5.2 Características dos sistemas Neuro-Fuzzy

Previsões da condição de luminosidade em ambientes como salas ou

cômodos de apartamentos foram realizadas com modelos Neuro-Fuzzy, que foram utilizados no projeto de controladores de iluminação automáticos

(Kurian et al., 2006), no qual desenvolveu-se modelos fuzzy via Anfis para previsão de um, seis e dez passos à frente. O conjunto de treinamento fo construído com o auxílio de um software de simulação que emulava as condições de iluminação de um ambiente segundo parâmetros como dimensão da sala, obstruções, posicionamento de móveis, condições de luminosidade externa, dentre outros. Os controladores obtidos apresentaram boa capacidade

para se ajustar adequadamente às condições de luminosidade. Ming-Bao e

Xin-Ping (2008) aplicaram um sistema híbrido composto por Anfis e GA para prever o fluxo de tráfego de automóveis. Para obtenção dos dados de treinamento, um software de simulação de propósito específico foi utilizado para gerar novecentas observações de fluxo diversas. Das novecentas observações, oitocentas foram usadas para criação do conjunto de treinamento e cem foram usadas para compor o conjunto de testes. Os dados de treinamento foram agrupados por meio do algoritmo “Subtractive Clustering” e, com base nesse agrupamento, o processo de treinamento foi inicializado. A definição de um raio de agrupamento ótimo foi realizada por meio da aplicação de um algoritmo genético. Os resultados foram comparados aos resultados obtidos via aplicação de modelos gerados por rede neural ou lógica difusa distintamente. O sistema híbrido apresentou melhores resultados

Faustino (2011) e Faustino et al. (2011, 2012) realizaram previsões de diferentes tipos de séries temporais utilizando modelos obtidos via Anfis e por regras aproximadas (rough rules), fazendo comparações com modelos neurais e estatísticos. Na maioria dos casos testados os melhores resultados foram obtidos com modelos difusos.

5.2 Características dos sistemas Neuro-Fuzzy

Redes neurais e sistemas fuzzy têm sido aplicados a muitos problemas incluindo identificação de sistemas, previsões de séries temporais classificações de padrões, sistemas de controle etc.

Um sistema Neuro-Fuzzy é um sistema que usa um algoritmo de

aprendizado derivado ou inspirado nas redes neurais artificiais ou em algoritmos genéticos para determinar seus parâmetros, como funções de pertinência, ponderações de regras etc.

Os sistemas Neuro-Fuzzy são normalmente modelados como redes neurais

multicamadas, nos quais os procedimentos de fuzificação de dados por

arquiteturas de redes neurais são também considerados (Oliveira et al., 2011) Em redes Neuro-Fuzzy os pesos das ponderações, propagação de erros e outros detalhes diferem das redes neurais convencionais. Existem abordagens diferentes, e o termo sistema Neuro-Fuzzy é usado para abordagens que apresentam as seguintes propriedades:

• Um sistema Neuro-Fuzzy está baseado em um sistema fuzzy, que é treinado

por um algoritmo de aprendizagem, derivado de procedimentos de treinamento das redes neurais. O procedimento opera com informações locais que causam apenas modificações nos parâmetros locais do modelo fuzzy correspondente.

• Um sistema Neuro-Fuzzy pode ser visto como uma rede neural de três

camadas. A primeira camada representa as variáveis de entrada, a camada do meio (escondida) representa as regras fuzzy e a terceira camada representa as variáveis de saída do sistema, na qual os conjuntos nebulosos são codificados como pesos das conexões associadas. Algumas vezes uma arquitetura de cinco camadas é usada, na qual os conjuntos nebulosos são representados em unidades da segunda e quarta camadas.

• Um sistema Neuro-Fuzzy pode ser sempre interpretado como um sistema

de regras fuzzy. Mas nem todos os modelos neuro-fuzzy especificam procedimentos de aprendizagem para criação de regras fuzzy.

• O procedimento de aprendizagem de um sistema Neuro-Fuzzy torna as

propriedades semânticas de um sistema fuzzy em uma descrição que resulta em restrições em possíveis modificações aplicáveis aos parâmetros do sistema. Mas nem todas as abordagens Neuro-Fuzzy possuem essa propriedade;

• Um sistema Neuro-Fuzzy aproxima uma função n-dimensional

parcialmente definida pelos dados de treinamento, em que as regras fuzzy codificadas pelo sistema representam exemplos que podem ser vistos como protótipos dos dados de treinamento.