Use este identificador para citar ou linkar para este item:
https://repositorio.ufrn.br/handle/123456789/19280
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Melo, Jorge Dantas de | - |
dc.contributor.author | Prado, Rafael Nunes de Almeida | - |
dc.date.accessioned | 2015-10-01T13:47:06Z | - |
dc.date.available | 2015-10-01T13:47:06Z | - |
dc.date.issued | 2014-06-06 | - |
dc.identifier.citation | PRADO, 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.uri | https://repositorio.ufrn.br/jspui/handle/123456789/19280 | - |
dc.description.abstract | Computational 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.iso | por | pt_BR |
dc.publisher | Universidade Federal do Rio Grande do Norte | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Sistemas Embarcados | pt_BR |
dc.subject | Sistemas Fuzzy Neurais | pt_BR |
dc.subject | Treinamento online | pt_BR |
dc.subject | FPGA. | pt_BR |
dc.title | Implementação de uma arquitetura fuzzy neural em hardware com treinamento online | pt_BR |
dc.type | doctoralThesis | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.initials | UFRN | pt_BR |
dc.publisher.program | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO | pt_BR |
dc.contributor.authorID | pt_BR | |
dc.contributor.advisorID | pt_BR | |
dc.contributor.advisorLattes | http://lattes.cnpq.br/7325007451912598 | - |
dc.contributor.referees1 | Neto, Adriao Duarte Doria | - |
dc.contributor.referees1ID | pt_BR | |
dc.contributor.referees1Lattes | http://lattes.cnpq.br/1987295209521433 | - |
dc.contributor.referees2 | Oliveira, Jose Alberto Nicolau de | - |
dc.contributor.referees2ID | pt_BR | |
dc.contributor.referees2Lattes | http://lattes.cnpq.br/2871134011057075 | - |
dc.contributor.referees3 | Lopes, Danniel Cavalcante | - |
dc.contributor.referees3ID | pt_BR | |
dc.contributor.referees3Lattes | http://lattes.cnpq.br/5342832426660173 | - |
dc.contributor.referees4 | Nedjah, Nadia | - |
dc.contributor.referees4ID | pt_BR | |
dc.contributor.referees4Lattes | http://lattes.cnpq.br/5417946704251656 | - |
dc.description.resumo | Os 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.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | pt_BR |
Aparece nas coleções: | PPGEE - Doutorado em Engenharia Elétrica e de Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
RafaelNunesDeAlmeidaPrado_TESE.pdf | 3,5 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.