Suchergebnisse

Summarizes and illuminates two decades of researchGathering important papers by both philosophers and scientists, this collection illuminates the central themes that have arisen during the last two decades of work on the conceptual foundations of artificial intelligence and cognitive science. Each volume begins with a comprehensive introduction that places the coverage in a broader perspective and links it with material in the companion volumes. The collection is of interest in many disciplines including computer science, linguistics, biology, information science, psychology, neuroscience, ico.

Intro -- Preface -- Contents -- About the Editors -- State of the Art -- Machine Learning Techniques for Renewable Energy Forecasting: A Comprehensive Review -- 1 Introduction -- 2 Background of Forecasting Methods -- 2.1 Persistence Models -- 2.2 Physical Models -- 2.3 Statistical Models -- 2.4 Artificial Intelligence (AI) Models -- 3 Research Methodology -- 3.1 Mapping Questions -- 3.2 Search Strings -- 3.3 Selection of Papers -- 3.4 Data Extraction -- 3.5 Analysis and Classification -- 4 Results and Discussion -- 4.1 Overview of the Selected Studies -- 4.2 RQ1: In Which Years, Sources, and Publication Channels Papers Were Published? -- 4.3 RQ2: Which Research Types Are Adopted in Selected Papers? -- 4.4 RQ3: Which Contexts Are Targeted in Selected Papers? -- 4.5 RQ4: What Kinds of Renewable Energy Are Targeted in Selected Papers? -- 4.6 RQ5: Which Domain Fields Are Targeted in Selected Papers? -- 4.7 RQ6: Which Forecasting Task Research Was Used in the Selected Papers? -- 4.8 RQ7: Which Forecasting Period Was Considered in the Selected Papers? -- 4.9 RQ8: Which Machine Learning Models, Data Mining Tasks and Techniques are Used to Deal with Renewable Energy Forecasting? -- 5 Implications for Researchers -- 5.1 RQ1 -- 5.2 RQ2 -- 5.3 RQ3 -- 5.4 RQ4 -- 5.5 RQ5 -- 5.6 RQ6 -- 5.7 RQ7 -- 5.8 RQ8 -- 6 Conclusion -- References -- Machine Learning for Green Smart Homes -- 1 Introduction -- 1.1 A Little History -- 1.2 Where Are We Today? -- 2 Smart Green Homes -- 3 Home Energy Management -- 4 Big Data -- 5 Machine Learning Application to Residential Data -- 5.1 Machine Learning Algorithms -- 6 Energy Modelling -- 7 Use Cases -- 7.1 CENTS -- 7.2 BIM4EEB/BIMcpd -- 7.3 H2020: InterConnect -- 7.4 Retrokit -- 8 Conclusion -- References -- Artificial Intelligence Based Smart Waste Management-A Systematic Review -- 1 Introduction -- 2 Background.

"Business Analytics, one of the most popular research areas today, is driven by expanding requisites from the real world. This book reveals advances in data analytics and business intelligence that can assist industries in problem-solving exercises, with a view to driving competitive advantage. The book contains a wide range of knowledge, insights, and directions that can help master the analytics skills needed to improve, innovate, and formulate new or existing processes, products, and services. In addition, this book demonstrates how to go beyond conventional analytical tools to reach the depth of the data and how the insights derived can be used for decision-making and for telling compelling stories"--

Tese de Doutoramento na área de Engenharia Electrotécnica e de Computadores, no ramo de Automação e Robótica apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra. ; Os processos industriais, durante as últimas décadas, têm enfrentado grandes mudanças no mercado devido ao aumento da concorrência mundial e da legislação ambiental, o que resultou em constrangimentos rígidos que aumentam a complexidade do processo e os custos dos equipamentos de produção. Muitos sistemas industriais exibem comportamentos não-lineares e, frequentemente, possuem muitas características complexas, tais como dinâmicas desconhecidas e variantes no tempo, restrições e perturbações. No futuro, a concorrência industrial a nível mundial, e mais especificamente nas plantas industriais, irá exigir altos níveis de eficiência, flexibilidade, e confiança bem como um bom desempenho de controlo que abranja uma ampla gama de regiões de operação, e de variações no processo. Assim, devido a estas mudanças e características dos processos industriais, serão necessários sistemas de controlo mais avançados. Esta tese irá abordar os problemas de identificação e controlo em processos industriais não-lineares utilizando logica difusa. Não-linearidades, que têm uma ampla presença em aplicações industriais, bem como dificuldades de identificação e controlo, dinâmicas não-modeladas, parâmetros variantes no tempo e presença de perturbações são problemas importantes que serão abordados. Três principais objectivos de investigação direcções de pesquisa são abordados. O primeiro objectivo é o desenvolvimento de metodologias para identificação de um dado processo não-linear de forma automatica, através de um conjunto de dados usando lógica difusa e algoritmos genéticos (AG). A aprendizagem de um modelo difuso T-S é realizada a partir de um conjunto de dados entrada/saída para aproximar processos não-lineares desconhecidos por um algoritmo genético co-evolutivo. O método proposto é uma ferramenta automática, uma vez que não exige qualquer conhecimento prévio sobre a estrutura (por exemplo, o número de regras) e base de dados (por exemplo, conjuntos difusos das antecedentes) do modelo difuso T-S, e acerca da selecção da variáveis de entrada adequadas e respectivos atrasos para a definição da predicção. A abordagem dos AG é composta por cinco níveis hierárquicos e tem a objectivo global de maximizar a precisão da predicção. O primeiro nível consiste na seleção de um conjunto de variáveis de entrada e respectivos atrasos para o modelo difuso T-S. O segundo nível considera a codificação das funções de pertença. As regras individuais são definidas no terceiro nível, a população do conjunto das regras é tratada no quarto nível e a população dos sistemas difusos é manipulada no quinto nível. O segundo objectivo é o desenvolvimento de metodologias automáticas para o controlo de um dado processo não-linear, através da aprendizagem de todos os parâmetros difusos de um controlador difuso (CD) a partir de dados extraídos de um determinado processo sob controlo manual. A aprendizagem do CD é realizada por um algoritmo genético hierárquico, composto por uma estrutura de cinco níveis. A seleção de um conjunto adequado de variáveis de entrada, a definição das funções de pertença das antecedentes e da consequente, as regras individuais, o conjunto de regras e os operadores difusos (operadores t-norma, implicação, agregação e desdifusificação) que constituem o CD são realizadas. Finalmente, o terceiro objectivo é o desenvolvimento de metodologias para controlo predictivo com modelo difuso para sistemas não-lineares variantes no tempo sem o conhecimento sobre o modelo matemático da planta. Os sistemas difusos aprendidos nas metodologias propostas no primeiro objectivo foram incorporados nesta metodologia de controlo, nomeadamente no controlador "Generalized Predictive Control" (GPC). Para validar e demonstrar o desempenho e eficácia dos métodos propostos, estes são aplicados na identificação de um modelo para a estimatação da concentração de "fluor" no efluente de um sistema real de tratamento de águas residuais, e no controlo de um reactor contínuo do tipo tanque agitado simulado, no controlo do oxigênio dissolvido num reactor de lamas activadas dentro de uma estação simulada de tratamento de águas residuais, e no controlo de um sistema experimental real composto por dois motores DC acoplados. ; Industrial processes have faced major changes in the market during the past decades, due the increasing world competition, and the environmental legislation, which resulted in hard constraints that increase the process complexity and the costs of production equipment. Many industrial systems exhibit nonlinear behaviors and frequently have many complex characteristics, such as unknown and time-varying dynamics, constraints, and disturbances. In the future, worldwide industrial competition in general, and specifically in industrial plants, will require high levels of efficiency, flexibility, reliability and a control performance that can cover a wide process operation range and process variations. Thus, more advanced control systems will therefore be required to overcome these changes and features of the industrial processes. This thesis will addresses identification and control problems on nonlinear industrial processes using Fuzzy Logic theory. Nonlinear processes, which have widespread presence in industry applications, modeling and control difficulties, non-modeled dynamics, time-varying parameters, and presence of disturbances, are important problems that will be addressed. Three main research objectives and research directions are considered. The first objective is to design automatic methodologies to identify a nonlinear process through of a numerical dataset using fuzzy logic and genetic algorithms. The learning of a T-S fuzzy model is performed from input/output data to approximate unknown nonlinear processes by a coevolutionary genetic algorithm (GA). The proposed method is an automatic tool since it does not require any prior knowledge concerning the structure (e.g. the number of rules) and the database (e.g.\ antecedent fuzzy sets) of the T-S fuzzy model, and concerning the selection of the adequate input variables and their respective time delays for the prediction setting. The GA approach is composed by five hierarchical levels and has the global goal of maximizing the prediction accuracy. The first level consists in the selection of the set of input variables and respective delays for the T-S fuzzy model. The second level considers the encoding of the membership functions. The individual rules are defined at the third level, the population of the set of rules is treated in fourth level, and a population of fuzzy systems is handled at the fifth level. The second objective is to design automatic methodologies to control a nonlinear process, by learning/designing all fuzzy parameters of a Fuzzy Logic Controller (FLC) from data extracted from a given process while it is being manually controlled. The learning of the FLC is performed by a hierarchical genetic algorithm (HGA) composed by a five level structure. The selection of an adequate set of input variables, and the definition of the antecedent and consequent membership functions, individual rules, set of rules, and fuzzy operators (t-norm, implication, aggregation and defuzzifier operators) which constitute the FLC, are all performed. Finally, the third objective is the design of methodologies for fuzzy model predictive control of nonlinear time-varying systems without knowledge about the mathematical model of the plant. The fuzzy systems learned by the methodologies proposed in relation to the first objective were incorporated into the control methodology, namely on the Generalized Predictive Control (GPC) algorithm. To validate and demonstrate the performance and effectiveness of the proposed methodologies, they are applied on the identification of a model for the estimation of the flour concentration in the effluent of a real-world wastewater treatment system; and on the control of a simulated continuous stirred tank reactor (CSTR), on the control of the dissolved oxygen in an activated sludge reactor within a simulated wastewater treatment plant, and on the control of a real-world experimental setup composed of two coupled DC motors. ; FCT SFRH/BD/63383/2009