SISTEMAS FUZZY

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.

O objetivo aqui introduzir os conceitos fundamentais da Teoria de Conjuntos Fuzzy, da Lgica Fuzzy e de Sistemas de Inferncias Fuzzy, de modo a permitir um contato inicial com este campo extremamente vasto, com aplicaes nas mais diferentes reas do conhecimento. As primeiras aplicaes bem sucedidas situaram-se na rea de Controle, mas, desde ento, tem-se verificado uma utilizao crescente de sistemas fuzzy em outros campos, como, por exemplo, classificao, previso de sries, minerao de dados, planejamento e otimizao. O uso conjunto da lgica fuzzy e de outros sistemas classificados como inteligentes redes neurais e programao evolutiva, por exemplo tem propiciado a construo de sistemas hbridos, cuja capacidade de aprendizado tem ampliado o campo de aplicaes. A Teoria de Conjuntos Fuzzy foi concebida por L.A. Zadeha com o objetivo de fornecer um ferramental matemtico para o tratamento de informaes de carter impreciso ou vago. A Lgica Fuzzy, baseada nessa teoria, foi inicialmente construda a partir dos conceitos j estabelecidos de lgica clssica; operadores foram definidos semelhana dos tradicionalmente utilizados e outros foram introduzidos ao longo do tempo, muitas vezes por necessidades de carter eminentemente prtico.

Nas sees seguintes sero apresentados os conceitos fundamentais de Conjuntos Fuzzy e de Lgica Fuzzy, assim como algumas definies e operaes que permitem abordar os

Zadeh, L.A. (1965). "Fuzzy Sets". Information and Control, V. 8: 338-353.

mecanismos de inferncia que servem de base para o que se convencionou chamar de raciocnio aproximado. Para isto ser feita uma pequena recapitulao da lgica clssica, de modo a se entender a transposio de operadores para o mbito da Lgica Fuzzy.

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:

f A ( x) =

1 se e somente se x A 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

A em um universo X definido por uma funo de pertinncia

(x) : X [0,1], e

representado por um conjunto de pares ordenados A={

( x) /x}

x X

onde

(x) indica o quanto x compatvel com o conjunto A. Um determinado elemento

pode pertencer a mais de um conjunto fuzzy, com diferentes graus de pertinncia.

O conjunto suporte de um conjunto fuzzy A o conjunto de elementos no universo X para os

A

quais

( x) > 0. Um conjunto fuzzy cujo suporte um nico ponto x' com

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.

Conjuntos fuzzy podem ser definidos em universos contnuos ou discretos. Se o universo X for discreto e finito, o conjunto fuzzy A normalmente representado:

por um vetor contendo os graus de pertinncia no conjunto A dos elementos correspondentes de X ;

( x' ) = 1

por meio da seguinte notao (que no deve ser confundida com a soma algbrica):
n i =1

( xi ) / x i

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

2.2. Variveis lingusticas

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
1

mdia

25

50

Figura 1 Funes de pertinncia para a varivel temperatura

Generalizando, os valores de uma varivel lingustica podem ser sentenas em uma linguagem especificada, construdas a partir de termos primrios (alto, baixo, pequeno, mdio, grande, zero, por exemplo), de conectivos lgicos (negao no, conectivos e e ou), de modificadores (muito, pouco, levemente, extremamente) e de delimitadores (como parnteses).

A principal funo das variveis lingusticas fornecer uma maneira sistemtica para uma caracterizao aproximada de fenmenos complexos ou mal definidos. Em essncia, a

utilizao do tipo de descrio lingustica empregada por seres humanos, e no de variveis quantificadas, permite o tratamento de sistemas que so muito complexos para serem

alta

75

temperatura (C)

analisados atravs de termos matemticos convencionais. Formalmente, uma varivel lingustica caracterizada por uma quntupla (N, T(N), X, G, M), onde: N: nome da varivel

T(N): conjunto de termos de N, ou seja, o conjunto de nomes dos valores lingusticos de N X: G: universo de discurso 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.

No caso da varivel temperatura da Figura 1, ter-se-ia: N: temperatura

T(N): {baixa, mdia, alta} X: G: M: 0 a 100 C (por exemplo) temperatura no baixa e no muito alta, por exemplo associa o valor acima a um conjunto fuzzy cuja funo de pertinncia exprime o seu significado

2.3. Funes de pertinncia

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
1

mdia

alta

1,50

1,75

2,00

estatura (metros)

Figura 2 Funes de pertinncia para a varivel estatura 5

Na definio acima, estaturas de at 1,5 metros apresentam grau de pertinncia igual a 1 no conjunto A; o grau de pertinncia neste conjunto decresce medida que a estatura aumenta. Considera-se que uma estatura de 1,75 metros "totalmente compatvel" com o conjunto B, ao passo que estaturas acima de 1,8 metros (aproximadamente) apresentam grau de pertinncia diferente de zero em C. Pessoas com estatura acima de 2 metros so "definitivamente" altas. Observe-se que, nesta definio das funes de pertinncia, estaturas em um entorno de 1,75 metros tm grau de pertinncia diferente de zero somente no conjunto B, o que poderia parecer inadequado para alguns observadores. Estes prefeririam que as funes de pertinncia de A e B se interceptassem em 1,75 metros (com graus de pertinncia nulos, a exemplo daquelas da Figura 1), por exemplo.

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 podem ser definidas a partir da experincia e da perspectiva do usurio mas comum fazer-se uso de funes de pertinncia padro, como, por exemplo, as de forma triangular, trapezoidal e Gaussiana. Em aplicaes prticas as formas escolhidas inicialmente podem sofrer ajustes em funo dos resultados observados.

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

Funes de pertinncia descontnuas so compostas de segmentos contnuos lineares, resultando em formas triangulares ou trapezoidais. Funes de pertinncia discretizadas consistem de conjuntos de valores discretos correspondendo a elementos discretos do universo. Por exemplo, se X = {0,1, 2, 3, 4, 5, 6}, uma representao possvel seria:

pequeno ( x) = {0,3; 0,7; 1; 0,7; 0,3; 0; 0} mdio ( x) = {0; 0; 0,3; 0,7; 1; 0,7; 0,3} grande ( x) = {0; 0; 0; 0 0,3; 0,7; 1}

2.4. Definies e operaes

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.

Um conjunto fuzzy A em X vazio se e somente se sua funo de pertinncia igual a zero sobre todo X: A = se e somente se

A ( x) = 0

x X

O complemento A' de um conjunto fuzzy A normalmente dado por:

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 = B se e somente se

A ( x) = B ( x )

x X

Um conjunto fuzzy A um subconjunto de B se sua funo de pertinncia for menor ou igual de B sobre todo X: A B se A ( x) B ( x) x X

Recorde-se que, no caso de conjuntos ordinrios, a interseo de dois conjuntos A e B em um universo X, denotada por A B, contm todos os elementos pertencentes a A e a B (i.e., f A B ( x) = 1 se x A e x B e f A B ( x) = 0 se x A ou x B). A unio dos mesmos conjuntos, denotada por A B, contm todos os elementos que pertencem a A ou a B. Fazendo-se uso dos operadores minimum (min ou ) e maximum (max ou ), as funes

caractersticas dos conjuntos resultantes (interseo e unio) podem ser representadas da seguinte forma: f A B ( x ) = f A ( x ) f B ( x ) f A B ( x ) = f A ( x ) f B ( x ) x 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 ) A B ( x ) = A ( x ) B ( x )

x X x X

Zadeh tambm sugeriu a soma algbrica [ A B ( x) = A ( x) + B ( x) A ( x) B ( x)] para a unio fuzzy e o produto algbrico [ A B ( x) = A ( x) B ( x)] para a interseo fuzzy. Posteriormente, com o objetivo de generalizao, foram definidos operadores de base axiomtica, baseados nos conceitos de norma triangular (norma-t) e co-norma triangular (conorma-t ou norma-s).

Uma norma-t uma operao binria : [0,1][0,1][0,1] tal que, x, y, z, w [0,1], as seguintes propriedades so satisfeitas:

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

e 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

e x 1=1

A bibliografia registra inmeras normas-t e co-normas-t, mas, em aplicaes principalmente em engenharia , tm sido utilizados preponderantemente os operadores min e produto algbrico para interseo e o operador max para a unio.

2.5. Propriedades

Utilizando-se os operadores max e min

para a descrio da unio e interseo fuzzy,

respectivamente, fcil verificar que as seguintes propriedades algbricas de conjuntos ordinrios tambm valem para conjuntos fuzzy:

Involuo: Idempotncia:

( A' )' = A

A A = A

Observando que as funes de pertinncia dos conjuntos vazio () e universo (X) so definidas como sendo 0 e 1, respectivamente, verificam-se tambm as seguintes propriedades: A = A = A

Leis de De Morgan:

( A B) ' = A ' B '

( A B) ' = A ' B '

A X = A A X = X

Lei Transitiva:

se A B e B C

Absoro:

Distributividade:

Associatividade:

Comutatividade:

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
AC

As propriedades de conjuntos clssicos A A ' = e

A A ' = X no se verificam para

conjuntos fuzzy quando os operadores max e min so utilizados:

'

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

A ( x) B ( x) = min [1, A ( x) + B ( x)] . A distributividade tambm no satisfeita para a

maioria das normas-t e co-normas-t; excees so os operadores min e max.

2.6. Relaes Fuzzy

No caso de conjuntos ordinrios, uma relao exprime a presena ou a ausncia de uma associao (ou interao) entre elementos de dois ou mais conjuntos. Formalmente, dados dois universos X e Y, a relao R definida em X Y um subconjunto do produto cartesiano do dois universos, de tal forma que R: X Y {0,1}. Ou seja, se algum x X e y Y estiverem relacionados, R( x, y ) = 1 ; caso contrrio, R( x, y ) = 0 . Isto pode ser expresso pela seguinte funo caracterstica (ou funo de pertinncia bivalente):

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.

Relaes fuzzy generalizam o conceito de relaes e representam o grau da associao entre elementos de dois ou mais conjuntos fuzzy. Exemplos de carter lingustico seriam: x muito maior do que y, x est prximo de y. Formalmente, dados dois universos X e Y, a relao fuzzy R um conjunto fuzzy em X Y, caracterizada por uma funo de pertinncia
R

( x, y ) [0,1] , onde x X e y Y.

f R ( x, y ) =

1 se e somente se ( x, y ) R

0 em caso contrrio

10

A interseo e a unio de relaes fuzzy so definidas de forma similar s mesmas operaes com conjuntos fuzzy. Considerando-se duas relaes fuzzy R e S definidas em um mesmo espao X Y, as funes de pertinncia resultantes so:
RS

RS

Exemplo: Sejam X = {x1 , x 2 } = {Fortaleza, Florianpolis}, Y = { y1 , y 2 , y 3 } = {Porto Alegre, Cricima, Curitiba} e R a relao "muito prxima". No caso ordinrio, esta relao poderia ser dada pela funo caracterstica f R ( x, y ) expressa pela seguinte matriz relacional:

x1 x2

y1 Porto Alegre Fortaleza 0 Florianpolis 1

No caso de uma relao fuzzy, esta poderia ser dada pela seguinte funo de pertinncia

R ( x, y ) :
y1 Porto Alegre Fortaleza 0,1 Florianpolis 0,8 y2 Cricima 0,2 1,0 y3 Curitiba 0,3 0,8

x1 x2

2.7. Composio de relaes

A composio de relaes representa um papel muito importante em sistemas de inferncia fuzzy. Considerem-se primeiramente duas relaes no-fuzzy P( X , Y ) e Q(Y , Z ) que tm um conjunto (Y) em comum. A composio dessas duas relaes definida como um subconjunto
R( X , Z ) de X Z tal que ( x, z ) R se e somente se existe pelo menos um y Y tal que ( x, y ) P e ( y, z ) Q , e denotada por R( X , Z ) = P( X , Y ) Q(Y , Z ) .

Exemplo: Sejam as relaes no-fuzzy definidas pelas seguintes matrizes relacionais:

11

( x, y ) =

( x, y )

( x, y ) =

( x, y )

( x, y )
S

( x, y )

y2 Cricima 0 1

y3 Curitiba 0 1

A composio dessas duas relaes ser: z1 x1 0 R( X , Z ) = x 2 1 x3 1

 

z2 0 0 1

z3 1 0 1

z4

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-produto: f R ( x, z ) = f P Q ( x, z ) = {( x, z ), max [( f P ( x, y ) f Q ( y, z ))]}



Aplique-se, por exemplo, a composio max-min ao clculo do elemento ( x1 , z 2 ) de R :

f R ( x1 , z 2 ) = f P Q ( x, z ) = {( x1 , z 2 ), max [min( f P ( x1 , y ), f Q ( y, z 2 ))]} = {( x1 , z 2 ), max [min( f P ( x1 , y1 ), f Q ( y1 , z 2 )), min( f P ( x1 , y 2 ), f Q ( y 2 , z 2 )), min( f P ( x1 , y 3 ), f Q ( y 3 , z 2 )), min( f P ( x1 , y 4 ), f Q ( y 4 , z 2 ))]} = {( x1 , z 2 ), max [min(0,0), min(1,0), min(0,1), min(1,0)]} = {( x1 , z 2 ), max [0,0,0,0)]} = 0


Um maneira prtica de realizar as operaes acima consiste em se efetuar a "multiplicao" das matrizes relacionais, tomando o cuidado de substituir cada multiplicao pela operao min e cada adio pelo operador max. Se, ao invs de min, for empregado o produto, o resultado ser o mesmo.

A composio de relaes fuzzy definida de maneira anloga apresentada acima; a expresso para a funo de pertinncia resultante da composio de duas relaes fuzzy com um conjunto fuzzy em comum generalizada para:

composio max-min:

f R ( x, z ) = f P Q ( x, z ) = {( x, z ), max [min( f P ( x, y ), f Q ( y, z ))]}

y

12

1 0 0

x1 0 P( X , Y ) = x2 1 x3 0

1 0 0

0 0 1

1 0 1

y1 y Q(Y , Z ) = 2 y3 y4

1 0 1

0 0 1

0 0 0

0 1 0

y1

y2

y3

y4

z1

z2

z3

z4

 R ( x, z ) = P Q ( x, z ) = sup [ P ( x, y ) Q ( y, z )]
onde a norma-t (representada por ) normalmente o min ou o produto, embora seja permitido usar outras normas-t. No caso de universos finitos, a operao supb o maximum.


Exemplo: Sejam os conjuntos de estudantes X = {Maria, Joo, Pedro}, de caractersticas de cursos Y = {teoria (t), aplicao(a), hardware (h), programao (p)}, e de cursos Z = {lgica fuzzy (LF), controle fuzzy (CF), redes neurais (RN), sistemas especialistas (SE)}. Os interesses dos estudantes (em termos das caractersticas em Y) so representados pela matriz relacional P, ao passo que as caractersticas (Y) dos cursos em Z so dadas pela matriz relacional Q. t a Q(Y , Z ) = h p
 

A composio max-min de P e Q pode servir de auxlio aos estudantes na escolha dos cursos: LF Pedro 0,2 P Q = Maria 1 Joo 0,5
 

CF 1 0,5 0,9

RN 0,8 0,6 0,8

SE

A composio max-produto proporcionaria o mesmo resultado neste exemplo, mas isto no pode ser generalizado e se constitui numa diferena significativa entre composies de relaes no-fuzzy e fuzzy.

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

simplificadamente, o supremum (sup) o menor limite superior de um conjunto S e no necessariamente pertence a este conjunto; um limite superior que pertence ao conjunto chamado de maximum (max). Se o conjunto tiver um maximum, obviamente ter um supremum.

13

0,8 0,5 1

Pedro 0,2 P( X , Y ) = Maria 1 Joo 0,5

   

1 0,1 0,9

0,8 0 0,5

0,1 0,5 1

1 0,2 0 0,1

0,5 1 0,3 0,5

0,6 0,8 0,7 0,8

0,1 0,8 0 1

t
   

LF

CF

RN

SE

Do ponto de vista operacional, tem-se a "multiplicao" de um vetor por uma matriz, observando-se as substituies adequadas de operadores; o resultado um vetor.

Este um resultado fundamental para o desenvolvimento de um sistema de inferncia fuzzy, conforme ser visto mais adiante.

2.8. Proposies Fuzzy

Uma frase da forma A, onde o nome de uma varivel lingustica e A um conjunto fuzzy definido no universo de discurso X de , chamada de proposio fuzzy. No caso mais geral de uma proposio fuzzy n-ria, a representao se d atravs do produto cartesiano das variveis lingusticas e da utilizao de relaes fuzzy.

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.

Em geral, o conectivo e usado com variveis em diferentes universos, enquanto que o conectivo ou conecta valores lingusticos de uma mesma varivel, os quais esto no mesmo universo. Quando o conectivo ou empregado para conectar variveis em uma sentena do tipo se . . . ento, ele pode ser usado com duas variveis diferentes. Por exemplo: se a presso alta ou a velocidade rpida ento o controle zero.

A operao no considerada como semanticamente sinnima da negao em linguagem natural:

A

A={ Exemplo: presso no alta.

( x) /x}

no A = {(1 A ( x)) / x }

Considerem-se:

variveis lingusticas de nomes x e y definidas nos universos X e Y, respectivamente; conjuntos fuzzy A e B definidos nos universos X e Y, respectivamente;

Proposies fuzzy:

x A yB

14

Conectando-se essas proposies atravs do conectivo ou, tem-se a proposio fuzzy

( x A) ou ( y B) , que pode ser expressa por uma relao fuzzy R A ou B , cuja funo de

pertinncia dada por R ( x, y ) = A ( x) B ( y ) . Caso as proposies sejam conectadas por e, a funo de pertinncia da relao R A e B dada por R ( x, y ) = A ( x) B ( y ) . Esclarecendo, o operador usado para representar o conectivo ou normalmente uma conorma-t, enquanto que uma norma-t utilizada na representao do conectivo e.

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 ( x1 , x 2 ,..., x m , y ) = f ( f e ( A ( x1 ), A ( x 2 ), ... , A ( x m )), B ( y ))

1 2 m

onde f e o operador (geralmente min ou produto) que representa o conectivo e.

Vrias declaraes podem ser combinadas por meio do conectivo ou:

R 1 : se ( x A1 ) ento ( y B 1 ) ou R 2 : se ( x A 2 ) ento ( y B 2 ) ou

R n : se ( x A n ) ento ( y B n )

15

A funo de pertinncia do conjunto R N de declaraes :

R ( x, y ) = f ou [ R ( x, y ), R ( x, y ), ...., R ( x, y )]
N 1 2 n

= f ou [ f ( A1 ( x), B1 ( y )), f ( A 2 ( x), B 2 ( y )), ...., f ( A n ( x), B n ( y ))] Observe-se a distino feita nas notaes para o caso de se ter mais de um antecedente e para a existncia de vrias frases do tipo se ... ento. Na primeira situao, tem-se vrias variveis, cada uma delas com seus valores, e apenas um valor (B) para o consequente (y B). Na segunda, a varivel a mesma em todos os antecedentes e os valores da varivel do consequente so distintos.

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.

3.1. Lgica Tradicional e Inferncia

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:

conjuno (p q): estabelece a verdade simultnea de 2 proposies p e q disjuno (p q): serve para estabelecer a verdade de uma ou de ambas as proposies implicao (p q): regra se... ento

So tambm utilizadas:

negao (~p):

para se dizer " falso que....."

equivalncia (p q): significa que p e q so ambos verdadeiros ou falsos

16

Na lgica proposicional, proposies no relacionadas entre si podem ser combinadas para formar uma implicao, e no se considera nenhuma relao de causalidade, to presente no mundo real e em aplicaes em engenharia. Para determinar quando a implicao verdadeira ou falsa, pode ser interessante formul-la da seguintes forma: p condio suficiente para q, i.e, se p for verdadeira, q tambm o ser (basta a verdade de p para que q seja verdadeira). Com base nisto, verifica-se que, se a verdade de p se fizer seguir da de q, a implicao verdadeira. Se p verdadeira e q falsa, i.e., p no suficiente para q, a implicao falsa. Quando a condio p no satisfeita (p falsa), no h uma maneira direta de se avaliar a implicao; assim, estipula-se que ela verdadeira sempre que o antecedente for falso.

As relaes entre proposies so normalmente mostradas atravs de uma tabela verdade; as tabelas verdade para conjuno, disjuno, implicao, equivalncia e negao, que constituem axiomas fundamentais da lgica proposicional, esto mostradas na Tabela 1, onde V significa verdadeiro e F, falso. pq V F F F pq V V V F pq V F V V pq V F F V

p V V F F

q V F V F

~p F F V V

Tabela 1 - Tabelas verdade para cinco operaes fundamentais de lgica

Exemplo: apesar da implicao, na lgica proposicional, no considerar a causalidade, possvel "confirmar" sua tabela verdade com situaes do dia-a-dia. Considere-se, por exemplo, a declarao condicional "se eu estiver bem de sade (p), ento irei escola (q)". A questo : quando que esta declarao falsa? As situaes possveis so:

p = V (estou bem de sade) e q = V (fui escola): promessa cumprida (declarao verdadeira)

p = V (estou bem de sade) e q = F (no fui escola): promessa violada (declarao falsa)

p = F (no estou bem de sade) e q = V (fui escola): promessa (de ir escola) cumprida (declarao verdadeira)

p = F (no estou bem de sade) e q = F (no fui escola): promessa no violada (declarao verdadeira)

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.

Uma tautologia uma proposio sempre verdadeira, formada a partir da combinao de outras proposies. As tautologias de maior interesse no mbito desta discusso so:
( p q ) ~ [ p (~ q )] ( p q ) [ (~ p ) q ]

conforme demonstrado na Tabela 2. pq V F V V p (~ q) F V F F ~ [p (~ q)] V F V V (~ p) q V F V V

p V V F F

q V F V F

~q F V F V

~p F F V V

Tabela 2 - Provas de equivalncias

Algumas das equivalncias mais importantes entre lgica, teoria dos conjuntos e lgebra booleana so: Lgica ~ V F Teoria dos lgebra Conjuntos Booleana + 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 )] : ( p q ) [ (~ p ) q ] : f p q ( x, y ) = 1 min [ f p ( x),1 f q ( y )] f p q ( x, y ) = max [1 f p ( x), f q ( y )]

Isto demonstrado, na Tabela 3, construda com base na Tabela 2 fazendo-se os lgicos V e F corresponderem aos booleanos 1 e 0):

fp(x) 1 1 0 0

fq(y) 1 0 1 0

1 - fp(x) 0 0 1 1

1 - fq(y) 0 1 0 1

max [1 - fp(x), fq(y)] 1 0 1 1

1 - min [fp(x),1 - fq(y)] 1 0 1 1

Tabela 3 - Validao das equivalncias da Tabela 2

Existem inmeras outras funes caractersticas para implicao, no necessariamente fazendo uso dos operadores max e min aqui utilizados.

Na lgica proposicional h dois tipos importantes de mecanismos (ou regras) de inferncia: Modus Ponens e Modus Tollens. O primeiro de grande relevncia para aplicaes em engenharia e, portanto, apresentado a seguir:

Premissa 1: Premissa 2: Consequncia:

xA se (x A) ento (y B) yB

O Modus Ponens associado implicao A implica em B (A B); usando-se as proposies p e q, pode ser expresso como ( p ( p q )) q .

19

3.2. Lgica Fuzzy

Os conceitos de lgica fuzzy nasceram inspirados na lgica tradicional, embora modificaes tenham se tornado necessrias para adapt-los aos requisitos de aplicaes em engenharia.

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: Premissa 2: Consequncia: x A* se x A ento y B y B*

No modus ponens generalizado, o conjunto fuzzy A* no necessariamente o mesmo que A (antecedente da regra), assim como B* no necessariamente o mesmo que o consequente B. Na lgica clssica, uma regra ser "disparada" somente se a Premissa 1 for exatamente o antecedente da regra, e o resultado ser exatamente o consequente dessa regra. Na lgica fuzzy, uma regra ser disparada se houver um grau de similaridade diferente de zero entre a Premissa 1 e o antecedente da regra; o resultado ser um consequente com grau de similaridade no nulo em relao ao consequente da regra. Formalmente, a funo de pertinncia do consequente, B* ( y ) , obtida a partir do conceito de regra de inferncia composicional B * = A* R , na qual a conexo entre as duas proposies representada explicitamente por uma relao R. O modus ponens generalizado

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

Exemplo: Considerem-se dois conjuntos fuzzy A e B, em universos discretos e finitos X e Y, respectivamente, cujas funes de pertinncia (expressas pelos graus de pertinncia de cada um dos elementos dos universos) so:

A ( x) = {0; 0,2; 0,7;1; 0,4; 0}

B ( y ) = { 0,3; 0,8; 1; 0,5; 0}

Supondo que a relao de implicao entre A e B seja dada por:

A B ( x, y ) = max [1 A ( x), B ( y )] ,
tem-se:

Como os universos so discretos e finitos, a operao sup torna-se max e a funo de pertinncia do consequente fica:

B ( y ) = max [ A ( x) A B ( x, y )]
*

xA

21

1 0,8 0,3 A B ( x , y ) = 0,3 0,6 1

1 0,8 0,8 0,8 0,8 1

1 1 1 1 1 1

1 0,8 0,5 0,5 0,6 1

1 0,8 0,3 0 0,6 1

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);

( y ) = max (0 1; 0,3 1; 0,8 1; 1 1; 0,7 1; 0,2 1);

circunstancialmente idntico funo de pertinncia de B.

muito comum, em aplicaes, ter-se como "informao" dados (ou entradas) no-fuzzy, i.e. 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:


max (0 1; 0 0,8; 1 0,3 ; 0 0,3; 0 0,6 ; 0 1);



22

max (0 1; 0 0,8; 1 0,3 ; 0 0; 0 0,6; 0 1);



max (0 1; 0 0,8; 1 0,5 ; 0 0,5; 0 0,6 ; 0 1);

( y ) = max (0 1; 0 1; 1 1; 1 1; 0 1; 0 1);


max (0 1; 0 0,8; 1 0,8 ; 0 0,8; 0 0,8 ; 0 1);

A ( x) =

Caso se utilizasse min para a implicao, o resultado seria:

max (0; 0,3; 0,3; 0; 0,6; 0,2)

max (0; 0,3; 0,5; 0,5; 0,6; 0,2);

( y ) = max (0; 0,3; 0,8; 1; 0,7; 0,2);

max (0; 0,3; 0,8; 0,8; 0,7; 0,2);

max (0; 0,3; 0,3; 0,3; 0,6; 0,2);

max (0 1; 0,3 0,8; 0,8 0,5 ; 1 0,5; 0,7 0,6 ; 0,2 1); max (0 1; 0,3 0,8; 0,8 0,3 ; 1 0; 0,7 0,6; 0,2 1);

= {0,6; 0,8; 1; 0,6; 0,6}

( y ) = { 0,3; 0,8; 1; 0,5; 0} , que

= {0,3; 0,8; 1; 0,5; 0,3}

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:

B ( y ) = [ A ( x' ) A B ( x' , y )] = [1 A B ( x' , y )] = A B ( x' , y )

* *

Utilizando este resultado e refazendo o exemplo (mantendo a mesma implicao e ainda com A ( x) = {0; 0; 1; 0; 0; 0}), verifica-se que o procedimento bem mais simples. Basta observar que A ( x' ) = 0,7 [i.e. 1 A ( x' ) = 0,3) ] e substituir na expresso:

B ( x, y ) = A B ( x' , y ) = max [1 A ( x' ), B ( y )]

B ( x, y ) = {0,3 {0,3; 0,8; 1; 0,5; 0}} = {0,3; 0,8; 1; 0,5; 0,3}

Considere-se, agora, a implicao A B ( x, y ) = 1 min [ A ( x),1 B ( y )] e conjuntos fuzzy A e B, representados por funes de pertinncia triangulares, em universos contnuos. O consequente ser dado pela funo de pertinncia B* ( y ) =1 min [ A ( x' ),1 B ( y )] . As operaes acima podem ser representadas graficamente como: Premissa 1 (informao ou entrada):

1 A*

x' Regra (implicao): se A ento B

A (x)
1

B (y)

x Operaes (passo a passo), observando que A (x') < 1:

1 A (x') 1-B (y)

1 min [A (x'), 1-B (y)]

y 23

Resultado final (consequente ou sada):

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.

Os primeiros problemas de aplicao de lgica fuzzy situaram-se na rea de Controle, quando foram definidas as implicaes min e produto, que tm sido, desde ento, as mais usadas em engenharia. A tabela verdade destas implicaes, em lgica proposicional tradicional, mostra que a implicao verdadeira somente quando ambos o antecedente e o consequente forem verdadeiros (como a tabela verdade de e). O uso da implicao min fornece como resultado:

B ( y ) = A ( x' ) B ( y )
*

Considerando funes de pertinncia triangulares, por exemplo, a funo de pertinncia

B ( y ) ter uma forma trapezoidal, conforme pode ser visto na figura a seguir. O uso da
*

implicao produto, fornece a funo de pertinncia B* ( y ) tambm mostrada na figura. Com ambas as implicaes, B* ( y ) corresponde a um conjunto fuzzy associado exatamente com o consequente da regra e com suporte finito. Alm disso, pode ser verificado que

B ( y ) = 0 para todo x x', o que muito mais condizente com aplicaes em engenharia.
*

24

A (x)
min 1

B (y)
B ( y)
*

x'

produto 1

B (y)
B ( y)
*

O grau de pertinncia de x' em A estabelece o grau de ativao de uma determinada regra. Quanto mais a entrada for compatvel com o antecedente da regra, mais peso ter o seu consequente no resultado final. Se A ( x' ) = 1 , indicando "compatibilidade total" de x' com A, B* ser o prprio conjunto B.

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 fou, normalmente utilizam-se

normas-t (particularmente min) em associao com o primeiro, e co-normas-t (particularmente max) em associao com o segundo. No modus ponens generalizado, a norma-t mais utilizada min, dando origem regra de inferncia max-min (ou sup-min).

25

4. SISTEMA DE INFERNCIA FUZZY

Um Sistema de Inferncia Fuzzy mostrado na figura abaixo, onde esto identificadas as funes de cada bloco.

fornecidas por especialistas ou extradas de dados numricos

para ativar as regras

REGRAS

para fornecer a sada precisa

FUZZIFICAO
Entradas precisas

DEFUZZIFICAO INFERNCIA

Sada precisa

conjuntos fuzzy de entrada

conjunto fuzzy de sada

mapeia conjuntos fuzzy em conjuntos fuzzy determina como as regras so ativadas e combinadas

Neste Sistema de Inferncia Fuzzy, consideram-se entradas no-fuzzy, ou precisas resultantes de medies ou observaes (conjuntos de dados, por exemplo) , que o caso da grande maioria das aplicaes prticas. Em virtude disto, necessrio efetuar-se um mapeamento destes dados precisos para os conjuntos fuzzy (de entrada) relevantes, o que realizado no estgio de fuzzificao. Neste estgio ocorre tambm a ativao das regras relevantes para uma dada situao.

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.

As regras podem ser fornecidas por especialistas, em forma de sentenas lingusticas, e se constituem em um aspecto fundamental no desempenho de um sistema de inferncia fuzzy. Novamente tomando o exemplo de um controlador fuzzy, este s ter um bom desempenho se as regras que definem a estratgia de controle forem consistentes. Extrair regras de especialistas na forma de sentenas do tipo se ... ento pode no ser uma tarefa fcil, por mais conhecedores que eles sejam do problema em questo. Alternativamente ao uso de especialistas para a definio da base de regras, existem mtodos de extrao de regras de dados numricos. Este mtodos so particularmente teis em problemas de classificao e previso de sries temporais.

No estgio de inferncia ocorrem as operaes com conjuntos fuzzy propriamente ditas: combinao dos antecedentes das regras, implicao e modus ponens generalizado. Os conjuntos fuzzy de entrada, relativos aos antecedentes das regras, e o de sada, referente ao consequente, podem ser definidos previamente ou, alternativamente, gerados

automaticamente a partir dos dados.

Um aspecto importante a definio dos conjuntos fuzzy correspondentes s variveis de entrada (antecedentes) e (s) de sada (consequente(s)), pois o desempenho do sistema de inferncia depender do nmero de conjuntos e de sua forma. Pode-se efetuar uma sintonia "manual" das funes de pertinncia dos conjuntos, mas mais comum empregarem-se mtodos automticos. A integrao entre sistemas de inferncia fuzzy e redes neurais originando os sistemas neuro-fuzzy ou algoritmos genticos tem se mostrado adequada para a sintonia de funes de pertinncia, assim como para a gerao automtica de regras.

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

x: central (CE) = 90 o ou vertical (VE)

ponto de parada

A base de regras, que constitui a estratgia de estacionamento do veculo, dada em "forma matricial":

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

RI

10

20

30

40

50

60 70

80 90 100

x' RB RU RV VE LV LU LB

-90 -45

45

90

135

180

225

270

'
NB NM NS ZE PS PM

PB

-30

-20 -15 -10

10

15

20

30

As regras ativadas so aquelas com os seguintes antecedentes (com os graus de pertinncia aproximados de x' e ' nos conjuntos assinalados entre parnteses):

para a varivel x: RI (0,2) e RC (0,7) para a varivel : LV (0,9) e VE (0,5)

Da base de regras, verifica-se que as regras concernentes a esta situao so as sombreadas: x

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 ( )
* 1 2

onde A1 simboliza os valores (conjuntos fuzzy) da varivel x, A2, os da varivel , e B, os da varivel . Observe-se que ao conjunto B* no corresponder um rtulo pr-especificado. Para cada uma das regras ativadas tem-se, portanto:

PM ( ) = ( RC ( x' ) VE ( ' )) PM ( ) = (0,7 0,5) PM ( ) = 0,5 PM ( )

*

PS ( ) = ( RC ( x' ) LV ( ' )) PS ( ) = (0,7 0,9) PS ( ) = 0,7 PS ( )

*

PM ( ) = ( RI ( x' ) VE ( ' )) PM ( ) = (0,2 0,5) PM ( ) = 0,2 PM ( )

*

PM ( ) = ( RI ( x' ) LV ( ' )) PM ( ) = (0,2 0,9) PM ( ) = 0,2 PM ( )

*

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 PM PB

-30

-20 -15 -10

10

15

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.

O nmero de funes de pertinncia foi estabelecido de forma arbitrria; um eventual mau desempenho no estacionamento do veculo poderia requerer um ajuste nesse nmero. perfeitamente claro que o nmero de regras possveis funo direta do nmero de conjuntos fuzzy considerados para cada antecedente (no exemplo em questo tem-se 5 7 = 35 regras possveis). Quanto maior o nmero de conjuntos atribudos aos antecedentes, maior a dificuldade de se estabelecer uma base de regras consistente. Um procedimentos automtico de escolha do nmero conjuntos torna este problema menos relevante (ou menos penoso para o projetista), mas mesmo assim, h que considerar que uma base de regras muito grande acarreta um maior custo computacional. Alm disso, fornece uma quantidade excessiva de informao ao usurio, que, ao optar por um sistema fuzzy, esperaria obter uma estratgia de ao interpretvel, inclusive do ponto de vista lingustico.

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

Em resumo, o desempenho de um sistema de inferncia fuzzy depende da escolha de uma base de regras adequada e do nmero e forma dos conjuntos atribudos a cada varivel. Podese inserir a tambm a escolha do operador de implicao e do mtodo de defuzzificao, que tambm pode se valer de procedimentos automticos (via algoritmos genticos, por exemplo).

4. COMENTRIOS FINAIS

Neste texto foram apresentados, de modo sucinto, os conceitos fundamentais de Conjuntos Fuzzy e uma introduo Logica Fuzzy e a mecanismos de inferncia fuzzy. O sistema de inferncia fuzzy aqui abordado do tipo inicialmente concebido por Zadeh e outros pesquisadores, entre os quais E.H. Mamdani, que deu incio a aplicaes de carter prtico na dcada de 70c. Em virtude disso, este tipo de sistema de inferncia muitas vezes referenciado, hoje em dia, como sendo do tipo Mamdani.

Aps os trabalho iniciais de Mamdani e associados, surgiram inmeras outras aplicaes de lgica fuzzy em Controle, inclusive em escala industrial. Uma das mais bem sucedidas vem sendo utilizada at hoje em plantas de produo de cimento, onde controladores fuzzy so usados para fornecer sinais de referncia para controladores do tipo PID, ou seja, aqueles no atuam diretamente sobre a planta, mas em um nvel hierrquico superior. O sucesso desta aplicao deveu-se em muito ao fato de os operadores humanos (especialistas) terem sido capazes de traduzir consistentemente, em termos de regras lingusticas, as atitudes que tomavam no ajuste dos sinais de referncia para os controladores PID.

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

singleton como consequente. Essencialmente, num sistema Takagi-Sugeno deste tipo, o espao no linear subdividido em vrias regies lineares, o que evidentemente facilita o projeto.

Conforme afirmado anteriormente, os sistemas de inferncia fuzzy tiveram suas aplicaes iniciais concentradas na rea de Controle, onde se procurava modelar por meio de regras lingusticas o modo aproximado de raciocnio, tentando imitar a habilidade humana de tomar decises racionais em um ambiente de incerteza e impreciso. Posteriormente, a gama de aplicaes cresceu consideravelmente, principalmente quando os sistemas de inferncia fuzzy se tornaram tambm capazes de lidar com o conhecimento objetivo expresso em dados numricos, por exemplo. Um passo importante neste sentido foi o aparecimento dos sistemas hbridos neuro-fuzzy, onde um sistema de inferncia fuzzy estruturado segundo uma rede neural, cujas camadas correspondem s diversas fases do processo de inferncia. Esta hibridizao faz uso da capacidade de aprendizado das redes neurais para a sintonia dos parmetros de sistemas fuzzy, facilitando bastante o seu projeto e permitindo aplicaes de sucesso em reas como classificao e previso de sries temporais.

A utilidade da teoria de conjuntos fuzzy em reconhecimento de padres e anlise de clusters foi reconhecida desde os anos 60 e atualmente a literatura a respeito bastante vasta. Os livros listados na Bibliografia contm inmeras referncias a esses assuntos.

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

A bibliografia apresentada a seguir apenas uma pequena amostra do vasto nmero de publicaes sobre o assunto que se convencionou denominar Lgica Fuzzy, mas que muito mais amplo do que isto. Grande parte dos livros listados tm muitos tpicos em comum, s vezes com enfoques diferentes do ponto de vista formal; todos eles contm listas completas de referncias a publicaes relevantes na rea de sistemas fuzzy. No haveria sentido, portanto, em apresentar aqui uma extensa lista destas publicaes; so mencionadas apenas algumas das que so consideradas importantes como motivadores de determinadas abordagens ou aplicaes (alm das j citadas em notas de rodap) .

5. BIBLIOGRAFIA Livros:

Altrock, C. (1995). Fuzzy Logic & Neuro-Fuzzy Applications Explained, Prentice-Hall. Driankov, D., Hellendoorn, H., Reinfrank, M. (1993). An Introduction to Fuzzy Control. Springer-Verlag.

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:

Gomide, F., Gudwin, R., Tanscheit, R. (1995). Conceitos Fundamentais da Teoria de Conjuntos Fuzzy, Lgica Fuzzy e Aplicaes. Proc. 6th IFSA Congress -Tutorials, pp. 1-38, So Paulo, Brasil.

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.

Mamdani, E.H., (1977). "Applications of Fuzzy Logic to Approximate Reasoning using Linguistic Synthesis", IEEE Trans. Computers, Vol. 126: 1182-1191.

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