Resumo em Português:
Neste artigo é proposto um algoritmo baseado em aproximadores parametrizáveis linearmente para a identificação de sistemas incertos. O algoritmo proposto não requer o conhecimento prévio de limitantes para os parâmetros ''ótimos'', erros de aproximação e distúrbios para garantir estabilidade. Adicionalmente, assegura convergência assintótica do erro de estado para zero, inclusive na presença de incertezas, sempre que algumas condições sobre os parâmetros de projeto sejam satisfeitas.Resumo em Inglês:
In this paper a linearly parameterized approximators based algorithm for identifying uncertain systems is proposed. The proposed algorithm ensures stability without previous knowledge of bounds for the ''optimal'' parameter, approximation error, and disturbances. This algorithm guarantees that the state error converges asymptotically to zero, even in the presence of uncertainties, as long as some conditions on the design parameters are satisfied.Resumo em Português:
O mapa de Kohonen (SOM) tem sido utilizado como ferramenta para visualização de dados de elevada dimensionalidade. Características importantes da rede SOM incluem a compressão de informação e a tentativa de manutenção da topologia dos dados. Dados similares no espaço de entrada deveriam ser mapeados no mesmo neurônio, ou em neurônios vizinhos. Uma das ferramentas de visualização de um mapa 2-D treinado é U-matrix, que apresenta as relações de distância de pesos entre neurônios vizinhos do espaço de saída. A suposição de preservação topológica não é verdade em muitos problemas envolvendo redução de dimensionalidade. Com a automação da detecção de agrupamentos na rede SOM espaços de saída maiores podem ser utilizados em problemas envolvendo a descoberta de classes em dados multidimensionais. Mostra-se a ocorrência de erros topológicos em um exemplo simples de agrupamentos de dados 2-D em um mapa com saída 1-D. Este artigo apresenta uma extensão da U-matrix, o U-array, para espaços de saída maior que 2-D e sua aplicação em conjunto com o algoritmo SL-SOM, que possibilita a detecção do número e o geometria das classes em mapas treinados. Todo o processo é não-supervisionado. A vantagem de trabalhar com dimensões mais elevadas no espaço de saída é a melhor preservação da topologia em problemas de análise automática de dados. Apresenta-se um exemplo de uso de descoberta de classes de dados não linearmente separáveis.Resumo em Inglês:
The self-organizing map (SOM) has been widely used as a software tool for visualization of high-dimensional data. Important SOM features include information compression while trying to preserve topological and metric relationship of the primary data items. Similar data in the input space would be mapped to the same neuron or in a nearby unit. The clustering properties of a trained SOM 2-D can be visualized by the U-matrix, which is a neuron's neighborhood distance based image. This assumption of topological preservation is not true for many SOM mappings involving dimension reduction. With the automation of cluster detection in SOM network higher output dimensions can be used in problems involving discovery of classes in multidimensional data. Results of topological errors are shown in a simple 2-D clustering in a 1-D output grid SOM. This paper presents the U-array as an extension of the U-matrix for 3-D output grids. The advantage of the method relies in working with higher dimensions in the output space, which can lead to a better topological preservation in data analysis. Examples of automatic class discovery using U-arrays are also presented.Resumo em Português:
Este artigo apresenta um método de detecção e classificação de faltas em linhas de transmissão, a partir da análise de registros oscilográficos via redes neurais artificiais e transformada wavelet. Realiza-se a detecção da falta e a determinação de sua duração através de um conjunto de regras heurísticas construídas a partir da análise dos sinais de corrente nos domínios do tempo e wavelet. O método diferencia faltas de outras ocorrências relacionadas à qualidade da energia elétrica, tais como afundamentos de tensão e transitórios de chaveamento. Uma rede neural classifica faltas a partir do reconhecimento dos padrões das tensões e correntes relacionados a cada tipo específico. O método proposto foi avaliado para registros simulados e reais em linhas de transmissão do sistema Chesf, apresentando bons resultados em ambos os casos.Resumo em Inglês:
This paper presents a method for fault detection and classification in transmission lines, based on analysis of oscillographic data using artificial neural networks and wavelet transform. The fault detection and its clearing time are determined based on a set of heuristic rules obtained from the current waveform analysis in time and wavelet domains. The method is able to single out faults from other power quality disturbances such as voltage sags and oscillatory transients, which are common in power systems operation. An ANN classifies the fault by the voltage and current waveforms pattern recognition in time domain. The method was used for fault detection and classification from both simulated and real oscillographic data of Chesf, a Brazilian utility company, with excellent results.Resumo em Português:
Para ter uma aplicação real, um robô móvel deve poder desempenhar sua tarefa em ambientes desconhecidos. Uma arquitetura para robôs móveis que se adapte ao meio em que o robô se encontra é então desejável. Este trabalho apresenta uma arquitetura adaptativa para robôs móveis, de nome AAREACT, que aprende como coordenar comportamentos primitivos codificados por Campos Potenciais através de Aprendizado por Reforço. A atuação da arquitetura proposta, após uma fase de aprendizado inicial, é comparada com a apresentada por uma arquitetura com coordenação fixa dos comportamentos, demonstrando melhor desempenho para diversos ambientes. Os experimentos foram realizados no simulador do robô Pioneer, da ActivMedia Robotics®. Os resultados experimentais obtidos neste trabalho apontam também a alta capacidade de adaptação da arquitetura AAREACT para um ambiente e tarefa especificos.Resumo em Inglês:
In most real world applications, mobile robots should perform their tasks in previously unknown environments. Thus, a mobile robot architecture capable of adaptation is very suitable. This work presents an adaptive architecture for mobile robots, AAREACT, which has the ability of learning how to coordinate primitive behaviors codified by the Potential Fields method by using Reinforcement Learning. The proposed architecture’s performance is compared to that showed by an architecture that performs a fixed coordination of its behaviors, and shows a better performance for different environments. Experiments were performed in the robot Pioneer’s simulator, from ActivMedia Robotics®. The obtained results also suggest that AAREACT has good adaptation skills for specific environment and task.Resumo em Português:
A área de Robótica Cognitiva tem como principal objetivo desenvolver agentes robóticos capazes de realizar funções de alto-nível, especificando o programa de controle do robô em uma linguagem de programação baseada em lógica. Desta forma, é possível declarar e verificar propriedades do agente como prova de teoremas. Além disso, uma especificação feita em uma linguagem formal pode ser executável, o que permite simular o comportamento do agente através dessa especificação. Este artigo apresenta o desenvolvimento, passo a passo, de um agente para um robô Lego® MindStorms™, usando IndiGolog - uma linguagem para especificação de agentes baseada no Cálculo de Situações. Como exemplo de aplicação, foi escolhido o problema clássico do Mundo do Wumpus para o qual a construção de um agente completo envolve a integração das seguintes técnicas de: planejamento reativo, planejamento para satisfação de metas e realização de tarefas (planejamento hierárquico), execução de ações, raciocínio com informação incompleta, geração e raciocínio hipotético sobre o estado do mundo e mudanças de crença.Resumo em Inglês:
The goal of the Cognitive Robotics research area is to develop robotic agents capable of high-level functions by using a programming language, based on logics, to describe the robot control program. Besides, such a language can be used to prove properties of the world and to simulate the robot behavior by running its program. This paper shows how a Lego® MindStorms™ robot can be used to implement a software agent capable of performing high level functions specified in IndiGolog - a logical language to write robot control programs, based on Situation Calculus. The application domain example is the classical problem of the Wumpus World for which the construction of a complete intelligent agent requires the integration of several Artificial Intelligence techniques, such as: reactive planning; hierarquical and goal achievement planning; plan execution; reasoning with incomplete information; generation and discrimination of hypotheses about the world state; and belief changes.Resumo em Português:
Na operação dos sistemas de transmissão de potência, os problemas de tensão/potência reativa podem ocorrer a qualquer momento devido a contingências e/ou alterações na demanda. Portanto, são necessários serviços ancilares de suporte de potência reativa em períodos de tempo relativamente pequenos para não comprometer a segurança e a confiabilidade do sistema elétrico. Esse serviço pode ser contratado pelo Operador Independente do Sistema a agentes conectados ao sistema elétrico, tais como geradores e compensadores síncronos, e compensadores estáticos. Este artigo propõe uma metodologia para minimizar o custo do serviço de potência reativa provida por geradores considerando o acoplamento com o serviço de reservas de potência e com o mercado de energia. Considera-se o método de pagamento de "reserva atribuída"para o serviço de reserva de potência. Reportam-se resultados com os sistemas-teste IEEE 14-barras e IEEE 30-barras, ilustrando o acoplamento mencionado, assim como as implicações econômicas.Resumo em Inglês:
Voltage/reactive power problems can occur at any time during system operation, due to contingencies and/or to demand changes. Therefore, the ancillary service for reactive power is necessary to improve the operating state avoiding system security and reliability degradation. Control is to act in relatively small time periods. Such a service is to be acquired by the System Independent Operator from agents connected to the network, such as synchronous generators and compensators, and static VAR compensators. This paper proposes a methodology for minimizing the cost of the reactive power service provided by generators considering the coupling among it, the power reserve service and the energy market. The ällocated reserve" payment method for the reserve power service was used. Numerical results with the IEEE 14-Bus and IEEE 30-Bus test-systems are presented in order to illustrate the mentioned coupling as well as its economic implications.Resumo em Português:
Este artigo propõe uma nova estratégia para representar o problema de planejamento da expansão da transmissão a longo prazo. A proposta apresenta uma novidade, um modelo matemático que considera a instalação de dispositivos de compensação série. Nesta nova formulação a inclusão desses dispositivos torna a função objetivo não-linear e aumenta a não-linearidade das restrições relacionadas com a segunda lei de Kirchhoff. Para validar o modelo proposto são estudados o comportamento dos fluxos de potência ativa no sistema com a presença dos dispositivos de compensação série. Um algoritmo genético especializado, com codificação inteira e real, foi implementado com a intenção de fornecer como solução, a quantidade e o local, onde devem ser instalados as novas linhas de transmissão e os dispositivos de compensação série, além do valor da compensação. Os impactos da adição dos dispositivos de compensação série são mostrados através de estudos detalhados com o sistema teste IEEE 24 barras. Os resultados indicam um bom desempenho da metodologia proposta.Resumo em Inglês:
This paper proposes a new method for representation of the long-term transmission expansion planning model. The main contribution of this approach is that the developed mathematical model permits to consider the installation of series compensation devices. With the inclusion of these devices, in this new formulation, the objective function becomes non-linear and the behavior of the constraints related to Kirchhoff laws becomes ever more non-linear and complex. In order to validate the proposed model, studies are conducted to verify the active power flow behavior in the presence of series compensation devices. A specialized genetic algorithm, with integer and real codification, was implemented to solve this model. The optimization solution supplies the amount and the local where new transmission lines and series compensation devices must be installed. In the case of series compensation devices, the compensation level capability is also provided. The impacts caused by the installation of the series compensation devices are presented though detailed studies by using the IEEE 24 bus system. The results show that the method has great potential to be applied to real long-term transmission expansion planning problem.Resumo em Português:
Neste artigo é apresentada uma prova de estabilidade para o controlador em Modo Dual Adaptativo Robusto (DMARC) para plantas com grau relativo unitário. O DMARC é um controlador que interpola as estratégias de Controle Adaptativo por Modelo de Referência (MRAC) e o Controle Adaptativo por Modelo de Referência e Estrutura Variável (VS-MRAC) com o intuito de incorporar as vantagens de desempenho transitório de um VS-MRAC, com as propriedades de regime permanente de um MRAC convencional. Desta forma, deseja-se obter um sistema de controle robusto a incertezas paramétricas e perturbações externas, com desempenho rápido e pouco oscilatório durante o transitório e um sinal de controle suave em regime permanente.Resumo em Inglês:
In this paper the stability proof to the Dual Mode Adaptive Robust Control (DMARC) applied to plants with relative degree one is presented. The DMARC is a control strategy which interpolates the Model Reference Adaptive Control (MRAC) and the Variable Structure Model Reference Adaptive Control (VS-MRAC). The main idea is to develop a robust controller to parametric uncertainties and external disturbances with good transient characteristics (fast response and small oscillations) as in a VS-MRAC and good steady-state characteristic (smooth control signal) as in a conventional MRAC.Resumo em Português:
Este trabalho apresenta um novo modelo híbrido neuro-fuzzy para aprendizado automático de ações efetuadas por agentes. O objetivo do modelo é dotar um agente de inteligência, tornando-o capaz de, através da interação com o seu ambiente, adquirir e armazenar o conhecimento e raciocinar (inferir uma ação). Este novo modelo, denominado Reinforcement Learning Neuro-Fuzzy Hierárquico Politree (RL-NFHP), descende dos modelos neuro-fuzzy hierárquicos NFHB, os quais utilizam aprendizado supervisionado e particionamento BSP (Binary Space Partitioning) do espaço de entrada. Com o uso desse método hierárquico de particionamento, associado ao Reinforcement Learning, obteve-se uma nova classe de Sistemas Neuro-Fuzzy (SNF) que executam, além do aprendizado da estrutura, o aprendizado autônomo das ações a serem tomadas por um agente. Essas características representam um importante diferencial em relação aos sistemas de aprendizado de agentes inteligentes existentes. O modelo RL-NFHP foi testado em diferentes problemas benchmark e em uma aplicação de robótica (robô Khepera). Os resultados obtidos mostram o potencial do modelo proposto, que dispensa informações preliminares como número e formato das regras, e número de partições que o espaço de entrada deve possuir.Resumo em Inglês:
This work presents a new hybrid neuro-fuzzy model for the automatic learning of actions taken by agents. The objective of this model is to provide intelligence for an agent, making it capable of acquiring and retaining knowledge, as well as thinking (infer an action), by interacting with its environment. This new model, named Reinforcement Learning Hierarchical Neuro-Fuzzy Politree (RL-NFHP), descend from the hierarchical BSP neuro-fuzzy models, which employ supervised learning and BSP partitioning (Binary Space Partitioning) of the input space. By using this hierarchical partitioning method, together with the Reinforcement Learning methodology, a new class of Neuro-Fuzzy Systems (SNF) was obtained, which automatically learns its structure as well as the actions that must be taken by an agent. These characteristics represent an important differential when compared to existing intelligent agents learning systems. The RL-NFHP model was tested in different benchmark problems, as well as in a robotic application (Khepera robot). The results obtained demonstrate the potential of the proposed model, which does without information as number of rules, rules' format and number of partitions that the input space should have.Resumo em Português:
Redes neurais pulsadas - redes que utilizam uma codificação temporal da informação - têm despontado como uma promissora abordagem dentro do paradigma conexionista, emergente da ciência cognitiva. Um desses novos modelos é a rede neural pulsada com função de base radial, que é capaz de armazenar informação nos tempos de atraso axonais dos neurônios. Um algoritmo de aprendizado foi aplicado com sucesso nesta rede pulsada, que se mostrou capaz de mapear uma seqüência de pulsos de entrada em uma seqüência de pulsos de saída. Mais recentemente, um método baseado no uso de campos receptivos gaussianos foi proposto para codificar dados constantes em uma seqüência de pulsos temporais. Este método tornou possível a essa rede lidar com dados computacionais. O processo de aprendizado desta nova rede não se encontra plenamente compreendido e investigações mais profundas são necessárias para situar este modelo dentro do contexto do aprendizado de máquinas e também para estabelecer as habilidades e limitações desta rede. Este trabalho apresenta uma investigação desse novo classificador e um estudo de sua capacidade de agrupar dados em três dimensões, particularmente procurando estabelecer seus domínios de aplicação e horizontes no campo da visão computacional.Resumo em Inglês:
Pulsed neural networks - networks that encode information in the timing of spikes - has been studied as a new and promising approach in the artificial neural networks paradigm, emergent from the cognitive science. One of these new models is the pulsed neural network with radial basis function, a network able to store information in the axonal propagation delay of neurons. A learning algorithm was successfully applied to this pulsed network, which was able to map a sequence of input pulses into a sequence of output pulses. More recently, a method based on the use of Gaussian receptive fields was proposed to encode constant data into a temporal sequence of spikes. This method allowed this network to deal with computational data. The learning process of this new network is not completely understood and deeper investigations are necessary in order to situate this model in the machine learning context and also to establish the network abilities and limitations. This work investigates this new classifier and presents a study of the network capability in solving the three-dimensional clustering task, particularly looking for establishing its application domains and horizons in the computer vision field.