if(true): Questões de ... else: Bivalência ... Multivalência Nem tudo é branco ou preto diagnósticos médicos: o profissional necessita contabilizar em sua mente um número enorme de fatores diferentes, e até contraditórios, para se descrever a doença do paciente;
Em decisões judiciais a situação é a de o júri e o juiz terem que apreciar quão
culpado é o acusado
o objetivo da lógica fuzzy é o de capturar esses tons de cinza e graus de verdade. A
lógica fuzzy trabalha, com tal incerteza e verdade parcial os fenômenos naturais, de uma maneira sistemática e rigorosa Incerteza na comunicação humana Para os seres humanos, as palavras não representam uma ideia única, mas representam um conjunto de ideias: por exemplo, casa, escola, carro.
Nós usamos um julgamento intuitivo para se avaliar em que
grau, a casa, a escola, ou o carro pertencem à nossa concepção dos mesmos. Talvez uma cabana seja uma casa com um grau de 5%, um prédio de escola seja uma escola com um grau de 50%, e um carro BMW seja um carro com grau de 100%. Os conjuntos “casa”, “escola”, e “carro” são conjuntos fuzzy, e os seres humanos conseguem raciocinar com eles. O que é Lógica Fuzzy? Lógica Fuzzy é uma extensão da lógica booleana clássica que permite a representação e manipulação de informações imprecisas, incertas e multivalentes. Ela é capaz de lidar com conceitos que não são facilmente representados por valores binários (verdadeiro ou falso) e, portanto, é adequada para modelar problemas do mundo real que envolvem incertezas e ambiguidades. Exemplo Se custo BAIXO e benefício ALTO então, custo-benefício ALTO Se custo ALTO e benefício ALTO então, custo-benefício MÉDIO Se custo BAIXO e benefício BAIXO então, custo-benefício MÉDIO Se custo ALTO e benefício BAIXO então, custo-benefício BAIXO Exemplo Se custo BAIXO e benefício ALTO então, custo-benefício ALTO Se custo ALTO e benefício ALTO então, custo-benefício MÉDIO Se custo BAIXO e benefício BAIXO então, custo-benefício MÉDIO Se custo ALTO e benefício BAIXO então, custo-benefício BAIXO Custo ALTO e benefício ALTO podem ser “meio verdadeiros” ou “meio falsos” Classes: ALTO, MÉDIO ou BAIXO Se custo-alto < 0.2 && beneficio-alto > 0.8 então custo-benefício == ALTO
Custo-alto = um pouco falso (mais próximo de zero)
Benefício-alto = mais verdadeiro (mais próximo de 1) Lógica booleana: copo cheio ou vazio
Lógica Fuzzy: vazio, meio vazio, meio cheio, cheio
Aplicações da Lógica Fuzzy 1.Controle de sistemas: Para modelar sistemas complexos e controlar suas saídas com base em entradas imprecisas e variáveis. 2.Processamento de imagem: Segmentar imagens, detectar bordas e objetos, filtrar ruídos e reconhecer padrões. 3.Sistemas de recomendação: Para criar sistemas de recomendação personalizados, que podem sugerir produtos ou serviços com base nas preferências do usuário. 4.Diagnóstico médico: Para ajudar no diagnóstico médico, permitindo que médicos e especialistas usem informações imprecisas e incompletas para avaliar o estado de saúde de um paciente. Definição Conjuntos Fuzzy • Conjuntos fuzzy são conjuntos que permitem a representação de incertezas e imprecisões. Eles são uma extensão dos conjuntos clássicos, que são conjuntos bem definidos e possuem fronteiras precisas. • Em um conjunto fuzzy, cada elemento possui um grau de pertinência associado, que indica o quão bem ele se encaixa no conjunto Funções de pertinência Conjuntos Fuzzy • Funções de pertinência são funções matemáticas que definem a pertinência de um elemento a um conjunto fuzzy. Elas são usadas para determinar o grau de pertinência de um elemento a um conjunto fuzzy, atribuindo um valor entre 0 e 1 que indica o quão bem o elemento se encaixa no conjunto. • As funções de pertinência são geralmente definidas de acordo com o tipo de conjunto fuzzy em questão e a variável que está sendo considerada. Existem diferentes tipos de funções de pertinência, como as funções triangulares, trapezoidais, gaussianas, sigmoidais, entre outras. Funções de pertinência Conjuntos Fuzzy • Funções de pertinência são funções matemáticas que definem a pertinência de um elemento a um conjunto fuzzy. Elas são usadas para determinar o grau de pertinência de um elemento a um conjunto fuzzy, atribuindo um valor entre 0 e 1 que indica o quão bem o elemento se encaixa no conjunto. • As funções de pertinência são geralmente definidas de acordo com o tipo de conjunto fuzzy em questão e a variável que está sendo considerada. Existem diferentes tipos de funções de pertinência, como as funções triangulares, trapezoidais, gaussianas, sigmoidais, entre outras. Funções de pertinência Conjuntos Fuzzy Funções de pertinência Conjuntos Fuzzy • Por exemplo, se desejamos criar um conjunto fuzzy de temperatura agradável, podemos usar uma função de pertinência triangular, em que a temperatura é a variável de entrada e o grau de pertinência é a saída. A função pode ser definida da seguinte maneira: • Baixa temperatura: 0°C a 15°C • Temperatura agradável: 15°C a 25°C • Alta temperatura: 25°C a 35°C Funções de pertinência Conjuntos Fuzzy • A função de pertinência triangular para temperatura agradável pode ser definida da seguinte maneira: • Para temperaturas abaixo de 15°C ou acima de 25°C, o grau de pertinência é 0. • Para temperaturas entre 15°C e 20°C, o grau de pertinência aumenta linearmente de 0 a 1. • Para temperaturas entre 20°C e 25°C, o grau de pertinência diminui linearmente de 1 a 0. Funções de pertinência Conjuntos Fuzzy • A função de pertinência triangular para temperatura agradável pode ser definida da seguinte maneira: • Para temperaturas abaixo de 15°C ou acima de 25°C, o grau de pertinência é 0. • Para temperaturas entre 15°C e 20°C, o grau de pertinência aumenta linearmente de 0 a 1. • Para temperaturas entre 20°C e 25°C, o grau de pertinência diminui linearmente de 1 a 0. Operadores Fuzzy
• Negação "~" ou "not“
• União "∪" ou "or" • Interseção "∩" ou "and" Inferência Fuzzy • é o processo de usar informações imprecisas e incertas para chegar a uma conclusão ou tomar uma decisão. • A inferência fuzzy é amplamente utilizada em sistemas de tomada de decisão baseados em regras, como sistemas de controle fuzzy, sistemas de diagnóstico, sistemas de previsão, entre outros. Inferência Fuzzy • A inferência fuzzy é baseada em dois passos principais: 1. a aplicação das regras fuzzy e a agregação dos resultados. Na primeira etapa, as regras fuzzy são definidas para relacionar as entradas do sistema (variáveis linguísticas) às saídas desejadas. Cada regra é expressa na forma "SE condição ENTÃO ação". A condição é geralmente uma proposição linguística que contém uma ou mais variáveis linguísticas. A ação é uma proposição linguística que também contém uma ou mais variáveis linguísticas.
2. Na segunda etapa, os resultados obtidos a partir das regras fuzzy são
combinados usando operadores de agregação fuzzy, como o máximo, mínimo, média ponderada, entre outros. Esses operadores de agregação são usados para calcular o grau de pertinência da saída do sistema para cada conjunto fuzzy possível. Hands ON