
UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”

FACULDADE DE ENGENHARIA

CÂMPUS DE ILHA SOLTEIRA

WILLIAN DE ASSIS PEDROBON FERREIRA

Rede Neural ARTMAP Fuzzy Implementada em Hardware Aplicada na

Previsão da Qualidade do Ar em Ambiente Interno

Ilha Solteira

2021


WILLIAN DE ASSIS PEDROBON FERREIRA

Rede Neural ARTMAP Fuzzy Implementada em Hardware Aplicada na

Previsão da Qualidade do Ar em Ambiente Interno

Tese apresentada à Faculdade de Engenharia –

UNESP – Câmpus de Ilha Solteira como parte

dos requisitos exigidos para obtenção do t́ıtulo

de Doutor em Engenharia Elétrica.

Área de Conhecimento: Automação.

Prof. Dr. Alexandre César Rodrigues da Silva

Orientador

Prof. Dr. Ian Andrew Grout

University of Limerick - Irlanda

Coorientador

Ilha Solteira

2021


.

.

.

FICHA CATALOGRÁFICA

Desenvolvido pelo Serviço Técnico de Biblioteca e Documentação

Ferreira, Willian de Assis Pedrobon.
Rede neural ARTMAP Fuzzy implementada em hardware aplicada na 

previsão da qualidade do ar em ambiente interno / Willian de Assis Pedrobon 
Ferreira. -- Ilha Solteira: [s.n.], 2021

100 f. : il.

Tese (Doutorado em Engenharia Elétrica) - Universidade Estadual Paulista. 
Faculdade de Engenharia de Ilha Solteira. Área de conhecimento: Automação, 
2021

Orientador: Alexandre César Rodrigues Da Silva
Co-orientador: Ian Andrew Grout
Inclui bibliografia

1. Rede neural ARTMAP Fuzzy . 2. Internet das coisas. 3. Qualidade do ar. 4.
Tempo real. 5. Hardware. 6. FPGA.

F383r


UNIVERSIDADE ESTADUAL PAULISTA

Rede Neural ARTMAP Fuzzy Implementada em Hardware Aplicada na Previsão da

Qualidade do Ar em Ambiente Interno

TÍTULO DA TESE:

CERTIFICADO DE APROVAÇÃO

AUTOR: WILLIAN DE ASSIS PEDROBON FERREIRA

ORIENTADOR: ALEXANDRE CESAR RODRIGUES DA SILVA

Aprovado como parte das exigências para obtenção do Título de Doutor em ENGENHARIA

ELÉTRICA, área: Automação pela Comissão Examinadora:

Prof. Dr. ALEXANDRE CESAR RODRIGUES DA SILVA (Participaçao  Virtual)
Departamento de Engenharia Elétrica / Faculdade de Engenharia de Ilha Solteira - UNESP

Prof. Dr. GUILHERME DE AZEVEDO E MELO (Participaçao  Virtual)
Departamento de Engenharia Elétrica / Faculdade de Engenharia de Ilha Solteira - UNESP

Profª. Drª. MARA LUCIA MARTINS LOPES (Participaçao  Virtual)
Departamento de Matemática  / Faculdade de Engenharia de Ilha Solteira - UNESP

Profª. Drª. YARA DE SOUZA TADANO (Participaçao  Virtual)
Departamento de Matemática / Universidade Tecnológica Federal do Paraná - UTFPR

Prof. Dr. MAICON APARECIDO SARTIN (Participaçao  Virtual)
Departamento de Ciência da Computação / Universidade do Estado do Mato Grosso - UNEMAT

Ilha Solteira, 25 de agosto de 2021

Faculdade de Engenharia - Câmpus de Ilha Solteira -
Avenida Brasil Centro 56, 15385000, Ilha Solteira - São Paulo

http://www.ppgee.feis.unesp.brCNPJ: 48.031.918/0015-20.

Alexandre César Rodrigues da Silva


AGRADECIMENTOS

Agradeço a Deus, por me conceder saúde e por não me deixar faltar nada.

Aos meus pais, Emı́dio e Solange, pelo apoio e suporte.

Ao meu irmão, Tarćısio, companheiro sempre presente.

Ao meu orientador Prof. Dr. Alexandre César Rodrigues da Silva e coorientador Prof.

Dr. Ian Andrew Grout da Universidade de Limerick, Irlanda, por terem possibilitado o

desenvolvido deste trabalho.

Aos membros da banca, por se disponibilizarem para auxiliar na avaliação deste

trabalho.

Aos amigos do Laboratório de Processamento de Sinais e Sistemas Digitais, pela

cooperação e longa amizade constrúıda durante todos esses anos.

Ao Thiago Costa de Paiva, pelo aux́ılio em etapas primordiais do desenvolvimento da

descrição do hardware.

À Poliana, pelos incentivos, paciência e companhia em todos os momentos.

O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de

Pessoal de Nı́vel Superior - Brasil (CAPES) - Código de Financiamento 001.


RESUMO

Tecnologias elaboradas na Internet das Coisas e em áreas relacionadas proporcionaram

vários avanços no desenvolvimento de sensores e de interfaces computacionais

miniaturizadas, que são empregadas em serviços de monitoramento e auxiliam diversos

cenários da sociedade moderna. Com o uso de algoritmos de aprendizado de máquina

para processar informações amostradas por sensores, a atuação automática dos sistemas

computacionais em resposta aos comportamentos existentes beneficiou vários processos,

trazendo otimização, segurança e bem-estar aos cidadãos assistidos. Nesse contexto

insere-se esta pesquisa, cujo objetivo foi a implementação de um sistema embarcado com

treinamento on-line, possibilitando uma aprendizagem cont́ınua para realizar previsões

em tempo real. A aplicação alvo foi o monitoramento e a previsão de séries temporais

com dados da qualidade de ar em ambiente interno utilizando-se a rede neural ARTMAP

fuzzy, que emprega conceitos da Teoria da Ressonância Adaptativa. Sensores de baixo

custo amostraram os seguintes componentes em um ambiente doméstico utilizado como

quarto e escritório: ı́ndice da qualidade de ar interno calculado automaticamente por uma

biblioteca da Bosch, temperatura, umidade, dióxido de carbono, compostos orgânicos

voláteis e material particulado. A melhor acurácia das previsões univariadas foi a da

temperatura, com porcentagem de erro médio absoluto igual a 2,8 na previsão 1 hora

à frente, e de 6,4 nas previsões 24 horas à frente. Para obter previsões do ı́ndice da

qualidade do ar com maior acurácia, foram verificadas algumas combinações multivariadas

como entradas da ARTMAP fuzzy, sendo o melhor resultado da previsão 1 hora à frente

obtido com a temperatura e umidade, com 31,3 de porcentagem de erro médio absoluto,

que foi 15,2% menor em comparação à previsão univariada desse ı́ndice. Com o intuito

de aprimorar o tempo de resposta da rede neural ARTMAP fuzzy, foi projetada uma

arquitetura de hardware em uma FPGA (field-programmable gate array). Foi proposto

um novo gerenciamento da manutenção das categorias da rede neural ARTMAP fuzzy, que

economizou 70% do uso de memória do estudo de caso em hardware. Considerando ambos

os tempos de treinamento e predição, a FPGA foi em média 84 e 683 vezes mais rápida que

um laptop com um processador Intel Core-i5 8250U e um Raspberry Pi 3, respectivamente,

que processaram o algoritmo da ARTMAP fuzzy implementado em Python.

Palavras-chave: rede neural ARTMAP fuzzy. internet das coisas. qualidade do ar.

tempo real. hardware. FPGA.


ABSTRACT

Internet of Things and related technological areas have provided several advances in the

development of sensors and miniaturized computer interfaces, which are employed in

monitoring services and help various scenarios of modern society. With the use of machine

learning algorithms to process sensor data, the automatic computer systems feedback

in response to existing behaviors benefited several processes, bringing optimization,

safety, and well-being to assisted citizens. However, the association of machine learning

algorithms with dense data volumes requires high computational processing rates. In this

context, this research is included, whose objective was the implementation of an embedded

system with online training, enabling continuous learning to perform real-time predictions.

The target application was the monitoring and prediction of indoor air quality time series

data using the fuzzy ARTMAP neural network, which employs concepts of Adaptive

Resonance Theory. Low-cost sensors sampled the following components in a domestic

indoor environment used as a bedroom and office: indoor air quality index automatically

calculated by a Bosch library, temperature, humidity, carbon dioxide, volatile organic

compounds, and particulate matter. The best univariate prediction accuracy was the

temperature, with a mean absolute percentage error equal to 2.8 for 1 hour ahead

prediction, and 6.4 for 24 hours ahead predictions. To obtain more accurate air quality

index prediction, some multivariate combinations were verified as fuzzy ARTMAP input,

being the best 1 hour ahead prediction result obtained by temperature and humidity

with a mean absolute error percentage of 31.3, which was 15.2% lower compared to the

univariate prediction of this index. To improve the fuzzy ARTMAP neural network,

a hardware field-programmable gate array (FPGA) architecture was designed. A new

proposed ARTMAP fuzzy neural network clusters management saved 70% memory usage

of the hardware study case. Considering both training and prediction operations, the

FPGA was on average 84 and 683 times faster than a laptop with an Intel Core-i5 8250U

processor and a Raspberry Pi 3, respectively, which processed a fuzzy ARTMAP Python

implementation.

Keywords: fuzzy ARTMAP neural network. internet of things. air quality. real-time.

hardware. FPGA.


LISTA DE FIGURAS

Figura 1 – Etapas realizadas neste trabalho 16

Figura 2 – Paradigmas de computação anteriores à IoT 17

Figura 3 – Aprimoramento de sistemas IoT com técnicas de IA 18

Figura 4 – Camadas de processamento aplicadas em sistemas IoT 20

Figura 5 – Estrutura elementar da rede neural ART 27

Figura 6 – Arquitetura da rede neural ART fuzzy 29

Figura 7 – Fluxograma da rede neural ART fuzzy 32

Figura 8 – Arquitetura da rede neural ARTMAP fuzzy 34

Figura 9 – Fluxograma da rede neural ARTMAP fuzzy com treinamento off-line 35

Figura 10 – Arquitetura da rede neural ARTMAP fuzzy com treinamento on-line 37

Figura 11 – Fluxograma da rede neural ARTMAP fuzzy com treinamento on-line 39

Figura 12 – Fluxograma do cálculo de uma predição da rede ARTMAP fuzzy 41

Figura 13 – Diagrama de ligação dos sensores ao Raspberry Pi 3 44

Figura 14 – Sensores utilizados nessa pesquisa 46

Figura 15 – Séries temporais dos dados amostrados 47

Figura 16 – Série temporal modelada em janelas deslizantes sobrepostas 49

Figura 17 – Diferentes metodologias de normalização dos padrões de entrada da

rede neural ARTMAP fuzzy 51

Figura 18 – Previsões univariadas com normalização por linha 53

Figura 19 – Previsões univariadas com normalização por coluna 55

Figura 20 – Matrizes de correlação das séries temporais com atraso de até 3 lags 57

Figura 21 – Previsões univariadas 24 horas à frente 60

Figura 22 – Matriz de correlação dos compostos do ar 63


Figura 23 – Previsões do IAQ aplicando normalização por linha e séries temporais

multivariadas 64

Figura 24 – Previsão do IAQ aplicando normalização por coluna e séries

temporais multivariadas 64

Figura 25 – Taxa de dados produzidos por várias aplicações 69

Figura 26 – Fluxograma da rede neural ARTMAP fuzzy com o novo gerencia-

mento de categorias 73

Figura 27 – Diagrama de blocos da entidade ARTMAP fuzzy 76

Figura 28 – Diagrama de blocos da entidade ARTa 77

Figura 29 – Exemplo de uso do vetor flag clustera 78

Figura 30 – Diagrama de blocos da entidade WTA 79

Figura 31 – Diferentes metodologias de mapeamentos Inter-ART 80

Figura 32 – Diagrama de blocos da entidade IACM 81

Figura 33 – Diagrama de blocos da entidade pred pattern 82

Figura 34 – Diagrama de sequência da rede ARTMAP fuzzy em hardware 83

Figura 35 – Número de categorias criadas durante o treinamento on-line da rede

neural ARTMAP fuzzy em hardware 85

Figura 36 – Tempos de treinamento e predição executados em diferentes

dispositivos 86

Figura 37 – Dados da qualidade do ar atualizados em tempo real 99

Figura 38 – Configuração do servidor Node-RED 99


LISTA DE QUADROS

Quadro 1 – Poluentes t́ıpicos do ar em ambientes internos 24

Quadro 2 – Informações dos sensores utilizados nesse trabalho 43

Quadro 3 – Classificação do IAQ calculado pelo BSEC 44

Quadro 4 – Parâmetros da ARTMAP fuzzy com normalização por linha 52

Quadro 5 – Avaliação das previsões univariadas 56

Quadro 6 – Número de categorias criadas nas avaliações univariadas 59

Quadro 7 – Avaliação das previsões univariadas 24 horas à frente 61

Quadro 8 – Avaliação das previsões do IAQ com séries temporais multivariadas 65

Quadro 9 – Avaliação da rede ARTMAP fuzzy com diferentes números de

categorias 72

Quadro 10 –Hardware da FPGA utilizado na descrição em VHDL 84

Quadro 11 –Comparação da acurácia da rede neural ARTMAP fuzzy implemen-

tada em software e em hardware 85

Quadro 12 –Tempos de execução em segundos de diferentes dispositivos 86

Quadro 13 –Relação de tempos de execução da FPGA com os dos dispositivos

baseados em software 87

Quadro 14 –Avaliação das previsões do IAQ 24 horas à frente com séries

temporais multivariadas 100

Quadro 15 –Número de categorias criadas nas avaliações de séries temporais

multivariadas 100


LISTA DE ABREVIATURAS E SIGLAS

µg/m3 Micrograma por metro cúbico

AmI Ambiental inteligence

ARMA Autoregressive Moving Average

ART Adaptive Resonance Theory

ASIC Application-specific integrated circuit

BSEC Bosch Sensortec Environmental Cluster

CO Monóxido de carbono

CO2 Dióxido de carbono

DL Deep learning

DSP Digital signal processor

EPA Environmental Protection Agency

FPGA Field-programmable gate array

FSM Finite state machine

GPU Graphics processing unit

HLS High-level synthesis

HVAC Heating, ventilating and air conditioning

IA Inteligência artificial

IACM Inter-ART cluster manager

IAQ Indoor air quality

IoT Internet of Things

IP Intellectual property


LSTM Long short-term memory

LUT Look-up table

MAE Mean absolute error

MAPE Mean absolute pencentage error

MENS Micro-electromechanical systems

ML Machine learning

NO2 Dióxido de nitrogênio

NOx Óxidos nitrosos

O3 Ozônio

OS-ELM On-line Sequential Extreme Learning Machine

PLD Programmable logic device

PM Particulate matter

PM10 Part́ıculas com diâmetros de até 10 micrômetros

PM2.5 Part́ıculas com diâmetros de até 2,5 micrômetros

ppb Partes por bilhão

ppm Partes por milhão

RFID Radio-frequency identification

RMSE Root mean squared error

Rn Radônio

RNA Rede neural artificial

SO2 Dióxido de enxofre

TPU Tensor processing unit

VOC Volatile organic compound

WTA Winner takes all


SUMÁRIO

1 INTRODUÇÃO 13

1.1 OBJETIVOS 15

2 ASSOCIAÇÃO DE ALGORITMOS DE MACHINE LEARNING

À APLICAÇÕES IoT 17

2.1 PLATAFORMAS IoT BASEADAS EM SOFTWARE E HARDWARE 19

2.2 FERRAMENTAS EMPREGADAS NO MONITORAMENTO E NA PREVI-

SÃO DA QUALIDADE DE AR 22

3 TEORIA DA RESSONÂNCIA ADAPTATIVA 27

3.1 REDE NEURAL ART FUZZY 29

3.2 REDE NEURAL ARTMAP FUZZY 33

3.2.1 Rede neural ARTMAP fuzzy com treinamento on-line 37

3.2.2 Cálculo de uma predição com a rede neural ARTMAP fuzzy 40

4 PREVISÃO DE COMPONENTES DA QUALIDADE DE AR COM

A REDE NEURAL ARTMAP FUZZY 42

4.1 SISTEMA PROPOSTO 42

4.1.1 Amostragem de dados 44

4.2 REDE NEURAL ARTMAP FUZZY APLICADA NA PREVISÃO DE

SÉRIES TEMPORAIS 48

4.2.1 Avaliações de séries temporais univariadas 51

4.2.2 Previsão do IAQ aplicando séries temporais multivariadas 62

5 IMPLEMENTAÇÃO DA REDE NEURAL ARTMAP FUZZY EM

HARDWARE 68


5.1 PROPOSTA DE UM NOVO GERENCIAMENTO DE CATEGORIAS 70

5.2 OPERAÇÕES ARITMÉTICAS MODELADAS EM PONTO FIXO 74

5.3 ARQUITETURA DA REDE NEURAL ARTMAP FUZZY EM HARD-

WARE 75

5.4 AVALIAÇÃO DA DESCRIÇÃO EM HARDWARE 83

6 CONCLUSÕES 89

6.1 TRABALHOS FUTUROS 90

REFERÊNCIAS 92

APÊNDICE A -- DASHBOARD PARA VISUALIZAÇÃO DOS

DADOS EM TEMPO REAL 99

APÊNDICE B -- AVALIAÇÃO DAS PREVISÕES DO IAQ

APLICANDO SÉRIES TEMPORAIS MULTIVARIADAS 100


13

1 INTRODUÇÃO

A tecnologia está cada vez mais presente no cotidiano e tornou-se fundamental

para promover melhorias na qualidade de vida da sociedade moderna. Atualmente

existem vários serviços fornecidos por dispositivos eletrônicos, muitas vezes transparentes

aos usuários, que auxiliam na execução de atividades em diversas aplicações. Tarefas

executadas manualmente vêm sendo automatizadas por sistemas computacionais

autônomos, proporcionando conforto e segurança às pessoas.

Para possibilitar a interação homem-máquina, é indispensável estudar comporta-

mentos existentes com a finalidade de identificar padrões das ações e dos ambientes

monitorados. O sensoriamento dessas caracteŕısticas foi amplamente promovido após

a ascensão da Internet das Coisas, ou IoT (Internet of Things), que auxiliou no

desenvolvimento de novas tecnologias empregadas na implementação de vários tipos de

sensores.

Em centros urbanos, por exemplo, há grande interesse na coleta de informações em

tempo real de diversos contextos, como dados ambientais (qualidade de ar, rúıdo sonoro),

dados de infraestrutura e informações da dinâmica das cidades (tráfego de véıculos e

fluxo de pessoas) (WANG et al., 2019). Além dos fenômenos f́ısicos, estuda-se também o

comportamento das pessoas, que pode ser realizado por meio de sensores móveis e sensores

corporais, como acelerômetros e giroscópios (CHEN et al., 2019).

Um dos objetivos de obter informações que caracterizam comportamentos de

ambientes e pessoas é a inserção de atuadores nas situações monitoradas, cujo papel

é influenciar, de alguma forma, a execução dos procedimentos existentes no contexto

analisado. Considerando essas mudanças obtidas com a densa aplicação de sensores e

atuadores em centros urbanos, surgiu o conceito de cidades inteligentes, cujo fundamento

é a obtenção de melhorias no gerenciamento de recursos e de processos baseando-se no

monitoramento para gerar serviços eficientes que auxiliem os cidadãos (WANG et al.,

2019; DU et al., 2019).

Diante da grande quantidade de dados gerados pelas cidades inteligentes, é necessário

interpretar e identificar padrões das informações para que os sistemas IoT possam atuar e

fornecer as respostas desejadas de acordo com o contexto analisado. Esta necessidade foi


14

amplamente atendida aplicando-se conceitos da inteligência artificial (IA) para desenvolver

algoritmos de aprendizagem capazes de extrair conhecimento dos dados amostrados. Além

disso, os algoritmos inteligentes se adaptam automaticamente de acordo com as mudanças

e comportamentos existentes, fazendo com que as respostas destes sistemas permaneçam

atualizadas (DU et al., 2019).

O aprendizado de máquina, ou ML (machine learning), é um campo da IA de grande

interesse no estudo e desenvolvimento de algoritmos inteligentes. Adicionalmente, uma

importante extensão do ML é o aprendizado profundo, ou DL (deep learning). O objetivo

dessas linhas de pesquisa é desenvolver sistemas computacionais capazes de aprender a

partir de padrões dos dados processados. Com o conhecimento adquirido pela interação

do algoritmo com os est́ımulos do ambiente, criam-se modelos matemáticos generalizados

capazes de reconhecer padrões e comportamentos existentes, possibilitando o cálculo de

predições nos contextos observados.

O processamento da densa quantidade de dados aplicando algoritmos de ML e

DL pode demandar altas capacidades computacionais. Considerando aplicações IoT,

é comum enviar dados de sensores via Internet para serviços de computação em

nuvem. Todo processamento é realizado remotamente em servidores com alta capacidade

computacional, e os resultados são transmitidos de volta aos dispositivos IoT (SAMIE;

BAUER; HENKEL, 2019). Contudo, podem surgir algumas limitações nesta abordagem,

como alta latência e consequentemente baixa taxa de transferência de dados.

Uma alternativa para se obter processamento e respostas em tempo real, geralmente

exigidos em sistemas IoT, é migrar o processamento remoto para camadas mais próximas

aos terminais de amostragem de dados, isto é, interpretar os dados em aplicações de

computação de borda (SHAFIQUE et al., 2018). Assim, o processamento de dados é

realizado mais próximo dos sensores, o que minimiza gargalos de latência e aumenta

a privacidade das informações (VERHELST; MOONS, 2017). Outra possibilidade de

realizar análises localmente é a implementação de dispositivos IoT inteligentes, cujo

processamento é realizado no mesmo dispositivo que os sensores são conectados.

A implementação de aplicações IoT com processamento embarcado fundamentalmente

utiliza dispositivos digitais baseados em software e hardware (VIEL et al., 2018).

Sistemas com nicho em software utilizam processadores para executar instruções de

linguagem de programação, sendo compreendidos desde dispositivos minimalistas, como

microcontroladores, até sistemas complexos, como DSPs (digital signal processors). Por

outro lado, a abordagem de hardware é baseada em dispositivos lógicos programáveis, ou


15

PLDs (programmable logic devices), que possibilitam projetar arquiteturas personalizáveis

por meio de circuitos digitais reconfiguráveis. Há vantagens e desvantagens no uso de

software ou hardware, considerando parâmetros espećıficos, que devem ser analisados

para se obter a eficiência necessária pelos sistemas inteligentes embarcados.

Entre os dispositivos de hardware, o recurso de executar cálculos paralelamente da

FPGA (field-programmable gate array) as tornam uma opção viável de hardware para

desenvolver sistemas ML complexos (DINIZ et al., 2017). Da mesma forma, no DL, a

possibilidade de implementar sistemas adaptáveis e reconfiguráveis capacita as FPGAs,

que fornecem integridade e desempenho necessário para executar o treinamento e predições

em sistemas embarcados (STORNAIUOLO; SANTAMBROGIO; SCIUTO, 2018).

Em relação aos contextos dinâmicos das cidades inteligentes, para que sejam feitas

análises atualizadas, o monitoramento é realizado aplicando-se amostragem cont́ınua de

dados. Dessa forma, é necessário que os algoritmos de ML aplicados em sistemas IoT

sejam treinados constantemente para que forneçam respostas em tempo real (PÉREZ-

SÁNCHEZ; FONTENLA-ROMERO; GUIJARRO-BERDIÑAS, 2018). Esta abordagem

de treinamento também é conhecida como aprendizagem on-line.

1.1 OBJETIVOS

Diante do contexto apresentado, o objetivo deste trabalho foi aprimorar a capacidade

de atuação de dispositivos IoT embarcados por meio do desenvolvimento de um algoritmo

de ML empregando treinamento on-line. Dessa forma, uma das principais contribuições

desta pesquisa foi propor um sistema que beneficia aplicações em tempo real, pois a

abordagem de treinamento on-line possibilita incrementar o conhecimento do algoritmo

de ML constantemente com dados recém amostrados. As etapas desenvolvidas durante o

desenvolvimento deste trabalho estão apresentadas na Figura 1.

O algoritmo de ML considerado foi a rede neural ARTMAP fuzzy, que emprega

conceitos da Teoria da Ressonância Adaptativa. Um dos principais diferenciais dessa rede

neural é a possibilidade de incrementar o seu conhecimento por meio do armazenamento

de novas informações, mas sem afetar o conhecimento previamente adquirido.

O sistema foi aplicado na previsão da qualidade de ar em ambiente interno. A

amostragrm de dados foi realizada em um quarto onde reside uma pessoa, que também

foi utilizado como escritório de trabalho remoto durante a pandemia. Utilizando

sensores de baixo custo, foram monitoradas as seguintes variáveis: umidade, temperatura,


16

Figura 1 – Etapas realizadas neste trabalho

Fonte: Elaboração do próprio autor

gás carbônico, compostos orgânicos voláteis e material particulado. Adicionalmente,

considerou-se o IAQ (Indoor Air Quality), que é um ı́ndice calculado automaticamente

por uma biblioteca da Bosch que mensura a qualidade do ar. Os dados foram modelados

em séries temporais por meio de janelas deslisantes sobrepostas, possibilitando realizar o

treinamento supervisionado da rede neural ARTMAP fuzzy para calcular a previsão até

24 horas à frente.

O sistema foi implementado na linguagem de programação Python. Além da

abordagem em software, outro objetivo deste trabalho foi o desenvolvimento em hardware

da ARTMAP fuzzy com treinamento on-line, que foi descrita em VHDL e sintetizada em

uma FPGA. Visando otimizar o uso de memória de sistemas embarcados, foi proposta

uma nova metodologia da manutenção das categorias dessa rede neural, possibilitando

reduzir o consumo de recursos computacionais sem afetar a acurácia das predições.

O restante do texto está organizado como segue. No Caṕıtulo 2 apresenta-se uma

revisão sobre algoritmos de ML empregados em aplicações IoT e sobre os conceitos

aplicados em estudos da qualidade de ar. No Caṕıtulo 3 apresenta-se uma introdução

sobre a Teoria da Ressonância Adaptativa, incluindo a extensão de alguns operadores da

rede neural ARTMAP fuzzy para aprimorar o treinamento on-line. O desenvolvimento do

sistema proposto em software está apresentado no Caṕıtulo 4, e o aprimoramento realizado

em hardware está apresentado no Caṕıtulo 5. Por fim, no Caṕıtulo 6 apresentam-se as

conclusões deste trabalho e posśıveis perspectivas para sua continuidade.


17

2 ASSOCIAÇÃO DE ALGORITMOS DE MACHINE LEARNING À
APLICAÇÕES IoT

A idealização de utilizar entidades computacionais para interagir com as pessoas

surgiu na década de 1980, quando pesquisadores identificaram a possibilidade de inserir

tecnologias no cotidiano. Entretanto, o ńıvel tecnológico daquele peŕıodo não permitiu

que interfaces computacionais fossem incorporadas às aplicações, devido às limitações de

tamanho e desempenho computacional, além de questões relacionadas ao fornecimento de

energia. Mesmo assim, Mark Weiser (WEISER, 1991) foi um dos pioneiros a visualizar

os benef́ıcios que poderiam ser obtidos por meio dos conceitos que se tornariam a IoT.

Apresentam-se, na Figura 2, as áreas que contribúıram para o desenvolvimento da

IoT. Inicialmente na computação ub́ıqua (WEISER; GOLD; BROWN, 1999) e pervasiva,

definiram-se novos conceitos de software e hardware para inserir sistemas computacionais

de forma transparente nos ambientes. O principal objetivo foi realizar processamento de

informações em segundo plano para fornecer feedback automáticos aos usuários.

Figura 2 – Paradigmas de computação anteriores à IoT

Fonte: Adaptado de Sezer, Dogdu e Ozbayoglu (2018)

Avanços na fabricação de semicondutores durante a década de 1990 incrementaram a

capacidade de extração de caracteŕısticas em vários contextos. Com o desenvolvimento de

sistemas microeletromecânicos, ou MEMS (micro-electromechanical systems), surgiram

novos sensores e atuadores embarcados empregados na inteligência ambiental, ou AmI

(ambiental inteligence), cujo foco é desenvolver ambientes que se adaptam para atender

às necessidades dos usuários, de maneira não intrusiva (LINDWER et al., 2003).

Posteriormente, o interesse na identificação por radiofrequência, ou RFID (radio-

frequency identification), deu origem ao termo IoT, sendo mencionado primeiramente

por Kevin Ashton (ASHTON, 2009). Paralelamente, avanços nas redes de sensores sem

fio foram fundamentais no suporte às inovações introduzidas pela IoT e auxiliaram na


18

integração dos seus componentes.

Desde o surgimento das áreas relacionadas à IoT, discutiu-se a possibilidade de

fornecer, aos dispositivos computacionais, uma função maior do que apenas capturar

dados e atuar por meio de processos simplificados. Para isso, a tomada de decisão dos

sistemas IoT foi aprimorada com técnicas de IA, como está apresentado na Figura 3.

Consequentemente, dispositivos IoT se tornaram qualificados para agirem de maneira

inteligente, refletindo o aprendizado obtido durante a interação com os agentes externos.

Figura 3 – Aprimoramento de sistemas IoT com técnicas de IA

Fonte: Adaptado de Alam et al. (2017)

Para adquirir conhecimento, os algoritmos de ML passam por processos de

aprendizado realizados na fase de treinamento. Essa etapa é baseada em técnicas de

treinamento supervisionado, não supervisionado e por reforço.

Na abordagem supervisionada, rotulam-se os dados de entrada para que os modelos de

aprendizado produzam padrões de sáıdas desejados com base nas caracteŕısticas dos dados

de treinamento (SEZER; DOGDU; OZBAYOGLU, 2018). Quando os dados não possuem

rótulos, empregam-se algoritmos de aprendizado não supervisionado, cuja essência é

agrupar informações em conjuntos, seguindo critérios de semelhança. No aprendizado

por reforço, a iteração entre o agente e o ambiente permite que o algoritmo aprenda com

as ações executadas para melhorar o propósito programado (VALLADARES et al., 2019).

Uma importante extensão do ML é o DL. Esses modelos matemáticos são

implementados por arquiteturas de redes neurais artificiais (RNA) com várias camadas

que executam processamentos não lineares e permitem a extração de caracteŕısticas

hierárquicas, reproduzindo a capacidade cognitiva do cérebro humano (MOHAMMADI et

al., 2018).


19

Diversas aplicações da sociedade moderna foram beneficiadas por sistemas IoT

inteligentes. Considerando centros urbanos, pode-se citar serviços inteligentes que

abrangem cidadãos, economia, governo, transporte e gerenciamento sustentável do

ambiente (KIRIMTAT et al., 2020). A diversidade de sensores utilizados nas situações

monitoradas gera dados heterogêneos, e essa abundância de dados é essencial para extrair

conhecimento e calcular predições nas cidades inteligentes (ALAM et al., 2017).

A IoT também oferece ferramentas para a agricultura (LIU et al., 2020) e indústria

(MUHURI; SHUKLA; ABRAHAM, 2019). Pesquisadores consideram as melhorias

obtidas com a utilização da IoT e áreas relacionadas (IA e big data) como sendo a quarta

revolução desses ramos, que são denominadas agricultura 4.0 e indústria 4.0. Com o

aprimoramento do gerenciamento de recursos por meio do monitoramento e das tomadas

de decisões inteligentes, espera-se que a produtividade dessas áreas aumente.

A grande variedade de contextos monitorados por tecnologias derivadas da IoT e IA

produz quantidades significativas de dados. Estas informações são geralmente gerenciadas

como dados em formato de big data ou streaming (MOHAMMADI et al., 2018). Na

abordagem de big data, armazenam-se grandes bancos de dados que demandam altas

taxas de processamento computacional e, usualmente, não exigem respostas instantâneas.

Por outro lado, dados em streaming não são armazenados e são processados após a

amostragem, sendo esperadas respostas em curtos peŕıodos.

Para atender o desempenho de sistemas IoT envolvendo operações de IA, pode-

se realizar o processamento e o gerenciamento de dados em diversos dispositivos

computacionais baseados em software e em hardware. Na próxima seção, apresenta-se

um estudo comparativo entre essas duas metodologias.

2.1 PLATAFORMAS IoT BASEADAS EM SOFTWARE E HARDWARE

Para que as respostas de sistemas IoT sejam calculadas nos tempos estipulados, é

essencial considerar as configurações da infraestrutura que controla os dados amostrados.

Nesse processo são analisadas questões de comunicação entre os sensores e as demais

entidades computacionais que armazenam e processam as informações.

Atualmente, existem diferentes metodologias de software e hardware para otimizar

processos computacionais. Tradicionalmente, o uso de hardware na implementação

de sistemas IoT associa componentes f́ısicos como sensores, atuadores e interfaces

computacionais baseadas em microprocessadores, que processam software. No entanto,


20

o uso de hardware também se refere à aplicação de dispositivos com arquiteturas

especializadas que oferecem grandes capacidades de processamento computacional. Os

principais dispositivos baseados em hardware são GPUs (graphics processing unit), ASICs

(application-specific integrated circuit) e FPGAs.

Determinar a abordagem ideal de software ou de hardware para implementar sistemas

IoT inteligentes requer uma análise prévia das caracteŕısticas da aplicação. Consumo

de energia, técnicas de amostragem, armazenamento de dados e tempo de resposta são

alguns dos pontos que definem as melhores metodologias a serem usadas para garantir

o desempenho necessário. Nesse processo, é comum considerar diferentes camadas de

processamento, como está apresentado na Figura 4. Em todas as camadas é posśıvel

utilizar plataformas baseadas em software e em hardware.

Figura 4 – Camadas de processamento aplicadas em sistemas IoT

Fonte: Elaboração do próprio autor

Uma abordagem comum para processar grandes bancos de dados da IoT é o uso

de serviços em nuvem. Além da grande capacidade de armazenamento, a computação

em nuvem contém vários núcleos de processamento e compartilha informações entre

vários servidores, permitindo o uso do processamento distribúıdo. Atualmente, existem

serviços de computação em nuvem com processamento em hardware, como a TPU (tensor

processing unit) do Google, que é um ASIC projetado para realizar cálculos de algoritmos

de ML e DL.

Aplicações que requerem baixo tempo de resposta podem ser afetadas se forem

executadas na nuvem, devido à posśıveis altas latências na comunicação. Esta limitação

pode ser amenizada realizando processamento mais próximo aos dispositivos IoT por meio

de dispositivos presentes na computação de borda. Nesta camada de processamento há

sistemas baseados em software, como microsservidores e tablets (PACHECO et al., 2018),

e plataformas de hardware, como as FPGAs (DAMLJANOVIC; LANZA-GUTIERREZ,

2018).

O tempo de resposta de aplicações IoT é ainda mais cŕıtico em contextos que exigem


21

atuação em tempo real. Uma possibilidade de otimizar o tempo de resposta é realizar

processamento de dados nos próprios dispositivos que os sensores são conectados, surgindo

o conceito de sensores inteligentes.

Entre os sistemas embarcados baseados em software que processam dados da IoT, os

microcontroladores frequentemente gerenciam a comunicação com sensores e executam

ações simples, pois possuem capacidades de armazenamento e processamento limitados.

Há alternativas de sistemas baseados em software com capacidade computacional superior,

como microprocessadores (AMATO et al., 2017) e smartphones (ZEBIN et al., 2019).

Mesmo com desempenho computacional aprimorado, sistemas embarcados baseados

em software podem sofrer gargalos em aplicações em tempo real. Fatores como

processamento sequencial podem limitar a taxa de processamento e de transferência

de dados. Esse cenário torna-se mais cŕıtico quando há vários sensores operando

simultaneamente, pois são produzidos mais dados e há maior necessidade de gerenciamento

e processamento eficiente para atender às restrições de tempo de resposta.

Uma possibilidade de aumentar a taxa de transferência de dados é utilizar dispositivos

com processamento paralelo, que é uma das especialidades do hardware. Com arquiteturas

projetadas para executar cálculos simultâneos, GPUs, ASICs e FPGAs podem otimizar

a taxa de operações e da transferência de dados, diminuindo o tempo de resposta de

sistemas IoT inteligentes.

Com foco em sistemas embarcados, as GPUs não são muito atraentes pois consomem

muita energia. ASICs possuem menor consumo, no entanto, apresentam arquitetura fixa

(LEE; SHIN; YOO, 2017) e o custo financeiro de implementação é alto. Por sua vez, a

FPGA é uma opção mais balanceada considerando-se consumo de energia e flexibilidade

para projetar diferentes arquiteturas de hardware, pois possui arquitetura reconfigurável

(LACEY; TAYLOR; AREIBI, 2016). Adicionalmente, outros recursos das FPGAs que

permitem otimizar algoritmos de ML são alto desempenho de cálculos, paralelismo, alto

rendimento e processamento em tempo real (MOLANES et al., 2018).

Uma importante etapa do projeto de arquiteturas de hardware em FPGAs é a

organização de dados. Os padrões de acesso à memória devem ser analisados com o

intuito de otimizar as operações matemáticas. Considerando algoritmos de ML e DL,

utilizam-se vários conceitos da álgebra linear, como operações com matriz. Portanto, um

aspecto importante para otimizar algoritmos de IA em FPGAs é aprimorar operações

matriciais (WOEHRLE; KIRCHNER, 2018).

Uma alternativa que suporta álgebra matricial é a álgebra tensorial, cujo objetivo


22

é generalizar representações matriciais. Os tensores também são um tópico de pesquisa

para otimizar algoritmos de DL embarcados em hardware (IBRAHIM; VALLE, 2018)

Outra flexibilidade das FPGAs é a possibilidade de modelar diferentes operações

aritméticas. Para acelerar os cálculos de algoritmos inteligentes, vários pesquisadores

exploram conceitos de DSP nas FPGAs. Uma metodologia comum é realizar quantização

de ponto flutuante em ponto fixo. Nesse processo, é posśıvel representar números

utilizando menos bits (GUO et al., 2018). Na modelagem em ponto fixo, deve-se realizar

um estudo com o objetivo de determinar a quantidade necessária de bits para armazenar

corretamente os resultados das operações matemáticas, como no cálculo de filtros (OSTA

et al., 2018).

Como descrito, as FPGAs são dispositivos digitais baseados em hardware com

vários recursos que podem ser amplamente explorados em sistemas IoT embarcados

e inteligentes, em que todos os estágios dos algoritmos de ML e DL são realizados.

Uma das vantagens de executar o processamento no dispositivo IoT é a obtenção de

respostas mais rapidamente, e é uma área que ainda precisa ser mais estudada e explorada

(MOHAMMADI et al., 2018).

Atualmente, um importante serviço desenvolvido na IoT é o monitoramento e a

previsão da qualidade do ar. Na próxima seção apresentam-se as técnicas empregadas no

estudo da qualidade do ar com foco em ambientes internos. Também é apresentada uma

revisão de técnicas de IA, empregadas para analisar e predizer componentes relacionados

às condições do ar.

2.2 FERRAMENTAS EMPREGADAS NO MONITORAMENTO E NA PREVISÃO

DA QUALIDADE DE AR

A constante evolução tecnológica traz inúmeros benef́ıcios à vida humana. No entanto,

o consumo descontrolado dos recursos naturais vem desgastando o meio ambiente, e uma

das consequências é a poluição ambiental. Entre os tipos de poluição, a má qualidade do

ar é uma grande ameaça à saúde e aos ecossistemas (EUROPEAN ENVIRONMENT

AGENCY, 2018). O estudo da qualidade do ar tornou-se uma das preocupações

ambientais mais discutidas, dando origem à várias poĺıticas e diretrizes para fornecer

informações sobre a qualidade do ar em ambientes internos e externos (PIERPAOLI;

RUELLO, 2018).

A qualidade do ar em determinados ambientes pode ser medida baseando-se em


23

valores padronizados ou por diretrizes da qualidade do ar. Os padrões são definidos por

autoridades e agências reguladoras, e as diretrizes são obtidas por meio de experimentos

cient́ıficos para garantir saúde e segurança dentro das especificações consideradas

(ABDUL-WAHAB et al., 2015). Atualmente, existem várias entidades dedicadas ao

estudo da qualidade do ar, como a Organização Mundial de Saúde, a Agência de

Proteção Ambiental, ou EPA (Environmental Protection Agency), e a Comissão Europeia.

Cada instituição pode fornecer diferentes conjuntos de informações e definições, que são

adotados por diferentes regiões ou páıses.

Os ńıveis de poluentes do ar são expressos em diferentes unidades de medida, sendo

os mais comuns microgramas por metro cúbico (µg/m3), partes por milhão (ppm) e

partes por bilhão (ppb) (WILLIAMS et al., 2014). Alguns dos poluentes mais comuns

considerados pelos sistemas de monitoramento são gás ozônio (O3), material particulado,

ou PM (particulate matter), monóxido de carbono (CO), dióxido de nitrogênio (NO2),

dióxido de enxofre (SO2), chumbo (Pb), gás radônio (Rn) e compostos orgânicos voláteis,

ou VOC (volatile organic compound).

Para classificar a qualidade do ar como segura, além de intervalos estipulados para as

concentrações dos poluentes, é necessário determinar um peŕıodo máximo de exposição

para o cenário analisado. Existem diferentes intervalos de tempo, como os adotados pela

EPA, que consistem em peŕıodos médios de horas (1, 8 e 24) e peŕıodos médios de meses

(3 e 12) (WORLD HEALTH ORGANIZATION, 2010).

É comum apenas haver preocupação com a qualidade do ar em ambientes externos

(SEGUEL et al., 2017). No entanto, controlar a qualidade do ar em ambientes internos

tem sido igualmente importante. Várias conferências são realizadas atualmente pela

comunidade cient́ıfica e agências governamentais para discutir a necessidade de melhores

condições do ı́ndice da qualidade ar de ambientes internos, também mencionada como

IAQ (indoor air quality) (BAHNFLETH, 2017).

A necessidade imediata de estudar o IAQ se deve à tendência das pessoas ficarem

em ambientes fechados por até 90% do tempo (KLEPEIS et al., 2001). A poluição

interna pode se originar de fontes presentes nos próprios ambientes fechados, que também

são suscet́ıveis à poluição do ar externo (WORLD HEALTH ORGANIZATION, 2010).

Exemplos de ambientes internos incluem casas, locais de trabalho (escritórios), edif́ıcios

públicos (hospitais, escolas, teatros, bibliotecas e restaurantes) e cabines de véıculos

(TANABE, 2017).

Os danos à saúde causados pela exposição de ar polúıdo em ambientes internos podem


24

ser notados rapidamente ou a longo prazo. Os efeitos imediatos aparecem logo após o

primeiro contato, podendo causar irritação nos olhos, narinas, dor de cabeça, tontura

e fadiga. Esses sintomas variam de pessoa para pessoa e o tratamento pode ser feito

simplesmente eliminando a fonte de poluentes do ar. Os efeitos a longo prazo aparecem

após exposições repetitivas e duradouras, causando consequências mais graves como

problemas respiratórios, card́ıacos e podem até se tornarem fatais (ENVIRONMENTAL

PROTECTION AGENCY, 2017). Apresentam-se, no Quadro 1, alguns dos poluentes

mais comuns presentes em ambientes internos, as principais fontes e efeitos colaterais.

Quadro 1 – Poluentes t́ıpicos do ar em ambientes internos

Poluentes Fonte e danos à saúde

Dióxido de carbono

(CO2)

Fontes: aparelhos a gás e querosene não ventilados;

produção de produtos de combustão; respiração humana.

Danos à saúde: dificuldade de concentração; sonolência; aumento da taxa respiratória.

Monóxido e carbono

(CO)

Fontes: fumaça de cigarro; combustão de combust́ıveis fósseis.

Danos à saúde: tonturas; dor de cabeça; náusea; cianose; efeitos cardiovasculares;

morte.

Formaldéıdo

Fontes: desgaseificação do isolamento de espuma e de madeira compensada; carpetes e

tecidos; colas e adesivos; combustão de produtos, incluindo fumaça de cigarro.

Danos à saúde: reações hipersenśıveis ou alérgicas; erupções cutâneas;

irritação dos olhos, de membranas respiratórias e mucosas; odor desagradável.

Óxidos nitrosos

(NOx)

Fontes: combustão de fornos e aparelhos a gás; fumaça de cigarro; exaustores de solda;

motores a gás e a diesel.

Danos à saúde: irritação dos olhos e de membranas mucosas e nasais.

Ozônio (O3)

Fontes: fotocopiadoras; purificadores de ar eletrostáticos; arco elétrico;

poluição atmosférica.

Danos à saúde: irritação dos olhos, trato respiratório e membranas mucosas;

agravamento de doenças respiratórias crônicas.

Radônio (Rn)

Fontes: subsolos de edif́ıcios; materiais de construção; águas subterrâneas.

Danos à saúde: Não são conhecidos efeitos agudos para a saúde, mas a exposição

prolongada pode levar ao aumento do risco de câncer de pulmão devido à radiação alfa.

Compostos orgânicos

voláteis (VOCs)

Fontes: tintas; produtos de limpeza; naftalina; colas; fotocopiadoras; materiais de

calafetagem de silicone; inseticidas; herbicidas; combust́ıveis; asfalto; vapores de

gasolina; fumaça de cigarro; ralos; cosméticos e outros produtos de uso pessoal.

Danos à saúde: náuseas; tontura; irritação dos olhos, trato respiratório e membranas

mucosas; dor de cabeça; fadiga.

Fonte: Adaptado de Occupational Safety and Health Administration (1999)

Também é importante considerar o monitoramento interno de PM, que é composto por

part́ıculas sólidas e ĺıquidas de diversos tamanhos dispersos no ar. Nas análises, é comum

a mensuração de part́ıculas com diâmetro de até 2,5 µm e 10 µm, que são respectivamente

denominadas PM2.5 e PM10.


25

Materiais particulados em ambientes internos são provenientes de atividades como

culinária, combustão (queima de velas, lareiras, aquecedores sem ventilação adequada

e fumaça de cigarro) e podem ser biológicos. Podem causar irritação nos olhos, nariz

e garganta, agravamento dos sintomas de doenças coronárias e respiratórias e morte

prematura em pessoas com doenças card́ıacas ou pulmonares (ENVIRONMENTAL

PROTECTION AGENCY, 2017).

Além de poluentes, outros componentes que afetam o IAQ é a temperatura e a

umidade relativa do ar. Esses dois parâmetros refletem o ńıvel de conforto térmico que

está diretamente relacionado à produtividade em ambientes internos (ABDUL-WAHAB

et al., 2015). Sistemas de aquecimento, ventilação e ar condicionado, ou HVAC (heating,

ventilating and air conditioning) são fundamentais para controlar o IAQ, pois influenciam

o controle de temperatura e umidade, e contribuem para a diluição de poluentes em

ambientes internos (FONSECA et al., 2018).

A análise da qualidade do ar requer o uso de estações de monitoramento com

sensores e equipamentos especializados. Tradicionalmente, estações de monitoramento

da qualidade do ar em ambientes externos baseiam-se em equipamentos grandes, pesados

e significativamente caros. Esses sistemas geralmente realizam poucas amostragens por

hora. Entretanto, o comportamento dinâmico dos centros urbanos faz com que os ńıveis

de poluição mudem rapidamente, o que pode tornar o monitoramento da qualidade do ar

ineficiente. Outra dificuldade é aumentar a cobertura de monitoramento, pois é necessário

realocar as estações ou instalar mais unidades (YI et al., 2015).

No entanto, o desenvolvimento de sensores MEMS de baixo custo alterou o cenário

de monitoramento e a análise da qualidade do ar (KUMAR et al., 2015). A aquisição

de sensores tornou-se mais acesśıvel, auxiliando o monitoramento local para fornecer

informações mais realistas em comparação às previsões meteorológicas realizadas com

dados regionais (AYYALASOMAYAJULA et al., 2016). Também há interesse no

desenvolvimento de sensores de baixo custo voltados para o monitoramento de ambientes

internos (CHOJER et al., 2020; SAINI; DUTTA; MARQUES, 2021).

A diferença no custo destes sensores em relação às opções mais caras também reflete

na acurácia das medições. A escolha correta dos sensores utilizados na implementação

de um sistema de monitoramento da qualidade do ar deve considerar as necessidades da

aplicação. As caracteŕısticas dos sensores que devem ser analisadas incluem detecção de

poluentes, alcance de medição, precisão e polarização, requisitos de calibração, tempo de

resposta, durabilidade e custo (WILLIAMS et al., 2014).


26

Há diferentes tecnologias empregadas na implementação de sensores aplicados no

monitoramento da qualidade do ar. A detecção de gás geralmente é realizada por sensores

eletroqúımicos, cataĺıticos, de estado sólido (semicondutores), por absorção de radiação

infravermelha e por detector de fotoionização (CHOU, 2000). Para medir PM, os sensores

mais comuns são monitores de atenuação de radiação beta, microbalanças oscilantes de

elemento cônico e sensores óticos (BADURA et al., 2018).

A ampla disponibilidade de sensores de baixo custo empregados no monitoramento de

ar em ambientes internos possibilitou o desenvolvimento de pesquisas que compreendem

vários contextos atualmente. Para interpretar as informações, pode-se aplicar algoritmos

de ML, pois oferecem grande capacidade de análise e reconhecimento de padrões

considerando dados de IAQ (WEI et al., 2019). Com o conhecimento adquirido pelos

algoritmos de aprendizado é posśıvel, por exemplo, estudar como o comportamento

humano é influenciado pelo IAQ (LIN et al., 2017) ou ainda, controlar atuadores

para gerenciar o conforto térmico e a economia de energia em ambientes internos

(VALLADARES et al., 2019).

Outro serviço que envolve o estudo da qualidade de ar em ambientes internos e

que sistemas IoT inteligentes são fundamentais é o cálculo de previsões dos parâmetros

monitorados. Uma possibilidade para organizar dados de IAQ monitorados continuamente

é por meio de séries temporais. Essa técnica é amplamente aplicada em várias abordagens

de sistemas de aprendizado, como k-means (CARON et al., 2019), RNAs tradicionais

baseadas na backpropagation (CHEN; MIHARA; WEN, 2018) e também em redes neurais

propostas no DL, como a arquitetura LSTM (long short-term memory) (LOY-BENITEZ

et al., 2019).

Assim, IoT e algoritmos de ML são áreas essenciais empregadas na implementação

de sistemas de monitoramento e predição da qualidade do ar. Mesmo com várias

pesquisas explorando esse tema na atualidade, ainda é necessário investigar e desenvolver

metodologias para garantir a confiabilidade dos sistemas de monitoramento da qualidade

do ar em tempo real (MARQUES; PITARMA, 2019).

Como uma das principais contribuições desta pesquisa, propõe-se implementar e

avaliar o desempenho de uma rede neural desenvolvida aplicando-se os conceitos da Teoria

da Ressonância Adaptativa, mais especificamente a rede neural ARTMAP fuzzy, para

calcular a previsão de componentes da qualidade de ar em ambientes internos. No próximo

caṕıtulo apresenta-se uma introdução dessa teoria.


27

3 TEORIA DA RESSONÂNCIA ADAPTATIVA

A Teoria da Ressonância Adaptativa, ou ART (Adaptive Resonance Theory) foi

proposta em 1976 por Stephen Grossberg. É um modelo matemático inspirado pela

capacidade cogitativa de sistemas biológicos baseando-se em dois dilemas: plasticidade e

estabilidade. A plasticidade representa a habilidade de aprender novos padrões à medida

que o sistema interage com os agentes externos do ambiente, unindo novos padrões de

entradas em grupos espećıficos. Por outro lado, a estabilidade garante a manutenção do

conhecimento previamente adquirido, separando os novos padrões criados dos já existentes

(CARPENTER; GROSSBERG, 1987b).

As RNAs da famı́lia ART são modelos auto-organizáveis, que aplicam um processo

de competição e busca para agrupar padrões de entrada. As ações executadas durante o

aprendizado da rede ART são controladas por dois subsistemas, o subsistema de atenção e

o subsistema de orientação (CARPENTER; GROSSBERG, 1987b). A arquitetura dessa

RNA está apresentada na Figura 5.

Figura 5 – Estrutura elementar da rede neural ART

Fonte: Adaptado de Carpenter e Grossberg (1987b)

Os neurônios artificiais da rede ART são organizados em duas camadas localizadas no

subsistema de atenção. A camada F1 é responsável pelo processamento das informações

recebidas na entrada, e a camada F2 armazena os padrões reconhecidos em categorias.

As camadas F1 e F2 são conectadas por vetores de pesos que armazenam o conhecimento

adquirido durante a fase de treinamento.

Ao receber um padrão de entrada, inicia-se o reconhecimento dessas informações com


28

o cálculo da função de escolha para analisar a similaridade entre a entrada e todas as

categorias existentes. No processo de busca, seleciona-se a categoria que gerar a maior

função de escolha, sendo considerada a hipótese mais apta para representar o padrão de

entrada.

A verificação de similaridade é realizada na comparação aplicando-se o parâmetro de

vigilância, que aceita ou recusa a associação do padrão de entrada à categoria vencedora

na busca. Caso o critério de vigilância não seja aceito, a categoria é exclúıda do processo

de busca aplicando-se o reset por meio do subsistema de orientação.

As etapas de comparação e busca são repetidas até que uma categoria passe no teste

de vigilância, fazendo com que a rede entre em ressonância e seja atualizada, isto é, treine

os pesos da categoria selecionada e associada ao padrão de entrada. Quando todas as

categorias são testadas e nenhuma satisfaz o teste de vigilância, uma categoria é criada

para representar o novo padrão de entrada.

Dessa forma, os subsistemas de atenção e orientação operam de maneira complementar

durante o treinamento da rede neural ART. O subsistema de atenção lida com informações

já conhecidas, garantindo a estabilização da representação dos padrões existentes. Por

outro lado, o gerenciamento de novos padrões é executado pelo subsistema de orientação,

que é essencial para determinar quando é necessário criar novas categorias (CARPENTER;

GROSSBERG, 1987b). Essas relações entre os subsistemas das redes ART traduzem os

dilemas da plasticidade e estabilidade, que garantem a manutenção do aprendizado sem

perder o conhecimento adquirido.

A primeira RNA da famı́lia ART foi apresentada em 1987, denominada ART-

1 (CARPENTER; GROSSBERG, 1987b). Esse modelo processa apenas dados

binários, aplicando treinamento não supervisionado para agrupar os padrões de entradas

apresentados à rede. Adicionalmente, outras arquiteturas com treinamento não

supervisionado foram propostas, como a ART-2, que processa tanto dados binários como

analógicos (CARPENTER; GROSSBERG, 1987a). A teoria da ressonância adaptativa

também foi explorada na metodologia de treinamento supervisionado por meio da rede

ARTMAP (CARPENTER; GROSSBERG; REYNOLDS, 1991).

Uma importante extensão da rede neural ART surgiu com a associação de propriedades

da lógica fuzzy (ZADEH, 1965) para obter a arquitetura ART fuzzy (CARPENTER;

GROSSBERG; ROSEN, 1991). Esta rede é capaz de processar dados analógicos e binários,

e foi aplicada na implementação da ARTMAP, surgindo a ARTMAP fuzzy (CARPENTER

et al., 1992). Nas próximas seções são apresentados detalhes dos algoritmos de algumas


29

RNAs da famı́lia ART.

3.1 REDE NEURAL ART FUZZY

Entre os modelos da famı́lia de redes neurais ART, a ART fuzzy é a mais difundida

(SILVA; ELNABARAWY; WUNSCH, 2019). A arquitetura da ART fuzzy apresentada

na Figura 6 é semelhante à ART-1, alterando-se apenas alguns operadores devido à

agregação de propriedades da lógica fuzzy. A diferença básica entre as operações das

redes ART-1 e ART fuzzy é a substituição da interseção binária, isto é, a operação AND

(∩), pelo operador AND da lógica fuzzy (∧), o que proporciona a capacidade de processar

dados analógicos e binários. Pode-se inserir uma camada adicional na ART fuzzy (F0),

responsável pelo pré-processamento dos padrões de entrada. Os dados que compõem os

padrões de entrada (a) das redes ARTs são organizados em vetores linha.

Figura 6 – Arquitetura da rede neural ART fuzzy

Fonte: Adaptado de Lopes (2005)

O pré-processamento da ART fuzzy consiste na normalização dos padrões de entrada,

padronizando todos os valores no intervalo [0,1]. Esta operação é necessária para

evitar a proliferação de categorias (CARPENTER; GROSSBERG; ROSEN, 1991). A

normalização é aplicada separadamente em cada variável que forma os padrões de entrada,

com o objetivo de não desconfigurar a amplitude de diferentes tipos de informações.

Considerando um conjunto com n padrões de entrada, cada um com M variáveis, a

normalização de uma variável pode ser realizada agrupando em um vetor v todos os

n valores da variável em questão e aplicar a equação 1:

v̂ =
v

|v| (1)


30

em que |v| é a norma de um vetor:

|v| =
n∑

i=1

|vi| (2)

Outra operação necessária no pré-processamento é a aplicação da codificação

complemento definida por:

I = (â, âc) = [â1, · · · , âM︸ ︷︷ ︸
â

, 1− â1, · · · , 1− âM︸ ︷︷ ︸
âc

] (3)

produzindo vetores com o dobro da dimensão original (2M). Esta codificação preserva e

unifica a amplitude dos padrões de entrada, pois a norma de todos os vetores se torna a

mesma:

|I| =
M∑
i=1

ai +
M∑
i=1

(1− ai) = M (4)

O algoritmo ART é iniciado pela comparação da similaridade entre a entrada I e cada

categoria j armazenada na camada F2 por meio da função de escolha, que é calculada

por:

Tj(I) =
|I ∧ wj|
α + |wj|

(5)

sendo wj a matriz de pesos que conecta as camadas F1 e F2, a qual armazena o

conhecimento da rede neural, α (α > 0) o parâmetro de escolha, que influencia a sequência

de busca das categorias, e (∧) o operador AND da lógica fuzzy definido por:

(x ∧ y) = min(xi, yi) (6)

A busca por uma categoria suficientemente semelhante ao padrão de entrada capaz

de representá-lo é iniciada selecionando-se o valor Tj com maior valor e menor ı́ndice:

TJ = max {Tj : j = 1, · · · , N} (7)

A similaridade entre a categoria J e o padrão de entrada é verificada por meio do

teste de vigilância calculado por:
|I ∧ wJ |
|I| ≥ ρ (8)

sendo ρ (ρ ∈ [0, 1]) o parâmetro de vigilância, que controla a ocorrência da ressonância

verificando a combinação dos valores da entrada e dos pesos armazenados em wJ (LOPES,

2005). Quanto menor for o valor de ρ, maior é o grau de generalização da rede, produzindo


31

uma menor quantidade de categorias. Contudo, maiores valores de ρ diminuem a

generalização e geram mais categorias com melhor qualidade de representação dos padrões

de entradas (CARPENTER; GROSSBERG; ROSEN, 1991).

Caso a condição da inequação 8 seja satisfeita, a rede entra no estado de ressonância

e ativa a atualização dos pesos wJ , calculados por:

wJ = β(I ∧ wJ) + (1− β)wJ (9)

sendo β a taxa de treinamento (β ∈ [0, 1]). Utilizando-se β = 1, o treinamento é dito

rápido, e a atualização dos pesos ocorre em apenas um ciclo de treinamento. Quando tem-

se valores β < 1, são necessários mais ciclos de aprendizagem considerando cada padrão

de entrada para atualizar os pesos, o que caracteriza o treinamento lento.

Nas ocasiões em que uma categoria não satisfaz o teste de vigilância, aplica-se o reset

(TJ = 0) para exclúı-la da busca e o próximo maior valor TJ é o novo candidato a ser

testado. Esse processo se repete até ocorrer a ressonância com alguma categoria existente.

Caso contrário, o padrão de entrada ainda desconhecido pela rede é associado à uma nova

categoria.

Na etapa subsequente, indica-se qual foi o neurônio vencedor selecionado para

representar o padrão de entrada por meio do vetor de atividade da camada F2:

yj =

{
1, j = J

0, j 6= J
(10)

Uma alternativa otimizada para implementar a rede ART fuzzy é a adição de novas

categorias de acordo com a necessidade. Dessa forma, no ińıcio do treinamento há apenas

uma categoria (N = 1) com os pesos w1 inicializados com os valores da primeira entrada.

A cada entrada apresentada à rede, utiliza-se um contador (count = 1) para armazenar a

quantidade de categorias verificadas durante a busca, até que haja ressonância.

Caso o padrão de entrada seja inédito, isto é, quando nenhum neurônio da camada

F2 passar no teste de vigilância, o novo padrão de entrada é adicionado ao conhecimento

da rede criando-se uma categoria. Consequentemente, insere-se uma linha na matriz de

pesos wj com os valores da entrada, e o número de categorias é incrementado em uma

unidade.

Apresenta-se, na Figura 7, o fluxograma das operações aplicadas no treinamento da

ART fuzzy. A leitura de n padrões de entrada, os quais correspondem aos exemplos de

treinamento, é realizada apenas uma vez e os dados são armazenados na matriz A, que


32

possui n linhas e M colunas. Foi considerada a metodologia de iniciar o algoritmo com

apenas uma categoria aplicando o treinamento rápido. Um contador auxiliar (i) verifica

a quantidade de padrões apresentados à rede até a finalização do treinamento.

Figura 7 – Fluxograma da rede neural ART fuzzy

Fonte: Adaptado de Lopes (2005)

É importante ressaltar que o treinamento das redes neurais ARTs não se limita a um

grupo fixo de exemplos de treinamento, pois os dilemas da plasticidade e da estabilidade


33

garantem simultaneamente a adição de novas categorias e a manutenção do conhecimento

adquirido. Logo, essas redes são capazes de aprenderem e reconhecerem novos padrões

continuamente.

Mesmo empregando treinamento não-supervisionado, a arquitetura da ART fuzzy gera

a sáıda y na camada F2, que indica o ı́ndice da categoria ativa caso ocorra ressonância.

Contudo, esse processo não caracteriza efetivamente uma classificação do modo que ocorre

nos algoritmos de ML com treinamento supervisionado, cujas respostas baseiam-se em

valores utilizados durante o treinamento para identificar os padrões reconhecidos.

A famı́lia das redes ARTs também possui uma arquitetura baseada no treinamento

supervisionado, que é denominada ARTMAP. Assim como a ART fuzzy, também foram

associadas operações da lógica fuzzy às operações da ARTMAP, surgindo a ARTMAP

fuzzy. Na sequência apresentam-se mais detalhes desta rede neural.

3.2 REDE NEURAL ARTMAP FUZZY

A ARTMAP fuzzy é um modelo de RNA auto-organizável que emprega a abordagem

de treinamento supervisionado para reconhecer sucessões aleatórias de padrões de entrada.

Utilizando-se um método de mapeamento que combina a atividade de dois módulos ART

fuzzy, este sistema oferece uma aprendizagem estável e incremental (CARPENTER et al.,

1992).

Apresenta-se, na Figura 8, a arquitetura da rede ARTMAP fuzzy. Os módulos ARTa

e ARTb são responsáveis por aprenderem e agruparem os padrões de entrada e sáıda,

respectivamente, considerando parâmetros de vigilância ρa e ρb e empregando o algoritmo

da rede ART fuzzy, que podem ser processados paralelamente. Sempre que a rede recebe

um novo padrão de entrada, o parâmetro de vigilância da ARTa é inicializado com o valor

base ρa.

Durante o treinamento da ARTMAP fuzzy, apresentam-se pares (a, b) à rede, sendo a

a entrada e b a sáıda associada. Com as classificações dispońıveis nas camadas de sáıda F a
2

e F b
2 , o módulo Inter-ART recebe essas informações para gerenciar o mapeamento entre as

categorias de entrada e sáıda ativas por meio de um processo denominado match tracking.

Entre a camada F a
2 e o módulo Inter-ART, adiciona-se uma matriz de pesos (wab

j ), a qual

é atualizada para armazenar o mapeamento entre as categorias ativas de entrada (TJ) e

sáıda (TK), o que só acontece se o teste de vigilância aplicado no match tracking ocorrer,

que é calculado por:


34

Figura 8 – Arquitetura da rede neural ARTMAP fuzzy

Fonte: Adaptado de Carpenter et al. (1992)

|yb ∧ wab
J |

|yb| ≥ ρab (11)

sendo yb o vetor de atividade da camada Fb
2 e ρab o parâmetro de vigilância do módulo

Inter-ART. Quando a inequação 11 não é satisfeita, aplica-se um reset na categoria J e o

parâmetro ρa é incrementado ligeiramente, calculado por:

ρa =
|Ia ∧ wa

J |
|Ia| + ε (12)

em que ε é o incremento aplicado, que corresponde a um valor positivo próximo de zero.

Esta operação é realizada para que não ocorra novamente a classificação incorreta da

entrada atual no módulo ARTa. Inicia-se então a busca por uma categoria que se associe

corretamente à sáıda desejada da ARTb. Caso nenhuma categoria existente seja associada

ao padrão de entrada, cria-se uma categoria na camada F a
2 , adicionando uma linha à

matriz de pesos wab para mapear os novos dados à sáıda armazenada na ARTb. Quando

se obtém uma classificação correta entre os padrões de entrada e sáıda, as conexões de

mapeamento destas categorias são atualizadas calculando-se:

wab
Jk =

{
1, k = K

0, k 6= K
(13)

fazendo com que a conexão entre as categorias ativas (J e K) seja preenchida com o valor

1 e os demais ı́ndices da linha J de wab sejam 0.

Apresenta-se, na Figura 9, o fluxograma do treinamento da rede ARTMAP fuzzy


35

considerado neste trabalho. Esta metodologia de aprendizado possui algumas diferenças

em relação ao algoritmo original proposto por Carpenter et al. (1992).

Figura 9 – Fluxograma da rede neural ARTMAP fuzzy com treinamento off-line

Fonte: Adaptado de Barros (2013)


36

Assim como na rede ART fuzzy apresentada, considerou-se a inicialização da

aprendizagem da ARTMAP fuzzy com apenas uma categoria (Na = 1 e N b = 1) com

os dados da primeira entrada (wa
1 = Ia1 ) e da respectiva sáıda (wb

1 = Ib1), incrementando

esses parâmetros conforme a ocorrência de novos padrões de entrada. Os pesos da matriz

wab são inicializados com o valor 1, indicando que a categoria recém-criada ainda não foi

associada a nenhum padrão de sáıda. Os exemplos de treinamento são organizados em

duas matrizes, que contém os padrões de entrada (A) e as respectivas sáıdas (B).

Outra mudança ocorre na aplicação do teste de vigilância do módulo Inter-ART,

que sempre é verificado no algoritmo tradicional da ARTMAP fuzzy. Contudo, a rede

utilizada neste trabalho somente ativa o módulo Inter-ART se a busca por categorias para

representarem o padrão de entrada considerado não criar nenhuma categoria nos módulos

ART fuzzy (BARROS, 2013). Essa verificação é realizada por meio de variáveis auxiliares

(novoa e novob), que indicam quando categorias são criadas.

A aprendizagem apresentada no fluxograma da Figura 9 pode ser caracterizada como

uma abordagem de treinamento off-line, pois considera um conjunto fixo de exemplos de

treinamento. Logo, sistemas de ML baseados nessa técnica de aprendizagem costumam

calcular predições isoladamente do treinamento do algoritmo, que é realizado apenas uma

vez com dados previamente amostrados.

O treinamento off-line pode não garantir boas predições em aplicações cujos dados são

amostrados em tempo real, pois os exemplos de treinamento podem tornarem-se obsoletos

e não representarem corretamente posśıveis mudanças no comportamento dos sinais ao

decorrer do tempo.

Uma alternativa para manter o algoritmo de predição sempre atualizado é realizar a

aquisição de conhecimento constantemente, que é uma caracteŕıstica do treinamento on-

line. Nessa metodologia, pode-se utilizar dados amostrados antes do ińıcio da operação do

algoritmo, assim como é feito no treinamento off-line, contudo a aprendizagem continua

durante a operação do sistema em tempo real. Dessa forma, o sistema inteligente

realiza predições e simultaneamente incrementa o conhecimento por meio do treinamento

considerando os padrões de entrada recém amostrados.

A ARTMAP fuzzy é uma RNA interessante para implementar sistemas de

aprendizagem on-line, pois armazena o conhecimento adquirido e possibilita a criação

de novas categorias para incrementar a capacidade de classificação de novos padrões.

Embora a arquitetura tradicional da ARTMAP fuzzy, apresentada na Figura 8,

suporte o processamento do treinamento on-line, apresenta-se na próxima subseção o


37

desenvolvimento de uma variação da rede ARTMAP fuzzy para aprimorar o treinamento

on-line e a predição de aplicações em tempo real.

3.2.1 Rede neural ARTMAP fuzzy com treinamento on-line

Sempre que a rede neural ARTMAP fuzzy recebe um padrão de entrada desconhecido

durante a aprendizagem, cria-se uma categoria para incorporar essas novas informações à

arquitetura da rede. Esta caracteŕıstica é essencial para manter o conhecimento do sistema

sempre atualizado, mas pode tornar-se inconveniente dependendo da operação do sistema.

Um exemplo é considerar a implementação da ARTMAP fuzzy com treinamento on-line em

um sistema embarcado. O processamento constante durante extensos peŕıodos produziria

um elevado número de categorias, exigindo quantidades de memórias significativas, o que

pode ser um recurso limitado em sistemas embarcados.

Uma alternativa para amenizar esse problema é a realização de um gerenciamento

mais adequado para permitir a criação de novos neurônios na ARTMAP fuzzy. Foi com

este objetivo que Marchiori et al. (2011) propôs uma mudança na camada F a
2 , separando

as categorias que armazenam as informações dos padrões de entrada em dois grupos:

categorias temporárias (F t
2) e categorias definitivas (F d

2 ), como pode ser visualizado na

arquitetura apresentada na Figura 10. Cada conjunto de categorias possui distintas

matrizes de pesos entre as camadas que estão interligadas.

Figura 10 – Arquitetura da rede neural ARTMAP fuzzy com treinamento on-line

Fonte: Elaboração do próprio autor

No grupo temporário, são alocadas as categorias recém-criadas no módulo ARTa. O

critério para uma categoria temporária tornar-se definitiva é que ela seja selecionada


38

um número mı́nimo de vezes (Nmin) para representar padrões de entrada durante

o treinamento. Por outro lado, excluem-se as categorias temporárias que não forem

selecionadas para classificar os padrões de entrada após a rede receber um determinado

número de entradas (Nmax), já que são consideradas como informações irrelevantes.

Aplicando esse gerenciamento na ARTMAP fuzzy, garante-se a constante atualização

do conhecimento da rede neural, mantendo-se as informações mais importantes no grupo

de categorias definitivas e, simultaneamente, se faz um uso mais otimizado de memória,

pois descartam-se as informações com pouca frequência de uso.

As etapas dessa abordagem de treinamento estão apresentadas no fluxograma da

Figura 11. Se houver a disponibilidade de dados amostrados anteriormente, o treinamento

da ARTMAP fuzzy pode começar na abordagem off-line, como demonstrada na Figura 9.

No ińıcio da fase on-line, o conhecimento obtido durante o treinamento off-line

é alocado no grupo de categorias temporárias. Por outro lado, se a aprendizagem

for iniciada diretamente no modo on-line, a rede não possui nenhum conhecimento

temporário. Independentemente da inicialização das categorias temporárias consideradas,

o treinamento on-line sempre começa sem neurônio definitivo, sendo o número de

categorias definitivas nulo (Nd = 0) e as matrizes de pesos relacionadas definidas como

vazias (wd = wabd = {}).

Para realizar o gerenciamento das categorias da camada F a
2 , dois novos contadores

são implementados por vetores que possuem o número de posições igual ao número de

categorias temporárias (N t). O countRj armazena o número de ressonâncias que cada

categoria temporária obteve, o qual é comparado com o parâmetro Nmin para tornar-se

definitivo. Já o contador countCj armazena a quantidade de ciclos de treinamento, isto

é, o número de entradas apresentadas à rede, que as categorias não foram escolhidas no

teste de vigilância para excluir as informações com pouca frequência de uso.

No treinamento on-line, o processamento do módulo ARTb é o mesmo aplicado na

aprendizagem off-line. Na ARTa, a busca por uma categoria que atenda ao parâmetro

de vigilância ρa considera todas as categorias temporárias e definitivas, sendo escolhida a

que possuir a maior função de escolha. Quando nenhum neurônio da camada F a
2 classifica

um novo padrão de entrada, cria-se uma categoria temporária com estas informações e

adiciona-se uma posição no vetor countR, inicializada com o valor 1.

Na etapa subsequente, o módulo Inter-ART é ativado se nenhuma categoria for criada

nos módulos ARTa e ARTb durante a busca por neurônios que classifiquem as entradas da

ARTMAP fuzzy. Caso não haja nenhuma categoria nova, é verificado se o neurônio


39

Figura 11 – Fluxograma da rede neural ARTMAP fuzzy com treinamento on-line

Fonte: Adaptado de Barros (2013)


40

da ARTa selecionado na busca é temporário ou definitivo, comparando-se os valores

máximos das funções de escolha (TJ e TL) para considerar as variáveis corretas no teste de

vigilância Inter-ART. Quando a condição estipulada por ρab não é satisfeita, incrementa-se

o parâmetro ρa, aplica-se o reset e a busca por outra categoria da camada F a
2 continua

até que todas sejam verificadas, ou uma nova seja adicionada.

Quando o teste de vigilância Inter-ART é satisfeito, realiza-se a ressonância na

categoria ativa da rede ARTa, a qual já foi classificada como temporária ou definitiva

antes dos cálculos executados no módulo Inter-ART. Contudo, se uma categoria foi criada

durante o processamento dos módulos ART fuzzy, isto é, ao menos uma das variáveis

novoa ou novob é diferente de zero, também é necessário verificar os valores máximos

das funções de escolha para identificar se a ressonância da ARTa será realizada em uma

categoria temporária ou definitiva.

Com a finalização do processamento dos módulos ARTs, se a categoria ativa da ARTa

for definitiva, a atualização dos pesos do módulo Inter-ART para realizar o mapeamento

entre as atividades dos módulos ARTa fuzzy e ARTb fuzzy é realizada automaticamente.

Por outro lado, quando a categoria ativa é temporária, incrementa-se o contador de

ressonâncias countR no ı́ndice correspondente e é verificado se essa categoria obteve o

número mı́nimoNmin de ressonâncias para tornar-se definitiva. Se o neurônio permanecer

no grupo temporário, apenas atualiza-se os pesos Inter-ART temporários relacionados.

Mas se foi obtido o número de ressonâncias necessárias, a categoria torna-se definitiva e

aplica-se a atualização dos pesos Inter-ART correspondentes no grupo definitivo.

A etapa subsequente à atualização dos pesos Inter-ART é atualizar a quantidade de

ciclos das categorias temporárias não ativadas e verificar quais serão exclúıdas por terem

ficado Nmax ciclos sem classificar uma entrada. Sempre que um padrão de entrada é

apresentado à rede, as etapas da aprendizagem on-line são executadas.

3.2.2 Cálculo de uma predição com a rede neural ARTMAP fuzzy

Para realizar predições com a ARTMAP fuzzy, é necessário apenas do vetor de entrada

a. Nesse caso, o sistema de classificação interno executado no algoritmo do módulo ARTa

fuzzy associa o padrão de entrada à categoria J da camada F a
2 com maior função de

escolha para verificar o teste de vigilância ARTa. Caso o teste de vigilância seja satisfeito,

o resultado da predição é a categoria K do módulo ARTb fuzzy que foi mapeada à categoria

J durante o treinamento. A verificação do mapeamento é realizada na linha J da matriz

wab, sendo a categoria K identificada pela posição que possuir o valor 1 dessa linha. A


41

resposta da rede neural ao padrão de entrada corresponde à linha K da matriz de pesos

wb. Se o teste de vigilância não for satisfeito durante a classificação, significa que o padrão

de entrada é novidade para o conhecimento da rede, e nenhuma resposta é obtida.

O fluxograma das etapas empregadas na predição da rede ARTMAP fuzzy está

apresentado na Figura 12. Ressalta-se que na abordagem de treinamento on-line as

predições são calculadas em tempo real e concorrentemente ao treinamento da rede. Logo,

é posśıvel utilizar a mesma implementação para processar o treinamento e o cálculo das

predições, sendo necessário identificar a situação que os dados de entrada representam.

Figura 12 – Fluxograma do cálculo de uma predição da rede ARTMAP fuzzy

Fonte: Elaboração do próprio autor

Na Figura 12 não foi representada a separação das categorias do módulo ARTa fuzzy

que ocorre na arquitetura especializada aplicada no treinamento on-line. Quando há

a distinção de categorias definitivas e temporárias da ARTa fuzzy, na predição ambas as

matrizes de pesos wt
j e wd

l são consideradas nos cálculos da função de escolha para verificar

a associação do padrão de entrada com uma categoria do módulo ARTa fuzzy.

Apresenta-se no próximo caṕıtulo a implementação da rede neural ARTMAP fuzzy

com treinamento on-line para realizar previsões em tempo real da qualidade de ar de

ambientes internos.


42

4 PREVISÃO DE COMPONENTES DA QUALIDADE DE AR COM
A REDE NEURAL ARTMAP FUZZY

O desenvolvimento de sistemas IoT baseados em sensores ambientais permite realizar

a análise de várias caracteŕısticas f́ısicas e verificar a existência de componentes com

potencial de risco à saúde e ao bem-estar. Com monitoramento constante, pode-se emitir

informações e alertas em tempo real, contendo estat́ısticas dos compostos monitorados.

Esses sistemas podem ser aprimorados aplicando-se algoritmos de ML para processarem

os dados amostrados. Consequentemente, a extração do conhecimento é realizada com

maior eficácia, tornando posśıvel a implementação de serviços de previsões baseando-se

nas tendências das situações estudadas.

Um dos objetivos desse trabalho foi o desenvolvimento de um algoritmo de ML, com

treinamento on-line, capaz de realizar a previsão de dados ambientais em tempo real.

Com foco na qualidade de ar em ambientes internos, propõe-se utilizar sensores de baixo

custo para amostrar sinais do ambiente monitorado e uma rede neural ARTMAP fuzzy

com treinamento on-line para calcular as previsões. Apresentam-se, na sequência, os

dispositivos e as configurações do sistema projetado.

4.1 SISTEMA PROPOSTO

Para realizar a análise da qualidade de ar em ambientes internos, foram considerados

alguns dos componentes mais usuais examinados pela literatura especializada. Dessa

forma, os seguintes sensores foram utilizados:

• BME680: desenvolvido pela Bosch, é um sensor digital para medição de gás, pressão,

umidade e temperatura com alta acurácia (BOSCH SENSORTEC, 2019);

• MH-Z19B: sensor da Winsen Electronics Technology que realiza medições de CO2

por meio de raio infravermelho não dispersivo (WINSEN, 2016);

• SGP30: produzido pela Sensirion (SENSIRION, 2020a), é um sensor de gás

especializado na leitura de VOC;

• PMS7003: sensor de PM produzido pela Plantower (PLANTOWER, 2016). Realiza

a leitura de material particulado com diâmetros de até 1, 2,5 e 10 micrômetros.


43

Apresenta-se, no Quadro 2, a tecnologia de fabricação, a acurácia de leitura e a faixa

de detecção dos sensores citados. A acurácia dos sensores MH-Z19B e do PMS7003 são

compostas por dois valores, sendo o primeiro uma porcentagem de variação em relação ao

valor da leitura e o segundo uma variação adicional considerando o composto amostrado.

O sensor SGP30 é senśıvel a vários gases, sendo os principais o etanol e hidrogênio, com

10% e 15% de acurácia de medição, respectivamente.

Quadro 2 – Informações dos sensores utilizados nesse trabalho

Sensor
Tecnologia

de fabricação
Leitura Acurácia Faixa de detecção

BME680 Óxido metálico

IAQ - 0∼500

Temperatura 0∼65◦C: ±1◦C -40◦C∼85◦C

Umidade 20∼80% de umidade a 25◦C: ±3% 0%∼100% de umidade

Pressão 0∼65◦C: ±0,6 hPa 300∼1100 hPa

MH-Z19B Infravermelho CO2 3% + ±50 ppm 0∼5000 ppm

SGP30 Óxido metálico VOC 10% a 15% 0∼60000 ppb

PMS7003 Difração a laser Material particulado PM2.5: 10% + ±10 µg/m3 PM2.5: 0∼500 µg/m3

Fonte: Elaboração do próprio autor

Com relação ao IAQ medido pelo BME680, trata-se de um ı́ndice da qualidade do

ar calculado pelo BSEC (Bosch Sensortec Environmental Cluster), que é um software

de código fechado de propriedade da Bosch. Como resultado bruto, o sensor de gás

gera um valor de resistência correspondente à concentração de poluentes existentes no ar,

incluindo gases provenientes de pinturas e lixo, além de VOCs eliminados pelo cozimento e

consumo de alimentos, pela respiração e pela sudorese. A partir dos valores da resistência,

o algoritmo do BSEC se calibra automaticamente considerando medições recentes, o que

garante eficientes e consistentes medições de IAQ (BOSCH SENSORTEC, 2019).

O IAQ calculado pelo BSEC varia de 0 a 500. Nessa escala, maiores valores

representam piores condições de poluição do ambiente. Após a calibração do BSEC,

que geralmente ocorre em até 4 dias após o ińıcio de operação, o valor de IAQ tipicamente

associado à boa qualidade de ar fica em torno de 25, enquanto IAQs com valores próximos

de 250 caracterizam ar polúıdo (BOSCH SENSORTEC, 2019). No Quadro 3 apresentam-

se os ńıveis de poluição associados a diferentes faixas de valores IAQ e as ações sugeridas

para amenizar a ação dos poluentes.


44

Quadro 3 – Classificação do IAQ calculado pelo BSEC

IAQ Qualidade do ar Impacto de exposição em longos peŕıodos Ação sugerida

0-50 Excelente Ar puro, indicado para o bem-estar Nenhuma ação necessária

51-100 Boa Sem irritação ou impacto ao bem-estar Nenhuma ação necessária

101-150 Levemente polúıdo Posśıvel redução do bem-estar Ventilação sugerida

151-200 Moderadamente polúıdo Possibilidade de irritações mais significantes Aumentar a ventilação com ar puro

201-250 Fortemente polúıdo
A exposição pode levar a efeitos como dor

de cabeça, dependendo do tipo de VOCs
Otimizar a ventilação

251-350 Severamente polúıdo
Problema de saúde mais grave posśıvel se

houver a presença de VOCs prejudicais

Contaminação deve ser identificada se o

ńıvel for atingido mesmo sem a presença

de pessoas. Maximizar a ventilação

e reduzir a ocupação do ambiente

>351 Extremamente polúıdo
Dores de cabeça e posśıveis

problemas neurotóxicos

Contaminação precisa ser verificada.

Evitar a ocupação do ambiente

e maximizar a ventilação

Fonte: Adaptado de Bosch Sensortec (2019)

4.1.1 Amostragem de dados

O sistema embarcado para amostrar e armazenar os dados da qualidade do ar foi

implementado utilizando um Raspberry Pi 3 modelo B. As conexões dos sensores com o

minicomputador estão apresentadas na Figura 13. O relógio do sistema foi sincronizado

com um relógio de tempo real modelo DS3231 conectado ao barramento da comunicação

I2C. Para respeitar o limite de corrente da comunicação I2C, o BME680 e o SGP30 foram

conectados através de um multiplexador TCA9548A.

O Raspberry Pi 3 possui apenas uma interface RS-232, que foi utilizada na

comunicação do PMS7003. Utilizou-se um Arduino Uno conectado à porta USB

do Raspberry Pi 3 para obter-se uma interface RS-232 adicional, sendo o MH-Z19B

conectado ao microcontrolador. Para aumentar a acessibilidade os dados amostrados

foram armazenados na nuvem por meio da conexão do Raspberry Pi 3 à Internet.

Figura 13 – Diagrama de ligação dos sensores ao Raspberry Pi 3

Fonte: Elaboração do próprio autor

O ambiente considerado nesta avaliação foi um quarto onde reside uma pessoa. Devido


45

aos trabalhos remotos desenvolvidos em ambientes domésticos durante a pandemia, esse

quarto também foi utilizado como escritório durante o peŕıodo de amostragem dos dados.

Trata-se de um cômodo, com aproximadamente 11 metros quadrados, situado em um

apartamento na cidade de Ilha Solteira, São Paulo. O conjunto de hardware foi instalado

a cerca de 50 cent́ımetros do chão. As taxas de amostragem dos sensores foram definidas

como segue:

• BME680 e SGP30: o BME680 pode operar em três modos utilizando-se a biblioteca

BSEC. No modo cont́ınuo, a amostragem é de 1 Hz, sendo recomendada apenas

para testes rápidos. Em aplicações a longo prazo, recomenda-se a utilização dos

modos baixo consumo (low power) ou ultra baixo consumo (ultra low-power), que

respectivamente empregam taxas de amostragem de 0,33 Hz e 3,3 mHz. Nesta

aplicação escolheu-se o modo de operação de baixo consumo, obtendo-se amostras

a cada 3 segundos. Utilizou-se a mesma taxa de amostragem no SGP30;

• MH-Z19B: o tempo de resposta da leitura de 90% do CO2 (T90) captado pelo

MH-Z19B é no máximo 120 segundos. Dessa forma, verificou-se que repentinas

leituras não geraram variações expressivas nos valores, sendo definido uma taxa de

amostragem de 0,25 Hz para obter leituras em intervalos de 15 segundos;

• PMS7003: no modo cont́ınuo de operação, o PMS7003 realiza leituras na frequência

aproximada de 1 Hz, sendo a adotada nesta avaliação.

É importante ressaltar que o condicionamento dos sinais dos sensores não foi foco dessa

pesquisa. Considerando os sensores de gás, foram adquiridas placas de circuito impresso

já implementadas pela fabricante CJMCU, que contém o BME680 e o SGP30 e de outros

componentes elétricos. A aquisição de dados do BME680 foi realizada utilizando-se as

bibliotecas disponibilizadas pela Bosch, e no SGP30 as instruções da comunicação I2C

foram implementadas. Em relação aos dispositivos com comunicação RS-232, isto é, o

PMS7003 e o MH-Z19B, os dados recebem tratamentos definidos pelos fabricantes e são

disponibilizados por meio de protocolos seriais. Os sensores utilizados nessa pesquisa estão

apresentados na Figura 14. As diferentes quantidades de dados produzidas pelas taxas

de amostragens distintas foram padronizadas, calculando-se a média no peŕıodo de uma

hora, o que resultou em 24 valores de cada variável por dia de amostragem.

Para possibilitar o monitoramento da qualidade do ar do ambiente assistido em tempo

real, implementou-se um servidor de computação de borda no Raspberry Pi 3. Esse

módulo do sistema embarcado foi configurando aplicando-se o Node-Red, que é uma

ferramenta utilizada com frequência no gerenciamento do fluxo de dados em aplicações


46

IoT. Um exemplo de leitura dos dados e os nós da configuração no Node-Red estão

apresentadas no Apêndice A, respectivamente na Figura 37 e na Figura 38.

Figura 14 – Sensores utilizados nessa pesquisa

(a)BME680 (b)SGP30

(c)PMS7003 (d)MH-Z19B

Fonte: Elaboração do próprio autor

A amostragem ocorreu de 20 de outubro a 11 de dezembro de 2020. Durante esse

peŕıodo, houve alguns erros de leitura e, consequentemente, alguns dados dos sensores não

foram armazenados. Contudo, a amostragem descontinuada não prejudicou o treinamento

e a predição da rede neural ARTMAP fuzzy devido à modelagem dos exemplos de

treinamento utilizada, a qual é apresentada na próxima seção. Os valores das variáveis

presentes nesta avaliação estão plotados nos gráficos da Figura 15. Os peŕıodos em que

houve erros de leituras estão destacados em vermelho.

Na metodologia de treinamento utilizada, a rede ARTMAP fuzzy é inicializada sem

categoria. Como o conhecimento da rede neural é incrementado à medida que recebe

novas entradas, é interessante que na inicialização do sistema seja efetuado apenas o


47

treinamento da RNA durante um certo peŕıodo, sem realizar o cálculo de predição. Dessa

forma, a previsão é liberada apenas quando houver conhecimento suficiente armazenado

nas categorias da ARTMAP fuzzy. Nesse contexto, definiu-se que durante a primeira

semana a RNA apenas seria treinada, peŕıodo compreendido por 168 padrões de entrada,

o qual está indicado pela linha vertical tracejada vermelha na Figura 15. No recebimento

dos 1008 padrões de entrada subsequentes, que estão à direita da linha vermelha, manteve-

se o treinamento e iniciaram-se os cálculos das predições, caracterizando uma abordagem

de treinamento on-line capaz de realizar o cálculo de previsões em tempo real.

Figura 15 – Séries temporais dos dados amostrados

100

200

IA
Q

Treinamento Treinamento e Previsão
Dados desconsiderados

25000

50000

75000

G
ás

(o
h

m
)

250

500

S
IA

Q

30

35

T
em

p
er

at
u

ra
(◦

C
)

25

50

U
m

id
ad

e
(%

)

0

10000

V
O

C
(p

p
b

)

500

1000

C
O

2

(p
p

m
)

21/10/2020
27/10/2020

02/11/2020
08/11/2020

14/11/2020
20/11/2020

26/11/2020
02/12/2020

08/12/2020

0

20

P
M

2
.5

(u
g/

m
3
)

Fonte: Elaboração do próprio autor


48

Além do parâmetro IAQ calculado pelo BSEC, considerou-se também a variante IAQ

estático, ou SIAQ (static indoor air quality), que é indicado para situações que o sensor

permanece imóvel durante a operação (BOSCH SENSORTEC, 2019). Outras variáveis do

BME680 analisadas foram o valor bruto da resistência do sensor de gás, a temperatura e a

umidade. O VOC é proveniente do SPG30 e o CO2 do MH-Z19B. O material particulado

amostrado pelo PMS7003 considerado foi o de part́ıculas com até 2,5 micrômetros, isto é,

PM2.5.

Na próxima seção apresentam-se as metodologias de treinamento e de predição

envolvendo a rede neural ARTMAP fuzzy visando a previsão da qualidade de ar em

ambientes internos modelada em séries temporais.

4.2 REDE NEURAL ARTMAP FUZZY APLICADA NA PREVISÃO DE SÉRIES

TEMPORAIS

Com o objetivo de utilizar a rede ARTMAP fuzzy para calcular a previsão

dos compostos da qualidade de ar, é necessário obter um modelo de treinamento

supervisionado a partir da amostragem cont́ınua dos sensores. Uma possibilidade é a

organização das informações em janelas deslizantes, que agrupam os dados temporais

discretizados para gerar os padrões de entrada da RNA.

Definiu-se a utilização de janelas deslizantes sobrepostas de tamanho fixo. Para gerar

uma janela, a cada instantes de tempo t da série temporal discretizada, consideram-se n

valores precedentes, os quais denominam-se lags, para formarem uma janela deslisante. A

quantidade de lags define o tamanho da sobreposição de janelas adjacentes. Dessa forma,

os componentes de uma janela deslisante da série temporal são organizados no vetor v,

como apresentado na equação 14:

v = [v(t− n), . . . , v(t− 1), v(t)] (14)

Um exemplo desse modelo de treinamento com sobreposição de 3 lags está apresentado

na Figura 16. O treinamento se inicia no instante t3, já que são necessárias 3 amostragens

anteriores para se obter a primeira janela. A cada nova amostragem da série temporal,

gera-se um padrão de entrada, o qual é apresentado à rede neural ARTMAP fuzzy.

Além dos valores discretizados da série temporal organizados no vetor v, é necessário

adicionar informações históricas aos padrões de entrada, de modo que a rede neural

ARTMAP fuzzy realize a classificação baseando-se nos valores da variável e em informações


49

Figura 16 – Série temporal modelada em janelas deslizantes sobrepostas

Fonte: Elaboração do próprio autor

temporais correspondentes. Assim como utilizado por Lopes (2005), os dados temporais

considerados nesse trabalho para identificar o histórico dos padrões de entrada foram o

dia da semana e a hora do dia, respectivamente representados pelas variáveis d e h que

compõem o vetor t descrito na equação 15:

t = [d, h] (15)

Dessa forma, os padrões de entrada da ARTMAP fuzzy são definidos pela equação 16:

a = [t, v] (16)

A sáıda b da rede neural consiste no valor da variável v no instante de tempo

subsequente ao da entrada, sendo representada pela equação 17:

b = [v(t+ 1)] (17)

Conforme descrito no Caṕıtulo 3, durante a fase de aprendizagem da ARTMAP

fuzzy, é necessário apresentar à rede os vetores de entrada (a) e de sáıda (b) para que

seja realizado o mapeamento entre o padrão de entrada e a sáıda correspondente. O

conhecimento é armazenado nas matrizes de pesos definidas internamente na arquitetura

da rede (wa
j , wb

k, wab).

Neste trabalho, para realizar o cálculo de uma predição com a rede ARTMAP fuzzy,

não foi aplicado o teste de vigilância do módulo ARTa fuzzy como apresentado no

fluxograma da Figura 12, pois desejou-se garantir uma resposta na sáıda da rede. Dessa


50

forma, a partir do cálculo da função de escolha das categorias temporárias e definitivas

do módulo ARTa fuzzy, selecionou-se a categoria J com maior função de escolha, já que

é a melhor candidata para representar o padrão de entrada apresentado à rede durante o

cálculo da predição.

A abordagem de treinamento apresentada permite o cálculo de previsões um instante

à frente de cada amostragem, como definida na equação 17. Contudo, desejou-se obter

previsões mais adiante. Para isso, realizaram-se predições utilizando-se a sáıda da rede

neural como sua própria entrada para construir padrões de entrada subsequentes à última

amostragem de dados.

Para verificar o desempenho da rede neural ARTMAP fuzzy na predição dos compostos

da qualidade do ar, nas avaliações foram inclúıdos os seguintes itens:

• Normalização: uma das etapas do pré-processamento da rede neural ARTMAP fuzzy

é a normalização dos dados, que tem o objetivo de transformar as informações de

entrada em valores entre 0 e 1. É comum organizar os dados que alimentam a

rede ARTMAP fuzzy na forma matricial. Nessa abordagem, os padrões de entrada

são dispostos nas linhas, que por sua vez são formados por variáveis dispostas nas

colunas, como pode ser visualizado na Figura 17. Por exemplo, o primeiro padrão

de entrada está na linha a0, e na primeira coluna estão todos os valores da variável

dia. É posśıvel aplicar diferentes cálculos para normalizar os valores dessas matrizes,

sendo que nessa pesquisa foram consideradas a normalização de dados por linha e

por colunas, como segue:

– Linha: tradicionalmente, cada exemplo de treinamento é normalizado

separadamente. Por exemplo, considerando a normalização do padrão de

entrada a0 apresentado na Figura 17(a), calcula-se o somatório dos a0i valores

dessa linha para normalizá-los aplicando-se equação 18:

a0i =
a0i∑nA
i=1 a0i

(18)

– Coluna: também foi analisada a normalização exclusiva de cada variável. Para

isso, todos os valores de uma coluna são divididos pelo maior valor dela mesma.

Como exemplo, apresenta-se na Figura 17(b) a representação da normalização

dos diaj valores da variável dia aplicando-se a equação 19:

diaj =
diaj

argmax(dia)
(19)


51

Figura 17 – Diferentes metodologias de normalização dos padrões de entrada da rede
neural ARTMAP fuzzy

(a)Linha (b)Coluna

Fonte: Elaboração do próprio autor

• Tamanho das janelas deslizantes: para evitar a definição emṕırica do tamanho da

sobreposição das janelas deslizantes, os treinamentos e as predições foram executados

considerando diferentes quantidades de lags ;

• Análise univariada e multivariada: foram estudadas séries temporais univariadas,

isto é, apenas uma variável no vetor v para prever essa mesma informação no

instante de tempo subsequente. Adicionalmente, com foco na obtenção de melhores

resultados na previsão do IAQ, verificaram-se algumas combinações de múltiplas

variáveis na entrada da rede neural.

Resumindo, o objetivo das avaliações em software foi principalmente encontrar a

configuração dos parâmetros estudados que ofereceram a melhor exatidão na previsão do

IAQ. Assim, verificaram-se simultaneamente diferentes técnicas de normalização dos dados

de entrada da rede ARTMAP fuzzy e tamanhos de sobreposição das janelas deslizantes,

aplicadas em várias combinações de variáveis de entrada.

A rede neural ARTMAP fuzzy foi implementada na linguagem de programação

Python, executada em um laptop com processador Intel Core i5-8250U e 8 GB de memória

RAM. Ressalta-se que as avaliações apresentadas nesse caṕıtulo não foram executadas em

um sistema embarcado, nem em tempo real. Contudo, executou-se o treinamento on-line

da rede neural, reproduzindo com fidelidade os acontecimentos que ocorreriam em uma

aplicação do sistema com amostragem de dados em tempo real.

4.2.1 Avaliações de séries temporais univariadas

Os componentes do ar foram aplicados em processamentos distintos da rede ARTMAP

fuzzy. O peŕıodo de previsão foi definido em 24 horas à frente, sempre calculado no

recebimento de cada padrão de entrada. Os parâmetros da ARTMAP fuzzy utilizados


52

com normalização dos dados por linha estão apresentados no Quadro 4. O único valor

alterado na normalização por coluna foi o parâmetro de vigilância da ARTb fuzzy, que

foi ρb = 0, 96. Em relação aos parâmetros do treinamento on-line, definiu-se que

as categorias temporárias deveriam ser ativadas 2 vezes para se tornarem definitivas

(Nmax = 2), e excluem-se as que ficassem por duas semanas inativas, isto é, aquelas

que não classificassem nenhuma entrada após a RNA receber 336 padrões (Nmin = 336).

Quadro 4 – Parâmetros da ARTMAP fuzzy com normalização por linha

Parâmetros Valor

Parâmetro de escolha (α) 1,0

Taxa de treinamento (β) 1,0

Parâmetro de vigilância ARTa base (ρa) 0,99

Parâmetro de vigilância ARTb (ρb) 0,997

Parâmetro de vigilância Inter-ART (ρab) 1,0

Incremento do ρa (ε) 0,0001

Parâmetros exclusivos do treinamento on-line Valor

Nmax 2

Nmin 336

Fonte: Elaboração do próprio autor

Para realizar o processamento dos dados, as séries temporais foram modeladas em

janelas deslizantes sobrepostas, conforme descrito anteriormente. Foram consideradas

sobreposições de 1 a 3 lags, combinadas com normalização das entradas por linha e por

coluna. A avaliação consistiu em utilizar dados referentes a uma semana (168 entradas)

para iniciar o treinamento e, após esse peŕıodo, iniciar o cálculo das previsões nas 6

semanas subsequentes (1008 entradas). O treinamento da ARTMAP fuzzy foi executado

em todos os padrões de entrada, caracterizando na aprendizagem on-line da rede neural.

Considerou-se apenas a plotagem dos resultados referentes à utilização de janelas

deslizantes com sobreposição de 1 lag, devido à similaridade dos gráficos das respostas

obtidas com os demais tamanho de sobreposição. As previsões calculadas pela ARTMAP

fuzzy aplicando-se normalização por linha estão representadas nos gráficos da Figura

18. Nesse caso, a normalização por linha foi aplicada apenas nas entradas da ARTa

fuzzy, que possui entre 4 e 6 componentes as quais variam de acordo com o tamanho

da sobreposição das janelas deslizantes. As entradas da ARTb fuzzy foram normalizadas

por coluna, pois apresentam apenas um componente referente ao instante subsequente da

série temporal. Ressalta-se que, para se obter o valor correto da predição é necessário

desfazer a normalização. Logo, para cada linha normalizada é necessário armazenar o

somatório calculado, assim como na normalização por coluna é preciso guardar o maior

valor existente.


53

No geral, a normalização por linha gerou previsões ruidosas, principalmente quando

os dados reais apresentaram mais variações. Esse comportamento fica mais viśıvel no

componente VOC, sendo que até aproximadamente o dia 14 de novembro, a concentração

ficou constantemente próximo de 0 ppb e com previsões próximas aos valores amostrados.

Após o ińıcio da oscilação da concentração do VOC, a previsão tornou-se mais ruidosa,

e mesmo com a estabilidade dos dados reais após o dia 28 de novembro, as sáıdas da

ARTMAP fuzzy continuaram a apresentar picos, prejudicando a exatidão das previsões.

Figura 18 – Previsões univariadas com normalização por linha

100

200

IA
Q

Real Previsão Dados desconsiderados

25000

50000

75000

G
ás

(o
h

m
)

250

500

S
IA

Q

30

35

T
em

p
er

at
u

ra
(◦

C
)

25

50

U
m

id
ad

e
(%

)

0

10000

V
O

C
(p

p
b

)

500

1000

C
O

2

(p
p

m
)

27/10/2020
02/11/2020

08/11/2020
14/11/2020

20/11/2020
26/11/2020

02/12/2020
08/12/2020

0

20

P
M

2
.5

(u
g/

m
3
)

Fonte: Elaboração do próprio autor

Nota-se também que a norma