Escolar Documentos
Profissional Documentos
Cultura Documentos
br/rbgeo
Este trabalho apresenta uma introdução aos princípios, ideias, vantagens e desvantagens,
Luciana Maria da Silva além de distintos trabalhos que vem utilizando a Lógica Fuzzy como ferramenta de estudo,
lumasilva15@gmail.com
orcid.org/0000-0001-9544-9748 com foco em Ciências. Lógica é a ciência que tem por objetivo o estudo das leis do
Universidade Estadual de Campinas
(UNICAMP), Campinas, São Paulo, Brasil. raciocínio. A lógica clássica é desde o tempo de Aristóteles onde se baseia na bivalência de
V (verdadeiro) ou F(falso). A lógica fuzzy ou nebulosa é baseada na teoria dos conjuntos
Esdras Jafet Aristides da Silva
esdras.jafet@upe.br fuzzy. A partir dos anos 70, a lógica fuzzy foi disseminada em aplicações industriais, após
orcid.org/0000-0001-7510-6238 inúmeras tentativas frustradas do Prof. Mandani em controlar uma máquina a vapor com
Universidade de Pernambuco (UPE),
Universidade Federal de Pernambuco distintos controladores, conseguindo bons resultados a partir do sistema fuzzy. No
(UFPE), Recife, Pernambuco, Brasil.
decorrer das décadas sua utilização vem avançando em distintas áreas de estudos,
Leandro Mendes Ferreira pesquisas e desenvolvimento. Vale destacar que, atualmente, a logica fuzzy é fundamental
leandroimail@gmail.com
orcid.org/0000-0003-0680-1100
para aplicações em áreas incertas, onde a partir desta pode-se quantificar e qualificar as
Universidade de São Paulo (USP), São variáveis estudadas.
Paulo, São Paulo, Brasil.
Página | 149
Segundo Rezende (2005), a teoria dos conjuntos fuzzy pode ser vista como
uma extensão da teoria clássica de conjuntos, e foi criada para tratar graus de
pertinência. O conjunto fuzzy F de um universo U é caracterizado por uma função
de pertinência, representada por μF :U →[0, 1], onde associa a cada x ∈U um
número real μF (x) no intervalo [0, 1], representando o grau de pertinência de x
em F. Sendo U o conjunto universo, logo F é o subconjunto de pontos de U, para
o qual μF (x) é positivo (ZADEH, 1965; REZENDE, 2005). Pode-se definir um
conjunto universo U discreto que reúne todos os números entre -10 e 10 do
conjunto Z dos números inteiros, esta definição pode ser expressa pela Equação
1.
0,5
U
0
-15 -10 -5 0 5 10 15
Fonte: Silva (2013) adaptado de Rezende (2005)
0 se x ≤a
x-a
se a <x ≤m
m-a
μp ሺxሻ= ൞ b-x (3)
se m <x ≤b
b-m
0 se x >b
Página | 152
A função trapezoidal tem os seguintes parâmetros (a, m, n, b), onde
a≤m, n≤b e m < n, logo a Equação 4 pode ser escrita da seguinte forma:
A função Gaussiana tem os seguintes parâmetros (m, σk), onde σk > 0, logo
a Equação 5 pode ser escrita da seguinte forma:
m:valor modal
onde: ൜
σk :dispersão
h se x=m
μp ሺxሻ= ቄ (6)
o caso x ≠m
Página | 154
Analisando a equação (9), supondo os predicados limpa e protegida de uma
praia. Se a praia x é 0,5 (razoavelmente limpa) e tem um valor de proteção igual à
Figura 3 – Representação Gráfica com conjunto nebuloso: (a) conjuntos A e B; (b) união;
(c) intersecção; d (complemento)
Página | 155
MODELO MAMDANI
Página | 158
D(k) =T ቂμAk ሺx1 ሻ, μAk ሺx2 ሻ, …, μAkp ൫xp ൯ቃ = min [ μAk ሺx1 ሻ, μAk ሺx2 ሻ, …, μAkp ൫xp ൯] (11)
1 2 1 2
μB'i ሺyሻ= ቂT ൬Dሺkሻ , μBi ሺyሻ൰ቃ = ቂmin ൬Dሺkሻ ,μBi ሺyሻ൰ቃ , ∀ yϵ Uy2 (12)
MODELO TAKAGI-SUGENO-KANG
Segundo Rezende (2005) um modelo TSK com múltiplas saídas sempre pode
ser transformado em múltiplos modelos de saída única. A saída numérica é
calculada diretamente pela soma das saídas das regras, ponderada pelos valores
de ativação D(k).
Geralmente, o modelo TSK é utilizado para substituir um modelo matemático
convencional em esquema de controle ou modelagem de sistemas reais. Sendo
que há necessidade do modelo ser ajustado para representar o comportamento
do sistema real (REZENDE, 2005).
O algoritmo de mínimos quadrados recursivos (MQR) pode ser utilizado para
estimar a minimização do erro quadrado entre a saída do modelo TSK e os dados
de saída disponível. Para estimar-se o MQR considera-se uma matriz X de
dimensões m x k (p+1), onde m são os padrões, k as regras e p são as entradas, e
um vetor Y de dimensão m e um vetor P de parâmetros de dimensão k (p+1).
Mais detalhes do processamento de TSK podem ser visto em Takagi e Sugeno
(1983); Sugeno e Yasukawa (1993), Rezende (2005), entre outros.
Página | 160
Página | 162
Página | 163
Página | 164
ALVES, A., MARQUES, M. E SOUZA, F.J. Análise do potencial erosivo dos solos em
bacias hidrográficas: Aplicação da Lógica Nebulosa (Fuzzy) no diagnóstico
ambiental. Pesquisa Agropecuária e Desenvolvimento Sustentável, PESAGRORIO,
v. 1, n. 1, p.1-13, 2002.
BENZ, U. C.; HOFMANN, P.; WILLHAUCK, G.; LINGENFELDER, I.; HEYNEN, M. Multi-
resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready
information. ISPRS Journal of Photogrammetry & Remote Sensing: Elsevier. vol.
58, p. 239-258, 2004.
HESTER, D. B.; NELSON, S. A. C.; CAKIR, H. I.; KHORRAM, S.; CHESHIRE, H. High-
resolution land cover change detection based on fuzzy uncertainty analysis and
change reasoning. Taylor & Francis: International Journal of Remote Sensing, v.
31, n. 2, p. 455-475, 2010.
JANG. J. S.; MIZUTANI. E.; SUN. C. T. Neuro – Fuzzy and soft computing: A
computational approach to learning and machine intelligence. Londres: Prentice
Hall, 1997.
LEE, C. C. Fuzzy Logic in Control Systems: Fuzzy Logic Controller: Parte II. IEEE
Transactions on Systems, Man, and Cybernetics, v. 20, n. 2, p. 419-435, 1990.
LEE, D. H.; JUANG, C.H. Evaluation of failure potential in mudstone slopes using
fuzzy sets. ASCE Geotechnical Special Publication N. 31, Stability and
Performance of Slopes and Embankments – II, v. 2, p. 1137-1151, 1992.
Página | 166
LIZARAZO, I. Fuzzy image regions for estimation of impervious surface areas.
Taylor & Francis: Remote Sensing Letters, v. 1, n. 1, p.19-27, 2010.
R. bras. Geom., Curitiba, v. 7, n. 3, p. 149-169, jul/set. 2019.
MACBEAN, E. A., ROVERS, F.A. E., FARQHAR, G. J. Solid Waste Landfill
Engineering and Design. PrenticeHall Inc. Englewood Cliffs. New Jersey, USA,
1995, 521p.
MITRA, B., SCOTT, D., DIXON, C. E MCKIMMEY, J. Application of fuzzy logic to the
prediction of soil erosion in a large watershed. Geoderma, v. 86, n. 4, p.183- 209,
1998.
SHAW, I.S.; SIMÕES, M.G. Controle e Modelagem Fuzzy. 2ª ed. São Paulo:
Blücher, 2007.
Página | 169