Académique Documents
Professionnel Documents
Culture Documents
SINTONIA DE POLOS
EM MODELO LAGUERRE-WIENER POR EVOLUC
AO
NAO-LINEAR
Programa de P
os-Graduac
ao em Engenharia de Automac
ao,
Universidade Federal de Santa Catarina, UFSC,
Campus Universit
ario, CEP 88040-970, Florian
opolis, Santa Catarina, Brasil
Identificac
ao de sistemas, filtro de Laguerre, p
olo de Laguerre, modelo Laguerre-Wiener.
Introdu
c
ao
ISBN: 978-85-8001-069-5
(Haykin, 1999; Mehrotra and Ranka, 1997). Dentre as redes neurais, a mais utilizada em identificacao de sistemas sao as redes neurais feedforward, como o perceptron multicamadas (MultiLayer Perceptron - MLP ) (Rumelhart et al., 1986)
ja que este modelo, utilizando apenas uma camada intermediaria com funcoes de ativacao naolineares e possuindo um n
umero suficiente de
neuronios, se torna um aproximador universal
de funcoes (Hornik et al., 1989), (Hornik, 2004),
(Bishop, 1995), (Ripley, 1996). Funcoes de ativacao nao-lineares tornam as redes neurais MLP
capazes de formar fronteiras de decisao complicadas entre padroes nao-linearmente separaveis de
dados (Haykin, 1999), tornando-as dessa maneira
u
teis na identificacao de sistemas.
Nesta mesma linha de abordagens comuns
esta a teoria dos sistemas fuzzy, pois os sistemas,
ou modelos, fuzzy de Takagi-Sugeno (TS) tem sido
3593
ISBN: 978-85-8001-069-5
Por sua vez, a componente nao-linear e representada por ganhos estaticos, interpolados por um
polinomio. O sistema nao-linear e separado em
diferentes zonas de operacao de acordo com a entrada. Cada zona de operacao e linearizada por
um filtro de Laguerre, cujo polo e posteriormente
sintonizado por evolucao diferencial. A importancia da sintonia dos polos e relacionada a adequac
ao
do modelo aos dados.
O restante deste artigo esta organizado da seguinte maneira, a secao 2 apresenta o filtro de Laguerre na formulacao discreta e a formulacao resultante em espaco de estados, a secao 3 apresenta
o metodo da evolucao diferencial, a secao 4 apresenta o problema de sintonia dos polos de Laguerre
no modelo Laguerre-Wiener como um problema
de otimizacao, a secao 5 apresenta o sistema naolinear SISO utilizado para levantamento de dados,
assim como os resultados do trabalho e a secao 6
apresenta as conclusoes do processo de sintonia
assim como consideracoes futuras sobre uma conversao para um modelo Hammerstein utilizando
sistemas Fuzzy para efetuar a interpolacao tanto
dos ganhos estaticos como do filtro de Laguerre.
2
Filtro de Laguerre
1 p2
zp
1 pz
zp
k1
k1.
(1)
Um modelo com estrutura de bases de Laguerre possui um somatorio de bases iguais, com
diferentes multiplicidades. Cada base possui um
coeficiente associado, definido pelo polo das fun
coes, tambem chamado de polo de Laguerre. E
pelo ajuste da posicao do polo que se ajusta a
taxa de diminuicao da resposta ao impulso, que,
3594
X[k + 1]
AX[k] + Bu[k]
Y[k + 1]
CY[k] .
probabilidade deste vir do vetor atual ou do vetor de diferencas. Compondo assim a representacao DE//Beta/delta de possveis variantes de
DE, sendo a mais comum a DE/1/rand/bin originalmente proposta por Storn e Price (Storn and
Price, 1997).
(2)
Evolu
c
ao Diferencial
A evoluc
ao diferencial (Differential Evolution)
(Storn, 1996; Storn and Price, 1997; Price, 2005)
em problemas deste tipo deve-se a alguns fatos
importantes, j
a que utiliza mecanismos de selecao
natural, opera por sobre valores reais e n
ao requer
diferenciabilidade da func
ao a ser otimizada, visto
que n
ao utiliza o gradiente da func
ao para guiar
a otimizac
ao. Ainda, geralmente n
ao e necessario
uma populac
ao numerosa para um funcionamento
adequado da tecnica.
Grosso modo, a DE evolui da seguinte forma:
em cada iterac
ao, para cada individuo da populac
ao (vetor atual), um indivduo mutante e criado
(vetor de diferencas) e este e recombinado com o
indivduo original para criar um novo indivduo
(vetor tentativa), se a func
ao a ser otimizada tiver melhor valor para o novo indivduo, este toma
o lugar do atual e passa para a pr
oxima iteracao,
sen
ao, o atual permanece.
H
a v
arios tipos de estrategias possveis na
composic
ao da DE, cada uma delas e controlada
por um de seus par
ametros: especifica o vetor
que ser
a perturbado atraves das diferencas, podendo este ser um vetor aleat
orio (rand) ou pode
ser o vetor que atingiu o melhor valor na funcao de
custo ate o momento (best); define o n
umero de
diferencas ponderadas a serem consideradas para
a perturbac
ao do vetor na construc
ao do vetor
de diferencas, e e o tipo de recombinac
ao feita
entre o vetor atual e o vetor de diferencas, podendo ser exponencial (exp), feito para atuar como
o crossover dos algoritmos geneticos, onde o vetor
tentativa e dividido em duas ou tres partes (crossover de um ponto ou de dois, respectivamente)
as quais de acordo com certa probabilidade virao
do vetor atual ou do vetor de diferencas, sendo assim o vetor tentativa composto por seq
uencias de
elementos consecutivos do vetor atual ou vetor de
diferencas (Zaharie, 2009); outra possibilidade de
recombinac
ao e o modo bin
ario (bin), onde para
cada elemento do vetor do vetor tentativa ha a
ISBN: 978-85-8001-069-5
3595
y[n] = 7 (A + B + C) ,
(4)
ln(n + 4)
e10.01un ,
round(ln(n + 1))!
C = e0.1n ,
(5)
(6)
(7)
Problema de Otimiza
c
ao
(3)
Resultados
Tendo em vista o objetivo de ajuste dos polos de Laguerre, isto e, da parte linear do modelo Laguerre-Wiener, a an
alise de resultados
concentra-se na parte linear do modelo, afinal
quanto melhor a adequac
ao da componente linear,
menores ser
ao os ganhos est
aticos na componente
n
ao-linear e menor o erro de interpolac
ao. Assim,
para levantamento de dados foi elaborado um sistema SISO n
ao-linear descrito pela seguinte equac
ao:
ISBN: 978-85-8001-069-5
3596
A figura 4 apresenta a an
alise de resduos para
o modelo. A figura superior apresenta a correlac
ao entre os atrasos de resduos, isto e, memoria.
Embora fora dos nveis de confianca, em amarelo,
observa-se que o atraso nulo obtem o maior ndice enquanto os demais atrasos tendem a zero,
indicando a ausencia de autocorrelac
ao entre os
resduos. A figura inferior apresenta a correlacao
entre resduos e sada, dentro dos nveis de confianca, demonstrando que o modelo retrata adequadamente esta relac
ao.
Por sua vez a an
alise de predic
ao e apresentada na figura 5. Observa-se que a media do erro
de predic
ao situa-se pr
oxima ao zero, indicando
boa adequacao do modelo neste quesito. Entretanto, h
a a ocorrencia de quatro extremos, picos,
de erro. Comparando a figura 5 com a figura 3, e
not
avel que estes extremos est
ao situados em zonas onde as n
ao-linearidades ocorrem com maior
intensidade, n
ao sendo corretamente representadas pelo modelo linear.
ISBN: 978-85-8001-069-5
Figura 4: Analise de resduos do sistema. Embora fora dos nveis de confianca, a figura superior indica a ausencia de autocorrelacao entre os
resduos, com o atraso nulo obtendo o maior ndice. A figura inferior, por sua vez, indica que o
modelo adequadamente retrata a correlacao entre
resduos e sada.
1
0,9
0,976
2
0,9
0,9806
Zonas de opera
c
ao
3
4
0,9
0,9
0,9838
0,9859
5
0,8912
0,9883
6
0,9
0,9885
3597
Conclus
ao
ISBN: 978-85-8001-069-5
3598
Kishor, N. (2008).
Zero-order ts fuzzy model to predict hydro turbine speed in closed loop operation, Applied Soft Computing
8(2): 10741084.
Mallipeddi, R. and Suganthan, P. (2010). Differential evolution algorithm with ensemble of
parameters and mutation and crossover strategies, in B. Panigrahi, S. Das, P. Suganthan
and S. Dash (eds), Swarm, Evolutionary, and
Memetic Computing, Vol. 6466 of Lecture Notes in Computer Science, Springer Berlin /
Heidelberg, pp. 7178.
Mehrotra, K. C. and Ranka, S. (1997). Elements
of Artificial Neural Networks, MIT Press.
Oliveira e Silva, T. (1995). Laguerre filters an
introduction, Revista do DETUA 1(3): 237
248.
Price, K. (2005). Differential Evolution: a Practical Approach to Global Optimization, Springer, Berlin.
Ripley, B. D. (1996). Pattern Recognition and
Neural Networks, Cambridge: Cambridge
University Press.
Ronkkonen, J., Kukkonen, S. and Price, K.
(2005). Real-parameter optimization with
differential evolution, Evolutionary Computation, 2005. The 2005 IEEE Congress on,
Vol. 1, pp. 506 513 Vol.1.
Rumelhart, D. E., Hinton, G. E. and Williams,
R. J. (1986). Learning Internal Representations by Error Propagation, in Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. I, MIT Press.
Storn, R. (1996). On the usage of differential
evolution for function optimization, in NAFIPS96, IEEE, pp. 519523.
Storn, R. and Price, K. (1997). Differential evolution - a simple and efficient heuristic for
global optimization over continuous spaces,
Journal of Global Optimization 11: 341359.
Sugeno, M. and Kang, G. T. (1988). Structure
identification of fuzzy model, Fuzzy Sets and
Systems 28(1): 1533.
Takagi, T. and Sugeno, M. (1985). Fuzzy identification of systems and its applications to
modeling and control, IEEE Transactions on
Systems, Man and Cybernetics 15(1): 116
132.
Trabelsi, A., Lafont, F., Kamoun, M. and Enea,
G. (2007). Fuzzy identification of a greenhouse, Applied Soft Computing 7(3): 1092
1101.
ISBN: 978-85-8001-069-5
3599