Modelagem Neuro-Fuzzy na estimativa do volume de Eucalyptus sp

Apresentação em tema: "Modelagem Neuro-Fuzzy na estimativa do volume de Eucalyptus sp"— Transcrição da apresentação:

1 Modelagem Neuro-Fuzzy na estimativa do volume de Eucalyptus sp
Gleimar B. Baleeiro Prof. Dr. Ricardo Martins de Abreu Silva (Orientador) Msc. Adriano Ribeiro de Mendonça(Co-orientador)

2 Roteiro Motivação/Objetivo O gênero Eucalyptus Volume Lógica Fuzzy
Neuro-Fuzzy Modelos comparados Resultados Trabalhos futuros

3 Motivação Importância econômica;
Aproveitamento da madeira em vários segmentos; Conhecimento do potencial florestal;

4 Objetivo Criar um novo modelo usando técnicas de Inteligência Computacional que possa ser aplicado na estimativa de volume.

5 Gênero Eucalyptus Originário da Austrália;
Aproveitamento inicial como carvão vegetal; Clima brasileiro favorável; Viável devido ao crescimento rápido; Várias Tecnologias/Estudos desenvolvidos;

6 Utilidades do Eucalyptus
Óleos essenciais: fármacos, produtos de higiene; Produtos apícolas:mel,própolis, geléia real; Celulose: papeis diversos; Madeira Serrada: móveis, construção civil; Postes e moirões; Laminados: chapas de fibra compensados; Carvão e lenha.

7 Volume Constitui uma das informações de maior importância(BARBALHO,2002); Sofre influência: material genético (semente ou clone); características edafo-climáticas; práticas de manejo;

8 Obtenção do volume Troncos de muitas espécies apresentam forma semelhante a algum sólido geométrico; Principio de Arquimedes; Divisão do tronco em seções e o uso formulas aproximativas para obtenção do volume total(CAMPOS,1993).

9 Lógica Fuzzy Proposta por Prof. Lofti A. Zadeh (1965);
Mostra-se como fundamento de qualquer outra lógica; Baseada no conceito de “verdade parcial”. Necessidade de transições suaves entre conjuntos;

10 Lógica Fuzzy Conjuntos ‘Crisps’X Fuzzy

11 Conjuntos Fuzzy Funções de Pertinência, onde é explorada a relatividade de expressões como “Alto, Quente, Próximo...”.

12 Conjuntos Fuzzy X

13 Regra: SE x é A E y é B THEN z = f(x,y)
Inferência Fuzzy Takagi,Sugeno,Kang(TSK): O conseqüênte é uma função das variáveis de entrada, geralmente uma combinação linear. A saida é obtida pela média ponderada do grau de disparo de cada regra. Regra: SE x é A E y é B THEN z = f(x,y) z = px + qy + r

14 Neuro-Fuzzy Modelo híbrido:
Redes Neurais; Lógica Fuzzy. Idéia básica: Implementar um Sistema de Inferência Fuzzy através de uma arquitetura paralela distribuída.

15 Características Associam a capacidade de aprendizado e de tolerância a falhas das Redes Neurais, com a interpretabilidade dos Sistemas de Inferência Fuzzy; Permitem a integração de conhecimento explícito (de especialistas) e conhecimento implícito (conjunto de dados); Extração de conhecimento sob a forma de regras de inferência fuzzy;

16 ANFIS (Adaptative Neuro-Fuzzy Inference System)
Proposto por Roger Jang(1993); Arquitetura:

17 Modelos Comparados Schumacher e Hall (1933) Spurr (1952)
Vcci = b0 + b1Ln(dapi) + b2Ln(Hci) Spurr (1952) Vcci = b0 + b1.Ln (dap2H) + Lni

18 Modelagem Neuro-Fuzzy
Entradas: Idade DAP Altura Total Saida: Volume Total

19 Modelagem Neuro-Fuzzy
Tipo de Particionamento: Grid Partition Funções de pertinência Forma de Treinamento Hibrido (Backpropagation+MQD) Épocas

20 Forma dos conjuntos após o treinamento
IDADE DAP ALTURA

21 Avaliação dos Modelos Divisão do conjunto de dados:
Treino Checagem Métodos para avaliação: Syx(%) - Erro padrão residual R - Correlação Bias(b) MD - Media Absoluta das Diferenças DPD - Desvio Padrão das Diferenças

22 Conjuntos de dados TREINO CHECAGEM

23 Resultados Equações estimadas para os modelos de Spurr e Schumacher e Hall, respectivamente:

24 Medidas de precisão Modelo r Syx (%) Spurr Schumacher e Hall
0,9946 8,21 Schumacher e Hall 0,9955 7,63 Neuro-Fuzzy 0,9999 1,16 TREINO Modelo r Syx (%) Spurr 0,9975 6,83 Schumacher e Hall 0,9974 6,67 Neuro-Fuzzy 0,9994 2,99 CHECAGEM

25 Distribuição residual
TREINO CHECAGEM

26 Distribuição residual
TREINO CHECAGEM

27 Distribuição residual
TREINO CHECAGEM

28 1 = Spurr, 2 = Schumacher e Hall, 3 = Neuro-Fuzzy
Estatísticas “bias” (B), média das diferenças absolutas (MD) e desvio padrão das diferenças (DPD) para as estimativas do volume total. Modelo B MD DPD 1 7,26x10-17 0,0095 0,1330 2 -0,0023 0,0089 0,1236 3 -0,0003 0,0006 0,0189 TREINO Modelo B MD DPD 1 0,0024 0,0078 0,0708 2 -0,0003 0,0075 0,0692 3 0,0006 0,0016 0,0310 CHECAGEM 1 = Spurr, 2 = Schumacher e Hall, 3 = Neuro-Fuzzy

29 1 = Spurr, 2 = Schumacher e Hall, 3 = Neuro-Fuzzy
Notas atribuídas, a partir das estatísticas da Tabela anterior, para as estimativas do volume total. Modelo B MD DPD Total 1 3 7 2 4 TREINO Modelo B MD DPD Total 1 3 9 2 5 4 CHECAGEM 1 = Spurr, 2 = Schumacher e Hall, 3 = Neuro-Fuzzy

30 Conlusão Na validação do modelo proposto notou-se que tanto para o conjunto de treinamento quanto para o conjunto de checagem, o modelo Neuro-Fuzzy mostrou-se eficiente na comparação com os modelos tradicionais (Schumacher e Hall (1939) e Spurr (1952)). Com isso, percebe-se a importância de trabalhos envolvendo técnicas de inteligência artificial na área florestal.

31 Trabalhos futuros Visto a eficiência do modelo Neuro-fuzzy proposto, como trabalho futuro espera-se a implementação efetiva do modelo proposto em problemas de estimativa de volume total de espécies florestais. Para isso seria desenvolvido um software com a implementação do modelo obtido, levando em conta os fatores que influenciam a estimativa do volume total de cada espécie.

32 Referências Bibliográficas
BARBALHO, V. M. DE S. Sistemas baseados em conhecimento e lógica difusa para simulação do processo chuva-vazão. [Rio de Janeiro] IX, 94 p., 29,7 cm (COPPE/UFRJ, D.Sc., Engenharia Civil, 2001) Tese - Universidade Federal do Rio de Janeiro, COPPE. CAMPOS, J. C. C.; LEITE, H. G.. Mensuração florestal: perguntas e respostas. Viçosa: UFV, p. JANG, J. S. R.; SUN, C. T. Neuro-Fuzzy modeling and control. Proceedings of the IEEE, New York, v. 83, n. 3, p , Mar JANG, J. S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics, New York, v. 23, n. 3, p , May 1993. SCHUMACHER, F.X.; HALL, F.dos. S. Logarithmic expression of timber-tree volume. Journal of Agricultural Research, Washington, v.47, n.9, p , 1933. SPURR, S. H. Forest inventory. New York:The Ronald Press, p. SUGENO, M. Industrial applications of fuzzy control. Elsevier Science Pub. Co., 1985. TAKAGI T. e SUGENO M. (1985). “Fuzzy identification of systems and its applications to modeling and control”, IEEE Transactions on Systems, Man and Cybernetics, Vol. 15, No. 1, pp

33 Fim Obrigado pela atenção! Perguntas?