ET69B – SISTEMAS INTELIGENTES

AULA 08 – SISTEMAS DE INFERÊNCIA

FUZZY: RELAÇÕES FUZZY

Professor Edson A. R. Theodoro

DAELE – UTFPR/Cornélio Procópio
 2

O que aprenderemos?

• O que são relações fuzzy?

• Como compor regras fuzzy? E qual sua

relação com o processo de inferência
fuzzy?

• Como avaliar as entradas e produzir saídas

utilizando um sistema fuzzy?
 3

Relações e inferência fuzzy

• No domínio fuzzy as relações desempenham o mesmo
papel que as funções no domínio convencional.
• As regras fuzzy se/então (rules if/then) e suas
composições (algoritmos fuzzy) têm importância central
nas aplicações de engenharia.
• Dito isto, relações implicam na associação entre
elementos de diferentes conjuntos.
• No que se refere às relações fuzzy, geralmente, estas
exprimem a pertinência de uma determinada associação
entre elementos de universos de discurso distintos.
• Relações fuzzy podem ser interpretadas como
conjuntos fuzzy em um universo de discurso de mais
alta dimensão (derivado do produto cartesiano entre os
universos de discurso envolvidos na relação).
 4

Relações e inferência fuzzy

• Relações são ordenadas, ou seja, dado um par de
elementos (𝑝, 𝑞) pertencente a uma relação 𝑅, temos
que 𝑝𝑅𝑞 não necessariamente é igual a 𝑞𝑅𝑝.
• OBS: Funções são definidas como mapeamentos do
domínio na imagem do tipo muitos-para-um, mas relações
são mapeamentos mais gerais de muitos-para-muitos.

• Formalmente podemos representar uma relação

fuzzy como uma coleção de singletons da seguinte
forma:
𝑅 = {( 𝑥, 𝑦 , 𝜇𝑅 (𝑥, 𝑦))}, com (𝑥, 𝑦) ∈ 𝑈𝑋 × 𝑈𝑌
 5

Relações e inferência fuzzy

• Matricialmente, uma relação fuzzy binária
(envolvendo elementos de dois universos de
discurso distintos), também pode ser
representada matricialmente:
𝜇𝑅 (𝑥1 , 𝑦1 ) 𝜇𝑅 (𝑥1 , 𝑦2 ) 𝜇𝑅 (𝑥1 , 𝑦3 )
𝑅 = 𝜇𝑅 (𝑥2 , 𝑦1 ) 𝜇𝑅 (𝑥2 , 𝑦2 ) 𝜇𝑅 (𝑥2 , 𝑦3 )
𝜇𝑅 (𝑥3 , 𝑦1 ) 𝜇𝑅 (𝑥3 , 𝑦2 ) 𝜇𝑅 (𝑥3 , 𝑦3 )
𝑈𝑋 ×𝑈𝑌

• OBS: a matriz anterior assumiu apenas três elementos

em cada universo de discurso, no entanto, podem
existir tantos elementos quanto necessários em cada
universo, e claramente a matriz não necessita ser
quadrada.
 6

Relações e inferência fuzzy

• Sendo as relações fuzzy nada mais do que

conjuntos fuzzy, as operações de união,
intersecção e complemento, anteriormente
estudadas, se aplicam da mesma forma entre
relações fuzzy.
• Agora, vamos estudar o conceito de
composição de relações fuzzy.
• Este conceito é importante, pois dada uma relação
entre os universos 𝑈𝑋 e 𝑈𝑌 , e outra de 𝑈𝑌 a 𝑈𝑍 ,
através da composição das relações nos é
permitido obter uma relação direta entre 𝑈𝑋 e 𝑈𝑍 .
 7

Relações e inferência fuzzy

• Existem muitas formas de realizar composições entre
relações fuzzy (Tsoukalas e Uhrig, 1997).
• Diferentes métodos de composição resultam em diferentes
relações.
• Dito isto, a composição mais utilizada na solução de
problemas de engenharia, especialmente em controle,
é a chamada composição Max-Min.
• Dadas as relações fuzzy 𝑅1 = {( 𝑥, 𝑦 , 𝜇𝑅1 (𝑥, 𝑦))}, com
(𝑥, 𝑦) ∈ 𝑈𝑋 × 𝑈𝑌 , e 𝑅2 = {( 𝑦, 𝑧 , 𝜇𝑅2 (𝑦, 𝑧))}, com (𝑦, 𝑧) ∈ 𝑈𝑌 ×
𝑈𝑍 , a composição Max-Min é realizada do seguinte modo:

𝜇𝑅1 ∘𝑅2 𝑥, 𝑧 = 𝜇𝑅1 𝑥, 𝑦 ⋀ 𝜇𝑅2 𝑦, 𝑧

𝑦
 8

Relações e inferência fuzzy

• É muito importante mencionar que na composição
Max-Min o operador máximo é tomado com relação
a variável “𝑦”, ou seja, em relação aos elementos
na fronteira comum entre 𝑅1 e 𝑅2 .
• Vamos a uma aplicação, considere as seguintes relações fuzzy:
𝜇𝑅1 (𝑥1 , 𝑦1 ) 𝜇𝑅1 (𝑥1 , 𝑦2 ) 𝜇𝑅1 (𝑥1 , 𝑦3 )
𝑅1 = 𝜇𝑅1 (𝑥2 , 𝑦1 ) 𝜇𝑅1 (𝑥2 , 𝑦2 ) 𝜇𝑅1 (𝑥2 , 𝑦3 )
𝜇𝑅1 (𝑥3 , 𝑦1 ) 𝜇𝑅1 (𝑥3 , 𝑦2 ) 𝜇𝑅1 (𝑥3 , 𝑦3 )
𝑈𝑋 ×𝑈𝑌
𝜇𝑅2 (𝑦1 , 𝑧1 ) 𝜇𝑅2 (𝑦1 , 𝑧2 ) 𝜇𝑅2 (𝑦1 , 𝑧3 )
𝑅2 = 𝜇𝑅2 (𝑦2 , 𝑧1 ) 𝜇𝑅2 (𝑦2 , 𝑧2 ) 𝜇𝑅2 (𝑦2 , 𝑧3 )
𝜇𝑅2 (𝑦3 , 𝑧1 ) 𝜇𝑅2 (𝑦3 , 𝑧2 ) 𝜇𝑅2 (𝑦3 , 𝑧3 )
𝑈𝑌 ×𝑈𝑍
 9

Relações e inferência fuzzy

• Desejamos calcular a composição Max-Min das
relações fuzzy anteriores na forma:
𝜇𝑅1∘𝑅2 (𝑥1 , 𝑧1 ) 𝜇𝑅1∘𝑅2 (𝑥1 , 𝑧2 ) 𝜇𝑅1∘𝑅2 (𝑥1 , 𝑧3 )
𝑅1 ∘ 𝑅2 = 𝜇𝑅1∘𝑅2 (𝑥2 , 𝑧1 ) 𝜇𝑅1∘𝑅2 (𝑥2 , 𝑧2 ) 𝜇𝑅1∘𝑅2 (𝑥2 , 𝑧3 )
𝜇𝑅1∘𝑅2 (𝑥3 , 𝑧1 ) 𝜇𝑅1∘𝑅2 (𝑥3 , 𝑧2 ) 𝜇𝑅1∘𝑅2 (𝑥3 , 𝑧3 )
𝑈𝑋 ×𝑈𝑍

• Para calularmos o valor de 𝜇𝑅1 ∘𝑅2 (𝑥1 , 𝑧1 ):

𝜇𝑅1 ∘𝑅2 𝑥1 , 𝑧1 = 𝜇𝑅1 𝑥1 , 𝑦 ⋀ 𝜇𝑅2 𝑦, 𝑧1

𝑦

• Observando o cálculo da composição ao abrir as

parcelas do operador max:
 10

Relações e inferência fuzzy

𝜇𝑅1∘𝑅2 𝑥1 , 𝑧1 =
𝜇𝑅1 𝑥1 , 𝑦1 ∧ 𝜇𝑅2 𝑦1 , 𝑧1 ∨ 𝜇𝑅1 𝑥1 , 𝑦2 ∧ 𝜇𝑅2 𝑦2 , 𝑧1
∨ 𝜇𝑅1 𝑥1 , 𝑦3 ∧ 𝜇𝑅2 𝑦3 , 𝑧1
• Este cálculo pode ser interpretado como a
composição Max-Min entre a primeira linha de 𝑅1 e a
primeira coluna de 𝑅2 :
𝜇𝑅1∘𝑅2 𝑥1 , 𝑧1 =
𝜇𝑅2 𝑦1 , 𝑧1
𝜇𝑅1 𝑥1 , 𝑦1 𝜇𝑅1 𝑥1 , 𝑦2 𝜇𝑅1 𝑥1 , 𝑦3 ∘ 𝜇𝑅2 𝑦2 , 𝑧1
𝜇𝑅2 𝑦3 , 𝑧1
 11

Relações e inferência fuzzy

• Generalizando a interpretação anterior, podemos
verificar que o cálculo dos elementos da composição
Max-Min de relações fuzzy se assemelha à
multiplicação matricial dos elementos de 𝑅1 e 𝑅2
trocando as operações de multiplicação por min (∧) e
soma por max (∨).
• Tomando valores arbitrários para as funções de pertinência
teríamos por exemplo:
0,3 1
1 0,3 1
𝑅1 = e 𝑅2 = 0,8 0,2
0,9 0,1 0,5
0,7 0,4
𝑅1 ∘ 𝑅2 11 = 1 ∧ 0,3 ∨ 0,3 ∧ 0,8 ∨ 1 ∧ 0,7 = 0,7
𝑅1 ∘ 𝑅2 12 = 1 ∧ 1 ∨ 0,3 ∧ 0,2 ∨ 1 ∧ 0,4 = 1
𝑅1 ∘ 𝑅2 21 = 0,9 ∧ 0,3 ∨ 0,1 ∧ 0,8 ∨ 0,5 ∧ 0,7 = 0,5
𝑅1 ∘ 𝑅2 22 = 0,9 ∧ 1 ∨ 0,1 ∧ 0,2 ∨ 0,5 ∧ 0,4 = 0,9
 12

Relações e inferência fuzzy

• Por fim:
0,7 1
𝑅1 ∘ 𝑅2 =
0,5 0,9

• Uma vez compreendido como estabelecer a

composição entre relações fuzzy necessitamos
de um último passo para criar os chamados
algoritmos fuzzy.
• Necessitamos definir e compreender as chamadas
descritores (regras) linguísticos que irão compor a
base dos processos de inferência fuzzy.
 13

Relações e inferência fuzzy

• Os chamados descritores linguísticos

consistem de regras do tipo se/então capazes
de descrever formalmente um sistema fuzzy.
• As regras terão a seguinte forma:
SE (as condições são satisfeitas)
ENTÃO (as consequências serão inferidas)
• No entanto, é realmente possível descrever
qualquer sistema fuzzy com apenas estas
regras?
 14

Relações e inferência fuzzy

• A resposta é afirmativa! Pense em uma função contínua
𝑦 = 𝑓(𝑥), podemos avaliá-la em qualquer conjunto discreto
de pontos do domínio “crisp” 𝐴 = {𝑎1 , 𝑎2 , … , 𝑎𝑛 } gerando um
conjunto discreto de pontos na imagem “crisp” 𝐵 =
{𝑏1 , 𝑏2 , … , 𝑏𝑛 }, onde 𝑏𝑖 = 𝑓(𝑎𝑖 ).

• Logo, sendo 𝑛 suficientemente grande, uma função 𝑓 𝑥

pode ser descrita como o seguinte conjunto de regras:

SE 𝑥 = 𝑎𝑖 ENTÃO 𝑦 = 𝑏𝑖 , com 𝑖 = 1, … , 𝑛
• OBS: a primeira parte desta senteça (SE ....) é chamada de
antecedente e a última parte (ENTÃO ...) é chamada de
consequente.
 15

Relações e inferência fuzzy

• Em particular, podemos fuzzificar os conjuntos 𝐴

e 𝐵, admitindo algum modificador linguístico, e
assim, de modo análogo, fica claro a
possibilidade de descrever qualquer tipo de
sistema fuzzy através de um conjunto de regras
SE/ENTÃO, como por exemplo na forma:
SE 𝑥 𝑒𝑠𝑡á 𝑒𝑚 𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑎𝑖 ENTÃO
𝑦 𝑒𝑠𝑡á 𝑒𝑚 𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑏𝑖 , com 𝑖 = 1, … , 𝑛.
 16

Relações e inferência fuzzy

• Dado, então, a descrição do sistema fuzzy por um
conjunto de regras linguísticas, resta realizar o processo
de inferência fuzzy.
• Assumindo o antecedente a partir de cada regra
linguística pode-se determinar o consequente (forma
generalized modus ponens - GMP)
SE 𝑥 é 𝐴 ENTÃO 𝑦 é 𝐵 (REGRA)
SE 𝑥 é 𝐴′ (NOVO ANTECEDENTE)
ENTÃO 𝑦 é 𝐵′ (NOVO CONSEQUENTE)
• É importante salientar que a referida inferência é realizada
sobre uma única regra linguística, que a partir de um
antecedente produz um consequente determinado a partir da
transcrição do processo de inferência em uma relação fuzzy.
 17

Relações e inferência fuzzy

• Nota: o processo de inferência poderia ter sido adotado
assumindo o consequente e determinando o antecedente (forma
generalized modus tollens - GMT), mas em nossos estudos
assumiremos a forma anterior e mais comum.

• A transcrição do processo de inferência em

uma relação fuzzy é realizada assumindo um
operador de implicação fuzzy.
• Sendo as regras linguísticas (SE/ENTÃO) expressões
condicionais que descrevem a dependência entre
variáveis linguísticas, existem mais de 40 formas de
relações de implicação fuzzy já relatadas na literatura
(Tsoukalas e Uhrig, 1997).
 18

Relações e inferência fuzzy

• Considere uma regra se/então com o antecedente fuzzy 𝐴 = 𝜇𝐴 (𝑥) e o
consequente fuzzy 𝐵 = 𝜇𝐵 (𝑦), em universos de discurso
potencialmente distintos.
• Algumas das principais relações de implicação fuzzy utilizadas para
compor esquemas de controle fuzzy são:
• Operador implicação Max-Min de Zadeh:
𝑅𝐴→𝐵 𝑥, 𝑦 ≡ 𝜇𝐴 (𝑥) ∧ 𝜇𝐵 (𝑦) ∨ 1 − 𝜇𝐴 (𝑥)
• Operador implicação Min de Mamdani:
𝑅𝐴→𝐵 𝑥, 𝑦 ≡ 𝜇𝐴 (𝑥) ∧ 𝜇𝐵 (𝑦)
• Operador implicação Aritmético:
𝑅𝐴→𝐵 𝑥, 𝑦 ≡ 1 ∧ 1 − 𝜇𝐴 𝑥 + 𝜇𝐵 (𝑦)
• Operador implicação Booleano:
𝑅𝐴→𝐵 𝑥, 𝑦 ≡ 1 − 𝜇𝐴 (𝑥) ∨ 𝜇𝐵 (𝑦)
• Operador implicação Produto de Larsen:
𝑅𝐴→𝐵 𝑥, 𝑦 ≡ 𝜇𝐴 (𝑥) ∙ 𝜇𝐵 (𝑦)
 19

Relações e inferência fuzzy

• Desta forma ao selecionarmos um
determinado operador de inclusão, temos o
seguinte processo de inferência:
ACONTECIMENTO REGRA RESULTADO

𝑥 é 𝐴′ 𝑆𝐸 𝑥 é 𝐴 𝐸𝑁𝑇Ã𝑂 (𝑦 é 𝐵) 𝑦 é 𝐵′
NOVO ANTECEDENTE 𝑅𝐴→𝐵 (𝑥, 𝑦) NOVO CONSEQUENTE
𝜇𝐴′ (𝑥) 𝜇𝐵′ (𝑦)

𝜇𝐵′ (𝑦) = 𝜇𝐴′ (𝑥) ∘ 𝑅𝐴→𝐵 (𝑥, 𝑦)

INFERÊNCIA = COMPOSIÇÃO DO ACONTECIMENTO COM A REGRA
• Logo, o grau de pertinência do novo consequente é determinado a
partir da composição do grau de pertinência do novo antecedente
com o operador de implicação.
 20

Relações e inferência fuzzy

• Em nossos estudos, tomaremos o operador

composição como sendo Max-Min e o
operador implicação como sendo Min de
Mamdani.
• Com estes operadores, podemos dar uma
interpretação geométrica para o cálculo de
inferência fuzzy.
• Considere as variáveis fuzzy 𝐴 (temperatura) e 𝐵
(pressão) sendo representadas em seus respectivos
universos de discurso:
 21

Relações e inferência fuzzy

𝜇𝐴 (𝑇) 𝜇𝐵 (𝑃)
𝐴 = 0,5 2 + 1,0 3 + 0,5 4 𝐵 = 0,33 5 + 0,67 6 + 1,0 7 + 0,67 8 + 0,33 9
1 1
0,67
0,50
0,33

1 2 3 4 5 𝑇 1 2 3 4 5 6 7 8 9 10 𝑃
• Considerando a regra: SE 𝑡 ∈ 𝐴 ENTÃO 𝑝 ∈ 𝐵, determinamos a
relação de implicação através do operador Min de Mamdani:
0,33 0,50 0,50 0,50 0,33
𝑅𝐴→𝐵 𝑇, 𝑃 = 𝜇𝐴 𝑇 ∧ 𝜇𝐵 𝑃 = 0,33 0,67 1 0,67 0,33
0,33 0,50 0,50 0,50 0,33
• OBS: O universo 𝑈𝑇 tem 5 elementos, e o universo 𝑈𝑃 tem 10 elementos, o que em
princípio resultaria em uma relação 𝑅𝐴→𝐵 𝑇, 𝑃 definida no produto cartesiano 𝑈𝑇 × 𝑈𝑃
com 5 linhas e 10 colunas, no entanto, tipicamente só nos interessa os elementos do
universo cuja função de pertinência é diferente de zero, e portanto obtemos uma
relação de menor ordem.
 22

Relações e inferência fuzzy

• Logo, para um antecedente 𝑇 = 4, ou seja, 𝜇𝐴′ 𝑇 = 4 = 1

determinados o consequente 𝜇𝐵′ 𝑃 através do resultado da
composição Max-Min entre o singleton 𝐴′ = 0.0 2 + 0,0 3+ 1,0 4 e a
relação de implicação 𝑅𝐴→𝐵 𝑇, 𝑃 :
0,33 0,50 0,50 0,50 0,33
𝜇𝐵′ 𝑃 = 𝜇𝐴′ 4 ∘ 𝑅𝐴→𝐵 𝑇, 𝑃 = 𝟎 𝟎 𝟏 ∘ 0,33 0,67 1 0,67 0,33
0,33 0,50 0,50 0,50 0,33
𝜇𝐵′ 𝑃 = 0,33 0,50 0,50 0,50 0,33
• Podemos verificar que, embora o antecedente seja um conjunto fuzzy
singleton, o consequente é um conjunto fuzzy (função de pertinência)
em todo o universo de discurso 𝑈𝑃 .
• Lembre-se que os elementos cujo valor da função de pertinência
nulo nos universos de discurso 𝑼𝑻 e 𝑼𝑷 foram omitidos.
 23

Relações e inferência fuzzy

• Geometricamente os cálculos que realizamos

podem ser interpretados da seguinte forma:
𝜇𝐴 (𝑇) 𝜇𝐵 (𝑃)
𝐴′ = 0,0 2 + 0,0 3 + 1,0 4 𝐵′ = 0,33 5 + 0,50 6 + 0,50 7 + 0,50 8 + 0,33 9
1 1
0,67
0,50
0,33

1 2 3 4 5 𝑇 1 2 3 4 5 6 7 8 9 10 𝑃

• Portanto, podemos concluir que o grau de pertinência do

consequente 𝐵′ pode ser obtido a partir do conjunto fuzzy 𝐵,
quando este é limitado pelo valor do grau de pertinência
do antecedente 𝑨 no ponto em que este conjunto se
intersecta com o singleton 𝐴′.
 24

Referências

• 1 – Tsoukalas, L.H., Uhrig, R.E.,“Fuzzy and

Neural Approaches in Engineering”, John
Wiley & Sons Inc, 1997.

• 2 – Spatti, D.H., “Notas de Aula do curso

de Sistemas Inteligentes ministrado na
UTFPR/CP em 2017/02”.
 25

Nos vemos...

Muito obrigado!
Prof. Edson A. R. Theodoro
DAELE - UTFPR/Cornélio Procópio
Contato nos horários de atendimento:
SALA 305 – Bloco S
(Sala de Professores da Elétrica)