Novo Método de Identificação Fuzzy para Sistemas MISO e suas Aplicações

Abstract

Agradeço primeiramente a Deus pelo dom da vida. Agradeço ao meu orientador, Keiji Yamanaka, e coorientadora, Ana Maria Amarillo Bertone, pelas grandes instruções ministradas. Eles me ensinaram o que é pesquisar, o que é ciência e como a vida humana pode ser transformada através das contribuições da academia. Agradeço a minha amada esposa Mara Dalila e minha pequena filha Helena pela compreensão e apoio incondicionais. Agradeço aos meus pais e irmãs pelo amparo em todos os momentos. Resumo Técnicas de identificação de sistemas são essenciais para o conhecimento de fenômenos naturais e processos de diferentes origens. O principal intuito da presente pesquisa tem sido construir, teoricamente e computacionalmente, uma abordagem para lidar com sistemas de dados com várias entradas e uma saída. Duas etapas fuzzy distintas e bem definidas estão presentes no processo de identificação utilizado neste estudo: clusterização dos dados e uma inferência do tipo Takagi-Sugeno-Kang. A principal contribuição desta pesquisa é a construção dos antecedentes e dos consequentes do sistema de inferência nos quais são utilizados métodos inéditos. Uma forma de validar esta nova metodologia tem sido através de simulações com diferentes bases de dados. Os experimentos envolveram comparações com outras técnicas consolidadas como: Nonlinear Auto-Regressive with eXogenous inputs, Hammerstein-Wiener e Multilayer-Perceptron (redes neurais artificiais). A codificação tem sido feita sem a utilização de toolboxes, exceto para os testes que têm sido feitos com a rotina Compare do software Matlab, a qual utiliza medida de acurácia denominada raiz média quadrática do erro normalizada (Normalized Root Mean Square em inglês). Ao final, e como resultado das comparações, tem havido ganho de precisão na resposta e queda no esforço computacional. Como aplicação da nova técnica, têm sido realizados testes de predição de dados, com resultados promissores, além de estruturar uma nova metodologia para a interpretação de sinais provenientes de exames médicos como, por exemplo, eletroencefalogramas. Futuros trabalhos incluem a introdução da teoria dos conjuntos fuzzy do tipo 2, extensão da teoria dos conjuntos fuzzy, na dinâmica da inferência, com o objetivo de tornar ainda melhor, o desempenho da metodologia proposta.