Lógica Fuzzy

● Introdução à Lógica Fuzzy

● Definições e Características Básicas da Lógica Clássica

Notas de aulas: Prof. Ivan Nunes Silva

PEDRYCZ, W.; GOMIDE, F., “Fuzzy Systems Engineering – Toward Human-Centric Computing”,
Editora John Wiley & Sons, 2007.
TSOUKALAS, L. H., “Fuzzy and Neural Approaches in Engineering”, Wiley-Interscience, 1997.
Prof. Virgílio de Melo Langoni

Introdução

● Sistemas Fuzzy → possuem como objetivo principal tentar aproximar o processo de decisão
computacional da decisão humana.
✗ O intuito é que a decisão não seja apenas um sim ou um não, mas também tenha decisões abstratas
do tipo próximo de, em torno de, muito alto, etc.

● Suas principais características são:

✗ Expressam imprecisões e incertezas;
✗ Baseiam-se em regras linguísticas;
✗ Raciocínio é executado de forma aproximada;
✗ Conclusões são obtidas de forma paralela;
✗ Independem da modelagem matemática.

● Sistemas Fuzzy:

✗ Se importam mais com dados qualitativos ou a maioria dos dados é qualitativa.

✗ Utilizados em sistemas com poucos dados ou quando há incerteza nos dados disponíveis.
✗ Tratam de sistemas lineares e não lineares (As técnicas convencionais tratam bem sistemas
lineares. Para sistemas não lineares faz-se uma linearização próximo do ponto de operação.
Problema: quando há muitos pontos de operação).

● Histórico resumido:

1965 → conceitos de conjuntos fuzzy (Lotfi Zadeh, “Fuzzy Sets”).

1974 → primeira aplicação em controle utilizado em máquina a vapor (Queen Mary College).
1987 → primeiro sistema de controle real (metrô de Sendai – Japão).
1988 → surgimento de chips fuzzy dedicados.
1992 → 1o congresso internacional (IEEE – Automatic Control).
1993 → Publicação do “IEEE Transactions on Fuzzy Systems”.

● Tomemos como exemplo a altura das pessoas.

● Um indivíduo com altura de 1 m é baixa, enquanto um indivíduo com altura de 1,90 m é aceita como
alta.
● Pergunta: qual a faixa de valores de altura que poderiam qualificar uma pessoa como alta?

✗ A natureza desse conceito (e de muitos outros) é tal que não se pode utilizar um simples número,
pois a transição entre a noção de alto e baixo não é abrupta de forma alguma.
Definições e Características Básicas da Lógica Clássica
Conceitos de Lógica Clássica

● Lógica clássica (Aristoteliana, Binária).

✗ Os objetos são classificados em categorias muito bem definidas, ou seja, um objeto pertence a
uma determinada categoria ou não.

● Conjuntos clássicos ou não fuzzy são chamados de conjuntos crisp.

● Definição 1 → Universo de Discurso: refere-se ao domínio ou espaço onde estão definidos os

elementos do conjunto.

● Definição 2 → Função Característica: é a função que mapeia cada elemento de um universo de discurso
X de um conjunto A para o conjunto {0;1}, considerando se um elemento é ou não membro do conjunto.
Formalmente, tem-se:

● Exemplo: Sejam os seguintes conjuntos.

● Função característica:

● Em termos gráficos, tem-se:

● Definição 3 → Conjunto Convexo: um conjunto A ∈ℝN é chamado convexo se para todo x,

pertencente ao segmento de reta que une dois pontos, P1 e P 2, pertence também ao conjunto A. Em
termos matemáticos, tem-se:

● Definição 4 → Conceito de Subconjunto: um conjunto A é um subconjunto de B, se todos os elementos

de A forem também elementos de B. Matematicamente:

● Definição 5 → Cardinalidade: é o número de elementos contidos em um determinado conjunto.

● Definição 6 → Conjunto Potência: é a família de todos os subconjuntos derivados de um conjunto

primitivo A.

● Definição 7 → Conjunto Complemento: o complemento de A em relação a B é o conjunto contendo

todos os elementos de B que não pertencem a A.

● Definição 8 → Conjunto União: é formado por todos os elementos de A e B.

● Definição 9 → Conjunto Interseção: é formado por todos os elementos que pertencem simultaneamente
a A e B.

● Algumas propriedades referentes às operações anteriores são:

● Exemplo: Sejam os seguintes conjuntos: A = {1, 2, 3, 4} e B = {4, 5, 6}

● Conjuntos Fuzzy
● Funções de Pertinência
● Caracterização dos Conjuntos Fuzzy

Conjuntos Fuzzy

● Conjuntos fuzzy servem como um meio para a representação e manipulação de dados que não são
precisos.
● Na teoria clássica de conjuntos, um subconjunto A de um conjunto X pode ser definido através de sua
função característica xA, que mapeia os elementos de X aos elementos do conjunto {0,1}, ou seja:
● O mapeamento pode ser representado por um conjunto de pares ordenados, da seguinte forma:

● De forma similar, um subconjunto fuzzy A de um conjunto X, pode ser definido como um conjunto de
pares ordenados onde o primeiro elemento vem de X e o segundo elemento pertence ao intervalo [0,1],
com apenas um par ordenado para cada elemento de X, ou seja:

● O valor 0 é utilizado para representar uma completa não pertinência, enquanto o valor 1 é utilizado para
representar uma total pertinência. Os valores entre 0 e 1 são utilizados para representar uma pertinência
parcial.

● A terminologia utilizada para denotar um conjunto fuzzy pode ser realizada de duas formas, as quais
ficam em função da representação dos dados do universo de discurso.

✗ Para um universo de discurso X que seja discreto, tem-se:

✗ Para um universo de discurso X contínuo, tem-se:

Obs: O símbolo + não tem o significado de soma e o símbolo de integral representa a composição total
dos elementos de A.

Alguns tipos de Funções de Pertinência:

● Uma notação mais concisa pode ser utilizada para a expressão da função de pertinência triangular:

● Uma notação mais concisa pode ser utilizada para a expressão da função de pertinência trapezoidal:
Caracterização dos Conjuntos Fuzzy

● Os conjuntos fuzzy são completamente caracterizados pelas suas funções de pertinência.

✗ Dessa forma, as propriedades dos conjuntos fuzzy se originam diretamente das propriedades de
suas funções de pertinência.

● Em princípio, qualquer função μA(x): X → [0, 1], se torna potencialmente elegível para representar a
função de pertinência do conjunto fuzzy A.

✗ Na prática, o tipo e a forma da função de pertinência deve refletir completamente a natureza do

fenômeno que se deseja modelar.

● Conclui-se que há uma grande diversidade de funções de pertinência que podem ser utilizadas.
● Assim, algumas características (descritores) em comum podem ser definidas para capturar a essência
dos conjuntos fuzzy.

Definição 1: Conjunto Fuzzy Normalizado → um conjunto fuzzy A é normalizado se pelo menos um de

seus elementos possui grau de pertinência igual a 1.

● Caso contrário, o conjunto fuzzy é dito subnormalizado.

Definição 2: Altura de Conjunto Fuzzy → corresponde ao maior grau de pertinência assumido por um de
seus elementos.

● Processo de normalização → converte um conjunto subnormalizado em sua contraparte. É realizado da

seguinte forma:

Definição 3: Suporte de Conjunto Fuzzy → é o conjunto de todos os elementos do universo de discurso

que possuem graus de pertinência maiores do que zero.

● O conjunto suporte identifica todos os elementos de X que exibem alguma associação com o conjunto
fuzzy sob consideração.
Definição 4: Núcleo de Conjunto Fuzzy → é o conjunto de todos os elementos do universo de discurso
que possuem graus de pertinência iguais a 1.

Definição 5: Cardinalidade → é a soma dos graus de pertinência de todos os elementos do conjunto fuzzy.

● A cardinalidade de um conjunto fuzzy está associada ao conceito de granularidade (especificidade) da

informação.

✗ Quanto mais descritível um conjunto A for, mais elementos desse conjunto serão determinados.

Definição 6: Cortes α → um corte α em um conjunto fuzzy A, denotado por A α , é especificado por um

conjunto crisp (não fuzzy) que contém todos os elementos de A que possuem grau de pertinência maior ou
igual a α.

Definição 7: Conjunto Fuzzy Convexo → um conjunto fuzzy A é dito convexo se, e somente se, for
observado a seguinte desigualdade.

● A desigualdade indica que sempre que se escolher um elemento x, sobre o segmento de reta que liga x 1
e x2, o ponto (x, μ(x)) sempre estará acima ou sobre a linha passando através dos pontos (x 1,μ(x1)) e (x2,
μ(x2)).

● Se um conjunto fuzzy é convexo, então todos os seus cortes α também são convexos.

● Da mesma forma, se um conjunto fuzzy tem todos os seus cortes a convexos, então o conjunto fuzzy
também é convexo.
● Conjunto União
● Conjunto Interseção
● Conjunto Complemento
● Funções T-Norma e S-Norma

● As operações básicas de união, interseção e complemento em conjuntos fuzzy são normalmente

definidas em função dos operadores max {∧} e min {∨}.
● Assim, utilizando as funções max e min em dois conjuntos fuzzy A e B, definidos em um mesmo
universo de discurso X, tem-se as seguintes definições:

Definição 1: Conjunto União → é formado por todos os valores máximos entre μA(x) e μB(x), para todo
x∈X, ou seja:

Definição 2: Conjunto Interseção → é formado por todos os valores mínimos entre μA(x) e μB(x), para
todo x∈X, ou seja:

Definição 3: Conjunto Complemento → é formado pela subtração de μA(x) do valor unitário, ou seja:

● Generalizando, para uma coleção de m conjuntos fuzzy Ai, todos definidos em um mesmo universo de
discurso X, tem-se as seguintes operações:

Exemplo: Sejam os conjuntos fuzzy A e B, definidos no universo de discurso X = {1, 2, 3, 4, 5}, com A =
0,2/1 + 0,5/2 + 1,0/3 + 0,8/4 + 0,1/5 e B = 0,1/1 + 1,0/2 + 0,9/3 + 0,3/5.

a ) μA⋃μB = 0,2/1+1,0 /2+1,0/3+0,8/ 4+0,3/5

b ) μA⋂μB = 0,1/1+0,5/ 2+0,9/3+0,1/5
c ) μA = 0,8/1+0,5/2+0,2/ 4+0,9/5

Exercício: Sejam os conjuntos fuzzy A e B, representados pelas funções de pertinência da figura seguinte.
Obtenha os conjuntos união e interseção.
● Existem na literatura diversos tipos de operadores que executam as operações de união e interseção
entre conjuntos fuzzy.
● Para que um operador de interseção possa ser utilizado na realização de operações fuzzy, tal operador
deve ser classificado como uma T-Norma.

Definição 4: T-Norma → é uma operação matemática binária T:[0,1] x [0,1] → [0,1] que deve satisfazer
as seguintes propriedades:

1) aT 1 = a ; a T 0 = 0 (condições de contorno)
2) aT b = bT a (comutativa)
3 ) a T ( b T c) = ( a T b) T c (associativa)
4 ) se a≤ b e c ≤ d → a T c ≤ b T d (monotonicidade)

● Por outro lado, para que um operador de união possa ser utilizado na realização de operações fuzzy, tal
operador deve ser classificado como uma S-Norma.

Definição 5: S-Norma → é uma operação matemática binária S:[0,1] x [0,1] → [0,1] que deve satisfazer
as seguintes propriedades:

1) a S 1 = 1 ; aS 0 = a (condições de contorno)
2) a S b = b S a (comutativa)
3 ) a S ( b S c) = ( a S b) S c (associativa)
4 ) se a≤ b e c ≤ d → a S c ≤ b S d (monotonicidade)

● Nota-se, portanto, que o operador min é de fato uma T-Norma, ao passo que o operador max é uma S-
Norma.

● Alguns outros exemplos de operações do tipo T-Norma:

a ) Produto Algébrico : μA(x)⋅μB(x) = μA(x)∗μB(x)

b ) Produto Limitado : μA(x)⊗μB(x) = max (0, μA(x)+μB(x)−1 )

c ) Produto Drástico :

● Alguns outros exemplos de operações do tipo S-Norma:

a ) Soma Algébrica : μA(x)+μB(x) = μA(x)+μB(x)−μA(x)∗μB(x)

b ) Soma Limitada : μA(x)⊕μB(x) = min (1, μA(x)+μB(x) )

c ) Soma Drástica :
● Conceito de Relação Fuzzy
● Operações com Relações Fuzzy

● Uma relação matemática indica como estão associados os elementos de um conjunto em relação aos
elementos de um outro conjunto.
● Numa relação fuzzy, o nível de associação entre dois conjuntos fuzzy é fornecido por meio de graus de
associação que possuem valores entre 0 e 1, ou seja:

Exemplo: Seja a relação fuzzy definida pela regra x está em torno de y, onde x ÎX e y ÎY, cujos universos
de discurso são especificados por x = {x1, x2, x3} e y = {y1 , y2, y3}. Esboçar as formas de
representação a partir dos valores abaixo.

R(x, y) = 0,8/(x1 , y1) + 0,3/(x1, y2) + 0,7/(x1, y3) + 0,4/(x2, y1) + 0,9/(x2, y2) + 0,6/(x2, y3) + 0,1/(x3, y1) +
1,0/(x3, y3)

a) Matriz de relação fuzzy b) Grafo direcionado

● As operações básicas referentes às relações fuzzy são especificadas de forma similar àquelas definidas
para os conjuntos fuzzy.
● Assim, dadas duas relações fuzzy R(x, y) e S(x, y), onde x  X e y  Y, as principais operações básicas
efetuadas entre essas relações são as seguintes:

a) Operação de União →

b) Operação de Interseção →

c) Operação de Complemento →

Exemplo: Sejam as relações fuzzy R(x, y) e S(x, y), onde x  X e y  Y, representadas pelas seguintes
matrizes relacionais:

Obtenha os resultados das seguintes operações:

a) R(x, y) ∪ S(x, y) b) R(x, y)  S(x, y) c) S(x, y)

● Conceito de Composição de Relações Fuzzy
● Composição max-min
● Composição max-prod
● Composição max-média

● A combinação de duas ou mais relações fuzzy, definidas em espaços distintos, pode ser realizada por
meio de operadores que permitam a composição das respectivas relações.
● As principais técnicas são:

a) Composição max-min: Sejam duas relações fuzzy R(x, y) e S(y, z), definidas respectivamente nos
produtos cartesianos X  Y e Y  Z. A composição do tipo max-min, denotada por R◦S, é definida por:

● Onde a matriz resultante R◦S(x, z) será agora definida no produto cartesiano X  Z.

Exemplo: Sejam as relações fuzzy R(x, y) e S(y, z), definidas pelas seguintes matrizes:

Então, a matriz resultante de R◦S é definida pelos seguintes elementos:

Efetuando o cálculo para os elementos da primeira linha, tem-se:

μ( x1, z1 ) =max {min[ R( x1, y1 ), S ( y1, z1 )]; min[ R( x1, y2 ), S ( y2, z1 )]; min[ R( x1, y3 ), S ( y3, z1 )] ;
min[ R( x1, y4 ), S ( y4, z1 )]}

μ( x1, z1 ) =max {min[0,1; 0,2]; min[0,6; 0,4] ; min [0,4;1,0]; min[0,9; 0,9]}

μ( x1, z1 ) = max {0,1; 0,4; 0,4; 0,9 } = 0,9

Agora, efetue os cálculos para as demais células.

b) Composição max-prod: É definida por:

● Onde a matriz resultante R•S(x, z) será agora definida no produto cartesiano X  Z.

c) Composição max-média: É definida por:

● Onde a matriz resultante RS(x, z) será agora definida no produto cartesiano X  Z.

● Deve-se ressaltar que a composição de relações fuzzy possui um papel fundamental nos procedimentos
envolvendo os sistemas de inferência fuzzy, os quais são baseados em regras linguísticas.

Exercício: Faça as composições max-prod e max-média para as relações fuzzy R(x, y) e S(y, z), definidas
pelas matrizes apresentadas anteriormente.

Respostas

● Conceito de Números Fuzzy

✗ Convexidade e Normalidade
● Operações com Números Fuzzy
✗ Adição e Subtração entre números fuzzy
✗ Multiplicação e Divisão entre números fuzzy
✗ Operações de mínimo e máximo
● Conceito de Variáveis Linguísticas

● Os números fuzzy são também constituídos por conjuntos fuzzy, os quais permitem a quantificação da
incerteza associada a uma dada informação.
● A representação de grandezas associadas às declarações do tipo em torno de 8, perto de 50 e
aproximadamente 7, podem ser mapeadas por meio de números fuzzy.
● Um número fuzzy pode ser então definido como sendo um conjunto fuzzy, representado por uma dada
função de pertinência tendo as seguintes propriedades de caracterização:

a) Convexidade: μ(λ∗x1 +(1−λ)∗x2 ) ≥ min∀ x1, x2 ∈ X (μ( x1 ),μ( x2 ))

b) Normalidade: μ( x ) = 1; para algum x ∈ X

● A descrição de números fuzzy pode ser efetuada por meio do teorema da representação, que diz que
qualquer conjunto fuzzy pode ser também especificado por uma coleção de α-cortes. Assim, para um
conjunto fuzzy A, tem-se:

Onde Aα é o intervalo do universo de discurso em que μA(x) ≥ α.

● Portanto, um α-corte em A deve ser representado por um par de valores a 1(α) e a2(α) que representam o
domínio de um α-corte em A. Por exemplo:
● As operações de adição, subtração, multiplicação e divisão entre números fuzzy são realizados por meio
de manipulações sobre seus α-cortes.
● Em se tratando de aritmética entre números fuzzy, é válido observar que os resultados de tal aritmética
podem ser bem diferentes daqueles da aritmética entre reais.

a) Adição entre números fuzzy

● Sejam dois números fuzzy A e B, definidos num universo de discurso X, representados respectivamente
pelas funções de pertinência μA(x) e μB(x). A operação de adição entre A e B é dada por:

Cujo resultado da operação fornece:

Exemplo: Sejam os números fuzzy representando 2 e 6, definidos num mesmo universo de discurso X, os
quais são representados pelas funções μA(x) e μB(x), conforme ilustradas na sequência.

Considerando-se os valores de 11 α-cortes, o resultado de A + B pode então ser calculada.

● A partir dos α-cortes armazenados em C, pode-se então reconstruir o número fuzzy C, que é resultante
da soma entre A e B.
b) Subtração entre números fuzzy

● Sejam dois números fuzzy A e B, definidos num universo de discurso X, representados respectivamente
pelas funções de pertinência μA(x) e μB(x). A operação de subtração entre A e B é dada por:

Cujo resultado da operação fornece:

c) Multiplicação entre números fuzzy

● Sejam dois números fuzzy A e B, definidos num universo de discurso X, representados respectivamente
pelas funções de pertinência μA(x) e μB(x). A operação de multiplicação entre A e B é dada por:

Cujo resultado da operação fornece:

d) Divisão entre números fuzzy

● Sejam dois números fuzzy A e B, definidos num universo de discurso X, representados respectivamente
pelas funções de pertinência μA(x) e μB(x). A operação de divisão entre A e B é dada por:

Cujo resultado da operação fornece:

● Dados dois números fuzzy A e B, definidos num mesmo universo de discurso, o mínimo e o máximo
entre estes dois valores são dados por:

● É comum, nas observações dos fenômenos físicos, o uso de variáveis para descrever ou caracterizar os
seus estados.
● Por exemplo, pode-se descrever o ambiente em que estamos a partir de palavras como confortável,
ensolarado, silencioso, dentre outros.
● Em particular, pode-se descrever as condições do ambiente onde estamos através da variável
temperatura com valores escolhidos em um intervalo X = [0, 40].
● Alternativamente, a variável temperatura poderia ser caracterizada utilizando-se palavras como frio,
confortável e quente.
● Aparentemente, o uso de um valor numérico preciso como 20°C parece mais simples para caracterizar o
ambiente do que o uso de um termo mal definido como confortável.
● Observe que a descrição linguística confortável é uma escolha de um entre três valores; enquanto que
20°C é uma escolha de um entre muitos valores.
● Poder-se-ia continuar tomando a descrição linguística confortável e descrevê-la como aproximadamente
20°C. Assim, a quantidade numérica 20°C pode ser visualizada como um ponto em um conjunto e o valor
confortável da variável temperatura pode ser visto como uma coleção de valores de temperaturas em uma
região limitada, centrada em 20°C.
● Dessa forma, conjuntos fuzzy provê uma forma de mapear um termo de um conjunto finito para uma
escala linguística cujos valores são conjuntos fuzzy.
● Assim, considere frio = [0, 15], confortável = [15, 30] e quente = [30, 40].
● Em contraste com a ideia de variáveis numéricas, a noção de variável linguística pode ser considerada
como sendo uma variável cujos valores são conjuntos fuzzy.
● De forma geral, uma variável linguística pode assumir valores que consiste de palavras ou sentenças
expressas em uma certa língua.
● Formalmente, uma variável linguística é caracterizada por uma quíntupla (x, T(x), X, G, M), onde:

x → nome da variável;
T(x) → conjunto de termos linguísticos da variável x;
X → universo de discurso;
G → regra sintática (gramática) para gerar termos linguísticos;
M → regra semântica que liga a cada termo linguístico, o seu significado.

Exemplo: Considere a variável linguística temperatura, definida pela seguinte quíntupla:

x = temperatura X = [0, 40] T(temperatura) = {frio, confortável, quente}

M(frio) → F; M(confortável) → C; M(quente) → Q

● Conceito de Inferência Fuzzy
✗ Operações com Variáveis Linguísticas
✗ A Inferência Fuzzy
● Estimadores Fuzzy
✗ Inferência do Estimador Fuzzy
● Métodos de Defuzzificação

Conceito de Inferência Fuzzy

● Sistemas de inferência fuzzy oferecem uma forma sistemática para a modelagem de processos, cujas
informações a respeito de tal processo são fornecidas de forma qualitativa.
● Dentro deste contexto, a representação do sistema pode ser feita por variáveis linguísticas, as quais
expressam o comportamento do processo. Como exemplo, tem-se a variável linguística velocidade,
representada por:

Operações com Variáveis Linguísticas

● As principais operações entre as variáveis linguísticas é realizada por meio dos conectivos “E”, “OU” e
“NÃO”.
● Para os conectivos “E” e “OU”, os quais são utilizados para compor os relacionamentos lógicos entre
os termos das variáveis, os mesmos são respectivamente definidos por meio dos operadores de interseção
(T-Norma) e união (S-Norma).
● Assim, dado dois sistemas A e B de uma determinada variável linguística, tem-se os seguintes
relacionamentos:

A Inferência Fuzzy

● O processo de inferência fuzzy ou raciocínio aproximado permite o mapeamento do conhecimento

sobre determinado sistema mediante um conjunto de regras fuzzy do tipo se (condição) então (ação).
● Normalmente, os processos de inferência fuzzy utilizam a regra de Modus Ponens Generalizado, o qual
é explicitado por:

FATO : x é A'-----------------------------> premissa

REGRA : Se x é A então y é B --------> RA → B
CONSEQUÊNCIA: y é B ' ------------> ação

● Onde A' é um fato observável e B' representa a consequência da aplicação simultânea de regras da
forma se (condição) então (ação).
● A regra de inferência anterior pode ser interpretada por: se x é A' é verdade e sabendo-se que x é A
implica em y é B, então é também verdade que y será realmente B'.
● Logo, se o conjunto A implica diretamente no conjunto B (A → B), então esta operação de implicação
pode ser transformada em uma relação de implicação RA → B(x, y).
● Agora, para se obter B', basta relacionar (compor) o conjunto A' (um fato observável), com a relação de
implicação RA → B(x, y).
● Como exemplo, utilizando a operação de composição max-min, tem-se:

● A obtenção da função de pertinência relativa à relação de implicação R A → B pode ser computada usando
os operadores de implicação.

a) Implicação de Mandani (Mínimo de Mandani):

b) Implicação de Zadeh (max-min de Zadeh):

c) Implicação de Larsen (Produto de Larsen):

d) Implicação Aritmética:

e) Implicação Booleano:

● Consequentemente, o fato A' pode ser representado por um Singleton, definido por: Singleton → é um
caso particular de conjunto fuzzy normalizado cujo suporte é um único ponto x, pertencente a X, com
μ(x) = 1, o qual é usado para mapear grandezas pontuais.

Exemplo: Sejam os conjuntos fuzzy A e B representados pelos gráficos a seguir.

● Utilizando a implicação de Mandani, calcule então o conjunto B' inferido a partir de um valor pontual
(sinal) x = 4.

Resolução

Analisando-se os gráficos, tem-se:

Conjunto fuzzy B' resultante de A → B

Estimadores Fuzzy

● Após a fuzzificação das entradas, realiza-se só procedimentos de inferência, os quais fornecerão como
resultado final uma região fuzzy de saída e que estará relacionada com a saída do processo.
● Os passos para o alcance dessa região fuzzy de saída são constituídos por:

1)Encontrar todas as regras que estejam ativadas (entradas diferentes de zero);

2)Determinar a saída fuzzy de cada uma das regras ativadas;
3)Combinar (agregar) todas as saídas fuzzy calculadas no passo anterior.

Inferência do Estimador Fuzzy

● Considera-se aqui, sem perda de generalidade, um sistema composto por duas entradas e uma saída.
● As variáveis linguísticas de entrada x e y são compostas respectivamente por um conjunto de termos
fuzzy {A1, A2, ...AN} e {B1, B2, ...BM}. A variável de saída z é especificada no conjunto de termos {C1,
C2, ...CL}. Então, tem-se as seguintes regras:

FATO 1 : x é A '
FATO 2 : y é B '
REGRA1: Se ( x é A1 ) e ( y é B1 ) então z é C1
REGRA 2 : Se ( x é A1 ) e ( y é B2 ) então z é C2
● Para se obter a relação de implicação R A e B → C, basta-se então aplicar o conectivo “e” em todas as regras
que estejam ativadas. Em termos de grau de pertinência, tem-se:

● Em seguida, deve-se detectar todas as regras ativadas e suas respectivas contribuições.

● Por meio da composição max-min, tem-se então para cada regra ativada k, a seguinte relação:

● Finalmente, basta-se combinar todas as regiões fuzzy de saída C' k (z) visando a produção de uma única
região C'(z) que representa a agregação de todas C'k(z), isto é:

Métodos de Defuzzificação

● Para se determinar o valor crisp (pontual) a ser obtido a partir de C'(z), deve-se então aplicar os
métodos de defuzzificação, cujos principais são os seguintes: