Escolar Documentos
Profissional Documentos
Cultura Documentos
ϕA : X → [0, 1],
Lógica Clássica
A lógica clássica é composta de proposições, que são afirmações de
sentido completo como “Sócrates é um homem” ou “x é A” (em que A
é um conjunto clássico).
Lógica Fuzzy
A lógica fuzzy trabalha com proposições vagas ou incertas como
“Pedro é jovem”, “Gripe forte provoca febre alta” ou “x é A” (em que A
é um conjunto fuzzy).
Exemplo
Exemplos de t-normas incluem:
x △M y = min{x, y} = x ∧ y. (mínimo)
x △P y = xy. (produto)
x △L y = max{0, x + y − 1}. (Lukasiewicz)
Objetivo:
Automatizar o funcionamento de uma máquina de lavar roupas de
modo a economizar água, eletricidade, detergente, etc.
Muito Muito
Leve Leve Pesado Pesado
1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
Muito
Pouco Pouco Moderado Exagerado Máximo
1
0.8
0.6
0.4
0.2
0
0 10 30 60 80 100
100
Qtd. Detergente
90
80
70
60
50
40
30
20
10
100
80 100
60 80
40 60
40
20
20
Sujeira 0 0
Peso
Observação:
Geralmente, as funções fi são polinômios.
Tem-se um modelo de Takagi-Sugeno de ordem um se fi são
polinômios de ordem 1.
Tem-se um modelo de Takagi-Sugeno de ordem zero se fi são
constantes.
em que
Observação:
As t-normas mais utilizadas são o mínimo e o produto.
As funções de pertinência mais utilizadas são as triangulares e as
funções em forma de sino.
7
1
0.8
5
Saída
0.6 4
3
0.4
0.2
1
0 0
-10 -8 -6 -4 -2 0 2 4 6 8 10 -10 -8 -6 -4 -2 0 2 4 6 8 10
Entrada Entrada
7
1
0.8
5
Saída
0.6 4
3
0.4
0.2
1
0 0
-10 -8 -6 -4 -2 0 2 4 6 8 10 -10 -8 -6 -4 -2 0 2 4 6 8 10
Entrada Entrada
Função de Pertinência
pequeno grande pequeno grande
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
x y
10
6
z
-2
5
0
0
-5 -5
y x
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
-1
-2
-3
-4
-5
-6
0 0.5 1 1.5 2 2.5 3 3.5 4
Teorema
Seja f ∈ C ([a, b]). Dado ǫ > 0, existe nǫ e uma partição fuzzy
A1 , . . . , Anǫ de [a, b] tal que
Observação:
Pode-se mostrar também que fF ,nǫ pode aproximar as derivadas de f
caso ela seja diferenciável.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
-1
-2
-3
-4
-5
-6
0 0.5 1 1.5 2 2.5 3 3.5 4
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
-1
-2
-3
-4
-5
-6
0 0.5 1 1.5 2 2.5 3 3.5 4
Estrutura
O ANFIS implementa um modelo de Takagi-Sugeno de ordem 1 com
número fixo de regras e conjuntos fuzzy nos antecedentes.
Antecedentes
As funções de pertinência são funções parametrizáveis.
m Pk !2
i=1 wi (ai0 + ai1 x1ξ + . . . + ain xnξ )
X
Minimize yξ − Pk ,
ai0 ,ai1 ,...,ain
ξ=1 i=1 wi
Observação:
Geralmente, calcula-se a ativação usando a t-norma do produto!
m Pk !2
i=1 wi (αi , βi , γi )(ai0 + ai1 x1ξ + . . . + ain xnξ )
X
Minimize yξ − Pk ,
i=1 wi (αi , βi , γi )
αi ,βi ,γi
ξ=1
em que
-1
-2
-3
-4
-5
-6
0 0.5 1 1.5 2 2.5 3 3.5 4
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
d 0.2z(t − τ )
z(t) = − 0.1z(t),
dt 1 + z 10 (t − τ )
1.4
1.2
0.8
0.6
0.4
0.2
0 200 400 600 800 1000 1200
Tempo (s)
Grau de Pertinência
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
Grau de Pertinência
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
1.2
0.8
0.6
0.4
200 300 400 500 600 700 800 900 1000 1100
Tempo (s)
Erro da Estimativa
0.06
0.04
0.02
0
-0.02
-0.04
-0.06
-0.08
200 300 400 500 600 700 800 900 1000 1100
Tempo)
Nesta palestra:
Relembramos alguns conceitos da teoria fuzzy.
Apresentamos os modelos de Takagi-Sugeno.
Interpretamos as transformadas fuzzy como modelos de
Takagi-Sugeno em que os antecedentes são fixos mas os
consequentes são determinados usando quadrados mínimos
(contínuo).
Mencionamos como o ANFIS (adaptative neuro fuzzy inference
system) sintetiza um modelo de Takagi-Sugeno a partir de um
conjunto de dados.