Introdução Sistemas Inteligentes

Faculdade de Tecnologia
Introduo aos Sistemas Inteligentes

Prof. Adolfo Bauchspiess
Laboratrio de Automao e Robtica - ENE/FT/UnB
Sumrio
1 - Introduo Sistemas Inteligentes Conexionistas

2 - Redes Neurais Artificiais
3 - Lgica Fuzzy e Sistemas Fuzzy
4 - Exemplos de Aplicaes
5 - Concluses
Parte 1
Introduo Sistemas Inteligentes Conexionistas
Publicaes em Sistema Inteligentes

Congressos Nacionais
Congresso Brasileiro de Automtica
Simpsio Brasileiro de Automao Inteligente
(SBAI 2009 Braslia, 20 a 25 setembro)
Congresso Brasileiro de Redes Neurais

Simpsio Brasileiro de Redes Neurais
.....
Revistas Internacionais
Neural Networks, IEEE Transactions on
Fuzzy Systems, IEEE Transactions on
Intelligent Systems Engineering
Intelligent Systems, IEEE
Intelligent Transportation Systems, IEEE Transactions on
.....
Epistemologia Filosofia do Conhecimento
Axiomas
Sentenas
Sentenas
negadas
verdades
no
alcanveis
inverdades
no
alcanveis
Axiomas
negados
Heursticas
S
Espao
Soluo
H3
Soluo tima
H2
H1
D
Domnio
Heursticas fornecem solues sub-timas.
Heurstica
S
S
Espao Soluo
Espao
Soluo
H3
Soluo tima
H2
H1
Uma regra heurstica leva do espao domnio ao espao soluo.
H4
H5
D
Heursticas bem-formadas esto prximas da soluo tima.
Dislexia?
De aorcdo com uma pqsieusa de uma uinrvesriddae ignlsea,

nao ipomtra a odrem plea qaul as lrteas de uma plravaa etaso, a
ncia csioa iprotmatne que a piremria e
tmlia lrteas etejasm no lgaur crteo.
O rseto pdoe ser uma ttaol csofnuo que vcoe pdoe anida ler sem
gnderas pobrlmeas.
Itso poqrue ns nao lmeos cdaa lrtea isladoa,
mas a plravaa cmoo um tdoo.
Vcoe ahca que itso tem aulgm fmdennatuo?
Gigante x Iluso 3D?
Ondas?
Simptica?
10
Antiptica?
11
Introduo
- Sistemas Inteligentes Conexionistas
Inteligncia Artificial
Ramo da cincia que estuda o conjunto de paradigmas
que pretendem justificar como um
comportamento inteligente
pode emergir
de implementaes artificiais, em computadores.
Inteligncia:
aprendizado, adaptao, compreenso
12
Paradigmas de IA
Paradigmas
de IA
Simbolista
(Lisp, Prolog) - Sistemas Especialistas
Conexionista
(Numrico)
Simblico
- Fuzzy
Sub-Simblico - RNA
Inteligncia:
aprendizado, adaptao, compreenso
13
Paradigma Conexionista
Considera ser virtualmente impossvel

transformar em algoritmos i., reduzir a uma seqncia de passos lgicos e aritmticos
diversas tarefas que a mente humana executa com facilidade e rapidez,
como por exemplo:
Reconhecer rostos,
Compreender e traduzir lnguas,
Evocao de memria pela associao,
Jogos...
14
Paradigma Conexionista
O processo computacional deve reproduzir

a capacidade do crebro de se auto-organizar aprender!
Crebro
Humano
Sistemas
Inteligentes
Numricos
Emular a Fisiologia
=> Redes Neurais Artificiais
Emular a Psicologia
=> Lgica Fuzzy (Nebulosa)
15
Paradigma
Simbolista versus Conexionista
-Percepo
Quadro de Kanizsa, 1976
16
M.C. Escher Coerncia Local - Paradoxo Global
17
M.C.Escher
Verdade Positiva X Verdade Negativa
18
Em Cima
X
Em Baixo
19
Paradigma
Simbolista versus Conexionista
- J.S. Bach
Coerncia Local - Paradoxo Global
Shepard's scale
Pseudo-rising scale
played on a vibraphone
20
10
Formao das Sinapses
0-2 Anos
2 Anos at a Puberdade
Adulto
21
Processamento da informao olfativa
22
11
Processamento da informao auditiva
23
Paciente de Epilepsia
sem hemisfrio esquerdo a 12 anos
24
12
Neurnio sobre Chip.
25
Parte 2 Redes Neurais Artificiais
26
13
Fundamentos Biolgicos
O sistema nervoso obtm informaes do meio ambiente

atravs de sensores que so combinadas com informaes armazenadas
para produzir as aes do corpo.
Informaes
Sensoriais
Sistema Nervoso
Aes (Respostas do Corpo)
Informaes
Armazenadas
(hereditrias/aprendidas)
Apenas uma pequena parte das informaes obtidas

relevante para o funcionamento do corpo.
27
O sistema nervoso pode ser considerado em trs nveis.
Cada um constitudo por neurnios de

diferentes anatomias.
Estima-se que o crebro humano tenha por
volta de 1011 neurnios,
cujo comprimento total somado chega a 1014
metros.
28
14
Dendritos
Nveis de processamento
da informao pelo crebro
estrutural
fisiolgico
cognitivo
Impulsos
de
Entrada
Corpo
Celular
(Soma)
Axnio
Impulso
de
Sada
O Fluxo da informao (corrente eltrica)

sempre dos dendritos para o axnio.
Arborizao axonial
(terminais)
29
Tipos de Neurnios:
30
15
Padro de conexo: em camadas
31
Neurotransmissores no gap sinptico
32
16
O Potencial de Ao
Tn durao do impulso nervoso

Ta perodo de refrao absoluta
Tr perodo de refrao relativa
33
Integrao Espao/Temporal dos Estmulos
A
B
C
D
E
F
Limiar
T1 T2
T3
T4
T5
T6
Potencial
da Membrana
t
T7
Potencial
de Ao
34
17
Integrao Espao/Temporal
Freqncia mxima de pulsos no axnio: f max =
1
Ta + Tn
f T = g i (t ) xi (t ) dt
0 i
fT
freqncia mdia de impulsos nervosos no intervalo de tempo T,
i(t) ganhos sinpticos,
xi(t) entradas dos neurnios.
35
Modelo bsico do neurnio artificial

n
u i = wij p j + bi = w ti p + bi
p1
j =1
Sinapses
wi1
p2
wi2
p3
wi3
pj
wij
pn
win
neurnio i
ai
Ui
p1
p
p = 2 ,
M

pn
wi1
w
w = i 2 .
M

win
Sinapse excitatria wij > 0,
bi
polarizao
ai
p0
Sinapse inibitria wij < 0.
1
dai
0
dui
Funo de ativao sigmide
ui
36
18
Neurnios com conexo lateral
Circuito neural inibidor dos antagonismos
37
Intel Core 2 Duo

Transistores: 582 milhes
Comparao Crebro x Computador
# elementos processadores
Forma de processamento
Memria
Tempo de chaveamento
Chaveamentos /s
Chaveamentos totais (terico)
Chaveamentos totais (real)
Crebro
10 11 neurnios
Massivamente paralelo
Associativa
1 ms
10 3 /s
10 14 /s
10 12 /s
Computador
10 9 transistores
Em geral serial
Endereada
1 ns
10 9 /s
10 18 /s
10 10 /s
Regra dos 100 passos

Pessoas reconhecem um rosto conhecido em 0.1 s.
Considerando 1ms por neurnio: 100 passos seqnciais at reconhecer o padro.
arquiteturas de processamento paralelo !

38
19
Perspectiva Histrica de RNAs
1943 McCulloch
1949 Hebb
1957 Rosenblatt
1960 Widrow-Hoff
Rosenblatt
1969 Minsky-Papert
1974 Werbos
Neurnio Booleano
Regra de aprendizado
Perceptron
ADALINE/MADALINE
LMS
Perceptron Multicamadas, sem treinamento
Perceptrons
Algoritmo Error Backpropagation
sem repercusso
1982 Hopfield
Rede realimentada
1986 Rumelhart, Hinton & Williams
PDP MIT
Backpropagation p/ Perceptron Multicamadas
Funo de ativao contnua sigmide
1987 Kosko
BAM
Entusiasmo
Inicial
Desencantamento
Ressurgimento
39
O Neurnio de McCulloch (1943)
Para n=2
a = F wi p i b = F ( w t p b ) a [ 0;1] degrau
i =1
F = funo degrau
Diviso do espao euclidiano n em duas regies A e B
w1 p1 + w2 p 2 = b
p
B
p
40
20
O neurnio de McCulloch
como classificador de padres
o
o
o
o
o
x
x
x
x
o
o
x
x
x
x
Colees linearmente separveis e linearmente dependentes (no-separveis).
Algumas funes booleanas de duas variveis representadas no plano binrio.

41
Existem
Classificadores Lineares e No-Lineares

2m = 22
n
1
2
3
4
5
6
possveis funes lgicas conectando n entradas para uma sada binria.
n o de padres n o de funes linearmente

% linearmente
binrios
lgicas
separveis
separvel
2
4
4
100
4
16
14
87,5
8
256
104
40,6
16
65536
1.772
2,9
32
4,3 x 10 9
94.572
2,2 x 10 -3
64
1,8 x 10 19
5.028.134
3,1 x 10 -13
As funes lgicas de uma varivel:
A, A
, 0, 1
As funes lgicas de duas variveis:

A, B, A , B , 0, 1
A B, A B, A B, A B,
A B , A B , A B , A B , A B, A B
42
21
Perceptron binrio de duas etapas
b6 =
O neurnio 6 implementa um E-lgico fazendo-se

Por exemplo:
1
w36 = w 46 = w56 = ;
3
i6
i =3
b6 = 1 a 6 = 1 se e somente se a 3 = a 4 = a 5 = 1
43
Perceptron binrio de trs etapas

w
p
w
A
A
a
10
a =A B
10
Regies no conexas, concavas!
44
22
Neurnios e Redes Neurais Artificiais
Micro-Estrutura
caractersticas de cada neurnio na rede

Meso-Estrutura
organizao da rede
Macro-Estrutura
associao de redes eventualmente com processamento analtico
para abordar problemas complexos.
45
Linear
Funes de ativao tpicas

f (s) = s
H opfield
B SB
purelin
f(s)
s
Sinal
+ 1 se s 0
f (s) =
1 se s < 0
Perceptron
hardlim s
f(s)
-1
D egrau
+ 1 se s 0
f (s) =
0 se s < 0
Perceptron
BAM
hardlim
f(s)
s
H opfield/
BA M
+ 1 se s > 0
f (s) =
1 se s < 0
inalterado se s = 0
H opfield
BAM
f(s)
-1
46
23
BSB
Limiar
Lgico
Funes de ativao tpicas

ou
K se s K
f ( s ) = s se K < s < + K
+ K se s + K
BSB
satlin
satlins
f(s)
-K
Logstica
f (s) =
Perceptron
Hopfield
BAM, BSB
1
1 + e s
logsig
f(s)
s
Tangente
Hiperblica
f ( s ) = tanh( s ) =
1 e 2 s
1 + e 2s
Perceptron
Hopfield
BAM, BSB
tansig
f(s)
s
-1
47
Meso-Estrutura organizao da rede
# neurnios por camada

# camadas da rede
# tipo de conexo (forward, backward, lateral).
1-Feedforward Multicamadas
Perceptron Multicamadas (MLP)
48
24
2- Camada simples conectada lateralmente
BSB (auto-realimentao), Hopfield

3 Bicamadas Feedforward/Feedbackward
49
4 Rede Multicamadas Cooperativa/Comparativa
5 Rede Hbrida
Sub-
Sub-
Rede 1
Rede 2
50
25
Macro-Estrutura Neural
Rede 1
# de redes
tipo de conexo
tamanho das redes
grau de conectividade
Rede 2a
Rede 2b
Rede 2c
Rede 3
51
Aprendizado Supervisionado
Regra delta perceptron
w w + x
dy
d
y
__
- taxa de aprendizagem
Regra delta de Widrow-Hoff (LMS) ADALINE, MADALINE

Regra delta generalizada
w ij wij +
j x ij
2
k
Regra delta de Widrow-Hoff (LMS)
52
26
O Perceptron Multicamadas
- Regra delta generalizada
Rumelhart, Hinton e Williams, 1986
p1 = x1(0)
x1(1)
x2(1)
p2 = x2(0)
p3 = x3(0)
x1(2) = y1
x2(2) = y2
x3(1)
O erro derivativo quadrtico definido por
(j k ) =
1 2
2 s (jk )
(jk ) = 2 (j k ) x (jk 1)
53
O algoritmo error backpropagation
1.
wij( k ) random , inicializar a rede
2.
p/ (x,d), par de treinamento, obter y. Propagao feedforward. 2 =
(d
y j )2
j =1
3.
4.
k ltima camada
para todo elemento j da camada k faa:
Calcule
(kj ) empregando
(j k ) = d j x (jk ) = d j y j se k for a ltima camada,
(j k ) =
N k +1
i =1
( k +1)
i
w (jik +1) se for uma camada oculta;
Calcule (j k ) = (j k ) . f ( s (jk ) )
6.
k k 1 se k>0 v para o passo 4, seno prossiga.

W j( k ) ( n + 1) = W j( k ) ( n ) + 2 (j k ) X (jk ) ( n )
7.
para o prximo par de treinamento v para o passo 2.
5.
54
27
Aplicaes de RNAs
Classificao de Padres
RNA
Aproximao de Funes (no lineares)
0.6
0.6
0.4
0.4
0.2
RNA
0.2
-0.2
-0.2
-0.4
0
20
40
60
80
100
-0.4
-20
20
40
60
80
100
120
55
Ferramentas Computacionais
SNNS
MatLab
- Neural Network Toolbox
NeuralWorks
Java
C++
Implementao de RNAs em Hardware
56
28
SNNS - Stuttgarter Neural Network Simulator
57
purelin
MatLab
- ambiente completo
logsig
Model Reference Controller
tansig
Reference
model liq 4 order
Neural
radbas
qi
Network
Controller
Control
Signal
qi
h4
h4
Plant Output
h4
Scope
f(u)
Fcn1
y(n)=Cx(n)+Du(n)
x(n+1)=Ax(n)+Bu(n)
z
Unit Delay 1
K*u
Discrete State -Space 2
Matrix
Gain 4
-CConstant 3
f(u)
Switch 1
Fcn2
2
u
f(u)
Fcn
z
Unit Delay 5
y(n)=Cx(n)+Du(n)
x(n+1)=Ax(n)+Bu(n)
K*u
Matrix
Gain 3
-C-
K*u
tansig
netsum
Matrix
Gain 1
Constant 2
+
netsum 1 purelin
-CConstant 4
Switch
Switch 2
Saturation 1 Zero -Order

Hold
1
uhat
B2_c
Constant 7
1
r
f(u)
y(n)=Cx(n)+Du(n)
x(n+1)=Ax(n)+Bu(n)
Fcn3
K*u
Matrix
Gain 2
-CConstant 5
B1_c
Switch 3
Constant 6
58
29
Parte 3 Lgica Fuzzy e Sistemas Fuzzy
59
Lgica Fuzzy
A teoria dos conjuntos fuzzy foi proposta por Lotfi Zadeh em 1965.
Por muito tempo permaneceu incompreendida.
Em meados dos anos 80 Mamdani a utilizou para projetar controladores fuzzy.
Emular Fisiologia
Redes Neurais Artificiais
Crebro humano
Emular Psicologia
Lgica Fuzzy
60
30
Lgica Fuzzy
De acordo com a disponibilidade de um especialista
ou de amostras de um sistema o paradigma Fuzzy ou o RNA mais indicado.
Problema
Informao
Disponvel
Paradigma
Descrio Parcial (Incompleta) do Sistema
Especialista
Fuzzy
Adaptao, Amostras
Redes Neurais Artificiais
61
Ex: Regras Se-Ento
Se a Temperatura baixa
Ento reduza o ar condicionado
Se a Temperatura OK
Ento no faa nada
Se a Temperatura alta
Ento aumente o ar
condicionado
62
31
Conjuntos Fuzzy Funo de Pertinncia
A ( x) : X [0,1]
1
A ( x) = (0,1)
0
se x membro pleno de A
se x pertence parcialmente a A
se x no membro de A
Extenso da lgica booleana Perspectiva histrica:

~ 1930, Lukasiewicz : {0,1/2,1}, [0,1]
1937, Black
: Funo de Pertinncia
1965, Lotfi Zadeh : Fuzzy Sets
Teoria dos Conjuntos Multivalentes
~ 1988, Produtos Comerciais: terceira onda de interesse
63
Conjuntos Fuzzy
Complemento, Interseo e Unio
Ac ( x) = 1 A( x)
A B( x) = min( A( x), B( x))
A B( x) = max( A( x), B( x))
64
32
Conjuntos Fuzzy Propriedades
Involuo
Comutatividade
Associatividade
Distributividade
Idempotncia
Absoro
Identidade
Absoro por e
Lei de De Morgan
(AC)C = A
AU B = B UA
A U (B U C) = (A U B) U C
A (B U C) = (A B) U (A C)
AUA = A
A U (A B) = A
AU = A
AU =
(A B)C = AC U BC
Porm:
A AC
A U AC
A U (AC B) A U B
A (AC U B) A B
A B = B A
A (B C) = (A B) C
AU (B C) = (A U B) (A U C)
AA = A
A (A U B) = A
A = A
A =
(A U B)C = AC BC
No satisfaz lei da no-contradio

No satisfaz lei do terceiro excludo
No satisfaz absoro do complemento
No satisfaz absoro do complemento
65
Conjuntos Fuzzy Ex. Propriedades

A AC
A U AC
No satisfaz a lei da no-contradio

No satisfaz a lei do terceiro excludo
66
33
Clculo Sentencial Lgica Clssica
Na lgica clssica, os valores verdade das proposies (clculo sentencial)

so obtidos pelas seguinte tabela verdade (modus ponens modo afirmativo).
A
A B
A B
A B
( A B)
67
Clculo Sentencial Lgica Fuzzy
Quando as informaes so imprecisas, a mquina de inferncia implementa

o assim chamado raciocnio aproximado.
A lgica Fuzzy implementa o raciocnio aproximado no
contexto dos conjuntos fuzzy (modus ponens generalizado).
fato:
regra:
conseqncia
A`
Os tomates esto muito vermelhos
AB
Se os tomates esto vermelhos ento esto maduros
______________________________________________________
B`
Os tomates esto muito maduros
A = n(A)
A B = T(A,B)
A B = S(A,B)
A B = I(A,B)
n
T
S
I
negao
t -norma
t-conorma
implicao
68
34
Operadores de Implicao
Se <premissa> ento <concluso>
I : [0,1]2 [0,1] , A : X [0,1], B : Y [0,1]

AB (x,y) = I(A(x), B(y))
Implicao
max (1-a,b)
min(1-a+b,1)
min(a.b)
a.b
Nome
Kleene-Dimes
Lukasiewicz
Mamdani
Larsen
69
Raciocnio Fuzzy
baseado em composio Max-Min
Definio: Sejam A, A e B conjuntos fuzzy em X, X e Y respectivamente.
Assuma que a inplicao fuzzy A B expressa pela
relao fuzzy R sobre X x Y, ento o conjunto fuzzy B induzido x A
e a regra fuzzy se x A ento y B definida por:
B(y) = maxx min [A(x), R(x,y)]
= Vx [A(x) R(x,y)],
ou seja:
B = A o R = A o (A B )
Uma regra fuzzy com um antecedente
w grau de pertinncia regra

70
35
Raciocnio Fuzzy
baseado em composio Max-Min
Uma regra fuzzy com dois antecedentes
se x A e y B ento z C
w1, w2 graus de pertinncia das respectivas regras
71
Raciocnio Fuzzy Max-Min
Duas regras fuzzy com dois antecedentes
se x A1 e y B1 ento z C1
Resultado: C
72
36
Esquemas de Defuzzyficao
Valor numrico associado inferncia fuzzy
73
Inferncia fuzzy com A exato (crisp)

-Modelo de Mamdani
Duas regras fuzzy com dois antecedentes
Resultado: C
74
37
Sistemas de Inferncia Fuzzy
Sistemas fuzzy so sistemas baseados em conhecimento

(Sistemas Especialistas).
Base de conhecimento
Base de fatos
R1: Se A e B ento C
R2: Se D e E ento F
...
A
B
D
...
Mquina de
Inferncia
Usurio
Fato Novo
75
Mquina de Inferncia Fuzzy
A mquina de inferncia fuzzy segue os seguintes passos para obter

o resultado da inferncia para um conjunto de fatos:
1.
2.
3.
4.
fatos com premissas (antecedentes)

grau de compatibilidade de cada regra
crena em cada regra
agregao
Para a agregao quatro mtodos se tornaram populares:

a) Mtodo clssico de Mamdani (Max-Min)
b) Mtodo clssico de Larsen
c) Mtodo clssico de Tsukamoto
d) Mtodo clssico de Takagi-Sugeno
76
38
Exemplo: Controle Fuzzy

Ar Condicionado
Base de conhecimento
Base de fatos
R1: Se T Alta e U baixa

ento P mdia
R2: Se T Baixa e U alta
ento P baixa
T = 30C
U = 20%
R = 22C
Mquina de
Inferncia
Usurio
P = 47%
77
Interface com o mundo real

Fuzzyficao e Defuzzyficao
Valores
Exatos
FuzzyFuzzyficao
ficao
Banco de Regras
Inferncia
Defuzzy
ficao
Valores
Exatos
Um controlador realimentado baseado em lgica fuzzy (Controlador Inteligente) teria a seguinte

estrutura, onde F. I. D. significam Fuzzyficao, Inferncia e Defuzzyficao.
O
F. I. D.
Sistema
78
39
Ferramentas Computacionais
http://www.imse.cnm.es/Xfuzzy/download.htm
Sistema XFuzzy para Unix desenvolvido pelo
Instituto de Microelectrnica de Sevilla Espanha
http://www.mathworks.com MatLab
http://www-rocq.inria.fr/scilab/ SciLab
79
Ex: Controle Fuzzy Proporcional

ref
erro
u
F. I. D.
sada
Sistema
Controle em Malha Fechada
NM
PM
erro
80
40
Scope
s+1
Ra m p
Zero-O rder
Hol d
G ai n
T ran sfer Fcn
S cope1
s+1
Ram p1
Zero-O rder
Hol d1
Gai n1
Fuzzy Log ic
Control le r
wi th Rulevi ewe r
T ransfer Fcn1
81
82
41
Ex: Controle Fuzzy Multivarivel

Sistema de ar condicionado para um ambiente de escritrio.
Frio
Morno
Quente
Baixa
10
20
30
Mdia
30%
50%
Alta
80%
Potncia
(Universo de Discurso)
Conjunto Fuzzy
Partio do Universo de discurso
Seco
Mdio
30%
50%
mido
70%
Um id ade
Funes de pertinncia utilizadas para o controle de temperatura.
83
Exemplo de controle fuzzy
Banco de regras
Se T Frio e U Seco ento P Baixa

Se T Quente e U mido ento P Alta
Se T Morno e U Mdio ento P Alta
Se T Quente e U Seco ento P Mdia
......
84
42
0,7
Inferncia fuzzy:
0,8
A temperatura 28 C e
umidade relativa 35%
levam pelas avaliao das regras
a uma potncia de 65% do ar condicionado.
0,3
0,3
0,7
0,7
T= 28
Se T Frio e U Seco ento P Baixa

Se T Quente e U mido ento P Alta
Se T Morno e U Mdio ento P Alta
Se T Quente e U Seco ento P Mdia
35%
das reas
Centride
+ 85
65%
Potncia
86
43
Parte 4 Exemplos de Aplicaes

Inspeo no destrutiva de estruturas
Inspeo visual em linhas de transmisso
Processo de nvel de lquido
Estao de tratamento de gua
Guiagem automtica de automveis
Eletro
Eletro--eletrnicos
Planejamento de trajetria
Automao predial
87
Aplicaes:
Deteco de Falhas em Estruturas
DAMAGE DETECTION USING AN HIBRID FORMULATION BETWEEN

CHANGES IN CURVATURE MODE SHAPES AND NEURAL NETWORK.
Miguel Genovese, Adolfo Bauchspiess, Jos L.V. de Brito,Graciela N. Doz
88
44
Aplicaes:
89
Aplicaes:
90
45
Inspeo de Linhas de Transmisso
Sistema computacional autnomo de inspeo visual em linhas de

transmisso de energia eltrica
Deteco de falhas nas garras dos espaadores das linhas
91
Inspeo tradicional em linhas de transmisso:

Inspeo area utilizando um helicptero

Equipe em terra
Processo dispendioso e de alto custo
92
46

Adaptao de Veculos Areos No-Tripulados (VANTs)

Projeto de pesquisa UnB/ANEEL Expansion
Desenvolvimento de um UAV para auxlio inspeo de linhas
UnB, Bo A. P. L., 2007
93
Processamento de Imagens
Reconhecimento de Falhas
94
47
Resultados - Representao do contorno

3
10
15
95
Resultados - Representao do contorno
An
Bn
Cn
Dn
96
48
Resultados - Treinamento da rede neural

Conjunto de treinamento: 70 imagens

Conjunto de teste: 25 imagens
Conjunto de validao: 25 imagens
Sada-alvo

-0,5 para imagens sem defeito

0,5 para imagens com defeito
Arquitetura utilizada:
Resultados - Treinamento da rede neural
Simulao do conjunto de validao para a rede treinada com 10

harmnicos
Simulao do conjunto de validao para a rede treinada com 12

harmnicos
97
Erro na classificao de 2 imagens
Erro na classificao de 1 imagem
98
49
Processo de Nvel de Lquidos

Componentes
-3 Reservatrios (5x25x35 cm)
-1 Tanque de Suprimento
-3 Sensores de Nvel
-2 Bombas (0 to 10 V)
-2 Circuitos de Potncia
-A/D & D/A Interface
-Constante de Tempo = 5 min

-Taxa de Amostragem = 2Hz
99
Diagrama Esquemtico
100
50
Modelo Dinmico
Bernoulli:
No-Linear, Acoplado e Multivarivel
101
Cliente
Processo em Operao na WWW

- Laboratrio Remoto
Processo
PC-Controlador
Servidor
102
51
Resultados Experimentais
Resposta ao Degrau
10 cm (tanque 1)
05 cm (tanque 2)
103
Resultados Experimentais
Referncia
Degrau e
Triangular
Streaming
Live Video
104
52
Controle Fuzzy no Simulink
105
Controle Fuzzy
Resposta aos
sinais de teste
nveis 1 e 2:
Controle PI
Controle Fuzzy
106
53
LEARn
Laboratrio de Ensino de Automao Remota.
4 ordem
3 ordem
2 ordem
107
Estao de Tratamento de gua

www.abwasser.nuernberg.de
108
54
Estao de Tratamento de gua

www.abwasser.nuernberg.de
109
Guiagem Automtica - BMW

Piloto Automtico
Cmbio Automtico
Pefil de Usurio
Esportivo
Econmico
Cauteloso
Sensor de Proximidade
Frontal
Traseiro
Lateral
BMW 645 ci - www.bmw.de
110
55
Ar Condicionado Fuzzy
Brastemp Ar Condicionado modelo BCG 07A
SISTEMA FUZZY
Sistema inteligente de controle de temperatura com 3
modos de operao, para maior conforto e praticidade:
normal, conforto e dormir.
Descrio detalhada:
Cdigo BCG07 Capacidade 7.500 BTUs
Ciclos Quente/Frio
Consumo (w/h) 925/ 880
Voltagem 127/ 220V
Dimenses (alt x larg x prof) 315 x 470 x 560 mm
111
Mquina Fotogrfica
Olympus IS-5
Auto Focus SLR Camera - 28-140mm 5x zoom lens,
Date imprinting capability, Panorama Mode - w/Case
& Batteries
Features
...
Programmed Auto Exposure lets you choose between Full Auto, Stop Action, Portrait,
Night Scene and Landscape modes
TTL metering system: Fuzzy logic ESP, center-weighted average, Spot
Specifications
...
Focus TypeTTL phase-difference detection system with autofocus focus lock. Auto
focus beep available. Auxiliary flash activation in low light.
Focus Range0.6 m to infinity in macro shooting; 0.6m to infinity at wide angle and
0.9m to infinity at telephoto in standard shooting. Predictive autofocus (in Stop
Action mode only)
AF Sensors
112
56
Mquina de Lavar
Modern washing machines automatically determine the optimum

settings to get your clothes clean with the use of fuzzy logic. That's
the 'skill' that gets machines to make 'best case' decisions based on
incomplete information.
Previously, washing machines were manually set. You had to
make trial-and-error decisions on the amount of washing detergent,
the size of the load, and the length of washing time. A fuzzy logic
controller, comprising sensors, microchips and software
algorithms, mathematically works out the amount of dirt and type
of dirt on the clothes with the help of an optical sensor, which
measures the transparency of the water.
When the clothes are loaded into the washing machine and water
added, the sensor checks to see how dirty the water is - dirtier
clothes mean dirtier water, naturally. It also checks the type of dirt
on the clothes by how fast the water gets saturated by the dirt.
With this input, the fuzzy logic controller determines how soiled
the load is, decides how much detergent is needed and how long it
must wash the clothes.
113
Aspirador de P
Samsung VC-8930EN
Power Consumption : 2000W

Suction Power : 450W
Digital Auto Power Control (Fuzzy Logic)
Variable Power Control
5-Stage HEPA-Filter System
Exbug : Mite Killing Function
LED Display Panel
2 Step Smart Brush
Aluminium Telescopic Tube
Smart Protector
3 Built-in Accessories
2-Way Parking System
With Twister System
114
57
Monitor de presso digital de pulso
Modelo WS 501
Possui 60 memrias com data e hora (relgio digital) que
facilita o monitoramento distncia entre mdico e paciente.
Indicador de carga de bateria.
Tecnologia japonesa de ltima gerao FUZZY LOGIC.
R$220,00
www.etronics.com.br/detalhes.asp?codpro=495
115
Descarga de Carvo Erlangen/Alemanha
Planejamento de Trajetria - Fuzzy

Redundant Sensor Guided Unloading Crane MAN
Bauchspiess, 1995
Cruzamento Fluvial Minden, Rio Elba, Alemanha
116
58
Universitt Erlangen-Nrnberg
Sensor guided Hydraulic Robot
Bauchspiess, 1995
117
Path tracking
118
59
Ambientes Inteligentes
Conforto e racionalizao de energia

Fatores

temperatura,
uumidade,
temperatura externa,
radiao solar,
Salas vizinhas,
presena de pessoas,
mveis nas salas,
fontes de calor (e.g., computadores),
janelas,
aquecedores, ar condicionado
etc.
119
Conforto Trmico x Racionalizao de Energia
Spin Engenharia de Automao Ltda

120
60
INTERFACE GRFICA ActionView
121
Simulao de Sistema de
Racionalizao de Energia Conforto Trmico
0
ex tern dis turb
Ra d1
Tc
dis turb v icin1
dis turb v icin
T em p
E xte rn 1
dif Ext
s et pt
dif Ex t
T
PW M
S co p e
C ool_on_of f
Roo m 1
setpt
Projetos:
Energy
Fu zzy-I A WUpCtrl 1
room 1
room 2
ex tern dis turb
FAP-DF
Finep LabInov
room 3
Tc
dis turb v icin1
Ro o m 4
dis turb v icin

dif Ex t
T
PW M
C ool_on_of f
Roo m 2
setpt
Energy
Total Energy
K Wh
0
Ra d 2
ext ern dis turb
Tc
dis turb v ic in1
di fExt
2
dis turb v ic in
T em p
E xte rn 2
dif Ex t
s etpt
re f sq
22 .5
O p e ra tin g
P o in t
T
PW M
Fuzzy Ctrl 1
Energy
S2
setpt
C ool_on_of f
Ro o m 3
setpt
T
PWM
error
1
s
K i1
0
3
T
Swi tch
PWM 1
~ ==
2
Energy
122
61
Simulao do Conforto Trmico Fuzzy
123
Consumo de Energia Medido (kWh)

Exp \ Sala
Desenv.
Diretoria
Reunio
Total
L-D Madrugad.
19,39
11,87
12,04
43,30
Fuz Madrugad.
03,78
01,07
02,05
06,90
L-D 8-12 14-18
35,25
17,42
19,07
71,71
Fuz 8-12 14-18
21,97
13,50
18,14
53,61
L-D 8-18
35,34
17,96
19,95
73,48
Fuz 8-18
16,41
15,80
13,10
45,32
Spin Engenharia de Automao Ltda, 2006
124
62
Sala de Desenvolvimento
Setpoint
T. Interna
T. Externa
Inf
17:55
17:20
16:45
16:10
15:35
15:00
14:25
13:50
13:15
12:40
12:05
11:00
10:20
09:45
09:10
08:35
Sup
08:00
On-Off 16-09-2006
38,00
36,00
34,00
32,00
30,00
28,00
26,00
24,00
22,00
S e t p o in t
T. In t e rn a
T. E x t e rn a
In f
~30% saving!
17:55
17:20
16:45
16:10
15:35
15:00
14:25
13:50
13:15
12:40
12:05
11:00
10:20
09:45
09:10
08:35
S up
08:00
Fuzzy Control 14-09-2006

40,00
38,00
36,00
34,00
32,00
30,00
28,00
26,00
24,00
22,00
125
Finep/LabInov
Loboratrio de Inovao em Ambientes Inteligentes
126
63
Projects: SAPIEn, CT-Energ and FINEP-LabInov

Energy-Saving Approach:
Model-Based HVAC Control

J =
hp
hc 1
i =1
i=0
( y ( k + i ) y R )2 + u T ( k + i )Q u u ( k + i ) + u T ( k + i )Q u u (k + i )
14 442 4 44
3
1 4 442 4 4 43
comfort related
energy related
Where :
h p prediction horizon
hc control horizon
Predictive Cost Function:
y controlled var iable

y R reference
Considers comfort and energy saving. Needs model!
u manipulate d var iable

Q u , Q u weighting matrices
127
Ar Condicionado Hbrido: Evaporativo-Convencional
128
64
Ar Cond. Hbrido: Evaporativo-Convencional
Damper
(misturador de ar)
Diagrama Esquemtico
129
Controlador A.C. Hbrido
Sala de reunies LARA. Mdulos mveis 1

e 2. Acionamento do ar condicionado hbrido
Sensores fixos parede

- Temperatura, Umidade e Radiao Trmica
130
65
Controle Fuzzy em Rede sem Fio
131
Funes de pertinncia da varivel de entrada erro
Tabela verdade da inferncia fuzzyLAVSI/ENE/UnB
132
66
133
Temperaturas no setor 1 e setor 2 Controle On-Off

Consumo de energia On-Off x Fuzzy sem fio,
Ferreira Jnior, 2009.
Modelo
de
controle
Consumo
total
(kWh)
Economia
energia
On-off
15,69
17,00 %
Fuzzy
13,41
Temperaturas no setor 1 e setor 2 Controle Fuzzy

134
67
Medio Mvel de Conforto Trmico
7,0
6,0
6,0
Discrepncia (m)
Discrepncia (m)
Discrepncia entre Posies Calculadas e Posio Real

7,0
5,0
4,0
3,0
2,0
1,0
5,0
4,0
3,0
2,0
1,0
0,0
0,0
1
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Pontos de Medio
1 2 3 4 5 6 7 8 9 10 1112 13 14 15 1617 18 1920 21 22 23 24
Pontosde Medio
Pontos de Menor Erro
Centro da rea de Provvel Localizao
RNA
Triangulao hiperblica
135
Parte 5 Concluses
RNA - Tcnica que envolve aprendizado

Fuzzy - Demanda Especialista Humano
Neuro-Fuzzy - ANFIS
Produtos comerciais j disponveis
136
68
Origens Filosficas
Ren Descartes
Geometria Analtica
1637
Immanuel Kant
Razo
Crtica da razo pura

1781
John Locke
Ensaio sobre
o entendimento humano
1689
137
Origens Filosficas
Ren Descartes
Penso, logo existo
Immanuel Kant
Racionalismo
S podemos conhecer
aquilo que percebemos
John Locke
O conhecimento de nenhum
homem pode ir alm de
sua experincia
138
69
Concluso
Engenharia Convencional
Engenharia do Conhecimento
(RNA , Fuzzy , GA, ...)
Racionalismo
Empirismo
R + E ~> SI
Para ser capaz de projetar sistemas inteligentes realmente teis

necessrio ter uma boa base terica.
Normalmente, s se encontra aquilo que j se sabe existir.
139
Muito Obrigado!
Adolfo Bauchspiess
www.pgea.unb.br lara.unb.br/~bauchspiess
adolfobs@unb.br
140
70

Introdução Sistemas Inteligentes

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introdução Sistemas Inteligentes

Uploaded by

Copyright:

Available Formats

Faculdade de Tecnologia

Introduo aos Sistemas Inteligentes

Laboratrio de Automao e Robtica - ENE/FT/UnB

1 - Introduo Sistemas Inteligentes Conexionistas

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Publicaes em Sistema Inteligentes

Congresso Brasileiro de Redes Neurais

Epistemologia Filosofia do Conhecimento

Laboratrio de Automao e Robtica - ENE/FT/UnB

Heursticas fornecem solues sub-timas.

Heursticas bem-formadas esto prximas da soluo tima.

Laboratrio de Automao e Robtica - ENE/FT/UnB

De aorcdo com uma pqsieusa de uma uinrvesriddae ignlsea,

Laboratrio de Automao e Robtica - ENE/FT/UnB

Gigante x Iluso 3D?

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

(Lisp, Prolog) - Sistemas Especialistas

Laboratrio de Automao e Robtica - ENE/FT/UnB

Considera ser virtualmente impossvel

Laboratrio de Automao e Robtica - ENE/FT/UnB

O processo computacional deve reproduzir

Laboratrio de Automao e Robtica - ENE/FT/UnB

Quadro de Kanizsa, 1976

Laboratrio de Automao e Robtica - ENE/FT/UnB

M.C. Escher Coerncia Local - Paradoxo Global

Laboratrio de Automao e Robtica - ENE/FT/UnB

Verdade Positiva X Verdade Negativa

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Coerncia Local - Paradoxo Global

Laboratrio de Automao e Robtica - ENE/FT/UnB

Formao das Sinapses

Laboratrio de Automao e Robtica - ENE/FT/UnB

Processamento da informao olfativa

Laboratrio de Automao e Robtica - ENE/FT/UnB

Processamento da informao auditiva

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Neurnio sobre Chip.

Laboratrio de Automao e Robtica - ENE/FT/UnB

Parte 2 Redes Neurais Artificiais

Laboratrio de Automao e Robtica - ENE/FT/UnB

O sistema nervoso obtm informaes do meio ambiente

Aes (Respostas do Corpo)

Apenas uma pequena parte das informaes obtidas

Laboratrio de Automao e Robtica - ENE/FT/UnB

O sistema nervoso pode ser considerado em trs nveis.

Cada um constitudo por neurnios de

Laboratrio de Automao e Robtica - ENE/FT/UnB

O Fluxo da informao (corrente eltrica)

Laboratrio de Automao e Robtica - ENE/FT/UnB

Laboratrio de Automao e Robtica - ENE/FT/UnB

Padro de conexo: em camadas

Laboratrio de Automao e Robtica - ENE/FT/UnB

Neurotransmissores no gap sinptico

Laboratrio de Automao e Robtica - ENE/FT/UnB

Tn durao do impulso nervoso

Laboratrio de Automao e Robtica - ENE/FT/UnB

Integrao Espao/Temporal dos Estmulos