Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/jspui/handle/123456789/15143
Title: Identificação fuzzy-multimodelos para sistemas não lineares
Authors: Rodrigues, Marconi Câmara
Keywords: Identificação;Múltiplos modelos;Sistemas fuzzy T-S;Neuro-fuzzy;ANFIS;Não linear;Identification;Multiple models;T-S Fuzzy systems;Neuro-fuzzy;ANFIS;Nonlinear
Issue Date: 16-Mar-2010
Publisher: Universidade Federal do Rio Grande do Norte
Citation: RODRIGUES, Marconi Câmara. Identificação fuzzy-multimodelos para sistemas não lineares. 2010. 99 f. Tese (Doutorado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2010.
Portuguese Abstract: Este trabalho apresenta uma nova técnica de identificação multimodelos baseada em ANFIS para sistemas não lineares. Nesta técnica, a estrutura utilizada é do tipo fuzzy Takagi-Sugeno cujos consequentes são modelos lineares locais que representam o sistema em diferentes pontos de operação e os antecedentes são funções de pertinência cujos ajustes são realizados pela fase de aprendizagem da técnica neuro-fuzzy ANFIS. Modelos que representem o sistema em diferentes pontos de operação podem ser encontrados com técnicas de linearização como, por exemplo, o método dos Mínimos Quadrados que é robusto a ruídos e de simples aplicação. Cabe à fase de implicação do sistema fuzzy informar a proporção de cada modelo que deve ser empregada, utilizando, para isto, as funções de pertinência. As funções de pertinência podem ser ajustadas pelo ANFIS com o uso de algoritmos de redes neurais, como o de retropropagação do erro, de modo que os modelos encontrados para cada região sejam devidamente interpolados e, assim, definam-se a atuação de cada modelo para as possíveis entradas do sistema. Em multimodelos a definição de atuação de modelos é conhecida por métrica e, como neste trabalho é realizada pelo ANFIS, será denominada de métrica ANFIS. Desta forma, uma métrica ANFIS é utilizada para interpolar vários modelos, compondo o sistema a ser identificado. Diferentemente do ANFIS tradicional, a técnica desenvolvida necessariamente representa o sistema em várias regiões bem definidas por modelos inalteráveis que, por sua vez, terão sua ativação ponderada a partir das funções de pertinência. A seleção de regiões para a aplicação do método dos Mínimos Quadrados é realizada manualmente a partir da análise gráfica do comportamento do sistema ou a partir do conhecimento de características físicas da planta. Esta seleção serve como base para iniciar a técnica definindo modelos lineares e gerando a configuração inicial das funções de pertinência. Experimentos são realizados em um tanque didático, com múltiplas seções, projetado e desenvolvido com a finalidade de mostrar características da técnica. Os resultados neste tanque ilustram o bom desempenho alcançado pela técnica na tarefa de identificação, utilizando, para isto, várias configurações do ANFIS, comparando a técnica desenvolvida com múltiplos modelos de métrica simples e comparando com a técnica NNARX, também adaptada para identificação
Abstract: This paper presents a new multi-model technique of dentification in ANFIS for nonlinear systems. In this technique, the structure used is of the fuzzy Takagi-Sugeno of which the consequences are local linear models that represent the system of different points of operation and the precursors are membership functions whose adjustments are realized by the learning phase of the neuro-fuzzy ANFIS technique. The models that represent the system at different points of the operation can be found with linearization techniques like, for example, the Least Squares method that is robust against sounds and of simple application. The fuzzy system is responsible for informing the proportion of each model that should be utilized, using the membership functions. The membership functions can be adjusted by ANFIS with the use of neural network algorithms, like the back propagation error type, in such a way that the models found for each area are correctly interpolated and define an action of each model for possible entries into the system. In multi-models, the definition of action of models is known as metrics and, since this paper is based on ANFIS, it shall be denominated in ANFIS metrics. This way, ANFIS metrics is utilized to interpolate various models, composing a system to be identified. Differing from the traditional ANFIS, the created technique necessarily represents the system in various well defined regions by unaltered models whose pondered activation as per the membership functions. The selection of regions for the application of the Least Squares method is realized manually from the graphic analysis of the system behavior or from the physical characteristics of the plant. This selection serves as a base to initiate the linear model defining technique and generating the initial configuration of the membership functions. The experiments are conducted in a teaching tank, with multiple sections, designed and created to show the characteristics of the technique. The results from this tank illustrate the performance reached by the technique in task of identifying, utilizing configurations of ANFIS, comparing the developed technique with various models of simple metrics and comparing with the NNARX technique, also adapted to identification
URI: https://repositorio.ufrn.br/jspui/handle/123456789/15143
Appears in Collections:PPGEE - Doutorado em Engenharia Elétrica e de Computação

Files in This Item:
File Description SizeFormat 
MarconiCR_TESE.pdf2,32 MBAdobe PDFThumbnail
View/Open


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