Cristian Klen dos Santos

Título

Identificação de Modelos Baseados em Sistemas Fuzzy Recorrentes com Duplo Feedback Usando Evolução Diferencial

 

Orientador(es)

Alexandre Gonçalves Evsukoff


Resumo

Os sistemas fuzzy recorrentes são caracterizados por possuírem realimentação (feedback) e, por isso, são utilizados comumente para modelar sistemas dinâmicos complexos. Este trabalho apresenta o desenvolvimento de modelos baseados em sistemas fuzzy recorrentes que possuem uma conexão de feedback adicional e operadores de defasagem ajustáveis, permitindo que o modelo seja configurado para simulação e predição de sistemas dinâmicos de ordem desconhecida. Adicionalmente, uma abordagem de identificação simultânea da estrutura e dos parâmetros, baseada no algoritmo de evolução diferencial, foi desenvolvida. As abordagens propostas foram avaliadas em alguns problemas de benchmark. Os resultados obtidos mostraram o melhor desempenho da evolução diferencial sobre os algoritmos genéticos e a flexibilidade da evolução diferencial para identificar tanto os parâmetros quanto a estrutura de cada um dos modelos avaliados. Além disso, os resultados evidenciaram o potencial das novas estruturas, que proporcionaram um bom desempenho ao modelo. Embora a abordagem proposta seja caracterizada por uma formulação mais simples, ela apresentou desempenho equivalente quando comparada a alguns modelos do estado da arte nos problemas estudados.


Abstract

Recurrent fuzzy systems are characterized by feedback connections. Therefore, they are commonly used for modeling nonlinear dynamical systems. This work presents an approach to develop models based on recurrent fuzzy systems with an additional feedback connection and adjustable delay operators, allowing the model to be configured for both simulation and prediction of dynamic systems of unknown order. Additionally, an approach for unified structure and parameter identification based on differential evolution was also developed. The proposed approaches were evaluated in some benchmark problems. The obtained results show the best performance of
differential evolution compared to genetic algorithms and the flexibility of differential evolution to identify both the parameters and the structure of each one of the considered models. Besides, the results demonstrated the potential of the new structures developed, yielding models with good performance. Although the proposed approach is characterized by a simpler formulation, it shows equivalent performance when compared with some state-of-the-art models considering the benchmark problems.


Print