Você está na página 1de 10

Sistemas Nebulosos (Fuzzy)

Introduo Benefcios da Lgica Nebulosa Conjuntos Nebulosos Variveis Lingsticas Operadores Sistemas Nebulosos (Fuzzy) Raciocnio Etapas Concluso

Introduo
Surgiu com Lofti Zadeh em 1965. O boom foi nos anos 80, no Japo. Lgica Fuzzy uma nova forma de pensamento sobre o mundo. uma tcnica baseada em graus de verdade.
os valores 0 e 1 ficam nas extremidades inclui os vrios estados de verdade entre 0 e 1

Introduo
O conhecimento humano incerto, incompleto ou impreciso.
Especialistas
Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se us-lo por um tempo Nenhum problema para outro especialista, mas sim para o EC

Benefcios da Lgica Nebulosa


Permite solues mais eficientes para problemas tratados com tcnicas no-fuzzy.
Ex.: Regra para seguir a trajetria de um submarino ou outro objeto lento. Se o objeto estava numa determinada posio em certo instante de tempo, ele no deve estar muito distante desta posio no prximo instante de tempo.

Lgica Fuzzy:
Idia: todas as coisas admitem graus (temperatura, altura, velocidade, distncia, etc...)

Reduz o tempo de desenvolvimento. Modela sistemas no-lineares complexos. Sistemas avanados precisam de menos chips e sensores.

Complexidade e Compreenso
Zadeh percebeu que a complexidade do sistema vem de como as variveis foram representadas e manipuladas. Zadeh representa o raciocnio humano em termos de conjuntos fuzzy. Princpio de Zadeh: Quando a complexidade do problema cresce, nossa habilidade para tornar as proposies precisas diminui at um limiar que est fora do nosso alcance. Isto torna a preciso e a relevncia duas caractersticas incompatveis.

Probabilidade e Possibilidade
80% dos pacientes com dor de dentes tm cries Uma probabilidade de 0.8 no significa 80% verdade mas sim um grau de crena de 80% na regra Mrio alto
A proposio verdadeira para uma altura de Mario 1.65m ? ...mais ou menos.... Observar que no h incerteza, estamos seguros da altura de Mario

O termo lingustico alto vago, como interpret-lo? Por exemplo, a teoria de conjuntos Fuzzy (semntica para lgica fuzzy) permite especificar quo bem um objeto satisfaz uma descrio vaga (predicado vago)
O grau de pertinncia de um objeto a um conjunto fuzzy representado por algum nmero em [0,1]

Conjuntos Nebulosos
So funes que mapeam o valor que poderia ser um membro do conjunto para um nmero entre 0 e 1. O grau de pertinncia 0 indica que o valor no pertence ao conjunto. O grau 1 indica significa que o valor uma representao completa do conjunto.

Conjuntos Nebulosos
Um projeto Longo
1
Grau de Pertinncia

(x)

Um conjunto fuzzy indica com qual grau um projeto

especfico membro do conjunto de projetos LONGOS. A definio do que um projeto LONGO depende do contexto.

0 2 4 6 8 10 12 14 16 18 Durao(em semanas)

Teoria dos Conjuntos Fuzzy


Conjuntos com limites imprecisos
A = Conjunto de pessoas altas

Variveis Lingsticas
o centro da tcnica de modelagem de sistemas fuzzy. Uma varivel lingstica o nome do conjunto fuzzy. Pode ser usado num sistema baseado em regras para tomadas de deciso. Exemplo: if projeto.durao is LONGO then risco is AUMENTADO. Transmitem o conceito de qalificadores (hedges). Qalificadores mudam a forma do conjunto fuzzy.

Conjunto Clssico
1.0
.9 .8 1.0

Conjunto Fuzzy
Funo de pertinncia
1.60 1.70 1.75

.5

1.75

Altura (m)

Altura (m)

Variveis Lingsticas
Algumas variveis lingsticas do conjunto LONGO com qalificadores:
muito LONGO um tanto LONGO ligeiramente LONGO positivamente no muito LONGO

Variveis Lingsticas
Permitem que a linguagem da modelagem fuzzy expresse a semntica usada por especialistas. Exemplo:
If projeto.durao is positivamente no muito LONGO then risco is reduzido um pouco

Conjunto Fuzzy

Variveis Variveis Lingsticas Lingusticas

Encapsula as propriedades dos conceitos imprecisos numa forma usada computacionalmente. Reduz a complexidade do problema. Sempre representa um espao fuzzy.

Qalificadores

Operadores dos Conjuntos Nebulosos


Interseco Unio

Operadores dos Conjuntos Nebulosos

Sejam X conjunto de pontos, A e B conjuntos contidos em X e x X .

Sejam X conjunto de pontos, A e B conjuntos contidos em X e x X .

( A B ) ( x) = min( A ( x), B ( x))

( A B ) ( x) = max( A ( x), B ( x))


A B

( AB) ( x) = A ( x) B ( x)

( AB) ( x) = A ( x) B ( x)

Operadores dos Conjuntos Nebulosos


Complemento

Operadores dos Conjuntos Nebulosos


Em conjuntos Fuzzy, (A A) (TRUE ) e ( A A) ( FALSE ),
o que no satisfaz a teoria dos conjuntos clssica.

Sejam X conjunto de pontos, A um conjunto contido em X e x X .


A

Considere ( A) = 1 / 2,

(A A) = max( ( A), ( A))


A ( x ) = 1 A ( x )

= max(1 1 / 2,1 / 2) = 1/2 1 (A A) = min( ( A), ( A))


= min(1 1 / 2,1 / 2) = 1/2 0

Sistemas Nebulosos
Externamente so menos complexos e mais fceis de entender. Os problemas so rapidamente isolados e fixados, reduzindo o tempo de manuteno. Requisitam menos regras, por isso o tempo mdio entre as falhas diminui.

Sistemas Nebulosos

Possuem grande habilidade para modelar sistemas comercias altamente complexos.


sistemas convencionais tem dificuldade em resolver problemas no-lineares complexos.

So capazes de aproximar o comportamento do sistema


porque apresentam vrias propriedades no-lineares e pouco compreensveis.

Sistemas Nebulosos
Benefcios para os especialistas:
habilidade em codificar o conhecimento de uma forma prxima a linguagem usada por eles.

Sistemas Nebulosos
capaz de modelar sistemas envolvendo mltiplos especialistas. Nos sistemas do mundo real, h vrios especialistas sob um mesmo domnio. Representam bem a cooperao mltipla, a colaborao e os conflitos entre os especialistas. Um exemplo das posies dos gerentes de controle, de produo, financeiro e marketing.
Nosso preo deve ser baixo. Nosso preo deve ser alto. Nosso preo deve ser em torno de 2*custo Se o preo dos concorrentes no muito alto ento nosso preo deve ser prximo do preo deles.

Mas o que faz uma pessoa ser um especialista?


a capacidade em fazer diagnsticos ou recomendaes em termos imprecisos.

Sistemas Fuzzy capturam uma habilidade prxima do conhecimento do especialista. O processo de aquisio do conhecimento :
mais fcil, mais confivel, menos propenso a falhas e ambigidades.

Sistemas Nebulosos
Devido aos seus benefcios, como:
regras prximas da linguagem natural fcil manuteno simplicidade estrutural

Sistemas Nebulosos
Sistemas especialistas convencionais so modelados a partir da:
probabilidade Bayesiana algumas fatores de confiana ou certeza.

Os modelos baseados em sistemas Fuzzy so validados com maior preciso. A confiana destes modelos cresce.

Ambas alternativas confiam na transferncia de valores incertos fora do prprio modelo. Sistemas Fuzzy fornecem a sistemas especialistas um mtodo mais consistente e matematicamente forte para manipulao de incertezas.

Sistemas Nebulosos
Um exemplo de sistema especialista baseado em regras simples para prever o peso de uma pessoa:
If altura > 1.65 and altura < 1.68 then peso is 60, CF =.082

Raciocnio Nebulosos
Nos sistemas especialista convencionais:
as proposies so executadas seqencialmente heursticas e algoritmos so usados para reduzir o nmero de regras examinadas.

O mesmo exemplo baseado lgica Fuzzy:


if altura is ALTA then peso is PESADO

Nos sistemas especialistas Fuzzy:


o protocolo de raciocnio um paradigma de processamento paralelo todas as regras so disparadas

Etapas do Raciocnio
1 FUZZIFICAO AGREGAO
Nvel Lingustico

Etapas do Raciocnio
Variveis Calculadas
(Valores Lingusticos)

Inferncia

Variveis de Comando
(Valores Lingusticos)

Fuzzificao Defuzzificao

2 INFERNCIA COMPOSIO

Nvel Numrico

Variveis Calculadas
(Valores Numricos)

Objeto

Variveis de Comando
(Valores Numricos)

3 DEFUZZIFICAO

Etapas do Raciocnio
Proposio 1 Proposio 2 Proposio 3 Proposio n

Fuzzificao e Certeza
Lgica Fuzzy um clculo de compatibilidade. Ela trabalha com a descrio das caractersticas das propriedades ; Lgica Fuzzy x Probabilidade ; Descreve caractersticas que variam continuamente, associando partes dos valores a significados semnticos ; Poder relacionado a existncia de overlap; Representa uma medida de pertinncia de um elemento a um conjunto Fuzzy;

Composio Composio

Defuzzificao Defuzzificao

Valor Esperado Valor Esperado

No acaba com o tempo. uma propriedade intrnseca de um evento ou objeto.

Fuzzificao e Impreciso
Por que impreciso: Ela existe devido a nossa incoerncia em compreender um fenmeno do mundo real. Ferramentas baseadas na viso formalizada de Aristteles. O que dizer da seguinte declarao:

Fuzzificao e Impreciso

O CARRO EST RPIDO


O que significa rpido? A qual conjunto rpido pertence?

O CARRO EST RPIDO

Modelo Dependente do Contexto

Exemplo: Guindaste para container Exemplo: Guindaste para container

Elementos Bsicos de um Sistema de Lgica Fuzzy


Loop de controle do Guindaste de Conteiner controlado por Lgica Fuzzy: L Fuzzy:
Angle, Distance
(Numerical Values)

Fechando o loop loop com palavras!

2. Fuzzy-Inference

Power
(Linguistic Variable)

Linguistic Level Numerical Level 1. Fuzzification 3. Defuzzification

Duas variveis de vari medida e uma varivel vari de comando!

Angle, Distance
(Numerical Values)

Container Crane

Power
(Numerical Values)

Fuzzificao
Etapa no qual as variveis lingsticas so definidas de forma subjetiva, bem como as funes membro (funes de pertinncia).

Fuzzificao

Na definio das funes de pertinncia para cada varivel, diversos tipos de espao podem ser gerados.

Engloba:
Anlise do Problema; Definio das Variveis; Definio das Funes de Pertinncia; e Criao das Regies. Os mais comuns so: Triangular, Trapezoidal, Singleton e Shouldered

Fuzzificao

Fuzzificao

TRIANGULAR:

TRAPEZOIDAL:

Frio

Normal

Quente

Lento

Rpido

1. Fuzzificao: Variveis Lingusticas


Definio de termos: Defini
ngulo := {pos_grande, pos_pequeno, zero, neg_pequeno, neg_grande} {pos_grande, pos_pequeno, neg_pequeno, neg_grande}

1. Fuzzificao: Variveis Lingusticas(Cont.)


Definio de termos: Defini
Distncia := {longe, mdia, perto, zero, neg_perto} m neg_perto}

Definio de funo de pertinncia: Defini fun

neg_big neg_small zero pos_small pos_big

Definio de funo de pertinncia: Defini fun

1
neg_close zero close medium far

0 -90 -45 0 Angle 45 90

0 -10 0 10 Distance [yards] 20 30

1. Fuzzificao: Variveis Lingusticas(Cont.)


Definio de termos: Defini
Potncia := {pos_alta, pos_mdia, zero, neg_mdia, neg_alta} {pos_alta, pos_m dia, neg_m dia, neg_alta}

1. Fuzzificao: Variveis Lingusticas(Cont.)


Definio de termos: Defini
As Variveis ligusticas so Vari ligu o vocabulrio de um vocabul rio Distncia := {longe, mdia, perto, zero, neg_perto} m neg_perto} sistema de Lgica Fuzzy! L Fuzzy! ngulo := {pos_grande, pos_pequeno, zero, neg_pequeno, neg_grande} {pos_grande, pos_pequeno, neg_pequeno, neg_grande} Potncia := {pos_alta, pos_mdia, zero, neg_mdia, neg_alta} {pos_alta, pos_m dia, neg_m dia, neg_alta}

Definio de funo de pertinncia: Defini fun

1
neg_high neg_medium zero pos_medium pos_high

Definio de funo de pertinncia: Defini fun

neg_big zero neg_small pos_small

neg_close zero

close

medium

far

pos_big

0.9

0.8

0.2 0.1
0 -30 -15 0 Power [Kilowatts] 15 30
0 -90 -45 0 4 Angle

0
45 90

-10

10

Distance [yards]

12m

20

30

Inferncia
Etapa na qual as proposies (regras) so definidas e depois so examinadas paralelamente.

Inferncia
O mecanismo chave do modelo Fuzzy a proposio. A proposio o relacionamento entre as variveis do modelo e regies Fuzzy

Engloba:
Definio das proposies; Anlise das Regras; e Criao da regio resultante.

Na definio das proposies, deve-se trabalhar com:

PROPOSIES CONDICIONAIS PROPOSIES NO CONDICIONAIS

Inferncia

2. Inferncia Fuzzy: Regras IF-THEN


Implementao das regras IF-THEN: Implementa IF- THEN
#1: IF Distncia = mdia AND ngulo = pos_pequeno THEN Potncia = m pos_mdia pos_m #2: IF Distncia = mdia AND ngulo = zero THEN Potncia = zero m #3: IF Distncia = longe AND ngulo = zero THEN Potncia = pos_mdia pos_m

PROPOSIES CONDICIONAIS: if W is Z then X is Y

PROPOSIES NO-CONDICIONAIS: X is Y

#4: IF Distncia = longe AND ngulo = pos_pequeno THEN Potncia = pos_mdia pos_m

Agregao: Agrega Composio: Composi

Clculo da parte do IF C IF Clculo da parte do THEN C THEN

As regras do sistema de Lgica Fuzzy so as Leis que ele executa! Leis

2. Inferncia Fuzzy: Agregao


Lgica Boleana somente define operadores para 0/1: Lgica Fuzzy fornece uma extenso contnua: cont
AND: AvB = min{ A; B } AND: OR: A+B = max{ A; B } OR: max{

2. Inferncia Fuzzy: Composio


Resultado para a varivel lingustica Potncia: vari lingu
pos_mdia pos_m zero com grau 0.8 com grau 0.2 ( = max{ 0.8; 0.1;0.1 } ) max{

Agregao da parte do IF: Agrega IF


#1: min{ 0.9; 0.8 } = 0.8 #2: min{ 0.9; 0.2 } = 0.2 #3: min{ 0.1; 0.2 } = 0.1 #4: min{ 0.1; 0.8 } = 0.1

NOT: -A = 1 - A NOT:

Agregao calcula quo apropriado Agrega apropriado cada regra para a situao corrente! situa

Composio calcula o Composi quanto cada regra influencia as variveis de sada! vari sa

Defuzzificao
Etapa no qual as regies resultantes so convertidas em valores para a varivel de sada do sistema;

3. Defuzzificao
Encontrando um resultado usando Centro-de-gravidade: Centro- de- gravidade

neg_high

neg_medium zero pos_medium

pos_high

Esta etapa corresponde a ligao funcional entre as regies Fuzzy e o valor esperado; Dentre os diversos tipos de tcnicas de defuzzificao destacamos: Centride, First-of-Maxima, Middle-of-Maxima e Critrio Mximo.
0 -30 -15 0 Power [Kilowatts] 15 30

Resultado discreto para a potncia potncia

6.4 KW

Defuzzificao
Exemplos:

Outro exemplo
Objetivo do sistema: um analista de projetos de uma empresa que determina o risco de um determinado projeto. Depende da quantidade de dinheiro e de pessoas envolvidas no projeto (variveis de entrada)

z0 Centride

z0 First-ofMaxima

z0 Critrio Mximo Base de conhecimento (regras) R1 - Se dinheiro adequado ou pessoal pequeno ento risco pequeno R2 - Se dinheiro mdio e pessoal alto, ento risco normal R3 - Se dinheiro inadequado, ento risco alto

Outro exemplo
Passo 1: Fuzzificar
Regra 1:

Outro exemplo
Passo 2: Avaliao das regras
ou mximo e mnimo
Risco

Dinheiro

Pessoal
.8 .2

0,2 Adequado
60

.75 .25

0,0

Baixo

ou

35

Regra 2:

Risco
0,8

Inadequado Adequado Mdio

Pequeno

Alto
0,25 e Alto

i (d ) = 0,25 & m (d ) = 0,75

b ( p) = 0,2 & a ( p) = 0,8


mdio

Outro exemplo
Passo 2: Avaliao das regras
Regra 3: 0,75

Outro exemplo
Passo 3: Defuzzificao
Risco
0,75 0,25

Risco

Inadequado

10 20 30 40 50 60 70 80 90 100

C=

(10+ 20 + 30 + 40) * 0,2 + (50+ 60 + 70) * 0,25+ (80+ 90 +100) * 0,75 267,5 = = 70,4 0,2 + 0,2 + 0,2 + 0,2 + 0,25+ 0,25+ 0,25+ 0,75+ 0,75+ 0,75 3,8

Lgica Fuzzy no Mundo


Lgica Fuzzy tornou-se tecnologia padro e tambm aplicada em anlise de dados e sinais de sensores; Tambm utiliza-se lgica fuzzy em finanas e negcios; Aproximadamente 1100 aplicaes bem sucedidas foram publicadas em 1996; e Utilizada em sistemas de Mquinas Fotogrficas, Mquina de Lavar Roupas, Freios ABS, Ar Condicionado e etc.

Concluso

Lgica Fuzzy uma importante ferramenta para auxiliar a concepo de sistemas complexos, de difcil modelagem, e pode ser utilizada em conjunto com outras tecnologias de ponta, como o caso da combinao entre Lgica Fuzzy e Redes Neurais Artificiais.

Bibliografia
Cox, E. The Fuzzy Systems Handbook;

Kartalopoulos, S. V. Understanding Neural Networks and Fuzzy Logic. IEEE PRESS, 1996;

Kosko, B. Fuzzy Engineering. Prentice-Hall, 1997;

Fullr, R. Neural Fuzzy Systems. Dissertao de Mestrado, Abo 1995

10