Escolar Documentos
Profissional Documentos
Cultura Documentos
I. INTRODUO
freqente o uso da lgica nebulosa para a modelagem de
sistemas caixa-cinza, ou seja, sistemas nos quais existe
algum conhecimento sobre o processo [8]. Assim, o
projetista pode incorporar arquitetura fuzzy uma base de
regras, bem como definir os conjuntos nebulosos e suas
funes de pertinncia para a modelagem do sistema. Tais
regras so incorporadas rede indiretamente, por meio das
conexes adotadas entre os conjuntos fuzzy e os
produtrios (ver Figura 1). Estes ltimos representam a
aplicao de uma T-norma probabilstica [3], que tem por
finalidade avaliar o grau de pertinncia das entradas
conjuno das premissas.
Uma arquitetura fuzzy adaptativa tem por objetivo o ajuste
dos parmetros livres de um sistema fuzzy, que podem ser
os parmetros das funes de pertinncia (i.e.
antecedentes) e/ou dos conseqentes das regras. O modelo
ANFIS (Adaptative-Network-Based Fuzzy Inference
System) de J.S.R. Jang [1] um exemplo tpico de
arquitetura fuzzy adaptativa. Este sistema se fundamenta no
modelo fuzzy de Takagi-Sugeno-Kang [5] com uma
arquitetura direta em cinco camadas.
O presente trabalho prope uma arquitetura fuzzy
adaptativa baseada no algoritmo ANFIS. Entretanto, o
modelo aqui proposto se difere do ANFIS por ser capaz de
definir automaticamente a base de regras fuzzy. Tal
caracterstica facilita o emprego deste algoritmo na
modelagem de sistemas tipo caixa-preta, tarefa que, com
uso de tcnicas neuro-fuzzy a exemplo da ANFIS, exigiria
uma anlise inicial dos dados.
127
j(x)=max(0, gj(x))
minimize: h ( x ) = f ( x ) + r 2j ( x )
j =1
s.a.: x
(3.1)
(2.1)
m=1 Amj E[ Am ( xn )]
M
(4.1)
onde:
E[ Am ( xn )] =
Am ( xn ) f xn (xn )dxn
(4.2)
128
j em funo da
RAmj=E[A m(xn)]
(4.3)
E ( x)
1 k
x , quando k
k 1
A aproximao da Equao
implementao do algoritmo.
4.3
(4.4)
simplifica
(4.6)
a
V. TERCEIRA ETAPA DE TREINAMENTO
Amj
__
f j ( X )W
(4.5)
j =1
onde:
__
Wj: Grau de ativao normalizado da regra j
Da Equao 4.5 possvel concluir que quanto maior o
grau de ativao de uma regra, maior a sua participao no
somatrio ponderado que define a sada estimada.
129
E[Wj ( X )]
, k = 1,2,..., R
max k ( E[Wk ( X )])
(6.1)
E(Wj) =
onde:
Wj= A m(x1) B m(x2) ... Zm(xn);
Ai ( x) = e
|| xu ci ||
ai
(7.2)
parmetro c
1,1169
3,7293
7,4312
0,9323
4,1828
7,0315
0,8702
4,8518
7,8994
parmetro a
3,9259
5,6134
0,2541
5,3133
3,0302
5,2022
4,7730
2,7001
4,5475
(7.1)
130
parmetro c
1,3214
2,6552
5,3644
0,9324
3,9592
5,0492
1,1755
3,4843
6,8521
parmetro a
4,2751
4,3272
2,7821
2,6251
3,3537
4,6153
5,3411
5,0259
2,0427
VIII. CONCLUSES
O mtodo proposto neste trabalho se fundamenta em
estimativas sobre o valor esperado do grau de ativao das
regras. Assim, naturalmente, a gerao de uma base de
131