Nas últimas décadas, a investigação na área da construção de aproximadores universais à custa de sistemas neuro-difusos registou um elevadíssimo número de contribuições, o que provocou o aparecimento de diversas variantes de sistemas neuro-difusos. Estas variantes são semelhantes na sua essência, contudo apresentam algumas diferenças, nomeadamente, ao nível da estrutura interna e dos algoritmos de identificação.
No final dos anos 80, início dos anos 90, surgiram os primeiros estudos na área das redes neuronais que aplicavam conceitos e ou operadores difusos, assim como na área dos sistemas difusos que aplicavam algoritmos de aprendizagem típicos da identificação das redes neuronais.
A introdução de conceitos e operadores difusos nas redes neuronais convencionais fez surgir as redes neuronais difusas [HBC92]. Um exemplo destas redes são as funções de base radial (Radial Based Functions - RBF ) [JS93], que utilizam funções de per- tença difusas a substituir as funções de activação. O objectivo desta junção foi o de obter redes neuronais adaptáveis com alguma interpretabilidade. Por outro lado, os sistemas interpretáveis difusos requeriam métodos de identificação automáticos, sur- gindo a ideia de utilizar os algoritmos típicos da identificação das redes neuronais nos sistemas difusos. Desde então, passou a ser possível ajustar os sistemas difusos de forma automática utilizando métodos de aprendizagem baseados no gradiente.
Os primeiros estudos dos sistemas neuro-difusos datam do início da década de 90, com Jang, Takagi, Hayashi, Lin e Lee em 1991; Berenji em 1992 e Nauck a partir
de 1993. A maioria das aplicações desta época eram voltadas para o controlo. Gra- dualmente foram aparecendo aplicações voltadas para outras áreas, como a análise e classificação de dados, detecção de falhas e sistemas de apoio à decisão.
Dos sistemas neuro-difusos mais conhecidos, destacam-se os seguintes:
• Fuzzy Adaptive Learning Control Network (FALCON) 1991, C. T. Lin e C. S. Lee [LL91];
• Adaptive Network based Fuzzy Inference System (ANFIS) 1992, R. R. Jang [Jan92] e [Jan93];
• Generalized Approximate Reasoning based Intelligence Control (GARIC) 1992, H. Berenji [BK92];
• Neuronal Fuzzy Controller (NEFCON) 1993, D. Nauck [Nau94];
• Fuzzy Inference and Neural Network in Fuzzy Inference Software (FINEST) 1996, Tano, O. e Arnould [TOA96];
• Fuzzy Net (FUN) 1993, S. Sulzberger, N. Tschichold e S. Vestli [STV93];
• Artificial Neural Network Based Fuzzy Inference System (ANNBFIS) 1997, J. Leski, E. Czogala [LC97] e [LC99];
• Fuzzy Neural Network (FNN) 1999, Figueiredo e Gomide [FG99];
• Dynamic/Evolving Fuzzy Neural Network (EFuNN and dmEFuNN) 1999, Kasa- bov e Song [KS99];
• Self Constructing Neural Fuzzy Inference Network (SONFIN) 1998, Juang e Lin [JL98].
Em [VDM04b] e [VM04d] são apresentados sumáriamente os vários tipos de estru- turas utilizadas nos sistemas neuro-difusas e os respectivos métodos de identificação.
É possível encontrar ainda em [Abr01] e [AN00] um estudo sobre o estado da arte deste tipo de sistemas e suas perspectivas de evolução. Nestes trabalhos são descri- tas várias estruturas neuro-difusas, métodos para a sua simplificação, algoritmos de identificação dos respectivos parâmetros e algumas aplicações. São ainda apresentadas as novas prespectivas de evolução e de simplificação destas estruturas baseadas em algoritmos genéticos.
3.7
Conclusão
Este capítulo apresentou vários métodos de construir e identificar modelos não lineares com base nos sistemas neuro-difusos. Foram apresentados vários tipos de modelos di- fusos construídos com base em conhecimentos adquiridos a priori e ajustados através
de métodos de identificação típicos das redes neuronais. Estas métodos de identifi- cação permitem o ajuste automático destes modelos; no entanto, podem reduzir a sua interpretabilidade.
Na secção 3.2 apresentou-se uma descrição genérica dos sistemas difusos e dos seus blocos constituintes: fusificação, base de conhecimentos, inferência difusa e desfusifi- cação.
A secção 3.3 introduz os fundamentos e as estruturas das redes neuronais artificiais multi-camada, assim como os respectivos métodos de ajuste mais comuns.
Os sistemas neuro-difusos foram descritos na secção 3.4, sendo explorados dois sistemas em particular: sistemas neuro-difusos do tipo Mandani e do tipo Takagi- Sugeno. Esta secção apresenta ainda métodos para a escolha dos regressores mais significativos, para a definição do número/forma das funções de pertença e métodos para a optimização do número de regras difusas. Na secção 3.5 apresentaram-se e descreveram-se os dois métodos mais comuns de identificação destes modelos: o método baseado no gradiente e o método híbrido. Finalmente, na secção 3.6, apresentou-se um levantamento bibliográfico dos sistemas neuro-difusos mais comuns propostos na última década.
Modelização e Identificação
Orientada por Blocos
4.1
Introdução
Os sistemas orientados por blocos, apresentados no capítulo 2, são classificados como métodos de modelização cinzenta [PP00]. Estes sistemas são constituídos pela com- binação de duas funções ou blocos: um bloco não linear estático e um bloco linear dinâmico. A definição dos dois blocos e a forma de os combinar implica a existência e a utilização de conhecimentos adquiridos a priori construindo assim estruturas com um razoável nível de interpretabilidade.
Este capítulo descreve em detalhe as estruturas e os métodos de identificação de dois modelos orientados por blocos: Hammerstein e Wiener. As duas formas de combinar, em série, o bloco linear dinâmico com um bloco não linear estático dá origem aos dois tipos de modelos orientados por blocos já referidos. A origem da não linearidade estática é muitas vezes conhecida, podendo ter origem na não linearidade dos sensores ou dos actuadores ou ainda por uma relação física não linear existente entre as variáveis de entrada e saída do sistema como, por exemplo, a relação quadrática entre a corrente imposta numa resistência de aquecimento e a respectiva potência dissipada. Quando a origem da não linearidade estática é deconhecida esta é tipicamente modelizada por funções do tipo caixa cinzenta ou negra.
Na secção 4.2 são apresentadas e caracterizadas as estruturas dos modelos Ham- merstein e Wiener. A secção 4.3 apresenta os diferentes métodos de identificação destes dois tipos de modelos incidindo, particularmente, nos vários métodos de identificação da função não linear estática. O tipo de dados disponíveis e o tipo de modelo orientado por blocos implicam a utilização de diferentes métodos de identificação tais como: a identificação em dois passos e a identificação iterativa ou num único passo [ABB+00].