Técnicas inteligentes hídridas para o controle de sistemas não lineares /
Neste trabalho é mostrado tanto o desenvolvimento quanto as características de algumas das principais técnicas utilizadas para o controle inteligente de sistemas. Partindo de um controlador fuzzy foi possível aplicar técnicas de aprendizagem, similares às utilizadas pelas Redes Neurais Artificiais (...
Na minha lista:
| Principais autores: | , |
|---|---|
| Formato: | Dissertação |
| Publicado em: |
|
| Assuntos: | |
| Endereço do item: | https://app.bczm.ufrn.br/home/#/item/79939 |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
| Resumo: | Neste trabalho é mostrado tanto o desenvolvimento quanto as características de algumas das principais técnicas utilizadas para o controle inteligente de sistemas. Partindo de um controlador fuzzy foi possível aplicar técnicas de aprendizagem, similares às utilizadas pelas Redes Neurais Artificiais (RNA's), evoluir para os modelos neuro-fuzzy ANFIS e NEFCON. Estes modelos neuro-fuzzy foram aplicados a uma planta real do tipo ball and beam e tiveram tanto suas adaptações quanto seus resultados comentados. Para cada controlador desenvolvido são especificadas as variáveis de entrada, os parâmetros utilizados para a adaptação das variáveis e os algoritmos aplicados em cada um deles. Já os resultados estão voltados para a obtenção de um comparativo entre a fase inicial e a final da evolução dos controladores neuro-fuzzy, assim como, a aplicabilidade de cada um deles de acordo com suas características intrínsecas.#$&A neuro-fuzzy system consists of two or more control techniques in only one structure. The main characteristic of this structure is joining one or more good aspects from each technique to make a hybrid controller. This controller can be based in Fuzzy systems, artificial Neural Networks, Genetics Algorithms or rein forced learning techniques. Neuro-fuzzy systems have been shown as a promising technique in industrial applications. Two models of neuro-fuzzy systems were developed, an ANFIS model and a NEFCON model. Both models were applied to control a ball and beam system and they had their results and needed changes commented. Choose of inputs to controllers and the algorithms used to learning, among other information about the hybrid systems, were commented. The results show the changes in structure after learning and the conditions to use each one controller based on theirs characteristics. |
|---|