cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

53
UNIVERSITATEA „TRANSILVANIA” DIN BRAŞOV FACULTATEA DE INGINERIE ELECTRICĂ ŞI ŞTIINŢA CALCULATOARELOR ing. CRISTIAN NICOLAE BOLDIŞOR CERCETĂRI PRIVIND UTILIZAREA TEHNICILOR NEURO-FUZZY PENTRU CONTROLUL TENSIUNII ARTERIALE ŞI DEBITULUI CARDIAC A STUDY ON THE USE OF NEURO-FUZZY TECHNIQUES FOR THE MEAN ARTERIAL PRESSURE AND CARDIAC OUTPUT CONTROL = Rezumatul tezei de doctorat = CONDUCĂTOR ŞTIINŢIFIC Prof. univ. dr. ing. IULIAN ŢOPA 2010

Transcript of cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

Page 1: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

UNIVERSITATEA „TRANSILVANIA” DIN BRAŞOV FACULTATEA DE INGINERIE ELECTRICĂ

ŞI ŞTIINŢA CALCULATOARELOR

ing. CRISTIAN NICOLAE BOLDIŞOR

CERCETĂRI PRIVIND UTILIZAREA TEHNICILOR NEURO-FUZZY PENTRU CONTROLUL TENSIUNII

ARTERIALE ŞI DEBITULUI CARDIAC

A STUDY ON THE USE OF NEURO-FUZZY TECHNIQUES FOR THE MEAN ARTERIAL PRESSURE AND CARDIAC

OUTPUT CONTROL

= Rezumatul tezei de doctorat =

CONDUCĂTOR ŞTIINŢIFIC Prof. univ. dr. ing. IULIAN ŢOPA

2010

Page 2: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

MINISTERUL EDUCAŢIEI ŞI CERCETĂRII UNIVERSITATEA TRANSILVANIA DIN BRAŞOV

BRAŞOV, B-dul EROILOR nr. 29, 500036 Tel. 0040-0268-413000, Fax 0040-0268-410525

RECTORAT

COMPONENŢA comisiei de doctorat

numită prin Ordinul Rectorului Universităţii „Transilvania” din Braşov nr. 4130 din 25.06.2010

PREŞEDINTE Prof. univ. dr. ing. Sorin Aurel MORARU Decan,

Facultatea de Inginerie Electrică şi Ştiinţa Calculatoarelor Universitatea „Transilvania” din Braşov CONDUCĂTOR ŞTIINŢIFIC Prof. univ. dr. ing. Iulian ŢOPA Universitatea „Transilvania” din Braşov REFERENŢI Prof. univ. dr. ing. Clement FEŞTILĂ

Universitatea Tehnică din Cluj-Napoca Prof. univ. dr. ing. Gheorghe BĂLUŢĂ Universitatea Tehnică „Gheorghe Asachi” din Iaşi Prof. univ. dr. ing. Vasile COMNAC Universitatea „Transilvania” din Braşov Susţinerea publică a tezei de doctorat va avea loc în data de 24.09.2010, ora 10.00, în corpul V al Universităţii Transilvania, str. Mihai Viteazu nr. 5, etajul III, sala V III 9. Vă rugăm să transmiteţi eventuale aprecieri sau observaţii asupra conţinutului lucrării pe adresa de email [email protected].

Page 3: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

PREFAŢĂ Proiectarea şi implementarea sistemelor cu logică fuzzy pentru aplicaţii tehnice în general, şi în ingineria electrică şi automatică, în particular, au fost tratate intens, din perspective teoretice şi practice, de la definirea logicii fuzzy ca domeniu al matematicii şi introducerea ei în tehnică. Studiile au condus la expunerea multor strategii concrete de stabilire a bazelor de reguli fuzzy, de la cele empirice, simple, până la metodologii complexe bazate pe algoritmi specifici inteligenţei artificiale, cum ar fi auto-instruirea, reţelele neuronale, algoritmi genetici. Dintre acestea, ultimele amintite sunt preferate la ora actuală, datorită adaptabilităţii ridicate ale acestora la diverse situaţii, fără a implica etape de re-modelare şi identificare a parametrilor. Sistemele de reglare cu logică fuzzy sunt o soluţie frecvent utilizată pentru aplicaţiile de control automat al proceselor cu parametrii incerţi sau variabili în limite largi, printre care pot fi amintite procesele fiziologice. Proiectarea regulatoarelor fuzzy prin metodele analitice recente, cum ar fi tehnicile neuro-fuzzy, permit obţinerea unor soluţii de reglare şi performanţe bune, evitând o modelare matematică exactă a procesului. Utilizarea acestor metode pentru un proces biologic face ca subiectul tezei să fie unul modern şi oportun, atât prin descrierea metodelor actuale, adaptabile la diverse alte aplicaţii, cât şi prin utilizarea lor într-un domeniu în plină dezvoltare. Proiectarea sistemelor de control al variabilelor fiziologice, ca unul din capitolele domeniului ingineriei biomedicale, este o temă teoretică de interes, în perspectiva realizării de noi aparate medicale automate, cât mai complexe, dar şi cu scopul îmbunătăţirii performanţelor şi creşterii siguranţei echipamentelor existente deja. Sistemul cardiovascular este unul dintre procesele fiziologice de mare interes datorită incidenţei afecţiunilor specifice şi a posibilităţii de control automat în unele situaţii clinice. Prin lucrarea de faţă, autorul urmăreşte dezvoltarea experienţei în proiectarea sistemelor neuro-fuzzy în general, dar şi orientarea cercetărilor înspre domeniul modern al aplicaţiilor ingineriei în medicină. Doresc să mulţumesc domnului prof. univ. dr. ing. Iulian Ţopa, conducătorul ştiinţific al acestei teze de doctorat, precum şi domnului prof. univ. dr. ing. Vasile Comnac pentru sprijinul acordat pe perioada elaborării tezei de doctorat. De asemenea, mulţumesc colegilor din cadrul Catedrei de Automatică pentru colaborările utile avute în activitatea de cercetare şi publicare. Nu în ultimul rând, doresc să mulţumesc familiei mele şi în special soţiei mele pentru toată înţelegerea şi susţinerea oferite în aceşti ani. Braşov, 2010 Cristian Nicolae Boldişor

Page 4: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

PREFACE The design and implementation of fuzzy logic systems for technical applications in general, and for electrical and control engineering, in particular, were intensively treated from theoretical as well as practical perspectives/both from theoretical and practical points of view, ever since fuzzy logic was defined as a sub-domain of mathematics and began to be used in engineering. Studies led to expound several practical strategies to establish fuzzy rule bases, from the simple empirical ones to the very complex methodologies based on artificial intelligence algorithms, such as self-learning, neural networks and genetic algorithms. Nowadays, among these strategies, the latter are preferred due to their high adaptability to different situations, without involving any stages for re-modelling or identification of parameters. Fuzzy logic control systems are a frequently used solution in automatic control applications for processes with uncertain or largely varying parameters, among which physiological processes can be mentioned. Designing fuzzy controllers using the recent analytical methods, such as the neuro-fuzzy techniques, assures satisfactory control solutions and good performances, while avoiding an exact mathematical modelling of the process. Using these methods for a biological process makes the subject of this thesis a modern and pertinent one, both by presenting current methods that can be adapted to various other applications and by using them in a rapidly developing domain. The design of control systems for physiological variables, as part of biomedical engineering, is a theoretical topic of interest, aiming at building new automatic medical equipment, as complex as possible, as well as with the purpose of improving the performance and safety of the equipment already available. The cardiovascular system is a psychological process of great interest due to the occurrence of specific diseases and due to the possibility of automatic control in certain clinical situations. Through this thesis, the author aims at improving his experience in neuro-fuzzy system design for control applications, in general, as well as at directing his research towards the modern applications of engineering in medicine. I want to thank Prof. Eng. Iulian Ţopa, Ph.D., the scientific advisor for this thesis, and Prof. Eng. Vasile Comnac, Ph.D., for their support during the preparation of this thesis. Also, I thank my colleagues from Automatics Department for the useful cooperation in research work and publication of scientific papers. Finally, I want to thank my family and especially my wife for all patience and support shown over these years. Braşov, 2010 Cristian Nicolae Boldişor

Page 5: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

CUPRINSUL TEZEI DE DOCTORAT Introducere ......................................................................................................... (7)......1

Descrierea subiectului tezei de doctorat............................................. (7)......1 Stadiul actual al cercetărilor .................................................................. (9)......2 Organizarea lucrării.............................................................................. (10)......5

Capitolul I. Elemente teoretice...................................................................... (12)......8 1.1. Mulţimi fuzzy ....................................................................................... ....11 1.2. Raţionamentul fuzzy ........................................................................... ....18 1.3. Modele neuronale. Antrenarea reţelelor neuronale ........................ ....24 1.4. Sisteme hibride neuro-fuzzy ....................................................... (12)....33

Capitolul II. Sisteme de reglare cu logică fuzzy .......................................... (14)....43 2.1. Regulatoare fuzzy ................................................................................ ....45 2.2. Adaptarea sistemului de inferenţe de tip Sugeno-Tagaki în formă tabelară numerică................................................................. (16)....51 2.3. Sisteme neuro-fuzzy în aplicaţii practice în inginerie .............. (16)....58

Capitolul III. Tehnici de proiectare a regulatoarelor fuzzy ....................... (17)....61 3.1. Proiectarea bazată pe experienţă a bazelor de reguli fuzzy .... (18)....62

3.1.1. Prezentarea detaliată a metodologiei ................................. ....62 3.1.2. Alte recomandări de proiectare bazate pe situaţii frecvente în practică........................................................................ ....68

3.2. Utilizarea unor metode specifice regulatoarelor clasice................. ....69 3.2.1. Utilizarea relaţiilor Ziegler-Nichols în calculul factorilor de scalare .................................................................. (19)....69

3.3. Obţinerea bazelor de reguli prin instruire iterativă ................. (20)....71 3.3.1. Algoritmul iterativ de auto-instruire .................................. ....72 3.3.2. Construcţia bazelor de reguli din datele obţinute prin auto-instruire ........................................................................... ....76

3.4. Utilizarea sistemelor fuzzy neuronale adaptive (ANFIS) pentru obţinerea bazelor de reguli..................................................... (22)....80

3.4.1. Structura şi funcţionarea ANFIS........................................ ....80

Page 6: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

3.4.2. Antrenarea ANFIS cu datele obţinute prin auto-instruire............................................................................. (23)....82

3.5. Criteriile de validare ale bazelor de reguli ........................................ ....83 Capitolul IV. Modelarea dinamicii sistemului cardiovascular................... (24)....84

4.1. Scurtă descriere a fiziologiei sistemului cardiovascular ................. ....85 4.2. Modelarea sistemului fiziologic ......................................................... ....89

4.2.1. Tipuri de modele ale sistemelor fiziologice ............... (25)....89 4.2.2. Un model extins nepulsatil al sistemului circulator......... ....90

4.3. Modelarea dinamicii cardiovasculare sub acţiunea medicamentelor injectate ........................................................................... ....93

4.3.1. Medicamente injectabile uzuale pentru controlul tensiunii arteriale şi a debitului cardiac ................................. (26)....93 4.3.2. Principiul concentraţiei la locul de acţiune al medicamentului ............................................................................... ....94 4.3.3. Modelarea efectelor medicamentelor asupra parametrilor sistemului cardiovascular. ....................................... ....94

4.4. Modelul compact al lui Yu.......................................................... (26)....96 4.5. Simularea modelului utilizat în mediul Matlab/Simulink.............. ....99

Capitolul V. Proiectarea regulatoarelor fuzzy pentru controlul combinat al tensiunii arteriale şi debitului cardiac ...................................... (29)..102

5.1. Introducere........................................................................................... ..102 5.1.1. Situaţii clinice ........................................................................ ..102 5.1.2. Structura sistemului de reglare............................................ ..103 5.1.3. Simularea injectomatelor ..................................................... ..104

5.2. Proiectarea regulatoarelor fuzzy pentru controlul combinat al tensiunii arteriale medii şi debitului cardiac ........................................ ..105

5.2.1. Proiectarea regulatoarelor pe baza experienţei şi a recomandărilor generale de proiectare......................................... ..105 5.2.2. Ajustarea factorilor de scalare pe baza valorilor tipice ale parametrilor procesului ............................................................ ..108 5.2.3. Proiectarea regulatoarelor fuzzy prin auto-instruire ....... ..109 5.2.4. Proiectarea regulatoarelor prin auto-instruire şi antrenare ANFIS............................................................................. ..113

Page 7: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

5.3. Analiza performanţelor sistemelor de reglare cu regulatoare proiectate prin metodele propuse...................................................... (30)..115

5.3.1. Detalierea indicatorilor de calitate...................................... ..115 5.3.2. Analiza performanţelor obţinute pentru fiecare variantă de proiectare în cazul clinic standard ............................ ..116

5.4. Analiza robusteţii variantelor funcţionale................................. (31)..122 5.4.1. Scenarii de simulare.............................................................. ..122 5.4.2. Analiza robusteţii variantei bazate de relaţiile Ziegler-Nichols......................................................................... (32)..123 5.4.3. Analiza robusteţii variantei bazate de antrenare ANFIS........................................................................................ (33)..128

Concluzii finale şi perspective ....................................................................... (34)..133 Contribuţii personale........................................................................... (35)..134 Perspective ............................................................................................ (37)..136

Anexe........................................................................................................................ ..137 Scenariile de simulare ................................................................................. ..137 Programe Matlab utilizate.......................................................................... ..139

Listă de notaţii ......................................................................................................... ..144 Listă de figuri........................................................................................................... ..148 Bibliografie........................................................................................................ (38)..152 Curriculum vitae .............................................................................................. (48) Lista completă de publicaţii............................................................................ (49)

Page 8: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...
Page 9: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

7

INTRODUCERE

Descrierea subiectului tezei de doctorat

Sistemele de reglare cu logică fuzzy sunt o soluţie frecvent utilizată pentru aplicaţiile de control automat al proceselor cu parametrii incerţi sau variabili în limite largi, printre care pot fi amintite şi procesele fiziologice. Proiectarea regulatoarelor fuzzy este bazată în primul rând pe experienţa empirică, însă metodele de proiectare recente, analitice, prin tehnici neuro-fuzzy permit obţinerea unor soluţii de reglare satisfăcătoare, sau chiar bune, evitând o modelare matematică exactă a procesului. Utilizarea acestor metode pentru un proces biologic este un subiect de studiu ambiţios ţinând cont de caracteristicile acestor procese, însă în acelaşi timp este unul modern, atât prin descrierea metodelor de proiectare, cât şi prin utilizarea lor într-un domeniu ingineresc în plină dezvoltare. Lucrarea prezintă o abordare modernă pentru controlul simultan al tensiunii arteriale şi debitului cardiac, bazată pe tehnici inteligente neuro-fuzzy, cu enumerarea a patru metode concrete de proiectare. Aplicaţia de control este una complexă, în domeniul medical, ceea ce implică o serie de dificultăţi de modelare şi probleme de identificare precisă a parametrilor. Din titlul lucrării se pot identifica două direcţii principale de studiu necesare rezolvării aplicaţiei propuse:

• Sisteme de reglare fuzzy simple şi hibride neuro-fuzzy, cu aplicabilitate în diverse aplicaţii de inginerie şi sistematizarea unor metode de proiectare a sistemelor de inferenţe fuzzy ale regulatoarelor, pentru a facilita utilizarea lor în diferite aplicaţii cu obţinerea unor soluţii performante;

• Cercetări privind modelarea sistemului cardiovascular şi a dinamicii farmocologice a acestuia, pentru lărgirea domeniului de aplicabilitate a metodelor neuro-fuzzy descrise şi dezvoltarea unor strategii de control pentru procese biologice.

Cercetările în cele două subiecte sunt concretizate în aplicarea strategiilor de proiectare propuse pentru sisteme de control fuzzy şi neuro-fuzzy ale variabilelor tensiune arterială medie şi debit cardiac, ca exemplu de proces biologic controlabil prin ajustarea dozajului de medicamente injectate. Motivaţia complexă a acestui studiu este descrisă prin enumerarea câtorva aspecte:

• Proiectarea sistemelor cu logică fuzzy este încă, în majoritatea aplicaţiilor, bazată mai mult pe experienţa proiectantului, decât pe metodologii analitice sau clar sistematizate;

Page 10: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

8

• Este dificilă realizarea unor structuri de reglare utile, auto-adaptive, “inteligente”, fără necesitatea unui expert în teoria sistemelor, reglare fuzzy şi în domeniul procesului studiat (aici cardiologie);

• Este necesară (şi dorită) lărgirea experienţei în proiectarea de sisteme cu logică fuzzy în domenii diverse şi cazuri tot mai complexe;

• Se consideră utilă stabilirea unor metodologii clare, sistematizate şi cât mai automate pentru obţinerea unor baze de reguli ale regulatoarelor pentru procese fără model sau cu parametrii incerţi;

• Modelarea unui sistemelor biologice (în general) este o problemă interesantă şi din perspectiva automaticii, dar dificilă şi cu prea puţine studii relevante;

• Dezvoltarea unor metode, soluţii, echipamente automate etc. pentru uz medical, aplicate în ingineria biomedicală sau utile în studii farmacologice impune verificarea riguroasă şi repetată în simulare a tehnicilor utilizate şi a soluţiilor propuse, pentru creşterea încrederii.

Studiul realizat poate fi argumentat de faptul că dezvoltarea oricăror echipamente sau tehnologii pentru medicină este precedată de un volum mare de analize teoretice şi simulări software. Altfel spus, oportunitatea lucrării este susţinută de tendinţele actuale referitoare la decursul normal al dezvoltării aplicaţiilor de inginerie biomedicală. Controlul unor variabile ce descriu un proces fiziologic prezintă particularităţi produse de evoluţia neliniară, incertă şi complexă a acestora. Cunoaşterea aspectelor privind funcţionarea sistemelor biologice măreşte nivelul de încredere în sistemele automate de control proiectate sau, cel puţin, creează posibilitatea realizării unor simulări folosind modelele disponibile. Cu toate că este posibilă proiectarea sistemelor de reglare fuzzy folosind puţine informaţii privind procesul, disponibilitatea unui model cât mai exact şi util în contextul aplicaţiei facilitează realizarea simulatoarelor, care astfel reduc numărul şi riscul testelor efectuate pe oameni. Cercetarea în domeniul ingineriei utilizează deseori simulări computerizate pentru creşterea productivităţii, scăderea costurilor de proiectare şi pentru mărirea fiabilităţii şi siguranţei produselor obţinute. Mai mult, unele domenii, printre care şi ingineria biomedicală, impun simulări complexe pentru evitarea situaţiilor periculoase ce pot apare în realizarea sau testarea prototipurilor experimentale. În acest context, sunt utilizate intens instrumentele de simulare disponibile şi se încurajează dezvoltarea şi îmbunătăţirea aplicaţiilor software de simulare. Ingineria biomedicală impune cercetări susţinute în modelarea proceselor fiziologice, îmbunătăţirea modelelor obţinute şi simularea unor tehnologii, pentru a facilita proiectarea unor sisteme automate performante.

Page 11: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

9

Stadiul actual al cercetărilor

Proiectarea şi implementarea sistemelor cu logică fuzzy în inginerie, în general, şi în ingineria electrică sau automatică, în particular, au fost tratate intens, din perspective teoretice şi practice, de la definirea logicii fuzzy ca subiect matematic ([ZAD1965]) şi de la introducerea ei în tehnică ([MAM1974]). Studiile teoretice au condus la expunerea multor strategii concrete de stabilire a bazelor de reguli fuzzy, de la cele empirice, simple, până la metodologii complexe bazate pe algoritmi specifici inteligenţei artificiale, cum ar fi auto-instruirea, reţelele neuronale, algoritmi genetici ([JOV1999], [JAN2007], [PAY1998], [PRP1997]). Dintre acestea, ultimele amintite sunt preferate la ora actuală, datorită adaptabilităţii ridicate ale acestora la diverse situaţii, fără a implica etape de re-modelare sau re-identificare a parametrilor, când condiţiile de funcţionare se modifică. În acest context, referirea la domeniul inteligenţei artificiale este rezonabilă deoarece noile strategii emulează două caracteristici umane, inteligente - învăţarea şi adaptarea – fie în timpul funcţionării efective a sistemului, fie în etapa de proiectare a sistemului. În cazul sistemelor cu logică fuzzy, învăţarea reprezintă capacitatea de a extrage un set de reguli, fuzzy sau non-fuzzy, dintr-un proces de înregistrare şi prelucrare de date numerice (pentru un sistem automat) sau de observaţii experimentale (pentru un proiectant). Un exemplu sugestiv este mecanismul de construcţie a bazei de reguli pentru un regulator fuzzy descris în [NIL1995], bazat pe conceptul de auto-instruire din [ARI1990] şi simplificat la condiţii practice concrete în [BCC2009]. Adaptarea semnifică ajustarea unei baze de reguli standard sau brute la condiţiile aplicaţiei practice, cu scopul optimizării sistemului proiectat. Această ajustare se poate face în baza unui algoritm de minimizare a erorii, cum ar fi antrenarea reţelelor neuronale sau structura ANFIS, ca în [BCT2010b]. Introducerea unor algoritmi de inteligenţă artificială în etapa de proiectare are un avantaj semnificativ: foarte puţine informaţii privind procesul reglat sunt necesare în proiectare. Necesitatea unui operator uman experimentat sau a unui model matematic este redusă sau chiar eliminată complet. Proiectarea sistemelor de control al variabilelor fiziologice, ca unul din capitolele domeniului ingineriei biomedicale, este o temă teoretică de interes actual, în perspectiva realizării de noi aparate medicale automate, cât mai complexe, dar şi cu scopul îmbunătăţirii performanţelor şi creşterii siguranţei echipamentelor existente deja. Sistemul cardiovascular este unul dintre procesele fiziologice de mare interes datorită incidenţei afecţiunilor specifice şi a posibilităţii de control automat în unele situaţii clinice. O serie de probleme specifice au fost abordate şi parţial rezolvate în decursul anilor. Mai întâi, s-au realizat numeroase studii privind modelarea matematică a multor aspecte privind funcţionarea sistemului cardiovascular. Printre acestea

Page 12: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

10

trebuie amintite studiile de farmacologie privind dinamica efectelor unor substanţe injectate, prin care controlul devine posibil. Din punctul de vedere al modelării matematice, sistemul cardiovascular a fost studiat din mai multe perspective (vezi [TIM2000], [CAT2006]), printre care şi abordarea specifică teoriei sistemelor care include dinamica sistemului sub acţiunea unor medicamente, sau efectul farmacodinamic. Modelele utilizate şi în cele mai recente lucrări sunt modele cu parametrii compacţi, generalizate la întreg sistemul cardiovascular, care ignoră efectele pulsatorii produse de bătăile inimii. Se pot aminti aici modelele prezentate în [MPT1983] – procese hemodinamice – şi [SRK1983] – procese farmaco-dinamice, utilizate împreună în [NIL1995] şi modelul combinat propus de Yu et. al în [YRK1990a], cu extensia propusă de Huang et. al în [HUR1998]. Un prim pas în dezvoltarea unor echipamente de control este realizarea injectomatelor programabile. Acestea injectează o doză constantă de substanţă, stabilită de personalul medical pe baza experienţei. Funcţionarea lor este descrisă de teoria sistemelor ca un sistem în circuit deschis, adică sistemul nu prezintă un mecanism de reacţie. Al doilea pas îl constituie studiul teoretic al unor metode de reglare robuste, facilitate de evoluţia modelării matematice a sistemului cardiovasculare. Există abordări SISO pentru controlul unei singure variabile, sau mai recent, abordări MIMO, cu două sau trei bucle de reglare, pentru un set de variabile fiziologice cu interinfluenţe. Studiile actuale se concentrează pe controlul combinat al tensiunii arteriale medii şi debitului cardiac prin administrarea intravenoasă de nitroprusiat de sodiu şi dopamină. Un ultim pas necesar este acela al realizării practice a unor elemente de execuţie care să controleze concentraţia substanţelor în injectomate. În paralel, s-au dezvoltat metode teoretice de control automat cât mai robuste, pentru a diminua efectele inexactităţii în identificarea parametrilor asupra stabilităţii şi performanţelor. Aceste tehnici de reglare sau proiectare au fost intens utilizate şi verificate în diverse alte aplicaţii, care îndeplinesc aceeaşi condiţie a variaţiei ample a parametrilor. Pentru controlul tensiunii arteriale şi debitului cardiac se pot aminti lucrările [PAL2003], [KHV2009], [BCT2010]. Nu în ultimul rând, chestiuni de ordin etic sau juridic privind tratarea şi responsabilitatea erorilor sunt încă în discuţie, înainte de verificarea practică a unor echipamente sau metode prototip ([BRO2000], [BRO2006]).

Organizarea lucrării

Lucrarea este structurată în cinci capitole principale, completate de două secţiuni pentru introducerea temei şi concluziile lucrării, dar şi o bibliografie bogată. Problematica fiecărui capitol este abordată din perspectiva strictă a subiectului lucrării şi este tratată sistematic şi detaliat.

Page 13: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

11

Secţiunea de Introducere prezintă şi motivează tema de cercetare propusă şi aminteşte un scurt stadiu actual privind utilizarea generală a tehnicilor neuro-fuzzy şi particulară în aplicaţii biomedicale. Amintind tendinţele actuale şi specificul procesului fiziologic studiat, se argumentează alegerea soluţiilor de reglare cu logică fuzzy. De asemenea, se prezintă structura lucrării şi se prezintă pe scurt problemele abordate. Capitolul 1, Elemente teoretice, prezintă noţiunile teoretice necesare ulterior în prezentarea metodelor şi soluţiilor propuse. Prezentarea se limitează strict la scopul capitolului, dar detaliază suficient pentru a expune noţiunile în mod clar. Capitolul 2, Sisteme de reglare cu logică fuzzy, detaliază aspectele specifice sistemelor cu logică fuzzy utilizate în aplicaţiile de control automat. Aici, expunerea se concentrează pe noţiunile privitoare la performanţele sistemelor automate şi restrânge domeniul larg al tehnicilor neuro-fuzzy la aspectele importante pentru sistemele automate. În acest context, se prezintă un mecanism de inferenţă fuzzy uşor de implementat numeric şi recomandabil aplicaţiilor în timp real. Capitolul 3, Tehnici de proiectare a bazelor de reguli pentru regulatoare fuzzy, lărgeşte aria tehnicilor neuro-fuzzy cu cele dedicate etapei de proiectare a sistemelor. Astfel, sunt prezentate patru metode de proiectare a regulilor fuzzy pentru aplicaţii de control:

A. metoda strict bazată experienţa proiectantului; B. adaptarea regulatorului fuzzy pe baza parametrilor procesului, prin

relaţiile Ziegler-Nichols de acord a regulatoarelor clasice; C. procesarea datelor obţinute printr-un algoritm de instruire iterativă,

utilizat pentru obţinerea unor informaţii despre proces; D. o metodă hibridă neuro-fuzzy ANFIS.

Expunerea metodelor urmăreşte generalizarea şi sistematizarea lor pentru a înlesni aplicarea în diverse alte situaţii şi, de asemenea, sunt amintite aspecte concrete privind utilizarea practică a metodelor. Capitolul 4, Modelarea dinamicii cardiovasculare în contextul unei aplicaţii de control, cuprinde prezentarea procesului studiat dintr-o perspectivă inginerească. Capitolul este redactat printr-un studiu bibliografic intens şi subliniază numărul relativ redus al cercetărilor privind modelarea sistemului cardiovascular pentru o aplicaţie de control hemodinamic prin ajustarea dozajelor de medicamente injectate. Este prezentat modelul matematic ales pentru simulări şi se argumentează alegerea acestuia. Capitolul 5, Proiectarea regulatoarelor fuzzy pentru controlul combinat al tensiunii arteriale şi debitului cardiac, prezintă utilizarea celor patru metode de obţinere a regulilor fuzzy în proiectarea unor regulatoare fuzzy pentru controlul tensiunii arteriale şi al debitului cardiac, pe modelul cardiovascular ales anterior. Regulatoarele fuzzy obţinute sunt analizate din punct de vedere al performanţelor, mai întâi pentru

Page 14: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

12

un caz considerat standard. Apoi soluţiile mai performante sunt analizate şi cu privire la robusteţe, în alte opt cazuri clinice propuse de autor. Rezultatele simulărilor sunt prezentate clar, în figuri şi tabele comparative. În final, sunt prezentate principalele Concluzii ale lucrării. Cele mai importante rezultate şi contribuţii personale sunt rezumate şi de asemenea sunt precizate câteva direcţii în care poate fi dezvoltată lucrarea. Lucrarea este completată de o Bibliografie bogată, care cuprinde lucrări în domeniul sistemelor neuro-fuzzy, de la noţiunile teoretice până la aplicaţiile în inginerie, dar şi multe referinţe privind modelarea sistemului cardiovascular.

CAPITOLUL I. ELEMENTE TEORETICE

Teoria matematică a mulţimilor şi logicii fuzzy a cunoscut o dezvoltare exponenţială pe parcursul celor 45 de ani de la introducerea ei ([ZAD1965]), motivată atât de atractivitatea raţionamentelor – asemănătoare mecanismelor raţionale umane uzuale, cât şi aplicării cu succes într-o serie largă de domenii inginereşti. Expunerile teoretice ale logicii fuzzy, cu toate aspectele ei, interferează strâns cu alte capitole ale matematicii, dar şi cu domenii ale ingineriei, şi utilizează instrumente abstracte sau practice specifice. Cu o desfăşurare doar puţin mai lungă, dezvoltarea modelelor neuronale, a structurilor de reţele şi a algoritmilor a fost de asemenea amplă. Structurile şi metodele matematice propuse simulează pe cele naturale, specifice inteligenţei umane, de unde sunt inspirate ([MCP1943]). Aplicaţiile curente în inginerie şi mai exact în control automat apelează doar o mică parte a teoriei mulţimilor fuzzy şi reţelelor neuronale, care se dovedeşte relativ uşor accesibilă. Prezentarea noţiunilor teoretice preliminare reprezintă o enumerare a elementelor de bază considerate necesare pentru dezvoltarea ulterioară a temei propuse. Dintre lucrările importante de amintit pentru o introducere mai detaliată a aparatului teoretic privind logica fuzzy, în general, şi a aplicaţiilor inginereşti fuzzy şi hibride neuro-fuzzy, în particular (printre care şi controlul în logică fuzzy), se pot aminti monografiile: Mamdani – [MAM1985], Driankov ş.a. – [DHR1993], Kosko – [KOS1996], Pedrycz şi Gomide – [PEG1998], Passino şi Yurkovich - [PAY1998], Zimmermann – [ZIM2001], Jantzen – [JAN2007], dar şi multe altele. Pe plan internaţional, numărul lucrărilor în domeniu este mult mai mare, cele amintite fiind doar exemplele frecvent citate. În limba română se pot aminti: Negoiţă şi Ralescu – [NER1974], Preitl şi Precup – [PRP1997].

Sisteme hibride neuro-fuzzy

Fiecare tehnică inteligentă are proprietăţi tipice care îi conferă aplicabilitatea pentru anumite probleme şi prezintă dezavantaje în rezolvarea altora. De exemplu, reţelele neuronale au avantajul recunoaşterii modelelor, însă nu pot

Page 15: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

13

explica modul în care au ajuns la o concluzie. Pe de altă parte, sistemele fuzzy pot raţiona cu informaţii imprecise şi îşi pot explica raţionamentul, dar nu pot achiziţiona automat regulile pe care le utilizează pentru luarea deciziilor. Aceste limitări au fost principalul motiv pentru care s-a încercat crearea de sisteme inteligente hibride, în care două sau mai multe tehnici pot fi combinate pentru a depăşi dezavantajele tehnicilor individuale. Modelarea cu reguli fuzzy, de tip dacă-atunci, este în general potrivită pentru modelarea calitativă. Totuşi, în multe situaţii, datorită incompletitudinii cunoaşterii, inerente unor situaţii reale, această abordare se dovedeşte insuficientă. De aceea se face apel la unele metode conexioniste, cum ar fi reţelele neuronale. Sistemele neuro-fuzzy sunt astfel capabile să înveţe din exemple, să generalizeze pe baza cunoştinţelor acumulate şi, pe baza datelor primite, să sintetizeze cunoştinţe în forma regulilor fuzzy.

Tabelul 1. Privire comparativă a avantajelor şi dezavantajelor sistemelor fuzzy şi reţelelor neuronale.

În ultimii ani, sistemele hibride au suscitat un deosebit interes. Această abordare s-a dovedit încununată de succes în diferite domenii, precum diagnoza echipamentelor industriale, robotica sau controlul proceselor dinamice. Motivul principal al studierii sistemelor neuronale hibride este crearea de sisteme de reprezentare sub-simbolică, în special a reţelelor neuro-fuzzy. Din punctul de vedere al ştiinţelor cognitive, reprezentarea neuronală oferă avantajul omogenităţii, a capacităţii de învăţare prin exemple şi a generalizării, precum şi efectuarea de sarcini distribuite, în medii cu date incomplete sau afectate de zgomote. Din punctul de vedere al sistemelor bazate pe cunoştinţe,

Avantaje Dezavantaje

Sisteme fuzzy

- Încorporează cunoştinţe predefinite bazate pe reguli - Sunt interpretabile (reguli) - Oferă o implementare simplă - Cunoştinţele sunt disponibile în orice moment

- Pot învăţa fără nici o informaţie iniţială - Există mai multe paradigme de învăţare, potrivite diverselor situaţii - Există o multitudine de algoritmi de învăţare disponibili în literatura de specialitate

Reţele neuronale

- Nu pot învăţa - Trebuie să dispună de reguli stabilite a-priori - Nu există metode formale pentru ajustarea regulilor

- Sunt „cutii negre” sub-simbolice - Nu pot utiliza cunoştinţe a-priori - Necesită algoritmi de învăţare complecşi - Nu există garanţia că învăţarea converge spre soluţie - Prezintă dificultăţi în extragerea cunoştinţelor structurale

Page 16: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

14

reprezentările simbolice au avantajul interpretării umane, al controlului explicit şi al abstractizării cunoaşterii. Cele două abordări pot fi utilizate în mod complementar. Aceasta este premisa creării de sisteme hibride inteligente, care combină trăsături conexioniste (neuronale) şi simbolice (fuzzy). În astfel de sisteme, mai întâi se introduc informaţii simbolice în reţeaua neuronală, apoi se folosesc exemplele de instruire pentru rafinarea cunoştinţelor iniţiale. În final, se procesează rezultatul pentru un set de intrări şi, prin metode specifice, se extrag informaţii simbolice din reţeaua antrenată.

CAPITOLUL II. SISTEME DE REGLARE CU LOGICĂ FUZZY

Sistemele de reglare cu logică fuzzy dovedesc aplicabilitate şi avantaje considerabile, într-o gamă largă de aplicaţii de control automat în ingineria electrică, şi nu numai. Faţă de structurile de reglare clasice, aceste sisteme prezintă două mari diferenţe:

• în modul de descriere a procesului – inexactitatea sau chiar lipsa unui model al procesului nu constituie un impediment;

• în modul de proiectare – parametrii acestuia au corespondenţă clară cu cunoştinţele exprimate lingvistic de experţi şi pot fi adaptate mai uşor la performanţele impuse.

Nu se pune aici în discuţie o evaluare de tip competitiv între regulatoarele fuzzy şi alte tipuri, cum ar fi regulatoarele PID clasice, din cauza condiţiilor specifice diferite pentru care se recomandă fiecare tip sau structură de reglare. Astfel, în mai toate lucrările care prezintă structurile de reglare cu logică fuzzy, utilizarea acestora este considerată potrivită în primul rând în cazul proceselor cu parametrii incerţi, fără ca acesta să fie singurul motiv. Incertitudinile privind procesul condus se referă la:

- inexactitatea modelului obţinut prin identificare, - existenţa unor parametrii variabili într-un domeniu larg, cu dinamică

imprevizibilă, - identificarea eronată a parametrilor procesului. Pe lângă motivarea regulatoarelor fuzzy, existenţa acestor incertitudini implică o abordare imprecisă a proiectării structurii de reglare. Astfel, este dificilă stabilirea unei metodologii stricte de proiectare deoarece, în prezenţa incertitudinilor, proiectantul îşi adaptează metodele observând şi analizând rezultatele parţiale obţinute. Cu alte cuvinte, dacă algoritmul de reglare prezintă aspecte specifice logicii fuzzy, atunci este rezonabil şi chiar recomandabil ca şi metodele de proiectare a sistemelor să utilizeze logica fuzzy.

Page 17: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

15

Tehnicile de reglare clasice, bazate pe regulatoare clasice P, PI, PID, au stat la baza dezvoltării unei largi game de aplicaţii industriale. Motivele aplicării lor sunt simplitatea lor, costul redus de fabricaţie şi de întreţinere, împreună cu obţinerea unor rezultate foarte bune. Spre exemplu, multe sisteme de reglare bazate pe servosisteme utilizează ieftin şi eficient un algoritm de reglare PID. În proiectarea acestor regulatoare este necesară însă cunoaşterea cât mai exactă a modelului matematic al procesului. Modelul este deseori suficient de complex încât să fie impusă neglijarea unor mărimi, ceea ce duce la obţinerea unor rezultate aproximative. Pe de altă parte, sunt destule situaţii când determinarea modelului este aproape imposibilă. Dacă totuşi modelul este bine determinat, parametrii regulatorului depind de parametrii procesului, ceea ce înseamnă că, la modificarea unui parametru din proces, este nevoie de o recalculare a parametrilor regulatorului. Altfel spus, la schimbarea maşinii electrice într-un servosistem, de exemplu, trebuie schimbat şi regulatorul. O problemă mai importantă apare în cazul sistemelor neliniare. Chiar dacă modelul matematic este clar stabilit, un regulator PID nu va duce la obţinerea unor rezultate bune pentru aceste sisteme.

Tabelul 2. Situaţii care avantajează folosirea logicii fuzzy.

• Când parametrii procesului controlat se modifică în decursul funcţionării (regulatoarele convenţionale necesită reproiectare când caracteristicile şi configuraţia, procesului se schimbă)

• Când este necesară emularea sau înlocuirea regulatoarele convenţionale existente (de exemplu pentru a asigura autoacordarea sau pentru a da mai multă flexibilitate regulatoarelor adaptive)

• Când este mai uşor de a proiecta şi implementa o bază de reguli fuzzy care va controla un proces complex (deoarece procesul este puternic neliniar, sau este imposibilă modelarea eficientă cu un cost rezonabil)

• Dacă acurateţea senzorului (sau preţul) este o problemă (logica fuzzy poate manipula masurători imprecise cu incertitudini)

• Pentru a obţine soluţii de control eficient când intrările procesului sunt incerte sau conflictuale sau când problema de control nu se poate rezolva folosind alte tehnici

Principalul avantaj al utilizării unor regulatoare fuzzy este faptul că nu este necesară cunoaşterea modelului matematic, ci doar cunoaşterea comportării aproximative a procesului. Proiectarea regulatorului nu impune efectuarea unui volum mare de calcule, mai importantă fiind experienţa proiectantului. Obţinerea unor rezultate bune depinde mai mult de experienţă şi de calitatea implementării. Pentru a depăşi complet problema modelării exacte a procesului, algoritmii de reglare ce utilizează logica fuzzy au fost dezvoltaţi, incluzând metode tot mai

Page 18: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

16

complexe, specifice domeniului inteligenţei artificiale. Extinderea vizează în primul rând utilizarea instruirii iterative şi reţelelor neuronale, pentru extragerea unor date care sunt o reprezentare numerică a experienţei. Un mare avantaj al aplicaţiilor cu logică fuzzy este faptul că utilizarea acestora va conduce la scădere semnificativă a timpului de dezvoltare şi proiectare şi a implementării. (De exemplu conform informaţiilor oferite de firma Texas Instruments, implementarea unui sistem de control a motorului de inducţie cu regulatoare fuzzy logic cere doar o sfert din timpul necesar pentru proiectarea şi implementarea unui sistem similar care utilizează regulatoare clasice.)

Adaptarea sistemului de inferenţe de tip Sugeno-Tagaki în formă tabelară numerică. Inferenţe Pedrycz

În unele aplicaţii practice concrete, procedura stabilirii unei baze de reguli poate consta într-o procesare a unui set de date non-fuzzy (reale). Finalitatea acestei prelucrări ar putea fi transpunerea acestor date într-o formă lingvistică. Datele non-fuzzy sunt obţinute prin înregistrarea semnalelor utile pentru proiectare - mărime de comandă, mărime de reacţie şi/sau eroare de reglare – şi prin calcularea derivatelor acestora, în funcţie de structura de reglare aleasă. Însă extragerea regulilor fuzzy în forma “dacă ... atunci ...” este considerată dificilă din cauză faptului că nu există proceduri sistematizate. Obţinearea regulilor este strâns legată de mecanismul de inferenţă utilizat. Dacă un set de date reale privind funcţionarea procesului este disponibil, se poate adapta mecanismul de inferenţă fuzzy de tip Tagaki, într-o formă utilă şi adecvată datelor numerice. Această adaptare reuşeşte să reducă din volumul de calcule al metodelor de inferenţă obişnuite, prin introducerea unei reprezentări mai degrabă numerice a regulilor fuzzy, care în final nu mai sunt evidenţiate. Mecanismul de inferenţă fuzzy adaptat pentru a înlesni extragerea regulilor din date numerice a fost propus în lucrările [NIE87, NIE89], pornind de la o formă incipientă propusă în [PED85]. Metoda este utilizată cu succes pe date obţinute prin aplicarea algoritmului de auto-instruire în [NIL95]. De asemenea, metoda a fost verificată practic în proiectarea unui sistem de reglare a vitezei unui motor de curent continuu în [BCC09b] şi într-o analiză mai detaliată în [BCC10a].

Sisteme neuro-fuzzy în aplicaţii practice în inginerie

În sistemele fuzzy, relaţiile exacte ale unui model matematic al procesului nu sunt esenţiale. Sistemele sunt descrise de aprecierile calitative ale mărimilor şi de legăturile dintre acestea, exprimate lingvistic, pe baza experienţei operatorilor. O împărţire potrivită, în „atribute”, a domeniului de valori pe care le poate lua mărimile considerate şi experienţa obţinută din observarea funcţionării procesului ce ajută la descrierea comportării acestuia permit înlocuirea unor

Page 19: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

17

relaţii complexe (ecuaţii diferenţiale, etc.) prin operaţii mult mai simple: comparare (operatori min şi max), însumare, produs. O primă abordare care include tehnici neuronale este cea a modelării unui proces (sistem) prin antrenarea unei reţele neurale pe baza datelor experimentale obţinute prin măsurare şi înregistrare. În acest caz, experienţa privind funcţionarea sistemului nu este importantă decât eventual în etapa de alegere a modelului neuronal, de stabilire a numărului de neuroni şi de organizare în straturi. Sistemului i se aplică valori diverse pentru mărimile de intrare (păstrând condiţii de siguranţă), iar valorile mărimilor de ieşire se măsoară şi se înregistrează. Cu aceste date se antrenează o reţea neurală, utilizând programe specializate, urmând ca prin implementarea (software) a reţelei antrenate obţinute să se modeleze procesul real. Astfel, reţeaua antrenată realizează o descriere a funcţionării procesului prin operaţii a căror complexitate depinde de modelul neuronal ales, dar care pot fi doar înmulţiri şi însumări. Utilizarea strictă a reţelelor neuronale în obţinerea modelelor nu finalizează proiectarea bazelor de reguli. Aşadar, aceleaşi tehnici se extind şi asupra ajustării parametrilor bazei de reguli. Ajustarea lor este secundară schiţării unei structuri a bazei de reguli, bazată pe experienţa proiectantului. Aşadar, cele două concepte – aprecierea calitativă şi adaptarea neuronală – se completează într-o procedură de proiectare neuro-fuzzy. Îmbinarea neuro-fuzzy ar beneficia de avantajele ambelor tehnici. Astfel, putem vorbi de sisteme fuzzy în care parametrii sistemului de inferenţă (de fapt parametrii funcţiilor de apartenenţă care definesc termenii lingvistici) pot fi acordaţi printr-un procedeu similar antrenării reţelelor neurale. Mai mult, acordarea acestor parametrii se poate face online, pe baza datelor măsurate în timpul funcţionării sistemului de reglare.

CAPITOLUL III. TEHNICI DE PROIECTARE A REGULATOARELOR FUZZY

Lucrările de specialitate în domeniul controlului cu logică fuzzy, prezintă o serie largă de metodologii de proiectare, de la cele empirice până la tehnici complexe de inteligenţă artificială, cu diverse grade de automatism în obţinerea bazelor de reguli. Cu toate acestea, încă nu există o metodă strictă de proiectare a bazelor de reguli, acceptată de majoritatea autorilor. Este evidentă însă, încercarea multor autori de a prezenta cât mai compact şi sintetic tehnicile utilizate. Pentru obţinerea regulilor fuzzy de control se utilizează una sau mai multe dintre următoarele surse sau abordări:

a) experienţa proiectantului în sisteme de control automat cu logică fuzzy, completată cu cunoştinţele privind funcţionarea procesului;

Page 20: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

18

b) înregistrarea, într-o formă utilă pentru o procesare ulterioară, a acţiunilor realizate de operatorul uman specializat în operarea asupra procesului;

c) modelarea fuzzy a procesului; d) utilizarea unor strategii complexe, bazate de algoritmi de auto-instruire

sau reţele neuronale (tehnici de inteligenţă artificială). Fiecare dintre aceste surse de informaţii poate fi utilizată exclusiv, însă combinarea lor poate îmbunătăţi performanţele regulatoarelor obţinute. Astfel, utilizarea tehnicilor avansate bazate de auto-instruire, motivate de gradul mare de automatizare în obţinerea regulilor, este deseori completată de o ajustare a bazei de reguli bazată pe experienţa proiectantului. Includerea tehnicilor de inteligenţă artificială în etapa de proiectare se referă la emularea unor acţiuni regăsite toate activităţile de proiectare: învăţarea şi adaptarea. În proiectarea sistemelor automate, învăţarea este procesul prin care proiectantul obţine informaţii despre procesul supus reglării, fie în forma experienţei, fie sub forma unor date numerice înregistrate. Adaptarea este o continuare a învăţării prin care proiectantul îmbunătăţeşte regulile învăţate anterior sau modifică valorile numerice înregistrate pe baza unor noi observaţii. Invocarea tehnicilor de inteligenţă artificială nu este nepotrivită. Avantajele unor astfel de tehnici constau în primul rând în faptul că aceste metode nu necesită cunoaşterea unui model exact şi sigur al procesului reglat. În fapt, sunt necesare unele date privind funcţionarea procesului pentru a evita situaţii periculoase. Având în vedere caracteristicile principale ale reglării cu logică fuzzy, mulţi autori recomandă două direcţii pe care orice metodă de proiectare a unui regulator fuzzy trebuie să le urmărească:

• sistemul de reglare proiectat trebuie în final să satisfacă performanţele impuse, deci proiectarea va căuta să îndeplinească condiţiile impuse prin includerea experienţei în ingineria sistemelor automate;

• metoda trebuie să utilizeze cât mai puţine informaţii despre funcţionarea procesului, evitând o etapă de modelare a acestuia.

Proiectarea bazată pe experienţă a bazelor de reguli fuzzy

O analiză a tehnicilor de proiectare utilizate în aplicaţiile practice ale tehnicilor de reglare cu logică fuzzy, promovează ca primă metodologie de proiectare emularea experienţei umane. Prin aceasta se înţelege atât experienţa proiectantului privind sistemele de reglare cu logică fuzzy, dar şi experienţa operatorului uman cu privire la funcţionarea procesului condus. De cele mai multe ori proiectantul sistemului de reglare cunoaşte suficient de bine şi funcţionarea procesului.

Page 21: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

19

Proiectarea bazată pe experienţă poate fi descrisă prin enumerarea a cel puţin patru etape:

a) alegerea structurii de reglare şi a tipului regulatorului fuzzy (P, PI, PD, PID), ce implică stabilirea variabilelor pentru baza de reguli;

b) alegerea mulţimilor de bază şi a seturilor de termeni lingvistici pentru fiecare variabilă;

c) stabilirea regulilor de control; d) stabilirea factorilor de scalare a mărimilor reale înregistrate în limitele

mulţimii de bază.

Utilizarea relaţiilor Ziegler-Nichols în calculul factorilor de scalare

În cazul sistemelor de reglare clasice, în lipsa unui model al procesului, acordarea parametrilor regulatorului PID se poate face folosind metode experimentale. Acestea constau în obţinerea unui model aproximativ al procesului, prin înregistrarea răspunsului procesului la un semnal de comandă de tip treaptă. Dacă răspunsul acestuia este în forma unui element de ordinul întâi, cu timp mort, atunci se folosesc relaţii de calcul al parametrilor regulatorului PID, din parametrii procesului, determinaţi din analiza ieşirii înregistrate a procesului. Fie cazul unui regulator fuzzy de tip PI, ales pentru a obţine eroare staţionară nulă. În forma clasică, un regulator PI este descris de ecuaţia diferenţială:

)()()( teKdt

tdeTKdt

tduT riri += (1)

cu factorul de amplificare a regulatorului rK şi constanta de integrare iT . Egalitatea în relaţia anterioară exprimă o corespondenţă între valorile pentru eroare şi derivata ei şi valorile pentru derivata mărimii de comandă. În mod asemănător, funcţionarea regulatorului fuzzy PI poate fi descrisă printr-o notaţie simbolică:

egdegdug ededu +≈ (2)

care evidenţiază factori de amplificare pentru fiecare variabilă a sistemului de inferenţe fuzzy. Forţând o identificare a coeficienţilor între relaţiile (1) şi (2), se propun relaţii de calcul pentru factorii de scalare:

re Kg = , irde TKg = , idu Tg = (3)

Fie, de asemenea, parametrii procesului (factor de amplificare, pK , constanta de timp dominantă, pT , timpul mort, τ ) obţinuţi din înregistrarea răspunsului

Page 22: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

20

procesului la o referinţă de tip treaptă. Acordarea parametrilor procesului se poate face utilizând relaţiile Ziegler-Nichols:

τ= p

pr

TK

K 19,0 , pi TT 3,3= . (4)-(5)

Factorii de amplificare pentru variabilele sistemului de inferenţe fuzzy devin:

τ=

p

pe K

Tg 9,0 , p

p

pde T

K

Tg 3,39,0

τ= , pdu Tg 3,3= (6)-(8)

Obţinerea bazelor de reguli prin instruire iterativă

O problemă fundamentală evidentă, apărută în implementarea practică a sistemelor de reglare bazate pe reguli fuzzy (sau prin extindere a sistemelor-expert de reglare) este stabilirea unei metodologii de obţinere a unui set de reguli de control. În general pentru sisteme-expert, această fază, denumită achiziţia cunoştinţelor (sau achiziţia experienţei), reprezintă o dificultate importantă în construirea unor sisteme-expert reale / realiste. Mai mult, performanţele sistemelor de reglare bazate pe reguli sunt strâns dependente de disponibilitatea bazei de reguli şi de performanţele acesteia (sau, altfel spus, de existenţa unei baze de reguli completă şi corectă în contextul aplicaţiei concrete). În lipsa experienţei operatorilor (experţi), care pot furniza cunoştinţele pentru descrierea procesului (un model identificat), este necesară construirea unei baze de reguli prin operarea în mod direct asupra procesului supus reglării. Pe de altă parte, un set de reguli brut furnizat de experţi trebuie să fie îmbunătăţit, deoarece cunoştinţele lor pot fi incomplete, inconsistente, sau chiar incorecte, mai ales când condiţiile de funcţionare (operare) obişnuite sunt schimbate. În lucrările de specialitate se introduce termenul de auto-instruire (self-learning) şi de aici reglarea prin auto-instruire (self-learning control). Un mecanism de auto-instruire pentru sistem de reglare fuzzy trebuie să construiască o bază de reguli pentru regulatorul fuzzy din date obţinute prin măsurare şi înregistrare, ajustând treptat mărimea de comandă. Mai mult, dacă sistemul de reglare este multi-variabil (mai multe bucle de reglare), atunci mecanismul de învăţare trebuie să extragă reguli pentru fiecare regulator fuzzy Suplimentar, dacă procesul reglat este unul multi-variabil cu interacţiuni considerabile ale mărimilor, atunci este util ca mecanismul de învăţare să construiască baze de reguli independente, decuplate, pentru ficare buclă de reglare. Pe scurt, principiul de bază al sistemului cu auto-instruire propus poate fi enunţat astfel: prin introducerea unui model de referinţă al procesului şi angajând o strategie de control cu învăţare iterativă, comanda dorită este „învăţată” şi, în acelaşi timp, o bază de reguli se formează prin măsurarea, înregistrarea şi procesarea adecvată a acţiunilor învăţate, utilizate consecutiv pe durata procesului.

Page 23: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

21

Conceptul de auto-instruire a fost introdus iniţial în contextul unei aplicaţii de control al mişcării roboţilor autonomi ([AKM1984]), apoi intens tratat atât din punct de vedere teoretic, cât şi practic, într-o serie largă de lucrări ştiinţifice ([AKM1985], [ARI1990], [MOO1993], [MOO1999], [MOX2000], [MCB2005]). O variantă adaptată a algoritmului de auto-instruire propus de Arimoto este utilizată pentru obţinerea bazelor de reguli ale unui regulator fuzzy într-o monografie publicată de Nie şi Linkens ([NIL1995]). Auto-instruirea iterativă este un mecanism de ajustare a mărimii de comandă aplicată procesului cu scopul obţinerii evoluţiei optime a acesteia. Forma optimă căutată este desemnată de valorile considerate optime ale mărimii de comandă la fiecare moment de timp în care este prelevat un eşantion al acesteia. Ajustarea se face în mod progresiv, pe baza informaţiilor despre evoluţia mărimii de comandă obţinute la iteraţia anterioară.

Figura 1. Schema de principiu a mecanismului de construcţie a bazelor

de reguli fuzzy prin auto-instruire.

Structura unui sistem de auto-instruire este prezentată în figura 1. În figură am evidenţiat faptul că algoritmul este implementat software. Dispozitivul numeric impune considerarea unei perioade de eşantionare, eT , cu care ieşirea procesului este înregistrată. Evaluarea „învăţării” acumulate se face prin introducerea unei erori de instruire, obţinută prin compararea comportării procesului cu o formă dorită a acesteia, desemnată de un model de referinţă. Evaluarea nivelului de instruire se face considerând toate erorile parţiale de instruire, calculate pentru toate eşantioanele înregistrate. Se introduce norma:

∑∫==ε=ε=ε=Ε

I

iek

I

iekekk iTiTiT

00)()()( (9)

Condiţia de oprire a algoritmului este impusk ε<Ε , unde impusε este valoarea maximă admisă a erorii de instruire.

Page 24: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

22

Valorile înregistrate la sfârşitul auto-instruirii pentru eroarea de reglare, derivata ei şi derivata mărimii de comandă se grupează după indicele eşantionului:

)}({~)}();({ eee iTduiTdeiTe , Ii ,0= . (10)

unde notaţia ~ descrie corespondenţa valorilor.

Utilizarea sistemelor fuzzy neuronale adaptive (ANFIS) pentru obţinerea bazelor de reguli

Sistemul de inferenţe fuzzy neuronal adaptiv (în engleză Adaptive Neural Fuzzy Inference System - ANFIS) este cea mai des întâlnită structură hibridă care combină tehnici specifice reţelelor neuronale cu mecanismele de inferenţă în logică fuzzy. Varianta cea mai des utilizată în aplicaţii de control automat este cea propusă de Jang ([JAN1992a], [JAN1992b], [JAN1993]), deşi variante apropiate au fost independent prezentate de alţi autori ([LIG1996], [WAM1992]). Varianta Jang realizează un mecanism de inferenţe de tip Sugeno-Tagaki, iar adaptarea constă în modificarea parametrilor bazei de reguli printr-o metodă asemănătoare algoritmului cu propagare înapoi a erorii introdus pentru reţelele neuronale unidirecţionale ([JAN1992a], [JAN1992b]).

Figura 2. Structura ANFIS pentru o aplicaţie de control automat.

Generalizând pentru o bază de J reguli fuzzy, calculul realizat de ANFIS poate fi descris printr-o relaţie de forma:

1

111),(),(),(

===⎟⎟

⎜⎜

⎟⎟

⎜⎜

⎛=== ∑∑∑

J

jj

J

jjj

J

jjjANFIS wdeefwdeefwdeefdu (11)

în care

jjjj rdeqepdeef ++=),( , )()( deew DEjEjj μ∩μ= (12)-(13)

şi ℜ∈jjj rqp ,, , ]1,0[, ∈μμ DEjEj .

Page 25: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

23

Antrenarea sistemelor ANFIS

Metoda de antrenare cu propagare înapoi a erorii presupune cunoaşterea iniţială a unor date de antrenare în forma (valori de intrare)~(valori de ieşire). Aceste perechi de date sunt obţinute prin orice metodă care furnizează valori corespondente corecte. Pentru cazul regulatorului fuzzy PI, perechile de date de antrenare se prezintă sub forma:

}{~};{ iii dudee , Ii ,0= . (14)

Prin antrenare, se modifică valorile parametrilor din relaţiile (11)-(13), după o metodă de minim. Antrenarea necesită descrierea analitică a derivatelor parţiale ale ieşirii bazei de reguli după fiecare parametru din (11)-(13). Acest fapt face ca implementarea acestui algoritm este dificilă, mai ales pentru cazul funcţionării online a unui astfel de regulator. Pe de altă parte, structurile ANFIS şi algoritmi de antrenare a acestora sunt deja implementaţi în aplicaţii software, cum ar fi Matlab. Aşadar, în locul implementării online a acestei structuri, se poate determina un regulator fuzzy folosind datele de antrenare într-o procedură offline de antrenare a unei structuri ANFIS. Folosind un program Matlab, se realizează o antrenare a unei structuri ANFIS, din care apoi se extrage baza de reguli pentru utilizarea acesteia în regulatorul conectat online la proces.

Antrenarea ANFIS cu datele obţinute prin auto-instruire

Structura bazei de reguli trebuie cunoscută apriori, deoarece ANFIS nu poate decât să ajusteze funcţiile de apartenenţă ale parametrilor antecedenţi (ai funcţiilor de apartenenţă din premisele regulilor) şi concluzivi (coeficienţii funcţiei liniare din consecinţele regulilor). Mai întâi, utilizatorul decide numărul de reguli şi modul lor de interacţiune, construind astfel cunoştinţele integrate apriori despre structura soluţiei. Funcţiile de apartenenţă trebuie iniţializate astfel încât să împartă cât mai egal universul discursului şi să aibă suficiente suprapuneri. În pasul „înainte” al antrenării, se calculează ieşirile neuronilor până în stratul 4, iar parametrii concluzivi sunt calculaţi prin metoda celor mai mici pătrate. În pasul „înapoi”, semnalele de eroare sunt retro-propagate şi se actualizează parametrii antecedenţi prin metoda gradientului descendent. Antrenarea ANFIS necesită un set de date de antrenare, care pot fi considerate corecte sau măcar aproximativ corecte. Algoritmul de auto-instruire pare o soluţie potrivită de obţinere a unor date de antrenare utile. Practic, metodologia bazată pe antrenare ANFIS este asemănătoare cu cea prezentată în secţiunea precedentă (bazată pe procesare statistică a datelor). Se realizează structura de auto-instruire din figura 8, apoi algoritmul iterativ este executat până la obţinerea unei valori minime a erorii de instruire. Se înregistrează valorile pentru mărimea de comandă şi eroarea de reglare din care se construiesc apoi datele de antrenare pentru structura ANFIS:

Page 26: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

24

}{~};{ iii dudee , Ii ,0= . (18)

Derivatele numerice se obţin în raport cu perioada de eşantionare prin

e

eeee T

TiTeiTeiTde

)()()(

−−= şi

e

eeee T

TiTuiTuiTdu

)()()(

−−= .

Cu datele de antrenare se efectuează o procedură de antrenare, în urma căreia se obţine baza de reguli. Bazele de reguli obţinute prin metodele prezentate trebuie să fie verificate din punctul de vedere al specificaţiilor care descriu calitatea lor: completitudinea, corectitudinea, consistenţa, complexitatea, reproductibilitatea.

CAPITOLUL IV. MODELAREA DINAMICII SISTEMULUI

CARDIOVASCULAR

Controlul unor variabile ce descriu un proces fiziologic prezintă particularităţi produse de evoluţia neliniară, incertă şi complexă a acestora. Cunoaşterea aspectelor privind funcţionarea sistemelor biologice măreşte nivelul de încredere în sistemele automate de control proiectate sau, cel puţin, creează posibilitatea realizării unor simulări folosind modelele disponibile. Cu toate că este posibilă proiectarea sistemelor de reglare fuzzy folosind puţine informaţii privind procesul, disponibilitatea unui model cât mai exact şi util în contextul aplicaţiei facilitează realizarea simulatoarelor, care astfel reduc numărul şi riscul testelor efectuate pe oameni. Cercetarea în domeniul ingineriei utilizează deseori simulări computerizate pentru creşterea productivităţii, scăderea costurilor de proiectare şi pentru mărirea fiabilităţii şi siguranţei produselor obţinute. Mai mult, unele domenii, printre care şi ingineria biomedicală, impun simulări complexe pentru evitarea situaţiilor periculoase ce pot apare în realizarea sau testarea prototipurilor experimentale. În acest context, sunt utilizate intens instrumentele de simulare disponibile şi se încurajează dezvoltarea şi îmbunătăţirea aplicaţiilor software de simulare. Ingineria biomedicală impune cercetări susţinute în modelarea proceselor fiziologice şi îmbunătăţirea modelelor obţinute, pentru a facilita proiectarea unor sisteme automate performante şi robuste. Începând de la calculele simple pentru dozarea regimurilor de tratament, până la controlul la un nivel avansat al tensiunii arteriale, ca un prim exemplu, medicina cardiovasculară poate avea o multitudine de beneficii din utilizarea acestor tehnologii. Modelele cardiovasculare pot fi utilizate pentru reducerea timpului necesar diagnosticării, implicând astfel costuri reduse faţă de metodele clasice. Totodată, simulările pot facilita creşterea fiabilităţii aparaturii cardiovasculare. Riscurile unui eşec sau a tratamentului eronat (malpractice) fac ca testarea anumitor echipamente să fie efectuată mai întâi pe modele computerizate.

Page 27: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

25

Odată cu dezvoltarea modelelor matematice ale unor procese biologice dar şi a instrumentelor software de simulare (modele computerizate), a fost introdusă noţiunea de pacient virtual ([TIM2000], [CAT2006]). Practic, în aplicaţia de simulare, acesta trebuie să descrie o evoluţie aproximativă (dar cât mai reală) a mărimilor fiziologice implicate în situaţia sau aplicaţia studiată. Creşterea puterii de calcul a calculatoarelor face foarte posibil ca, în viitor, modelarea computerizată să fie o alternativă mai bună pentru efectuarea experimentelor „pe viu”. Între timp, modelele computerizate sunt folosite pentru: testarea fiabilităţii unei metode; sporirea încrederii în echipamentele noi prin completări aduse studiilor pe cobai; crearea unor experimente clinice îmbunătăţite; reducerea numărului necesar de experimente. În general nu există metode standardizate pentru modelarea sistemelor fiziologice sau pentru modificarea unui model deja existent, performanţa modelului depinzând într-o foarte mare măsură de experienţa modelatorului, modelul trebuind să deservească scopului pentru care a fost proiectat. Modelarea unui simulator implică o foarte bună înţelegere a domeniului pentru care se creează, implicând o foarte bună documentare.

Tipuri de modele ale sistemelor fiziologice

Diversele modele ale sistemului cardiovascular propuse şi studiate în lucrările de specialitate pot fi clasificate în diverse moduri, după clasa de aplicaţii în care sunt folosite şi după complexitatea abordării. Astfel avem: i) modele ale mecanicii sistemului şi modele ale sistemului automat de control; ii) modele pulsatorii şi modele nepulsatorii; iii) modele extinse şi modele reduse. Modelele mecanicii cardiovasculare se referă la circulaţia sângelui în artere şi vene, ritmul inimii şi alte fenomene descrise prin legile mecanicii. Pe de altă parte, modelele sistemului automat de control abordează controlul automat natural realizat de sistemul nervos şi de mecanismele locale de reglare. Modelele pulsatorii includ caracterul oscilant al variabilelor sistemului, sub influenţa ritmului cardiac, cu efecte notabile în intervale de timp reduse, de obicei pe durata a câtorva bătăi ale inimii. Pe de altă parte, aceste oscilaţii sunt suficient de reduse în amplitudine şi suficient de frecvente pentru a putea fi ignorate în aplicaţiile care tratează fenomene de durată, ceea ce argumentează modelele nepulsatorii. Modelele extinse desemnează abordările compacte care integrează mai multe subsisteme, eventual laolaltă cu alte sisteme fiziologice strâns legate de sistemul cardiovascular. Spre exemplu, unele mărimi specifice sistemului nervos sau aparatului respirator cu efecte importante asupra celor cardiovasculare pot fi incluse în analiză. În opoziţie, modelele reduse îşi limitează descrierea doar asupra unor aspecte, detaliind fenomenele fiziologice.

Page 28: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

26

Medicamente injectabile uzuale pentru controlul tensiunii arteriale şi a debitului cardiac

Deşi interesantă din perspectivă studiului matematic, modelarea sistemului cardiovascular nu este completă sau utilă pentru aplicaţii de control automat, fără a include dinamica sub acţiunea efectelor produse de medicamente. Modelele combinate cardiovascular şi farmacologic sunt mai puţin numeroase, dar modelarea dinamicii pentru medicaţii noi reprezintă un subiect de cercetare de actualitate, pentru diverse sisteme fiziologice. În unele situaţii clinice, cum ar fi insuficienţa cardiacă acută, este necesar un control simultan al debitului cardiac, cQ , şi al tensiunii arteriale medii, amP . În aceste situaţii, se urmăreşte creşterea debitului cardiac şi reducerea presiunii sângelui, apoi menţinerea acestora la valorile sigure. Controlul celor două mărimi este realizat prin injectarea simultană a două substanţe:

• un agent inotropic care îmbunătăţeşte contractibilitatea inimii şi măreşte debitul cardiac la fiecare bătaie (de ex. dopamina - DOP);

• un vaso-dilatator care dilată vasele de sânge şi deci reduce rezistenţa acestora cu efect asupra tensiunii arteriale (de ex. nitroprusiatul de sodiu - NPS).

Tabelul 3. Substanţele injectabile uzuale în tratamente ale sistemului cardiovascular.

Substanţa Domeniul sigur sau usual al dozajului Efectele

Dopamina DOP 2–10 [μg/kgc/min] tensiunea arterială creşte

debitul cardiac creşte Nitroprusiat de sodiu

NPS 0.25–4 [μg/kgc/min] tensiunea arterială scade debitul cardiac creşte

Fenilefrină FEF 5 [μg/kgc/min] tensiunea arterială creşte

debitul cardiac rămâne constantNitroglicerină

NTG 0.25–2.5 [μg/kg/min] tensiunea arterială scade debitul cardiac creşte

Este important de evidenţiat faptul că cele două mărimi controlate interacţionează: creşterea debitului cardiac determină şi o creştere a presiunii, iar reducerea presiunii permite o creştere a debitului cardiac. Altfel spus, cele două mărimi de intrare ale modelului farmacologic, ratele de infuzie ale celor două substanţe, DOPI şi NPSI , sunt corelate de efecte mutuale: pe lângă efectul principal al fiecărei intrări asupra mărimii controlate corespunzătoare, există şi un efect secundar asupra celeilalte mărimi.

Modelul compact al lui Yu.

Pentru o aplicaţie de control automat extern, modelele sistemului cardiovascular împreună cu dinamica acestora sub acţiunea medicamentelor trebuie exprimate în formă compactă. Un astfel de model compact ce descrie efectele unor

Page 29: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

27

medicamente inotrope şi vasoactive asupra tensiunii arteriale şi debitului cardiac este cel propus de Yu et al ([YRK1990a], [YRK1990b]). Acest model a fost utilizat în diverse forme în numeroase aplicaţii de proiectare-simulare a unor sisteme de control, bazat pe diverse strategii ([YRK1992], [GBR1994], [GBR1995], [HUR1998], [PAL2003]). Modelul iniţial propus de Yu et al cuprinde trei secţiuni:

- sistemul circulator – efectul parametrilor specifici ai corpului în momentul situaţiei clinice, sR şi cF , asupra variabilelor controlate, )(tPam şi )(tQc ;

- efectele ratelor de infuzie ale medicamentelor specifice, nitroprusiat de sodiu (NPS) - NPSI şi dopamină (DOP) - DOPI , asupra parametrilor corpului amintiţi anterior;

- efectele auto-reglării naturale a sistemului cardiovascular prin efectul baroreflex.

Modelul a fost extins de Huang şi Roy în [HUR1998] pentru a include efectul injectării de fenilefrină şi nitroglicerină asupra presiunii arteriale pulmonare medii, cu scopul unui control separat al presiunii sângelui pe cele două secţiuni ale sistemului circulator.

Figura 3. Schema de principiu a modelului compact a sistemului

cardiovascular propus de Yu.

Modelul extins, nepulsatil derivat din modelul propus de Yu et al., adaptat pentru controlul tensiunii arteriale medii şi al debitului cardiac, este un model cu două intrări şi două ieşiri, cu dinamică de ordinul întâi cu timp mort. Modelul este descris de relaţia:

⎥⎦

⎤⎢⎣

⎡⋅

⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢

++

++=⎥⎦

⎤⎢⎣

⎡ΔΔ

τ−τ−

τ−τ−

DOP

NPSss

ss

c

amII

sTeK

sTeK

sTeK

sTeK

QP

11

11

22

22

21

21

12

12

11

11

2221

1211

(19)

Page 30: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

28

Mărimile de intrare sunt ratele de infuzie ale celor două medicamente, NPS şi DOP, exprimate în [μg/kgc/min], iar mărimile de ieşire sunt variaţiile tensiunii arteriale şi debitului cardiac produse de medicamente, exprimate în [mmHg], respectiv [l/kgc/min]. Valorile de referinţă ale variaţiilor celor două mărimi sunt calculate ca diferenţele dintre starea iniţială a pacientului, tensiunea arterială iniţială 0amP şi debitul cardiac iniţial 0cQ , şi starea normală din punct de vedere medical,

refamP , şi refcQ , :

0,, amrefamrefam PPP −=Δ , 0,, crefcrefc QQQ −=Δ (20)

Parametrii modelului descris de relaţia (19) sunt:

- sensibilitatea pacientului la medicamentele injectate, ijK ,

- constantele de timp ale acţiunii acestor medicamente asupra variabilelor fiziologice în discuţie, ijT , şi

- constantele de timp mort ale acestor dinamici, ijτ . (Practic, acestea sunt întârzierile între momentul injectării de medicamente şi reacţia sistemului.)

În unele lucrări ([RHB1997], [RAB2003]), sunt prezentate doar modele staţionare ale sistemului sub forma:

⎥⎦

⎤⎢⎣

⎡⋅⎥

⎤⎢⎣

⎡=⎥

⎤⎢⎣

⎡ΔΔ

DOP

NPS

c

amII

KKKK

QP

2221

1211 (21)

Tabelul 4. Valorile nominale şi domeniile de variaţie ale parametrilor din modelul utilizat.

Parametrul Domeniul de variaţie

Valoarea nominală Unitatea de măsură

11K [-1; -50] -15 [mmHg.kgc.min/μg] 12K [0; 9] 3 [mmHg.kgc.min/μg] 21K [-15; 25] 12 [ml/μg] 22K [1; 12] 5 [ml/μg] 11T [30; 60] 40 [s] 12T [30; 60] 40 [s] 21T [70; 600] 150 [s] 22T [70; 600] 300 [s] 11τ [15; 60] 50 [s] 12τ [15; 60] 60 [s] 21τ [15; 60] 50 [s] 22τ [15; 60] 60 [s]

Page 31: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

29

Analizând valorile din tabelul 4 şi modelul propus, se observă că există inter-influenţe între cele două bucle de reglare. Aşadar, injectarea unuia dintre medicamente, pe lângă acţiunea directă asupra mărimii pentru care se administrează, are şi un efect suplimentar asupra celeilalte mărimi. Din punct de vedere medical, observaţia este corectă. Astfel, acţionând asupra ritmului cardiac pentru a creşte debitul cardiac, se va produce şi o creştere a tensiunii arteriale: inima pompează mai mult sânge în artere pentru că bate mai des. Pe de altă parte, acţiunea asupra rezistenţei arteriale produce dilatarea vaselor de sânge pentru scăderea presiunii, care duce la o reducere a debitului întors prin vene.

CAPITOLUL V. PROIECTAREA REGULATOARELOR FUZZY PENTRU CONTROLUL

COMBINAT AL TENSIUNII ARTERIALE ŞI DEBITULUI CARDIAC

Metodele de proiectare a regulatoarelor fuzzy prezentate în capitolul III sunt utilizate pentru controlul simultan la tensiunii arteriale medii şi debitului cardiac, cu modelul sistemului cardiovascular propus de Yu şi descris în capitolul IV. Acurateţea modelului şi a implementării în simulare este importantă doar pentru realizarea unor simulări cât mai exacte şi realiste. În proiectarea bazelor de reguli pentru regulatoarele fuzzy propuse, se încearcă o limitare, pe cât posibilă, a folosirii informaţiilor cunoscute despre procesul reglat, cu scopul dezvoltării unor proceduri cu grad înalt de automatism. Structura sistemului de reglare combinată a debitului cardiac şi tensiunii arteriale medii prin ajustarea dozajului de dopamină şi nitroprusiat de sodiu, administrate intravenos, este prezentată în figura 4.

Figura 4. Structura sistemului de reglare.

În schema bloc, sunt evidenţiate:

- valorile de referinţă ale celor două variabile fiziologice - refamP , şi refcQ , ; - starea iniţială a sistemului (pacientului) descrisă de 0,amP şi 0,cQ ;

Page 32: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

30

- variaţiile dorite ale celor două variabile

0,,, amrefamrefam PPP −=Δ , 0,,, crefcrefc QQQ −=Δ (22)

- dozajul celor două substanţe, determinate de regulatoare, - NPSI şi DOPI ; - variaţiile obţinute sub acţiunea substanţelor injectate - amPΔ şi cQΔ .

Structura urmăreşte controlul variaţiilor celor două mărimi, nu controlul direct al mărimilor fiziologice. Argumentaţia stă în faptul că mărimile controlate sunt influenţate de mai multe efecte, pe lângă acţiunea substanţelor. În fapt, personalul medical descrie efectul substanţelor injectate ca o acţiune de modificare a valorilor mărimilor fiziologice, nu de control direct al acestora. Spre exemplu, o anumită cantitate de nitroprusiat de sodiu determină o anumită variaţie a tensiunii arteriale, nu o anumită valoare efectivă a acesteia. Efectul substanţei este aproximativ acelaşi indiferent de valoarea iniţială a variabilei. Pentru fiecare buclă de reglare în figura 4, regulatorul fuzzy utilizat este de tip PI, care, din punct de vedere teoretic, asigură o eroare staţionară nulă. În continuare, metodele de proiectare a regulatoarelor fuzzy se vor referi astfel:

- varianta A – regulatoarele proiectate pe baza experienţei; - varianta B – regulatoarele ajustate cu relaţiile Ziegler Nichols; - varianta C – regulatoarele obţinute prin auto-instruire şi procesare statistică a

datelor; - varianta D – regulatoarele obţinute prin antrenarea offline a structurilor

ANFIS.

Analiza performanţelor obţinute pentru fiecare variantă de proiectare în cazul clinic standard

Pentru fiecare variantă de proiectare a regulatoarelor fuzzy, au fost efectuate simulări pentru cazul considerat standard şi cu valorile normale ale parametrilor procesului. Indicatorii de performanţă în domeniul timpului obţinuţi pentru fiecare caz, sunt prezentaţi în tabelul 5. În mod surprinzător, varianta A, cea bazată pe experienţă şi deci cea uzuală în aplicaţiile de reglare fuzzy, este instabilă. Acest rezultat este explicabil prin lipsa unei experienţei bogate în domeniul procesului fiziologic. Prezentarea variantei şi a rezultatelor are ca scop sublinierea faptului că proiectarea bazată pe experienţă necesită cunoştinţe în două direcţii: reglarea fuzzy/neuro-fuzzy şi domeniul procesului în discuţie. La varianta C, pentru debitul cardiac simulările arată o aparentă instabilitate, semnalată în tabel. Caracteristica de „aparent” se referă la faptul că sistemul este de fapt stabil, însă atinge regimul de stabilitate după mai mult de 30 de minute, limita de simulare adoptată şi o limită rezonabilă a unui tratament eficient.

Page 33: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

31

Tabelul 5. Valorile indicatorilor de calitate în domeniul timpului pentru cazul standard.

eroarea staţionară în raport cu

refamP ,Δ refamP , refcQ ,Δ refcQ , Varianta A instabil instabil instabil instabil Varianta B 0 0 ~5 % < 1% Varianta C 0 0 aparent instabil aparent instabilVarianta D 0 0 ~3% ~ 0,5% suprareglajul în raport cu refamP ,Δ refamP , refcQ ,Δ refcQ , Varianta A instabil instabil instabil instabil Varianta B ~ 2,5% ~0,5% ~ 6% ~ 1% Varianta C ~ 5% ~ 1% aparent instabil aparent instabilVarianta D 0 0 0 0 timpul de reglare Varianta A instabil instabil Varianta B ~ 4 min ~ 6 min Varianta C ~ 6 min aparent instabil Varianta D ~ 5 min ~ 7 min

Analiza robusteţii variantelor funcţionale

Dintre cele patru variante propuse, doar două prezintă comportament satisfăcător din punct de vedere medical:

- metoda ajustării factorilor de scalare prin relaţiile Ziegler-Nichols; - metoda antrenării ANFIS cu data obţinute prin auto-instruire. Analiza viabilităţii soluţiilor se realizează pentru mai multe situaţii clinice:

- insuficienţă cardiacă şi hipertensiune arterială reduse; - insuficienţă cardiacă acută; - hipertensiune arterială. De asemenea, se consideră mai multe cazuri privind reacţia pacientului la substanţele injectate, descrisă prin valorile parametrilor procesului:

- pacientul răspunde normal la medicamente – valorile tipice ale parametrilor modelului Yu;

- pacientul are sensibilitate redusă la medicamente – valorile factorilor de amplificare sunt cu aproximativ 25% mai mici, iar valorile constantelor de timp cu aproximativ 25% mai mari;

- pacientul are sensibilitate ridicată la medicamente – valorile factorilor de amplificare sunt cu aproximativ 25% mai mari, iar valorile constantelor de timp cu aproximativ 25% mai mici.

Page 34: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

32

Valorile constantelor de timp mort sunt în principal determinate de durata de timp în care substanţele administrate ajung la locaţia unde acestea acţionează. Aceste valori sunt argumentate prin evaluarea probabilistică a distribuţiei substanţelor în sânge. Scenariile de simulare sunt descrise în tabelul 6. Dintre scenariile de simulare, cazul [1a] se consideră caz standard, pentru care se face analiza performanţelor metodelor prezentate.

Tabelul 6. Codificarea şi descrierea scenariilor propuse pentru simulare.

sensibilitate normală

sensibilitate redusă

sensibilitate ridicată

insuficienţă cardiacă şi hipertensiune arterială reduse [1a] - standard [1b] [1c]

insuficienţă cardiacă acută [2a] [2b] [2c]

hipertensiune arterială acută [3a] [3b] [3c]

Analiza robusteţii variantei bazate de relaţiile Ziegler-Nichols

Ajustarea factorilor de scalare ale variabilelor bazei de reguli fuzzy este condiţionată de cunoaşterea (exactă sau aproximativă) a parametrilor procesului. În cazul aplicaţiei de faţă, modelul utilizat dispune de valorile identificate ale acestor parametri. Performanţele bune ale regulatorului obţinut astfel sunt de aşteptat. Se ridică însă problema robusteţii acestei soluţii. Pentru aceasta, au fost simulate cele 8 scenarii considerate pe lângă cazul standard. Rezultatele obţinute, prezentate în tabelul 7, arată performanţele ridicate ale regulatorului pentru bucla de reglare a tensiunii arteriale, dar şi o comportare bună a celui pentru reglarea debitului cardiac.

Tabelul 7. Valorile indicatorilor de calitate în domeniul timpului pentru varianta B, în cele nouă cazuri clinice propuse.

eroare staţionară în raport cu

suprareglaj în raport cu

timp de reglare pentru

refamP , refcQ , refamP , refcQ , amP cQ

[1a] 0 < 1% ~ 0,5% ~ 1% ~ 4 min ~ 6 min

[1b] 0 ~ 1,5% 0 ~ 1,5% ~ 6min ~ 7min

[1c] 0 < 1% ~ 1,5% ~ 1% ~ 3 min ~ 5 min

[2a] 0 0 0 0 ~ 5 min ~ 8 min

Page 35: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

33

[2b] 0 0 0 0 ~ 7 min ~ 9 min

[2c] 0 ~ 1,5% 0 0 ~ 4 min ~ 7 min

[3a] ~ 10% > 10% 0 0 ~ 3 min -

[3b] ~ 1% > 10% 0 0 ~ 6 min -

[3c] 0 > 10% ~3% 0 ~ 4 min -

În analiza rezultatelor, trebuie ţinut cont de specificul procesului şi de caracteristicile celor două variabile fiziologice, dar şi de inexistenţa comenzii negative. Astfel, o acţiune rapidă necesară asupra tensiunii arteriale foarte mari determină depăşirea valorii de referinţă a debitului cardiac, însă această depăşire nu este dăunătoare. În plus, simulările sunt realizate pe o perioadă de 30 de minute, timp în care condiţiile iniţiale de simulare se schimbă. Practic, înainte de sfârşitul acestui interval, sistemul este „repornit” cu noi condiţii iniţiale.

Analiza robusteţii variantei bazate de antrenare ANFIS

Dintre cele două variante cu grad înalt de automatism în obţinerea regulilor fuzzy, cea bazată pe antrenarea ANFIS a furnizat rezultate mai bune pentru cazul standard. Se analizează comportarea regulatorului în cele opt scenarii de simulare propuse. Rezultatele sunt prezentate în tabelul 8.

Tabelul 8. Valorile indicatorilor de calitate în domeniul timpului pentru varianta D, în cele nouă cazuri clinice propuse.

eroare staţionară în raport cu

suprareglaj în raport cu

timp de reglare pentru

refamP , refcQ , refamP , refcQ , amP cQ

[1a] 0 < 1% 0 0 ~ 5 min ~ 7 min

[1b] 0 < 1% 0 0 ~ 6min ~ 8 min

[1c] 0 ~ 1% 0 0 ~ 3 min ~ 6 min

[2a] 0 0 0 0 ~ 5 min ~ 10 min

[2b] 0 0 0 0 ~ 7 min > 30 min

[2c] 0 0 0 0 ~ 4 min ~ 8 min

[3a] 0 > 10% 0 > 10 % ~ 3 min -

[3b] ~ 5% ~ 10% 0 > 10% ~ 6 min -

[3c] 0 > 10% > 10% > 10% ~ 4 min -

Page 36: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

34

CONCLUZII FINALE ŞI PERSPECTIVE

Rezultatele obţinute în lucrarea de faţă dovedesc viabilitatea tehnicilor neuro-fuzzy pentru controlul proceselor fiziologice, între care procesele hemodinamice specifice sistemului cardiovascular. Procesul analizat fiind un exemplu sugestiv de proces multi variabil, caracterizat de un număr mare de parametrii incerţi şi bucle de reglare cu interinfluenţe, tehnicile propuse pot fi utilizate şi în alte aplicaţii cu aceste caracteristici, acesta fiind unul dintre obiectivele propuse. Argumentul principal şi general acceptat al utilizării logicii fuzzy în control automat, şi anume comportarea mai bună în condiţiile existenţei incertitudinilor procesului reglat, motivează alegerea acestor tehnici pentru controlul oricăror parametrii fiziologici. Rezultatele obţinute în simulare pe modelele cardiovasculare actuale încurajează utilizarea tehnicilor în mai multe aplicaţii. Reglarea neuro-fuzzy devine o soluţie bună, alături de alte soluţii propuse în lucrări de specialitate. În majoritatea aplicaţiilor, proiectarea bazelor de reguli fuzzy este bazată mai mult pe experienţă decât pe relaţii precise, însă se urmăreşte tot mai des stabilirea unor proceduri sistematice de proiectare şi chiar definirea unor algoritmi de obţinere automată a regulilor. În aceste condiţii, lucrarea analizează comparativ 4 metode de proiectare, atât din punct de vedere al dificultăţilor de aplicare cât şi din cel al rezultatelor obţinute. Aparent surprinzător, cele mai slabe performanţe le are sistemul bazat pe experienţa de proiectare, adică metoda uzuală. Acest lucru devine explicabil prin faptul că metoda bazată pe experienţă impune o experienţă bogată atât în construcţia regulilor fuzzy, cât şi în domeniul aplicaţiei propuse. Ori, experienţa inginerului proiectant în domeniul medical va fi mereu insuficientă. Cele mai bune rezultate sunt obţinute prin metoda care utilizează date despre proces - factori de amplificare, constante de timp, întârzieri – sau metoda bazată pe relaţiile Ziegler-Nichols. Performanţele bune ale acestei soluţii sunt însă condiţionate de disponibilitatea datelor privind dinamica procesului fiziologic în discuţia. Sistemul cardiovascular a fost un subiect de studiu privind modelarea matematică îndelung tratat şi există modele matematice utile pentru aplicaţii de control automat, ceea ce facilitează utilizarea metodei. În lipsa unui model matematic exact, proiectarea regulatoarelor prin auto-instruire sau cu ANFIS oferă soluţii aproximative din perspectiva inginerească, însă satisfăcătoare în condiţiile lipsei totale a unei identificări a procesului. De asemenea, performanţele obţinute sunt satisfăcătoare ţinând cont de specificul aplicaţiei care permite erori staţionare sau timpi de reglare mai mari.

Page 37: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

35

Contribuţii personale

Principala contribuţie originală a autorului o constituie utilizarea tehnicilor de proiectare bazate pe auto-instruire şi structura ANFIS pentru obţinerea bazelor de reguli fuzzy ale unor regulatoare pentru un proces cu incertitudini complexe, în general, sau pentru sistemul cardiovascular, în cazul particular descris. De asemenea, sunt de notat: a) analiza comparativă a metodelor, b) expunerea lor într-o manieră detaliată şi completă, c) abordarea unei aplicaţii interesante în domeniul medical şi d) analiza rezultatelor obţinute care argumentează concluziile finale ale lucrării. Într-o enumerare clară, contribuţiile personale sunt: 1. Am prezentat într-o manieră sistematică şi detaliată patru metode de

proiectare a bazelor de reguli pentru regulatoare fuzzy, aplicabile în probleme de control automat, indiferent de domeniul ingineresc al procesului fizic. Aceste metode sunt: A. metoda strict bazată experienţa în proiectarea sistemelor de reglare cu

logică fuzzy (fără a implica aici experienţa în domeniul procesului reglat); B. adaptarea factorilor de scalare pe baza parametrilor procesului, prin

relaţiile Ziegler-Nichols de acord a regulatoarelor clasice; C. procesarea statistică a datelor obţinute printr-un algoritm de instruire

iterativă, utilizat pentru obţinerea unor informaţii despre proces; D. o metodă hibridă neuro-fuzzy ANFIS ce utilizează de asemenea date din

instruire iterativă.

Metodele prezentate au fost utilizate pe parcursul finalizării lucrării în redactarea unor lucrări ştiinţifice, care îmbină verificarea lor în simulare cu verificarea în experimente practice de laborator. Expunerea metodelor urmăreşte generalizarea şi sistematizarea lor pentru a înlesni aplicarea în diverse alte situaţii şi, de asemenea, au fost subliniate aspecte concrete privind utilizarea lor practică.

2. Am propus şi am verificat un algoritm de obţinere a bazelor de reguli fuzzy bazat pe înregistrarea de date numerice prin auto-instruirea iterativă adaptată scopului obţinerii de reguli fuzzy de control. Algoritmul este bazat pe o variantă prezentată în referinţa [NIL1995], dar adaptarea propusă este argumentată de posibilitatea unor simplificări ignorate lucrarea amintită. Algoritmul de construcţie a regulilor fuzzy prezentat este implementat în program Matlab, iar schema de auto-instruire iterativă este realizată în mediul Simulink. Algoritmul a fost verificat experimental într-o aplicaţie clasică în lucrările [BCC2009b] şi [BCC2010a].

Page 38: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

36

3. Am realizat un studiu bibliografic detaliat privind modelarea matematică a dinamicii sistemului cardiovascular, în funcţionarea autonomă sau sub acţiunea unor substanţe administrate intravenos, cu aplicabilitate în: - studierea efectelor farmacologice ale acestor substanţe, - testarea unor proceduri clinice de administrare variabilă de substanţe

pentru reducerea costurilor, - proiectarea sistemelor de control hemodinamic al variabilelor fiziologice.

Studiul este util celor interesaţi de cercetări în domeniul de actualitate al ingineriei biomedicale, care cuprinde şi aplicaţii ale ingineriei electrice sau ale automaticii în medicină sau farmacologie.

4. Am implementat un model al sistemului cardiovascular în mediul Matlab/Simulink, pentru analiza procesului cu privire la variaţia parametrilor şi în condiţii clinice standard sau extreme. Modelul cardiovascular ales este unul binecunoscut în literatura de specialitate şi este introdus în lucrarea [YRK1990a]. Cu toate că modelul este cunoscut de două decenii, acesta este încă preferat de autori pentru studiile de control prin ajustarea dozajelor de medicamente.

5. Am utilizat cele patru metode prezentate la proiectarea bazelor de reguli fuzzy de control şi simularea regulatoarelor de tip PI obţinute pentru controlul combinat al tensiunii arteriale şi debitului cardiac. Condiţiile de simulare considerate sunt: - structură clasică de reglare, - proces cu două intrări şi două ieşiri, - inter-influenţe puternice ale celor două bucle de reglare.

6. Am prezentat o analiză comparativă detaliată a performanţelor sistemelor de reglare obţinute prin cele patru metode prezentate pentru cazul procesului fiziologic luat în discuţie. Analiza metodelor este făcută pentru un caz considerat standard, descris de insuficienţă cardiacă şi tensiune arterială moderate. Cazul standard este unul pentru care se admite administrarea celor două substanţe injectabile.

7. Am realizat un număr mare de simulări în diverse condiţii, pentru o analiză detaliată a robusteţii a două dintre soluţiile propuse, cele cu performanţe mai bune. Au fost propuse opt variante de simulare pe lângă cazul clasic, forţând limitele extreme referitoare la afecţiunile cardiovasculare în discuţie - insuficienţă cardiacă şi hipertensiune arterială -, dar şi seturi diverse de valori ale parametrilor procesului hemodinamic – receptivitatea şi sensibilitatea

Page 39: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

37

pacientului la substanţele administrate. Analiza suplimentară urmăreşte validarea metodelor propuse şi a regulatoarelor fuzzy obţinute.

Perspective

În acest moment, se pot identifica următoarele perspective de continuare a cercetărilor:

• Extinderea studiului privind modelarea dinamicii cardiovasculare şi asupra efectelor altor substanţe utilizate frecvent în tratamente.

• Extinderea metodelor folosite aici în proiectarea unor sisteme de reglare cu logică fuzzy pentru alte mărimi fiziologice, în condiţiile specifice ale proceselor respective.

• Continuarea analizei comparative a metodelor de proiectare a bazelor de reguli fuzzy de control în alte tipuri de aplicaţii şi procese, printre care unele mai simple dar cu finalitate practică.

• Generalizarea metodei de proiectare bazată pe auto-instruire, într-o expunere teoretică completă, cu analiza convergenţei algoritmului de auto-instruire pentru un caz general.

Page 40: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

38

BIBLIOGRAFIE

[ABR2001] Abraham, A., Neuro-fuzzy systems: state-of-the-art modeling techniques, în Connectionist models of neurons, learning processes, and artificial intelligence, Springer-Verlag, Proc. of the 6th Int. Work-Conference on Artificial and Natural Neural Networks, partea I, Granada, Spania, 13-15 iunie 2001, pp. 269–276.

[ABR2002] Abraham, A., Intelligent systems: architectures and perspectives”, în Abraham, A., Jain, L., Kacprzyk, J., (editori), Recent advances in intelligent paradigms and applications, Studies in fuzziness and soft computing, Springer-Verlag, 2002, pp. 1–35.

[ABR2005] Abraham, A., Adaptation of fuzzy inference system using neural learning, Studies in Fuzziness and Soft Computing, vol. 181, Springer-Verlag, 2005, pp. 53-83.

[ASW1989] Astrom, K.J., Wittenmark, B., Adative control, Addison-Wesley, 1989.

[ARI1990] Arimoto, S., Learning control theory for robotic motion, Int. Journal of Adaptive Control and Signal Processing, vol. 4, 1990, pp. 543-564.

[AKM1985] Arimoto, S., Kawamura, S., Miyazaki, F., Tamaki, S., Learning control theory for dynamical systems, Proc. of the 24th IEEE Conf. on Decision and Control, 1985, pp. 1375-1380.

[AKM1984] Arimoto, S., Kawamura, S., Miyazaki, F., Bettering operation of robots by learning, Journal of Robotic Systems, vol. 1, 1984, pp. 123-140.

[BHH2004] Bailey, J.M., Haddad, W.M., Hayakawa, T., Closed-loop control in clinical pharmacology: paradigms, benefits and challanges, Proc. of the 2004 American Control Conference, Boston, Massachusetts, 30 iunie – 2 iulie, 2004, pp. 2268-2277.

[BTK2005] Batzel, J.J., Timischl-Teschl, S., Kappel, F., A cardiovascular-respiratory control system model including state delay with applications to congestive heart failure in humans, Journal of Mathematical Biology, vol. 50, no. 5, martie 2005, pp. 293-335.

[BKS2006] Batzel, J.J., Kappel, F., Schneditz, D., Tran, H.T., Cardiovascular and respiratory systems: modeling, analysis, and control, în Frontiers in Applied Mathematics, vol. 34, Society of Industrial and Applied Mathematics - SIAM, 2006.

[BER1991] Behbehain, K., Russel R.C, A controller for regulation of mean arterial blood pressure using optimum nitroprusside infusion rate, IEEE Trans. on Biomedical Engineering, vol 38, no.6, iunie 1991.

[BEL1983] Bellman, R., Mathematical methods in medicine, World Scientific, Singapore, 1983.

[BSY2007] Betin, F., Sivert, A., Yazidi, A., Capolino, G.A., Determination of scaling factors for fuzzy logic control using the sliding-mode approach: application to control of a DC machine drive, IEEE Trans. on Industrial Electronics, vol. 54, no. 1,

Page 41: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

39

februrie 2007, pp. 296-309.

[BEK1992] Berenji, H.R., Khedkar, P., Fuzzy rules for guiding reinforcement learning, Int. Conf. on Information Processing and Management of Uncertainty in Knowledge-Based Systems – IPMU’92, 1992, pp. 511–514.

[BLA2004] Blanco, J.S., Hybrid self-learning fuzzy PD+I control of unknown linear and nonlinear systems, Proc. of the 5th Maxican Int. Conf. in Computer Science, Colima, Mexic, 20-24 septembrie 2004, pp. 233-240.

[BCC2009a] Boldişor, C., Comnac, V., Coman, S., A knowledge-based approach in fuzzy controller design”, în Annals of the University of Craiova. Electrical engineering series, no. 33, 2009, pp. 23-26.

[BCC2009b] Boldişor, C., Comnac, V., Coman, S., Acreală, A., Rule-bases construction through self-learning for a table-based Sugeno-Takagi fuzzy logic control system, Proc. of the 4th Interdisciplinary in Engineering Int. Conf. – InterEng2009, Tg. Mureş, Romania, 12-13 noiembrie 2009, pp. 167-172.

[BCC2010a] Boldişor, C., Comnac, V., Coman, S., A comparative analisys of two self-learning based strategies for fuzzy controller design, Proc. of the 12th Int. Conf. on Optimization of Electrical and Electronic Equipment - OPTIM 2010, May 20-22, 2010, Braşov, Romania, pp 837-842.

[BCT2010b] Boldişor, C., Comnac, V., Ţopa, I., Coman, S., Using the iterative learning algorithm as data source for ANFIS training, Proc. of the 2010 IEEE Int. Conf. on Automation, Quality and Testing, Robotics - AQTR2010, Cluj-Napoca, România, 28-30 mai 2010, pp. ???.

[BCC2010c] Boldişor, C., Comnac, V., Cernat, M., Coman, S., Ioanidou, F., On pharmacodynamics modeling for fuzzy control of hemodynamic variables through non-square drug infusion, Proc. of the 5th Int. Conf. on Interdisciplinarity in Education - ICIE’10, Tallin, Estonia, 6-8 mai 2010, pe CD.

[BCT2010] Boldişor, C., Comnac, V., Ţopa, Experience-based design and simulations of a fuzzy control system for cardiovascular variables, Proc. of the 10th Int. Conf. on Development and Applications System, 27-29 mai 2010, Suceava, România, pp. 73-79.

[BRO2000] Bronzino, J.D. (editor), The biomedical engineering handbook, ediţia a 2-a, CRC Press şi IEEE Press, 2000.

[BRO2006] Bronzino, J.D. (editor), The biomedical engineering handbook, ediţia a 3-a, Taylor & Francis - CRC Press, 2006.

[CHR2001] Carson, E., Hennessy, T., Roudsari, A., Control in physiology and medicine, în Carson, E., Cobelli, C. (editori), Modelling Methodology for Physiology and Medicine, Elsevier – Academic Press, 2001, pp. 15-44.

[CDK2002] Cârstea, M.N., Dinu, A., Khor, J.G., McCormick, M., Neural and fuzzy logic control of drives and power systems, Newnes, UK, 2002.

[CAT2006] Casas, F., Timmons, W. D., Cardiovascular models and control, în Bronzino, J.D. (editor), The biomedical engineering handbook, ediţia a 3-a, vol. 2,

Page 42: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

40

Taylor&Francis-LLC, 2006, pp. 10.1-10.19.

[COM1999] Comnac V., Reţele neuronale, Editura Universităţii Transilvania din Braşov, 1999.

[CCB2009] Comnac, V., Coman, S., Boldişor, C., Sisteme liniare continue, Ed. Universităţii Transilvania, Braşov, 2009.

[DHR1993] Driankov, D., Hellendoorn, H., Reinfrank, M., An introduction to fuzzy control, Springer Verlag, New York, 1993.

[DUP2000] Dubois, D., Prade, H.M., Fundamentals of fuzzy sets, Kluwer Academic Publishers, Massachusets, 2000.

[DAD2008] Duka, A.-V., Abrudean, M., Dulău, M., Positioning system based on electromagnetic levitation using fuzzy learning control, CEAI Journal, vol. 10 (3), 2008, pp. 60-69.

[DOD2007] Duka, A.-V., Oltean, S. E., Dulău, M., Model reference adaptive vs. learning control for the inverted pendulum: a comparative case study, CEAI Journal, vol. 9 (3), 2007, pp. 67-75.

[FET1998] Feng, J.C., Teng, L.C., An online self-constructing neural fuzzy inference network and its applications, IEEE Trans. on Fuzzy Systems, vol. 6, no.1, 1998, pp.12–32.

[FOM2005] Fowler,·A.C., McGuinness, M.J., A delay recruitment model of the cardiovascular control system, Journal of Mathematical Biology, vol. 51, no. 5, noiembrie 2005, pp. 508-526.

[FUA2004] Furutani, E., Araki, M., Kan, S., Aung, T., Onodera, H., Imamura M., Shirakami, G., Maetani, S., An automatic control system of the blood presure of patients under surgical operation, Int. Journal of Control, Automation, and Systems, vol 2, no. 1, martie 2004, pp. 39-54.

[GTD2000] Gao, Z., Trautzsch, T.A., Dawson, J.G., A stable self-tuning fuzzy logic control system for industrial temperture regulation, IEEE Trans. on Industry Application, vol. 38, issue 2, 2002, pp. 414-424

[GER2005] Gerla, G., Fuzzy logic programming and fuzzy control, Studia Logica, vol. 79, 2005, pp. 231-254.

[GSB2005] Goel, A.K., Saxena, S.C., Bhanot, S., A genetic based neuro-fuzzy controller for thermal processes, Journal of Computer Science & Technology, vol. 5, no. 1, 2005, pp. 37-43.

[GBR1994] Gopinath, R.S., Bequette, B.W., Roy, R.J., Kaufman, H., Multirate MPC design for a nonlinear drug infusion syte, Proc. of the 1994 American Control Conference, Baltimore, MD, pp. 102-106.

[GBR1995] Gopinath, R.S., Bequette, B.W., Roy, R.J., Kaufman, H., Yu, C., Issues in the design of a multirate model-based controller for a nonlinear drug infusion system, Biotechnology Progress, vol. 11, no. 3, 1995, pp. 318-332.

[GRO1959] Grodins F.S., Integrative cardiovascular physiology: a mathematical model synthesis

Page 43: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

41

of cardiac and blood vessel hemodynamics, The Quarterly Review of Biology, Chicago Journals, vol. 34, no 2, pp. 93-116, 1959.

[GRO1963] Grodins F.S., Control theory and biological systems, Columbia University Press, New York, 1963.

[HOM2004] Hätönen, J.J., Owens, D.H., Moore, K.L., An algebraic approach to iterative learning control, Int. Journal of Control, vol. 77, no. 1, 2004, pp. 45-54.

[HOP1981] Hoppensteadt, F.C. (editor), Mathematical aspects of physiology, Lectures in Applied Mathematics, vol. 19, American Mathematical Society, Providence, Rhode Island, 1981.

[HOP1992] Hoppensteadt, F.C., Peskin, C.S. (editori), Mathematics in medicine and life sciences, Springer, New York, 1992.

[HUR1998] Huang, J.W., Roy, R.J., Multiple-drug hemodynamic control using fuzzy decision theory, IEEE Trans. on Biomedical Engineering, vol 45, issue 2, februarie 1998, pp. 213-218.

[JAN1992a] Jang, J.S.R., Neuro-fuzzy modeling: architectures, analyses and applications, lucrare de doctorat prezentată la University of California, Berkeley, 1992.

[JAN1992b] Jang, J.S.R., Self-learning fuzzy controllers based on temporal back propagation, IEEE Trans. on Neural Networks, vol. 3, issue 5, 1992, pp. 714-723.

[JAN1993] Jang, J.S.R., ANFIS: adaptive network-based fuzzy inference system, IEEE Trans. on Systems, Man and Cybernetics, vol. 23, issue 3, 1993, pp. 665-684.

[JAS1995] Jang, J.S.R., Sun, C.-T., Neuro-fuzzy modeling and control, The Proc. of the IEEE, vol. 83, issue 3, martie 1995, pp. 378-406.

[JAN2007] Jantzen, J., Foundations of fuzzy control, John Wiley & Sons, 2007.

[JOV1999] Jantzen, J., Østergaard, J., Verbruggen, H., Fuzzy control in the process industry: common practice and challenging perspectives, în Zimmermann, H.J. (editor), Practical applications of fuzzy technologies, Springer, 1999, pp. 3-56.

[JIW2009] Jin, Y, Wang, L. (editori), Fuzzy systems in bioinformatics and computational biology, Studies in Fuzziness and Soft Computing, vol. 242, Springer-Verlag Berlin, 2009.

[KAB2003] Kappel, F., Batzel, J.J., Survey of research in modeling the human respiratory and cardiovascular systems, în Smith, R.C., Demetriou, M.A. (editori), Research directions in distributed parameter systems, SIAM - Society of Industrial and Applied Mathematics, 2003, pp. 187-218.

[KAP1993] Kappel, F., Peer, R. O., A mathematical model for fundamental regulation processes in the cardiovascular model, Journal of Mathematical Biology, vol. 31, no. 6, iulie 1993, pp. 611-631.

[KAS1998a] Kasabov, N., Evolving fuzzy neural networks - algorithms, applications and biological motivation, în Yamakawa, T., Matsumoto, G., (editori), Methodologies for the Conception, Design and Application of Soft Computing,

Page 44: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

42

World Scientific, 1998, pp. 271–274.

[KAS1998b] Kasabov, N., Foundations of neural networks, fuzzy systems and knowledge engineering, MIT Press, 1998.

[KAS2001] Kasabov, N., Evolving fuzzy neural networks for supervised/unsupervised online knowledge-based learning, IEEE Trans. on Systems Man and Cybernetics, vol. 31, issue 6, 2001, pp. 902-918.

[KOS1991] Kosko, B., Neural networks and fuzzy systems, Prentice-Hall, 1991.

[KOS1992] Kosko, B., Fuzzy systems as universal approximators, Proc. of IEEE Int. Conf. on Fuzzy Systems, San Diego, martie 1992, pp. 1153-1162.

[KOS1996] Kosko, B., Fuzzy engineering, Prentice Hall, 1996.

[KOB2006] Kovacic, Z., Bogdan, S., Fuzzy controller design. Theory and applications, CRC Press, 2006.

[KHV2009] Kumar, M.L., Harikumar, R., Vasam, A.K., Sudhaman, V.K., Fuzzy controller for automatic drug infusion in cardiac patients, Proc. of the Int. MultiConference of Engineers and Computer Scientists IMECS 2009, Hong Kong, 18-20 martie 2009, pp. 76-80.

[LEE1990a] Lee, C.C., Fuzzy logic in control systems: fuzzy logic controller - Part I, IEEE Trans. on Systems, Man and Cybernetics, vol. 20, no 2, 1990, pp. 404-435.

[LEE1990b] Lee, C.C., Fuzzy logic in control systems: fuzzy logic controller - Part II, IEEE Trans. on Systems, Man and Cybernetics, vol. 20, no 2, 1990, pp. 436-452.

[LET2000] Lee, C.H., Teng, C.C., Identification and control of dynamic systems using recurrent fuzzy-neural networks, IEEE Trans. on Fuzzy Systems, vol. 8, issue 4, august 2000, pp. 349-366.

[LIG1996] Lin, C.T., George-Lee, C.S., Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, Prentice Hall, New Jersey, 1996.

[LIN1991] Linkens, D.A., Nie, J., A unified approximate reasoning approach for real-time expert control system applications, IFAC Annual Review in Automatic Programming, vol. 16, no. 1, 1991, pp. 69-74.

[LIH1990] Linkens, D.A., Hacisalihzadeb, S.S., Computer control systems and pharmacological drug administration: a survey, Journal of Medical Engineering & Technology, vol. 14, issue 2, martie 1990, pp. 41 – 54.

[LOT1995] Lotfi, A., Learning fuzzy inference systems, teză de doctorat prezentată la University of Queensland, Australia, 1995.

[LOT2001] Lotfi, A., Learning fuzzy systems, în Russo, M., Jain, L.C. (editori), Fuzzy learning and applications, CRC Press, 2001, pp. 205-222.

[LBL2006] Luginbuhl, M., Bieniok, C., Leibundgut, D., Wymann, R., Gentilini, A., Schnider, T.W., Closed-loop control of mean arterrial pressure during surgery with

Page 45: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

43

alfentanil: Clinical evaluation of a novel model-based predictive controller, Journal of Anesthesiology, vol. 105, no. 3, septembrie. 2006, pp. 462-470.

[MAM1974] Mamdani, E.H., Application of fuzzy algorithms for the control of a simple dynamic plant, Procedings of IEEE, vol. 121, no. 12, 1974, pp. 1585-1588.

[MAM1985] Mamdani, E.H., Fuzzy reasoning and its applications, Academic Press, Londra, 1985

[MAN2004] Manoliu, V., Considerations about the lumped parameter windkessel model aplicativity in the cardiovascular system structure, Simpozionul Naţional de Electrotehnică Teoretică – SNET04, 22-23 octombrie 2004, Bucureşti, pp. 428-437.

[MAN1988] Mansour, N.E., Adaptive control of blood pressure, teză de doctorat prezentată la Dept. of Automatic Control and System Engineering, University of Sheffield, 1988.

[MAL1990] Mansour, N.E., Linkens, D.A., Self-tuning pole-placement multivariable control of blood pressure for post-operative pacients: a model-based study, Control Theory and Applications, IEE Proceedings D, vol. 137, 1990, pp. 13-29.

[MCP1943] McCulloch, W.S., Pitts, W., A logical calculus of the ideas immanent in the nervous activity, Bulletin Math. Biophysics, vol. 5, 1943.

[MIL1977] Miller, R.R., Awan, N.A., Joye, J.A., Maxwell, K.S.,DeMaria, A.N., Amsterdam, E.A., Mason, D.T., Combined dopamine and nitroprusside therapy in congestive heart failure, Circulation – Journal of the American Heart Association, vol. 55, 1977, pp. 881-884.

[MIZ1995] Mizumoto, M., Realization of PID controls by fuzzy control methods, Fuzzy Sets and Systems, no. 70, 1995, pp. 171-182.

[MOM1995] Modekilde, E., Mouritsen, O.G. (editori), Modelling the dynamics of biological systems, Springer, Berlin, 1995.

[MPT1983] Moller, D., Popovic, D., Thiele, G., Modelling, simulation and parameter estimation of the human cardiovascular system, în Irmfield, Hartman, (editori) Advances in control systems & signal processing, vol. 4, Braunschweig, 1983.

[MOO1993] Moore, K.L., Iterative learning control for deterministic systems, Springer-Verlag, 1993.

[MOO1999] Moore, K.L., Iterative learning control: an expository overview, în Datta, B.N. (editor) Applied and computational control, signals, and circuits, vol.1, Birkhauser, 1999, pp. 151-214.

[MCB2005] Moore, K.L., Chen, Y.Q., Bahl, V., Monotonically convergent iterative learning control for linear discrete-time systems, Automatica, vol. 41, no. 9, 2005, pp. 1529-1537.

[MOX2000] Moore, K.L., Xu, J.X., Editorial: Special issue on iterative learning control, Int. Journal of Control, vol. 73, no. 10, 2000, pp. 819-823.

[DKK1997] Detlef Nauck, D., Klawonn, F., Kruse, R, Foundations of neuro-fuzzy

Page 46: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

44

systems, John Wiley & Sons, New York, 1997.

[NAK1997] Nauck, D., Kruse, R., A neuro-fuzzy method to learn fuzzy classification rules from data, Fuzzy Sets and Systems, vol. 89, issue 3, august 1997, pp. 277-288.

[NAK1999] Nauck, D., Kruse, R., Neuro-fuzzy systems for functions aproximations, Fuzzy Sets and Systems, vol. 101, issue 2, ianuarie 1999, pp. 261-271.

[NEA1990] Neat, G.W., Expert adaptive control: method and medical application, teză de doctorat prezentată la Rensselaer Polytechnic Institute, Troy, New York, 1990.

[NER1974] Negoiţă, C.V., Ralescu, D.A., Mulţimi vagi şi aplicaţiile lor, Editura Tehnică, Bucureşti, 1974.

[NPW2003] Nguyen, H.T., Prasad, N.R., Walker, C.L., Walker, E.A., A first course in fuzzy and neural control, Chapman & Hall/CRC, 2003.

[NIL1995] Nie J., Linkens D.A., Fuzzy neural control: principles, algorithms and applications, Prentice Hall, 1995.

[NIE1987] Nie, J., Expert fuzzy control systems, lucrare de dizertaţie prezentată la Xidian University, Xi’an, China, 1987.

[NIE1989] Nie, J., A class of new fuzzy control algorithms, Proc. of IEEE Int. Conf. on Control and Applications, Israel, 3-6 aprilie 1989, pp. 896-897.

[NOM1982] Noordergraaf, A., Melbin, J., Introducing the pump equation, în Kenner, T., Busse, R., Hinghofer-Szalkay (editori), Cardiovascular system dynamics: models and measurements, Plenum Press, New York, 1982, pp. 19-35.

[OTT1997] Ottesen, J.T., Modelling the baroreflex feedback mechanism with time-delay, Journal of Mathematical Biology, no. 36, 1997, pp. 41-63.

[OOL2004] Ottesen, J.T., Olufsen, M.S., Larsen, J.K., Applied mathematical models in human physiology, SIAM Monographs on Mathematical Modelling and Computation, Philadelphia, 2004.

[OPK1999] Ozcelik, S., Palerm, C.C., Kaufman, H., Multi-drug infusion control using a robust direct adaptive controller for plants with time delays, Proc. of the 7th Mediterranean Conf. on Control and Automation – MED99, Haifa, Israel, 28-30 iunie 1999, pp. 989-1006.

[PAL2003] Palerm, C.C.R., Drug infusion control: an extended direct model reference adaptive control strategy, teză de doctorat prezentată la Rensselaer Polytechnic Institute, Troy, New York, 2003.

[PAY1998] Passino, K., Yurkovich, S., Fuzzy control, Addison-Wesley, 1998.

[PED1985] Pedrycz, W., Application of fuzzy relational equation for methods of reasoning in presence of fuzzy data, IEEE Fuzzy Sets and Systems, vol. 16, 1985, pp. 163-175.

[PED1995] Pedrycz, W., Fuzzy sets engineering, CRC Press, 1995.

Page 47: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

45

[PEG1998] Pedrycz, W., Gomide F., An introduction to fuzzy sets: analysis and design, MIT Press, 1998.

[PLA2006] Plăvăţ, C., Protocoale de administrare de droguri intravenoase pe injectomat, Cursul Naţional de Ghiduri şi Protocoale în Anestezie, Terapie Intensivă şi Medicină de Urgenţă, Universitatea de Medicină şi Farmacie Victor Babeş, Timişoara, 2006, pp. 47-57.

[PRP1997] Preitl, Ş., Precup, R.-E., Introducere în conducerea fuzzy a proceselor, Ed. Tehnică, Bucureşti, 1997.

[RAF2006] Rafiroiu, D., Modelarea şi simularea sistemelor medicale. Vol. 1: Sistemul cardiovascular – teorie şi exemple, ed. Mediamira, Cluj-Napoca, 2006.

[RAB2003] Rao R.R., Aufderheide B., Bequette B.W., Experimental studies on multiple-model predictive control for automated regulation of hemodynamic variables, IEEE Trans. on Biomedical Engineering, vol. 50, issue 3, martie 2003, pp. 277-288.

[RHB1997] Rao, R.R, Huang, J.W., Bequette, B.W., Kaufman, H., Roy, R.J., Modeling and control of a non-square drug infusion system, Proc. of IFAC-sponsored Int. Conf. on Modeling and Control in Biomedical Systems, University of Warwick, UK, 1997.

[REZ1997] Reznik, L., Fuzzy controllers, Newnes, 1997.

[RUB1990] Ruiz, R., Borches, D., Fuzzy rule-based controller for sodium nitroprissude optimum dosage computation, Proc. on the 12th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, vol. 12, Philadelphia, 1990, pp. 938-939.

[SGB2005] Sala, A., Guerrab, T.M., Babuška, R., Perspectives of fuzzy systems and control, IEEE Fuzzy Sets and Systems, vol. 156, issue 3, 2005, pp. 432-444.

[SCH2006] Schneck, D.J., An outline of cardiovascular structure and function, în Bronzino, J.D. (editor), The biomedical engineering handbook, ediţia a 3-a, vol. 1, Taylor&Francis, LLC, 2006, pp. 1.1-1.12.

[SRK1983] Serna, V., Roy, R., Kaufman, H., Adaptive control of multiple drug infusion, Proc. of the 1983 American Control Conference, San Francisco, pp. 22-26, 1983.

[SAH2009] Shieh, J.S., Abbod, M.F., Hsu, C.Y., Huang, S.J., Han, Y.Y., Fan, S.Y., Monitoring and control of anesthesia using multivariable self-organizing fuzzy logic structure, în Jin, Y., Wang, L., (editori), Fuzzy sistems in bioinformatics and computational biology, Studies in Fuzziness and Soft Computing, vol. 242, Springer-Verlag Berlin, 2009, pp. 273-296.

[SKK2006] Simakov, S.S., Kholodov, A.S., Kholodov Y.A., Nadolskiy, A.A., Shushlebin, A.N., Global dynamical model of the cardiovascular system, Proc. of the 3rd European Conf. on Computational Mechanics - Solids, Structures and Coupled Problems in Engineering, Lisabona, Portugalia, 5-8 iunie 2006.

Page 48: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

46

[STD2001] Srinivasa, Y., Timmons, W.D., Durkin, J., A comparative study of three expert systems for blood pressure control, Expert Systems with Applications, vol. 20, no. 3, aprilie 2001, pp. 267-274.

[SWA1984] Swan, G.W., Applications of optimal control theory in biomedicine”, Marcel Dekker Inc., New Zork, 1984.

[SUT1983] Sugeno, M., Takagi, T., Multidimensional fuzzy reasoning, Fuzzy Sets and Systems, no. 9, 1983, pp. 313-325.

[STV1993] Sulzberger, S., Tschichold, N., Vestli, S., FUN: optimisation of fuzzy rule based systems using neural networks, Proc. of IEEE Conf. on Neural Networks, San Francisco, martie 1993, pp. 312-316.

[TAW2001] Tanaka, K., Wang, H.O., Fuzzy control systems. Design and analysis, John Wiley & Sons, 2001.

[THA1995] Thomas, D.E., Armstrong-Helouvry, B., Fuzzy logic control-a taxonomy of demonstrated benefits, Proc. of the IEEE, vol. 83, issue 3, martie 1995, pp. 407-421.

[TIM2000] Timmons, W. D., Cardiovascular models and control, în Bronzino, J.D. (editor), The biomedical engineering handbook, ediţia a 2-a, vol. 2, CRC Press, 2000, pp. 160.1-160.18.

[TSF1997] Tso, S.K., Fung, Y.H., Methodological development of fuzzy-logic controllers from multivariable linear control, IEEE Trans. on Systems, Man, and Cybernetics, vol.27, issue 3, 1997, 566–572.

[UPL2005] Upton, R.N., Ludbrook, G.L., Pharmacokinetic-pharmacodynamic modelling of the cardiovascular effects of drugs – method development and application to magnesium in sheep, BMC Pharmacology, vol. 5, no. 5, iunie 2005.

[VMM2004] Vieira, J., Morgado Dias, F., Mota, A., Neuro-fuzzy systems: a survey, WSEAS Transactions on Systems, vol. 3, issue 2, 2004, pp. 414-419.

[VOK1987] Voss, G.I., Katona, P.G., Adaptive multivariable drug delivery: Control of arterial pressure and cardiac output in anesthetized dogs, IEEE Trans. on Biomedical Engineering, vol. BME-34, no.8, august 1987.

[WAM1992] Wang, L.X., Mendel, J.M., Back-propagation fuzzy systems as nonlinear dynamic systems identifier, Proc. of the 1st IEEE Int. Conf. on Fuzzy Systems, San Diego, California, martie 1992.

[YIS1994] Ying, H., Sheppard, L.C., Regulating mean arterial pressure in postsurgical cardiac patients: a fuzzy logic system to control administration of sodium nitroprusside, IEEE Engineering in Medicine and Biology, vol 13., no. 5, 1994, pp. 671-677.

[YRK1990a] Yu, C.L., Roy, R.J., Kaufman, H., A circulatory model for combined nitroprusside-dopamine therapy in acute heart failure, Medical Progress through Technology, no. 16, 1990, pp. 77-88.

[YRK1990b] Yu, C.L., Roy, R.J., Kaufman, H., Bequette, B.W., Multiple-model adaptive control applied to the multiple-drug infusion problem, Proc. of the 1990 Conf. on

Page 49: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

47

Information Sciences and Systems, Princeton, NJ, 1990, pp. 274-279.

[YRK1992] Yu, C.L., Roy, R.J., Kaufman, H., Bequette, B.W., Multiple-model adaptive predictive control of mean arterial pressure and cardiac output, IEEE Trans. on Biomedical Engineering, vol. 39, issue 8, 1992, pp. 765-778.

[ZAD1989] Zadeh, L.A., Knowledge reprezentation in fuzzy logic, IEEE Trans. on Knowledge and Data Engineering, vol. 1, no. 1, martie 1989, pp. 253-283;

[ZAD1965] Zadeh, L.A., Fuzzy sets, Information and Control, vol. 8, 1965, pp. 338−353.

[ZAD1979] Zadeh, L.A., A theory of approximate reasoning, în Hayes, J., Michie, D., Mikulich, L. (editori), Machine intelligence, Halstead Press, New York, 1979, pp. 149−194.

[ZIM2001] Zimmermann, H.J., Fuzzy set theory and its applications, Kluwer Academic, Boston, 2001.

[ZND1995] Zimmermann, H.J., Negoiţă, M.G., Dascălu, D., (editori), Real world applications of intelligent technologies, Editura Academiei Române, Bucureşti, 1995.

[***2010] ***, Fuzzy Logic Toolbox 2 User’s Guide, The Mathworks Inc., 2010.

[www2010a] http://www.cardioportal.ro/

[www2010b] http://www.atitimisoara.ro/

[www2006] http://www.shodor.org/

[www2009] http://www.physionet.org/

[www2005] http://projects.edte.utwente.nl/pi/

Page 50: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

48

CURRICULUM VITAE

Studii 2005 – 2010: studii de doctorat, forma fără frecvenţă Universitatea „Transilvania” din Braşov Facultatea de Inginerie Electrică şi Ştiinţa Calculatoarelor conducător ştiinţific prof. univ. dr. ing. Iulian Ţopa

1998 – 2002: studii de licenţă Universitatea „Transilvania” din Braşov Facultatea de Inginerie Electrică şi Ştiinţa Calculatoarelor specializarea Automatică şi Informatică Industrială

Experienţă din 2005: preparator / asistent univ. / şef lucrări profesională Universitatea „Transilvania” din Braşov Facultatea de Inginerie Electrică şi Ştiinţa Calculatoarelor Catedra de Automatică 2002 - 2005: preparator, în regim de colaborare Universitatea „Transilvania” din Braşov Facultatea de Inginerie Electrică şi Ştiinţa Calculatoarelor Catedra de Automatică 2002 – 2005: service şi consultanţă aplicaţii software SC Imagix SRL Braşov Experienţă din martie 2008: secretar ştiinţific al Catedrei de Automatică managerială Universitatea „Transilvania” din Braşov Domenii Sisteme cu logică fuzzy de interes Reţele neuronale Controlul inteligent al proceselor Alte competenţe Programarea calculatoarelor - mediul Matlab/Simulink - aplicaţii desktop: Delphi , BC++, CVI - aplicaţii web: PHP, MySQL, HTML, JavaScript Limbi străine Engleză – avansat

Page 51: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

49

LISTA COMPLETĂ DE PUBLICAŢII A AUTORULUI

Boldişor, C., Comnac, V., Coman, S., Using the Iterative Learning Algorithm as Data Source for ANFIS Training, Proc. of 2010 IEEE International Conference on Automation, Quality and Testing, Robotics - AQTR 2010, Cluj-Napoca, 28-30 mai 2010, ISBN 978-1-4244-6722-8, pp. 354-359. Boldişor, C., Comnac, V., Ţopa, I., Experience-based design and simulations of a fuzzy control system for cardiovascular variables, Proc. of the 10th International Conference on Development and Application Systems – DAS 2010, Suceava, 27-29 mai 2010, pp. 73-81. Boldişor, C., Comnac, V., Ţopa, I., Coman, S., A comparative analisys of two self-learning based strategies for fuzzy controller design, Proc. of the 12th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM 2010, Braşov, 20÷22 mai 2010, pp. 837-842. Coman, S., Comnac, V., Boldişor, C., Dumitrache, D., Fractional Order Control for DC Electrical Drives in Networked Control Systems, Proc. of the 12th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM 2010, Braşov, 20÷22 mai 2010, pp. 858-863. Moldoveanu, F., Boldişor, C., Floroian, D., Suliman, C., Suciu, C., Intelligent Active Vision System for Autonomous Robots, Proc. of the 12th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM 2010, Braşov, 20÷22 mai 2010, pp. 746-753. Boldişor, C., Comnac, V., Cernat, M., Coman, S., Ioanidou, F., On Pharmacodynamics Modeling for Fuzzy Control of Hemodynamic Variables Through Non-Square Drug Infusion, Proc. of the 5th International Conference on Interdisciplinarity in Education ICIE’10, 17-19 mai 2010, Tallin, Estonia, pe CD. Comnac, V., Coman, S., Boldişor, C., Cernat, M., Ioannides, M., Sensorless State-Space Control of Elastic Two-Inertia Drive System Using a Minimum State Order Observer – part I, Proc. of the 5th International Conference on Interdisciplinarity in Education ICIE’10, 17-19 mai 2010, Tallin, Estonia, pe CD. Comnac, V., Coman, S., Boldişor, C., Cernat, M., Ioannides, M., Sensorless State-Space Control of Elastic Two-Inertia Drive System Using a Minimum State Order Observer – part II, Proc. of the 5th International Conference on Interdisciplinarity in Education ICIE’10, 17-19 mai 2010, Tallin, Estonia, pe CD. Boldişor, C., Comnac, V., Coman, S., A Knowledge-Based Approach in Fuzzy Controller Design, Annals of the University of Craiova, Electrical Engineering series, no. 33, 2009, ISSN 1842-4805, pp. 23-26. Boldişor, C., Comnac, V., Coman, S., Acreală, A., Rule-bases construction through self-learning for a table-based Sugeno-Takagi fuzzy logic control system, Proc. of the 4th

Page 52: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

50

Interdisciplinary in Engineering International Conference – InterEng2009, Tg. Mureş, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 167-172. Comnac, V., Coman, S., Boldişor, C., Acreală, A., Sensorless State-Space Control of Elastic Two-Inertia Drive System Using a Minimum State Order Observer, Proc. of the 4th Interdisciplinary in Engineering International Conference – InterEng2009, Tg. Mureş, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 159-166. Acreală, A., Comnac, V., Boldişor, C., Influence of Variable Time Delay on the Performances of Networked Control Systems, Proc. of the 4th Interdisciplinary in Engineering International Conference – InterEng2009, Tg. Mureş, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 142-145. Coman, S., Comnac, V., Boldişor, C., Demeter, R., Networked Control Systems for DC Electrical Drives, Proc. of the 4th Interdisciplinary in Engineering International Conference – InterEng2009, Tg. Mureş, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 138-141. Comnac, V., Cernat, M., Boldişor, C., Ioannides, M., Puklus, Z., Environmental Cars: Control of Automotive Supply System Based on Conventional Alternator, Part I: Modeling and Analysis, Proc. of the 4th International Conference on Interdisciplinarity in Education ICIE’09, 21-22 mai 2009, Vilnius, Lituania, ISSN 1790-661X, pp. 253-258. Moldoveanu, F., Floroian, D., Boldişor, C., MPPT Using Sliding Mode Observer for Estimation of Solar Array Current, Proc. of the 2nd Conference on Sustainable Energy – CSE ’08, Braşov, 3÷5 iulie 2008, ISBN 978-973-598-316-1, pp. 130÷139. Moldoveanu, F., Floroian, D., Boldişor, C., Nonlinear Control System for a theta-r Manipulator: A Sliding Mode Strategy Approach, Proc. of the 2008 IEEE-TTTC International Conference on Automation, Quality & Testing, Robotics – AQTR 2008, Cluj-Napoca, 22÷25 mai 2008, ISBN: 978-1-4244-2576-1, Tome III, pp.503÷508. Comnac, V., Cernat, M., Boldişor, C., Vittek, J., Rabinovici, R., A New 42 V Automotive Supply System Based on Conventional 14 V Alternator, Proc. of the 11th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM‘08, Braşov, 22÷24 mai 2008, ISBN 978-973-131-028-2, vol. III, pp. 531-536. Moldoveanu, F., Vittek, J., Ryvkin, S., Floroian, D., Boldişor, C., Control of a Dynamic Nonlinear/Uncertain System via a Variable Structure System Approach, Proc. of the 11th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM’08, Braşov, 22÷23 mai 2008, ISBN 978-973-131-031-2, vol. III, pp. 45÷54.

Page 53: cercetări privind utilizarea tehnicilor neuro-fuzzy pentru controlul ...

51

Comnac, V., Moldoveanu, F., Boldişor, C., Floroian, D., State Controller Design for Elastic Two-mass Drive Systems, Proc. of the 10th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM‘06, Braşov, 18÷19 mai 2006, ISBN 973-635-705-8, vol. III, pp. 45÷52. Moldoveanu, F., Comnac, V., Floroian, D., Boldişor, C., Variable Structure Control and Observation for a θ-r Manipulator, Proc. of the 10th International Conference on Optimization of Electrical and Electronic Equipments – OPTIM’06, Braşov, 18÷19 mai 2006, ISBN 973-635-705-8, vol. III, pp. 119÷128. Moldoveanu, F., Comnac, V., Floroian, D., Boldişor, C., Trajectory Tracking Control of a Two-link Robot Manipulator Using Variable Structure System Theory, Control Engineering and Applied Informatics (CEAI) Journal, SRAIT, septembrie 2005, vol. 7, no. 3, ISSN 1454-8658, pp. 56÷62.