Você está na página 1de 48

O Método de Inferência de Takagi-Sugeno

para Sistemas Baseados em Regras Fuzzy

Marcos Eduardo Valle

Departamento de Matemática Aplicada


Instituto de Matemática, Estatística e Computação Científica
Universidade Estadual de Campinas

Quarta-feira, 01 de Abril de 2015

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 1 / 43


Contexto Histórico

Em 1985, Takagi e Sugeno introduziram uma ferramenta para


modelagem de sistemas baseada na teoria fuzzy.

No mesmo artigo, os autores também discutem duas aplicações


industriais: Uma relacionada ao tratamento de água e outra com
respeito a produção de ferro.

Em 1988, Sugeno e Kang publicaram novos resultados e


apresentaram critérios para ajustar os parâmetros do método fuzzy.

O método de Takagi-Sugeno, também conhecido como


Takagi-Sugeno-Kang, possui aplicações em diversas áreas incluindo:
automação e controle, previsão de séries temporais, reconhecimento
de padrões e biomatemática.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 2 / 43


Teoria Fuzzy

A palavra fuzzy, de origem inglesa, significa incerto, vago,


impreciso, subjetivo, nebuloso, difuso, etc.
A teoria fuzzy (lógica fuzzy e teoria dos conjuntos fuzzy) foi
introduzida por L. Zadeh em 1965 com o objetivo de modelar
conceitos vagos ou imprecisos que surgem na linguagem natural.
Exemplos de conceitos vagos considerados na teoria fuzzy inclui
a noção de “pessoa jovem” e “temperatura ideal”.
A teoria fuzzy não é uma teoria vaga mas, sim, uma teoria para
modelar conceitos vagos!

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 3 / 43


Conjuntos Fuzzy

Definição (Conjunto Fuzzy )


Um conjunto fuzzy A de X é caracterizado por uma função

ϕA : X → [0, 1],

chamada função de pertinência.

O valor ϕA (x) indica o grau com o que elemento x ∈ X pertence


ao conjunto fuzzy A.
O valor ϕA (x) também pode ser interpretado como o valor da
veracidade da afirmação “x é A”.
É comum usar A para representar tanto a função de pertinência
como o conjunto fuzzy, i.e., A(x) = ϕA (x).

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 4 / 43


Lógica Fuzzy

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).

Na lógica clássica, uma proposição ou é verdadeira ou é falsa.

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).

Na lógica fuzzy, uma proposição é caracterizada por um grau de


veracidade no intervalo [0, 1].

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 5 / 43


Conectivos da Lógica Fuzzy

Os principais conectivos da lógica fuzzy são:


Conectivo “E”: Modelado usando uma norma triangular.
Conectivo “OU”: Modelado usando uma conorma triangular.
Conectivo “NÃO”: Modelado usando uma negação fuzzy.
Conectivo “SE-ENTÃO”: Modelado usando uma implicação fuzzy.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 6 / 43


Norma Triangular

Definição (Norma Triangular)


Uma norma triangular △ : [0, 1] × [0, 1] → [0, 1], também chamada
t-norma, é um operador que satisfaz para todo x, y, z ∈ [0, 1]:
(a) 1 △ x = x . (elemento neutro)
(b) x △ y = y △ x. (comutativa)
(c) x △ (y △ z) = (x △ y) △ z. (associativa)
(d) x ≤ y ⇒ x △ z ≤ y △ z. (monotonicidade)

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)

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 7 / 43


Sistemas Baseados em Regras Fuzzy

Sistemas baseados em regras fuzzy constituem uma poderosa


ferramenta com aplicações em diversas áreas incluindo:
Automação e controle.
Previsão de séries temporais.
Reconhecimento de padrões.
Biomatemática.

Aspectos positivos de sistemas baseados em regras fuzzy incluem:


Capacidade de aproximação universal e forte fundamento
matemático.
Fácil interpretação e implementação por não-matemáticos e alta
interoperabilidade.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 8 / 43


Exemplo: Lava Roupas

Objetivo:
Automatizar o funcionamento de uma máquina de lavar roupas de
modo a economizar água, eletricidade, detergente, etc.

Formulação e Variáveis do Problema:


Conhecido o peso aproximado das roupas e quão sujas elas estão,
determinaremos a quantidade de detergente a ser aplicada.
Variáveis independentes: Peso e sujeira.
Variável dependente: Quantidade de detergente.

Primeiramente, definiremos conjuntos fuzzy para as variáveis


independentes.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 9 / 43


Fuzzificação - Peso

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 10 / 43


Fuzzificação - Sujeira

Quase Muito Extr.


1 Limpo Sujo Sujo Sujo

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70 80 90 100

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 11 / 43


Consequente: Quantidade de detergente

Muito
Pouco Pouco Moderado Exagerado Máximo
1

0.8

0.6

0.4

0.2

0
0 10 30 60 80 100

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 12 / 43


Base de Regras Fuzzy

SE o peso é muito leve e a sujeira é quase limpo,


ENTÃO a quantidade de detergente é muito pouco.
SE o peso é muito leve e a sujeira é sujo,
ENTÃO a quantidade de detergente é pouco.
..
.

SE o peso é pesado e a sujeira é muito sujo,


ENTÃO a quantidade de detergente é exagerado.
..
.

SE o peso é muito pesado e a sujeira é extremamente sujo,


ENTÃO a quantidade de detergente é máximo.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 13 / 43


Base de Regras Fuzzy

Quase Muito Extr.


Sujo
limpo sujo sujo
Muito Muito
Pouco Moderado Moderado
leve pouco
Leve Pouco Pouco Moderado Exagerado
Pesado Moderado Moderado Exagerado Exagerado
Muito
Moderado Exagerado Máximo Máximo
Pesado
Observe que temos 16 regras no total.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 14 / 43


Gráfico da Máquina de Lavar Roupas

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 15 / 43


Método de Inferência
Dado que o peso é p = 10 e o nível de sujeira é s = 15, determinamos
o quantidade de detergente da seguinte forma:
Passo 1
1. Calculamos a ativação de cada regra da seguinte forma:

wi = ϕA1i (p) ∧ ϕA2i (s), ∀i = 1, . . . , 16.

Por exemplo, a ativação da primeira regra é:

w1 = ϕMuito Leve (p) ∧ ϕQuase Limpo (s) = 0.5 ∧ 0.25 = 0.25.

Analogamente, a ativação da segunda regra é:

w2 = ϕMuito Leve (p) ∧ ϕSujo (s) = 0.5 ∧ 0.25 = 0.25.

Todas as outras regras tem ativação nula, ou seja, wi = 0 para


i = 3, . . . , 16.
Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 16 / 43
Passo 2
A quantidade y de detergente é determinada somando o produto da
ativação pelo consequente da regra e dividindo o resultado pelo soma
das ativações, ou seja,
P16
i=1 wi Qi
y= P 16
,
i=1 w i

em que Qi ∈ {Muito Pouco, Pouco, Moderado, Exagerado, Máximo}.


Neste exemplo,

0.25 × (Muito Pouco) + 0.25 × (Pouco)


y=
0.5
0.25 × 10 + 0.25 × 30
= = 20.
0.5

Este é um exemplo do método de Takagi-Sugeno de ordem zero!

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 17 / 43


Sistemas Baseados em Regas Fuzzy

Um sistema baseado em regras fuzzy contém três componentes:


Dicionário, que define conjuntos fuzzy sobre as variáveis.
Base de regras, que estabelece uma relação entre as variáveis.
Método de inferência, usado para determinar a saída dado uma
certa entrada.
Eventualmente, pode-se acrescentar uma quarta componente,
chamada defuzzificação, que transforma uma saída fuzzy em um
número real ou um conjunto clássico.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 18 / 43


Modelo de Takagi-Sugeno

Regras Fuzzy de Takagi-Sugeno


No modelo de Takagi-Sugeno, as regras são da forma:

SE x1 é A1i e x2 é A2i e . . . e xn é Ani , ENTÃO y = fi (x1 , x2 , . . . , xn ),

em que A1i , A2i , . . . , Ani são conjuntos fuzzy dos antecedentes


enquanto que o consequente é uma função das variáveis de entrada.

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.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 19 / 43


Inferência de Takagi-Sugeno
Dada uma entrada (x1 , x2 , . . . , xn ), a saída é
Pk
i=1 wi fi (x1 , x2 , . . . , xn )
y= Pk ,
i=1 wi

em que

wi = ϕA1i (x1 ) △ ϕA2i (x2 ) △ . . . △ ϕAni (xn ), ∀i = 1, . . . , k,

representam as ativações de cada regra fuzzy.

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.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 20 / 43


Exemplo (Takagi-Sugeno com antecedentes crisp)
Considere a base de regras:
SE x é pequeno, ENTÃO y = 0.1x + 6.4.
SE x é médio, ENTÃO y = −0.5x + 4.
SE x é grande, ENTÃO y = x − 2.
Considerando intervalos nos antecedentes, obtemos:
8

pequeno médio grande


Função de Pertinência

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 21 / 43


Exemplo (Takagi-Sugeno com antecedentes fuzzy )
Considere a base de regras:
SE x é pequeno, ENTÃO y = 0.1x + 6.4.
SE x é médio, ENTÃO y = −0.5x + 4.
SE x é grande, ENTÃO y = x − 2.
Considerando conjuntos fuzzy nos antecedentes, obtemos:
8

pequeno médio grande


Função de Pertinência

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 22 / 43


Exemplo (Takagi-Sugeno com antecedentes fuzzy )
Considere a base de regras:
SE x é pequeno E y é pequeno, ENTÃO z = −x + y + 1.
SE x é pequeno E y é grande, ENTÃO z = −y + 3.
SE x é grande E y é pequeno, ENTÃO z = −x + 3.
SE x é grande E y é grande, ENTÃO z = x + y + 2.
Antecedentes fuzzy:
Função de Pertinência

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 23 / 43


Exemplo (Takagi-Sugeno com antecedentes fuzzy )
Superfície do modelo de Takagi-Sugeno:

10

6
z

-2
5

0
0

-5 -5
y x

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 23 / 43


Transformada Fuzzy

As transformadas fuzzy, introduzidas por Perfilieva, podem ser vistas


como modelos de Takagi-Sugeno de ordem d .

Aplicações das transformadas fuzzy inclui processamento de sinais,


previsão de séries temporais e equações diferenciais fuzzy.

Ideia da Transformada Fuzzy :


A transforma fuzzy de ordem d transforma uma função real
f : [a, b] → R em uma matriz do Rn×(d+1) usando conceitos da teoria
dos conjuntos fuzzy.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 24 / 43


Partição Fuzzy

Definição (Partição Fuzzy )


Considere nós a = x1 < x2 < . . . < xn = b. Dizemos que os conjuntos
fuzzy A1 , A2 , . . . , An forma uma partição de [a, b] se, para cada
i ∈ {1, . . . , n}, tem-se
ϕAi : [a, b] → [0, 1], ϕAi (xi ) = 1.
ϕAi (x) = 0, x ∈ [xi−1 , xi+1 ], com x0 = a e xn+1 = b.
ϕAi é contínua.
ϕAi é crescente em [xi−1 , xi ] e decrescente em [xi , xi+1 ].
Pn
i=1 ϕAi (x) = 1, para todo x ∈ [a, b].
Uma partição fuzzy A1 , A2 , . . . , An é dita uniforme se os nós
x1 , x2 , . . . , xn são equidistantes.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 25 / 43


Exemplo
1

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

Partição fuzzy não uniforme do intervalo [0, 4] com nós


0 < 1.6 < 2.8 < 3.4 < 4.
Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 26 / 43
Transformada Fuzzy
Definição (Transformada Fuzzy Direta)
Considere uma partição fuzzy A1 , A2 , . . . , An de [a, b] e f ∈ C ([a, b]).

A matriz Fn [f ] ∈ Rn×(d+1) cujas linhas são os coeficientes do


polinômio que minimiza o erro quadrado médio é a transformada fuzzy
de ordem d de f com respeito à partição A1 , . . . , An .

Formalmente, a i-ésima linha de Fn [f ] é

Fn [f ]i = [ai0 , ai1 , . . . , aid ], ∀i = 1, . . . , n,

em que ai0 , ai1 , . . . , aid são a solução de quadrados mínimos:


Z b   2
Minimize f (x) − ai0 + ai1 (x − xi ) + . . . + aid (x − xi )d ϕAi (x)dx.
a | {z }
polinômio de grau d
Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 27 / 43
Transformada Fuzzy Inversa

Definição (Transformada Fuzzy Inversa)


Considere uma partição fuzzy A1 , A2 , . . . , An de [a, b] e F uma matriz
em Rn×(d+1) com linhas Fi = [ai0 , . . . , aid ]. A função fF ,n dada por
n
X 
fF ,n (x) = ai0 + ai1 (x − xi ) + . . . + aid (x − xi )d ϕAi (x), ∀x ∈ [a, b],
i=1
| {z }
polinômio de grau d

é chamada transformada fuzzy inversa.

Note que fF ,n (x) pode ser escrita como


n
X 
fF ,n (x) = wk ai0 + ai1 (x − xi ) + . . . + aid (x − xi )d ,
i=1
Pn Pn
em que wi = ϕAi (x) com i=1 wi = i=1 ϕAi (x) = 1.
Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 28 / 43
Exemplo
Considere a partição fuzzy A1 , A2 , . . . , A5 de [0, 4] com nós
0 < 1.6 < 2.8 < 3.4 < 4.
1

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 29 / 43


Exemplo
Considere a partição fuzzy A1 , A2 , . . . , A5 de [0, 4] com nós
0 < 1.6 < 2.8 < 3.4 < 4. Dada a função f (x) = sin(πx)ex/2 , temos
4
f
fF ,n
3

-1

-2

-3

-4

-5

-6
0 0.5 1 1.5 2 2.5 3 3.5 4

em que fF ,n é a transformada fuzzy inversa de Fn [f ].


Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 29 / 43
Propriedade de Aproximação

Teorema
Seja f ∈ C ([a, b]). Dado ǫ > 0, existe nǫ e uma partição fuzzy
A1 , . . . , Anǫ de [a, b] tal que

|f (x) − fF ,nǫ (x)| ≤ ǫ, ∀x ∈ [a, b],

em que e fF ,nǫ (x) é a transformada fuzzy inversa de Fn [f ]

Observação:
Pode-se mostrar também que fF ,nǫ pode aproximar as derivadas de f
caso ela seja diferenciável.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 30 / 43


Exemplo
Considere a partição fuzzy A1 , A2 , . . . , A5 de [0, 4] com nós
0 < 1 < . . . < 3 < 4.
1

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 31 / 43


Exemplo
Considere a partição fuzzy A1 , A2 , . . . , A5 de [0, 4] com nós
0 < 1 < . . . < 3 < 4. Dada a função f (x) = sin(πx)ex/2 , temos
4
f
fF ,n
3

-1

-2

-3

-4

-5

-6
0 0.5 1 1.5 2 2.5 3 3.5 4

em que fF ,n é a transformada fuzzy inversa de Fn [f ].


Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 31 / 43
Exemplo
Considere a partição fuzzy A1 , A2 , . . . , A5 de [0, 4] com nós
0 < 0.4 < 0.8 < . . . < 3.6 < 4.
1

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 32 / 43


Exemplo
Considere a partição fuzzy A1 , A2 , . . . , A5 de [0, 4] com nós
0 < 0.4 < 0.8 < . . . < 3.6 < 4. Dada a função f (x) = sin(πx)ex/2 ,
temos
4
f
fF ,n
3

-1

-2

-3

-4

-5

-6
0 0.5 1 1.5 2 2.5 3 3.5 4

em que fF ,n é a transformada fuzzy inversa de Fn [f ].


Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 32 / 43
Takagi-Sugeno Adaptativo

Em muitas situações práticas, não conhecemos o dicionário ou a base


de regras fuzzy, mas temos em mãos um conjunto significativo de
dados.

Os dados podem ser usadas para determinar o dicionário ou as regras


fuzzy num modelo de Takagi-Sugeno.

Inspirado em resultados sobre redes neurais artificiais, Jang introduziu


em 1993 um modelo de Takagi-Sugeno adaptativo chamado
adaptative neuro fuzzy inference system (ANFIS).

Outros modelos adaptativos baseados no modelo de Takagi-Sugeno


incluem também o Evolving Takagi-Sugeno (ETS) introduzido por
Angelov e Filev em 2004.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 33 / 43


ANFIS
Conjunto de Treinamento
Considere um conjunto de dados {(xξ , yξ ) : ξ = 1, . . . , m}, em que
xξ = [x1ξ , x2ξ , . . . , xnξ ] ∈ Rn e yξ ∈ R, chamado conjunto de
treinamento.

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.

Exemplo (Função Sino Generalizada)


1
ϕA (x; α, β, γ) = x−γ 2β .
1+
α

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 34 / 43


Ajuste dos Parâmetros

Ajuste dos Parâmetros dos Consequentes


Dados os parâmetros que definem as funções de pertinência dos
antecedentes, determina-se os parâmetros ai0 , ai1 , . . . , ain dos
consequentes usando quadrados mínimos:

m Pk !2
i=1 wi (ai0 + ai1 x1ξ + . . . + ain xnξ )
X
Minimize yξ − Pk ,
ai0 ,ai1 ,...,ain
ξ=1 i=1 wi

em que wi = ϕA1i (x1ξ ) △ ϕA2i (x2ξ ) △ . . . △ ϕAni (xnξ ).

Observação:
Geralmente, calcula-se a ativação usando a t-norma do produto!

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 35 / 43


Ajuste dos Parâmetros

Ajuste dos Parâmetros dos Antecedentes


De um modo similar, fixado os parâmetros ai0 , ai1 , . . . , ain dos
consequentes, os parâmetros dos antecedentes são determinados
minimizando o erro quadrático médio:

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

wi (αi , βi , γi ) = ϕA1i (x1ξ ; αi , βi , γi ) △ . . . △ ϕAni (xnξ ; αi , βi , γi ),

são as ativações das regras (vistas como funções de αi , βi e γi ).

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 36 / 43


Exemplo
Considere a função f (x) = sin(πx)ex/2 e o conjunto de treinamento
{(xξ , yξ ) : ξ = 1, . . . , 41) em que xξ = 0.1(ξ − 1) e yξ = f (xξ ).
Fixado o número de regras k = 5 e as funções de pertinência dos
antecedentes como função sino generalizada, obtemos:
4

-1

-2

-3

-4

-5

-6
0 0.5 1 1.5 2 2.5 3 3.5 4

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 37 / 43


Exemplo
Considere a função f (x) = sin(πx)ex/2 e o conjunto de treinamento
{(xξ , yξ ) : ξ = 1, . . . , 41) em que xξ = 0.1(ξ − 1) e yξ = f (xξ ).
Fixado o número de regras k = 5 e as funções de pertinência dos
antecedentes como função sino generalizada, obtemos:
1

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

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 37 / 43


Previsão de Séries Temporais

Considere a série temporal de Mackey-Glass dada por

d 0.2z(t − τ )
z(t) = − 0.1z(t),
dt 1 + z 10 (t − τ )

com z(0) = 1.2, z(t) = 0 para t < 0 e τ = 17.

Usando Runge-Kutta de 4a ordem, encontramos uma série temporal


caótica (que não converge nem diverge) muito usada para avaliar o
desempenho de modelos.

O objetivo será estimar um valor futuro conhecendo os valores


passados.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 38 / 43


Série temporal de Mackey-Glass.
1.6

1.4

1.2

0.8

0.6

0.4

0.2
0 200 400 600 800 1000 1200
Tempo (s)

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 39 / 43


Para t1 = 118, t2 = 119, . . ., t1000 = 1117, definimos:

xξ = [z(tξ − 18), z(tξ − 12), z(tξ − 6), z(tξ )] e yξ = z(tξ + 6).

Os 500 primeiros pares (xξ , yξ ) foi usado para determinar o ANFIS


com 16 (24 ) regras.

Cada regra tem dois conjuntos fuzzy com função de pertinência em


forma de sino no antecedente.

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 40 / 43


A A12 A21 A22
1 11 1
Grau de Pertinência

Grau de Pertinência
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

0.6 0.8 1 1.2 0.6 0.8 1 1.2


z(t − 18) z(t − 12)

A31 A32 A A42


1 1 41
Grau de Pertinência

Grau de Pertinência
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

0.6 0.8 1 1.2 0.6 0.8 1 1.2


z(t − 6) z(t)

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 41 / 43


Série (azul) e Estimativa (vermelho)
1.4

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)

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 42 / 43


Conclusão

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.

Muito grato pela atenção!

Marcos E. Valle (DMA - IMECC - Unicamp) Inferência de Takagi-Sugeno 01/04/2015 43 / 43