Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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)
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)
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
Encapsula as propriedades dos conceitos imprecisos numa forma usada computacionalmente. Reduz a complexidade do problema. Sempre representa um espao fuzzy.
Qalificadores
( AB) ( x) = A ( x) B ( x)
( AB) ( x) = A ( x) B ( x)
Considere ( A) = 1 / 2,
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
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.
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.
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
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
2. Fuzzy-Inference
Power
(Linguistic Variable)
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
neg_close zero close medium far
1
neg_high neg_medium zero pos_medium pos_high
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.
Inferncia
PROPOSIES NO-CONDICIONAIS: X is Y
#4: IF Distncia = longe AND ngulo = pos_pequeno THEN Potncia = pos_mdia pos_m
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
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
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
Pequeno
Alto
0,25 e Alto
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
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;
10