Escolar Documentos
Profissional Documentos
Cultura Documentos
SISTEMAS INTELIGENTES 1
Computação Natural
CN
Inteligência Computacional
Ou Soft Computing
CE
RNA Fuzzy
Algoritmos Genéticos
Distribuição de
Variável aleatória
Probabilidades
Dist. De probabilidade
Distribuição de
Variável fuzzy
Possibilidades
Conjunto fuzzy4
Incerteza Possibilística: Fuzzy
Distribuição de
Variável fuzzy
Possibilidades
Conjunto fuzzy
Pessoas altas
Frutas
João
Banana Pedro
Laranja
Maria
Cenoura Pedro: 1,98m
João: 1,70m
Banana é fruta (crisp) x Pedro é alto (fuzzy) Maria: 1,50
Conjuntos Crisp x Fuzzy
(mesma variável)
38.9°C
37.2°C
© INFORM 1990-1998 Slide 8
Conjuntos Crisp x Fuzzy (mesma
variável)
Crisp Fuzzy
Febre alta
μ Febre alta
μ
1
1
39
38,9 39,1 Graus 39
38,9 39,1 Graus
Celsius
Celsius
Conjuntos Fuzzy (pertinência)
Funções de pertinência
Χ Coleção de objetos
Função triangular
Trapezoidal
Gaussiana
Singleton
Conjuntos Fuzzy (função de pertinência)
Função triangular: Parâmetros (a, b, m) com a ≤ m ≤ b
Triangular
1
0 se x ≤ a
(x - a) / (m - a)
se a < x ≤ m
µ=
(b - x) / (b - m) se m < x ≤ b
0 se x > b
a m b
x
Conjuntos Fuzzy (função de pertinência)
Função trapezoidal: Parâmetros (a, b, m,n) com a ≤ m ≤ n ≤ b
μ Trapezoidal
0 se x ≤ a
1
(x - a) / (m - a) se a < x ≤ m
µ= 1 se m < x ≤ n
(b - x) / (b - n) se n < x ≤ b
0 se x > b
a m n b
x
Conjuntos Fuzzy (função de pertinência)
Função Gaussiana Parâmetros (m,σ)
μ Gaussiana
µ =e (-σ (x - m) )
2
1
m x
Conjuntos Fuzzy (função de pertinência)
Singleton: Parâmetro (m)
μ Singleton
1
1 se x = m
µ =
0 caso contrário
m x
Operações com Conjuntos Fuzzy
Complemento
União
Interseção
Operações com Conjuntos Fuzzy
Negação ou Complemento
A = N (µA(x)) = 1 - µA(x)
1 ‾
A A
Operações com Conjuntos Fuzzy
. União
A
1
B
0.8
A∪B(x)
µ(x)
0.6
0.4
0.2
0
0 1 2 3 4 5
x
Operações com Conjuntos Fuzzy
. União
A
1
B
0.8
A∪B(x)
µ(x)
0.6
0.4
0.2
0
0 1 2 3 4 5
x
Operações com Conjuntos Fuzzy
. Interseção
A
1
B
0.8
µ(x)
0.6
0.4
A∩B(x)
0.2
0
0 1 2 3 4 5
x
Operações com Conjuntos Fuzzy
. Interseção
A
1
B
0.8
µ(x)
0.6
0.4
A∩B(x)
0.2
0
0 1 2 3 4 5
x
Operações com Conjuntos Fuzzy
Exemplo:
A1 → jovem;
A2 → velho;
A3 → não jovem e não velho (idade média)
A3 = N ( A1 )I N ( A2 )
Operações com Conjuntos Fuzzy
A3 = N ( A1 )I N ( A2 )
1
‾
A1
A3
‾2
A
Operações x Relações Fuzzy
Exemplos:
• pressão no freio = muito forte,
• velocidade = levemente rápido,
• altura = baixo,
• largura = médio,
• distância = mais ou menos longe.
Variável Linguística
Para Zadeh, uma variável linguística é dada por uma quíntupla:
<X, τ(X), X , G, M>
Onde:
conjunto de termos:
Muito Muito
baixa baixa média alta alta
Se X1 é A1 E X2 é A2 E ... E Xn é An então Y1 é B1 E Y2 é B2
onde
X1, X2, ..., Xn são variáveis linguísticas nos universos X1, X2, ..., Xn
A1, A2, ..., An são conjuntos fuzzy nos universos X1, X2, ..., Xn,
Fato: A’
Regra: A → B
semântica
Primeiro Passo:
Segundo Passo:
Obtenção da Conclusão
Extensão Cilíndrica
y y
Projeção Interseção
b
f(x) y=b
x=a x x=a x
Regra Composicional de Inferência
É a generalização do processo de se inferir
y y Extensão Cilíndrica
Projeção
Interseção
b y=b
x= a x x= a x
Raciocínio Fuzzy
a) Definição da semântica da regra (ou relação) R:(A → B)
Passo a passo
Extensão
y y Cilíndrica
Interseção
R: A → B R: A → B
B B´
B´
Projeção
x x
A
A´ A´
Raciocínio Fuzzy
Dois passos principais:
B´ = A´ o R
A -> B : semântica
conjuntiva
Extensão Cilindrica:
Replicar A’ ao longo de y
Interseção: Minimo
Projeção: Maximo
A -> vermelho
A´ -> alaranjado
B -> maduro
B´-> levemente maduro
A -> B : semântica
conjuntiva
Extensão Cilindrica:
Replicar A’ ao longo de y
Interseção: Minimo
Projeção: Maximo
Raciocínio Fuzzy x Inferência Min-Max
1 variável de entrada e
1 variável de saída
Operadores:
agregação de antecedentes,
semântica da regra,
agregação das regras,
método de defuzzificação.
Exemplo: sistema de controle de freios
Variáveis de entrada:
Velocidade do carro
Variável de saída:
Força no freio
Exemplo: sistema de controle de freios
Base de dados:
Velocidade do carro
V
pequena grande
μ
Distância para o obstáculo
D
Pouco Força Muito
forte média forte
μ
Força no freio
F
Exemplo: sistema de controle de freios
Base de Regras:
alta pequena
muito
forte
3) Saída Inferida pela regra
60 km/h 20 m
60 km/h
1) Matching das entradas com as regras
grande
baixa pouco
forte
60 km/h 20 m
1) Matching das entradas com as regras
Inferência Fuzzy: Min Max
alta pequena
muito
forte
60 km/h 20 m
Defuzzificação
µPo
0
γ1 γ2
z
Métodos de Defuzzificação
* γ1 +γ 2
z =
2
µP
o
0
γ1 γ2
z
z*
Métodos de Defuzzificação
*
z = γ1
µP o
0 γ1 γ2
z
z*
© INFORM 1990-1998 Slide 57
Métodos de Defuzzificação
*
z =γ2
µP o
0 γ1 γ2
z
z*
Métodos de Defuzzificação
*
∫ µ P ( z ) zdz
o
z
CENTROIDE OU CENTRO DE GRAVIDADE(CoG): z =
∫ µ P ( z )dz
o
z
*
∑z µ
k =1
k Po ( zk ) µP o
z = q
∑µ
k =1
Po ( zk )
0
z0 zq
z
Aplicações: Controle
Máquina de Lavar Fuzzy
BASE DE DADOS
BASE DE REGRAS
Base de Regras: Máquina de Lavar Fuzzy