| Summary: | Os sistemas caóticos apresentam sensibilidade às condições iniciais. Pequenas alterações nestas condições iniciais podem levar a resultados muito diferentes da trajetória original do sistema. Esta característica faz com que seja muito difícil prever o comportamento destes sistemas, principalmente porque em várias aplicações práticas, as condições iniciais são obtidas com instrumentos de medida, os quais estão sujeitos a erros de precisão. A previsibilidade do comportamento de sistemas caóticos é uma área de grande importância porque muitos fenômenos do mundo real apresentam algum tipo de comportamento caótico. O objetivo deste trabalho é realizar a previsibilidade em sistemas caóticos e também gerar automaticamente um conjunto de regras interpretáveis sobre o sistema. O problema de previsibilidade pode ser formulado como um problema de classificação. Deste modo, podemos utilizar alguns dentre vários tipos de classificadores que estão disponíveis atualmente. A técnica de \emph{${''}$bred vectors${''}$} é utilizada para avaliar o sistema não linear e os sistemas neuro-difusos gerados pelas ferramentas ANFIS e GUAJE são empregados para classificar a dinâmica. A partir do treinamento com pares entrada/saída (magnitude do bred vector / classe de dinâmica), o ANFIS gera um sistema difuso do tipo \emph{Takagi-Sugeno}. Tal sistema pode ser utilizado com um conjunto de testes para verificar a eficácia do classificador neuro-difuso. Os resultados da classificação com o sistema ANFIS são comparados com a classificação utilizando Redes Neurais Artificiais (RN As). Tanto o ANFIS quanto as RNAs apresentam bons resultados, porém geram sistemas de difícil interpretabilidade. Para gerar sistemas com boa interpretabilidade e manter uma acurácia alta, utilizamos o \emph{software} GUAJE, o qual permite gerar um conjunto de regras para um sistema difuso do tipo \emph{Mamdani}. Como objeto de estudo, utilizamos dois sistemas que apresentam comportamento caótico na forma de um atrator estranho, o Sistema de Lorenz (associado à dinâmica da atmosfera) e o modelo não linear de três ondas acopladas (física solar). === Chaotic systems have much sensitivity to initial conditions. Small changes in these initial conditions can lead to very different results from the original trajectory of the system. This feature makes it very difficult to predict the behavior of systems, mainly because in many practical applications, the initial conditions are obtained with measurement instruments, which are subject to precision errors. The predictability of the behavior of chaotic systems is an area of great importance beca use many real world phenomena have some kind of chaotic behavior. The aim of this work is predictability in chaotic systems and als o to automatically generate a set of interpretable rules on the system. The first step is to mo del the predictability problem in a c1assification problem. From there, we can use some of several c1assifiers available currently. In this study, we use the technique of ${''}$bred vectors${"}$ to generate pairs of input/output required for the neuro-fuzzy system ANFIS. From these pairs of training the ANFIS generates a system of Fuzzy Takagi-Sugeno type, this system can be used with a set of tests to check the effectiveness of the model. in order to compare the results we als o use Artificial Neural Networks (ANN). Both ANFIS as the ANNs present good results, but generate systems with difficult interpretability. To generate systems with good interpretability and maintaining a high accuracy, we use the software GUAJE, which allows generating a set of rules for a type Mamdani Fuzzy system. As an object of study, we used two systems that present chaotic behavior in the form of a strange attractor, the Lorenz System and nonlinear three-wave coupled model.
|
|---|
