Вы находитесь на странице: 1из 4

MODELAMENTO MATEMÁTICO PARA SISTEMAS NÃO LINEARES

UTILIZANDO ESTRUTURAS DE REDES NEURAIS ARTIFICIAIS (RNA) E


SISTEMAS NEBULOSO (FUZZY)
Danúbia Soares Pires
danubiapires@ifma.edu.
Washington Luis Santos Silva
Washington.wlss@ifma.edu.br

Resumo pesos sinápticos, são utilizados para armazenamento do


conhecimetno adquirido(Haykin, 2001).
A maioria dos sistemas dinâmicos encontrados na prática,
normalmente, são não-lineares, muito embora em algumas Aqui deverão constar os principais aspectos dos experimentos,
situações as aproximações lineares são suficiente para a bem como um breve relato dos métodos teóricos utilizados no
resolução de alguns problemas, em outras somente laboratório.
modelamentos não lineares podem representar sistemas físicos
de forma adequada. Neste trabalho utilizaremos duas 2 REDE NEURAL ARTIFICIAL (RNA)
ferramentas matemáticas para modelamentos de sistemas não
lineares para representar o problema proposto, as Redes Para a avaliação do desempenho da rede foram utilizadas
Neurais Artificiais (RNA) e Sistemas Nebulosos (Fuzzy). diversos sinais de entradas aleatórios para a etapa da
treinamento da rede. Para a geração dos sinais foram
Palavras Chaves: Sistemas não-lineares, sistemas dinâmicos, utilizadoas as funções rand e randn do Matlab e para a geração
modelamento, redes neurais, fuzzy, sistemas nebulosos. da rede foi utilizada a função newff também do Matlab. As
funções aleatórias utilizadas caracterizam-se por:
1 INTRODUÇÃO
- A função rand gera números pseudo-aleatórios uniformente
A previsão de chuvas no semiárido nordestino, a previsão de distribuídos;
descargas atmosféricas em uma dada região, bem como a
- A função randn gera números aleatórios normalmente
automatização de sistemas de controle em ambientes ruidosos,
distribuídos.
são exemplos de fenômenos físicos e/ou sistemas industriais
que podem ser estudados através de modelos matemáticos não Para a obtenção da maioria dos resultados das redes optou por
lineares. Entretanto, a utilização de modelos não-lineares uma rede do tipo “feed foward”, treinada com o algortimo
aumenta significativamente a complexidade computacional dos “backpropagation” com duas camadas escondidadas com 10
algoritmos utilizados. Assim é recomendável que o uso de neurônios na camada de entrada 15 na primeira camada
sistemas não-lineares seja motivado pela capacidade de tais escondida, 20 na segunda camada escondida e 1 neurônio na
sistemas reproduzirem regimes dinâmicos que modelos lineares camada de saída. O modelo da rede utilizada é mostrado na
não conseguem representar (Aguirre, 2004). As ferramentas figura 2.1.
propostas neste trabalho serão utilizadas para representar o
estado de regime do modelo matemático:

, onde, u(k) e
y(k), são as entrada e a saída do sistema respectivamente. A
primeira ferramenta a ser utilizada será a rede neural. Uma rede
neural é um processador maciçamente paralelarmente Figura 2.1 – Modelo da rede utilizada neste trabalho
distribuído constituído de uniades de processamento simples,
que têm a propensão natural de armazenar conhecimento
experimental e torná-lo disponível para uso. Ela se assemelha Todos os neurônios das camadas de entrada e escondidas foram
ao cérebro humano em dois aspectos: 1. Conhecimento feitos não-lineares através da função tangente-sigmoidal e o
adquirido a partir de seu abiemte por um processo de neurônio da camada de saída foi feito linear. Além disso o
aprendizado; e 2. Conexões entre neurônios, conhecidos como treinamento foi realizado com o algoritmo “resiliente
backpropagation” que é mais rápido que o algoritmo
“backpropagation ” clássico.

CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES 1


Para a validação da rede foram utilizadas funções seno e treinamento da rede, pois em todos os casos testados o erro era
finalmente comparada a resposta em frequência do modelo elevado.
proposto com a respostaem frequência da rede utilizada.
Foi verificada também a complexidade da rede. Isto é, tentou-
Nas seções após a introdução, a partir da Seção 2 deverão ser se aumentar a quantidade de neurônios, a quantidade de
considerados os métodos teóricos utilizados no laboratório, camadas escondidas, mudar afunção de não-lineridade da rede,
bem como a descrição baseada em pesquisa dos componentes mas os resultados não foram satisfatório. Através dos testes
utilizados. chegou-se a rede proposta.

2.1 Resultados obtidos com a RNA 3 SISTEMAS NEBULOSOS (FUZZY)


Para cada prática ou experimento deverá ser criada uma
subseção com os resultados observados. 3.1 Fundamentos dos Conjuntos Fuzzy
Nos testes preliminares optou-se por verificar a capacidade da
rede de adaptar-se à resposta do sistema não-linear com o Seja X determinado universo de discurso, no qual representa-se
mínimo possível de tempo de processamento, isto é, com o um elemento genérico x, e um determinado conjunto é
mínimo de época possível. Determinou-se inicialmente como designado por A. Usando a teoria clássica de conjuntos, um
critério de parada o número de épocas de 100 e/ou o erro em dado elemento atinge caráter binário: o elemento pertence (
0.01. Os resultados mostrados nas figuras 2.1, foram obtidos x  A ) ou não pertence ao conjunto ( x  A ) .
com 50 épocas, e = 0.12, Smax=20 e os dados de entrada são
Se o conjunto A em questão discriminar no universo  quais
normalmente distribuídos em 1024 amostras.
são os números primos, o conceito clássico é suficiente, devido
Sinal de entrada para o modelo da rede
4 à existência de uma definição bastante rigorosa acerca de
2
números primos. Contudo, se X é definido como  e A
representa o conjunto de números muito maiores que a , o
Amplitude

0
problema se torna subjetivo. Assim, dependendo do contexto, o
-2 critério que define quais são os números muito maiores que a
-4
pode mudar. Este é um exemplo onde observa-se a limitação da
0 200 400 600 800 1000 1200 teoria clássica e a necessidade de um conceito mais abrangente,
Nº de amostras
Resposta do modelo e Resposta da Rede neste caso, a utilização de sistemas fuzzy.
4 Saída do modelo
Saída da rede
3.1.1 Pertinência
2
Amplitude

Um conjunto Fuzzy F é caracterizado por uma função de


0 pertinência (função característica ou de compatibilidade)
-2
f F ( x ) , a qual associa um número, no intervalo real [0,1], a
0 200 400 600 800 1000 1200
Nº de amostras
cada elemento do universo de discurso X. Assim, o conjunto
Fuzzy F pode ser representado por meio de pares ordenados:
Figura 2.1a- Modelamento com RNA: épocas=52, e=0.12,
Smax=20. F  {( x , f F ( x ))}, x  X
Logo, a dicotomia da concepção clássica, na qual um elememto
x pertence ou não pertence a um determinado conjunto, cede
2.2 Análise dos resultados lugar ao conceito de pertinência. Este conceito está relacionado
Para cada prática ou experimento deverá ser criada uma
subseção com a análise dos resultados observados. ao valor atribuído pela função característica f F ( x ) , que
indica o grau de pertinência de x ao conjunto F. Quando este
Ainda nos testes preliminares observou-se que a RNA não valor aproxima-se da unidade, maior é o grau de pertinência de
conseguia responder as variações rápidas da entrada, o que x em F.
ocasionava erros elevados e problemas na convergência da
rede. Esse problemas foi diminuído aumentado-se o valor de Este conjunto de linhas é implementada com uma linha de
Smax. Entretanto as variações rápidas do sistema dado texto em branco no estilo normal, mas com borda superior e
continuavam a ser modelados de forma inadequada pela RNA. inferior, nas espessuras especificadas acima.
Como tentativa de melhorar os resultados de desempenho da 3.1.2 Variáveis Linguísticas
rede tentou-se aumentar o número de épocas, entretanto isso
também não resultou grandes melhorias, pois para a entrada As variáveis linguísticas são variáveis cujos valores ao invés de
com grandes variações na sua forma a rede encontrou pontos assumirem valores especificos (como em variáveis numericas,
locais de convergência que resultou em erros elevados também. por exemplo) assumem nomes ou sentenças que correspondem
aos conjuntos fuzzy. A temperatura de uma sala é um exemplo
Os melhores resultados foram obtidos com a entrada de uma variável linguistica: por um lado é possivel expressá-la
distribuída uniformente. Os modelos gerados a partir de com precisão em termos de um valor na escala Celsius, de
entradas normalmente distribuídas. outra forma é possivel definí-la de maneira menos precisa, por
Foram testados também as diversas formas de treinamento meio de palavras (muito quente, quente, fria) que traduz uma
onde se verificou que o treinamento com backprogation percepção subjetiva.
clássico foi muito demorado em relação ao resiliente O valor de uma variável linguística (denominado valor
backprogation. Tentou-se ainda o algoritmo de gradiente linguístico ou valor fuzzy) é uma sentença composta por
descendente, contudo esse algoritmo moutro-se inficaz para o termos primários (alta, baixa, média, no caso da temperatura),
por conectivos lógicos (e, ou, não) e de modificadores (muito,
2 CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES
pouco), sendo assim, novos valores linguisticos podem ser
formados com a junção de termos primários aos conectivos
lógicos e modificadores. Cada valor linguístico, por sua vez, é
representado por meio de um conjunto fuzzy, com sua
respectiva função de pertinência. Como pode ser observado, as
variáveis linguísticas possuem uma característica dual
tornando-as convenientes para expressar problemas de forma
quantitativa e qualitativa: ao mesmo tempo que caracterizam
fenômenos complexos com uma abordagem vaga (quando
identificados através de seus valores fuzzy) também podem
oferecer uma caracterização precisa (quando se utilizam as
funções de pertinência).
Figura 3.3.1. Diagrama de simulação analógica utilizado na
3.1.3 Regras Se-Então etapa de identificação do modelo

Uma regra Se-Então (regra Fuzzy, implicação Fuzzy ou


proposição condicional Fuzzy) tem a seguinte forma:
R:{SE x é A, ENTÃO y é B}
onde R identifica a regra; A e B são as variáveis linguísticas; x
e y são elementos dos universos de discurso X, Y,
respectivamente. A proposição x é A é denominada antecedente
e a proposição y é B é o consequente; x é a variável premissa.
Em um sistema Fuzzy a Regra Se-Então é disparada quando
houver um grau de similaridade não-nulo entrre a variável
premissa e o antecedente. Sendo assim, o resultado é uma
inferência de algum grau de similaridade (atribuição de
pertinências da variável x no conjunto A) com o consequente
da regra. Figura 3.3.2.Sinal de saída do sistema original

3.1.4 Etapa de Inferência


Através da etapa de inferência as Regras Se-Então por meio
dos conjuntos fuzzy processarão as informações de entrada a
fim de produzir uma conclusão. No diagrama da figura 3.1.4,
observa-se a etapa de inferência de um sistema.

Figura 3.3.3. Sinal de entrada aplicada ao sistema, na etapa de


identificação do modelo

A partir dos dados obtidos na identificação, foram criadas


Figura 3.1.4. Diagrama da Etapa de Inferência de um Sistema. funções de pertinência, a fim de criar um modelo para o
sistema proposto. As funções de pertinência criadas (figura
3.3.4) foram descritas no formato trimpf (triangulares), as quais
são caracterizadas por uma terna(a, b,c), onde a e c determinam
3.2 Modelo Fuzzy Takagi-Sugeno proposto o intervalo dentro do qual a função de pertinência assume
O objetivo principal deste projeto é a obtenção de um modelo valores diferentes de zero, e b é o ponto onde a função de
para o sistema proposto abaixo: pertinência é máxima. Para este modelo foram criadas duas
funções de pertinência, definidas pelas seguintes ternas: (-0.9,
y( k  1 )  y( k )  u( k )e 3| y( k )1| 0.7, 2.3) e (0.7, 2.3, 3.9).
onde u(k) e y(k) são a entrada e a saída do sistema,
respectivamente. Um diagrama de simulação (figura 3.3.1) foi
montado a partir desta equação diferencial para a obtenção do
sinal de saída(figura 3.3.2), quando a entrada foi representada
por um sinal de amplitude e frequência aleatória (figura 3.3.3),
tais sinais foram utilizados na etapa de identificação do
modelo.

CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES 3


modelamento das funções de pertinência, somente duas não
foram suficientes para varrer todos os picos do sinal.
Nesta Seção deverão ser apresentadas as conclusões acerca dos
experimentos.

REFERÊNCIAS BIBLIOGRÁFICA
Aguirre, L. A. and Lu (2007). Introdução à identificação de
sistemas: técnicas lineares e não-lineares aplicadas a
sistemas reais. 3ª Ed. Editora UFMG, Belo Horizonte-
MG.

Figura 3.3.4. Funções de pertinência adotadas na obtenção do Haykin, S.(2001). Redes Neurais: Princípio e prática. 2ªed.
modelo do sistema Bookman, Porto Alegre-PA.

Para a obtenção do modelo proposto foram obtidas a matriz de


regressores com os pontos relacionados aos sinais obtidos no
momento da identificação. A matriz de parâmetros para gerar
a saída do modelo, a determinada entrada, foi estimada por
meio da teoria clássica de mínimos quadrados.

3.3 Análise dos Resultados


Foi observado que os resultados obtidos no domínio da
frequência foram satisfatórios para frequências de 1 a 27Hz,
isto deve-se principalmente à quantidade de funções de
pertinência utilizadas na modelagem do sinal, as quais não
atingiram todos os picos do sinal de saída original. A análise e
obtenção das funções de pertinência é um dado qualitativo
dentro da modelagem de sistemas Fuzzy, porém são
dependentes do conhecimento do especialista que as propõe.
Provavelmente, esta foi uma das possíveis causas para o
distanciamento dos valores de resposta do modelo em relação
aos valores de resposta do sistema original para intervalos
maiores de variação de frequência .

5. CONCLUSÃO
A utilização de redes neurais para modelamento do sistema
não-linear dado apresentou bons resultados em baixas
frequências. Por outro lado para frequências mais elevadas a
rede necessitava de mais dados de entradas para a correta
simulação da resposta em frequência do sistema. O que
aumento consideravelemente o tempo de treinamento da rede.
O aumento da quantidade de neurônios nas camadas
escondidas da rede não melhorou no resultados obtidos
inicialmente, muito menos o aumento da quantidade de
camadas escondidas apresentada à rede melhorou o
desempenho dela.
Observou-se que, quanto mais variações no sistema dado, isto é
quanto maior a não linaridade do sistema, maior foi o erro de
aproximação do modelo para os algoritmos de treinamento
backpropagation, resiliente backpropagation, gradiente
descendente.
O aumento no número de épocas apresentadas ao treinamento
de rede também não se mostrou muito eficiente,
prinicipalmente no sistema fortemente não-linear, o que
ocasionava da rede encontrar mínimos locais nos quais ela
ficava presa, não mudando o gradiente do erro,
impossibilitando a melhora na aproximação.
Quanto ao modelo Fuzzy Takagi-Sugeno, observou uma
resposta satisfatória do modelo em relação ao sistema original
para uma dada entrada, porém para frequências entre 1 e 27 Hz
foram obtidas as melhores respostas, para frequências maiores
o modelo se afasta da resposta esperada, isto deve-se ao
4 CIRCUITOS ELÉTRICOS I, PROF. DR.ªDANÚBIA PIRES