Escolar Documentos
Profissional Documentos
Cultura Documentos
LN-Sistemas Fuzzy PDF
LN-Sistemas Fuzzy PDF
Ricardo Tanscheit
DEE-PUC-Rio, C.P. 38.063,
22452-970 Rio de Janeiro, RJ
e-mail: ricardo@ele.puc-rio.br
1. INTRODUO
Seres humanos so capazes de lidar com processos bastante complexos, baseados em
informaes imprecisas ou aproximadas. A estratgia adotada pelos operadores humanos
tambm de natureza imprecisa e geralmente possvel de ser expressa em termos lingusticos.
A Teoria de Conjuntos Fuzzy e os Conceitos de Lgica Fuzzy podem ser utilizados para
traduzir em termos matemticos a informao imprecisa expressa por um conjunto de regras
lingusticas. Se um operador humano for capaz de articular sua estratgia de ao como um
conjunto de regras da forma se ... ento, um algoritmo passvel de ser implementado em
computador pode ser construdo. O resultado um sistema de inferncia baseado em regras,
no qual a Teoria de Conjuntos Fuzzy e Lgica Fuzzy fornecem o ferramental matemtico para
se lidar com as tais regras lingusticas.
2. CONJUNTOS FUZZY
2.1. Fundamentos
Na teoria clssica dos conjuntos, o conceito de pertinncia de um elemento a um conjunto fica
bem definido. Dado um conjunto A em um universo X, os elementos deste universo
simplesmente pertencem ou no pertencem quele conjunto. Isto pode ser expresso pela
funo caracterstica fA:
1 se e somente se x A
f A ( x) =
0 se e somente se x A
Zadeh props uma caracterizao mais ampla, generalizando a funo caracterstica de modo
que ela pudesse assumir um nmero infinito de valores no intervalo [0,1]. Um conjunto fuzzy
(x) : X [0,1], e
onde
( x) /x}
x X
quais
( x' ) = 1
chamado de conjunto unitrio fuzzy ou singleton. Assim, um conjunto fuzzy tambm pode
ser visto como o mapeamento do conjunto suporte no intervalo [0,1], o que implica em
expressar o conjunto fuzzy por sua funo de pertinncia.
por meio da seguinte notao (que no deve ser confundida com a soma algbrica):
n
( xi ) / x i
i =1
Se o universo X for contnuo, emprega-se muitas vezes a seguinte notao (onde o smbolo de
integral deve ser interpretado da mesma forma que o da soma no caso de um universo
discreto):
( x) / x
Uma varivel lingustica uma varivel cujos valores so nomes de conjuntos fuzzy. Por
exemplo, a temperatura de um determinado processo pode ser uma varivel lingustica
assumindo valores baixa, mdia, e alta. Estes valores so descritos por intermdio de
conjuntos fuzzy, representados por funes de pertinncia, conforme mostrado na figura a
seguir:
pertinncia
baixa
mdia
alta
25
50
75
temperatura (C)
A principal funo das variveis lingusticas fornecer uma maneira sistemtica para uma
caracterizao aproximada de fenmenos complexos ou mal definidos.
Em essncia, a
nome da varivel
universo de discurso
G:
regra sinttica para gerar os valores de N como uma composio de termos de T(N),
conectivos lgicos, modificadores e delimitadores
M:
regra semntica, para associar a cada valor gerado por G um conjunto fuzzy em X.
temperatura
G:
M:
associa o valor acima a um conjunto fuzzy cuja funo de pertinncia exprime o seu
significado
As funes de pertinncia podem ter diferentes formas, dependendo do conceito que se deseja
representar e do contexto em que sero utilizadas. Para exemplificar o quanto o contexto
relevante na definio de funes de pertinncia e de sua distribuio ao longo de um dado
universo, considere-se a varivel lingustica estatura (de pessoas), constituda dos seguintes
termos: T(estatura) = {baixa, mdia, alta}. A esses faz-se corresponder conjuntos fuzzy A, B
e C, respectivamente), definidos por suas funes de pertinncia. Uma escolha possvel de
funes de pertinncia seria:
pertinncia
baixa
mdia
alta
1,50
1,75
2,00
estatura (metros)
Alm disso, diferentes pessoas, ou grupos de pessoas, podem ter noes distintas a respeito
das estaturas de seus semelhantes. Um escandinavo provavelmente utilizaria funes de
pertinncia diferentes daquelas escolhidas por um representante de uma tribo de pigmeus, ou
as distribuiria de outra forma ao longo do universo. Ou seja, o contexto particularmente
relevante quando da definio de funes de pertinncia.
Funes de pertinncia contnuas podem ser definidas por intermdio de funes analticas.
Por exemplo, a seguinte funo geral pode ser usada para definir as funes de pertinncia
associadas aos conjuntos fuzzy correspondentes aos termos pequeno, mdio e grande:
A ( x) = (1 + (a( x c)) b ) 1
A forma de A (x) pode ser modificada atravs da manipulao dos trs parmetros a, b e c.
Por exemplo:
pequeno ( x) = (1 + 9 x 2 ) 1
mdio ( x) = (1 + 9( x 0,5) 2 ) 1
grande ( x) = (1 + 9( x 2) 2 ) 1
A exemplo do que ocorre com conjuntos ordinrios, h uma srie de definies e operaes
envolvendo conjuntos fuzzy. Apresentam-se aqui as mais relevantes para uma abordagem
inicial do assunto.
A ( x) = 0
x X
A' ( x) = 1 A ( x)
x X
Dois conjuntos fuzzy A e B em X so iguais se suas funes de pertinncia forem iguais sobre
todo X:
A ( x) = B ( x )
A = B se e somente se
x X
x X
x X
f A B ( x ) = f A ( x ) f B ( x )
x X
Embora a unio e a interseo possam ser descritas tambm por meio de outros operadores,
Zadeh estendeu a descrio acima (com os operadores min e max) para a representao de
interseo e unio fuzzy, de modo que:
A B ( x ) = A ( x ) B ( x )
x X
A B ( x ) = A ( x ) B ( x )
x X
Comutatividade: x y = y x
Associatividade: ( x y ) z = x ( y z )
Monotonicidade: se x y, w z , ento x w y z
Condies de contorno: x 0 = 0
x 1 = x
Uma co-norma-t, ou norma-s, uma operao binria : [0,1] [0,1] [0,1], que satisfaz
as seguintes propriedades:
Comutatividade: x y = y x
Associatividade: ( x y ) z = x ( y z )
Monotonicidade: se x y, w z , ento x w y z
Condies de contorno: x 0 = x
x 1=1
2.5. Propriedades
Involuo:
Idempotncia:
Comutatividade:
Associatividade:
Distributividade:
Absoro:
Lei Transitiva:
A A = A
A A = A
A B = B A
A B = B A
( A B) C = A ( B C )
( A B) C = A ( B C )
A ( B C ) = ( A B) ( A C )
A ( B C ) = ( A B) ( A C )
A ( A B) = A
A ( A B) = A
se A B e B C
Leis de De Morgan:
AC
A = A
A X = A
A X = X
A A ( x) = A ( x) (1 A ( x)) 0
'
A A ( x) = A ( x) (1 A ( x)) 1
'
A A'
A A' X
Observe-se que, em geral, normas-t e co-normas-t no satisfazem as duas leis acima; excees
so o produto limitado A ( x) B ( x) = max [0, A ( x) + B ( x) 1]
e a soma limitada
f R ( x, y ) =
0 em caso contrrio
As relaes podem ser expressas de forma analtica (para universos infinitos, por exemplo),
ou de forma tabular, muito utilizada no caso de universos finitos (e discretos). Esta ltima
forma recebe o nome de matriz relacional, cujos elementos so ou zero ou um.
( x, y ) [0,1] , onde x X e y Y.
10
( x, y )
( x, y ) =
( x, y )
( x, y )
RS
( x, y ) =
RS
( x, y )
x1
x2
y1
Porto Alegre
Fortaleza
0
Florianpolis
1
y2
Cricima
0
1
y3
Curitiba
0
1
No caso de uma relao fuzzy, esta poderia ser dada pela seguinte funo de pertinncia
R ( x, y ) :
x1
x2
y1
Porto Alegre
Fortaleza
0,1
Florianpolis
0,8
y2
Cricima
0,2
1,0
y3
Curitiba
0,3
0,8
11
z3
z4
1
0
1
0
0
1
0
0
0
0
1
0
y1
y
Q(Y , Z ) = 2
y3
y4
1
0
1
0
0
1
1
0
0
z2
x1 0
P( X , Y ) = x2 1
x3 0
z1
y4
y3
y2
y1
z2
z3
x1 0
R( X , Z ) = x 2 1
x3 1
0
0
1
1
0
1
z4
1
0
0
A operao realizada para se obter R( X , Z ) no exemplo acima pode ser representada por
qualquer uma (embora no somente) das seguintes expresses:
composio max-min:
12
R ( x, z ) = P Q ( x, z ) = sup [ P ( x, y ) Q ( y, z )]
0,1
0,8
0
1
0,6
0,8
0,7
0,8
0,5
1
0,3
0,5
1
0,2
0
0,1
t
a
Q(Y , Z ) =
h
p
0,1
0,5
1
SE
0,8
0
0,5
RN
1
0,1
0,9
CF
Pedro 0,2
P( X , Y ) = Maria 1
Joo 0,5
LF
A composio max-min de P e Q pode servir de auxlio aos estudantes na escolha dos cursos:
LF
CF
RN
SE
Pedro 0,2
P Q = Maria 1
Joo 0,5
1
0,5
0,9
0,8
0,6
0,8
0,8
0,5
1
Considere-se agora o caso especial em que a relao P um conjunto fuzzy apenas, de forma,
que, em vez de P ( x, y ) , tem-se P (x) . Isto equivalente a se ter X = Y e a composio
torna-se somente uma funo de z, denotada pela seguinte funo de pertinncia:
R ( z ) = sup [ P ( x) Q ( x, z )]
x
13
Proposies fuzzy podem ser combinadas por meio de diferentes operadores, como, por
exemplo, os conectivos lgicos e e ou, a negao no e o operador de implicao se ... ento;
as proposies fuzzy da resultantes podem ser descritas em termos de relaes fuzzy.
( x) /x}
A={
no A = {(1 A ( x)) / x }
Considerem-se:
Proposies fuzzy:
x A
yB
14
O operador se ... ento tambm conhecido como declarao condicional fuzzy e descreve a
dependncia do valor de uma varivel lingustica em relao ao valor de outra. Em muitas
aplicaes essas declaraes condicionais so simplesmente denominadas regras lingusticas,
constituindo-se em frases da forma se x A ento y B. Uma frase deste tipo normalmente
denominada implicao e representada por uma relao R A B , expressa pela funo de
pertinncia:
A B ( x, y ) = f ( A ( x), B ( y )) ,
onde f o operador de implicao.
Quando uma declarao condicional apresenta mais do que uma varivel antecedente (x A),
as diversas variveis so geralmente combinadas por meio do conectivo e:
se ( x1 A1 ) e ( x 2 A2 ) e ........ e ( x m Am ) ento ( y B)
que pode ser representada por uma relao expressa pela seguinte funo de pertinncia:
R n : se ( x A n ) ento ( y B n )
15
R ( x, y ) = f ou [ R ( x, y ), R ( x, y ), ...., R ( x, y )]
N
3. LGICA FUZZY
Conforme visto, regras so expressas atravs de implicaes lgicas da forma se ... ento,
representando uma relao R A B entre um ou mais antecedentes e um ou mais consequentes.
A funo de pertinncia associada a esta relao definida por intermdio do operador de
implicao f , que deve ser escolhido apropriadamente. O conceito de implicao est
relacionado a um ramo da matemtica conhecido como lgica proposicional, que isomrfica
teoria dos conjuntos, sendo que ambas so isomrficas lgebra booleana.
Para estabelecer o conceito de implicao na lgica fuzzy, feita a seguir uma pequena
reviso de lgica proposicional, para em seguida se passar Lgica Fuzzy propriamente dita.
Na lgica tradicional lida-se com proposies, que podem ser verdadeiras ou falsas. As
combinaes de proposies (p e q, a seguir), para formar novas proposies, so efetuadas a
partir de trs operaes bsicas:
disjuno (p q):
So tambm utilizadas:
negao (~p):
16
pq
pq
pq
pq
~p
V
V
F
F
V
F
V
F
V
F
F
F
V
V
V
F
V
F
V
V
V
F
F
V
F
F
V
V
17
Um outro exemplo de uma implicao ser verdadeira mesmo que as premissas sejam falsas
"se 3 um quadrado perfeito, ento 3 no primo". Obviamente, o nmero primo 3 no um
quadrado perfeito, mas a declarao verdadeira se considerarmos que quadrados perfeitos
no podem ser nmeros primos.
Uma afirmao bastante ouvida no dia-a-dia : "se isto (algo extraordinrio ou inusitado)
realmente aconteceu, ento eu sou o papa". Este tipo de expresso uma maneira de se
afirmar a falsidade do antecedente, ou seja, se a falsidade existe mesmo, ento qualquer coisa
pode ocorrer (inclusive "eu ser o papa"). Portanto, antecedentes falsos criam implicaes
verdadeiras.
pq
~q
p (~ q)
~ [p (~ q)]
~p
(~ p) q
V
V
F
F
V
F
V
F
V
F
V
V
F
V
F
V
F
V
F
F
V
F
V
V
F
F
V
V
V
F
V
V
Algumas das equivalncias mais importantes entre lgica, teoria dos conjuntos e lgebra
booleana so:
Lgica
~
V
F
1
0
=
18
Relembrando que, na teoria clssica de conjuntos, a funo caracterstica pode assumir apenas
2 valores (1 ou 0, indicando pertinncia ou no, respectivamente), observando as
equivalncias acima entre lgica, teoria dos conjuntos e lgebra booleana, e utilizando as duas
tautologias j mencionadas, podem ser obtidas as seguintes funes caractersticas para a
implicao (denotadas por f pq ( x, y ) ):
( p q ) ~ [ p (~ q )] :
f p q ( x, y ) = 1 min [ f p ( x),1 f q ( y )]
( p q ) [ (~ p ) q ] :
f p q ( x, y ) = max [1 f p ( x), f q ( y )]
fp(x)
fq(y)
1 - fp(x)
1 - fq(y)
1
1
0
0
1
0
1
0
0
0
1
1
0
1
0
1
1
0
1
1
1
0
1
1
Premissa 1:
xA
Premissa 2:
se (x A) ento (y B)
Consequncia:
yB
19
A extenso da lgica tradicional para a lgica fuzzy foi efetuada atravs da simples
substituio das funes caractersticas (ou funes de pertinncia bivalentes) da primeira por
funes de pertinncia fuzzy, semelhana da extenso de conjuntos ordinrios para
conjuntos fuzzy. Assim, a declarao condicional se x A ento y B tem uma funo de
pertinncia A B ( x, y ) que mede o grau de verdade da relao de implicao entre x e y.
Exemplos de A B ( x, y ) , obtidos pela simples extenso de funes de pertinncia bivalentes
da lgica proposicional para a lgica fuzzy, so:
A B ( x, y ) = 1 min [ A ( x),1 B ( y )]
A B ( x, y ) = max [1 A ( x), B ( y )]
Quanto inferncia, o modus ponens estendido para o modus ponens generalizado, descrito
da seguinte forma:
Premissa 1:
x A*
Premissa 2:
se x A ento y B
Consequncia:
y B*
20
(onde a relao fuzzy representada de modo implcito pela regra se ... ento) um caso
especial dessa regra, embora os dois nomes sejam frequentemente empregados como
"sinnimos".
A questo pode ser recolocada como: dada uma relao entre duas variveis fuzzy, qual o
consequente para um dado antecedente? Isto equivalente a se considerar duas proposies
fuzzy: uma simples, correspondendo a um fato, e outra correspondendo a uma regra fuzzy. O
modus ponens generalizado pode ser visto, ento, como uma composio fuzzy, onde a
primeira relao meramente um conjunto fuzzy. Utilizando a expresso j vista para a
composio de um conjunto fuzzy com uma relao fuzzy (seo 2.7), tem-se:
B ( y ) = sup [ A ( x) R ( x, y )]
*
xA
Como R uma relao de implicao, a expresso acima pode ser reescrita como:
B ( y ) = sup [ A ( x) A B ( x, y )]
*
x A
A B ( x, y ) = max [1 A ( x), B ( y )] ,
tem-se:
1
0,8
0,3
0
0,6
1
1
0,8
0,5
0,5
0,6
1
1
1
1
1
1
1
1
0,8
0,8
0,8
0,8
1
1
0,8
0,3
A B ( x , y ) =
0,3
0,6
1
B ( y ) = max [ A ( x) A B ( x, y )]
*
xA
21
Se A* for dado pela funo de pertinncia A ( x) = {0; 0,3; 0,8;1; 0,7; 0,2}, e utilizando-se o
min para a norma-t, tem-se:
max (0 1; 0,3 0,8; 0,8 0,3 ; 1 0,3; 0,7 0,6 ; 0,2 1);
max (0 1; 0,3 0,8; 0,8 0,8 ; 1 0,8; 0,7 0,8 ; 0,2 1);
max (0 1; 0,3 0,8; 0,8 0,5 ; 1 0,5; 0,7 0,6 ; 0,2 1);
muito comum, em aplicaes, ter-se como "informao" dados (ou entradas) no-fuzzy, i.e.
A ( x) =
1 para x = x'
0 para todo outro x X
Fazendo uso do exemplo acima, uma entrada no-fuzzy poderia ser representada pela seguinte
funo de pertinncia, por exemplo: A ( x) = {0; 0; 1; 0; 0; 0}, o que proporcionaria o
seguinte resultado:
( y ) = max (0 1; 0 1; 1 1; 1 1; 0 1; 0 1);
22
Na realidade, quando se tem uma entrada no-fuzzy, possvel efetuar uma simplificao na
expresso para B* ( y ) . Como x 0 apenas em um ponto (x = x'), a operao sup torna-se
desnecessria e, em consequncia:
A*
x'
Regra (implicao): se A ento B
A (x)
B (y)
1
A (x')
1-B (y)
1
min [A (x'), 1-B (y)]
y
y
23
B ( y)
y
Para a implicao considerada, observa-se que o resultado de uma regra especfica, cujo
consequente associado a um conjunto fuzzy com suporte finito, um conjunto fuzzy com
suporte infinito. Este comportamento, que observado tambm para outras implicaes, viola
o senso comum, de importncia em aplicaes de engenharia.
Este exemplo pode ser repetido para outras implicaes e o problema aqui apresentado
persiste. Observa-se, portanto, que a utilizao de implicaes inspiradas na lgica tradicional
pode levar a concluses sem muito sentido quando o enfoque de aplicaes em engenharia,
onde a noo de causa e efeito tem um papel relevante. Em virtude disto, a necessidade fez
com que fossem definidas outras implicaes, mesmo rompendo o vnculo com a lgica
proposicional.
B ( y ) = A ( x' ) B ( y )
*
B ( y ) ter uma forma trapezoidal, conforme pode ser visto na figura a seguir. O uso da
*
B ( y ) = 0 para todo x x', o que muito mais condizente com aplicaes em engenharia.
*
24
A (x)
B (y)
min
B ( y)
*
x'
produto
B (y)
B ( y)
*
Foi visto na seo 2.8 que vrios antecedentes conectados por e, assim como sentenas
lingusticas (ou regras) conectadas por ou, podem ser traduzidas matematicamente por meio
do ferramental de lgica fuzzy (faz-se uso dos operadores fe , fou e f). Quanto ao operador de
implicao, a extenso da lgica proposicional para a lgica fuzzy e as subsequentes
discusses sobre a necessidade de, em aplicaes, preservar-se a noo de causa e efeito,
fornecem elementos suficientes para se realizar uma boa escolha. Apesar de min e produto
serem efetivamente os mais empregadas em aplicaes, muitos outros operadores de
implicao tm sido sugeridos na literatura de lgica fuzzy, conforme pode ser verificado nas
referncias apresentadas ao final deste texto. De uma maneira geral utilizam-se normas-t em
associao com a implicao. Quanto aos operadores fe e
25
para ativar
as regras
REGRAS
FUZZIFICAO
para fornecer a
sada precisa
DEFUZZIFICAO
Entradas
precisas
Sada
precisa
INFERNCIA
conjuntos fuzzy
de entrada
conjunto fuzzy
de sada
Uma vez obtido o conjunto fuzzy de sada atravs do processo de inferncia (modus ponens
generalizado), no estgio de defuzzificao efetuada uma interpretao dessa informao.
Isto se faz necessrio pois, em aplicaes prticas, geralmente so requeridas sadas precisas.
No caso de uma sistema de controle, por exemplo, em que o controle efetuado por um
sistema de inferncia fuzzy (ou controlador fuzzy), este deve fornecer planta dados ou sinais
precisos, j que a "apresentao" de um conjunto fuzzy entrada da planta no teria
significado algum. Existem vrios mtodos de defuzzificao na literatura; dois dos mais
26
empregados so o centro de gravidade e a mdia dos mximos. Neste, a sada precisa obtida
tomando-se a mdia entre os dois elementos extremos no universo que correspondem aos
maiores valores da funo de pertinncia do consequente. Com o centro de gravidade, a sada
o valor no universo que divide a rea sob a curva da funo de pertinncia em duas partes
iguais.
podem
ser
definidos
previamente
ou,
alternativamente,
gerados
De modo a verificar o funcionamento completo de um sistema de inferncia fuzzy, considerese o problema do estacionamento de um veculo, cuja posio determinada pelas variveis x
(distncia no eixo horizontal) e (ngulo do veculo em relao ao eixo horizontal). A
varivel de sada (ngulo da roda do veculo), conforme indicado na figura a seguir:
27
ponto de parada
x: central (CE)
= 90 o ou vertical (VE)
RB
RU
RV
VE
LV
LU
LB
LE
PS
NS
NM
NM
NB
NB
NB
LC
PM
PS
NS
NM
NM
NB
NB
CE
PM
PM
PS
ZE
NS
NM
NM
RC
PB
PB
PM
PM
PS
NS
NM
RI
PB
PB
PB
PM
PM
PS
NS
A leitura das regras a partir desta matriz exemplificada para a clula sombreada (PS):
se (x LE) e ( RB) ento ( PS),
onde RB, LE e PS so os rtulos atribudos aos conjuntos fuzzy que representam os valores
lingusticos de cada varivel (sete para as variveis e , e cinco para a varivel x).
Neste problema, considerar-se- min para representar tanto a norma-t no modus ponens
generalizado, como a implicao e o operador fe que expressa a combinao dos antecedentes
de cada regra (dois, neste caso). Para fou (unio das regras) ser utilizado o max.
Os conjuntos fuzzy correspondentes a cada uma das variveis esto representados por suas
funes de pertinncia nas figuras a seguir. Os valores de x e em um determinado instante
(ou situao) so: x' = 65 m; ' = 113.
28
LE
LC CE RC
10
20
30
40
50
RI
60 70
80 90 100
x'
RB RU
-90 -45
RV VE LV
45
90
135
LU LB
180
225
270
'
NB
NM
NS ZE PS
-30
PM
10
15
PB
20
30
RB
RU
RV
VE
LV
LU
LB
LE
PS
NS
NM
NM
NB
NB
NB
LC
PM
PS
NS
NM
NM
NB
NB
CE
PM
PM
PS
ZE
NS
NM
NM
RC
PB
PB
PM
PM
PS
NS
NM
RI
PB
PB
PB
PM
PM
PS
NS
De forma explcita:
se (x RC) e ( VE) ento ( PM) ou
se (x RC) e ( LV) ento ( PS) ou
se (x RI) e ( VE) ento ( PM) ou
se (x RI) e ( LV) ento ( PM)
29
Na expresso para a funo de pertinncia do conjunto fuzzy resultante para cada uma das
regras ativadas deve-se levar em conta que, neste caso, h dois antecedentes, os quais devem
ser combinados por min (conforme j especificado):
B ( ) = ( A ( x' ) A ( ' )) B ( )
*
A seguir efetuada a unio das regras acima, por meio do conectivo fou, que conforme
especificado, o max. Verifica-se que o conjunto de sada PM ocorre em trs ocasies e que,
embora no seja imprescindvel faz-lo por escrito (bastaria ter isto em mente no
procedimento grfico), aps a aplicao do operador max (ou da unio) restaro para compor
o conjunto fuzzy de sada:
PM ( ) = 0,5 PM ( )
*
PS ( ) = 0,7 PS ( )
*
Este resultado est mostrado na figura abaixo, onde ' representa o valor aps defuzzificao
pelo centro de gravidade (aproximadamente):
NB
NM
NS ZE PS
-30
PM
10
15
PB
20
30
'
A partir deste exemplo podem ser feitas algumas observaes importantes. As formas
adotadas para as funes de pertinncia dos conjuntos fuzzy tm mais relevncia quando o
mtodo de defuzzificao o do centro de gravidade, em contraposio ao da mdia dos
30
mximos. Este, no exemplo acima, privilegiaria o conjunto fuzzy de sada PS; o valor de '
seria o mesmo que se obteria com apenas um regra ativada (a de consequente PS). Na
escolha de um mtodo ou outro, deve-se decidir se importante considerar as contribuies
de todas as regras ativadas ou se desejvel levar em considerao apenas aquelas com maior
grau de ativao. Cabe salientar, entretanto, que no exemplo foi considerada apenas uma
situao particular, em um determinado instante de tempo, no processo de estacionamento de
um veculo; em situaes sucessivas, eventuais diferenas devidas utilizao de um ou outro
mtodo de defuzzificao podem se tornar pouco representativas no final.
Poderia ser necessrio, tambm, um ajuste nas formas das funes de pertinncia, que foram
estabelecidas com base no bom senso. Por exemplo, verifica-se que o suporte do conjunto
fuzzy de sada ZE menor do que nos restantes. Isto se deve busca por uma maior preciso
quando se est prximo da situao final de um estacionamento correto (x "no centro" e "na
vertical"). A regra se (x CE) e ( VE) ento ( ZE) indica que, nesta situao, as rodas
no devem ser giradas ( deve ser "zero"). Se o suporte de ZE fosse maior, a ao "zero"
ocorreria para uma faixa maior de valores relativos posio do veculo em um dado instante,
correndo-se o risco de no tomar atitude corretiva quando necessrio. Se o suporte de ZE
fosse muito pequeno, este seria ativado somente em situaes muito prximas do
estacionamento final. Os conjuntos adjacentes a ZE responderiam, provavelmente de maneira
alternada, pelo posicionamento das rodas, causando oscilaes indesejveis no final da
trajetria.
31
4. COMENTRIOS FINAIS
Um outro sistema de inferncia que se tornou extremamente bem sucedido foi concebido por
H. Takagi e M. Sugenod, o qual difere do de Mamdani na parte do consequente, que uma
funo linear das variveis dos antecedentes: se x1 A1 e x2 A2 , ento z = f (x1, x2). A
funo f , em geral, um polinmio e o sistema de inferncia geralmente referenciado em
funo do grau deste polinmio. Por exemplo: em um sistema de inferncia Takagi-Sugeno de
ordem zero a sada z uma constante, o que equivalente a um sistema Mamdani com um
c
Mamdani, E.H. (1974). "Application of Fuzzy Algorithms for Control of Simple Dynamic Plant". Proceedings
of the IEE (Control and Science), Vol. 121: 298-316.
Takagi, T. & Sugeno, M. (1985). "Fuzzy Identification of Systems and its Applications to Modelling and
Control". IEEE Trans. on Systems, Man & Cybernetics, Vol. 15: 116-132.
32
Dentre os vrios tipos de conjuntos fuzzy, aqueles definidos no conjunto dos nmeros reais
tm um significado especial. Funes de pertinncia destes conjuntos tm um significado
claramente quantitativo e podem, sob certas condies, ser vistos como nmeros fuzzy.
Operaes com nmeros fuzzy deram origem aritmtica fuzzy, que se constitui numa
ferramenta bsica em raciocnio aproximado. Nmeros fuzzy so tambm utilizados na
formulao de problemas de programao linear fuzzy, de previso e planejamento.
Quanto a softwares para auxlio ao projeto e implementao de sistemas fuzzy, existe a Fuzzy
Toolbox do Matlab e inmeros outros dedicados a determinados tipos de aplicaes, como,
por exemplo, os desenvolvidos na Universidade de Magdeburg (NEFCON, NEFCLASS e
NEFPROX e outros), disponveis para download em http://fuzzy.cs.uni-magdeburg.de/.
33
5. BIBLIOGRAFIA
Livros:
Dubois, D. & Prade, H. (1980). Fuzzy Sets and Fuzzy Systems: Theory and
Applications, Academic Press.
Klir, G. J. & Folger, T. A. (1988). Fuzzy Sets, Uncertainty and Information, Prentice
Hall.
Klir, G. J. & Yuan, B. (1995). Fuzzy Sets and Fuzzy Logic Theory and Applications.
Prentice Hall.
Lin, C-T. & Lee, C.S. G. (1996). Neural Fuzzy Systems, Prentice Hall.
Pedrycz, W. & Gomide, F. (1998). An Introduction to Fuzzy Sets: Analysis and Design.
MIT Press.
Zimmermann, H-J. (1994). Fuzzy Set Theory and Its Applications. 2nd Edition, Kluwer
Academic Publishers.
Tutoriais:
Mendel, J. M. (1995). "Fuzzy Logic Systems for Engineering: a Tutorial". Proc. IEEE,
Vol. 83: 345-377.
34
Artigos pioneiros
Baldwin, J.F. (1979). "A New Approach to Approximate Reasoning using a Fuzzy
Logic". Fuzzy Sets and Systems, Vol 2:309-325
Belmann, R.E. & Zadeh, L.A. (1970). "Decision Making in a Fuzzy Environment".
Management Science, Vol. 17: 141-164.
Kickert, W.J.M. & Van Nauta Lemke, H.R. (1976). "The Application of a Fuzzy
Controller In a Warm Water Plant". Automatica, Vol. 12: 301-308.
Mamdani, E.H. & Assillan, S. (1975). "An Experiment in Linguistic Synthesis with a
Fuzzy Logic Controller". International Journal of Man-Machine Studies, Vol. 7: 1-13.
Gaines, B. R. , (1976). "Foundations of Fuzzy Reasoning". Int. Journal of ManMachine Studies, Vol. 8: 623-668.
Sugeno, M. & Kang, G.T. (1986). "Fuzzy Modelling and Control of Multilayer
Incinerator". Fuzzy Sets and Systems, Vol. 18: 329-346.
Zadeh, L.A. (1973). "Outline of a New Approach to the Analysis of Complex Systems
and Decision Processes". IEEE Trans. on Systems Man & Cybernetics, Vol.3: 28-44.
Zadeh, L.A. (1976). "A Fuzzy Algorithmic Approach to the Definition of Complex or
Imprecise Concepts". Int. Journal of Man-Machine Studies, Vol. 8:249-291.
Zadeh, L.A. (1976). "Fuzzy Sets as a Basis for a Theory of Possibility". Fuzzy Sets and
Systems, Vol. 1: 3-28.
35