Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/19280
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMelo, Jorge Dantas de-
dc.contributor.authorPrado, Rafael Nunes de Almeida-
dc.date.accessioned2015-10-01T13:47:06Z-
dc.date.available2015-10-01T13:47:06Z-
dc.date.issued2014-06-06-
dc.identifier.citationPRADO, Rafael Nunes de Almeida. Implementação de uma arquitetura fuzzy neural em hardware com treinamento online. 2014. 83f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro De Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2014.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/19280-
dc.description.abstractComputational Intelligence Methods have been expanding to industrial applications motivated by their ability to solve problems in engineering. Therefore, the embedded systems follow the same idea of using computational intelligence tools embedded on machines. There are several works in the area of embedded systems and intelligent systems. However, there are a few papers that have joined both areas. The aim of this study was to implement an adaptive fuzzy neural hardware with online training embedded on Field Programmable Gate Array – FPGA. The system adaptation can occur during the execution of a given application, aiming online performance improvement. The proposed system architecture is modular, allowing different configurations of fuzzy neural network topologies with online training. The proposed system was applied to: mathematical function interpolation, pattern classification and selfcompensation of industrial sensors. The proposed system achieves satisfactory performance in both tasks. The experiments results shows the advantages and disadvantages of online training in hardware when performed in parallel and sequentially ways. The sequentially training method provides economy in FPGA area, however, increases the complexity of architecture actions. The parallel training method achieves high performance and reduced processing time, the pipeline technique is used to increase the proposed architecture performance. The study development was based on available tools for FPGA circuits.pt_BR
dc.language.isoporpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.rightsAcesso Abertopt_BR
dc.subjectSistemas Embarcadospt_BR
dc.subjectSistemas Fuzzy Neuraispt_BR
dc.subjectTreinamento onlinept_BR
dc.subjectFPGA.pt_BR
dc.titleImplementação de uma arquitetura fuzzy neural em hardware com treinamento onlinept_BR
dc.typedoctoralThesispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOpt_BR
dc.contributor.authorIDpt_BR
dc.contributor.advisorIDpt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/7325007451912598-
dc.contributor.referees1Neto, Adriao Duarte Doria-
dc.contributor.referees1IDpt_BR
dc.contributor.referees1Latteshttp://lattes.cnpq.br/1987295209521433-
dc.contributor.referees2Oliveira, Jose Alberto Nicolau de-
dc.contributor.referees2IDpt_BR
dc.contributor.referees2Latteshttp://lattes.cnpq.br/2871134011057075-
dc.contributor.referees3Lopes, Danniel Cavalcante-
dc.contributor.referees3IDpt_BR
dc.contributor.referees3Latteshttp://lattes.cnpq.br/5342832426660173-
dc.contributor.referees4Nedjah, Nadia-
dc.contributor.referees4IDpt_BR
dc.contributor.referees4Latteshttp://lattes.cnpq.br/5417946704251656-
dc.description.resumoOs métodos de Inteligência Computacional vêm adquirindo espaço nas aplicações industriais devido a sua capacidade de solução de problemas na engenharia, conseqüentemente, os sistemas embarcados acompanham a tendência do uso das ferramentas computacionais inteligentes de forma embarcada em máquinas. Existem diversos trabalhos na área de sistemas embarcados e sistemas inteligentes puros ou híbridos, porém, são poucos os que uniram ambas as áreas em um só projeto. O objetivo deste trabalho foi implementar um sistema fuzzy neural adaptativo em hardware com treinamento online para embarque em Field Programable Gate Array - FPGA. A adaptação do sistema pode ocorrer durante a execução de uma determinada aplicação, visando melhora do desempenho de forma online. A arquitetura do sistema é modular, possibilitando a configuração de várias topologias de redes fuzzy neurais com treinamento online. Verificou-se que o sistema proposto obteve desempenho satisfatório quando aplicado a problemas de interpolação, classificação de padrões e a problemas industriais. Diante dos resultados dos experimentos foram discutidas as vantagens e desvantagens do treinamento online em hardware ser realizado de forma paralela e serializada, esta última forma proporcionou economia na área utilizada de FPGA, já a forma de treinamento paralelo demonstrou alto desempenho e reduzido tempo de processamento. O trabalho utilizou ferramentas de desenvolvimento disponíveis para circuitos FPGA.pt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
Appears in Collections:PPGEE - Doutorado em Engenharia Elétrica e de Computação

Files in This Item:
File Description SizeFormat 
RafaelNunesDeAlmeidaPrado_TESE.pdf3,5 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.