Topico10 03

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tópico 10 - Tópicos Avançados: Controle Robusto, Controle Adaptativo e Controle Inteligente 1
Tópicos Avançados: Controle Robusto,
Controle Adaptativo e Controle Inteligente
1 Introdução
• passos no projeto de sistemas de controle:
1. estudar o sistema a ser controlado e decidir que tipos de sensores e atuadores
serão empregados e onde eles serão posicionados (funcionalidade);
2. gerar um modelo para o sistema a ser controlado;
3. simplificar o modelo, caso seja necessário, visando a tratabilidade;
4. analisar o modelo resultante, em termos de suas propriedades básicas;
5. decidir sobre as especificações de desempenho;
6. decidir sobre o tipo de controlador a ser usado;
DCA/FEEC/Unicamp
7. projetar o controlador visando atender as especificações, se possível; se
impossível, modificar as especificações ou optar por um outro tipo de
controlador;
8. simular o sistema de controle resultante, ou em um computador ou em uma
planta-piloto;
9. se necessário, repetir todos os passos a partir do Passo 1;
10. decida pelas especificações de hardware e software para a implementação do
controlador;
11. se necessário, realize ajustes on-line no controlador.
• como pode ser constatado acima, a tarefa de um engenheiro de controle é
também prestar assistência de natureza iterativa, particularmente a partir de
uma visão sistêmica de desempenho.

DCA/FEEC/Unicamp
• um bom engenheiro de controle não é apenas aquele capaz de realizar grandes
projetos de controle, mas principalmente aquele capaz de indicar de forma
direta e convincente quando os objetivos de desempenho não podem ser
atingidos ou tornados mais rígidos.
• deve ser levado em conta, em problemas práticos:
¾ existência de incertezas;
¾ plantas de fase não-mínima (com zeros no semiplano direito, portanto
não-inversíveis);
¾ existência de dinâmicas não-modeladas, principalmente em altas
freqüências (fonte de incertezas);
¾ ruído nos sensores e restrições no nível do sinal dos atuadores limitam o
alcance dos benefícios da realimentação.
• uma formação completa de um curso de controle deve abordar todas estas
questões explicitamente, além de fornecer resultados quantitativos e
qualitativos a respeito do impacto no desempenho do sistema de controle.
DCA/FEEC/Unicamp
2 Controle Robusto
• a teoria de controle clássico fornece os fundamentos para a estabilidade. Os
conceitos de margem de ganho e margem de fase foram propostos para avaliar
a estabilidade relativa de sistemas SISO sob dois tipos de incerteza na planta:
mudanças puras no ganho e na rotação de fase (por exemplo, causadas devido
a alterações de comportamento em sensores e atuadores).
• a teoria de controle ótimo fornece técnicas para incorporar a otimização de
critérios de desempenho, além de garantir a estabilidade.
• a teoria de controle robusto, campo ativo de pesquisa desde o final dos anos
70, também visa a garantia de estabilidade e o atendimento ótimo de critérios
de desempenho, mas as ações de controle (por realimentação) devem realizar
estas tarefas mesmo com incertezas no modelo da planta, na dinâmica e na
operação dos sensores e atuadores.

DCA/FEEC/Unicamp
• motivações: (1) o modelo da planta é uma idealização. Provavelmente vai
ignorar detalhes de operação e dificilmente será válido sob todas as condições
de operação; (2) a dinâmica da planta pode estar sujeita a perturbações; (3)
existe um limite de acurácia na operação de sensores e atuadores.
• lembre-se que a realimentação não seria necessária para a maioria dos
sistemas de controle se não houvesse perturbações e incertezas.
• ponto de partida para a teoria de controle robusto:
1.modelo linearizado da planta, na representação por espaço de estados;
2.descrição das incertezas a serem consideradas no projeto.
• o modelo das incertezas pode ser expresso em diferentes formas:
¾ limites de variação no perfil de resposta em freqüência;
¾ região de localização dos pólos e zeros da planta;
¾ intervalo de valores para os parâmetros físicos da planta.
DCA/FEEC/Unicamp
• técnicas de análise: determinação da robustez de um controlador. Exemplos:
análise de valores singulares, análise-µ, modelagem via transformações
fracionais lineares (TFL).
• técnicas de síntese: geração de leis de controle lineares, não-adaptativas
(fixas) e robustas. Exemplos: síntese H∞, síntese H2/H∞, problema linear
quadrático com considerações de robustez, otimização numérica.
• problema: mapear objetivos realísticos de projeto em uma única função-custo
a ser otimizada, geralmente expressa na forma de uma norma.
• os tipos mais conhecidos de norma são (veja figura 7.1, DAILEY, pg 246):
¾ H2: mede o erro quadrático médio na saída para uma entrada tipo ruído
branco. Usada na síntese de leis de controle para problemas lineares
quadráticos.
¾ H∞: mede o ganho de pico para entradas senoidais.

DCA/FEEC/Unicamp
x1
x2
+1
+1
−1
−1
x1
x2
x1
x2
+1
+1
−1
−1
+1
+1
−1
−1
p=2
p=1
p=+∞
1≤p
x
pn
i
p
ip
xx
1
1






= ∑
=
p = 1 ⇒ ∑
=
=
n
i
ixx
1
1
p = 2 ⇒ ∑
=
=
n
i
ixx
1
2
2
p = +∞ ⇒ i
i
xx max=∞
DCA/FEEC/Unicamp
• os objetivos de desempenho associados a estas duas normas são considerados
de grande importância, mas outros objetivos precisam também ser
considerados na prática, como limitantes para resposta ao degrau, localização
de pólos e perfil de resposta em freqüência.
• a consideração de todos estes objetivos na determinação de uma única função-
custo dificulta a formalização da solução. Métodos numéricos de otimização
podem ser empregados, mas a garantia de otimalidade global é perdida.
• mesmo com todas estas dificuldades, a síntese de controladores robustos,
principalmente para o caso de sistemas multivariáveis, conduz a leis de
controle de alta qualidade quando comparadas às soluções sugeridas pelos
métodos clássicos.
• a seguir, é apresentada uma tabela que procura descrever o desenvolvimento
da teoria de controle, com uma divisão em três períodos mais significativos.

DCA/FEEC/Unicamp
Controle Clássico
1930-1960
Controle Moderno
1960-1980
Controle Robusto
1980-nossos dias
análise
Diagramas de Bode
Critério de Nyquist
Critério de Routh-Hurwitz
Lugar das Raízes (Evans)
Margens de Ganho e Fase
Modelo por Espaço de
Estados
Controlabilidade
Observabilidade
Processos Estocásticos
Decomposição em
Valores Singulares
Análise µ
Fatorização Espectral
Inequações Matriciais
síntese
Controladores PID
Compensação Lead-Lag
Filtro de Kalman
PLQ
PLQG
síntese H∞
síntese H2/H∞
síntese µ
paradigma domínio da freqüência
SISO
domínio do tempo
MIMO
domínio da freqüência,
com modelos por espaço
de estados
DCA/FEEC/Unicamp
• a tendência em controle robusto é aperfeiçoar os modelos de incertezas, de
modo a reduzir ao máximo o ‘conservadorismo’ da solução. Além disso,
projetos auxiliados por computador, dotados de elevados níveis de automação
são esperados.
• para finalizar, é necessário abordar a seguinte questão: Por que a indústria, em
sua grande maioria, ainda opera na dependência de ferramentas de controle
clássico?
1. inércia: a indústria só vai investir na substituição das soluções de
controle hoje instaladas quando estas passarem a influir fortemente na
produtividade e quando os problemas de controle se tornarem mais e
mais complexos;
2. custo: é necessário reduzir ainda mais os custos com sensores, atuadores
e processadores computacionais de alto desempenho;

DCA/FEEC/Unicamp
3. mão-de-obra qualificada: não há mão-de-obra suficientemente
qualificada para operar e realizar manutenção em todo o parque
industrial, caso se adote imediatamente técnicas avançadas de controle;
4. idealização acadêmica: muitos dos resultados já publicados não
consideram as limitações práticas vinculadas à implementação;
5. resultados inacessíveis: os resultados já obtidos são documentados em
níveis de sofisticação matemática inacessíveis aos simples mortais.
• a teoria de controle robusto, geralmente voltada para o caso de sistemas
MIMO, não deve ser vista como substituta incondicional de técnicas de
controle clássico, geralmente voltadas para o caso de sistemas SISO, mas sim
como uma extensão e/ou complementação.
• não se está sugerindo que se abandone, do dia para a noite, décadas de
conhecimento acumulado, mas sim que se procure ampliá-lo substancialmente
com novos conhecimentos já devidamente formalizados.
DCA/FEEC/Unicamp
3 Controle Adaptativo
• o principal objetivo de controle por realimentação é obter um sistema que seja
capaz de manter um nível esperado de desempenho mesmo frente a
perturbações e variações nas características do sistema de controle.
• controle clássico e robusto provêem respectivamente padrões de estabilidade
relativa e medidas de custo garantido que representam um fator de segurança
para variações e incertezas no sistema de controle.
• no entanto, algumas plantas apresentam variações tão amplas e com efeitos
significativos sobre o comportamento dinâmico que um ganho de realimenta-
ção linear e com coeficientes constantes é incapaz de fornecer a flexibilidade
necessária para atender às especificações de desempenho. Sendo assim, passa
a ser necessário medir continuamente estas variações e então ajustar
devidamente os parâmetros de controle (‘ganhos não-lineares’).

DCA/FEEC/Unicamp
• logo, controle adaptativo é a denominação atribuída à ação de controle de
sistemas capazes de modificar seus próprios parâmetros em resposta a
alterações verificadas em algum módulo que esteja sendo monitorado. Neste
sentido, adaptar-se significa mudar o comportamento em resposta a novas
circunstâncias de operação, com o objetivo de manter um nível esperado de
desempenho.
• na verdade, controle adaptativo é uma extensão natural de sistemas
realimentados clássicos (os quais já se ajustam a novas circunstâncias),
buscando projetar controladores dotados de maior grau de autonomia.
• é importante mencionar que a teoria de controle adaptativo foi muito ativa nos
anos 50, pois a motivação era desenvolver sistemas de controle de vôo para
aeronaves supersônicas, já que ganhos constantes não eram suficientes para
sustentar a operação na região supersônica.
DCA/FEEC/Unicamp
• muitas das principais idéias de controle adaptativo foram concebidas nesta
época, mas não havia hardware para implementações confiáveis, já que se
empregava computadores analógicos dedicados.
• sistemas de controle adaptativo são caracterizados pela existência de duas
malhas de realimentação:
1. malha de controle convencional;
2. malha de adaptação, responsável por monitorar o desempenho e ajustar os
parâmetros do controlador de acordo com as condições de operação em vigor.
Controlador Planta
Mecanismo de
Adaptação
u y
yd
Malha de realimentação 1
Malha de realimentação 2

DCA/FEEC/Unicamp
• requisitos necessários: conceitos de controle clássico por realimentação, teoria
de sistemas não-lineares e de identificação de sistemas, controle digital.
• conceitos de teoria de estabilidade e identificação de sistemas, desenvolvidos
nos últimos anos, são também fundamentais para controle adaptativo.
• o primeiro sistema adaptativo foi comercializado nos anos 80, sendo que
praticamente todas as implementações práticas geralmente envolvem ajuste de
parâmetros de controladores simples, como controladores PID.
• não se trata de uma área de atuação madura, sendo que muitos algoritmos e
abordagens contêm aspectos empíricos. No entanto, é evidente o incremento
em desempenho apresentado por certos controladores adaptativos frente a
alternativas não-adaptativas.
• hoje é possível recorrer a poderosos microprocessadores (processadores
digitais de sinais - PDS) e à eletrônica de potência.
DCA/FEEC/Unicamp
3.1 Tipos de Controle Adaptativo
• técnicas de controle adaptativo podem também ser vistas como uma forma
automática de realizar tarefas que engenheiros de controle normalmente
executam visando obter parâmetros adequados para controladores.
3.1.1Controle Adaptativo por Modelo de Referência
• é um método direto, pois as regras de ajuste indicam como os parâmetros do
controlador devem ser ajustados.
• foi originalmente concebido como uma solução para problemas de controle de
vôo, naturalmente formulado como um problema de servomecanismo.
• existem duas idéias básicas envolvidas em sua concepção:
1. o objetivo do sistema em malha fechada é formulado como um problema de
seguimento de modelo;

DCA/FEEC/Unicamp
2. os parâmetros do controlador são ajustados por processos iterativos (por
exemplo, pelo método do gradiente), usando uma taxa de adaptação.
Figura 1 - Exemplo de uma técnica de controle adaptativo por modelo de referência
• como ajustar o controlador sabendo que o erro está definido depois do
processo (planta)? → técnicas de análise de sensibilidade
DCA/FEEC/Unicamp
• infelizmente, não há resultados gerais referentes à estabilidade do sistema. A
estabilidade vai depender do sinal de entrada e da taxa de adaptação. Em
muitos casos, os sistemas são estáveis para taxas de adaptação suficientemente
pequenas.
3.1.2Reguladores Auto-Ajustáveis
• é um método indireto, pois aqui os parâmetros do modelo da planta são
ajustados e os parâmetros do controlador são obtidos por procedimentos de
projeto.
• existem dois módulos básicos:
1. estimador recursivo de parâmetros da planta (identificação de sistemas);
2. procedimento de projeto do controlador.
• atuação iterativa: a cada instante discreto de tempo, um passo completo de
cada módulo é executado.

DCA/FEEC/Unicamp
Figura 2 - Exemplo de uma técnica de controle adaptativo do tipo regulador auto-ajustável
• definição pragmática de controle adaptativo (CHALAM, 1987): “Um sistema de
controle adaptativo deve prover continuamente o estado do processo, ou seja,
identificá-lo; deve comparar o desempenho do sistema com o considerado
ótimo ou desejável e decidir adaptá-lo de modo que ele tenda a apresentar o
desempenho desejado; e finalmente realizar o ajuste propriamente dito.
DCA/FEEC/Unicamp
4 Controle Inteligente
• desenvolvimentos em teoria de controle ótimo, controle robusto e controle
adaptativo têm expandido de forma significativa o conceito de automação e
ampliado a factibilidade de controle automático na prática.
• no entanto, as técnicas envolvidas geralmente dependem da existência de um
modelo matemático para a planta e o controlador, além de requerer formas
estruturadas de representação e lógica clássica.
• técnicas de controle inteligente, por sua vez, buscam gerar ações de controle
efetivas sem recorrer a tais hipóteses.
• alguns atributos de sistemas de controle inteligente:
¾ aprendizado automático
¾ auto-reconfiguração
¾ mecanismos de inferência

DCA/FEEC/Unicamp
¾ elaboração e uso de planejamentos
¾ mecanismos de tomada de decisão
¾ habilidade para extrair as informações mais relevantes de bases de dados
não-rotuladas, não-estruturadas e ruidosas
• um sistema de controle inteligente deve apresentar, portanto, um alto grau de
autonomia:
¾ detectando alterações na planta ou no ambiente;
¾ tomando decisões mesmo na presença de informações incompletas ou
conflitantes, provenientes de múltiplos sensores;
¾ gerando modelos ou representações qualitativas;
¾ gerando ações apropriadas para modificar o desempenho do sistema
frente a eventos inesperados;
¾ reconfigurando o sistema na presença de falhas internas;
DCA/FEEC/Unicamp
¾ integrando várias funções de controle: identificação de plantas, adaptação,
incorporação de perturbações e incertezas nos modelos.
• qual é a forma mais eficaz de representar conhecimento em uma máquina?
¾ inicialmente, conhecimento estava associado a uma lista de propriedades
das coisas;
¾ apenas no século 19 foi feita a associação de conhecimento a redes de
proposições, resultando primeiramente na lógica proposicional, e então na
lógica de predicados;
¾ hoje: semiótica computacional
• a semiótica estuda os aspectos básicos dos fenômenos da cognição e da
comunicação. A cognição trata da apreensão e compreensão dos fenômenos
que ocorrem no ambiente e a comunicação trata de estudar como os
fenômenos apreendidos e compreendidos podem ser transmitidos entre os
seres inteligentes (Peirce, 1990).

DCA/FEEC/Unicamp
• cibernética: tratamento unificado de controle e informação nos organismos
vivos e nas máquinas (WIENER, 1948).
• em ALBUS (1991), inicia-se um processo de sistematização dos sistemas
inteligentes, na tentativa de se criar uma teoria matemática que alicerce as
diversas áreas que utilizam direta ou indiretamente a inteligência humana
como fonte de inspiração para a resolução de problemas de engenharia.
Julgamento de
Valor (JV)
Modelo do
Ambiente (MA)
Geração de
Comportamento (GC)
Percepção
Sensorial (PS)
Sensores Atuadores
Ambiente
Figura 3 - Módulos de um Sistema Inteligente (ALBUS; 1991)
DCA/FEEC/Unicamp
• Turing, Von Neumann, Minsky, McCarthy → inteligência artificial
• investigação mais profunda acerca do corpo humano e seu sistema de controle
motor, com estimativas mais realistas acerca do poder do cérebro humano.
• inteligência computacional (ZURADA et al., 1994): conciliar aspectos de
sistemas inteligentes com aspectos de sistemas computacionais.
• objetivos básicos da inteligência computacional:
1. desenvolvimento do cérebro artificial: projetar sistemas computacionais
com capacidade de processamento semelhante ao cérebro humano;
2. uso mais eficaz do computador convencional: explorar as arquiteturas
computacionais hoje existentes na implementação de soluções mais
poderosas para problemas de grande complexidade, empregando algoritmos
inspirados em mecanismos sabidamente adotados por sistemas inteligentes.

DCA/FEEC/Unicamp
4.1 Estudo de casos
• redes neurais e controle de processos
Operador
Humano
:
:
:
:
∑
X
-
+
e = um-uBP
u
um
Planta
Informação
Sensorial
y
Figura 4 - Arquitetura de um controle baseado em redes neurais para imitar um operador humano
DCA/FEEC/Unicamp
BP
x
u Planta
y
∑
:
:
:
:
r
-
+
atrasos
:
:
:
:
x
Figura 5 - Arquitetura para o projeto de controladores no caso de plantas não-lineares desconhecidas:
Retropropagação do erro de saída

DCA/FEEC/Unicamp
• navegação autônoma (‘inteligência emocional’)
veículo
autônomo
obstáculo
alvo
• controle nebuloso
¾ variáveis: T (temperatura), u (entrada de calor)
¾ projetar um controlador nebuloso que mantenha a temperatura de um
tanque constante
DCA/FEEC/Unicamp
5 Referências
Controle Clássico
BLACK, H.S. “Inventing the negative feedback amplifier”, IEEE Spectrum, pp. 54-60, 1977.
LEVIS, A.H., MARCUS, S.I., PERKINS, W.R., KOKOTOVIC, P., ATHANS, M., BROCKETT, R.W. & WILLSKY, A.S.
“Challenges to Control: A Collective View”, Report of the Workshop Held at the University of Santa Clara on
September 18-19, 1986, IEEE Transactions on Automatic Control, vol. AC-32, no. 4, pp. 275-285, 1987.
Controle Robusto
BERNSTEIN, D.S. & HADDAD, W.M. “LQG control with an H∞ performance bound: A Riccati equation approach”, IEEE
Transactions on Automatic Control, vol. 34, no. 3, pp. 293-305, March 1989.
DAILEY, R.L. “Lesson Seven: Robust Control”, in Masten, M.K. (ed.) Modern Control Systems, IEEE Press, 1995.
DOYLE, J.C., FRANCIS, B.A. & TANNENBAUM, A.R. “Feedback Control Theory”, Macmillan Publishing Company, 1992.
DOYLE, J.C., GLOVER, K., KHARGONEKAR, P.P. & FRANCIS, B.A. “State-Space Solutions to Standard H2 and H∞ Control
Problems”, IEEE Transactions on Automatic Control, vol. 34, no. 8, pp. 831-847, August 1989.
FRANCIS, B.A. “A Course in H∞ Control Theory”, Lecture Notes in Control and Information Sciences, vol. 88, Springer-
Verlag, 1987. (primeiro livro na área de controle H∞)
IGLESIAS, P.A. & GLOVER, K. “State-space approach to discrete-time H∞ control”, International Journal of Control, vol.
54, no. 5, pp. 1031-1073, 1991.

DCA/FEEC/Unicamp
KAMINER, I., KHARGONEKAR, P.P. & ROTEA, M.A. “Mixed H2/H∞ Control for Discrete-time Systems via Convex
Optimization”, Automatica, vol. 29, no. 1, pp. 57-70, January 1993.
KWAKERNAAK, H. “Robust Control and H∞-Optimization - Tutorial Paper”, Automatica, vol. 29, no. 2, pp. 255-273,
March 1993.
PERES, P.L.D., GEROMEL, J.C. & BERNUSSOU, J. “Quadratic Stabilizability of Linear Uncertain Systems in Convex-
bounded Domains”, Automatica, vol. 29, no. 2, pp. 491-493, March 1993.
SCHERER, C. “H∞-Control by State-Feedback and Fast Algorithms for the Computation of Optimal H∞-Norms”, IEEE
Transactions on Automatic Control, vol. 35, no. 10, pp. 1090-1099, October 1990.
ZAMES, G. “Feedback and Optimal Sensitivity: Model Reference Transformations, Multiplicative Seminorms, and
Approximate Inverses”, IEEE Transactions on Automatic Control, vol. 26, no. 2, pp. 301-320, April 1981.
(formulação original H∞ para sistemas SISO)
ZHOU, K. & DOYLE, J.C. “Essentials of Robust Control”, Prentice Hall, 1998.
Controle Adaptativo
ASTRÖM, K.J. “Theory and Applications of Adaptive Control - A Survey”, Automatica, vol. 19, pp. 471-486, 1983.
ASTRÖM, K.J. “Lesson 9: Adaptive Control”, in Masten, M.K. (ed.) Modern Control Systems, IEEE Press, 1995.
ASTRÖM, K.J. & WITTENMARK, B. “Adaptive Control”, 2nd edition, Addison Wesley Publishing Company, 1995.
ASTRÖM, K.J. & WITTENMARK, B. “On Self-Tuning Regulators”, Automatica, vol. 9, pp. 185-199, 1973.
CHALAM, V. “Adaptive Control Systems”, Marcel Dekker, 1987.
LANDAU, Y.D. “Adaptive Control: The Model Reference Approach”, New York: Marcel Dekker, 1979.
LJUNG, L. “System Identification - Theory for the User”, Prentice Hall, 1987.
DCA/FEEC/Unicamp
NARENDRA, K.S. & ANNASWAMY, A.M. “Stable Adaptive Systems”, Prentice Hall, 1989.
ORTEGA, R. & TANG, Y. “Robustness of Adaptive Controllers - A Survey”, Automatica, vol. 25, no. 5, pp. 651-677, 1989.
WHITAKER, H.P., YAMRON, J. & KEZER, A. “Design of model-reference adaptive control systems for aircraft”, Report R-
164, Instrumentation Laboratory, MIT, Cambridge, 1958.
WITTENMARK, B., ASTRÖM, K.J. “Pratical Issues in the Implementation of Self-tuning Control”, Automatica, vol 20, pp.
595-605, 1984.
Controle Inteligente
ALBUS, J.S. “Outline for a Theory of Intelligence”, IEEE Trans. on Systems, Man, and Cybernetics, vol. 21, no. 3, pp.
473-509, May/June 1991.
ANTSAKLIS, P.J. (ed.) “Special issue on neural networks in control systems”, IEEE Control Systems Magazine, vol. 10, n.
3, April 1990.
BARTO, A.R. “Connectionist learning for control: An overview”, in T. Miller, R.S. Sutton & P.J. Werbos (eds.) Neural
Networks for Control, Cambridge: MIT Press, 1990.
BILLINGS, S.A., JAMALUDDIN, H.B. & CHEN, S. “Properties of neural networks with applications to modelling non-linear
dynamical systems”, International Journal of Control, vol. 55, no. 1, pp. 193-224, 1992.
BROWN, M. & HARRIS, C. “Neurofuzzy Adaptive Modelling and Control”, Prentice Hall, 1994.
CHEN, F.-C. & KHALIL, H.K. “Adaptive control of nonlinear systems using neural networks”, International Journal of
Control, vol. 55, no. 6, pp. 1299-1317, 1992.
COX, E. “The Fuzzy Systems Handbook”, Academic Press/Morgan Kaufmann, Paperback, 750 pages, October 1998.
HAYKIN, S., “Neural Networks - A Comprehensive Foundation”, 2nd edition, Prentice Hall, 1999.

DCA/FEEC/Unicamp
FOGEL, D.B., FUKUDA, T. & GUAN, L. (eds.) “Special Issue on Computational Intelligence”, Proceedings of the IEEE,,
vol. 87, no. 9, 1999.
HARRIS, C.J., MOORE, C.G. & BROWN, M. “Intelligent Control – Aspects of Fuzzy Logic and Neural Nets”, World
Scientific, 1993.
HUNT, K.J., SBARBARO, D., ZBIKOWSKI, R. & GAWTHROP, P.J. “Neural Networks for Control Systems - A Survey”,
Automatica, vol. 28, no. 6, pp. 1083-1112, 1992.
KOSKO , B. “Fuzzy Engineering”, Prentice Hall, 549 pages, October, 1996.
LEE, C.C. “Fuzzy Logic in Control Systems: Fuzzy Logic Controllers – Parts I and II”, IEEE Trans. Systems, Man, and
Cybernetics, vol. 20, no. 2, pp. 404-435, 1990.
LEVIN, A. & NARENDRA, K.S. “Control of nonlinear dynamical systems using neural networks: controllability and
stabilization”, IEEE Trans. Neural Networks, vol. 4, no. 2, pp. 192-206. March 1993.
LI, H.-X. & GATLAND, H.B. “A New Methodology for Designing a Fuzzy Logic Controller”, IEEE Trans. Systems, Man,
and Cybernetics, vol. 25, no. 3, pp. 505-512, March 1995.
LIN, C.-T. & LEE, C.S.G. “Neural-Network-Based Fuzzy Logic Control and Decision System”, IEEE Trans. on
Computers, vol. 40, no. 12, pp. 1320-1336, December 1991.
MAEDA, M. & MURAKAMI, S. “A Design for a Fuzzy Logic Controller”, Information Sciences, vol. 45, pp. 315-330, 1988.
MILLS, P.M., ZOMAYA, A.Y. & TADÉ, M.O. “Neuro-Adaptive Process Control – A Practical Approach”, John Wiley &
Sons, 1996.
NARENDRA, K.S. & MUKHOPADHYAY, S. “Intelligent Control Using Neural Networks”, IEEE Control Systems Magazine,
vol. 12, no. 2, p. 11-18, 1992.
DCA/FEEC/Unicamp
NARENDRA, K.S. & MUKHOPADHYAY, S. “Adaptive Control of Nonlinear Multivariable Systems Using Neural
Networks”, Neural Networks, vol. 7, no. 5, pp. 737-752, 1994.
NARENDRA, K. S. & PARTHASARATHY, K. “Identification and Control of Dynamical Systems Using Neural Networks”,
IEEE Transactions on Neural Networks, vol. 1, no. 1, p. 4-27, 1990.
NG, G.W. “Application of Neural Networks to Adaptive Control of Nonlinear Systems”, John Wiley & Sons Inc., 1997.
PEDRYCZ, W. & GOMIDE, F. “An Introduction to Fuzzy Sets: Analysis and Design”, Complex Adaptive Systems, MIT
Press, Hardcover, 475 pages, May 1998.
PEIRCE, C.S. “Semiótica”, Coleção Estudos, tomo 46, 2a. edição, Editora Perspectiva, Tradução parcial de: The Collected
Papers of Charles Sanders Peirce, em vários volumes, edições e datas diversas, 1990.
SHOURESHI, R.A. “Lesson 10: Intelligent Control Systems”, in Masten, M.K. (ed.) Modern Control Systems, IEEE Press,
pp. 347-374, 1995.
SUGENO, M. “An Introductory Survey of Fuzzy Control”, Information Sciences, vol. 36, pp. 59-83, 1985.
SUYKENS, J.A.K., DE MOOR, B.L.R. & VANDEWALLE, J. “Nonlinear system identification using neural state space models,
applicable to robust control design”, International Journal of Control, vol. 62, no. 1, pp. 129-152, 1995.
VON NEUMANN, J. The Computer and the Brain. Yale University Press, New Haven, 1958.
WHITE, D.A. & SOFGE, D.A. “Handbook of Intelligent Control – Neural, Fuzzy and Adaptive Approaches”, Van Nostrand
Reinhold, 1992.
WIENER, N. “Cybernetics”, MIT Press, Cambridge, MA, 1948.
ZURADA, J.M., MARKS II, R.J. & ROBINSON, C.J. (eds.), “Computational Intelligence - Imitating Life”, IEEE Press, 1994.

Topico10 03

Mais conteúdo relacionado

Mais procurados

Semelhante a Topico10 03

Topico10 03