DIOGO SHIBATA REQUEL

FELIPE GOUVEIA MARCHESE

CONSTRUÇÃO DE NARIZ ELETRÔNICO

UNIVERSIDADE CATÓLICA DE SANTOS

SANTOS – 2010
 DIOGO SHIBATA REQUEL
FELIPE GOUVEIA MARCHESE

CONSTRUÇÃO DE NARIZ ELETRÔNICO

Trabalho de conclusão de curso

apresentado à Universidade Católica

de Santos, como parte dos requisitos

para obtenção do título de Engenheiro

Eletricista, na modalidade Computação.

Orientador : Jose Fontebasso Neto

UNIVERSIDADE CATÓLICA DE SANTOS

SANTOS – 2010
 DIOGO SHIBATA REQUEL
FELIPE GOUVEIA MARCHESE

CONSTRUÇÃO DE NARIZ ELETRÔNICO

Trabalho de Conclusão de Curso

apresentado à Universidade Católica
de Santos para obtenção de Título de
Bacharel em Engenharia Elétrica
Modalidade Computação.

Santos, 22 de Novembro de 2010.

Banca Examinadora:

_____________________________ - Presidente da Banca

Prof. Me. Jose Fontebasso Neto
Professor Titular - Unisantos - SP

_____________________________
Prof. Me. Carlos Alberto Sassaki
Professor Titular – Unisantos - SP

_____________________________
Prof. Convidado
Dedicatória
Agradecemos primeiramente a Deus...

Agradecemos também ao grupo docente que participaram de nossa formação

e quem sempre nos aconselharam na vida acadêmica, profissional e pessoal. Em

especial Profº. Neto quem nos ajudou e caminhou junto para a conclusão deste

trabalho, Sassaki e Moreira por nos incentivar e ,mesmo que informalmente, atuarem

como co-orientadores, sendo peças chaves para o término deste projeto. Profsº.

Vieira, Zapia, Jefferson e Vizine que nos deram base suficiente durante a graduação

e construção de tal projeto. Outros professores como Gouveia, Ronaldo, Mauá que

contribuíram e contribuem de diversas formas durante todos esses anos não

poderiam ficar de fora.

Dedicamos nosso trabalho para nossos familiares, amigos e professores que

sempre estiveram ao nosso lado e nos apoiaram todos esses 5 anos de curso, em

especial a Gicelene Yukie Shibata, Hugo Leon Requel, Damiana Shibata Requel,

Dalila Shibata Requel, Aline Martins Panchorra, Rosana Araujo Gouveia, Eugênio

Marchese Filho, Leonardo Gouveia Marchese e Abigail Eunice de Araujo Gouveia a

quem sempre estiveram conosco.

Por fim queremos deixar um obrigado a todos os outros não mencionados,

mas que fizeram parte de nossas vidas nesse período; acompanhando,

incentivando, entendendo nossa dedicação, contribuindo, mesmo que de forma

indireta, para esse objetivo. Muito obrigado!

Epigrafe

"A mente que se abre a uma nova idéia jamais voltará ao seu tamanho

original."

Albert Einstein
Resumo

Este trabalho descreve o estudo e desenvolvimento de um nariz eletrônico

com a finalidade de monitorar a qualidade do ar em ambientes fechados. O

dispositivo se baseia em sensores de CO₂ de infravermelho e incorpora uma rede

neural artificial onde a arquitetura foi proposta pelos autores. A metodologia inclui o

estudo de diferentes tipos de sensores, conversores de sinais e redes neurais, bem

como, modificações necessárias, simulações e testes.

Palavras-chaves: Nariz Eletrônico, Instrumentação, Sensor de CO₂, Qualidade

de ar, Detectores de Gás, Rede Neural Artificial, Conversores A/D e

Conversores D/A.
Abstract

This document describes the study and development of an electronic nose in

order to monitor indoors air quality. The device relies on sensors, infrared CO₂ and

incorporates an artificial neural network architecture which was proposed by the

authors. The methodology includes the study of different types of sensors, signal

converters and neural networks, as well as necessary modifications, simulations and

tests.

Keywords: Electronic Nose, Instrumentation, Sensor for CO₂, Air Quality, Gas

Detectors, Artificial Neural Networks, A / D converters and D / A.

 Indíce
Dedicatória............................................................................................................................................. 4
Epigrafe .................................................................................................................................................. 5
Resumo .................................................................................................................................................. 6
Abstract .................................................................................................................................................. 7
Introdução .............................................................................................................................................. 9
Objetivos .............................................................................................................................................. 10
Capítulo 1............................................................................................................................................. 11
1.1 Os Fundamentos do Nariz Eletrônico ................................................................................... 11
Capítulo 2............................................................................................................................................. 12
2.1 Sensor de CO₂ ......................................................................................................................... 12
Capítulo 3............................................................................................................................................. 15
Conversor de Sinais ....................................................................................................................... 15
3.1 Conversor Analógico – Digital................................................................................................ 15
3.2 Conversor Digital – Analógico................................................................................................ 17
Capítulo 4............................................................................................................................................. 19
4.1 Redes Neurais Artificiais......................................................................................................... 19
4.2 Modelos de Neurônios Artificiais ........................................................................................... 20
4.3 Funções de Ativação ............................................................................................................... 21
4.4 Processo de Aprendizado ...................................................................................................... 25
4.5 Aprendizado por Correção de Erros ..................................................................................... 26
4.6 Modelos de Redes Neurais .................................................................................................... 28
Capítulo 5............................................................................................................................................. 32
5.1 Construção do Nariz eletrônico ............................................................................................. 32
5.2 Conversor de entrada (analógico – digital) .......................................................................... 33
5.3 Comunicação com a rede neural .......................................................................................... 38
5.4 Conversor de saída (digital – analógico).............................................................................. 41
5.5 Rede Neural Artificial............................................................................................................... 43
6.1 Aplicação ................................................................................................................................... 55
6.2 Esboço do projeto .................................................................................................................... 55
Capítulo 7............................................................................................................................................. 56
7.1 Conclusão ................................................................................................................................. 56
Referência Bibliográfica..................................................................................................................... 58
 9

Introdução

O desenvolvimento de equipamentos como monitores de gases são

essenciais para garantir a qualidade do ar que respiramos, prevenindo doenças

respiratórias, e, em alguns casos, evitando a morte se considerarmos os gases

tóxicos.

Ambientes fechados podem ser perigosos, quando estão cheios de gases

inodoros e incolores de difícil detecção para os seres humanos, levando-os à

exposição ao perigo. Nestes locais é necessário um controle da qualidade do ar e a

detecção da presença de gases nocivos à saúde humana.

O gás dioxido de carbono é um desses gases perigosos, pois é inodoro e

incolor. Quando uma pessoa, ou animal, fica exposto a uma concentração muito

alta, por algum tempo, pode vir a óbito.

Segundo MOSELEY (1991), a concentração do CO₂ (dióxido de carbono) no

ambiente aberto é em torno de 330ppm (partes por milhão). Nessas condições, o

gás é inofensivo, porém se este gás ultrapassar 5000ppm se torna tóxico para os

seres humanos.

Por se tratar de um gás produzido pela queima de combustíveis fósseis, é

facilmente encontrado em vários processos industriais. Assim, optamos pela escolha

desse gás para constituir este projeto, já que nas indústrias encontramos áreas

fechadas, com pouca ventilação.

A proposta deste trabalho envolve o desenvolvimento de um nariz eletrônico e

um software de controle, com o propósito de automatizar o processo de ventilação e

impedir a contaminação de seres humanos.

 10

Objetivos

O objetivo desse projeto é desenvolver um sistema composto por um software

e um nariz eletrônico com capacidade de detecção de dióxido de carbono. O sistema

coleta, analisa dados de um ambiente fechado e revela, através de uma rede neural

artificial, se a qualidade do ar está, ou não, adequada.

Contudo, a aplicação do projeto não visa apenas e tão somente à avaliação

da qualidade do ar, mas também tem como foco apresentar uma solução para o

controle do problema detectado.

Para que isso seja possível, desenvolveremos um controle de ventilação, em

que, de acordo com a concentração do gás, iremos injetar maior quantidade de ar,

diminuindo a concentração de CO₂, deixando o ambiente menos saturado e caso a

injeção de ar não seja suficiente para suprir a qualidade aceitável de ar, alarmes

indicarão a uma real necessidade de uma evacuação do ambiente, até que o mesmo

esteja novamente seguro.

 11

Capítulo 1
1.1 Os Fundamentos do Nariz Eletrônico

O conceito do nariz eletrônico é selecionar as moléculas presentes no ar e,

através de suas características, calcular sua concentração no ambiente. Isso só é

possível, pelo fato das moléculas possuírem caracteríscas distintas.

O cérebro do nariz eletrônico é composto por uma RNA (Rede Neural

Artificial) e simula o cérebro humano para identificar os odores ou gases.

As diferenças entre os narizes eletrônicos e os biológicos, são a subjetividade

do cheiro e quantidade de receptores. Assim, muito embora o nariz eletrônico possa

nos dizer, por exemplo, se o cheiro é doce ou azedo, por outro lado não pode

qualificá-lo como bom ou ruim.

Em questão de quantidade de receptores, segundo Firestein (2001), o nariz

humano possiu mais de 100 milhões de receptores especializados, ou sensores, que

atuam em conjunto para identificação de moléculas. Já os narizes eletrônicos

possuem um número muito inferior de sensores.

Contudo, os narizes eletrônicos podem ser programados para identificar

padrões químicos. Assim, as aplicações dos narizes eletrônicos são as mais

diversas. São usados como controle de seguraça para gases tóxicos, controle de

alimentos, controle de bebidas e até dos cosméticos.

 12

Capítulo 2

2.1 Sensor de CO₂

Existem vários tipos de sensores de CO₂. Os mais comuns, usados

principalmente em ambientes fechados, com vistas a monitorar a qualidade de ar,

são os sensores eletroquímicos, sensores de estado sólido, sensores IR (infra

vermelho – “infrared”) e atualmente os sensores baseados em nanotubos de

carbono.

Conforme Goldmerr (2001), os sensores eletroquímicos são baseados na

medição de corrente elétrica gerada no processo de contato do gás com o sensor.

Funcionam da seguinte maneira: dois eletrodos são separados por uma fina

camada de um eletrólito; o gás entra em contato com os eletrodos fazendo com que

o mesmo reaja em um mecanismo de oxidação ou redução; isso porque, os

eletrodos são desenvolvidos para catalisar a reação, gerando uma pequena corrente

elétrica proporcional à concentração do gás, sendo assim possível determinar a

concentração do mesmo.

Apesar desses tipos de sensores serem mais baratos, consumirem pouca

energia e possuir pequenas dimensões, possuem os inconvenientes de serem

influenciados por outros gases presentes no ambiente, variações na temperatura e

umidade, alterando as medições.

Além disso, os sensores eletroquímicos tem um desgaste natural dos

eletrodos durante a reação química, reduzindo, dessa maneira, a vida últil do

equipamento.
 13

Os sensores de estado sólido, de acordo com Capone (2003), são compostos

por um ou mais óxidos de metal, depositados em um substrato de um chip. Um

elemento de aquecimento é incorporado ao sensor, elevando a temperatura ao nível

ideal para a detecção do gás em análise. Quando o gás entra em contato com o

óxido, o mesmo sofre uma dissociação do gás, gerando transferência de elétrons.

Isso faz com que a condutância do material mude proporcionalmente à concentração

do gás.

De outro lado, os sensores de infravermelho, tem o seguinte funcionamento:

considerando-se que cada molécula tem por característica a absorção de radiação

apenas em certos comprimentos de onda, conforme Goldmeer (2000), uma fonte de

infravermelho é colocada no meio onde se quer medir a concentração do gás, que,

em seguida, dispara os IR em direção a um filtro que só permite a passagem de um

determinado comprimento de onda. De acordo com a quantidade de absorção de IR

podemos determinar a concentração do gás no ambiente.

A figura 1 ilustra o funcionamento do sensor.

Figura 1 – Diagrama de funcionamento de um sensor de CO₂ (SCHAEFFER, 2004, pag. 17)

 14

Por fim, os sensores baseados em nanotubos de carbono, para ONG e

GRIMES (2001), tem sua permissividade de nanotubos de múltiplas paredes

afetada pela variação na concentração de CO₂. Esta variação é detectada por um

circuito LC1 (circuito que consiste em um indutor e um capacitor), cuja freqüência de

ressonância se altera proporcionalmente.

1
Os circuitos LC se comportam como ressonadores eletrônicos, sendo um componente chave em muitas
aplicações, tais como osciladores, filtros e misturadores de freqüência.
 15

Capítulo 3

Conversor de Sinais

3.1 Conversor Analógico – Digital

Conversor A/D tipo paralelo "Parallel-Comparator A/D Converter"

Na definição de Sica (1996), o conversor analógico – digital do tipo paralelo é

composto por um circuito simples, porém com um grande número de comparadores

de tensão e portas do tipo XOR (ou exclusivo) ou em algumas configurações de flip-

flop tipo D2.

O número de comparadores e portas lógicas segue a seguinte fórmula:

nc = 2 − 1 Equação 1 – Equação para cálcular número de comparadores

n = número de bits.

nc = números de comparados e portas lógicas.

Figura 2 – Diagrama de funcionamento do conversor A/D paralelo com porta XOR (MSPC,
2010)

2
Flip-Flop D – é usado como memória, ele armazena ou zera os bits de entrada na saída.
 16

Este conversor funciona da seguinte maneira:

A tensão analógica, entra na porta não inversora em um número x de

amplificadores operacionais. A outra entrada do amplificador entra uma tensão de

referência. Estes amplificadores funcionam como comparadores de tensão,

comparando a tensão de entrada com uma tensão de referência que diminui a cada

resistência.

Por exemplo, no primeiro amplificador operacional, a tensão é y, entre a

entrada de um amplificador e o próximo existe um resistor que faz com que a tensão

diminua antes de entrar no amplificador seguinte.

Nesta configuração, se a entrada analógica no amplificador for maior que a

entrada de referência, ele manda um valor de VDD3 (Valor de ganho positivo do

amplificador operacional, no nosso caso 5V). Caso contrário o valor enviado será

0V.

Sabendo disso, a tensão de saída do amplificador entra em duas portas XOR.

A primeira porta compara a tensão de saída do amplificador com o terra. A segunda

porta, compara a saída do primeiro amplificador com o segundo, e assim por diante.

Tabela 1 – Tabela verdade da porta XOR

Tabela Verdade
XOR
A B Q
0 0 0
0 1 1
1 0 1
1 1 0

3
VDD – tensão de ganho do amplificador operacional
 17

Figura 3 – Símbolo lógico da porta XOR

A tabela 1 simboliza a tabela verdade da porta lógica XOR, onde A e B são as

entradas e Q a saída. Dessa maneira a porta XOR nos responde o valor de 1 (nível

lógico 1) quando e somente, uma das entradas é 1 e a outra 0. Com isso podemos

montar os valor binários de acordo com o a tensão correspondente, a figura 2 nos

mostra tal montagem.

A primeira porta terá o valor máximo, pois o primeiro amplificador tem a

tensão de referência máxima, ou seja, a saída irá assumir o valor binário 11 no caso

de 2 bits, ou, como na figura 2, o valor é 111, já que temos 3 bits de saída.

A escolha de tal conversor foi feita pelo fato de que, através dessa

configuração, podemos controlar a tensão de referência, ajustando as resistências.

Dessa maneira podemos montar uma curva logarítmica que expressa a

concentração de gás.

3.2 Conversor Digital – Analógico

Conversor Digital – Analógico De Tipos Escada R-2R

Segundo a definição de Sica (1996), este tipo de conversor consiste em uma

associação de vários resistores ligados série e paralelo. A opção por esse circuito é
 18

a vantagem de que este conversor, em relação a outros, utiliza apenas dois valores

de resistência R e 2R, tornando projeto do mesmo mais barato.

Figura 4 – Conversor D/A tipo escada R-2R (SICA, 1996)

O circuito funciona da seguinte maneira: os valores lógicos de entrada são

5V, onde MSB é o bit mais significativo e LSB é o bit menos significativo. Assim a

tensão de saída, quando possímos valor apenas no bit mais significativo, será igual

a VCC4/3 V, VCC/6 V para o bit mais significativo, VCC/12 V para o bit intermediário,

e para o bit menos significativo, a saída será VCC/24 V. Se houver bits em todas as

entradas, a tensão de saída será igual a soma das tensões.

Segundo Idoeta e Capuano (2004), o amplificador operacional neste circuito

serve para ofecer uma tensão de saída amplificada, bastanto apenas ajustar os

ganhos através das resistências. Outra finalidade é o melhor acoplamento do circuito

a outros sistemas, pois o operacional isola a impedância do conversor com carga.

4
VCC – Tensão de alimentação
 19

Capítulo 4

4.1 Redes Neurais Artificiais

Para Marsili (1995), a técnica mais poderosa de processamento de dados

aplicados em narizes eletrônicos é a chamada Rede Neural Artificial (RNA). A rede

neural tem a vantagem de possuir um auto-aprendizado, ou seja, quanto mais

amostras são analisadas, mais precisa as mesmas se tornam.

Para se entender como funciona uma rede neural artificial é necessário

sabermos como funcionam, e como são formado os neurônios biológicos. A partir

daí, é necessário entender o aprendizado humano.

Os neurônios são compostos por três partes; o corpo da célula, os dendritos e

o axônio. Cada neurônio tem em média de alguns milímetros, se avaliarmos apenas

o corpo da célula e os dendritos. Os axônio possuem tamanhos variados mas com

calibre uniforme.

Os dendritos têm como função: receber impulsos nervosos e conduzi-los para

o corpo celular, onde as informações são processadas e são gerados novos

impulsos que serão enviados para outros neurônios através do axônio. O contato

entre a terminação do axônio e os dendritos é chamado de sinapse.

É através das sinapses que são feitas as ligações entre os diversos neurônios

e essa intercomunicação é chamada de rede neural.

A comunicação entre os neurônios pode ser através de sinais elétricos dentro

do neurônio e de sinais químicos através das sinapses. A partir daí, o corpo celular

combina os sinais recebidos e verifica se o valor é acima do limiar de excitação do

 20

mesmo. Caso seja verdade, o neurônio produz um impulso elétrico que é transmitido

através do axônio para outros neurônios.

4.2 Modelos de Neurônios Artificiais

Uma simplificação de um neurônio a partir do que se sabia a respeito de

neurônios biológicos foi proposta por McCulloch e Pitts. O modelo era simples, n

terminais de entradas e uma única saída. Pesos eram acoplados nas entradas para

simular o comportamento das sinapses.

Figura 5 – Diagrama de funcionamento do neurônio proposto por McCulloch e Pitts (MENDES &
OLIVEIRA, 2010)

Segundo Braga, Ludermir e Carvalho (2000), em um neurônio biológico os

disparos de impulsos não realizados quando a soma de impulsos que o mesmo

recebe é maior que o limiar de excitação (thereshold). No modelo de McCulloch e

Pitts, a ativação do neurônio se dá através da “função de ativação”.

∑ 𝑥𝑖. 𝑤𝑖 ≥ 𝜃 Equação 2 – Equação de Threshold

 21

Onde:

 n é o número de entradas;

 wi é o peso associado à entrada;

 xi é a entrada;

 θ é o threshold.

4.3 Funções de Ativação

Função Limiar Ou Degrau

A função Limiar ou degrau é definida pela equação 3. Nesse tipo de função,

os neurônios terão a saída igual 0 quando o valor de ativação for negativo, e valor 1

quando o valor de ativação for positivo.

1 , 𝑠𝑒 𝑣 ≥ 0;
𝑓(𝑣) = Equação 3 – Equação da função degrau
0 , 𝑠𝑒 𝑣 ≤ 0;

Figura 6 – Gráfico da Função Degrau

 22

Função Sigmoidal

A função sigmoidal é também conhecida com função S-shape, ao contrário da

função degrau pode assumir valores entre 0 e 1. Sua função é representada pela

equação 4.

𝑓(𝑣) = ( )
Equação 4 – Equação da Função Sigmoidal

Onde:

 a é o parâmetro de inclinação da função sigmóide

 v é o valor de ativação do neurônio.

Figura 7 – Gráfico da Função Sigmoidal

Um dado importante a ser levado em conta é o fato de que, se o valor do

parâmetro for aumentado tendendo-o para o infinito, esta função irá se comportar

como uma função degrau.

 23

Figura 8 – Gráfico da Função Sigmoidal com parâmetro a tentendo ao infinito

Função signum:

A função signum possui as mesmas características de uma função de limiar,

mas está limitada entre os valores de 1 e -1. A equação 5 representa esta função.

𝑓(𝑣) = 𝑏 | |
𝑝𝑎𝑟𝑎 𝑣 ≠ 0 Equação 5 – Equação da Função Signum

Onde:

 b são os limites inferiores e superiores (b = |1| no gráfico);

 v é o valor de ativação da unidade.

Figura 9 – Gráfico da Função Signum

 24

Tangente hiperbólica:

Similar a função sigmoidal com a forma de “s”, assumindo valores de 1 e -1. A

equação 6 representa esta função.

( ) ( )
𝑓(𝑣) = 𝑎 ( ) ( )
Equação 6 – Equação da Função tangente hiberbólica

Onde:

 a é o parâmetro de inclinação da curva;

 b são os limites inferiores e superiores (b = |1| no gráfico);

 v é o valor de ativação da unidade.

Figura 10 – Equação da Função tangente hiberbólica

 25

4.4 Processo de Aprendizado

Uma Rede Neural possui a característica de aprender, e para isso ela segue

um princípio bastante parecido com o do cérebro humano.

Fazendo uma analogia com uma criança, a rede neural se comporta da

mesma maneira. Quando somos crianças temos o hábito de colocar coisas na boca,

tocar e mexer em tudo o que é desconhecido. É assim que o nosso cérebro

consegue distinguir gostos ruins e bons, quente e frio, afiado ou não.

Em outras palavras, a maioria das coisas que aprendemos quando somos

crianças, é a partir de dados que coletamos. A rede neural funciona de forma similar,

pois ela necessita de um aprendizado inicial para nos fornecer resultados

convenientes. Dessa forma, ao longo de sua “vida”, a rede neural irá sempre se

ajustar para manter os dados mais precisos.

Mendel e Mclaren (1970) definiram a aprendizagem de uma rede neural como

um processo onde os parâmetros são ajustados através de uma forma contínua de

estímulos pelo ambiente no qual a rede está operando.

Existem diversos métodos de aprendizado, Braga, Ludemir e Carvalho (2000),

onde de forma mais geral, dividem em dois tipos: aprendizado supervisionado e

aprendizado não supervisionado.

Aprendizado supervisionado é o aprendizado onde a rede neural conta com a

ajuda de um “professor”, que lhe diz o que é “certo” ou “errado”. Dessa maneira as

entradas e as saídas são fornecidas por um “professor” externo, que ajusta os

parâmetros da rede, visando direcionar o processo de treinamento.

A desvantagem desse tipo de aprendizado é que, na falta de um supervisor

(professor), a rede não irá conseguir seguir um caminho para o aprendizado.

 26

Aprendizado Não-Supervisionado, como o nome já diz, é um aprendizado

pelo qual, não existe qualquer interferência externa a não ser o meio. Nesse

processo não existe o Professor.

4.5 Aprendizado por Correção de Erros

No aprendizado com supervisão uma rede neural pode calcular seu erro

fazendo a diferença entre a saída real gerada pela rede, e a saída desejada

fornecida por um supervisor. Deste modo, os erros são calculados sucessivamente,

até que cheguem a um valor satisfatório. A equação 7 mostra o cálculo de erro da

rede.

𝑒𝑘 = 𝑑𝑘 − 𝑦𝑘 Equação 7 – Equação para cálculo de erro.

Onde:

 k - estímulo;

 e - erro;

 d - saída desejada apresentada durante o treinamento;

 y - saída real da rede após a apresentação do estímulo de entrada.

O Aprendizado por Correção de Erros caminha para alcançar o menor valor

de erro possível. Porém, nem sempre o algoritmo alcança este resultado, atingindo o

que chamamos de mínimo local. Nesse caso é necessário recomeçar o aprendizado.

O gráfico 6 mostra a curva de erros por ciclo de treinamentos.

 27

Figura 11 – Gráfico de erros por clico de treinamentos

A correção do erro é feita, ajustando os pesos da rede de forma que a saída

real seja igual à saída desejada.

Na Regra Delta de Aprendizado, os ajustes dependem do erro calculado, do

valor do estímulo de entrada, pelo peso a ser ajustado, e também pela taxa de

aprendizado, a qual se relaciona à cautela com que a curva de erros é percorrida.

Para um dado estímulo k, no passo de treinamento n:

∆𝑊𝑖𝑗 = 𝑛𝑒𝑘(𝑛)𝑥𝑗(𝑛) Equação 8 – Equação de ajuste de pesos.

Onde:

 w(n) - valor de ajuste a ser acrescido ao peso wij;

 - taxa de aprendizado;

 e(n) - valor do erro;

 xj(n) - valor do estímulo.

O valor do peso será:

𝑤(𝑛 + 1) = 𝑤(𝑛) + ∆wkj(n) Equação 9 – Equação para calcular o valor do peso.

 28

A Regra Delta é usada para corrigir os valores dos pesos, minimizando a

função de erro.

𝜀(𝑛) = 𝑒 (𝑛) Equação 10 – Equação de função de erro.

Onde:

 e(n) - erro da rede no passo n do treinamento;

  (n) - valor da função de custo no passo n do treinamento.

Este é o aprendizado utilizado pelos modelos Perceptron e Multicamadas.

4.6 Modelos de Redes Neurais

Perceptron

Segundo Castro e Castro (2005). É o modelo mais simples de RNA. Utiliza

modelos de neurônios de McCulloch – Pitts, e sistema de aprendizado

supervisionado. Foi primeiramente proposto por Rosenblatt em 1958.

O Perceptron é composto basicamente por um neurônio com pesos sinápticos

ajustáveis e uma polarização (bias). Porém o perceptron de apenas um neurônio é

capaz de classificar apenas duas classes.

 29

Figura 12 – Perceptron (CASTRO & CASTRO 2005, Capitulo 3, pag.15).

A figura 12 mostra a configuração básica de um perceptron. As entradas são

somadas com os pesos e o bias e o resultado é o potencial de ativação.

O objetivo de uma rede neural perceptron é classificar os conjuntos de

entrada em duas classes.

Perceptron Multi-Camadas

O perceptron multi-camadas é a extensão do perceptron de uma camada,

porém apresenta camadas intermediárias que são conhecidas também como

camadas ocultas. Assim como o perceptron de uma camada, este possui um

aprendizado supervisionado, sendo o mais comum o “backpropagation”.

 30

Figura 13 – Perceptron multi-camada (CASTRO & CASTRO, 2005, Capitulo 4, pag.1).

A rede neural perceptron de uma camada é capaz de resolver apenas

problemas linearmente separáveis. Já a rede neural perceptron multi-camadas é

usada para soluções de problemas que não são linearmente separáveis.

O Algoritmo Retropropagação "Backpropagation"

O algoritmo Backpropagation se baseia no aprendizado supervisionado por

correção de erro.

Primeiro as entradas geram saídas na primeira camada, que é propagada

como entrada para a outra camada seguinte, e assim o erro é calculado na saída da

rede. Essa primeira fase é chamada de propagação.

Após os erros serem calculados, há um ajuste nos pesos sinápticos de trás

para frente, ou seja, da saída para a entrada. Essa fase é chamada de

repropagação ou backpropagation.
 31

O gradiente local para a unidade da camada de saída é definido por:

𝛿 (n) = 𝑒 (n). O (n). (1 − 𝑂 (n)) Equação 11- gradiente para camada de saída

𝛿 (n) = O (n). 1 − 𝑂 (n) ∑ 𝛿 . 𝑤 Equação 12- gradiente para camada camadas internas

Onde:

 O (n). 1 − 𝑂 (n) - é a função de ativação diferenciada;

 𝑤𝑗𝑘 - são os pesos das conexões com a camada anterior.

Após o cálculo dos erros de cada unidade, calcule o ajuste dos pesos de cada

conexão segundo a regra delta generalizada e atualize os pesos:

∆ (n + 1) = aw (n) + nδ y Equação 13 – função para ajustes dos pesos

Onde :

 a – é a constante de momento, quando a=0, esta função funciona como a

regra delta comum;

 y – é a saída produzida pela unidade j

 32

Capítulo 5
5.1 Construção do Nariz eletrônico

Na figura abaixo temos o projeto de monitor de CO₂ (nariz eletrônico) em

diagramas de blocos.

Figura 14 - Diagrama em blocos do projeto do Nariz Eletrônico

O sistema funciona da seguinte maneira:

1. Os gases em suspensão serão detectados por um sensor de dióxido

de carbono. De acordo com a concentração suspensa de dióxido de

carbono, parte por milhão que o sensor detectar, teremos uma tensão

equivalente.

2. Um conversor de sinais irá transformar a tensão de entrada em um

número binário. Este número binário será enviado para a porta paralela

de um computador.
 33

3. A partir da entrada do código binário pela porta paralela, um software

composto por uma RNA (Rede Neural Artifícial) que analisará os dados

colhidos e mandará uma saída binária pela porta paralela.

4. Um conversor de sinais receberá o sinal enviado pela porta paralela e

mandará uma saída em tensão de acordo com o valor binário de

entrada.

5. A saída do conversor será usado para ligar um sistema de ventilação,

para que a concentração de CO₂ diminua.

5.2 Conversor de entrada (analógico – digital)

Os dados que coletamos do detector de CO₂ são analógicos. O sensor de CO₂

gera uma curva exponencial onde, quanto maior a concentração de gás, no caminho

do sensor, menor será a tensão gerada por ele. Para que sistema de controle

funcione é necessário que esses dados sejam traduzidos para sinais digitais.
 34

Figura 15 - Simulação do sinal de um detector em função da concentração de CO₂

(SCHAEFFER, 2004 pag.36).

Na figura 15 é possível ver que a resposta esperada do detector será uma

tensão em micro volts. Para trabalhar com esta tensão, primeiro precisamos

amplifica – lá de forma proporcional.

Segundo Schaeffer (2004), a curva gerada por um detector 30V/W de tensão

.
por concentração de CO₂ em ppm é obtida através da equação Y= 1500e ,

onde Y é igual a tensão e X igual a concentração em ppm. Sabendo disso

amplificamos o sinal da saída, de forma que a menor concentração do gás gere uma

tensão de 5 volts. A partir daí, a cada resistência a tensão cairia pela metade.

Abaixo, vemos a tabela de valores de tesão reais e as tensões amplificadas.

Tabela 2 – Tabela de Concentração e Tensão

PPM Y (Valores Reais de Tensão em µV) Tensão V

7500 2,87903E-06 3,36977E-05
7000 6,73954E-06 7,8883E-05
6500 1,57766E-05 0,000184658
6000 3,69315E-05 0,000432266
5500 8,64531E-05 0,001011892
5000 0,000202378 0,002368743
4500 0,000473749 0,005544999
 35

4000 0,001109 0,012980309

3500 0,002596062 0,030385654
3000 0,006077131 0,071129894
2500 0,014225979 0,16650824
2000 0,033301648 0,389779773
1500 0,077955955 0,912436957
1000 0,182487391 2,135927148
500 0,42718543 4,999999997

Figura 16 – Gráfico de concentração de CO₂ em ppm por tensão em Volts

Para que a RNA entenda e analise o sinal de saída do detector, é necessário

transformá-lo em binário. Para isso, o sinal passa por um conversor de sinais A/D

(Analógico – Digital), transformando - o em um sinal binário.

Após a análise dos circuitos optamos pelo conversor analógico – digital

paralelo com portas XOR. Para a montagem de tal conversor utilizamos o software

Ltspice IV versão 4.03b da Linear Technology Corporation.

 36

Figura 17 – Diagrama de montagem do conversor A/D paralelo com porta XOR

A característica da curva (figura 16) nos fez chegar em um empasse;

conforme a quantidade de particulas aumentam no ambiente a diferença de tensão

se torna menor. Caso fossemos utilizar um conversor de A/D, com os resistores na

entrada normal, precisariamos de muitos bits para conseguirmos chegar uma

precisão aceitável.

Tivemos como solução implementar uma entrada logarítmica no conversor,

porque assim conseguiríamos fazer a curva de entrada ser próxima da curva do

sensor.

A entrada de resistores foram calculados e implementados diminuindo sempre

pela metade, dessa forma a tensão cairia também pela metade e assim se faria

necessário somente 4 bits para a representação. Os resistores utilizados foram

16000, 8000, 4000, 2000, 1000, 512, 256, 128, 64, 32, 16, 8, 4, 2 e 1 Ohms.

A tabela abaixo nos da a tensão em volts correspondente ao valor binário na

saída do conversor analógico digital.

 37

Tabela 3 – Tabela de tensão, resistores e código binário do circuito da figura 16

Concentração CO₂
ppm Y (Valores Reais de Tensão em µV) Tensão V Resistor Ω Código Binário
7500 2,87903E-06 3,36977E-05 1 1
7000 6,73954E-06 7,8883E-05 2 10
6500 1,57766E-05 0,000184658 4 11
6000 3,69315E-05 0,000432266 8 100
5500 8,64531E-05 0,001 16 101
5000 0,000202378 0,002 32 110
4500 0,000473749 0,004 64 111
4000 0,001109 0,012 128 1000
3500 0,002596062 0,029 256 1001
3000 0,006077131 0,07 512 1010
2500 0,014225979 0,16 1000 1011
2000 0,033301648 0,389 2000 1100
1500 0,077955955 0,912 4000 1101
1000 0,182487391 2,13 8000 1110
500 0,42718543 5 16000 1111

Simulação do circuito Analógico Digital

Figura 18 – Simulação do conversor A/D paralelo com porta XOR figura 16

 38

A tensão V(in) simula a saída do detector de CO₂ quando exposto a diferentes

concentrações do gás. As tensão V(a), V(b), V(c) e V(d) representam as saídas

geradas pelo conversor analógico – digital. Sendo o V(a) o bit mais significativo e

V(d) o bit menos significativo. Na tabela 3 é possível ver os valores de tensão na

entrada do conversor o valor binário correspondente a ele.

Nesta simulação variamos a tensão entrada entre os valores 5V, que

correspondem a 500 ppm, até 0,336977µV que corresponde a 7500 ppm. Porém

Quando a concentração de gás ultrapassa o valor de 6000 pmm cuja a tensão

corresponde a 43,2266 µV o conversor não gera uma resposta. Para nossa

aplicação isso não é problemas, pois os valores de concentração que realmente

precisamos varia de 500 a 5000 ppm.

5.3 Comunicação com a rede neural

Após os dados coletados serem traduzidos para o código binário, estes são

enviados para o computador, onde a RNA irá análisa-los. Para o computador fazer

comunicação com algum periférico é necessário a utilização as portas de entrada e

saída (E/S). Dentre as principais interfaces de comunicação, destacam-se as seriais

(RS-232, RS-422, RS-485 e USB) e a paralela (normalmente utilizada pela

impressora).

A conexão do circuito eletrônico ao computador foi feita via porta paralela,

devido à facilidade e estabilidade dessa tipo de comunicação.

Segundo Axelson (1996), essa interface de comunicação foi desenvolvida

para conectar periféricos, como impressoras ou "scanners" a computadores, mas ela

pode ser utilizada para enviar ou receber informações de outros equipamentos.

 39

O conector DB25 da porta paralela é formado por 25 pinos, dentre os quais,

cinco pinos podem ser utilizados para receber e 12 pinos para enviar dados, com

base nos níveis lógicos alto e baixo, padrão TTL (Transistor Transistor Logic). Para o

projeto proposto, foi necessário usar quatro pinos para receber ( Ack, Paper end,

Slct out e Error ) e dois para enviar dados (D0 e D1).

Figura 19 – Equema de ligação do DB25 fêmea (rogercom)

Cada linguagem e sistema operacional têm seus comandos específicos para

o acesso da porta paralela. Usamos o MS-DOS5 devido algumas características:

1 – Por ser um sistema pequeno em tamanho, pode ser colocado em um chip

ROM simples moderno.

2 – Ele permite o controle direto dos processos.

3 – Não existe a preocupação com a plataforma gráfica.

4 – Pela sua “leveza”, permite a utilização de computadores antigos, o que se

faz necessário devido a necessidade uma porta paralela.

Através de um software, criado utilizando o compilador para MS-DOS

BORLAND C++, recebemos e enviamos o sinal da porta paralela. Para isso é

necessário usar duas funções encontradas na biblioteca desse compilador:

Ler um byte de uma Porta do computador:

unsigned char inportb(int portid);

5
MS DOS - é um sistema operacional
 40

Onde: portid é o endereço da porta que se quer receber um byte.

Retorno: O byte lido da porta é capturado assim:

unsigned char RetByte = inportb(número_da_porta_que_se_quer_ler);

Exemplo:

#include <stdio.h>

#include <conio.h>

#include <dos.h>

int main(void)

unsigned char Byte; //Para armazenar o valor recebido da Porta Paralela.

Byte = inportb(0x379); //Ler um byte da Porta Paralela (0x379)LPT1.

Envia um byte para uma Porta do computador:

void outportb(int portid, unsigned char value);

Onde: portid é o endereço da porta que se quer enviar um byte.

value é um byte a ser enviado para a porta

Exemplo:

#include <stdio.h>

#include <conio.h>

#include <dos.h>

#define LPT1 0x378

int main(void)

{ unsigned char Valor=1; //Em binário: 00000001 pino2 - D0

outportb(LPT1, Valor); // Envia para a Porta LPT1

}
 41

5.4 Conversor de saída (digital – analógico)

Após o processo de identificação e análise do sinal colhido, utilizamos o

conversor de sinais novamente, mas dessa vez para o processo inverso. Nesse

caso necessitamos de um conversor D/A (Digital – Analógico), para gerar uma saída

analógica, controlando assim a velocidade de rotação de um ventilador.

O cirucito que escolhemos para este projeto foi o conversor digital – analógico

tipo escada R-2R. A opção por esse circuito se dá pela vantagem de que este

conversor utiliza apenas dois valores de resistência R e 2R, tornando o projeto mais

barato.Na figura abaixo esta o circuito montado no software Ltspice IV Versão 4.03b

da Linear Technology Corporation.

Figura 20 – Diagrama de montagem do conversor D/A tipo escada R-2R

 42

Na figura abaixo é possível ver as simulações do circuito da figura acima.

Figura 21 – Gráfico da simulação do conversor D/A tipo escada R-2R da figura 19

A figura 20 nos mostra a configuração do circuito D/A tipo escada R-2R, nesta

configuração usamos o amplificador operacional 741 que se encontra disponível na

pasta “Educational” do LtspciceIV em: < C:\ProgramFiles\LTC\LtspiceIV\examples\

Educational>. As fontes V(a1), V(a2) simulam as entradas digitais, 0 a 5 Volts, a V(6)

é a saída do circuito D-A que varia de 0 a 11 Volts. Os resistores R9 e R16 são

responsáveis pelo ganho do amplificador operacional.

Na simulação acima podemos ver que que o valor de saída V(6) só é máximo

quando os bits de entradas V(a1) e V(a2) estão em nível lógico 1. Nesta simulações

estamos trabalhando com 2 bits de entrada.

O ganho do amplificador pode ser encontrado através da seguinte fórmula:

= Equação 11 – Equação de ganho do amplificador operacional

 43

Figura 22 – Circuito com amplificador

5.5 Rede Neural Artificial

Para a elaboração da rede neural foi levantado primeiramente a tabela de

resposta do circuito que iria ser a entrada da rede (ver tabela 3) e foi gerado uma

tabela com a saida que a rede deveria apresentar.

Tabela 4: Entradas e saídas da rede

Entrada da rede Saída esperada

0000 11
0001 11
0010 11
0011 11
0100 11
0101 11
0110 11
0111 10
1000 10
1001 10
1010 10
1011 10
1100 01
1101 01
 44

1110 01
1111 00

Aplicando os dados da tabela em um plano cartesiano temos:

Figura 23 – Dados da tabela 4 no plano cartesiano

A rede neural perceptron de uma camada é capaz apenas de solucionar

problemas linearmentes separáveis, ou seja, em um plano cartesiano apenas uma

linha seria capaz de separar os valores. No nosso caso temos a necessidade de 3

retas:
 45

Figura 24 – A rede necessita de 3 retas para solução de problema

Vendo os pontos no plano podemos deduzir que seria necessário uma rede

perceptron multi-camadas para a solução do problema pois ela é utilizada em

problemas que não são linearmente separáveis.

Pensamos em dividir a resposta de saida em dezena e unidade e com isso

montar essa resposta com duas redes perceptron em paralelo, de apenas 1 camada,

mas cairiamos no problema do “ou exclusivo” no digito unitário.

Segue a tabela:

Tabela 5: Entradas e saídas da rede

Entrada da rede Saída rede1 Saida rede2

0000 1 1
0001 1 1
0010 1 1
0011 1 1
0100 1 1
0101 1 1
0110 1 1
0111 1 0
 46

1000 1 0
1001 1 0
1010 1 0
1011 1 0
1100 0 1
1101 0 1
1110 0 1
1111 0 0

Para melhor visualização segue o desenho da saida de dezena no plano

cartesiano:

Figura 25 – Dados separados por dezenas

Permite ser dividido com apenas uma reta
 47

Figura 26 – Dados separados por dezenas separos por uma reta

Segue agora o desenho da saida da unidade no plano cartesiano:

Figura 27 – Dados de unidades no plano cartesiano

 48

Caimos no problema do “ou exclusivo” necessitamos de 2 retas:

Figura 28 – Unidades separos por duas reta

Com isso, eliminamos a possibilidade de trabalho com a perceptrom de uma

camada e nos focamos para a perceptron multi-camadas.

A próxima etapa era testar a eficiência e a possibilidade de convergência de

diversas arquiteturas de rede perceptron multi-camadas para erro 0, queriamos

encontrar a menor arquitetura de rede possível que conseguia alcançar a

convergencia.

Utilizamos o software Neuro Solutions 6 da NeuroDimension, a versão demo

que é gratuita para teste e montamos diversas arquiteturas para teste:

4-2 (sem camada escondida)

4-1-2

4-2-2
 49

4-3-2

4-4-2

4-16-2

4-32-2

4-2-2-2

Os testes seguiram nessa sequencia:

1- Selecionando a opção NTBuilder na barra de ferramentas do software

definimos o tipo de rede, no caso perceptron multi camadas;

Figura 29 – Definindo tipo de rede

2- Definimos a entrada para o software (ver tabela 5 coluna esquerda) por meio

de um arquivo .txt;
 50

Figura 30 – Definindo entradas

3- Definiamos a saída desejada (ver tabela 5 coluna direita) por meio de um

arquivo txt;

Figura 31 – Definindo saidas

 51

4- Definimos o numero das camadas escondidas;

Figura 32 – Definindo camadas escondidas

5- Escolhemos a função de ativação (sigmoid) e as condições para

encerramento do treinamento (levenberg marquardt).

Figura 33 – Definindo função de ativação

 52

6- Verificamos a convergencia para erro igual a 0%

Figura 34 – Convergência de erro

7- Executado testes com as entradas e saidas geradas da rede para

confirmação da convergência.

Figura 35 – Teste de convergência

 53

Todas as redes foram executadas em um número de passos ilimitado pelo

software até convergerem a erro “0” ou até estabilizarem em uma porcentagem de

erro, utilizando a função otimizadora de Levenberg-Marquart6 para encontrar os

minimos, que apenas reduz o número de passos. Os testes foram feitos 3 vezes

com cada arquitetura para dar mais precisão ao teste. Devido ao software ser

demonstração não foi possível pegar os valores de pesos das sinapses.

Segue os resultados:

Rede 4-2

Não convergeu nenhuma das 3 vezes e o erro variou entre 0,5% e 0,2%.

Rede 4-1-2

Não convergeu nenhuma das 3 vezes e o erro variou entre 0,2% e 0,1%.

Rede 4-2-2

Convergeu as 3 vezes com média de 18 passos.

Rede 4-3-2

Convergeu 2 das 3 vezes com média de 18 passos, quando não convergeu o

erro ficou em 0,1%.

Rede 4-4-2

Convergeu as 3 vezes com média de 18 passos.

Rede 4-16-2

Convergeu as 3 vezes com média de 32 passos.

Rede 4-32-2

Convergeu as 3 vezes com média de 20 passos.

Rede 4-2-2-2

6
A função Levenberg-Marquart têm como objetivo encontrar o melhor ajuste para um conjunto de dados de
tal modo que a soma dos quadrados das distâncias (tomadas na vertical) entre o modelo (curva ajustada) e
cada um dos pontos dados seja a menor possível.
 54

Convergeu as 3 vezes com média de 36 passos.

Com esses resultados podemos afirmar que a melhor opção para o nariz

eletrônico é a rede 4-2-2 por ser rápida na convergencia, ter convergido 3 vezes e

ser o modelo mais simples dos apresentados.

 55

Capítulo 6
6.1 Aplicação

O objetivo do trabalho foi a detecção do gás tóxico CO₂ em ambientes

fechados, além de desenvolver uma maneira de expulsar esse gás nocivo do local

em questão.

O sistema aqui proposto nos dá uma saída digital na porta paralela onde o

sinal é convertido em analógico e exposto a alguma aplicação. No nosso caso,

decidimos optar por um sistema de ventilação usando motores de corrente contínua.

Tal escolha, de motores CC (Corrente Continua), justifica-se pelo fato de

conseguirmos controlar a velocidade do mesmo apenas aumentando a tensão. Esta

tensão será gerada pelo conversor de analógico – digital que trabalha em função da

resposta da rede neural artificial.

O software irá classificar as entradas em condições do ar - ótima, boa, média

e ruim. Cada condição irá gerar uma tensão diferente para o motor CC.

Quanto maior a concentração maior a tensão, conseqüentemente, maior a

velocidade de rotação do motor, e por sua vez, maior a ventilação e melhor a

qualidade do ar no local.

6.2 Esboço do projeto

Figura 36 – Esboço do projeto

 56

Capítulo 7

7.1 Conclusão

Apesar de não termos montado o projeto fisicamento fizemos todos os testes

com simulações em Ltspice e com o software nerou solution 6.0 na versão demo. A

partir das simulações constatamos que o projeto é totalmento viável não apenas

para a detecção de gás CO₂, mas também para outros tipos de gases. Para isso

seria necessário apenas algumas mudanças, como por exemplo o sensor e algumas

características do conversor A/D.

O interessante é que conforme o andamento do projeto percebemos algumas

características peculiares, para as quais tivemos que desenvolver soluções próprias,

como por exemplo a curva de saída do detector de CO₂, se optarssemos por um

conversor de sinais analógico – digital convencional (comercial) teriamos que utilizar

muitos bits para entrada da rede neural tornando o nosso sistema mais passívo de

erro. A solução para o problema se mostrou estável e se adaptou perfeiramento ao

sistema.

Com a utilização do software neuro solution 6.0, testamos várias arquiteturas

de redes neurais e escolhemos que mostrou melhores resultados. A empresa que

fornece o Neuro Solutions, a Neuro Dimension, consegue fornecer soluções

específicas para os clientes, assim como algumas outras empresas que fornecem

softwares de redes neurais. Portanto conseguiriamos qualquer adaptação

necessária do software com as características específicas do projeto, incluindo a

comunicação externa via paralela e o funcionamento via MS-DOS. Não havendo a

necessidade de implementação do software em C++ ou em outra linguagem.

 57

Após todos os testes somos capazes de afirmar que o sistema seria capazes

de detectar mais que apenas um tipo de gás se mudaças drásticas no sistema. Para

isso iriamos selecionar apenas valores de concentração médias e críticas para o ser

humano, seria necessário a mudança da configuração do conversor de sinais

analógico-digital e o estudo da resposta no detector do gás que seria incorporado ao

sistema.
 58

Referência Bibliográfica

AXELSON, J. Parallel port complete: programming, interfacing and using the

PC's parallel printer port. 1996. Disponível em:

<http://www.lvr.com/parprtib.htm#Chapter1>. Acesso em: 18 de setembro de

2010 as 16:00

BONFIM, M. Medidas Elétricas. 2002. Disponível em:

<http://www.eletrica.ufpr.br/marlio/medidas/apostila/apostila3b.pdf>. Acesso em

15 de julho de 2010 as 23:30.

CAPONE, S. ET AL. Solid state gas sensors: state of the art and future

activities. Journal of optoelectronics an advanced materials, bucharest,

romania, v.5, 2003,

Disponível em: <http://inoe.inoe.roo/JOAM/pdf5_5/Capone.pdf>. Acesso em: 18

de julho de 2010 as 22:00

CAPUANO G. F. , IDOETA V. I. Elementos de Eletrônica Digital. 38º edição de

2004.

CASTRO, Fernando César C. de; CASTRO, Maria Cristina F. de. Multilayer

Perceptrons. 2005

Disponível em: <http://www.ee.pucrs.br/~decastro/RNA_hp/pdf/RNA_C4.pdf>.

Acesso em 5 de agosto de 2010 as 15:00

 59

DE MELO, H. L.; PAGE, T. ; GUY, C. Gestão de odores: fundamentos do nariz

eletrônico –Rio de Janeiro, v.14, n.1, 2009.

Disponível em: <http://www.scielo.br/scielo.php?script=sciarttext&pid=pid=S1413-

41522009000100002&lng=pt&nrm=isso> . Acesso em 19 de maio 2010 as 23:00

FIRESTEIN S. How the olfactory system makes sense of scents. Nature, vol.

413,13 de setembro de 2001. Disponível em: <

http://mems.kaist.ac.kr/bis471/DATA/Handout/H5_2_Smell%20sensing.pdf> .

Acesso em 19 de maio 2010 as 22:00

GOLDMERR, J. S. A Rugged LED-Based Sensor for Aircraft Fire Detection.

In: 12 TH international conference on automatic fire detection, 2001. Disponível

em : <http://www.fire.nist.gov/bfrlpubs/fire01/PDF/f01081.pdf>. Acessado dia 23

de maio de 2010 as 19:00

HAYKIN S. Redes Neurais princípio e prática – Segunda edição de 2001;

MARSILI, R. The electronic nose. 1995. Disponível em: <

http://www.foodproductdesign.com/articles/1995/06/the-electronic-nose.aspx >.

Acesso em: 14 de outubro de 2010 as 23:40

MSPC Eletrônica Digital III A – Conversores Analógicos – Digital. Disponível

em: <http://www.mspc.eng.br/eledig/eledig3A.asp> Acesso em 7 de julho de

2010 as 20:14
 60

MENDEL, J. M. e MCLAREN, R. W. Adaptive, Learning, and pattern

Recognition Systems, Theory and Applications, chapter reinforcement-

learning control and pattern recognition systems, 1970

MENDES, D. Q.; OLIVEIRA, M. F. S – Tutoriais de redes neurais aplicações

em bioinformática. Disponível em: < http://www.lncc.br/~labinfo/tutorialRN/>

Acesso em 7 de julho de 2010 as 21:00

MESSIAS, A. R. Comunicação entre dois computadores utilizando a porta

paralela. Disponível em: <http://www.rogercom.com/pparalela/MicroMicro.htm>

acessado dia 28/07/110 as 23:30

MOSELEY, P. T; NORRIS, J. O. W.; WILLIAMS, D. E. Techniques and

mechanisms in gas sensing. Bristol, england: the adam hilger series on

sensors, 1991. ISBN 0-7503-0074-4

ONG, K. G.; GRIMES C. A. A Carbon Nanotube-based Sensor for CO₂

monitoring, 2001. Disponível em < http://www.mdpi.com/1424-8220/1/6/193/>.

Acesso em: 15 de abril de 2010 as 19:00.

SEDRA S. A, SMITH C. K. Microeletrônica. Quarta Edição ano 2000;

SEIXAS, T. T. Acessando a porta paralela do PC (em linguagem C).

Disponível em: <

 61

http://thiagoteixeiraseixas.spaces.live.com/Blog/cns!579021370035550B!194.entr

y?sa=589529792 >. Acesso em: 28 de julho de 2010 as 22:30.

SICA, C. Conversores A/D - D/A. 1996. Disponível em:

<http://www.din.uem.br/sica/material/adda/adda.html#cap20>. Acesso em: 5 de

setembro de 2010 as 23:00.

SCHAEFFER, R. D. Estudo E Desenvolvimento De Um Sensor De Co₂ De

Baixo Custo, RIO GRANDE DO SUL, 2004 Disponível em: <

http://www.lume.ufrgs.br/handle/10183/4199>. Acesso em: 10 de abril de 2010 as

22:00.