Académique Documents
Professionnel Documents
Culture Documents
qualitativos, de amostras para o processo de treinamento da Rjk: SE x1 Ajk1 E x2 Ajk2 E ...E xn Ajkn
rede neural.
ENTO yk pjk (x1, ..., xn) (4)
Entretanto, muitos pesquisadores apresentam criticas a
utilizao de RNAs, devido s mesmas apresentarem um sendo pjk (x1, ..., xn) uma funo linear das entradas.
comportamento qualificado como de caixas-pretas. Pois as
Considerando um sistema com n entradas, m sadas, e
redes no apresentam uma explicao satisfatria para o seu
regras fuzzy do tipo multi-entradas e sada simples (MISO
comportamento.
Multiinput Single Output) com lk entradas de regras para a
sada k. Ento yk calculado da seguinte maneira:
IV. SISTEMAS BASEADOS EM REGRAS FUZZY
lk
y k v jk p jk x1 ,..., xn
A lgica fuzzy suporta os modos de raciocnio que so
(5)
aproximados, ao invs de exatos, sendo baseada na teoria dos
j 1
conjuntos nebulosos. Nesta lgica, o raciocnio exato
corresponde a um caso limite do raciocnio aproximado, onde vjk representa o valor de ativao (peso) da regra j para a
sendo interpretado como um processo de composio sada k.
nebulosa.
O desenvolvimento da teoria dos conjuntos nebulosos,
V. EQUIVALNCIA ENTRE RNAS E SRFS
assim como a prpria lgica fuzzy, introduziu uma classe de
objetos na qual a transio entre a pertinncia e a no- Quando as funes de ativao em uma RNA so
pertinncia se d de forma gradual ao invs de abrupta. Isso contnuas, a funo de rede calculada ser contnua. Ento
permitiu a utilizao de SRFs em aplicaes que vo desde o uma RNA pode ser aproximada por um SRF, e vice-versa [1].
controle de processos complexos at o reconhecimento de A equivalncia ente RNAs e SRFs j foi estudada por
padres. diversos autores no passado. Muitos desses estudos
Nas SRFs o conhecimento representado utilizando estabelecem essa equivalncia atravs de processos de
expresses lingsticas relacionadas com valores numricos, aproximao. Entretanto, para que essa equivalncia ocorra
e, portanto, mais acessveis ao entendimento humano e mais com um elevado grau de preciso, necessrio um nmero
fceis de serem interpretadas. elevado de regras para um SRF aproximar uma RNA.
Como indicado na Fig. 2, um SRF composto de quatro No entanto, em [1] demonstrado que um SFA pode
partes: fuzzificao, base de conhecimento, mquina de representar a mesma funo de uma RNA com um nmero
inferncia, e defuzzificao. finito de regras e igualdade nos resultados matemticos. A
seguir ser apresentada uma breve demonstrao do mtodo,
baseada na referncia.
Considerando uma rede neural de trs camadas do tipo
feedforward com uma funo de ativao logstica nos
neurnios da camada escondida e funo identidade para os
neurnios da camada de sada. Ento existe um SFA que
calcula a mesma funo da rede neural [1].
Para descrever um sistema fuzzy necessria apenas a base
de regras. Empregando regras do tipo Takagi-Sugeno-Kang
(TSK), para cada par de neurnios entre as camadas
Fig. 2. Diagrama de blocos de um SRF [6]. escondida e de sada, (zj e yk), acrescentada a regra:
n
O processo de fuzzificao converte valores reais em R jk : SE xi wij j A ENTO y k jk (6)
valores fuzzy, definidos por conjuntos fuzzy. As funes que i 1
definem os intervalos das variveis lingsticas so
sendo A um valor fuzzy em , onde a funo de pertinncia
representadas na base de dados, junto com as regras fuzzy. A
mquina de inferncia calcula a sada fuzzy. A defuzzificao simplesmente a funo de ativao fA dos neurnios da
transformar o valor de sada fuzzy do sistema em um valor camada escondida.
numrico real. Como o sistema fuzzy aditivo, o disparo da regra Rjk, vjk,
ser dado por A xi wij j , e a sada do sistema um
n
As regras fuzzy apresentam a seguinte forma:
Ri: SE x1 A1i E x2 A2i E ... E xn Ani i 1
ENTO y Bi (3) vetor com os componentes dados por:
h
n
i i
onde x1,..., xn so as entradas, y a sada, e A1 ,.., An e Bi so y k A xi wij j jk (7)
variveis lingsticas. j 1 i 1
Os Sistemas Fuzzy Aditivos (SFAs) apresentam regras com Atravs de (6) e (7), pode ser facilmente checado que a
a seguinte expresso, denominadas regras do tipo Takagi- sada yk do SFA exatamente a mesma obtida com uma RNA.
Sugeno-Kang (TSK):
th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 4
Neste desenvolvimento, foram utilizadas simples regras do Considerando uma RNA multicamada com uma nica
tipo SE z A ENTO y = v onde v e z so novas camada escondida, como ilustrado na Fig. 1. Tambm,
variveis obtidas por uma mudana de varivel nas n adotando que alguns pesos wij so positivos e outros
entradas. Tambm, os conjuntos fuzzy A podem ser negativos, de modo, sem perda de generalizao, que: wij < 0
entendidos como maior que aproximadamente r, onde r para 1 i p e wij > 0 para p i n. O procedimento para
um nmero real positivo obtido de um valor de corte pr- transformar as regras fuzzy para o domnio das variveis de
estabelecido. Desde que as funes logsticas podem variar de entrada do problema consistir dos seguintes passos:
0 at 1, assintoticamente, usual na literatura considerar os 1) Transformar os domnios das variveis de entrada.
valores (nveis) 0,1 e 0,9 para total ausncia de ativao e Para obter regras fuzzy com um mesmo operador un ,
total ativao, respectivamente, conforme ilustrado na Fig. 3.
um valor comum de u deve ser utilizado para todas as
transformaes. Portanto, este passo consiste dos
clculos:
0
,
min wij ,1 i n,1 j h
e u 4 .
2 0
Esses parmetros sero utilizados na funo T(x) =
u.x e no operador un .
2) Para cada neurnio de sada yk, uma regra fuzzy R0k:
Se VERDADE ento yk = k acrescentada base
Fig. 3. Funo de pertinncia para aproximadamente maior que 2,2 [2]. de regras.
As regras obtidas podem ainda serem alteradas para 3) Para cada par de neurnios das camadas escondida e
permitir uma interpretao mais fcil. Para isso, podemos de sada (zj, yk), a seguinte regra acrescentada:
proceder decomposio das premissas das regras, que
Rjk: Se T(x1. w1j+0) no maior que
podem ser reescritas:
aproximadamente 2,2 un1 ... T(xp. wpj+0) no
Rjk: SE x1 Ajk1 x2 Ajk2 ... xn Ajkn maior que aproximadamente 2,2 un1 T(x(p+1). w(p+1)j
ENTO yk = jk (8) - 0) maior que aproximadamente 2,2 un1 ... T(xn.
com sendo um conectivo lgico e Ajk sendo novos valoresi wnj - 0) maior que aproximadamente 2,2 un1 j
de conjunto fuzzy obtidos de A, dos pesos wij e dos valores de Ento yk = jk .
bias j.
1 1
que aproximadamente nj un1 j Ento yk = jk .
a1u ...anu
un a1 ,..., an (9)
a1u ...anu 1 a1 ...1 an
1 1 u 1 u 1
th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 5
C2H2/C2H4 e R5 = C2H4 /C2H6. A sada da RNA poder R2 maior que aproximadamente 0,0073 194 4
, 59
R5 no
indicar o cdigo numrico 1 para Falta Trmica de Baixa maior que aproximadamente 0,0394 4 194, 59
6,66*10-103
Temperatura, 2 para Falta Trmica de Alta temperatura, 3 ENTO Y = -1,3175.
para Descarga Parcial de Baixa Energia, 4 para Descarga
Parcial de Alta Energia e 5 para Degradao da Celulose. Regra 8: SE R1 no maior que aproximadamente 0,0082
Aps o treino e validao da RNA foram obtidos os 194
4
, 59
R2 no maior que aproximadamente 0,0074 194
4
, 59
Regra 11: SE R1 no maior que aproximadamente 0,775 Como pode ser observado da comparao dos resultados
194, 59
R2 maior que aproximadamente 0,0152 194 , 59
R5 das Tabelas 2 e 3, a excluso das quatro regras do conjunto
4 4
[5] K. Hornik, M. Stinchcombe, and H. White, Multilayer feedforward diagnstico de faltas incipientes em transformadores, anlise de carregamento de
networks are universal approximators Neural Networks, vol. 2, pp. 359 transformadores, gerao elica, anlise de estabilidade transitria.
366, 1989.
[6] Lima S. E. U. Diagnstico Inteligente de Falhas Incipientes em Otaclio M. Almeida. Possui graduao em Engenharia Eltrica pela
Transformadores de Potncia Utilizando Anlise dos Gases Dissolvidos em Universidade Federal do Cear (1987), mestrado em Engenharia Eltrica pela
leo, Dissertao de Mestrado, UFC/CT/DEE, Fortaleza-CE, 2005. Universidade Estadual de Campinas (1990) e doutorado em Engenharia Eltrica
[7] M.W. Craven and J.W. Shavlik. Extracting tree-structured representations pela Universidade Federal de Santa Catarina (2002). Atualmente professor
of trained networks. In David S. Touretzky, Michael C. Mozer and adjunto da Universidade Federal do Cear. Tem experincia na rea de
Michael E. Hasselmo, editors, Advances in Neural Information Processing Engenharia Eltrica, com nfase em Automao Eletrnica de Processos
Systems, volume 8, pages 24-30. The MIT Press, 1996. Eltricos e Industriais, atuando principalmente nos seguintes temas:
[8] U. Johansson, R. Knig and L. Niklasson. Rule extraction from trained controladores industriais, controle de processos, controladores pid, mquinas
neural networks using genetic programming. In Joint 13th International eltricas industriais e controladores inteligentes.
Conference on Artificial Neural Networks and 10th International
Conference on Neural Information Processing, ICANN/ICONIP 2003,
pages 13-16, 2003. Arthur P. S. Braga nasceu em Natal-RN, Brasil, em 1971. Possui graduao
[9] I. Taha and J. Ghosh. Symbolic interpretation of artificial neural em Engenharia Eltrica pela Universidade Federal do Cear (1995), mestrado
networks. IEEE Transactions on Knowledge and Data Engineering, em Engenharia Eltrica pela Universidade de So Paulo (1998), doutorado em
11(3):448-463, 1999. Engenharia Eltrica [S. Carlos] pela Universidade de So Paulo (2004), ps-
[10] Z.-H. Zhou, S.-F. Chen and Z.-Q. Chen. A statistics based approach for doutorado pela Universidade de So Paulo/So Carlos - USP/SC (2005) e ps-
extracting priority rules from trained neural networks. Proceedings of the doutorado pela Universidade de So Paulo/So Carlos - USP/SC (2006).
IEEE-INNS-ENNS International Joint Conference on Neural Networks, 3, Atualmente Professor Adjunto da Universidade Federal do Cear. Tem
2000. experincia na rea de Engenharia Eltrica, com nfase em Redes Neurais.
[11] Z.-H. Zhou, Y. Jiang and S.-F. Chen. Extracting symbolic rules from Atuando principalmente nos seguintes temas: Aprendizagem por reforo, agente
trained neural network ensembles. AI Communications, 16(1):3-15, autnomo, redes neurais, inteligncia artificial, Mapas auto-organizveis.
2003.
[12] U. Markowska-Kaczmar and M. Chumieja. Discovering the mysteries of Fbio R. Barbosa nasceu em Fortaleza-CE, Brasil, em 1979. Possui nvel
neural networks. International Journal of Hybrid Intelligent Systems, 1(3- mdio tcnico em Eletrotcnica, pelo Centro Federal de Educao Tecnolgica
4):153-163, 2004. do Cear (1999) e graduao em Engenharia Eltrica pela Universidade Federal
[13] F. Chen. Learning accurate and understandable rules from SVM do Cear (2004). Possui ttulo de Mestre em Engenharia Eltrica pelo Programa
classifiers. Master's thesis, Simon Fraser University, 2004. de Ps-graduao do Departamento de Engenharia Eltrica da Universidade
[14] G.P.J. Schmitz, C. Aldrich and F.S. Gouws. ANN-DT: An algorithm for Federal do Cear (2008). Tem experincia em pesquisas de Inteligncia
extraction of decision trees from artificial neural networks. IEEE Artificial aplicadas Engenharia Eltrica. Exerceu atividades de consultoria na
Transactions on Neural Networks, 10(6):1392-1401, 1999. rea de automao industrial e controle lgico programvel junto ao Servio
[15] N. Barakat and J. Diederich. Eclectic rule-extraction from support vector Nacional de Aprendizagem Industrial do Cear - SENAI. Atualmente, bolsista
Machines. International Journal of Computational Intelligence, 2(1):59- de ps-graduao da CAPES e desenvolve pesquisas no campo de
62, 2005. monitoramento e diagnstico de transformadores de potncia imersos em leo
[16] G. Fung, S. Sandilya and R.B. Rao. Rule extraction from linear support isolante como doutorando do Programa de Ps-Graduao do Departamento de
vector machines. In 11th ACM SIGKDD international conference on Engenharia Eltrica da Universidade Federal do Cear.
Knowledge discovery in data mining, pages 32-40, 2005.
[17] R. Setiono and W.K. Leow. FERNN: An algorithm for fast extraction of Srgio S. Lima possui graduao em Informtica pela Universidade de
rules from neural networks. Applied Intelligence, 12(1-2):15-25, 2000 Fortaleza (2000). Atualmente, bolsista do Laboratrio do Grupo de Pesquisa
[18] R. Setiono and H. Liu. Neurolinear: From neural networks to oblique em Automao Robtica (GPAR) do Departamento de Engenharia Eltrica da
decision rules. Neural Computing, 17(1):1-24, 1997. Universidade Federal do Cear, e desenvolve pesquisas no campo de
[19] R. Setiono and B. Baesens. Risk management using recursive neural net- monitoramento e diagnstico de transformadores de potncia imersos em leo
work rule extraction. Submitted to Management Science, 2006. isolante.
[20] H. Nez, C. Angulo and A. Catal. Rule extraction from support vector
machines. In European Symposium on Artificial Neural Networks
Luciano A. C. Lisboa possui graduao em Engenharia Eletrnica pela
(ESANN), pages 107-112, 2002.
Universidade Federal de Pernambuco (2002). Atualmente Engenheiro da
[21] S. Thrun. Extracting provably correct rules from artificial neural
Companhia Hidro Eltrica do So Francisco. Tem experincia na rea de
networks. Technical report iai-tr-93-5, Universitt Bonn, Institut fur
Engenharia Eltrica, com nfase em Eletrnica Industrial, Sistemas e Controles
Informatik III, 1993.
Eletrnicos.
[22] R. Setiono, W.K. Leow and J.M. Zurada. Extraction of rules from
artificial neural networks for nonlinear regression. IEEE Transactions on
Neural Networks, 13(3):564-577, 2002.
[23] K. Saito and R. Nakano. Extracting regression rules from neural
networks. Neural Networks, 15(10):1279-1288, 2002.
[24] J.R. Quinlan. C4.5: Programs for Machine Learning. Morgan Kaufmann
Publishers Inc., San Francisco, CA, USA, 1993.
[25] R. Setiono and J.Y.L. Thong. An approach to generate rules from neural
networks for regression problems. European Journal of Operational
Research, 155(1):239-250, 2004.
[26] R. Setiono, W.K. Leow and J.M. Zurada. Extraction of rules from
artificial neural networks for nonlinear regression. IEEE Transactions on
Neural Networks, 2002.
XII. BIOGRAFIAS