valores lgicos 0 s variveis lgicas
Z, P, M e G que so associadas funes de pertinncia (Z(t), P(t), M(t) e G(t)).
Na Fig.4.34 apresentam-se as funes de pertinncia de Yrf. Na mesma figura apresenta-se uma reta perpendicular abscissa e que passa por Yr1. Observe-se que a funo de pertinncia M(t) tem o maior valor no ponto Yr1. Portanto, aps a operao de unio no conjunto
Fuzzy, as variveis lgicas tero os seguintes valores: Z=0; P=0; M=1 e G=0.
NG(X)
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0
-1
alvo4
-0.8
-0.6
alvo3
-0.4
-0.2
alvo2 alvo1
0.2
alvo1
0.4
alvo2
0.6
alvo3
0.8
1
X alvo4
Fig.4.34 Defuzzyficao
63
Jos Homero Feitosa Cavalcanti et ali
NG
NM
Tabela 4.17
NP
ZE
Uf
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
A partir da Tabela 2 montam-se as regras mostradas abaixo. O valor de U(t) defuzzyficado equivale ao valor numrico da Tabela 1 na linha de U(t). Por exemplo, para Uf=P o valor escolhido para U(t) ser U(t)=0.3.
Regra 1)if Yrf is NG then Uf is NG;
Regra 2)if Yrf is NM then Uf is NM;
Regra 3)if Yrf is NP then Uf is NP;
Regra 4)if Yrf is ZE then Uf is ZE;
Regra 5)if Yrf is PP then Uf is PP;
Regra 6)if Yrf is PM then Uf is PM;
Regra 7)if Yrf is PG then Uf is PG;
EXERCCIOS 4.7
4.7.1)Utilize as funes de pertinncia representar Yr e U na forma tridimensional, ver a
Fig.4.30.
0.5
-0.5
-1
6
10
8
6
4
0
2
0
premissai representa uma condio no conjunto Fuzzy definido para uma quantidade
relativa planta,
conseqnciai representa a ao de controle expressada como um conjunto Fuzzy e definida no intervalo de variao da entrada da planta.
No projeto do controlador Fuzzy requerido a fixao das variveis da premissa e a definio das funes de pertinncia ao conjunto Fuzzy usado no controlador.
Usualmente uma planta requer um controle na forma de quantidade real e no na forma
Fuzzy (DAzzo & Houpis, 1988)(Ogata, 1988). O controlador Fuzzy de Mamdani utiliza dois
dispositivos para transformar uma varivel da forma real para a forma Fuzzy e vice versa. Esses dispositivos so o fuzzyficador ("fuzzyfier") que precede o controlador Fuzzy para associar um valor lingstico a uma quantidade real, e o defuzzyficador ("defuzzyfier") que segue
o controlador Fuzzy e associa um nmero real a um conjunto Fuzzy.
Na Fig.5.1 mostrada a arquitetura tpica de um controlador baseado nas regras Fuzzy
de Mamdani & Gaines (1991). Na Fig.5.1, define-se r(t) como o sinal de referncia, definese o erro na sada da planta como E(t)=r(t)-(t), e a variao do erro como CE(t) = E(t)-E(t1) (Kosko, 1996) (Gomide & Gudwin, 1995).
As entradas do controlador Fuzzy so duas variveis Fuzzy. Uma delas definida como o
erro entre o valor desejado e o atual da sada da planta (Ef), e a outra como a diferena entre
os dois ltimos erros (CEf). Essas variveis so obtidas pela transformao das variveis discretas E(t) e CE(t) em variveis Fuzzy, que em seguida so escaladas para valores exigidos
pelo bloco de regras de controle. A sada Uf do controlador Fuzzy novamente escalado para
a representao de nmeros determinsticos U(t) a ser usado no controle da planta.
REGRAS
DE
CONTROLE
r(t)
E(t)
-1
CE(t)
FUZZYFICA
E(t) e CE(t)
Ef
INFERNCIA
CEf
Uf
DEFUZZYFICA Uf
U(t)
(t)
PLANTA
65
Jos Homero Feitosa Cavalcanti et ali
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0
-1
alvo4
-0.8
-0.6
alvo3
-0.4
-0.2
alvo2 alvo1
0.2
alvo1
0.4
alvo2
0.6
alvo3
0.8
1
X alvo4
NG
NM
Tabela 4.20
NP
ZE
Uf
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
Na Tabela 2 a primeira linha representa a varivel Fuzzy variao do erro ou CEf, que
pode ser NG, NM, NP, ZE, PP, PM e PG. As colunas representam a varivel Fuzzy erro ou
Ef, que pode ser NG, NM, NP, ZE, PP, PM e PG.
A construo da Tabela 2 pode ser feita em etapas.
Na primeira etapa, na Tabela 4.22 abaixo s so apresentados os valores de Uf para
CEf=ZE equivalente aos valores do controlador fuzzy inverso da TABELA 1 considerando o
valor da varivel de sada igual a zero (Y(t)=0) tal que E(t) = Yr(t)-Y(t) = Yr(t). A regra fuzzy
1 explica esta etapa.
if CEf = ZE then Uf = Ef
Uf
Ef
NG
NM
Tabela 4.22
Cef
NP
ZE
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
NG
NM
NP
ZE
PP
PM
PG
66
Jos Homero Feitosa Cavalcanti et ali
Na TABELA 3 apresenta-se o segundo passo no desenvolvimento da TABELA do controlador fuzzy. Considera-se E=0 e que CE diferente de zero. Considera-se que se E=0 ento
se a variao dos erros PP, ZE ou NP a ao de controle deve ser Uf=ZE. Isto significa uma
espcie de filtro. No caso de CEf=PM, PG, NM ou NG o valor da variao do erro deve ser
considerado. Heuristicamente assumiu-se que Uf para esses valores fuzzy deve ser equivalente a um nvel menor do que o nvel do CEf para valores positivos, e equivalente a um nvel
maior do que o nvel do CEf para valores negativos.
if Ef = ZE and nvelCef>PP then Uf = nivelCEf+1
if Ef = ZE and nvelCef<NP then Uf = nivelCEf-1
Uf
Ef
NG
NM
NP
ZE
PP
PM
PG
NG
NM
NM
NP
Tabela 4.23
Cef
NP
ZE
NG
NM
NP
ZE
PP
PM
PG
ZE
PP
PM
PG
ZE
PP
PM
No terceiro caso so construdas as outras clulas da Tabela usando as relaes apresentadas abaixo. Na TABELA 4 apresenta-se a Tabela de controle desenvolvida.
if CEf != ZE and Ef != ZE then
if Ef = P and CEf=P then Uf = nivelEf+1
if Ef = P and CEf=N then Uf = nivelEf
if Ef = N and CEf=N then Uf = nivelEf-1
if Ef = N and CEf=P then Uf = nivelEf
Ef
Uf
NG
NM
Tabela 4.24
CEf
NP
ZE
NG
NM
NP
ZE
PP
PM
PG
NG
NG
NM
NM
PP
PM
PG
NG
NG
NM
NP
PP
PM
PG
NG
NG
NM
ZE
PP
PM
PG
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
NG
NM
NP
ZE
PM
PG
PG
NG
NM
NP
PP
PM
PG
PG
NG
NM
NP
PM
PM
PG
PG
Analisando-se a Tabela 4.24 v-se que se pode desenvolver regras Fuzzy a partir dela. A
seguir apresentam-se as regras obtidas da Tabela 4.24.
67
Jos Homero Feitosa Cavalcanti et ali
NG
-0.9
NM
-0.6
Tabela 4.25
NP
ZE
-0.4
0.
PP
0.4
PM
0.6
PG
0.9
x
y
68
Jos Homero Feitosa Cavalcanti et ali
^ CE
NB
NB
NB
NB
NB
NB
NB
NB
NB
NB
NM
NM
NM
NM
NB
NM
NM
NS
NS
NS
NS
NM
NS
ZO
ZO
ZO
PS
PM
PB
PB
PB
PB
PB
PB
PB
PM
PM
PS
PS
E
<
PM
PS
PM
PS
PB
PM
PB
PB
PM
PM
x
Y
Concluso
Apresentaram-se sucintamente alguns conceitos da Lgica Fuzzy e a sua aplicao na
rea de identificao e controle. Foram mostrados resultados experimentais e de simulaes
obtidos com o controlador Fuzzy inverso. Foram mostrados resultados experimentais e de simulaes obtidos com o controlador Fuzzy de Furuhashi e de Mandami.
69
Jos Homero Feitosa Cavalcanti et ali
CAPTULO 5
5.1
INTRODUO
Neste captulo estuda-se a aplicao da lgica Fuzzy na representao de funes contnuas seguida do estudo e adaptao de parmetros de sistemas Fuzzy. Inicia-se com a apresentao sucintamente algumas caractersticas matemticas dos sistemas Fuzzy com nfase no
modelo do centro de gravidade (CG). Aps a apresentao de algumas funes simuladas com
o modelo CG, apresenta-se a adaptao de alguns parmetros de sistemas FUZZY.
5.2
A DEFUZZYFICAO CONTNUA
A DEFUZZYFICAO a transformao de uma varivel do conjunto Fuzzy numa
varivel do conjunto lgico ou discreto. Nos sistemas de controles mostrados no captulo 4
deste livro que usa a defuzzyficao lgica, a ao de controle feita com o valor determinstico U(t), obtido a partir de Uf lido de uma tabela.
Na Fig.5.1, reapresentao da Fig.4.1, apresentam-se detalhes do IDENTIFICADOR
FUZZY que recebe na sua entrada o valor discreto U(t). Internamente, o valor de U(t)
fuzzyficado, a seguir analisado na forma Fuzzy, o valor defuzzyficado na forma de variveis lgicas apresentado na sada do IDENTIFICADOR FUZZY. O valor de Yf(t) obtido de tabelas com entradas acionadas pelos valores lgicos das funes de pertinncias.
FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
FUZZYFI CAO
P(X)
Z
Y(t)
G
CG
X
Yrf
DEFUZZYFI CAO
REGRAS FUZZY
M(X)
Z
WZ
G(X)
P
WP
M
WM
G
WG
CENTRO DE GRAVIDADE
Yf(t)
PL
ML
GL
X<alvo1
alvo1<X
alvo2<X
Alvo3<X
e X<alvo2
e X<alvo3
U(t)
U1=0.15
U2=0.3
U3=0.6
U4=1.
R(X)
U1
U2
U3
U4
Z(X)
P(X)
M(X)
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
0.7
0.6
R(X)
0.5
0.4
0.3
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
0.5
alvo2
0.6
0.7
0.8
alvo3
0.9
Neste captulo ser apresentada uma forma de defuzzyficao contnua, isto , R(X)
uma funo contnua. Na prxima seo sero apresentados alguns teoremas sobre modelos
desenvolvidos para a defuzzyficao contnua.
5.3
(t ) * w
i
U (t ) =
i =1
(5.1)
(t )
i
i =1
O traado das funes de pertinncia de forma triangular foi feito usando as informaes das suas declividades e a posio dos seus valores mximos. Alm disso, a cada funo
de pertinncia foi associado um peso para ser usado durante a defuzzyficao (usando a
eq.5.1). A seguir no Programa 1, apresenta-se o pseudo cdigo do MATLAB que define os
valores padres dessas variveis.
O traado das funes de pertinncia foi feito com o cdigo escrito para o MATLAB
apresentado no Prog.5.2. A abscissa representada por 330 pontos. Foram calculados os valo-
72
Jos Homero Feitosa Cavalcanti et ali
res para as quatro curvas das funes de pertinncia (curva(1:4,1:330)) e para a curva da defuzzyficao(curva(5,1:330)).
A varivel curva() inicialmente zerada. A varivel altura() indica o valor 100 para a altura da funo de pertinncia que depois ser normalizada para valores entre zero e um. As
variveis acima e abaixo referem-se eq.5.1. No ambiente MATLAB o smbolo ~= significa
valores diferentes, o smbolo == significa valores iguais, etc.
Na Fig.5.3 so escolhidos trs pontos denominados alvo1, alvo2 e alvo3. Esses pontos
so usados para o clculo de CG(X). Na Tabela 5.4 apresentam-se os valores de Z(X), P(X),
M(X) e G(X) em cada um dos alvos. Usando-se a eq.5.1 para calcular CG(x), obtem-se a ltima coluna da Tabela 5. Na Fig.5.3 apresentam-se os resultados obtidos para os trs alvos..
Tabela 5.4 Defuzzyficao na forma numrica
ALVOS
Z(X)
P(X)
M(X)
G(X)
w1=0.15
w2=0.3
w3=0.6
w4=1.
alvo1=0.2
0.37
0.64
0.
0.
0.245
alvo2=0.4
0.
0.72
0.28
0.
0.384
alvo3=0.7
0.
0.
0.76
0.24
0.7515
Z(X)
P(X)
M(X)
CG(X)
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
O
0.7
0.6
R(X)
0.5
0.4
0.3
O
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
alvo2
0.5
0.6
0.7
alvo3
0.8
0.9
73
Jos Homero Feitosa Cavalcanti et ali
P(X)
M(X)
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
O
0.7
0.6
R(X)
0.5
0.4
0.3
R(X)
O
0.2
0.1
0
R(X)
0.1
0.2
alvo1
Z(X)
0.3
0.4
alvo2
P(X)
0.5
0.6
M(X)
0.7
alvo3
0.8
0.9
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
O
0.7
0.6
R(X)
0.5
0.4
0.3
O
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
alvo2
0.5
0.6
0.7
alvo3
0.8
0.9
74
Jos Homero Feitosa Cavalcanti et ali
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
0.4
0.5
0.6
0.7
peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1.;
P(X)
M(X)
G(X)
PL
ML
0.8
0.3
0.4
0.5
0.6
0.7
peso(1)=0.01;peso(2)=0.65;peso(3)=0.93;peso(4)=1.;
0.8
0.9
0.9
0.9
0.9
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
GL
0.5
R(X)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
peso(4)=0.01;peso(3)=0.65;peso(2)=0.93;peso(1)=1.;
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
0.8
GL
0.5
R(X)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
peso(4)=0.01;peso(3)=0.1;peso(2)=0.4;peso(1)=1.;
0.8
GG
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
50
100
150
200
250
300
350
400
peso(1)=0.01;peso(2)=0.65;peso(3)=0.93;peso(4)=0.65;peso(5)=0.01;
X
450
alvo
75
Jos Homero Feitosa Cavalcanti et ali
1
Z
1
Z
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
0
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
U(.)
Y(.)
PLANTA
+
IDENTIFICADOR
FUZZY
Erro=Y(.)-Yf(.)
Yf(.)
(5.1)
Sabe-se que aumentando o valor do peso aumenta-se o valor da funo obtida na defuzzyficao com o centro de gravidade.
76
Jos Homero Feitosa Cavalcanti et ali
(5.2)
(5.3)
(5.4)
EXERCCIOS
5.3.1) Os valores da funo pertinncia so limitados entre zero e um enquanto que o valor da
varivel discreta ilimitado e podendo ser positivo ou negativo (0F(x) 1 e -<x<). Na
Fig.5.11 apresentam-se as curvas das funes de pertinncia triangulares em funo da
varivel x que pode ser positiva ou negativa. Utilizando o programa Fuzzy (ver Apndice B)
que acompanha este livro faa o seguinte:
5.3.2)A partir da posio inicial, aumente a declividade de G para que a reta alvo no corte a
curva da funo de pertinncia G.
5.3.3)A partir da posio inicial, diminua o valor mximo de M para que a funo vencedora
seja a G.
5.3.4)A partir da posio inicial, decremente o alvo para que a funo vencedora seja a P.
5.3.5)Utilizando o programa Fuzzy apresentar a seqncia de pesos, declividades e posies
de tal forma que a curva de defuzzyficao, calculada usando o centro de gravidade (curva na
cor preta), coincida com a curva tracejada que quase igual a defuzificao da inversa dos
pontos apresentados na curva de defuzzyficao na cor preta.
78
Jos Homero Feitosa Cavalcanti et ali
5.4
79
Jos Homero Feitosa Cavalcanti et ali
(t )w
j
Wj =
ij
j=1
(5.1)
(t )
j
j=1
80
Jos Homero Feitosa Cavalcanti et ali
(t )W
i
U( t ) =
i =1
(5.2)
(t )
i
i =1
5.5
Concluso
Neste captulo apresentaram-se programas, escritos para o MATLAB, desenvolvidos
para anlise das funes da Lgica Fuzzy. Por ltimo, apresentaram-se dois exemplos de agrupamentos usando a Lgica Fuzzy.
81
Jos Homero Feitosa Cavalcanti et ali
CAPTULO 6
6.1
INTRODUO
Neste captulo estuda-se a aplicao da lgica Fuzzy na anlise e representao de acordes musicais da escala justa.
6.2
A ESCALA JUSTA
Este captulo uma verso didtica do captulo 18 (A ESCALA JUSTA E A LGICA
FUZZY) do livro Msica e Vibrao de Jos Homero Feitosa Cavalcanti, publicado no blog
neurolab.eng.br.
Neste captulo pretende-se representar numericamente e simbolicamente as notas musicais e os acordes usando-se as notas musicais da escala justa. Baseado nas propostas das notas
musicais de Pitgoras, apresentam-se na Fig.6.1 vm-se os tamanhos das cordas de uma viola
para as notas musicais DO, RE, MI, FA, SOL, LA e SI.
Esta diviso das cordas permitiu a gerao de notas musicais com frequncias proporcionais aos comprimentos das cordas.
DO
RE
8/9
MI FA
4/5 3/4
SOL LA SI DO
2/3 3/5 8/15 1/2
DO
RE
MI
FA
SOL
LA
SI
DO
82
Jos Homero Feitosa Cavalcanti et ali
f=
n
T
2.a .r .
6.1
Na Tab.6.1 apresenta-se a Tabela das Justas obtida a partir da definio das notas musicais usando a escala justa. Na primeira linha da tabela apresentam-se as notas musicais. Na
segunda linha apresentam-se as frequncias em Hertz das notas musicais. Na terceira linha
apresenta-se DIV, uma frao das freqncias das notas musicais (DIV) obtidas usando a escala justa e o nmero de ouro da msica (CM=11), definido como MDC=CM=11. Nas quarta e
quinta linhas vm-se os divisores de DIV=FREQ/CM apresentados de formas diferente. Define-se o EXPOENTE MUSICAL da nota como sendo esses expoentes, mostrado na sexta linha
da tabela.
Observe-se que no se colocou o nmero primo 11 como divisor da frequncia da nota
musical, que so divisveis por 2; 3; 5 e 11. Nesta relao falta o nmero sete que ser estudada a sua incluso na escala justa no livro Msica e Vibrao de Jos Homero Feitosa Cavalcanti.
Tabela 6.1 TABELA DAS JUSTAS (CM=11)
NOTAS
DO
RE
MI
FA
SOL
LA
SI
FREQ=DIV*CM
264
297
330
352
396
440
495
DIV
24
27
30
32
36
40
45
DIV
2.2.2.3
3
DIV
2 .3 .5
EXP. MUS
310
3.3.3
0
2 .3 .5
030
2.3.5
0
2 .3 .5
2.2.2.2
1
111
2 . 3 .5
500
2.2.3.3
2
2 .3 . 5
220
2.2.2.5
3
2 . 3 .5
301
3.3.5
20.32.51
021
A representao dos nmeros musicais assemelha-se aos nmeros da base decimal. Por
exemplo, analisando-se a nota musical DO, obtem-se para o DIV:
na base decimal, DIV=24=2*101+4*100;
na base dos expoentes, DIV=24=50*31*23...
Observa-se que h uma troca de somas por multiplicaes, veja aqui neste clculos:
2*101+4*100 = 22*5+22=22(1+5) = 22(6) = 22(21*31)=23*31=50*31*23...
Na representao exponencial observe-se a forma do desaparecimento do cinco e o aparecimento do trs, sugerindo a ocorrncia de uma transformada. Conjectura-se que o nosso
crebro associa automaticamente o expoente musical nota musical, consequncia do nosso
crebro associar o comprimento de uma corda s notas musicais, como estudou Pitgoras.
Pode-se representar as notas musicais numa estrela de sete pontas na forma mostrada na
Fig.6.2. Nesta figura usam-se os expoentes das notas musicais descritos na Tab.6.1. Lembrando-se que DO=1(310), RE=2(030), MI=3(111), FA=4(500), SOL=5(220), LA=6(301) e
SI=7(021) na representao dos expoentes musicais (ver captulo 16 (16 AS ESTRELAS E O
SINCRONISMO) do livro Msica e Vibrao de Jos Homero Feitosa Cavalcanti). A estrela de sete pontas representa os acordes das notas musicais.
83
Jos Homero Feitosa Cavalcanti et ali
MI 111
FA 500
RE 030
SOL 220
DO 310
LA 301
SI 021
6.2
EXERCCIOS A escala justa
6.2.1)Faa uma descrio sucinta das contribuies musicais de Pitgoras, Mersenne e Zarlino.
6.2.2)Quais so as notas musicais na escala justa? Quais so as frequncias das notas musicais
na escala justa? O que significa uma oitava acima nas notas musicais?
6.2.3)Por que foi inventada a escala temperada? Na escala temperada quais so as notas musicais? Qual a equao usada no clculo das frequncias das notas musicais da escala temperada?
6.2.4)O que so teras e quintas na msica? Use a estrela de sete pontas para explicar as teras
e as quintas.
6.2.5)Usando as frequncias das notas musicais calcule os valores dos expoentes musicais.
6.2.6)A frequncia de uma nota musical pode ser representada em quantas formas diferentes?
Use a Tab.6.1.
6.2.7)Apresente as notas musicais na forma de senides. Analise e implemente no MATLAB
o seguinte programa. Explique a forma de se calcular a frequncia das notas musicais.
%
do re mi fa sol la si do
%FREQ2/CM 24 27 30 32 36 40 45 48 X 11
clear all;figure(1);clf;subplot(111);amostra=11025;
freqdo=11*24;freqre=11*27;freqmi=11*30;
freqfa=11*32;freqsol=11*36;freqla=11*40;freqsi=11*45;
divre=amostra/freqre;divmi=amostra/freqmi;
divfa=amostra/freqfa;divsol=amostra/freqsol;divla=amostra/freqla;
divsi=amostra/freqsi;divdo=amostra/freqdo;
for im=1:amostra
nota1(im,1)=sin(2*pi*im/divdo);
nota2(im,1)=sin(2*pi*im/divre);
nota3(im,1)=sin(2*pi*im/divmi);
nota4(im,1)=sin(2*pi*im/divfa);
nota5(im,1)=sin(2*pi*im/divsol);
nota6(im,1)=sin(2*pi*im/divla);
nota7(im,1)=sin(2*pi*im/divsi);
nota8(im,1)=sin(2*2*pi*im/divdo);
nota9(im,1)=nota1(im,1)+nota2(im,1)+nota3(im,1)+nota4(im,1)+nota5(im,1)+nota6(im,1)+nota7(im,1)+nota8(im,1);
end
t=1:300;
subplot(221),plot(t,nota1(t),'b',t,nota2(t),'r','LineWidth',2)
xlabel('DO (cor azul) RE (cor vermelha)')
title('NOTAS MUSICAIS')
subplot(222),plot(t,nota3(t),'b',t,nota4(t),'r','LineWidth',2)
xlabel('MI (cor azul) FA (cor vermelha)')
title('NOTAS MUSICAIS')
subplot(223),plot(t,nota5(t),'b',t,nota6(t),'r','LineWidth',2)
xlabel('SOL (cor azul) LA (cor vermelha)')
subplot(224),plot(t,nota7(t),'b',t,nota8(t),'r','LineWidth',2)
xlabel('SI (cor azul) DO (oitava acima, cor vermelha)')
84
Jos Homero Feitosa Cavalcanti et ali
NOTAS MUSICAIS
0.5
0.5
-0.5
-0.5
-1
50
100
150
200
DO (cor azul) RE (cor vermelha)
250
-1
300
0.5
0.5
-0.5
-0.5
-1
50
100
150
200
SOL (cor azul) LA (cor vermelha)
250
-1
300
50
100
150
200
MI (cor azul) FA (cor vermelha)
250
300
50
100
150
200
SI (cor azul) DO (oitava acima, cor vermelha)
250
300
5000
4000
3000
2000
1000
100
200
300
Harmonicas DO3+RE+MI+FA+SOL+LA+SI+DO4
400
500
600
6.3
3(X)
5(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
600
700
3(X)
5(X)
2(X)
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
100
200
300
400
500
NOTA DO 310 (2*2*2*3*11=24*11Hz)
2(X)
3(X)
600
700
100
3(X)
5(X)
200
300
400
500
NOTA RE 030 (3*3*3*11=27*11Hz)
600
700
5(X)
1
2(X)
0.9
3(X)
5(X)
0.8
0.9
0.7
0.8
0.6
0.7
0.5
0.6
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
100
200
300
400
500
NOTA MI 111 (2*3*5*11=30*11Hz)
600
700
100
200
300
400
500
NOTA FA 005 (2*2*2*2*2*11=32*11Hz)
600
700
86
Jos Homero Feitosa Cavalcanti et ali
3(X)
2(X)
5(X)
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
100
200
300
400
500
NOTA SOL 022 (2*2*3*3*2*11=36*11Hz)
600
700
2(X)
100
3(X)
3(X)
5(X)
200
300
400
500
NOTA LA 301 (2*2*2*5*11=40*11Hz)
600
700
5(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
NOTA SI 021 (3*3*5*11=45*11Hz)
600
700
DO
RE
MI
FA
SOL
LA
SI
FREQ(Hz)
264
297
330
352
396
440
495
EXP.MUS.
(310)
(030)
(111)
(500)
(220)
(301)
(021)
FP
Fig.6.7 As notas musicais e suas FPs
6.3
EXERCCIOS A escala justa e a Lgica Fuzzy
6.3.1)Faa um programa para traar as funes de pertinncias (FPs) da Fig.6.4.
6.3.2)Qual a relao entre a altura do tringulo da FP e o EXPMUS?
6.3.3)Refaaa a tabela da Fig.6.5 no ambiente MATLAB.
6.3.4)A FP padro Z(x), P(x) e M(x) foram associadas a que FPs na anlise musical?
6.3.5)Apresente as FPs das oitavas superiores do DO e do SI.
6.4
87
Jos Homero Feitosa Cavalcanti et ali
Na anlise dos acordes usam-se os expoentes musicais da tabela das justas e a repetio
das senides, que pode ser vista na Tab.6.2.
Na Tab.6.2, na linha da nota DO, o valor DIV das notas feita em relao ao DIV=24
da nota DO. Na coluna da nota RE tem-se DIVRE=(9/8)DIVDO=27, e assim para as demais
colunas e linhas. Esses nmeros so obtidos a partir das fraes das cordas de Pitgoras. Deve-se associar ao ciclo da nota musical o maior ciclo a nota musical com menor frequncia.
Tab.6.2 - TABELA DAS REPETIES
REFs
DO24
RE27
MI30
FA32
SOL36
LA40
SI45
DO
9/8
5/4
4/3
3/2
5/3
15/8
RE
8/9
10/9
32/27
4/3
40/27
5/3
MI
4/5
9/10
16/15
6/5
4/3
3/2
FA
27/32
15/16
9/8
5/4
45/32
SOL
2/3
5/6
8/9
10/9
5/4
LA
3/5
27/40
4/5
9/10
9/8
SI
8/15
3/5
2/3
32/45
4/5
8/9
O acorde DOMI bem conhecido (na Tab.6.2 DIVMI=(5/4)DIVDO=(5/4)24=30). Consiste em se executar num instrumento musical, ao mesmo tempo, as notas DO e MI. Na
Fig.6.6 podem-se ver as formas de ondas obtidas aps serem teclados D e MI simultaneamente (curvas obtidas do livro Msica e Vibrao).
No grfico superior da Fig.6.8 pode-se ver, na cor azul a nota musicaal DO, na cor vermelha a nota musical MI, e o acorde DOMI na cor preta. Na figura inferior vm-se as harmnicas das notas DO (264Hz) e MI(330Hz). Observe-se (veja a seta) que aps 4 ciclos da nota
DO e 5 ciclos da nota MI as curvas das duas notas passam por zero.
ACORDE DOMI
2
-1
-2
50
100
150
200
250
300
DO (cor azul) MI (cor vermelha) DO+MI(preto)
350
400
450
500
6000
5000
4000
3000
2000
1000
0
50
100
150
200
Harmonicas DO+MI
250
300
350
400
Fig.6.8 Acorde DO e MI
A anlise da gerao do acorde DOMI por etapas, at a sua representao usando a Lgica Fuzzy, feita a seguir.
Na tabela das justas retiram-se os expoentes musicais das notas DO e MI (DO(310) e
MI(111)), a seguir denota-se o acorde das notas DO e MI como DOMI, reescreve-se o acorde
DO e MI na forma:
88
Jos Homero Feitosa Cavalcanti et ali
DOMIop=DO(310) op MI(111)
A palavra op representa uma operao lgica Fuzzy sobre os expoentes musicais das
notas DO e MI, obtido da observao dos expoentes musicais da Tab.6.1. Uma anlise sucinta
dos expoentes verifica-se que:
A nota MI(111) possui os trs algarismos do seu nmero exponencial com valores diferentes de zero, pois 30=21*31*51. O expoente musical da nota musical RE(030) referente ao
expoente trs o nico diferente de zero, pois 27=20*33*50 . O expoente musical da nota musical FA(500) referente ao nmero dois o nico diferente de zero, pois 32=25*30*50. Isto
sugere um certo padro que pode ser usado na anlise dos acordes.
Inicialmente decidiu-se usar o operador op para encontrar o maior expoente entre as duas notas musicais, por exemplo:
DOMIop=DO(310) op MI (111)= 311
A atribuio ao acorde DOMIop os maiores expoentes pode ser feito usando a operao
lgica Fuzzy OU (op=OU). Isto significa a grosso modo que os termos do expoente musical
do acorde DOMIOU foram obtidos retirando o maior algarismo dos expoente musicais das duas notas.
Na Fig.6.9 apresenta-se a tabela dos acordes duplos, obtidos com operao OU, junto
com um grfico das funes de pertinncias dos acordes.
TABELA DOS ACORDES DUPLOS operao OU
NOTAS
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
DO(310)
330
311
510
320
311
321
DORE 330
DOMI 331
DOFA 510
DOLA 311
DOSI 321
131
530
230
331
031
REMI 131
REFA 530
RESOL 230
RELA 331
RESI 031
511
221
311
121
MIFA 511
MISOL 221
MILA 331
MISI 121
520
501
521
FASOL 520
FALA 501
FASI 521
321
221
SOLLA 321
SOLSI 221
321
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
DOSOL 320
LASI 321
6.4
EXERCCIOS Acorde duplo, operao OU
6.4.1)Reveja a definio da operao lgica Fuzzy OU.
6.4.2)Usando-se a Tab.6.2 calcule as demais frequncias das notas musicais usando um trecho
da Tab.6.2 mostrada na Fig.6.10.
REFs
DO24
RE27
MI30
FA32
SOL36
LA40
SI45
DO
9/8
5/4
4/3
3/2
5/3
15/8
FREQ
264
DIV
24
6.4.4)Explique o seguinte trecho de programa usado para calcular o acorde OU de duas notas
(as notas so indicadas nas variveis hoje e antes).
pauta=[3 1 0
030
111
500
220
301
0 2 1];
d2=pauta(hoje,1);d3=pauta(hoje,2);d5=pauta(hoje,3);
if(d2<pauta(antes,1))d2=pauta(antes,1);end
if(d3<pauta(antes,2))d3=pauta(antes,2);end
if(d5<pauta(antes,3))d5=pauta(antes,3);end
qexp=2^d2*3^d3*5^d5;
6.5
Na operao LGICA FUZZY interseco (AND) comparam-se dois nmeros musicais, o menor o vencedor. Obtem-se um nmero que representa a intensidade do acorde. Na
Fig.6.11 apresenta-s a tabela dos acordes duplos obtida com operao Lgica Fuzzy AND.
TABELA DOS ACORDES DUPLOS - AND
NOTAS
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
DO(310)
010
110
300
210
300
010
DORE 010
DOMI 110
DOFA 300
DOLA 300
DOSI 010
010
000
020
000
020
REMI 010
REFA 000
RESOL 020
RELA 000
RESI 020
100
110
100
011
MIFA 100
MISOL 110
MILA 100
MISI 011
200
300
000
FASOL 200
FALA 300
FASI 000
200
020
SOLLA 200
SOLSI 020
001
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
DOSOL 210
LASI 001
6.5
EXERCCIOS Acorde duplo, operao AND
6.5.1)Reveja a definio da operao lgica Fuzzy AND.
6.5.2)Explique o seguinte trecho de programa usado para calcular o acorde AN de duas notas
(as notas so indicadas nas variveis hoje e antes).
pauta=[3 1 0
030
111
500
220
301
0 2 1];
d2=pauta(hoje,1);d3=pauta(hoje,2);d5=pauta(hoje,3);
if(d2>pauta(antes,1))d2=pauta(antes,1);end
if(d3>pauta(antes,2))d3=pauta(antes,2);end
if(d5>pauta(antes,3))d5=pauta(antes,3);end
qexp=2^d2*3^d3*5^d5;
91
Jos Homero Feitosa Cavalcanti et ali
6.6
A FATORAO, OR e MENOS
Uma outra aplicao da anlise do acorde duplo usando a Lgica Fuzzy a anlise da
repetio das senides. A partir da Fig.6.7, e analisando o acorde DOMI, obtem-se:
DOMIOU=DO(310)OUMI(111)=120=311=23*31 *51 =(23*31 *50 *51 e 21*31 *51 *22).
DOMIOU=DO(310)OUMI(111)=120=311=23*31 *51 =( 24 *51
30 *22).
DORE 330
MENOS
DO 310
ciclosDO=020
DORE 330
MENOS
RE 030
ciclosRE=300
92
Jos Homero Feitosa Cavalcanti et ali
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
330(8/9)
311(4/5)
510(3/4)
320(2/3)
311(3/5)
321(8/15)
ciclosDO=020
ciclosDO 001
ciclosMI 200
ciclosDO 200
ciclosDO 010
ciclosFA 010
ciclosSOL 100
ciclosDO 001
ciclosDO 011
ciclosLA 010
ciclosSI 300
331(27/40
)
031(3/5)
ciclosRE=300
RE
131(9/10) 530(27/32
)
ciclosRE 020
230(3/4)
ciclosRE
010
ciclosRE 030
ciclosMI 101
ciclosSOL 200
ciclosMI 500
MI
ciclosRE
511(15/16
)
010
ciclosRE 030
ciclosSI 001
ciclosLA 301
221(5/6)
ciclosMI 110
311(3/4)
ciclosMI 200
121(2/3)
ciclosMI 010
ciclosMI 400
ciclosSOL 001
ciclosLA 010
ciclosSI 100
ciclosFA 110
FA
520(8/9)
ciclosFA 020
501(4/5)
521(32/45
)
ciclosFA 200
ciclosFA 021
ciclosSOL 300
ciclosLA 001
ciclosSI 500
SOL
321(9/10)
ciclosSOL 101
LA
221(4/5)
ciclosSOL 001
ciclosLA 020
ciclosSI 200
321(8/9)
ciclosLA 300
ciclosSI 020
6.6
EXERCCIOS A fatorao OR e MENOS
6.6.1)Reveja a definio da operao lgica Fuzzy MENOS.
6.6.2)
93
Jos Homero Feitosa Cavalcanti et ali
6.7
ciclosDO=020
ciclosRE=300
OR
cDORE 320
DO
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
330(8/9)320
311(4/5)201
510(3/4)210
320(2/3)110
311(3/5)011
321(8/15)311
210
201
110
311
011
320
RE
131(9/10)121
530(27/32)530
511(15/16)410
221(5/6)111
111
520(8/9)320
320
SOL
011
311(3/4)210
210
501(4/5)201
121(2/3)110
110
521(32/45)521
521
201
321(9/10)121
121
LA
031(3/5)011
331
210
410
FA
331(27/40)331
530
121
MI
230(3/4)210
221(4/5)201
201
321(8/9)320
320
6.7
EXERCCIOS Acorde duplo, unio dos acordes
6.7.1)Explique a construo tabela da unio dos ciclos dos acordes duplos da Fig.6.12.
6.8
O ACORDE TRIPLO
O nmero de acordes possveis usando duas notas diferentes dado por A72=21, obtido
com arranjo. O acorde de trs notas com 7 notas tem-se A73=35 possibilidades com notas diferentes. No clculo dos intervalos harmnicos segue-se o mesmo padro do acorde de duas notas, calcula-se o OR dos expoentes das trs notas.
Na figura superior da Fig.6.13 pode-se ver, na cor azul a nota musicaal DO, na cor vermelha a nota musical MI, na cor amarela a nota musical SOL, e o acorde DOMISOL na cor
preta. Na figura inferior vm-se as harmnicas das notas DO (264Hz), MI(330Hz) e
SOL(396Hz). Observe-se (veja a seta) que aps 8 ciclos da nota DO, 9 ciclos da nota MI e 10
ciclos da nota SOL as curvas das duas notas passam por zero.
94
Jos Homero Feitosa Cavalcanti et ali
ACORDE DOMI
3
2
1
0
-1
-2
-3
50
100
150
50
100
150
200
250
300
DO (azul) MI (vermelha) SOL(amarelo) DO+MI+SOL(preto)
350
400
450
500
350
400
450
500
6000
5000
4000
3000
2000
1000
0
200
250
Harmonicas DO+MI+SOL
300
RE030
DO RE
MI FA SOL LA SI
331 530 330 331 331
X
MI111
DO MI
FA SOL LA SI
510 320 311 321
RE MI
FA SOL LA SI
531 231 331 131
X
FA500
DO FA
SOL LA SI
520 511 521
RE FA
SOL LA SI
530 531 531
MI FA
SOL LA SI
521 511 521
X
SOL
SOL220
DO SOL
LA SI
321 321
RE SOL
LA SI
331 231
MI SOL
LA SI
321 221
FA SOL
LA SI
521 521
X
LA301
DO LA
SI
321
RE LA
SI
331
MI LA
SI
321
FA LA
SI
521
SOL LA
SI
321
SI(021)
95
Jos Homero Feitosa Cavalcanti et ali
DO RE
MI FA SOL LA SI
8 24 6 24 8
9 27 8 27 9
10 32 9 40 15
CICLO 1
CICLO2
ciclosDO=020
ciclosDO=310
ciclosRE=300
ciclosRE=030
ciclosMI=101
ciclosFA=500
cDOREMI=321
DOREFA=530
CICLO3
ciclosDO=110
ciclosDO=310
ciclosDO=300
ciclosRE=030
ciclosRE=020
ciclosLA=301
ciclosSI=011
ciclosRE=300
ciclosSOL=020
UNIO
cDORESOL=32
cDORELA=301
cDORESI=321
RE
MI
RE
DO RE
MI FA SOL LA SI
8 24 6 24 8
9 27 8 27 9
10 32 9 40 15
X
MI
DO MI
FA SOL LA SI
12 4 12 8
15 5 15 10
16 6 20 15
RE MI
FA SOL LA SI
27 9 27 9
30 10 30 10
32 12 40 15
X
FA
DO FA
SOL LA SI
6 3 24
8 4 32
9 5 45
RE FA
SOL LA SI
27 27 27
32 32 32
36 40 45
MI FA
SOL LA SI
15 15 30
16 16 32
18 20 45
X
FA
SOL
SOL
DO SOL
LA SI
68
9 12
10 15
RE SOL
LA SI
27 3
36 4
40 5
MI SOL
LA SI
8 32
9 36
10 45
FA SOL
LA SI
8 32
9 36
10 45
X
LA
DO LA
SI
24
40
45
RE LA
SI
27
40
45
MI LA
SI
6
8
9
FA LA
SI
32
40
45
SOL LA
SI
36
40
45
6.8
EXERCCIOS Acorde triplo
6.8.1)Explique o seguinte trecho de programa usado para calcular o acorde de tres notas (as
notas so indicadas nas variveis hoje, antes e anterior). Explique as declaraes exx=exp(in/amost4) e notaacorde(in,1)=exx*sin(2.*pi*in/divnota);
Amostra=11025;amost4=3000;
pauta=[3 1 0
030
111
500
220
301
0 2 1];
d2=pauta(hoje,1);d3=pauta(hoje,2);d5=pauta(hoje,3);
if(d2<pauta(antes,1))d2=pauta(antes,1);end
if(d3<pauta(antes,2))d3=pauta(antes,2);end
if(d5<pauta(antes,3))d5=pauta(antes,3);end
if(d2<pauta(anterior,1))d2=pauta(anterior,1);end
if(d3<pauta(anterior,2))d3=pauta(anterior,2);end
if(d5<pauta(anterior,3))d5=pauta(anterior,3);end
qexp=2^d2*3^d3*5^d5;
96
Jos Homero Feitosa Cavalcanti et ali
6.8.2)
6.9
Montagem
A vantagem de se usar o expoente musical que quanto menor for o expoente musical
Montou-se um tema de uma fuga usando acordes duplos e triplos. Na Fig.6.15 apresentam-se os resultados obtidos na execuo do tema usando diferentes representaes para os
acordes duplos e triplos. Na parte superior da Fig.6.15 apresenta-se um desenho do teclado de
um piano. Na parte central e inferior apresentam-se as formas de ondas dos dois canais stereos
do som do tema acompanhado da nota musical (crculos).
O mesmo tema executado quatro vezes. A primeira usando acordes duplos e triplos
definidos como a adio das notas musicais (ver as Fig.6.7 e Fig.6.13). A segunda usa acordes
duplos e triplos representados pela operao OU da Lgica Fuzzy (ver as Fig.6.7 e Fig.6.14).
A terceira usa acordes duplos e triplos representados pela operao AND da Lgica Fuzzy
(ver as Fig.6.7 e Fig.6.14).
Na Fig.6.16 apresenta-se a execuo num piano das notas musicais da primeira parte do
tema.
A MUSICA DOS PLANETAS
0.8
0.6
0.4
0.2
0
-1.5
-1
-0.5
0.5
1.5
4
10
o
5
0
O
o
o O
o
O
o
O
o
O
o
o
o O
O
o
O
o
o
o
O
o
O
o
o O
o
O
o
O
o
o
o O
O
o
O
o
O
o
o
o
O
o
O
o
o O
o
O
o
O
o
o
o O
O
o
O
o
O
o
o
o
O
o
O
o
o O
o
O
o
O
o
o
o O
O
o
O
o
RE4
SI3
SOL3
MI3
DO3
LA2
FA2
RE2
SI1
O
o
O
o
-5
-10
6
8
Acordes 12 e 123 - OR 2 - AND 2 - OR 2 e 3
10
12
14
x 10
20
10
o
0o
o
o o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o o
o
RE4
SI3
SOL3
MI3
DO3
LA2
FA2
RE2
SI1
o
o
-10
-20
10
12
14
x 10
97
Jos Homero Feitosa Cavalcanti et ali
6.10
Concluso
A vantagem de se usar o expoente musical que quanto menor for o expoente musical
obtido da operao lgica Fuzzy MENOS, mais cedo ocorre a coincidncia entre as duas notas. Conjectura-se que o nosso crebro associa o acorde com as operaes lgicas Fuzzy OU e
Fuzzy MENOS, quanto menor o valor obtido maior a afinidade entre as notas. Considera-se
esta uma forma de se quantificar o belo da msica, e uma tcnica geral que pode ser usada
por msicos e engenheiros.
98
Jos Homero Feitosa Cavalcanti et ali
CAPTULO VII
ANLISE DE SISTEMAS COM MEMRIA DE FORMA
CCERO DA ROCHA SOUTO
7.1
INTRODUO
Atuadores desenvolvidos com ligas com memria de forma (LMF) esto sendo utilizados cada vez mais devido ao grande nmero de aplicaes na engenharia, principalmente na
rea da bio-engenharia. Isso porque essas ligas possuem a capacidade de recuperar sua forma,
mudar sua rigidez ou ainda gerar fora quando submetidas determinada variao de temperatura (Duerig et alii, 1990) (Furuya & Shimada, 1990) (Nascimento et alii, 2004) (Kreith,
1977). Essas caractersticas possibilitam o uso de LMFs em robtica, na msica (afinao automtica de instrumentos musicais), em prteses humanas do tipo dedos, braos, etc.
As ligas mais comuns no mercado so o NiTi, o CuAlNi e o CuAlZn. Estas ligas tm
efeito de memria de forma (EMF) ou comportamento superelstico e devem essas propriedades a uma transformao reversvel austenite-martensite-austenite.
Neste captulo apresenta-se a anlise e a implementao de sistemas usando materiais
atuadores de ligas com LMF usando a Lgica Fuzzy. Inicialmente, faz-se uma anlise sucinta
da forma das LMFs, a seguir, analisa-se a mudana da forma obtida com a variao de parmetros fsicos. No meio deste captulo se apresenta um modelo, utilizando a Lgica Fuzzy,
para estimar e controlar o comportamento de recuperao de um fio com memria de forma,
Por ltimo, usando resultados experimentais obtidos de um fio com memria de forma de NiTi, faz-se um identificador Fuzzy da variao do comprimento de uma LMF em funo da
temperatura.
7.2
Na Fig.7.1 esquerda podem-se ver duas ligas usando materiais atuadores de ligas com
memria de forma sendo que a liga superior est numa temperatura t0>t1. Observe-se que a
liga superior apresenta um maior comprimento.
T0 > T1
T0
T1
99
Jos Homero Feitosa Cavalcanti et ali
A liga LMF apresenta um ciclo de histerese, causada pelo atraso entre a corrente de aquecimento e a deflexo.
A histerese a tendncia de um material ou sistema de conservar suas propriedades na
ausncia de um estmulo que as gerou. Podem-se encontrar diferentes manifestaes desse
fenmeno. A palavra "histerese" deriva do grego antigo , que significa 'retardo'.
1.5
1.5
0.5
0.5
-0.5
-0.5
-1
0.2
0.4
0.6
0.8
1.2
-1
1.4
0.2
0.4
0.6
0.8
1.2
1.4
1.25
1.2
1.1
1.2
1.3
1.25
1.15
1.15
1.2
1.1
1.1
1.15
0.9
1.05
0.8
0.7
0.95
0.6
0.9
0.5
0.85
1.1
1.05
1.05
1
0.95
0.95
0.4
0.8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.85
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.9
-0.05
0.05
0.1
0.15
0.2
0.25
0.3
0.35
EXERCCIOS 7.2
7.2.1)Atribua uma varivel Fuzzy ao comprimento duma viga LMF. Use a defuzzyficao
contnua e as funes de pertinncias da Fig.7.5.
Z
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
7.2.2)O efeito histerese entre a tenso e temperatura versus deslocamento pode ser visto na
Fig.7.6 esquerda (corrente na cor azul, por unidade) (deflexo na cor vermelha, por unidade). Explique o que significa histerese (curva na cor vermelha) mostrada direita da Fig.7.6.
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
500
1000
Corrente e deflexo
1500
0.2
0.4
0.6
histerese
0.8
-0.1
L1
-0.2
-0.3
L2
LMF
-0.4
-0.5
L3
-0.6
-0.7
L4
-0.8
-0.9
L5
-1
-0.01
0.01
50 C
S1
5
deformao (mm)
5.5
20 C
+
-
4.5
4
3.5
3
2.5
2
LIGA
0.1
0.2
0.3
0.4
0.5
corrente (A)
0.6
0.7
0.8
0.9
7.3
Nos captulos anteriores deste livro foi visto como se controlar um sistema de primeira
ordem mostrado na eq.7.1. Considere-se o sistema trmico da Fig.7.9 controlando o comprimento de uma LMF usando temperatura. Suponha-se que uma liga LMF na temperatura T esteja num ambiente de temperatura TL. Sabendo-se que a resistncia trmica do fluxo de calor
para a liga LMF Ri, utilizando a equao do calor obtm-se a Eq.1.
101
Jos Homero Feitosa Cavalcanti et ali
y' =
1
1
y+
x
RiC
RiC
(7.1)
Na Fig.7.9, parte superior, mostram-se dois circuitos que geram corrente em funo da
tenso (E=12V) numa viga hipottica. Os circuitos geram corrente na forma de degrau e na
forma linear.
Na Fig.7.9, na parte inferior, podem-se ver duas curvas da variao da temperatura da
liga devido aos fluxos de calor gerados pelo circuito aquecedor. A primeira curva ( esquerda)
foi obtida usando a tenso E na forma de um degrau. A segunda curva ( direita) foi obtida
usando a tenso E na forma linear.
I
+
-
S1
I
+
-
R
I
S1
R
I
t
LIGA
LIGA
0.9
0.8
0.8
0.7
0.7
0.6
0.6
Temp
Temp
Es
0.9
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
Es
Ed
0.1
0.1
Ed
0
100
200
300
Es=1 Ed=0
400
500
600
100
200
300
Es=1 Ed=0
400
500
600
EXERCCIOS 7.3
7.3.1)Use o seguinte programa para gerar as curvas da Fig.7.9 com entrada degrau. Explique
os vetores temper(), linear() e degrau. Considere o sistema simtrico, conhecendo-se as entradas e sadas de um dos deois degraus, como claculado o outro degrau? Qual dos vetores foram plotados? Este sistema est em por unidade, qual a tenso referncia? possivel traar
a curva da histerese deste sistema?
%fig79e.m Entradaa degrau
clear all;figure(1);subplot(111)
temp=0.;
for j=1:300
onde=1;
temp=temp+0.02*(onde-temp);
temper(j)=temp;
linear(j)=j/300;
end
for j=1:300
onde=0;
temp=temp+0.02*(onde-temp);
temper(300+j)=temp;
102
Jos Homero Feitosa Cavalcanti et ali
7.3.2)Use o seguinte programa para gerar as curvas da Fig.7.9 com entrada linear. Explique os
vetores temper() e linear().
%fig79d.m
Entrada linear
clear all;figure(1);subplot(111)
temp=0.;
for j=1:300
linear(j)=j/300;
onde=j/300;
temp=temp+0.02*(1.1*onde-temp);if(temp>1.)temp=1.;end
temper(j)=temp;
end
for j=1:300
onde=1.-j/300;
temp=temp+0.02*(1.1*onde-temp); if(temp>1.)temp=1.;end
temper(300+j)=temp;
linear(300+j)=1-j/300;
end
t=1:600;
degrau(1:300)=1.;degrau(301:600)=0.;
plot(t,temper(t),'k',t,linear(t),'g','LineWidth',3);
text(100,0.5,'Es');text(400,0.5,'Ed');
xlabel('Es=1 Ed=0');ylabel('Temp')
pause
plot(linear,temper,'r','LineWidth',3),title('Histerese - entrada linear')
xlabel('Corrente Linear');ylabel('Temperatura')
7.3.3)Na parte superior da Fig.7.10 apresentam-se as curvas (parte superior) das funes de
pertinncias e das CG(X) para uma LMF com temperatura linear. Considere o sistema simtrico, conhecendo-se as entradas e sadas de um dos deois degraus, como claculado o outro
degrau? A histerese da Fig.7.10 (inferior) plotada com qual declarao do programa
fig9d.m? Qual a relao da Fig.7.10 com a forma da LMF? Modifique no programa fig79d.m
as seguintes declaraes temp=temp+0.02*(1.1*onde-temp); para estreitar e enlarguecer a
curva de histerese. O que ocorre com as dimenses da LMF quando elas possuem histerese
estreita e larga?
1
1
Z
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.9
0.9
0
0
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
103
Jos Homero Feitosa Cavalcanti et ali
Temperatura
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Corrente Linear
0.7
0.8
0.9
0.9
0.9
0.9
0.8
0.8
0.8
0.7
0.7
0.7
0.6
0.5
Es
Ed
0.5
Es
Temp
0.6
Temp
Temp
0.6
Ed
0.5
0.4
0.3
0.3
0.2
0.2
0.2
0.1
0.1
0.1
100
200
300
Es=1 Ed=0
400
500
600
Es
Ed
0.4
0.4
0.3
0
0
100
200
300
Es=1 Ed=0
400
500
600
100
200
300
Es=1 Ed=0
400
500
600
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
7.4
A partir da anlise das curvas da variao da temperatura de uma LMF (ver a Fig.7.9)
foram desenvolvidos funes de pertinncias Fuzzy capazes de identificar as caractersticas da
variao de temperatura das LMF.
104
Jos Homero Feitosa Cavalcanti et ali
Nesta seo ser feita a identificao da CG com entrada de corrente na forma linear na
forma mostrada na Fig.7.9 (acima e abaixo direita).
No captulo 5.4 deste livro, ADAPTAO DOS PARMETROS DO SISTEMA
FUZZY, discute-se adaptao de sistemas Fuzzy a funes no lineares. O problema da adaptao modificar as funes de pertinncia (os seus parmetros, o peso, a inclinao e o centro da funo de pertinncia), calcular a funo de pertinncia vencedora (na defuzyficao
lgica) e a forma de CG(X), e comparar com a funo no linear. Essas etapas so feitas iterativamente at que CG(X) se aproxime da funo no linear.
A Fig.7.12 (esquerda) uma cpia da Fig.5.5, onde se apresentam quatro formas de ondas de CG(X). As formas de ondas das primeira e da terceira figuras so parecidas com as
formas de ondas da direita da Fig.7.12.
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
P(X)
0.4
0.5
0.6
0.7
peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1.;
M(X)
G(X)
PL
ML
0.8
0.9
0.9
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
0.4
0.5
0.6
0.7
peso(1)=0.01;peso(2)=0.65;peso(3)=0.93;peso(4)=1.;
P(X)
M(X)
PL
0.8
G(X)
ML
GL
0.9
0.5
0.8
0.7
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
0.4
0.5
0.6
0.7
peso(4)=0.01;peso(3)=0.65;peso(2)=0.93;peso(1)=1.;
P(X)
M(X)
PL
0.8
G(X)
ML
0.9
0.6
0.5
Es
Ed
GL
0.4
0.5
0.3
0.2
R(X)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
peso(4)=0.01;peso(3)=0.1;peso(2)=0.4;peso(1)=1.;
0.8
0.9
0.1
100
200
300
400
Es=X/300 Ed=1-(X-300)/300
500
600
1
Z
0.9
0.8
0.8
0.8
0.7
0.7
0.7
0.6
0.6
0.6
0.5
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.9
50
100
150
200
250
300
X
350
0.4
0.3
0.2
0.1
50
100
150
200
250
300
X
350
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
TIPO PARMT
FP1
FP2
FP3
FP4
PESO
0.01
0.2
0.5
1.
DECLIVIDADE 1.
1.
1.
1.
POSIO
100
200
300
COR CG
PRETA
FP1
FP2
FP3
FP4
PESO
1.
0.9
0.6
0.01
DECLIVIDADE 1.
1.
1.
1.
POSIO
100
200
300
7.6
COR CG
PRETA
Na Fig.7.15 esquerda, apresenta-se o diagrama usado na identificao Fuzzy e controle da dinmica da planta. direita, apresenta-se a superposio da CG com a dinmica da
planta (usa-se 1-CG).
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
U(t)
TEMPf
Yf
0.3
0.2
Uf(t)
0.1
CONTROLADOR
FUZZY
50
100
150
200
250
300
X
350
Fig.7.15 Identificao
Observe-se que existem erros entre CG e a sada da planta que pode ser visto na
Fig7.15. Na construo das funes de pertinncias da Fig.7.15 usaram-se os conjuntos de
pesos, declividades e posies das FPs apresentados na Tab.7.3. Esses pesos so diretamente
proporcionais ao valor de CG em cada intervalo
Tab.7.3 FPs das CGs da Fig.7.15
TIPO PARMT
FP1
FP2
FP3
FP4
COR CG
PESO
0.01
0.1
0.4
0.9
MAGENTA
PESO
0.01
0.2
0.5
1.
PRETA
PESO
0.01
0.3
0.6
1.
AZUL
CLARO
1.
1.
1.
DECLIVIDADE 1.
106
Jos Homero Feitosa Cavalcanti et ali
POSIO
100
200
300
ALTURA
7.7
(I(Wk)/W)=-E./W=-E./Y.Y/W
(7.4)
Wk+1=Wk+(-(I(Wk)/W)= Wk+(E. /Y.Y/W)= Wk+.E
(7.5)
A seguir, treinaram-se os pesos das funes de pertinncias para igualar a sada contnua
do sistema FUZZY ao comprimento (ou deflexo) da liga LMF (CG(X)=Yf(t)->Y(t)). Na
Fig.7.13 apresentam-se os resultados obtidos para uma entrada em degrau de tenso.
Na Fig.7.13, na cor preta a variao linear da temperatura, na cor azul a variao exponencial da temperatura, na cor vermelha a temperatura eficaz para alongamento da viga, e o
degrau da tenso aplicada na cor verde.
107
Jos Homero Feitosa Cavalcanti et ali
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
300
X
350
EXERCCIOS 7.7
0.9
0.8
0.7
40
S1=1
0.6
38
36
0.5
34
0.4
TempoC
32
0.3
30
28
0.2
26
0.1
24
22
50
100
150
200
250
300
X
350
S1=0
20
10
20
30
40
50
60
70
Temp(azul) tensao(verde)
80
90
100
109
Jos Homero Feitosa Cavalcanti et ali
0.8
0.6
0.4
38
0.2
36
0
50
100
150
200
250
300
X
350
34
32
30
0.8
28
0.6
26
0.4
24
0.2
22
0
50
100
150
200
250
300
X
350
20
20
22
24
26
28
30
32
34
36
38
40
7.8
0.5
0.5
2000
4000
Tensao
6000
2000
4000
Deflexao
2000
4000
Corrente e deflexao
6000
6000
deformao (mm)
2000
4000
Corrente
6000
2000
4000
Tensao e deflexao
6000
0.2
0.4
0.6
corrente eltrica (A)
0.8
0.9
3.5
corrente(A), deformao(mm)
0.8
3
0.7
2.5
0.6
0.5
0.4
1.5
0.3
1
0.2
0.5
0
0.1
0
1000
2000
3000
cor(preta) def(verm) Tempo(S)
4000
5000
1000
2000
3000
cor(preta) def(verm)
4000
5000
111
Jos Homero Feitosa Cavalcanti et ali
6.5
6
5.5
deformao (mm)
5
4.5
4
3.5
3
2.5
2
0.1
0.2
0.3
0.4
0.5
corrente (A)
0.6
0.7
0.8
0.9
Fig.7.20 Histerese
Na parte superior da Fig.7.21 apresentam-se os resultados experimentais obtidos (pontos de 501 a 1500) para uma entrada linear de tenso (correntes crescente e decrescente na cor
azul), e uma deflexo (cor vermelha) na LMF. direita apresenta-se a curva de histerese obtida traando-se a curva deflexo versus corrente.
Na parte inferior da Fig.7.21 apresentam-se os resultados obtidos considerando o sistema simtrico, a parte da corrente decrescente foi traado a partir das entradas e sadas da corrente crescente. Observe-se a descontinuidade na gerao dos pontos da corrente descrescente.
Portanto, a LMF no simtrica.
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
500
600
700
800
900
1000 1100
Corrente e deflexo
1200
1300
1400
1500
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
500
600
700
800
900
1000 1100
Corrente e deflexo
1200
1300
1400
1500
0.1
0.2
0.3
0.4
0.5
0.6
histerese
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
histerese
0.7
0.8
0.9
7.10
501<=X<1000), e outro na descida (pontos 1001<=x<1500). Esses valores podem ser usados
na adaptao das funes de pertinncias dos dois sistemas FUZZY.
1
0.9
0.8
0.7
1
0.6
0.9
0.8
0.5
0.7
0.4
0.6
0.5
0.3
0.4
0.2
0.3
0.1
0
0.2
0.1
1000
2000
3000
cor(preta) def(verm)
4000
5000
0
500
1000
cor(preta) def(verm)
1500
FP1
0.1
1.
30
2
1
FP2
0.1
1.
80
2
1
FP3
0.1
1.
130
2
1
FP4
0.15
0.93
180
2
1
FP5
0.15
0.93
230
2
1
FP6
0.15
0.93
280
2
1
FP7
0.15
0.93
330
2
1
FP8
0.53
0.65
380
2
1
FP9
0.53
0.65
430
2
1
FP10
1.
0.1
480
2
1
113
Jos Homero Feitosa Cavalcanti et ali
FP3
FP4
FP5
FP6
FP7
FP8
FP9
FP1
1
FP10
0.9
0.9
0.8
0.8
0.7
0.7
FP1
1
0.6
0.5
0.4
0.3
200
300
400
X
FP6
FP7
FP8
FP9
FP10
0.3
0.1
X=cor
FP5
0.4
0.2
100
FP4
0.5
0.1
0
FP3
0.6
0.2
FP2
500
100
200
300
400
X
X=cor
500
FP2
FP3
FP4
FP5
FP6
FP7
FP8
FP9
FP10
FP1
1
0.8
0.9
0.7
0.8
0.6
0.7
0.9
0.5
0.4
0.3
0.2
FP3
FP4
FP5
FP6
FP7
FP8
FP9
FP10
0.6
0.5
0.4
0.3
0.2
0.1
0
FP2
0.1
100
200
300
X=cor
400
X
500
100
200
300
X=cor
400
X
500
1
0.8
0.6
0.4
0.2
0
0.2
20
0.4
0.6
Experimental(verm) Simulado(azul)
0.8
80
100
0.9
15
0.8
0.7
10
0.6
0.5
0.4
0.3
0.2
0.1
0
500
1000
cor(preta) def(verm)
40
60
erros
1500
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
0.1
0.2
0.4
0.6
temp desl e tempcg cg
0.8
0.2
0.4
0.6
temp desl e tempcg cg
0.8
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
0.1
0.2
0.4
0.6
temp desl e tempcg cg
0.8
0.2
0.4
0.6
temp desl e tempcg cg
0.8
14
1
0.9
12
0.8
10
0.7
0.6
0.5
0.4
0.3
0.2
2
0.1
0
1000
2000
3000
cor(preta) def(verm)
4000
5000
20
40
60
80
100
erros
7.9
CONCLUSO
Neste captulo fez-se uma anlise Fuzzy da dinmica e aplicaes das LMFs. Nele foram apresentados resultados obtidos de simulao e implementao de dois sistemas FUZZY
usados na simulao do comportamento de ligas LMF durante a sua variao de tamanho em
funo da temperatura.
Na identificao da LMF usando dados experimentais usou-se um sistema FUZZY com
dois conjuntos de funes de pertinncias, um deles para simular a dinmica do sistema com
temperatura crescente, e o outro para temperatura decrescente. Durante a simulao foram
treinados os parmetros das funes de pertinncias com uma nica entrada (conjunto de entrada e sada da Figura (5) direita), e com mais de uma entrada (conjunto de quatro entradas
e sadas da Figura (5) esquerda). O sistema FUZZY aprendeu com menos erros o sistema de
nica entrada.
115
Jos Homero Feitosa Cavalcanti et ali
CAPTULO VIII
8.1
INTRODUO
Neste captulo prope-se uma extenso ao mtodo de defuzzyficao Fuzzy do centro
de gravidade, usando o histograma das opinies dos provadores, na anlise dos dados sensoriais.
8.2
A ANLISE SENSORIAL
A anlise sensorial uma cincia interdisciplinar na qual se convidam avaliadores, que
se utilizam da complexa interao dos rgos dos sentidos (viso, gosto, tato e audio) para
medir ou avaliar as caractersticas sensoriais e a aceitabilidade dos produtos alimentcios e
muitos outros materiais (WATTS et al., 1992).
Os mtodos sensoriais so baseados nas respostas aos estmulos, que produzem sensaes cujas dimenses so: intensidade, extenso, durao, qualidade e prazer ou desprazer.
Enquanto os estmulos podem ser medidos por mtodos fsicos e qumicos, as sensaes so
medidas por processos psicolgicos. A anlise sensorial vem sendo aplicada no desenvolvimento e melhoramento de produtos, controle de qualidade, estudos sobre armazenamento e
desenvolvimento de processos. Uma das exigncias da avaliao sensorial a deciso sobre a
qualidade do produto, que nos testes de escala hednica (WATTS et al., 1992) traduzida pela aceitao dos alimentos. Existem alguns mtodos estatsticos desenvolvidos para a anlise
sensorial, como a analise de varincia (ANOVA), anlise de superfcie de resposta, redes neurais artificiais, etc.
Neste trabalho deseja-se conhecer a mistura entre a farinha da faveleira e a protena
mais aceita (o melhor gosto representado por um adjetivo) na composio do po, e descobrir
o que teve mais influencia no gosto: a farinha da faveleira, a protena ou a concentrao deles.
Basicamente, deseja-se conhecer as opinies dos provadores sobre a mistura, isto , descobrir
se a farinha da faveleira e/ou a protena influenciaram na aceitao do po com diferentes
concentraes na mistura. Para isso foi feita uma anlise para descobrir o que o conjunto de
provadores achou do produto, isto , se eles gostaram ou no do produto.
Os organizadores da anlise prepararam um conjunto de oito pes (pequenos pedaos de
po), sendo um deles um po padro sem a faveleira, e sete pes com a faveleira em diferentes
concentraes seguindo um planejamento experimental 22 mais trs pontos centrais, como
mostra a Tabela 1.
Tabela 1 - Matriz do planejamento fatorial 22 + 3 ponto central.
Experimentos
(amostra 1) Padro
Variveis
Farinha da faveleira (%)
-
116
Jos Homero Feitosa Cavalcanti et ali
(amostra 2) 1
(amostra 3) 2
(amostra 4) 3
(amostra 5) 4
(amostra 6) 5
(amostra 7) 6
(amostra 8) 7
(-1) 2,5
(+1) 7,5
(-1) 2,5
(+1) 7,5
(0) 5,0
(0) 5,0
(0) 5,0
(-1) 0,01
(-1) 0,01
(+1) 0,02
(+1) 0,02
(0) 0,015
(0) 0,015
(0) 0,015
1
P
Notas
1
201
202
203
204
205
117
Jos Homero Feitosa Cavalcanti et ali
206
207
208
209
10
210
11
211
12
212
13
213
14
214
15
215
16
216
17
217
18
218
19
219
20
220
21
221
22
222
23
223
24
224
25
225
26
226
27
227
28
228
29
229
30
230
31
231
32
232
33
233
34
234
35
235
36
236
37
237
38
238
39
239
40
240
41
241
42
242
43
243
44
244
45
245
46
246
47
247
48
248
49
249
50
250
Mdia
7,08
7,26
6,5
6,94
6,58
6,7
6,78
7,3
118
Jos Homero Feitosa Cavalcanti et ali
Na Tabela 3 apresenta-se o resultado obtido dos provadores. Usando-se uma analise das
mdias das notas atribudas a cada po, observou-se que o po de nmero sete teve a maior
mdia das notas, o que pode ser visto na ltima linha da Tabela 3.
Analisando-se a Tabela 3 v-se que a distribuio das anlises dos provadores sobre o
conjunto das oito amostras pode ser analisada usando um histograma das amostras em relao
a sua anlise sensorial.
No clculo do histograma das amostras define-se um vetor varivel de comprimento
nove. Contam-se as ocorrncias de cada gradao da avaliao (1 a 9) e armazenam-se os resultados no vetor hist. O trecho do programa a seguir apresenta o clculo da varivel hist(1:9).
O vetor ya(1:50,1:9) o vetor do gosto dos provadores, uma das colunas da Tabela 3 do apndice B.
hist(1:9)=0.;
for ii=1:50
k=ya(ii,amostra);
hist(k)=hist(k)+1;
end
Na Fig.5 apresentam-se os histogramas do conjunto das oito amostras. O conjunto das
amostras 1, 2, 3 e 4 so mostradas na primeira linha, o conjunto das amostras 5, 6, 7 e 8 so
mostradas na segunda linha.
Histograma
16
Histograma
Histograma
Histograma
15
25
16
14
14
12
20
12
10
15
10
10
Ocorrencias
Ocorrencias
Ocorrencias
Ocorrencias
10
8
6
4
5
2
0
5
escala
5
escala
5
escala
Histograma
5
escala
Histograma
15
16
Histograma
Histograma
14
15
14
12
12
10
10
10
Ocorrencias
Ocorrencias
Ocorrencias
Ocorrencias
10
5
escala
0
1
5
escala
2
0
1
5
escala
5
escala
LGICA
FUZZY
RESULTADO
8.3
hist(1:9)=0.;
for ii=1:50
k=ya(ii,amostra);
hist(k)=hist(k)+1;
end
Deseja-se conhecer a melhor interao na composio do po entre a farinha e a protena da faveleira (o melhor gosto representado por um adjetivo) e descobrir se acontece alguma
influncia na aceitao do po utilizando a Lgica Fuzzy. Pode-se fazer uma associao entre
121
Jos Homero Feitosa Cavalcanti et ali
o gosto dos provadores atravs da escala hednica verbal e as variveis lingsticas utilizadas
na Lgica Fuzzy, onde a cada gradao foi associado uma funo da Lgica Fuzzy (funo de
pertinncia - FP) que variam de gostei muitssimo (armazenado numa tabela e atribudo o valor 9), a desgostei muitssimo (armazenado numa tabela e atribudo o valor 1).
As curvas das funes de pertinncia da varivel Fuzzy Sf esto representadas na cor
azul e as escolhas sensoriais das amostras na cor amarelo. Na mesma figura apresentam-se a
curva CG obtida usando a Equao 1 (cor vermelha), e a derivada da curva CG na cor verde.
Na Equao 1, a FPi representa o valor das FPs (0<=FPi<=1) e wi representam os pesos das
FPs. Por exemplo, a FP1 tem o seu mximo em x=10 (abscissa), possui uma inclinao de 6.6,
e um peso igual a w1=0.1. Observe-se que a curva CG no depende do histograma, mas depende dos vetores onde, peso e decliv.
Analisando-se o histograma da amostra 1, da Figura 4, temos hist =[ 0 0 0 3 4
6 16 15 6], conforme a Tabela 1, verificam-se zero ocorrncias de avaliaes dos pontos 1, 2 e 3 (variveis lingsticas Desgostei muitssimo, Desgostei muito e Desgostei moderadamente), trs ocorrncias de avaliaes do ponto 4 (Desgostei ligeiramente), quatro ocorrncias de avaliaes do ponto 5 (Nem gostei/nem desgostei), seis do ponto 6 (Gostei ligeiramente), dezesseis do ponto 7 (Gostei moderadamente), quinze do ponto 8 (Gostei muito) e
seis do ponto 9 (Gostei muitssimo). A mesma anlise foi feita para os demais histogramas
das amostras.
No traado das funes de pertinncia (FPs) foram usados localizaes, pesos e declividades das retas descritas pelo trecho de programa descrito no Quadro 3. A abscissa das FPs
foi projetada para 100 pontos (variando de 1 a 100). Os mximos das FPs foram projetados
para ocorrerem nos pontos 10, 20, 30, 40, 50, 60, 70 80 e 90 da abscissa, para as escolhas (i)
de 1 a 9, respectivamente. O Quadro 3 apresenta um trecho do programa com os pesos das
FPs de 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 e 0.9, para as escolhas de 1 a 9, respectivamente. A
declividade (decliv) das retas das FPs foi fixa e igual a 6.6.
Quadro 3 Trecho do programa para o peso e a declividade.
for i=1:9
onde(i)=10*i;
peso(i)=i/10;
decliv(i)=6.6;
end
Os resultados obtidos nos traados dos histogramas das amostras na gerao das curvas
CG e da sua derivada sero utilizados num novo mtodo para anlise sensorial das amostras.
A abordagem inicial no projeto do analisador sensorial Fuzzy foi associar o histograma
curva CG. Para cada valor representado no histograma calculou-se um novo peso, denominado pesoh=hist/elem. Onde elem o nmero de provadores (elem=50) como mostra a
Equao 1.
O programa usado para gerar os pesos foi modificado para o trecho de programa mostrado no Quadro 4 abaixo.
Quadro 4 Trecho do programa modificado de acordo com a Equao 2.
for i=1:9
onde(i)=10*i;
peso(i)=i/10;
pesot(i)=peso(i) + hist(i)/elem;
decliv(i)=6.6;
122
Jos Homero Feitosa Cavalcanti et ali
end
Na Fig.8.5 apresentam-se as curvas CG das amostras considerando o clculo do CG
com histograma. Observe-se que as curvas das diferentes CGs terminam em pontos diferentes,
porem em uma mesma rea.
Histograma
Histograma
1.4
14
1.2
1.4
0.035
0.035
0.03
1.2
0.03
20
0.025
0.025
12
0.02
0.02
0.8
0.015
0.6
0.01
Ocorrencias
10
Ocorrencias
Amostra
25
Amostra
16
15
0.8
0.015
0.01
0.6
10
0.005
0.005
0.4
0.4
0.2
123456789
Amostra
0.2
-0.005
-0.005
Histograma
15
50
CGs
100
-0.01
0
50
100
Derivadas de CGs
123456789
Amostra
1.2
0.035
16
1.4
0.03
14
1.2
0.025
0.035
0.03
Ocorrencias
10
0.015
0.01
0.6
0
50
100
Derivadas de CGs
0.02
0.02
0.8
-0.01
0.025
12
1
10
100
Amostra
Histograma
Amostra
1.4
Ocorrencias
50
CGs
0.8
0.015
0.6
0.01
8
6
0.005
0.005
0.4
0
0.2
123456789
Amostra
50
CGs
100
-0.01
0
0.2
-0.005
0.4
0
50
100
Derivadas de CGs
123456789
Amostra
15
50
CGs
100
1.4
1.4
0.035
0.035
0.03
1.2
0.03
0.025
1
0.025
10
0.8
0.015
0.6
0.01
0.02
Ocorrencias
0.02
Ocorrencias
10
0.8
0.015
0.6
0.01
5
5
0.005
0.005
0.4
0.4
0.2
0.2
123456789
Amostra
0
50
100
Derivadas de CGs
Amostra
1.2
-0.01
Amostra
Histograma
15
Histograma
-0.005
-0.005
-0.005
50
CGs
100
-0.01
0
0
50
100
Derivadas de CGs
123456789
Amostra
50
CGs
100
-0.01
0
50
100
Derivadas de CGs
123
Jos Homero Feitosa Cavalcanti et ali
Amostra
1.4
12
0.035
Histograma
Amostra
16
1.4
14
1.2
0.035
0.03
1.2
0.03
0.025
10
0.025
12
0.8
0.02
10
0.015
Ocorrencias
Ocorrencias
0.02
0.01
0.6
0.005
4
0.2
123456789
Amostra
50
CGs
100
0.01
0.6
6
0.005
-0.005
-0.01
0.015
0.4
0.8
0
50
100
Derivadas de CGs
0.4
0
0.2
123456789
Amostra
-0.005
50
CGs
100
-0.01
0
50
100
Derivadas de CGs
Fig.8.5 Resultados relativos das curvas CG das amostras (1- 8) considerando o clculo
do CG com histograma.
Na tabela 2 observa-se que o valor final de CG(X) da amostra 8 maior do que o valor
final das demais amostras, que aps estudos comparativos com os mtodos estatsticos, podese confirmar que a amostra indicada (a melhor avaliada pelos provadores) aquela com a
maior CG(X).
Tabela 2 Valores finais de CG(X) das amostras
AMOSTRA
CG(X) FINAL
AMOSTRA
CG(X) FINAL
1.0083
0.9739
0.9719
0.9907
0.9897
0.9727
1.0433
1.0616
124
Jos Homero Feitosa Cavalcanti et ali
0.035
0.03
1.4
0.025
1.2
0.02
1
0.015
0.8
0.01
0.6
0.005
0
0.4
-0.005
0.2
-0.01
8
0
8
7
7
20
1
40
40
60
60
80
80
100
100
20
1
8.6
CONCLUSO
Apresentou-se um novo sistema de anlise sensorial baseado na Lgica Fuzzy. O ASLF
ainda est em estudo, mas pode-se observar que: os valores de onde, peso e decliv podem ser
mudados para dar maior realce a alguma regio da curva CG; pode-se desenvolver a anlise
sensorial central que pode ser usada para encontrar um ponto neutro. Por exemplo, nem est
insosso nem salgado. Est doce, no dulcssimo nem aguado.
Pode-se considerar que a ASLF uma ferramenta de auxlio aos mtodos estatsticos,
pois apresenta grficos de fcil entendimento pelo usurio. Pode-se usar um dos valores da
CG como referncia no estudo da preferncia do usurio.
125
Jos Homero Feitosa Cavalcanti et ali
CAPTULO IX
AGRUPAMENTOS E PREVISO
9.1
INTRODUO
Neste captulo apresenta-se a aplicao da Lgica Fuzzy em sistemas que usam agrupamentos. Neste captulo, inicialmente apresenta-se como traar as funes de pertinncia e a
defuzzyficao das funes de pertinncia. Estuda-se agrupamento (cluster) e classes usando
como exemplo dados obtidos da radiao solar. Posicionamento das FPs.
9.2
RADIAO SOLAR
Agrupamento, ou cluster, um mtodo utilizado para agrupar em conjuntos elementos
de caractersticas comuns. Aps o agrupamentos dos dados, a cada agrupamento associado
uma classe. No ambiente MATLAB existe um programa demonstrao, denominado fcmdemo.m, que deve ser estudado pelo aluno para entender agrupamentos ou clusters. Alm disso,
diversos autores tem estudado agrupamentos (clusters) e classes (Widrow, 1976;1985).
Intensidade
140
120
100
80
60
40
20
0
1700
1750
1800
1850
Ano
1900
1950
2000
1
0.9
Intensidade normalizada
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
Amostra
200
250
300
50
100
150
Manchas
200
250
300
20
0
-20
-20
-10
10
20
30
40
Transformada de Fourier
50
60
70
30
20
10
0
50
100
150
Harmnicas
9.3
sentam-se os traados dos valores das radiaes solares com a abscissa representando o nmero da amostra.
Na abscissa da Fig.9.4 a radiao solar varia entre 0 e 190.2. Na Fig.9.1 observa-se que
o valor mximo da radiao solar ocorre no ano 1957 e tem valor em torno de 190 (RSmax=190.2). Nesta seo considera-se que o mximo da radiao solar tem a intensidade 200.
Pode-se dividir o intervalo de variao da intensidade solar em quatro partes, cada parte representando uma varivel lingstica Fuzzy na forma da Fig.9.4.
Na Fig.9.4 as amostras da radiao solar foram agrupadas em quatro nveis. O primeiro
nvel representa valores prximos de zero da radiao solar (varivel lingustica Z e funo de
pertinncia Z(t)). O segundo nvel representa os valores pequenos da radiao solar (varivel
lingustica P e funo de pertinncia P(t)). O terceiro nvel representa os valores mdios da
radiao solar (varivel lingustica M e funo de pertinncia M(t)). O nvel superior representa os valores grandes (varivel lingustica G e funo de pertinncia G(t)).
200
200
180
180
G
160
I n t e n s id a d e s o la r n o rm a liz a d a
160
140
M
120
100
80
60
140
120
100
P
80
60
40
40
20
20
0
1700
1710
1720
1730
1740
Ano da Amostra
1750
1760
10
15
20
25
Amostra
30
35
40
45
50
(9.1)
(9.2)
128
Jos Homero Feitosa Cavalcanti et ali
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
300
X
350
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
300
X
350
9.4
129
Jos Homero Feitosa Cavalcanti et ali
O movimento das funes de pertinncia pode ser feito da direita para a esquerda e da
esquerda para a direita. Supondo-se que as funes de pertinncia Z(t) e G(t) no influem sobre as funes de pertinncia P(t) e M(t), pode-se seguir o algoritmo 1 para posicionar P(t) e
M(t).
Algoritmo 1
1 faa n vezes
2 acha VENCE = Z P M G
3 if VENCE==P ento
if declividade>0 then move P(t) para a esquerda
if declividade<0 3 e se P M < M ento move P(t) para a direita
4 if VENCE==M ento
if declividade<0 then move P(t) para a direita
if declividade>0 e se M P > P ento move M(t) para a esquerda
O pseudo-cdigo do algoritmo 1 escrito para o ambiente MATLAB mostrado no Programa 8. Inicialmente foram definidas as posies dos mximos de P(t) e M(t) como sendo
onde(2)=80 e onde(3)=140 como pode ser visto na Fig.9.10. A cada um dos 127 valores da
radiao solar (ver Programa 4) foi calculado o vencedor e o resultado armazenado na varivel vence() (vence=1 para Z, vence=2 para P, vence=3 para M, vence=4 para G). A seguir, a
cada amostra vencedora de P(t) e de M(t), as suas posies foram deslocadas para a direita
(adio de 0.1 a onde(2) ou a onde(3)) ou para a esquerda (subtrao de 0.1 a onde(2) ou a
onde(3)).
Devido a caracterstica triangular das funes de pertinncia, a verificao da interseco das duas funes de pertinncia pode ser feita usando a posio dos seus mximos (onde(2) e onde(3)). Na Fig.9.11 apresenta-se o resultado obtido durante o agrupamento das amostras nas funes de pertinncia P(t) e M(t) durante 100 iteraes.
Programa 5
if(vence(i)==2 & i>onde(2) & onde(2)<onde(3))onde(2)=onde(2)+0.1;end
if(vence(i)==2 & i<=onde(2))onde(2)=onde(2)-0.1;end
if(vence(i)==3 & i>onde(3))onde(3)=onde(3)+0.1;end
if(vence(i)==3 & i<=onde(3) & onde(3)>onde(2))onde(3)=onde(3)-0.1;end
130
Jos Homero Feitosa Cavalcanti et ali
%pesos.m
pontox=330; numfp=4; cth=100;
%Posiao da FP
onde(1)=1;onde(2)=80;onde(3)=160;onde(4)=240;
%Peso da FP
peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1.;
%declividade
decliv(1)=1.25;decliv(2)=1.25;decliv(3)=1.25;decliv(4)=1.25;
%altura
maximo(1)=1.;maximo(2)=1.;maximo(3)=1.;maximo(4)=1.;
Por exemplo, na Fig.9.7 apresentam-se as funes de pertinncia e um conjunto de amostras geradas propositalmente a partir das amostras da radiao solar da Fig.9.8. Observese que os mximos de P(t) e de M(t) no esto exatamente no centro dos dois principais agrupamentos das amostras. A idia mover as duas funes de pertinncia para que os seus mximos fiquem aproximadamente no centro dos agrupamentos. Esses dois agrupamentos formaro duas classes, classe P e classe M.
1
Z
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
II
a
131
c
Fig.9.12 Agrupamento em duas classes com dados bidimensionais
9.5
Vence(1:190)=0.;
for j=1:127
i=int16(y(j));
vence(i)=0;
if(curva(1,i)>curva(2,i))vence(i)=1;end
if(curva(2,i)>=curva(1,i) & curva(2,i)>curva(3,i))vence(i)=2;end
if(curva(3,i)>=curva(2,i) & curva(3,i)>curva(4,i))vence(i)=3;end
if(curva(4,i)>curva(3,i))vence(i)=4;end
end
Sabendo-se a funo de pertinncia vencedora de cada elemento do vetor da radiao
solar, e atribuindo-se pesos s funes de pertinncia, pode-se traar uma curva com os valores fuzzyficados da radiao solar (peso(1)=0.1, peso(2)=0.3, peso(3)=0.7, peso(4)=1,). Na
Fig.9.9 apresenta-se a curva obtida da defuzzyficao da varivel fuzzy radiao solar.
132
Jos Homero Feitosa Cavalcanti et ali
9.6
9.7
CONCLUSO
Neste captulo apresentaram-se as principais caractersticas de agrupamentos juntamente
com os conceitos de fuzzyficao e defuzzyficao. Mostrou-se como se adaptar as funes de pertinncia das variveis Fuzzy no intuito de identificar o agrupamento. Por ltimo
apresentou-se a previso de sries temporais no conju8nto Fuzzy.
133
Jos Homero Feitosa Cavalcanti et ali
CAPTULO X
10.1
INTRODUO
Neste captulo apresenta-se a aplicao da lgica fuzzy em sistemas no lineares que representam o movimento de estruturas mecnicas.
10.2
O MANIPULADOR ROBTICO
Um manipulador de nico elo (L1) apresentado na Fig.10.1. Ele pode ser considerado
como composto de um peso na sua extremidade adicionado ou no ao peso do brao definido
no centro do elo.
L1
T0
y1
0
x1
P0
Fig.10.1 Manipulador de um elo
Usando-se a letra Z para representar o comprimento do elo, considerando-se o peso do
elo dado pela eq.10.1, onde g representa a constante gravitacional, m0 massa por comprimento..
P0=z.m0.g
(10.1)
A partir da Fig.10.1definem-se o ngulo do elo (eq,10.2), o comprimento do elo
(eq.10.3), e as coordenada do centro do elo(eq.10.4).
0 = tg-1(y/x)
(10.2)
Z= x 2 + y 2
x1=z.cos0/2 e y1=z.seno0/2
(10.3)
(10.4)
134
Jos Homero Feitosa Cavalcanti et ali
(10.6)
Nas eq.10.7 (ver a Fig.10.2 com um peso P1 atuando na extremidade do elo L1) apresentam-se os valores do vetor do peso P1 em relao ao elo L1. O vetor P1x paralelo ao elo
L1 e equivale a fora exercida sobre a base do elo. O vetor P1y perpendicular ao elo L1.
P1x=P1.seno0 e P1y=P1.cos0
(10.7)
O torque gerado pelo peso P1 no elo L1 definido como T1=P1y.z. O torque total gerado no elo L1 definido como Tt=T0+T1 (ver a eq.10.8).
Tt=(P0.z.cos0)/2+(P1.z.cos0)=(P0/2+P1). cos0
(10.8)
L1
y
z
y1
Tt
P1
P1y
0
x1
P1x
P0
Fig.10.2 Torques do manipulador de um elo
A partir das eq(10.8) pode-se encontrar a equao diferencial que represente o movimento do elo de um pndulo simples mostrado na Fig.10.3. Usando-se P0=z.m0.g , e sabendose que um brao de comprimento z, o seu deslocamento dado por Comp= .z, a sua velocidade por vel= '.z e a sua acelerao por a= ".z.
135
Jos Homero Feitosa Cavalcanti et ali
F0=P0y
0 z
P0y=P0.cos0
T0=P0x.z
P0x=P0.sin0
P0
Fig.10.3 Torques do manipulador de um elo
O torque do pndulo simples mostrado na eq.10.10. Define-se F=ma e P0 =z.m0.g. A
equao diferencial que descreve o deslocamento angular do pndulo dado na eq.10.11.
T0 =P0.z.seno(0)/2 ou P.z= m0 .a.z2=m0 .z.g.seno(0)/2
=(g/(2.z))seno(0)
(10.10)
(10.11)
10.2 Exerccios
10.2.1) Quais so as variveis vetoriais e escalares apresentadas na Fig.10.1?
10.2.2) Na Fig.10.1: Quando V0 mximo? Quando V0 mnimo? Quando T0 mximo?
Quando T0 mnimo?
10.2.3) Na Fig.10.2: Quando Tt mximo? Quando Tt mnimo?
10.2.4) Qual a diferena entre P1y e T1 na Fig.10.2?
10.2.5)Fazer um programa no ambiente MATLAB para calcular T1, F1, P1x e P1y, em funo
de 1, usando a montagem apresentada na Fig.10.3. Sugesto: Usar P1x=P1.seno1,
P1y=P1.cos1 e T1=P1y.z. Onde, F1 a fora usada para sustentar o elo L1 sob a ao do peso
P 1.
F1=P1x
T1
P1
L1
P1y
P1x
x
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
10.3
137
Jos Homero Feitosa Cavalcanti et ali
y
y3
y1
2 z2
y2
z1
1
x1
x2
x3
P1
P2
(10.16)
tal que
(10.17)
(10.19)
138
Jos Homero Feitosa Cavalcanti et ali
ou F1.z1= m1..z12=z1.seno1(P1/2+P2)+T2
ou 1= {seno1[P1/2+P2]+T2}/(m1.z1)
(10.20)
A seguir apresentam-se as equaes diferenciais para o pndulo duplo mostrados na
eq.10.21.
1= {seno1[P1/2+P2]+T2}/(m1.z1)
2={seno(1+2)[P3/2]}/(m2.z)
(10.21)
10.3 Exerccios
10.3.1) Supondo-se P1=P2=1kg e q1=q2=45o, calcule V1,V2, T1 e T3.
10.3.2) Supondo-se que os pesos P1 e P2 esto localizados nas extremidades dos elos L1 e L2
na forma mostrada na Fig.10.8, calcule T1 e T3. Sugesto:
Defina:
T2=P2(x2-x1) e T1=P1.x1+P2.x2
x1=z1.cos1 e x2=x1+ z2.cos(1-2)= z1.cos1+ z2.cos(1-2)
y1=z1.seno1 e y2=y1+ z2.seno(1-2)= z1.seno1+ z2.seno(1-2)
T2= P2. z2.cos(1-2) e T1= P1. z1.cos1+P2.[ z1.cos1+ z2.cos(1-2)]=z1.cos1.(P1+P2)+T2
y2
y1
2 z2
T1
z1
1
P1
T2
P2
x1
x2
139
Jos Homero Feitosa Cavalcanti et ali
y2
z2
P2 T2
2
y1
T1
z1
1
P1
x1
x2
23
z3
z2 2
T3
z1
P0
3
1=P0.z1.cos1+T2
1+2
T1
2=P0.z2.cos(1+2) 3=P0.z3.cos3
140
Jos Homero Feitosa Cavalcanti et ali
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
10.4
141
Jos Homero Feitosa Cavalcanti et ali
3 z3
q2
y
2
Z2
z1
Z3
1
x1 x2
P1
x3
x4
x5
P2
P3
(10.18)
(10.19)
142
Jos Homero Feitosa Cavalcanti et ali
(10.24)
1={seno(1) [P3+P2+P1/2]+T2}/(z1.m1)
2={seno(1+2) [P3+P2/2]+T3}/(Z2.m2)
3=g.seno(1+2+3)/(2.Z3)={seno(1+2+3)[P3/2]}/(Z3.m3)
EXERCCIOS 10.4
10.4.1) Calcule o torque e a energia potencial do manipulador planar com acionamento remoto apresentado na Fig.10.14. [T2=m2lc2g.cosq2 e T1=(m1lc1+m2l1)g.cosq1]
L2
M1 L1
M2
M2
q2
q1
L3
L2
z5 q5
L4
L2
q4 z4
M1 L1
q3
M2
z3
z1
q2
q1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
144
Jos Homero Feitosa Cavalcanti et ali
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
10.5
Concluso
Neste captulo apresentou-se uma nova forma da representao de elos de manipuladores robticos usando a LGICA FUZZY. Usou-se a FP na forma de tringulos e a CG(X).
145
Jos Homero Feitosa Cavalcanti et ali
APNDICE A
REFERNCIAS BIBLIOGRFICAS
Albrecht, P. Anlise Numrica um Curso Moderno, Livros Tcnicos e Cientficos Editora
S/A e Editora da Universidade de So Paulo, 1973.
strm, K.J. & Wittenmark, B. Adaptive Control, Addison-Wesley Publishing Company,
USA, 1989.
BELLMAN, R.E., ZADETH, L.A. Decision-Making in a Fuzzy environment. Management
Science, v.17, n.4, p.B141-B164, 1970.
Cavalcanti, M. T.; Bora, P. S. Anlise das protenas e estudo reolgico dos isolados proticos
das amndoas da faveleira (Cnidoscolus phyllacanthus (Mart.) Pax et K. Hoffm.) com e
sem espinhos. Revista do Instituto Adolfo Lutz. v.69, p.243-251. 2010.
Cavalcanti, M. T.; Bora, P. S.; Carvajal, J. C. L. Propriedades funcionais das protenas de amndoas da faveleira (Cnidoscolus phyllacanthus (Mart.) Pax et K. Hoffm.) com e sem espinhos. Cincia e Tecnologia de Alimentos, v.29, p.597-602, 2009.
Cavalcanti, J.H.F, Controladores Neurais Adaptativos, Tese de Doutorado em Cincias no
Domnio da Engenharia Eltrica, Departamento de Engenharia Eltrica do CCT/UFPB
Campina Grande PB, outubro de 1994, orientadores: Gurdip Singh Deep e Antnio Marcus Nogueira Lima.
Cavalcanti, J.H.F & Lima, A.M.N., & Deep, G.S., "Controlador Fuzzy de Plantas No Lineares", publicado nos Anais do I Simpsio Brasileiro de Automao Inteligente", UNESP,
Rio Claro, So Paulo, Brasil, setembro de 1993.
Cavalcanti, J. H. F.; SALES, E. F. Jr.; Ferneda, E. "Intelligent Control of an Inverted Pendulum, II SBRN95, So Carlos, So Paulo, outubro 1995.
Cavalcanti, J.H.F & Lima, A.M.N., & Deep, G.S., Controlador Fuzzy de Plantas No Lineares, Anais do I Simpsio Brasileiro de Automao Inteligente", UNESP, Rio Claro, So
Paulo, Brasil, setembro de 1993, pp.534-542.
Cavalcanti, J.H.F & Lima, A.M.N., & Deep, G.S., Controlador Fuzzy/Neural de Plantas No
Lineares, 10o Congresso Brasileiro de Automtica, CBA'94 / 6oCLACA, Rio de Janeiro,
19-23 de setembro de 1995.
Chen, F.C. Back-Propagation Neural Networks for Nonlinear Self-Tuning Adaptive
Control, IEEE Control System Magazine, April 1990, pp.44-48.
Ccero da Rocha Souto, Antnio Almeida Silva, Jos Homero Feitosa Cavalcanti, ANLISE
E IDENTIFICAO DE SISTEMAS COMPLEXOS DE VIBRAO, Encontro Regional de Instrumentao e Mtodos Computacionais, Primeiro Encontro Regional de Instrumentao e Metrologia Cientficas, ERIMC2003, dezembro de 2003 Campina
Grande PB.
Ccero da Rocha Souto, Jos Homero Feitosa Cavalcanti, TCNICA DIGITAL DE AQUISIO DE DADOS PARA SINAIS DE VIBRAO MECNICA, IV Congresso Nacional de Engenharia Mecnica CONEM2006, Recife, PE, 2006.
146
Jos Homero Feitosa Cavalcanti et ali
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva e Everaldo Fernandes
Monteiro, An Intelligent System for Vibration Analysis, INDUSCON'2000, Porto
Alegre, RS, nov. 2000.
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva, Roberto Pimentel,
Reduo do Tempo de Aquisio de Dados, anlise temporal, CONEM (Congresso
Nacional de Engenharia Mecnica), Joo Pessoa, PB, 2002.
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva, Anlise de falhas em
vigas engastadas, CONEM (Congresso Nacional de Engenharia Mecnica), Joo Pessoa, PB, 2002.
Hiran De Melo, Raimundo C. S. Freire, Jos F. Da Silva, Jos H. F. Cavalcanti, and Alessio
T. Barros, CAPES/PROCAD Intelligent Forecast System Applied to the Identification
of Parameters in Flexible Structures, Journal of Vibration and Control 2005, pp. 201214. February 1, 2005, Volume 11, No 2.
Holland, J.H. Adaptation in Natural and Artificial Systems, The MIT Press, 1992.
Hopfield, J. J. Neural Networks and Physical Systems with Emergent Collective
Computational Abilities, 1982 Republicado por E. Sanchez-Sinencio & C. Lau,
Artificial Neural Networks, IEEE Press, New York, 1992, pp.25-29.
Humelhart, D. E. & Hinton, G. E. & Williams, R. J. Learning Representations by backPropagating Errors, Nature, No. 323, 1986, pp.533-536.
Khalid, M. & Omatu, S., A Neural Network Controller for a Temperature Control
System, IEEE Control System, june 1992, pp.58-64.
Kingdon, J. (1993). Neural net for time serie forecasting: criteria for performance with
na application in gilt futures pricing. Neural Netwok in Capital Markets,. Anais,
Londres, London Business School.
Kosko, Bart, Additive Fuzzy Systems: from function approximation to learning, Cap.9,
Fuzzy Logic and Neural Network Handbook, publicado por C. H. Chen na McGraw-Hill,
Inc., 1996.
Kurkova, V., Kolmogorovs Theorem, publicado em Brain Theory and Neural Networks,
Editado por Arbib, M. A., The MIT Press, London, England, 1995.
Kuo, B.C., Sistemas de Controle Automtico, Prentice/Hall do Brasil, 1985.
Kreith, F.,1977, Princpios da Transmisso de Calor, Edgard Blucher LTDA.
Mamdani, E.H. & Gaines, B.R., Fuzzy Reasoning and its Applications, Academic Press
Inc., London, England, 1981.
Mamdani, E.H. & S. Assilian, S., An experiment in Linguistic Synthesis with a Fuzzy
Logic Controller, International Journal of Man-Machine Studies, vol.7, 1-13, 1977.
MATLAB Users guide, 2001.
Levin, A.U. & Narendra, K.S. Control of Nonlinear Dynamical Systems Using Neural
Networks: Controllability and Stabilization, IEEE Transactions On Neural Networks,
Vol.4 No.2, march 1993, pp.192-206.
MATLAB Application Manual, MathWorks, Inc., 2007.
PC-MATLAB for MS-DOS Personal Computers, Users Guide, Control Toolbox, MathWorks,
Inc., 1987.
148
Jos Homero Feitosa Cavalcanti et ali
Minsky, M. & Papert, S., Perceptron, 1969. Republicado por J.A. Anderson & E. Rosenfeld,
Neurocomputing Foundations of Researchs, MIT Press, Cambridge, Massachusets,
USA, 1988. pp.161-169.
McCulloch, W. S. and Pitts, W. Logical Calculus of the Ideas Immanent in nervous
activity, publicado inicialmente em 1943. Republicado por J.A. Anderson & E.
Rosenfeld, Neurocomputing Foundations of Researchs, MIT Press, Cambridge,
Massachusets, USA, 1988. Pp.18-27.
Narenda, K.S. & Mukhopadhyay, S., Intelligent Control Using Neural Networks, IEEE
Control Systems Magazine, April 1992, pp.11-18.
Narenda, K. S. & Parthasarathy, K., Identification and Control of Dynamical Systems
Using Neural Networks, IEEE Transactions on Neural Networks, Vol.1 No.1, march
1990, pp.4-26.
Park, D. C. & El-Sharkavi, M. A. & Marks II, R. J. & Atlas, L. E. & Damborg, M. J.,
Electrical load forecasting using an Artificial Neural Network, publicado por E.
Sanchez-Sinencio & C. Lau, Artificial Neural Networks, IEEE Press, New York, 1992,
pp.516-522.
Rangwala, S.S. & Dornfeld, D.A., Learning and Optimization of Machining Operations
using Computing Abilities of Neural Networks, IEEE Trans. on Systems, Man, and
Cybernetics, Vol.19, N.2, March/April 1989, pp.299-314.
Rosenblatt, F. The Perceptron: a Probabilistic Model for Information Storage and
Organization in the Brain, Cornell Aeronautical Laboratory, Psychological Review,
v65, No. 6, pp. 386-408 1958.
Rosenfeld, E., Neurocomputing Foundations of Researchs, ed. J. Anderson e E. Rosenfeld,
MIT Press, Cambridge, Massachusets, USA, 1988.
Rumelhart, D.E. and Hinton, G.H. and Williams, R.J. Learning Internal Representations by
Error Propagation, Parallel Distributed Processing Explorations in the Microstructures
of Cognition, Vol.1, MIT Press, 1986, pp.318-362.
Ogata, K., Engenharia de Controle Moderno, traduo de Bernardo Severo, Prentice-Hall
do Brasil, 1998.
Peter Albrecht, Anlise Numrica um Curso Moderno, Livros Tcnicos e Cientficos
Editora S/A e Editora da Universidade de So Paulo, 1973.
Saunder, E. Dimensionality-Reduction Using Connectionist Networks, IEEE Transactions
on Pattern Analysis and Machine Intelligence, Vol.11, No.3, march 1989, pp.304-314.
S. D. Conte, Elementos de Anlise Numrica, Ed. Globo, 1971
Strefezza, M. & Dote, Y., Fuzzy and Neural Networks Controller, IECON'91,
Proceedings, October 1991, Kobe - Japan, pp.1437-1442.
Spong, M. W. and Vidyasagar, M. Robot Dynamics and Control, John Wiley and Sons,
New York, 1989.
Sugeno, M., An Introductory Survey of Fuzzy Control, Information Science, vol.36, 5983, 1985.
WATTS, B.M., YLIMAKI, G.L., JEFFERY, L.E., ELIAS, L.G. Mtodos sensoriais bsicos
para la evaluacin de alimentos. Traducin: Oficina de Traducciones, Secretaria de Estado.Ottawa : Centro Internacional de Investigaciones para el Desarrollo, 1992. 170p.
149
Jos Homero Feitosa Cavalcanti et ali
150
Jos Homero Feitosa Cavalcanti et ali