Você está na página 1de 8

FACULDADE DE TECNOLOGIA DE

GUARATINGUETÁ

Fuzzy Logic
Lógica Fuzzy

Adiel Lemos
Bruno Michael S. Santos
Eliphas L. G. de Siqueira
Pedro Campos

Fundamentos de Inteligência Artificial


Professora Camila Martinelli Rocha

Guaratinguetá
2009
2
Conteúdo
1. Definição................................................................................3
1.1. Lógica binária...................................................................3
1.2. Lógica difusa....................................................................3
2. Aplicação................................................................................3
3. Exemplos................................................................................4
3.1. Exemplo 1: Diagnóstico Diferencial de Enfermagem em
Alterações na Eliminação Urinária.....................................................4
3.2. Exemplo 2: Mineração de Dados......................................5
3.3. Exemplo 3: Modelo Coppe-Cosenza de Hierarquia Fuzzy. 5

3
1. Definição
1.1.Lógica binária

A Lógica Digital, mais tarde conhecida como Lógica Ocidental, ou


ainda Lógica Binária, criada por Aristóteles, era baseada em
premissas e conclusões. Assim, uma afirmação poderia ser somente
Verdadeira ou Falsa, sem poder ser parcialmente verdadeira ou
parcialmente falsa.

1.2.Lógica difusa

Por volta de 1965, Lofti A. Zadeh começa a contradizer essa lógica,


afirmando que as coisas podem e devem coexistir com seu oposto, o
que faz da Lógica Difusa uma maneira natural de raciocínio.

2. Aplicação
Colocando ambas as Lógicas frente-a-frente, pode-se notar que a
lógica ocidental não pode responder a grande parte das experiências
humanas, pois grande parte delas não pode ser classificada como sim
ou não, ou ainda como verdadeira ou falsa.
A maioria dessas experiências necessitam de respostas não-
quantificáveis, como quando queremos saber se um homem é alto ou
baixo, ou se uma taxa de risco é grande ou pequena.
Para isso, a Lógica Fuzzy, como também é conhecida, utiliza graus de
associação entre as possíveis respostas. Veja o exemplo: ao invés
dizermos que a casa é grande, dizemos que ela é 0.8 grande, 0.2
média e 0.0 pequena. Dizendo de outra maneira, temos que a casa
tem a probabilidade de 80% de ser grande, 20% de ser média e 0%
de ser pequena.
Dessa forma podemos incluir em computadores umaa capacidade
mais ampla de raciocínio lógico, que passa de binária para estatística.
Ou seja, ela continua numérica, mas passa a ser mais abrangente.

4
3. Exemplos
Apresentamos agora alguns exemplos da aplicação da lógica difusa
em sistemas de inteligência artificial.

3.1.Exemplo 1: Diagnóstico Diferencial de Enfermagem


em Alterações na Eliminação Urinária
Os diagnósticos de enfermagem relativos a alterações na eliminação
urinária requerem diferentes intervenções, e as enfermeiras que não
são especialistas necessitam de suporte para o diagnóstico e manejo
de pacientes com distúrbios na eliminação de urina. O objetivo deste
trabalho foi apresentar um modelo baseado em lógica fuzzy para o
diagnóstico diferencial de alterações na eliminação urinária,
considerando os diagnósticos de enfermagem aprovados pela North
American Nursing Diagnosis Association - International (NANDA-I),
2001 - 2002. A composição máximo-mínimo fuzzy foi usada para
desenvolver esse modelo. Ele foi testado em 195 casos de uma base
de dados de um estudo prévio. O modelo foi capaz de determinar o
diagnóstico em total concordância com um painel de três
especialistas em 79,5% dos casos. O modelo diagnosticou 19% dos
casos com concordância parcial com o painel de especialistas.
Somente em 3 casos (1.5%) o modelo apresentou diagnósticos
diferentes. Conclui-se que o modelo aqui proposto, a despeito de sua
simplicidade, apresenta bom desempenho. No entanto, recomendam-
se mais testes antes de ser amplamente usado como suporte para a
decisão clínica.
Fonte:
LOPES, Maria Helena Baena de Moraes. Modelo Baseado em
Lógica Fuzzy para o
Diagnóstico Diferencial de Enfermagem em Alterações na
Eliminação Urinária. Disponível em <

5
http://www.sbis.org.br/cbis/arquivos/1040.pdf> Acesso em 20 de
março de 2009.

6
3.2.Exemplo 2: Mineração de Dados
As empresas atualmente dispõem de um grande volume de
informações sobre transações comerciais que podem ser extraídas
através do uso de mineradores de dados, com a finalidade de
descobrir e associar características e comportamentos relacionados a
seus clientes, de maneira a possibilitar melhorias no relacionamento
com os mesmos e permitir a sua fidelização. A utilização da Lógica
Fuzzy nos algoritmos de data mining evita o comprometimento da
confiabilidade dos resultados, caso se trate de termos imprecisos,
visto que o retorno de informações da mineração realizada abrangerá
dados que seriam desprezados ao empregar a lógica clássica. Este
artigo apresenta a comparação dos resultados obtidos entre um
minerador de dados utilizando a lógica difusa ou nebulosa e um data
mining de algoritmo Apriori.
Fonte:
AZEVEDO, Denise; DEMASI, Pedro. Consulta a Banco de Dados
Utilizando Conceitos Nebulosos. Disponível em
<http://www.nce.ufrj.br/labic/downloads/ricim_out_2000.pdf> Acesso
em: 20 de março de 2009.

3.3.Exemplo 3: Modelo Coppe-Cosenza de Hierarquia


Fuzzy
As aplicações da Lógica Fuzzy se expandiram em várias direções. A
interpretação através da lógica fuzzy de uma estrutura de dados é um
caminho muito natural e intuitivamente plausível para a formulação e
resolução de problemas. O Modelo Coppe-Cosenza de Hierarquia
Fuzzy tem a Lógica Fuzzy em suas bases. Os sistemas fuzzy são
capazes de utilizar, em sua modelagem, informações imprecisas e
ambíguas e tornam este modelo capaz de trabalhar com uma vasta

7
maioria de problemas de hierarquização que têm por característica a
sua complexibilidade e a não exigência de precisão.
Fonte:
TOLEDO, Olga Moraes. Um caso de aplicação da Lógica Fuzzy – o
Modelo Coppe-Cosenza de Hierarquia Fuzzy. Out. 2003.
Disponível em
<http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0608_0657.pdf
> Acesso em: 20 de março de 2009.