SISTEMAS DE INFERENCIA

DIFUSA
lez, Daniel Sebastian V. Cristancho
Carlos Julio Gonza

Departamento de Automac
ao e Sistemas - DAS
Universidade Federal de Santa Catarina - UFSC
Florian
opolis, SC, Brasil

Emails: carlosgo85@gmail.com, sebastian.vargas@posgrad.ufsc.br

Abstract This article is divided into two parts,in first part our main objective it to present the foundation of fuzzy logic and the fuzzy inference systems and describes its characteristic as well as advantages and
disadvantage,in the part two this paper, we presents cases study and finally mentions the conclusions.
Resumo Este artigo esta dividido em duas partes, na primera parte nosso principal objetivo
e apresentar
os fundamentos dos sistemas conhecidos como Sitemas de Infer
encia Difusa o Nebulosa (FIS) e descrever suas
caractersticas assim como suas vantagens e desvantagens. Na segunda parte se apresentam casos de estudo sobre
os modelos descritos, e enfim as conclusiones.
Palavras-chave

Fuzzy Logic,Fuzzy Inference Systems

Introdu
c
ao

O termo l
ogica fuzzy refere-se a todos os aspectos de representac
ao e manipulac
ao do conhecimento que empregam valores intermedi
arios de
verdade. Esta generalizac
ao comumente, o signficado do termo l
ogica fuzzy abrange, em particular
os conjuntos difusos, relac
oes difusas, e os sistemas dedutivos formais que admitem valores intermedi
arios de verdade (Belohlavek and Klir, 2011).
Existem outras teorias classicas as quais poderiam (de algum modo) fornecer soluc
oes para
as classes de problemas ementados como: a teoria
dos conjuntos ou a teoria da probabilidade. Porem
a soluc
ao fornecida por elas e limitada em quanto
sejam aplicadas para problemas com conceitos que
tenham algum grau de incerteza.
As regras difusas representarm o conhecimento e a estrategia de controle, mas quando
atribui-se a informac
ao especfica `
as vari
aveis de
entrada no antecedente, a inferencia difusa e necess
aria para calcular o resultado das vari
aveis de
sada do conseq
uente. Esse resultado e em termos
difusos, ou seja, que se obtem um conjunto difuso
de sada de cada regra. Mais adiante, juntamente
com outras sadas de regras se vai obter a sada
do sistema (Belohlavek and Klir, 2011).
Neste artigo far
a uma explicac
ao dos modelos
Mamdani, Larsen, Takagi-Sugeno e Tsukamoto,
nosso caso, apresentaremos aplicac
oes para o entendimento do funcionamento das propostas, o
qual sera feito na ultima parte do artigo.
2

Logica Difusa e Regras de Infer

encia
Difusa

A L
ogica Difusa tambem conhecida como L
ogica
Fuzzy foi desenvolvida por Lofti A. Zadeh nos anos
60 no artigo Fuzzy Sets em 1965, determinou a revoluc
ao sobre o tema. Foi criada para emular a lo-

gica humana e tomar decicoes certas no enquanto

da informacao (Cruz, 2010).
A Logica Difusa e um sistema que formaliza o
raciocinio aproximado e foi desenvolvido partindo
da teoria basica dos conjuntos estabelecidos por
Zadeh em Fuzzy Sets. Sao utilizadas regras heursticas da forma IF-THEN. Estas regras ditan a
acao de controle que se tomara (com as quais se
podem modelar aspetos qualitativos do conhecimento humano, alem disso como os processos de
raciocinio nao tendo a necessidade de um analisis
quantitativo de precisao) (Cruz, 2010; Jang and
Sun, 1996).
Sem o objetivo de adentrar a fundo no estudo
da logica difusa se apresentam um esquema onde
se insere a logica difusa dentro das logicas n
ao
padrao.

Figura 1: Caracterizacao da Logica Contempor

anea
A logica difusa generaliza a logica classica em
quanto nao restringe as varaveis a valores tudo
ou nada (zero-um, negativo-positivo) etc. Lida
com situcoes ambguas e seus valores, ele modela
a distribucao de posibilidades. A logica nebulosa
aborda a incerteza e a imprecisao baseando-se em
regras que tem as mesmas caracteristicas.
Os sistemas baseados em regras difusa SBRD
apresentaram um grande desenvolvimento teorico
e em termos de aplicacoes nos u
ltimos anos, especialmente com sistemas hbridos. Os SBRD consistem em uma base de regras que utilizam a l
o-

gica difusa nas partes precedentes ou antecedentes

das regras, e uma das caractersticas interessantes
desses sistemas e a conjugac
ao de efeitos de varias
regras para a obtenc
ao do resultado final(Cordon
et al., 2001).
Os sistemas inteligentes baseados na L
ogica
Difusa faz parte das tecnicas da inteligencia artificial mais empregadas em aplicac
oes industriais,
reconhecimento de padr
oes, controle, etc.
3

camente da interface de fuzzificacao, base de conhecimento, mecanismo de inferencia composto de

funcoes de implicacao difusa e uma interface de
defuzzificacao (Cruz, 2010). Na seguinte figura
apresenta-se a arquitetura basica.

Sistemas de Infer
encia Difusa

A inferencia difuso e o processo de formulacao do

percorrido que faz desde uma entrada determinada ate que se gera a sada usando para isso,
um metodo que interpreta os vaL
ogica Fuzzy. E
lores no vetor de entrada e baseado em um conjunto de regras, atribui valores ao vetor de sada.
Esta formulac
ao envolve: a escolha das funcoes de
pertenencia, a escolha dos operadores l
ogicos difusos, o desenho das regras difusas, a escolha do
mecansmo de implicac
ao e agregac
ao das regras
nebulosas (mecansmo de inferencia), e enfim, a
escolha do metodo de Defuzzificac
ao para a obtenc
ao da sada do sistema (Jang and Sun, 1996).
Os sistemas de inferencia difusa (FIS) sao
uma infraestrutura computacional popular que
baseada nos conceitos da teoria de conjuntos difusos, regras IF-THEN e raciocnio. Encontrou-se
uma grande variedade de aplicac
oes em diferentes areas, tais como: Controle Automatico, Classificac
ao de Dados, Analise de Decis
ao, Sistemas
Expertos, Robotica, e reconhecimento de patroes.
Pela causa da sua natureza multidisciplinar, os sistemas de inferencia difusa s
ao conhecidos por numerosos nomes, tais como: Sistemas Baseados em
regras Difusas, Sistemas Expertos Difusos, Modelos Difusos, Memoria Associativa Difusa, Controladores Logicos Difusos e simplesmente, Sistemas
Difusos(Jang and Sun, 1996).

Figura 2: Clasificac
ao Modelos Baseados em Regras
A clasificac
aoo e dada pela diferenca na resoluc
ao do consequente e uma func
ao lineal, uma
ponderac
ao das funcoes dos conjuntos. A estrutura b
asica de um sistema difuso consiste basi-

Figura 3: Estrutura do Sistema Difuso

O anterior e o modelo geral pasa os sistemas
de inferencia difuso as definicones sao fornecidas
a seguir:
Base de Conhecimento: Contem o conjunto
de acoes que podem ser sucedidas. Esta composto de uma base de regras e uma base de
conhecimento sobre o processo. Na base de
dados ficam armazenadas, as definicoes sobre
dicretizacao e normalizacao dos universos de
discurso, em tanto a base de regras e formada
por estruturas tipo IF-THEN (Cruz, 2010).
Interfaz de Fuzzificacao: Faz a identificac
ao
dos valores das variaveis de entrada, as quais
caracterizam o estado do sistema e as normaliza em um universo de discurso padronizado.
Estes valores sao fuzzificados, transformando
as entradas crisp em conjuntos difusos para
que posam tornar-se a instancias de variaveis
lingusticas (Cruz, 2010).
Mecanismo de Inferencia: Realiza processos
de raciocinio para estimar a saida em funcao da entrada de forma geral. O processo
de inferencia consiste em verificar o grau de
compatibilidade entre fatos e clausulas, depois e determinada a compatibilidade global
da regra; o procedimento determina o valor da conclucao como funcao dos resultados da compatibilidade do paso anterior e a
acao determinada para a saida, finalmente
sao agregados os valores obtidos como conlucao nas varias regras. obtindo uma ac
ao
global (Cruz, 2010).
Os modelos baseados em regras difusas ja
mencionados na Figura 2, aplicam diferentes abordagens para o mecanismo da inferencia, estes modelos diferem quanto `a forma de representacao dos
termos da premissa, quanto a representacao das
acoes de controle e quanto aos operadores utilizados na salida.

3.1

Modelos De regras N
ao aditivos

3.1.1

Modelo Mamdani

O modelo difuso Mamdani foi proposto por o professor Ebrahim H. Mamdani, ele foi o primer pesquizador que fez uma pratica da l
ogica nebulosa,
logo dos trabajos propostos por Lofti A. Zadeh
nos anos 60, no artigo Aplication of fuzzy Logic to
Aproximate reasoning using lingustic synthesisde
1977 ele descreveu o control da pres
ao de uma caldeira utilizando um modelo baseado na logica nebulosa e propuso o metodo (Jang and Sun, 1996).
Este se apresentam
a seguir:

onde ne a regra avaluada e ya variavel de

sada.
Implicacao nebulosa: neste ponto, Mandami
propos operar os conjuntos utilizando o operador logico min. Por exemplo, no caso de
ter dois conjuntos A e B dos universos de discurso U e V, no modelo mandami propone
AB
e uma relacao nebulosa em
U B
se determina como
(A) (x, y) = min{A(x), B(y)}
agregacao: para cada regra primeiro e avaliada a parte esquerda e depois o parte direita
de acordo ao dito nas anteriores secciones, s
ao
obtidos M conjuntos difusos de acordo a M reglas nebulosas, ao fim o conjunto difuso geral
de sada e fornecio como uma agrupacao dos
conjunto, neste modelo e utilizado o operador
MAX

Figura 4: Modelo Mandami

Forma das Reglas Difusas Mamdani: IF X1 e
A1 e X2 e A2 e ... Xi e Aj THEN Y e B. Onde
os Xi e Y s
ao vari
aveis lingusticas e os Aj e B
representam os valores lingusticos que as vari
aveis podem assumir (Jang and Sun, 1996).
Para este caso, s
ao usadas regras de inferencia
nebulosa que j
a foram mencionadas.

Defuzzificacao: Esta e a ultima etapa do desenvolvimento baseado no modelo Mandami,

e necessario que o valor de sada seja de tipo
ntido, real nao ambiguo. No caso do modelo
apresentado o conjunto difuso de saida n
ao
pode ser utilizado para fornecer informacao,
por exemplo, a um operador. A determinac
ao
do metodo de defuzzificacao e importante na
medida que define uma melhor robustez no
comportamento do controlador ou outro tipo
de uso para a sada fornecida. Alguns dos
metodos mais utilizados sao: Metodo do Primeiro Maximo (SOM), Metodo da Media dos
`
Maximos, Metodo do Centro da Area.
O modelo proposto por Mamdani aplica o metodo
de centro das areas.

Inferencia: faz c
alculo da parte IFdas regras
avaliando o grau de certeza de cada regra para
os valores actuais das vari
aveis de entrada,
isso e repretentado como:
(n)
onde n e a regra evaluada. Nesta fase, geralmente, s
ao utilizados os operadores min e
produto para avaliar o conetor das proposiciones do lado ezquerdo da regra AND, no
c
alculo da parte THENda regra partindo do
grau de activac
ao e determinado a conclucao
da regra, nesta parte o mecanismo de inferencia atribui para cada uma das vari
aveis de
sada, o conjunto difuso, alem de isso, modifica o valor de acordo com a func
ao de membresia evaluada, a nova func
ao de pertenencia
e representada como:
(n)(Y )

Figura 5: Defuzzificacao

3.1.2

Modelo Larsen

O sistema difuso do Larsen e similar ao sistema

difuso Mamdani exceto que o grau de ativacao e
W i(x(t)) 0

da i-esima regra Ri e calculada no produto algebraico (Larsen) temos os dois mesmo conjuntos da
explicac
ao do modelo Mamdani.
A (x, y) = (x)(y)

geno propuseron para o antecedente das regras variaveis lingusticas, e para os concecuentes uma representacao como uma func
ao
lineal das variaveis de entrada. O calculo do
lado ezquerdo da norma e igual que para o
modelo Mamdani, no entanto o lado direito
das regras e obtido mediante a combinac
ao
lineal das entradas.
V j = f (X1, X2, Xn),
onde j e o n
umero da regra disparada
Inferencia: A sada do sistema difuso TS que
contem uma base de conhecimento com M regras e obtido como a media ponderada das
sadas individuais
V j = f j(i = 1...M )
fornecidas pelas regras disparadas, no contexto geral:
j f j(x1, x2, xn) W j

Figura 6: Modelo Larsen

3.2

Modelos de Regras n
ao aditivas

3.2.1

Modelo Takagi-Sugeno

O sistema Takagi-Sugeno (TS) foi proposto em

1985 no artigo Fuzzy Identification of systems
and its Applications to Modeling And Controlpor
os pesquizadores Tomohiro Takagi e Michio Sugeno para aplicac
oes industrias um convertidor
num processo de fabricac
ao de aco e um processo
de limpeza do agua. O modelo faz uma partic
ao do espaco de entrada em
areas nebulosas, depois uma aproximac
ao atraves de modelos linea
res locais para a obtenc
ao do modelo global. E
caracterizado por a representac
ao da din
amica local das regras nebulosas por um modelo composto
de sistemas lineares (Takagi and Sugeno., 1985)
o modelo (TS) tambem utiliza regras IF-THEN o
consequente e composto por submodelos lineares,
representando a din
amica das condic
oes de operac
ao, o antecedente tem o mesmo comportamento
dos modelos j
a tratados.
Forma das regras nebulosas TS:calculo da
parte IFdas regras e igual que nos sistemas
Mamdani, ao aplicar o operador implicacao e
obtido um grau de pertenenca para cada uma
das regras disparadas, o formato das a seguir:
IF X1 e A1 e X2 e A2 e.... Xi e Aj THEN
v=f(X1,X2,....Xn) onde os Aj s
ao os valores
lingusticos que as vari
aveis podem assumir,
v e a vari
avel de sada e f representa a funcao
lineal das entradas.
Inferencia: Neste modelo a sada n
ao e trabalhada com valores difusos, Takagy e Su-

neste na saida seria um valor nitido nao precizaria de aplicar nehuma tecnica adicional de
defuzzificacao.
Se apresenta o modelo

Figura 7: Modelo TSK

3.2.2

Modelo Tsukamoto

No modelo de Tsukamoto o consequente de cada

regra IF-THEN e representado por um conjunto
difuso com uma funcao de membresia monotonica.
Como resultado a sada de inferencia de cada regra e definida como um valor Crisp inducido pela
fuerza de disparo da regra. A sada total se obtem
como medio ponderado de cada regra, este evita
o tempo consumido na defuzzificacao.

and Sugeno Model Design and its application

to a Simulated Robot Hand).
5

Conclus
oes
Refer
encias

Belohlavek, R. and Klir, G. J. (2011). Concepts

and Fuzzy Logic, MIT Press.
Cordon, O., Herrera, F., Hoffmman, F. and Magdalena, L. (2001). Genetic Fuzzy Systems:
Evolutionary Tuning and Learning of Fuzzy
Knowledge Bases, World Scientific.
Figura 8: Modelo Tsukamoto
4

Contribu
c
oes

Ap
os do surgimento da Logica Difusa e mais concreto, os Sistemas de Inferencia Difusa as aplicac
oes e areas de pesquisa foram acrecentandose.
Hoje podemos falar que varias institucoes no
mundo incentivam o desenvolvimento desta area
para soluc
ao de problemas em diferentes areas de
conhecimento tendo em conta, que esta logica faz
parte da Inteligencia Computacional e e a base de
para o trabalho de outros temas da IA.
Na literatura revisada para este artigo se encontrou trabalhos baseados em Sistemas de Inferencia Difusa em multiplas areas:
Redes: Fazem um analisis para tomar uma
decis
ao de qual e o dispositivo e o mais otimo,
para intercambio de infomac
ao e decicoes em
uma rede WCDMA. Se tomam ciertas caracteristicas dos dispositivos moviles para poder forma uma matriz que permitir
a a toma
de decis
ao pelo meio das regras de inferencia. Os criterios de decic
ao considerados, sao:
Preco, largura de banda, relac
ao de sinaisruido, tempo de permanencia, durabilidade
da batera, etc. (Zhang, 2004).
Metodologia de Construc
ao para Projetos: A
logica difusa a metodologia desenvolvida para
analizar riscos e ameaca na construc
ao de processos da industria. Analiza os esenarios subjetivos e incertos, o qual pode ajudar a melhorar a eficiencia e efectividade do processo
depois de tomar a decis
ao.(application of a
fuzzy based decision )
Robotica: Abordagens do Sistema TakagiSugeno para determinar valores de parametros os quais garantam estabilidade no
sistema utilizamdo estrategias de controle,
tendo em conta perturbac
oes externas. O
sistema modela-se de uma maneira adecuada
para trabalhar com dados incertos para a simulac
ao de partes humanos como as maos.
(Fuzzy Sliding Mode Control based on Takagi

Cruz, P. P. (2010). Inteligencia Artificial con aplicaciones a la Ingeniera, Alfaomega.

Jang, J.-S. R. and Sun, C.-T. (1996). Neuro-fuzzy
and soft computing: a computational approach to learning and machine intelligence,
Prentice-Hall.
Takagi, T. and Sugeno., M. (1985). Fuzzy identification of systems and its applications to
modeling and control, IEEE Transactions on
Systems, Man and Cybernetics 15: 116132.
Zhang, W. (2004). Handover decision using fuzzy
madm in heterogeneous networks., WCNC,
IEEE, pp. 653658.