Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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
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-
Sistemas de Infer
encia Difusa
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-
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:
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
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
3.2
Modelos de Regras n
ao aditivas
3.2.1
Modelo Takagi-Sugeno
neste na saida seria um valor nitido nao precizaria de aplicar nehuma tecnica adicional de
defuzzificacao.
Se apresenta o modelo
3.2.2
Modelo Tsukamoto
Conclus
oes
Refer
encias
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