Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFEI (RIUNIFEI) |
Texto Completo: | https://repositorio.unifei.edu.br/jspui/handle/123456789/1335 |
Resumo: | Esta tese trata do desenvolvimento de um algoritmo para aprendizado supervisionado capaz de extrair conhecimentos provenientes de tarefas de manobras veiculares realizadas por um motorista humano. Como o objetivo final e determinar o conhecimento do motorista de forma compreensível, este será representado por Sistema de Inferência Fuzzy (FIS) baseado no modelo Mamdani, por representar o problema de forma simples por meio da linguagem natural humana. O desenvolvimento de tal sistema e, na verdade, um problema de otimização inteira mista, onde se deseja mapear o relacionamento entre as entradas provenientes do sistema de aquisição de dados do veículo com as respostas fornecidas por um humano. A geração deste Sistema Fuzzy implica na geração de uma estrutura de regras fuzzy e funções de pertinência que representem adequadamente o conjunto de exemplos de treinamento. Assim, o problema e dividido em duas partes: uma responsável pelo aprendizado das regras e a outra responsável pela otimização das funções de pertinência. A implementação do algoritmo para solucionar este problema, aplica os conceitos de Sistema Imunológico Artificial baseado em Gradiente (GbAIS) com duas populações distintas de anticorpos: uma para aprendizagem da estrutura de regras e outra para otimização das funções de pertinência. Por meio do processo de coevolução das duas populações e possível: trocar informações entre elas, uma vez que as mesmas são interdependentes; evitar o surgimento de ótimos locais; e aumentar o fitness do sistema gerado. Para validar esta proposta, o FIS gerado e utilizado em uma aplicação de veículos inteligentes. O algoritmo foi testado inicialmente em um ambiente de simulação 3D e posteriormente em um veículo de passeio real. Os resultados obtidos para o problema de estacionamento em vaga paralela e navegação em um circuito com waypoints comprovaram a eficácia do algoritmo proposto. As principais contribuições desta tese são: 1) a utilização de técnicas de aprendizado supervisionado para geração automática de sistemas de controle de alto nível em veículos inteligentes, por ser um tema pouco pesquisado neste tipo de aplicação; 2) a proposta da Tabela de Regras Potencias (TRP) para pré-seleção de regras candidatas, conduzindo a redução do espaço de busca; e 3) a aplicação de CGbAIS, uma nova técnica baseada em população. |
id |
UFEI_a87901ff7615685e56fa48a1ae37ce74 |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/1335 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
7044 |
spelling |
2010-12-152018-06-08T12:48:19Z2018-06-08T12:48:19ZVERMAAS, Luiz Lenarth Gabriel. Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. 2010.117 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Itajubá, Itajubá, 2010.https://repositorio.unifei.edu.br/jspui/handle/123456789/1335Esta tese trata do desenvolvimento de um algoritmo para aprendizado supervisionado capaz de extrair conhecimentos provenientes de tarefas de manobras veiculares realizadas por um motorista humano. Como o objetivo final e determinar o conhecimento do motorista de forma compreensível, este será representado por Sistema de Inferência Fuzzy (FIS) baseado no modelo Mamdani, por representar o problema de forma simples por meio da linguagem natural humana. O desenvolvimento de tal sistema e, na verdade, um problema de otimização inteira mista, onde se deseja mapear o relacionamento entre as entradas provenientes do sistema de aquisição de dados do veículo com as respostas fornecidas por um humano. A geração deste Sistema Fuzzy implica na geração de uma estrutura de regras fuzzy e funções de pertinência que representem adequadamente o conjunto de exemplos de treinamento. Assim, o problema e dividido em duas partes: uma responsável pelo aprendizado das regras e a outra responsável pela otimização das funções de pertinência. A implementação do algoritmo para solucionar este problema, aplica os conceitos de Sistema Imunológico Artificial baseado em Gradiente (GbAIS) com duas populações distintas de anticorpos: uma para aprendizagem da estrutura de regras e outra para otimização das funções de pertinência. Por meio do processo de coevolução das duas populações e possível: trocar informações entre elas, uma vez que as mesmas são interdependentes; evitar o surgimento de ótimos locais; e aumentar o fitness do sistema gerado. Para validar esta proposta, o FIS gerado e utilizado em uma aplicação de veículos inteligentes. O algoritmo foi testado inicialmente em um ambiente de simulação 3D e posteriormente em um veículo de passeio real. Os resultados obtidos para o problema de estacionamento em vaga paralela e navegação em um circuito com waypoints comprovaram a eficácia do algoritmo proposto. As principais contribuições desta tese são: 1) a utilização de técnicas de aprendizado supervisionado para geração automática de sistemas de controle de alto nível em veículos inteligentes, por ser um tema pouco pesquisado neste tipo de aplicação; 2) a proposta da Tabela de Regras Potencias (TRP) para pré-seleção de regras candidatas, conduzindo a redução do espaço de busca; e 3) a aplicação de CGbAIS, uma nova técnica baseada em população.Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisItajubáUniversidade Federal de Itajubá117 p.Aprendizado supervisionadoVeículos inteligentesSistema FuzzySistema Imunológico ArtificialHONÓRIO, Leonardo de MelloSOUZA, Luiz Edival deEngenharia ElétricaAutomação e Sistemas Elétricos IndustriaisVERMAAS, Luiz Lenarth GabrielPrograma de Pós-Graduação: Doutorado - Engenharia ElétricaIESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informaçãoporreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEIinfo:eu-repo/semantics/openAccessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/1335/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALtese_0038597.pdftese_0038597.pdfapplication/pdf4779451https://repositorio.unifei.edu.br/jspui/bitstream/123456789/1335/1/tese_0038597.pdfa021ada47da216898e3c2887f3b6c052MD51123456789/13352024-03-28 11:10:34.038oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442024-03-28T14:10:34Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
title |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
spellingShingle |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. VERMAAS, Luiz Lenarth Gabriel |
title_short |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
title_full |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
title_fullStr |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
title_full_unstemmed |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
title_sort |
Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. |
author |
VERMAAS, Luiz Lenarth Gabriel |
author_facet |
VERMAAS, Luiz Lenarth Gabriel |
author_role |
author |
dc.contributor.author.fl_str_mv |
VERMAAS, Luiz Lenarth Gabriel |
description |
Esta tese trata do desenvolvimento de um algoritmo para aprendizado supervisionado capaz de extrair conhecimentos provenientes de tarefas de manobras veiculares realizadas por um motorista humano. Como o objetivo final e determinar o conhecimento do motorista de forma compreensível, este será representado por Sistema de Inferência Fuzzy (FIS) baseado no modelo Mamdani, por representar o problema de forma simples por meio da linguagem natural humana. O desenvolvimento de tal sistema e, na verdade, um problema de otimização inteira mista, onde se deseja mapear o relacionamento entre as entradas provenientes do sistema de aquisição de dados do veículo com as respostas fornecidas por um humano. A geração deste Sistema Fuzzy implica na geração de uma estrutura de regras fuzzy e funções de pertinência que representem adequadamente o conjunto de exemplos de treinamento. Assim, o problema e dividido em duas partes: uma responsável pelo aprendizado das regras e a outra responsável pela otimização das funções de pertinência. A implementação do algoritmo para solucionar este problema, aplica os conceitos de Sistema Imunológico Artificial baseado em Gradiente (GbAIS) com duas populações distintas de anticorpos: uma para aprendizagem da estrutura de regras e outra para otimização das funções de pertinência. Por meio do processo de coevolução das duas populações e possível: trocar informações entre elas, uma vez que as mesmas são interdependentes; evitar o surgimento de ótimos locais; e aumentar o fitness do sistema gerado. Para validar esta proposta, o FIS gerado e utilizado em uma aplicação de veículos inteligentes. O algoritmo foi testado inicialmente em um ambiente de simulação 3D e posteriormente em um veículo de passeio real. Os resultados obtidos para o problema de estacionamento em vaga paralela e navegação em um circuito com waypoints comprovaram a eficácia do algoritmo proposto. As principais contribuições desta tese são: 1) a utilização de técnicas de aprendizado supervisionado para geração automática de sistemas de controle de alto nível em veículos inteligentes, por ser um tema pouco pesquisado neste tipo de aplicação; 2) a proposta da Tabela de Regras Potencias (TRP) para pré-seleção de regras candidatas, conduzindo a redução do espaço de busca; e 3) a aplicação de CGbAIS, uma nova técnica baseada em população. |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010-12-15 |
dc.date.available.fl_str_mv |
2018-06-08T12:48:19Z |
dc.date.accessioned.fl_str_mv |
2018-06-08T12:48:19Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
VERMAAS, Luiz Lenarth Gabriel. Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. 2010.117 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Itajubá, Itajubá, 2010. |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/1335 |
identifier_str_mv |
VERMAAS, Luiz Lenarth Gabriel. Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes. 2010.117 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Itajubá, Itajubá, 2010. |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/1335 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação: Doutorado - Engenharia Elétrica |
dc.publisher.department.fl_str_mv |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/1335/2/license.txt https://repositorio.unifei.edu.br/jspui/bitstream/123456789/1335/1/tese_0038597.pdf |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 a021ada47da216898e3c2887f3b6c052 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1801863193844252672 |