MODELAMENTO MATEMÁTICO PARA SISTEMAS NÃO LINEARES

UTILIZANDO ESTRUTURAS DE REDES NEURAIS ARTIFICIAIS (RNA) E

SISTEMAS NEBULOSO (FUZZY)
Danúbia Soares Pires
danubiapires@ifma.edu.
Washington Luis Santos Silva
Washington.wlss@ifma.edu.br

Resumo pesos sinápticos, são utilizados para armazenamento do

A maioria dos sistemas dinâmicos encontrados na prática,
normalmente, são não-lineares, muito embora em algumas
situações as aproximações lineares são suficiente para a
resolução de alguns problemas, em outras somente
modelamentos não lineares podem representar sistemas físicos
de forma adequada. Neste trabalho utilizaremos duas
ferramentas matemáticas para modelamentos de sistemas não
lineares para representar o problema proposto, as Redes
Neurais Artificiais (RNA) e Sistemas Nebulosos (Fuzzy).
Palavras Chaves: Sistemas não-lineares, sistemas dinâmicos,
modelamento, redes neurais, fuzzy, sistemas nebulosos.
1 INTRODUÇÃO
A previsão de chuvas no semiárido nordestino, a previsão de
descargas atmosféricas em uma dada região, bem como a
automatização de sistemas de controle em ambientes ruidosos,
são exemplos de fenômenos físicos e/ou sistemas industriais
que podem ser estudados através de modelos matemáticos não
lineares. Entretanto, a utilização de modelos não-lineares
aumenta significativamente a complexidade computacional dos
algoritmos utilizados. Assim é recomendável que o uso de
sistemas não-lineares seja motivado pela capacidade de tais
sistemas reproduzirem regimes dinâmicos que modelos lineares
não conseguem representar (Aguirre, 2004). As ferramentas
propostas neste trabalho serão utilizadas para representar o
estado de regime do modelo matemático:
conhecimetno adquirido(Haykin, 2001).
Aqui deverão constar os principais aspectos dos experimentos,
bem como um breve relato dos métodos teóricos utilizados no
laboratório.
2 REDE NEURAL ARTIFICIAL (RNA)
Para a avaliação do desempenho da rede foram utilizadas
diversos sinais de entradas aleatórios para a etapa da
treinamento da rede. Para a geração dos sinais foram
utilizadoas as funções rand e randn do Matlab e para a geração
da rede foi utilizada a função newff também do Matlab. As
funções aleatórias utilizadas caracterizam-se por:
- A função rand gera números pseudo-aleatórios uniformente
distribuídos;
- A função randn gera números aleatórios normalmente
distribuídos.
Para a obtenção da maioria dos resultados das redes optou por
uma rede do tipo “feed foward”, treinada com o algortimo
“backpropagation” com duas camadas escondidadas com 10
neurônios na camada de entrada 15 na primeira camada
escondida, 20 na segunda camada escondida e 1 neurônio na
camada de saída. O modelo da rede utilizada é mostrado na
figura 2.1.

, onde, u(k) e
y(k), são as entrada e a saída do sistema respectivamente. A
primeira ferramenta a ser utilizada será a rede neural. Uma rede
neural é um processador maciçamente paralelarmente Figura 2.1 – Modelo da rede utilizada neste trabalho
distribuído constituído de uniades de processamento simples,
que têm a propensão natural de armazenar conhecimento
experimental e torná-lo disponível para uso. Ela se assemelha Todos os neurônios das camadas de entrada e escondidas foram
ao cérebro humano em dois aspectos: 1. Conhecimento feitos não-lineares através da função tangente-sigmoidal e o
adquirido a partir de seu abiemte por um processo de neurônio da camada de saída foi feito linear. Além disso o
aprendizado; e 2. Conexões entre neurônios, conhecidos como treinamento foi realizado com o algoritmo “resiliente
backpropagation” que é mais rápido que o algoritmo
“backpropagation ” clássico.

CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES 1

Para a validação da rede foram utilizadas funções seno e
finalmente comparada a resposta em frequência do modelo
proposto com a respostaem frequência da rede utilizada.
Nas seções após a introdução, a partir da Seção 2 deverão ser
considerados os métodos teóricos utilizados no laboratório,
bem como a descrição baseada em pesquisa dos componentes
utilizados.
2.1 Resultados obtidos com a RNA
Para cada prática ou experimento deverá ser criada uma
subseção com os resultados observados.
Nos testes preliminares optou-se por verificar a capacidade da
rede de adaptar-se à resposta do sistema não-linear com o
mínimo possível de tempo de processamento, isto é, com o
mínimo de época possível. Determinou-se inicialmente como
critério de parada o número de épocas de 100 e/ou o erro em
0.01. Os resultados mostrados nas figuras 2.1, foram obtidos
com 50 épocas, e = 0.12, Smax=20 e os dados de entrada são
normalmente distribuídos em 1024 amostras.
Sinal de entrada para o modelo da rede
4 à existência de uma definição bastante rigorosa acerca de
2
Amplitude
0
-2
-4
0 200 400 600 800
Nº de amostras
Resposta do modelo e Resposta da Rede
4 Saída do modelo
2
Amplitude
0 pertinência (função característica ou de compatibilidade)
-2
0 200 400 600 800
Nº de amostras
Figura 2.1a- Modelamento com RNA: épocas=52, e=0.12,
Smax=20.
2.2 Análise dos resultados
Para cada prática ou experimento deverá ser criada uma
subseção com a análise dos resultados observados.
Ainda nos testes preliminares observou-se que a RNA não
conseguia responder as variações rápidas da entrada, o que
ocasionava erros elevados e problemas na convergência da
rede. Esse problemas foi diminuído aumentado-se o valor de
Smax. Entretanto as variações rápidas do sistema dado
continuavam a ser modelados de forma inadequada pela RNA.
Como tentativa de melhorar os resultados de desempenho da
rede tentou-se aumentar o número de épocas, entretanto isso
também não resultou grandes melhorias, pois para a entrada
com grandes variações na sua forma a rede encontrou pontos
locais de convergência que resultou em erros elevados também.
Os melhores resultados foram obtidos com a entrada
distribuída uniformente. Os modelos gerados a partir de
entradas normalmente distribuídas.
Foram testados também as diversas formas de treinamento
onde se verificou que o treinamento com backprogation
clássico foi muito demorado em relação ao resiliente
backprogation. Tentou-se ainda o algoritmo de gradiente
descendente, contudo esse algoritmo moutro-se inficaz para o
2 CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES
treinamento da rede, pois em todos os casos testados o erro era
elevado.
Foi verificada também a complexidade da rede. Isto é, tentou-
se aumentar a quantidade de neurônios, a quantidade de
camadas escondidas, mudar afunção de não-lineridade da rede,
mas os resultados não foram satisfatório. Através dos testes
chegou-se a rede proposta.
3 SISTEMAS NEBULOSOS (FUZZY)
3.1 Fundamentos dos Conjuntos Fuzzy
Seja X determinado universo de discurso, no qual representa-se
um elemento genérico x, e um determinado conjunto é
designado por A. Usando a teoria clássica de conjuntos, um
dado elemento atinge caráter binário: o elemento pertence (
x  A ) ou não pertence ao conjunto ( x  A ) .
Se o conjunto A em questão discriminar no universo  quais
são os números primos, o conceito clássico é suficiente, devido
números primos. Contudo, se X é definido como  e A
representa o conjunto de números muito maiores que a , o
problema se torna subjetivo. Assim, dependendo do contexto, o
critério que define quais são os números muito maiores que a
pode mudar. Este é um exemplo onde observa-se a limitação da
1000 1200 teoria clássica e a necessidade de um conceito mais abrangente,
neste caso, a utilização de sistemas fuzzy.
Saída da rede
3.1.1 Pertinência
Um conjunto Fuzzy F é caracterizado por uma função de
f F ( x ) , a qual associa um número, no intervalo real [0,1], a
1000 1200
cada elemento do universo de discurso X. Assim, o conjunto
Fuzzy F pode ser representado por meio de pares ordenados:
F  {( x , f F ( x ))}, x  X
Logo, a dicotomia da concepção clássica, na qual um elememto
x pertence ou não pertence a um determinado conjunto, cede
lugar ao conceito de pertinência. Este conceito está relacionado
ao valor atribuído pela função característica f F ( x ) , que
indica o grau de pertinência de x ao conjunto F. Quando este
valor aproxima-se da unidade, maior é o grau de pertinência de
x em F.
Este conjunto de linhas é implementada com uma linha de
texto em branco no estilo normal, mas com borda superior e
inferior, nas espessuras especificadas acima.
3.1.2 Variáveis Linguísticas
As variáveis linguísticas são variáveis cujos valores ao invés de
assumirem valores especificos (como em variáveis numericas,
por exemplo) assumem nomes ou sentenças que correspondem
aos conjuntos fuzzy. A temperatura de uma sala é um exemplo
de uma variável linguistica: por um lado é possivel expressá-la
com precisão em termos de um valor na escala Celsius, de
outra forma é possivel definí-la de maneira menos precisa, por
meio de palavras (muito quente, quente, fria) que traduz uma
percepção subjetiva.
O valor de uma variável linguística (denominado valor
linguístico ou valor fuzzy) é uma sentença composta por
termos primários (alta, baixa, média, no caso da temperatura),
por conectivos lógicos (e, ou, não) e de modificadores (muito,
pouco), sendo assim, novos valores linguisticos podem ser
formados com a junção de termos primários aos conectivos
lógicos e modificadores. Cada valor linguístico, por sua vez, é
representado por meio de um conjunto fuzzy, com sua
respectiva função de pertinência. Como pode ser observado, as
variáveis linguísticas possuem uma característica dual
tornando-as convenientes para expressar problemas de forma
quantitativa e qualitativa: ao mesmo tempo que caracterizam
fenômenos complexos com uma abordagem vaga (quando
identificados através de seus valores fuzzy) também podem
oferecer uma caracterização precisa (quando se utilizam as
funções de pertinência).
Figura 3.3.1. Diagrama de simulação analógica utilizado na
3.1.3 Regras Se-Então etapa de identificação do modelo

Uma regra Se-Então (regra Fuzzy, implicação Fuzzy ou

proposição condicional Fuzzy) tem a seguinte forma:
R:{SE x é A, ENTÃO y é B}
onde R identifica a regra; A e B são as variáveis linguísticas; x
e y são elementos dos universos de discurso X, Y,
respectivamente. A proposição x é A é denominada antecedente
e a proposição y é B é o consequente; x é a variável premissa.
Em um sistema Fuzzy a Regra Se-Então é disparada quando
houver um grau de similaridade não-nulo entrre a variável
premissa e o antecedente. Sendo assim, o resultado é uma
inferência de algum grau de similaridade (atribuição de
pertinências da variável x no conjunto A) com o consequente
da regra. Figura 3.3.2.Sinal de saída do sistema original

3.1.4 Etapa de Inferência

Através da etapa de inferência as Regras Se-Então por meio
dos conjuntos fuzzy processarão as informações de entrada a
fim de produzir uma conclusão. No diagrama da figura 3.1.4,
observa-se a etapa de inferência de um sistema.

Figura 3.3.3. Sinal de entrada aplicada ao sistema, na etapa de

identificação do modelo

A partir dos dados obtidos na identificação, foram criadas

Figura 3.1.4. Diagrama da Etapa de Inferência de um Sistema. funções de pertinência, a fim de criar um modelo para o
sistema proposto. As funções de pertinência criadas (figura
3.3.4) foram descritas no formato trimpf (triangulares), as quais
são caracterizadas por uma terna(a, b,c), onde a e c determinam
3.2 Modelo Fuzzy Takagi-Sugeno proposto o intervalo dentro do qual a função de pertinência assume
O objetivo principal deste projeto é a obtenção de um modelo valores diferentes de zero, e b é o ponto onde a função de
para o sistema proposto abaixo: pertinência é máxima. Para este modelo foram criadas duas
funções de pertinência, definidas pelas seguintes ternas: (-0.9,
y( k  1 )  y( k )  u( k )e 3| y( k )1| 0.7, 2.3) e (0.7, 2.3, 3.9).
onde u(k) e y(k) são a entrada e a saída do sistema,
respectivamente. Um diagrama de simulação (figura 3.3.1) foi
montado a partir desta equação diferencial para a obtenção do
sinal de saída(figura 3.3.2), quando a entrada foi representada
por um sinal de amplitude e frequência aleatória (figura 3.3.3),
tais sinais foram utilizados na etapa de identificação do
modelo.

CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES 3

 modelamento das funções de pertinência, somente duas não
foram suficientes para varrer todos os picos do sinal.
Nesta Seção deverão ser apresentadas as conclusões acerca dos
experimentos.

REFERÊNCIAS BIBLIOGRÁFICA
Aguirre, L. A. and Lu (2007). Introdução à identificação de
sistemas: técnicas lineares e não-lineares aplicadas a
sistemas reais. 3ª Ed. Editora UFMG, Belo Horizonte-
MG.

Figura 3.3.4. Funções de pertinência adotadas na obtenção do Haykin, S.(2001). Redes Neurais: Princípio e prática. 2ªed.
modelo do sistema Bookman, Porto Alegre-PA.

Para a obtenção do modelo proposto foram obtidas a matriz de

regressores com os pontos relacionados aos sinais obtidos no
momento da identificação. A matriz de parâmetros para gerar
a saída do modelo, a determinada entrada, foi estimada por
meio da teoria clássica de mínimos quadrados.

3.3 Análise dos Resultados

Foi observado que os resultados obtidos no domínio da
frequência foram satisfatórios para frequências de 1 a 27Hz,
isto deve-se principalmente à quantidade de funções de
pertinência utilizadas na modelagem do sinal, as quais não
atingiram todos os picos do sinal de saída original. A análise e
obtenção das funções de pertinência é um dado qualitativo
dentro da modelagem de sistemas Fuzzy, porém são
dependentes do conhecimento do especialista que as propõe.
Provavelmente, esta foi uma das possíveis causas para o
distanciamento dos valores de resposta do modelo em relação
aos valores de resposta do sistema original para intervalos
maiores de variação de frequência .

5. CONCLUSÃO
A utilização de redes neurais para modelamento do sistema
não-linear dado apresentou bons resultados em baixas
frequências. Por outro lado para frequências mais elevadas a
rede necessitava de mais dados de entradas para a correta
simulação da resposta em frequência do sistema. O que
aumento consideravelemente o tempo de treinamento da rede.
O aumento da quantidade de neurônios nas camadas
escondidas da rede não melhorou no resultados obtidos
inicialmente, muito menos o aumento da quantidade de
camadas escondidas apresentada à rede melhorou o
desempenho dela.
Observou-se que, quanto mais variações no sistema dado, isto é
quanto maior a não linaridade do sistema, maior foi o erro de
aproximação do modelo para os algoritmos de treinamento
backpropagation, resiliente backpropagation, gradiente
descendente.
O aumento no número de épocas apresentadas ao treinamento
de rede também não se mostrou muito eficiente,
prinicipalmente no sistema fortemente não-linear, o que
ocasionava da rede encontrar mínimos locais nos quais ela
ficava presa, não mudando o gradiente do erro,
impossibilitando a melhora na aproximação.
Quanto ao modelo Fuzzy Takagi-Sugeno, observou uma
resposta satisfatória do modelo em relação ao sistema original
para uma dada entrada, porém para frequências entre 1 e 27 Hz
foram obtidas as melhores respostas, para frequências maiores
o modelo se afasta da resposta esperada, isto deve-se ao
4 CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES