Академический Документы
Профессиональный Документы
Культура Документы
Ricardo Tanscheit
DEE-PUC-Rio
CONTEÚDO
1. INTRODUÇÃO
2. CONJUNTOS FUZZY
2.1. FUNDAMENTOS
2.2. OPERAÇÕES COM CONJUNTOS FUZZY
2.2.1. OPERADORES MAX E MIN
2.2.2. DEFINIÇÕES E OPERAÇÕES
2.2.3. PROPRIEDADES ALGÉBRICAS
2.3. VARIÁVEIS LINGUÍS TICAS
2.4. FUNÇÕES DE IMPLICAÇÃO
2.5. REGRA DE INFERÊNCIA COMPOS ICIONAL
2.6. S IS TEMA DE INFERÊNCIA FUZZY
3. CONTROLADORES FUZZY
3.1. INTRODUÇÃO
3.2. INTERFACE COM O PROCES S O
3.2.1. VARIÁVEIS DE CONTROLE
3.2.2. ESCALONAM ENTO E QUANTIZAÇÃO
3.2.3. M ÉTODOS DE DEFUZZIFICAÇÃO
3.3. EXPRES S ÃO DE REGRAS DE CONTROLE EM TERMOS MATEMÁTICOS
3.4. ALGORITMO DE CONTROLE
3.4.1. ARM AZENAM ENTO DE REGRAS
3.4.2. CONTRIBUIÇÃO DE CADA REGRA
3.4.3. INFLUÊNCIA DAS FUNÇÕES DE PERTINÊNCIA
3.4.4. INFLUÊNCIA DAS FUNÇÕES DE IM PLICAÇÃO E DOS M ÉTODOS
DE DEFUZZIFICAÇÃO
3.5. CONCLUS ÕES
4. COMENTÁRIOS FINAIS
Referências
1. INTRODUÇÃO
Operadores humanos são capazes de controlar processos bastante complexos, baseados em
informações imprecisas ou aproximadas a respeito desses processos. A estratégia adotada pelos
operadores humanos é também de natureza imprecisa e geralmente possível de ser expressa em
termos linguísticos. A Teoria de Conjuntos Fuzzy [1] e os Conceitos de Lógica Fuzzy [2] podem
ser utilizados para traduzir em termos matemáticos a informação imprecisa expressa por um
conjunto de regras linguísticas. Se um operador humano for capaz de articular sua estratégia de
ação como um conjunto de regras da forma SE ENTÃO, um algoritmo passível de ser
implementado em computador pode ser construído, conforme demonstrado já nos anos 70
[3,4,5]. 0 resultado é um sistema de inferência baseado em regras, no qual a Teoria de Conjuntos
Fuzzy fornece o ferramental matemático para se lidar com as tais regras linguisticas. É
importante notar que, nesse tipo de sistema, não é necessário conhecer- se o modelo matemático
do processo, o que se constitui em uma vantagem sobre outros procedimentos em que é
fundamental a descrição matemática do sistema a controlar.
2. CONJUNTOS FUZZY
Nesta seção são apresentados os fundamentos da Teoria de Conjuntos Fuzzy, bem como
definições, propriedades e aspectos de Lógica Fuzzy.
2.1. FUNDAMENTOS
Quando se raciocina com base na teoria clássica dos conjuntos, o conceito de pertinência de um
elemento a um conjunto fica bem definido. Os elementos de um conjunto A em um determinado
universo X simplesmente pertencem ou não pertencem àquele conjunto. Isto pode ser expresso
pela função característica fA :
1 se e somente se x ∈ A
f A ( x) =
0 se e somente se x ∉ A
A = {µ A (x ) /x} x∈ X
Uma variável fuzzy é uma variável cujos valores são rótulos (labels) de conjuntos fuzzy. Por
exemplo, a temperatura de um dado processo poderia ser uma variável fuzzy assumindo valores
pequena, média, alta, etc. Estes valores são descritos por intermédio de conjuntos fuzzy.
Generalizando, os valores de uma variável podem ser sentenças em uma linguagem especificada.
Neste caso, a variável é uma variável linguística. Para ilustrar, os valores da variável fuzzy
temperatura poderiam ser expressos como alta, não alta, muito alta, bastante alta, não muito
alta, alta mas não muito alta. Neste caso, os valores fuzzy são sentenças formadas a partir do
rótulo alta, da negação não, dos conectivos e e mas, e dos modificadores muito e bastante.
Nesse contexto, a variável temperatura é uma variável linguística.
A principal função das variáveis linguísticas é fornecer uma maneira sistemática para uma
caracterização aproximada de fenômenos complexos ou mal definidos. Em essência, a utilização
do tipo de descrição linguística empregada por seres humanos, e não de variáveis quantificadas,
permite o tratamento de sistemas que são muito complexos para serem analisados através de
termos matemáticos convencionais.
R: SE Π1 ENTAO Π2
Duas ou mais declarações condicionais podem ser combinadas, como, por exemplo:
Várias declarações podem ser combinadas através do conectivo ou, formando assim um
algoritmo fuzzy (RN) da forma: RN: R1 ou R2 ou R3 .......... ou Rn
2.2. OPERAÇÕES COM CONJUNTOS FUZZY
Com o intuito de apresentar algumas propriedades e operações importantes com conjuntos fuzzy
[6,7], introduz-se agora os dois operadores mais utilizados, e, num estágio seguinte, as operações
propriamente ditas.
C = A ∧ B = {min(a, b)} ∀ a ∈ A, b ∈ B
C = A ∨ B = {max(a , b)} ∀ a ∈ A, b ∈ B
a = ∧ A = Inf A a ∈ A
a = ∨ A = Sup A a ∈ A
Os operadores podem também ser usados em um sentido funcional, com elementos ou conjuntos:
m
a = ∧ (a1 , a 2 ,......., a m ) = a1 ∧ a2 ∧ ....... ∧ a m = ∧ a k
k =1
m
A = ∧( A1 , A 2 ,......., A m ) = A1 ∧ A2 ∧ ....... ∧ Am = ∧ Ak
k =1
Quando os elementos são funções de outra variável, as operações podem ser expressas como:
a = ∧ a ( x) x∈ X
x
µ A ' ( x) = 1 − µ A ( x ) ∀x ∈ X
Dois conjuntos fuzzy A e B em X são iguais se suas funções de pertinência forem iguais sobre
todo X:
A = B se e somente se µ A ( x) = µ B ( x ) ∀ x ∈ X
A ⊂ B se µ A ( x) ≤ µ B ( x ) ∀x ∈ X
µ A⋅B (x ) = µ A ( x ) ⋅ µ B ( x) ∀x ∈ X
µ A∪ B (x ) = µ A ( x ) ∨ µ B ( x ) ∀x ∈ X
µ A∩ B (x ) = µ A ( x ) ∧ µ B ( x ) ∀x ∈ X
A∩∅ =∅ e A∩ X = A
A∪∅ = A e A∪ X = X X : universo
A forma de µ A (x ) pode ser modificada através da manipulação dos três parâmetros a, b e c. Por
exemplo:
µ pequeno ( x ) = (1 + 9x 2 ) −1
µ médio ( x) = (1 + 9( x − 0,5) 2 ) −1
µ grande ( x) = (1 + 9( x − 2) 2 ) −1
A = {µ A ( x ) /x} x∈ X
→ A e B = {µ A ( x) ∧ µ B ( y) /( x, y)} = {µ A e B ( x, y) /( x, y)}
B = {µb ( y ) /y} y∈Y
O conectivo ou conecta valores linguísticos de uma mesma variável, os quais estão no mesmo
universo:
A = {µ A ( x ) /x} x ∈ X
→ A ou B = {µ A ( x) ∨ µ B ( x ) /( x )} = {µ A ou B ( x ) /( x)}
B = {µb ( x) /x}
Por exemplo: vapor é quente ou frio; pressão é alta ou baixa. Se dois valores linguísticos
conectados por ou pertencem a variáveis diferentes, a declaração parece ser semanticamente
incorreta (por exemplo, vapor é quente ou molhado). Entretanto, se ou é usado para conectar
variáveis em uma sentença do tipo SE . . . ENTÃO . . . , ele pode ser usado com duas varáveis
diferentes. Por exemplo:
Modificadores servem para gerar um conjunto maior de valores para uma variável linguística a
partir de uma coleção de termos primários. Por exemplo, usando muito em conjunto com não, e
e o termo primário grande, podem ser gerados os conjuntos fuzzy muito grande, muito muito
grande, não muito grande, grande e não muito grande.
M odificadores são definidos como um operador mônico, h, que age sobre um conjunto fuzzy A,
para produzir um novo conjunto B, ou seja B = h A, onde A e B estão no mesmo universo.
R : SE A ENTÃO B = A → B = A × B
A relação fuzzy A× B denota, neste caso, a implicação A → B no produto cartesiano dos dois
universos X × Y = {( x, y )} x ∈ X , y ∈ Y .
A função de pertinência µR (x , y) que define a implicação pode ser obtida através das funções de
pertinência individuais µ A (x ) e µ B ( y) de inúmeras maneiras [8,9,10,11,12]. Assim, denotando
o operador de implicação por f1:
µR (x , y) = f 1 ( µ A ( x), µB ( y )) x ∈ X , y ∈ Y R = {µ R ( x, y ) /( x, y )}
RN: SE A1 ENTÃO B1
ou
SE A2 ENTÃO B2
.
.
.
ou
SE An ENTÃO Bn
Neste caso, o conectivo ou (else) serve para conectar sentenças linguísticas. Sua implementação,
denotada por f2, depende da função de implicação f1 empregada. Assim, para o algoritmo fuzzy
tem-se:
µ R N ( x , y) = f 2 ( µ R1 ( x, y ), µR 2 ( x, y ),...., µ R n ( x , y ))
[
= f 2 f 1 ( µ A1 ( x), µ B1 ( y )), f 1 ( µ A 2 ( x), µ B 2 ( y )),....., f 1 ( µ A n ( x ), µ B n ( y )) ]
As equações acima foram desenvolvidas para variáveis simples A e B, mas podem ser estendidas
para casos de mais variáveis. Normalmente as variáveis antecedentes são combinadas através do
conectivo e, implementado pelos operadores min ou produto.
As funções de implicação mais utilizadas em aplicações de engenharia são min e produto. Para
sentenças com um antecedente apenas (do tipo tipo SE A ENTÃO B), tem-se:
min: µR (x , y) = min( µ A ( x ), µ B ( y)) = µ A ( x) ∧ µ B ( y)
produto: µR (x , y) = µ A ( x) ⋅ µ B ( y )
n
µR N ( x, y ) = ∨ ( µ A j ( x) ∧ µ B j ( y ))
j =1
M uitas outras funções de implicação têm sido propostas na literatura, conforme pode ser
verificado nas referências.
A composição R12 = R1 ○ R2 pode ser definida ou por uma regra do tipo max-min:
µR12 ( x, z) = ∨ ( µR 1 ( x , y ) ∧ µR 2 ( y , z))
y
Quando conjuntos fuzzy discretos são empregados, as operações acima são equivalentes ao
produto interno de duas matrizes, com a multiplicação e a soma substituídas pelas operações min
(no primeiro caso) e max, respectivamente. É razoável que se use uma das duas definições acima
em correspondência com a função de implicação adotada. Assim, com as funções de implicação
envolvendo somente operadores max e min, emprega-se a regra compositional max-min. No
caso de implicações que envolvam operadores aritméticos, pode-se usar a regra max-produto.
A questão que se coloca agora é: dada uma relação entre 2 variáveis fuzzy, qual o consequente
para um dado antecedente?
Se o antecedente A' for dado por A' = {µ A ( x ) /x} x ∈ X , o consequente B ' , inferido através da
regra de inferência max-min, será [2]:
B' = A' ○ R = ∨ ( µ A' (x ) ∧ ( µ R ( x , y )) / y x ∈ X , y ∈ Y
x
{µ A ( x )} = {0; 0,2; 0,7;1; 0,4; 0}
Exemplo:
{µ B ( y )} = { 0,3; 0,8; 1; 0,5; 0}
x\y
0 0 0 0 0
0,2 0,2 0,2 0,2 0
µ R ( x , y ) = 0,3 0,7 0,7 0,5 0
0,3 0,8 1 0,5 0
0,3 0,4 0,4 0,4 0
0 0 0 0 0
FUZZIFICADOR DEFUZZIFICADOR
Entradas Saída
precisas precisa
INFERÊNCIA
conjuntos fuzzy conjunto fuzzy de
de entrada saída
3. CONTROLADORES FUZZY
De posse das informações apresentadas nos ítens anteriores, serão abordados a seguir os
controladores fuzzy, no que concerne a sua estrutura, implementação e análise.
3.1. INTRODUÇÃO
Em um controlador fuzzy baseado em regras a estratégia de controle é descrita por intermédio de
regras linguísticas que conectam, de modo impreciso, várias situações com as ações a serem
tomadas. As regras são expressas por declarações condicionais do tipo SE ... ENTÃO e
implementadas como implicações lógicas através da utilização das propriedades e técnicas
abordadas nos ítens anteriores. A estrutura básica de um controlador deste tipo é:
REGRA S
definição dos
conjuntos fuzzy
ALGORITMO
DE
CONTROLE
INTERFACE DE INTERFACE DE
ENTRADA PROCESSO SAÍDA
Estabelecendo uma ligação com as seções anteriores, as variáveis fuzzy erro e variação do erro
são subconjuntos fuzzy em seus respectivos universos. Elas poderiam ser definidas, por exemplo,
como correspondentes aos valores reais medidos das entradas. Entretanto, um procedimento mais
geral faz uso de universos discretos e normalizados, definidos como, por exemplo:
{-6,-5,-4,-3,-2,-l, 0, 1, 2, 3, 4, 5, 6}
UNIVERSO
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
PB 0 0 0 0 0 0 0 0 0 0 0,3 0,7 1
PM 0 0 0 0 0 0 0 0 0,3 0,7 1 0,7 0,3
PS 0 0 0 0 0 0 0,3 0,7 1 0,7 0,3 0 0
ZO 0 0 0 0 0,3 0,7 1 0,7 0,3 0 0 0 0
NS 0 0 0,3 0,7 1 0,7 0,3 0 0 0 0 0 0
NM 0,3 0,7 1 0,7 0,3 0 0 0 0 0 0 0 0
NB 1 0,7 0,3 0 0 0 0 0 0 0 0 0 0
Alternativamente pode ser empregada uma representação gráfica, conforme a figura a seguir:
NB NM NS ZO PS PM PB
• • • • • • •
1
0,7 •• • • • • •
0,3 • • • • • • •
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
6 1/GE
(1/GCE)
5
e i (ce i)
4
3
2
1
-Amax
2 4 6 8 10 Amax
-1
-2 erro real
-3 (variação do erro)
-4
-5
-6
[
µR j (e , ce, u) = f 1 µ E j (e ) ∧ µCE j (ce), µU j (u ) ]
A combinação de todas as n regras é expressa matematicamente por:
Desta forma, a estratégia de controle é representada por uma matriz µ R N .O controlador é então
solicitado a fornecer, a partir do valores do erro e da variação do erro, e utilizando-se da regra
de inferência composicional, uma saída apropriada. Assim, em um instante i, quando as entradas
determinísticas são ei e cei, o conjunto fuzzy da saída será dado por:
U i = (E i ∧ CE i ) R N
onde Ei e CEi são os subconjuntos fuzzy das entradas e Ui é o subconjunto fuzzy da saída.
Usando a regra de inferência max-min, tem-se:
i
e ce
[
µ U (u ) = ∨ ∨ µ E (e) ∧ ( µCE (ce) ∧ ( µ R (e, ce, u )
i i
N ]
Os cálculos podem ser simplificados se considerarmos que os subconjuntos fuzzy das entradas
consistem de valores reais não-fuzzy (singletons), isto é:
µ Ei (e ) = 1 se e = ei µ Ei (e ) = 0 se e ≠ e i
µCEi (ce) = 1 se ce = cei µ CEi ( ce) = 0 se ce ≠ cei
[
Com isto, µ Ui (u) = ∨ ∨ 1 ∧ 1 ∧ ( µ R N (e , ce, u ) ] para e = e i e ce = cei
= ∨ ∨ [0 ∧ 0 ∧ ( µ ]
e ce
R
N (e , ce, u ) para e ≠ e i e ce ≠ cei
e ce
Ou seja:
Exemplo: controlador fuzzy com duas entradas – erro e variação do erro – e uma saída.
Dados:
• 13 conjuntos fuzzy para cada variável, todos eles "triangulares", simétricos, definidos em
universos discretos e finitos – [-6,+6] – segundo as funções de pertinência a seguir:
0,3 • • • • • • • • • • • • •
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
µNS (e i ) = 0,7
⇒ µ NS (ei ) ∧ µ PS (cei ) = 0,3
µPS ( cei ) = 0,3
⇒ µU i (u ) = ∨ [0,3 ∧ µ NS (u ); 0,7 ∧ µ ZO (u)]
µZO (e i ) = 0,7
⇒ µ ZO ( ei ) ∧ µ NVS (cei ) = 0,7
µNVS (cei ) = 0,7
NS 1 ZO
1
0,7 0,7 • •
0,3 •• • 0,3 • •
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
Conjunto fuzzy da saída do controlador:
1
0,7 • •
0,3 • • • •
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
MOM
A defuzzificação pela Média dos Máximos, por exemplo, proporciona uma saída determinística
ui = 0
Observação:
Como, neste exemplo, há 13 conjuntos fuzzy para o erro e 13 para a variação do erro, o
máximo número possível de regras seria 169 (13 × 13). Considerou-se, para fins do exemplo,
a existência de apenas 2 regras. Alternativamente, poder-se-ia considerar que, das n (≤169)
regras existentes, somente as duas explicitadas são as ativadas pelo erro e variação do erro no
instante i considerado.
Com isto, é possível utilizar um simples número para representar o conjunto fuzzy associado ao
valor linguístico de uma variável em uma regra. A ação do controlador pode também ser
representada da mesma forma; os valores numéricos na grade representam a posição no universo
em que o valor de pertinência é 1. Assim, o armazenamento de regras torna-se bastante simples;
conhecidos o conjunto suporte e o centro da regra, torna-se fácil recuperar os conjuntos fuzzy
correspondentes.
A expressão µE j (ei ) ∧ µCE j (cei ) , que determina a região de influência de uma regra, descreve o
quanto as entradas do controlador são compatíveis com os antecedentes de uma regra j. Esta
expressão é normalmente chamada de degree of fulfilment da regra j no instante i, ou DOF ij .
Se o operador produto fosse usado para DOF (em outras palavras, o conectivo e de concatenação
dos antecedentes), a distribuição em torno de (eR , ceR) seria:
ceR
0,09 0,21 0,3 0,21 0,09
0,21 0,49 0,7 0,49 0,21
eR 0,3 0,7 1 0,7 0,3
0,21 0,49 0,7 0,49 0,21
0,09 0,21 0,3 0,21 0,09
Como valores pequenos de DOF são obtidos com este operador, um procedimento razoável
consiste de se estabelecer um limiar abaixo do qual a contribuição da regra é desconsiderada.
Para um limiar de 0,3, por exemplo, a região de influência de cada regra excluiria os pontos onde
DOF = 0,09 e DOF = 0,21.
Voltando ao exemplo, a posição no espaço de estado no instante i, dada por (ei , cei), e as duas
regras, especificadas pelos seus centros (eR 1 , ceR 1 ) e (eR 2 , ceR 2 ) , estão representadas na figura
abaixo:
variação do erro
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
-6
-5
-4
-3
eR 1 -2 -2
e
r ei -1 X
r
o
eR 2 0 0
1
2
3
4
5
6
4. COMENTÁRIOS FINAIS
Após o trabalho inicial de M amdani e Assilian, surgiram inúmeras outras aplicações de lógica
fuzzy em controle, inclusive em escala industrial. Uma das mais bem sucedidas vem sendo
utilizada até hoje em plantas de produção de cimento [15,16]. Neste tipo de aplicação,
controladores fuzzy são usados para fornecer sinais de referência para controladores do tipo PID,
ou seja, aqueles não atuam diretamente sobre a planta, mas em um nível hierárquico superior. O
sucesso desta aplicação deveu-se em muito ao fato de os operadores humanos (especialistas)
terem sido capazes de traduzir consistentemente, em termos de regras linguísticas, as atitudes
que tomavam no ajuste dos sinais de referência para os controladores PID. Embora grande parte
das aplicações considere universos discretos, similarmente ao que foi abordado neste texto,
também se faz uso de universos contínuos e de conjuntos fuzzy definidos por funções de
pertinência contínuas [17]. Um controle fuzzy distinto do mostrado no exemplo, mas mantendo
os mesmos princípios e o mesmo processo de inferência, foi empregado em controle de tráfego
[18]. Em virtude da preocupação com a aquisição de regras, já mencionada anteriormente,
controladores com capacidade de aprendizado foram desenvolvidos e aplicados a diversas
plantas [19, 20, 21, 22, 23, 24, 25, 26]. Um controlador fuzzy de estrutura distinta considera a
saída do controlador como uma combinação linear das entradas [27,28] e é conhecido na
literatura como controlador de Takagi-Sugeno. De meados dos anos 80 em diante, o uso de
controladores fuzzy em escala comercial mostrou um crescimento bastante significativo, com
aplicações em máquinas de lavar roupa, máquinas fotográficas e na indústria automobilística.
Empresas japonesas e americanas têm produzido controladores fuzzy em chips ou cartões para
uso em microcomputadores, possibilitando sua interligação aos mais diversos processos. Existem
em escala comercial diversos aplicativos para projeto e implementação de sistemas de inferência
fuzzy, como por exemplo, a Fuzzy Toolbox do Matlab. Tem havido também uma forte
interação entre Lógica Fuzzy e Redes Neurais, dando origem às estruturas Neuro-Fuzzy,
adequadas para geração automática de bases de regras e de funções de pertinência.
Referências
1. Zadeh, L.A., (1965). "Fuzzy Sets". Information and Control, V. 8: 338-353.
2. Zadeh, L.A., (1973). "Outline of a New Approach to the Analysis of Complex Systems and Decision
Processes". IEEE Transanctions on Systems Man & Cybernetics, Vol.3: 28-44.
3. Mamdani, E.H., (1974). "Application of Fuzzy Algorithms for Control of Simple Dynamic Plant". Proceedings
of the IEE (Control and Science), V. 121: 298-316.
4. Mamdani, E.H. & Assillan, S., (1975). "An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller".
International Journal of Man-Machine Studies, Vol. 7: 1-13.
5. Mamdani, E.H., (1977). "Applications of Fuzzy Logic to Approximate Reasoning using Linguistic Synthesis",
IEEE Trans. Computers, V. 126: 1182-1191.
6. Kaufmann, A., (1975). Introduction to the Theory of Fuzzy Subsets. Academic Press.
7. Klir, G.J. & Folger, T.A., (1988). Fuzzy Sets, Uncertainty, and Information. Prentice Hall..
8. Gaines, B. R. , (1976). "Foundations of Fuzzy Reasoning". Int. Journal of Man-Machine Studies, V. 8: 623-668.
9. Baldwin, J.F. & Pilsworth, B.W. (1980). "Axiomatic Approach to Implication for Approximate Reasoning with
Fuzzy Logic". Fuzzy Sets and Systems, Vol. 3: 193-219.
10. Yager, R., (1980). "An Approach to Inference in Approximate Reasoning" Int. Journal of Man-Machine
Studies, Vol. 13: 323-338.
11. Mizumoto, M., (1982). "Fuzzy Inference using max-min composition in the Compositional Rule of Inference".
In: Approximate Reasoning in Decision Analysis, M.M. Gupta, E. Sanchez (Ed.), North-Holland: 67-76.
12. Whalen, T. & Schott, B., (1983). "Issues in Fuzzy Production Systems", Int. Journal of Man-Machine Studies,
Vol. 19: 57-71.
13. Lembessis, E. & Tanscheit, R., (1991). "The Influence of Implication Operators and Defuzzification Methods
on the Deterministic Output of a Fuzzy Rule based Controller". Proceedings of the 4th IFSA Congress, PP. 109-
114 (Engineering), Bruxelas, Bé1gica.
14. Mendel, J.M., (1995). "Fuzzy logic systems for engineering: a tutorial", Proc. IEEE, vol. 83(3): 345-377.
15. Holmblad, I.P. & Ostergaard, J.J., (1981). "Fuzzy Logic Control: Operator Experience applied in Automatic
Process Control". FLS Review, F.L.Smidth & Co., Copenhagen, Denmark, n. 45: 11-16.
16. Umbers, I.G. & King, P.J., "An Analysis of Human Decision-Maing In Cement Kiln Control and the
Implications for Automation". In: Fuzzy Reasoning and its Applications, E.H. Mamdani & B.R. Gaines (Ed.),
Academic Press: 369-381.
17. Kickert, W.J.M. & Van Nauta Lemke, H.R., (1976). "The Application of a Fuzzy Controller In a Warm Water
Plant". Automatics. Vol. 12: 301-308.
18. Pappis, C.P. & Mamdani, E.H., (1977). "A Fuzzy Logic Controller for a Traffic Junction". IEEE Transactions
on Systems, Man and Cybernetics, V. 7: 625-629.
19. Lembessis, E., (1984). "Dynamic Learning Behaviour of a Rule-based Self Organising Controller". Ph. D.
Thesis, University of London.
20. Procyk, T. J. & Mamdani, E. H. , (1979). "A Linguistic Self-Organising Process Controller"., Automatica, V.
15: 15-30.
21. Yamazaki, T. (1982). "An Improved Algorithm for a Self-Organising Controller". Ph. D. Thesis, Univ. London.
22. Scharf, E.M. & Mandic, N.J., (1985). "The Application of a Fuzzy Controller to the Control of a Multi-degree
of Freedom Robot-Arm". In: Industrial Applications of Fuzzy Control, M. Sugeno (Ed.), North-Holland: 41-61.
23. Tanscheit, R. & Scharf, E.M., (1988). "Experiments with the use -of a Rule Based Self-Organising Controller
for Robotics Applications". Fuzzy Sets & Systems, V. 26 (2): 195-214.
24. Scharf, E.M. & Mamdani, E.H., (1988). "Control of Robots using Fuzzy Reasoning". In: International Encyclo
pedia of Robotics Applications & Automation, R. Dorf (Ed.), John Wiley, pp. 254-265.
25. Tanscheit, R. & Scharf, E.M., (1990). "Controle de um Braço Mecânico através de um Controlador Fuzzy Self-
Organising". Anais do 8o . CBA, pp. 481-487, Belém, PA.
26. Tanscheit, R. & Lembessis, E., (1991). "On the Behaviour and Tuning of a Fuzzy Rule-based Self-Organising
Controller". 13th IMACS World Congress on Computation and Applied Mathematics, Dublin, Irlanda.
27. Takagi, T. & Sugeno, M., (1985). "Fuzzy Identification of Systems and its Applications to Modelling and
Control". IEEE Trans. on Systems, Man & Cybernetics, Vol. IS: 116-132.
28. Sugeno, M. & Kang, G.T., (1986). "Fuzzy Modelling and Control of Multilayer Incinerator". Fuzzy Sets and
Systems, Vol. 18: 329-346.