Engenharia de Controle e Automação
Controlador Neuro-Fuzzy
Alunos:
Leandro Duarte Campos / C680005
Giovani Meireles / C680037
Prof.: Eduardo Arbex
Inteligência Artificial
Volta Redonda
2011
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Guias e Dicas
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Encontrar documentos
Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity
Encontra documentos específicos para os exames da tua universidade
Encontra documentos específicos para os exames da tua universidade
Videoaulas
Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade
Quiz
Responda perguntas de provas passadas e avalie sua preparação.
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Controlador Neuro-Fuzzy, Notas de estudo de Automação
Inteligência artificial
Tipologia: Notas de estudo
2012
1 / 7
Esta página não é visível na pré-visualização
Não perca as partes importantes!
Documentos relacionados
Pré-visualização parcial do texto
Baixe Controlador Neuro-Fuzzy e outras Notas de estudo em PDF para Automação, somente na Docsity!
Engenharia de Controle e Automação
Controlador Neuro-Fuzzy
Alunos:
Leandro Duarte Campos / C
Giovani Meireles / C
Prof.: Eduardo Arbex
Inteligência Artificial
Volta Redonda
Aluno: Leandro Duarte Campos - Matrícula C680005 - 7º Período – 2011
Controlador Neuro-Fuzzy
Volta Redonda
Trabalho apresentado ao curso de Engenharia de Controle e Automação sobre Controlador Neuro-Fuzzy, abordados nas aulas de Inteligência Artificial.
Aluno: Leandro Duarte Campos - Matrícula C680005 - 7º Período – 2011
2. Controle Neuro-Fuzzy
Se substituirmos o controlador dos blocos da figura 17.1 e 17.3 com redes neurais ou sistemas de inferência fuzzy, então vamos acabar com sistemas de controle neural ou fuzzy, respectivamente.
Em outras palavras, os métodos de design ou neural fuzzy de controle são formas sistemáticas de construir redes neurais ou sistemas de inferência fuzzy, respectivamente, como controladores eles pretendem alcançar as metas de controle prescrito. Na mesma veia, o controle neural fuzzy se refere aos métodos desigii para os controladores de lógica fuzzy que empregam para ANFIS (Sistemas de inferência neuro-fuzzy adaptável) Assim ANFIS controladores neuro-fuzzy podem ser usados como sinônimos. No entanto, o sistema de inferência fuzzy é superior ao perceptron multicamada em que o primeiro pode representar conhecimento estruturado enquanto o último é mais ou menos como uma caixa preta. Como resultado, podemos identificar algumas propriedades únicas de controladores ANFIS:
- Capacidade de aprendizagem;
- Funcionamento em paralelo;
Aluno: Leandro Duarte Campos - Matrícula C680005 - 7º Período – 2011
- Representação de conhecimento estruturado;
- Melhor integração com outros métodos de controle.
Note-se que um perceptron multicamadas também tem propriedades 1 e 2, mas não 3 e 4.
O objetivo original de um controlador de lógica fuzzy, como proposto no em 1975, foi para imitar o comportamento de um operador humano capaz de controlar uma planta complexa de forma satisfatória. A planta complexa em questão poderia ser um produto químico ou treinar a reação de um trem, ou um sistema de controle de tráfego do sinal.
Depois de mais de 20 anos, o objetivo final de controladores fuzzy permanecem os mesmos - isto é, para automatizar um processo de controle inteiro, substituindo um operador humano com um controlador fuzzy composto por software de computador / hardware, e um único chip de silício que custa pouco, comporta-se respondendo de forma rápida, consistente, e trabalha em torno do relógio. Para a construção de um controlador fuzzy, precisamos realizar a aquisição de conhecimento, que toma conhecimento de um operador humano sobre como controlar um sistema e gerar um conjunto de regras fuzzy se-então como a espinha dorsal de um controlador fuzzy que se comporta como o operador original humano. Normalmente, podemos obter dois tipos de informação a partir de um operador humano: a informação linguística e informação numérica.
Informações linguísticas:
Um experiente operador humano pode resumir normalmente processo de seu raciocínio para se chegar a ações de controle final ou decisões como um conjunto de fuzzy (se-então), com a adesão regras imprecisas, mas aproximadamente corretas.
Aluno: Leandro Duarte Campos - Matrícula C680005 - 7º Período – 2011
4. Bibliografia
Jang, Jyh-Shing Roger.
Neuro-fuzzy and soft computing : a computational approach to Learning and Machine Intelligence.