Escolar Documentos
Profissional Documentos
Cultura Documentos
*Sistemas fuzzy
Representao do Conhecimento
Como agir em meio incerteza?
Tratamento de Incerteza
Necessidade de representar imperfeies da informao, impreciso, conflito, ignorncia parcial, etc Exemplos de informao:
Perfeita: a aula comea s 8h Imprecisa: a aula comea entre 8h e 9h Incerta: acho que a aula comea s 8h Vaga: a aula comea l pelas 8h Probabilstica: provvel que a aula comece s 8h Possibilista: possvel que a aula comece s 8h Inconsistente: segundo Maria, a aula comea as 8h, porm segundo Joo ela comea s 9h Incompleta: no sei quando a aula comea, mas usualmente as aulas tm comeado s 8h
Tratamento de Incerteza
Mesmo lidando com informaes imperfeitas, ainda possvel tomar decises razoveis Existe um modelo formal para tratar cada um dos tipos de informaes apresentadas anteriormente
Probabilstica: teoria de probabilidades; ou teoria da evidncia (Dempster-Shafer) Imprecisa/Vaga: teoria dos conjuntos difusos (fuzzy); conjuntos de aproximao (rough sets); ou classes de referncia Possibilista: teoria de possibilidades Incerta: teoria de probabilidades; possibilidades; evidncia; ou modelos ad hoc Inconsistente: lgicas no clssicas Incompleta: lgicas no monotnicas
Tratamento de Incerteza
Modelo Fuzzy
Teoria dos conjuntos fuzzy - objetiva permitir graduaes na pertinncia de um elemento a uma dada classe. Teoria dos conjuntos clssica
Teoria fuzzy
O grau de pertinncia passa a ser dado por um valor no intervalo de nmeros reais [0,1].
dos conjuntos (no capaz de tratar o aspecto vago da informao) de probabilidades (inadequada para tratar informaes fornecidas por seres humanos)
Lotfi Zadeh (1965) - teoria dos conjuntos fuzzy. (1978) teoria das possibilidades Lgica fuzzy Mamdani (1974) - aplicao do raciocnio fuzzy Aplicaes industriais Computao inteligente
Modelo Fuzzy
Lgica Fuzzy
Regras: Se o objeto redondo ento uma bola. LF: Se o objeto muito redondo ento uma bola com grande probabilidade.
Modelo Fuzzy
Dado um universo de discurso X, um subconjunto fuzzy A de X definido por uma funo de pertinncia que associa a cada elemento x de X o grau A(x), compreendido entre 0 e 1, com o qual x pertence a A A(x): X [0,1] A(x): X [0,1]
Modelo Fuzzy
Usualmente, uma pessoa que mede mais de 1,75m alta No alta se tiver menos de 1,60m J uma pessoa que mede entre 1,60m e 1,75m ser considerada mais alta quanto mais a altura est prxima de 1,75m
Modelo Fuzzy
possvel modelar o conceito alto pelo conjunto fuzzy A, definido no intervalo de 0,5m a 2,5m
1 A ( x) = 0 x 1,6 0,15
Modelo Fuzzy
Altura
A e B pertencem ao conjunto Mdio e C pertence ao conjunto Baixo A pertence ao conjunto Mdio com grau 0.6 e ao conjunto Alto com grau 0.4
Baixo 1 Mdio Alto
-10
10
A(u) =
0,0
, se mdulo(x) > 5
Baixa
Alta
0.5
0,4 0,2
0 1.4
1.5
1.6
1.7
1.8
1.9
2.0
Uma pessoa de 1,77m pode ser considerada tanto baixa com grau 0,2, quanto alta com grau 0,4
-2
Conjunto triangular
Representao finita
A 1 A
X = { 2, 1.5, 1, 0.5, 0, 0.5,1,1.5, 2} A = 0.25 / 1.5 + 0.5 / 1 + 0.75 / 0.5 + 1.0 / 0 + 0.75 / 0.5 + 0.5 / 1 + 0.25 / 1.5
A 1 A
0.5
-2
-1
Conjunto trapezoidal
X = { 5, 4, 3, 2, 1, 0,1, 2, 3, 4, 5} B = 0.5 / 3 + 1 / 2 + 1 / 1 + 1 / 0 + 1 / 1 + 1 / 2 + 0.5 / 3
B 1 B
-4
-2
A = 1.0/1 + 1.0/2 + 0.75/3 + 0.5/4 + 0.3/5 + 0.3/6 + 0.1/7 + 0.1/8 A0.5 = {1, 2, 3, 4} A0.6 = ? A0.1 = ?
0.5
-2
-1
Representao
Representao matricial
Operaes
Unio
A B ( x ) = A ( x ) B ( x ) onde
A ( x) se A ( x) B ( x) A ( x) B ( x) = B ( x) se A ( x) < B ( x) logo
1 Y-Axis A B
1 Y-Axis
A B AB
Operaes
Interseco
A B ( x ) = A ( x ) B ( x ) onde
A ( x) se A ( x) B ( x) A ( x) B ( x) = B ( x) se A ( x) > B ( x) logo
1 Y-Axis A B
1 Y-Axis
A B AB
Fcil entendimento Flexibilidade Trabalha com dados imprecisos Experincia do especialista geram regras Linguagem natural
Revisando...
Conjuntos fuzzy
Discreto: No conjunto dos nmeros naturais, o subconjunto dos nmeros primos. Fuzzy: No conjunto das pessoas, o subconjunto das pessoas altas.
Revisando...
Tipos de funes
Exerccios
1) Considere o conjunto fuzzy A = 1.0/1 + 0.8/2 + 0.5/3 + 0.1/4 definido no universo X = {1, 2, 3, 4, 5}. Encontre todos seus cuts. 2)Dado o conjunto fuzzy A com a seguinte funo de pertinncia:
x 5 se 5 x 6 A( x) = x + 7 se 6 < x 7 0 seno
a) Esboce o grfico da funo. Que tipo ela ? b) Qual expresso lingstica pode descrita a partir de A?
Exerccios
3) Considere dois conjuntos fuzzy representados pelas seguintes
funes de pertinncia triangulares A(x; 1, 2 ,3) e B(x; 2, 2, 4) Encontre a interseco e a unio de A e B e expresse as operaes utilizando os operadores min e max.
Sadas do sistema
Fuzzificao
Defuzzificao
Nveis de pertinncia
Nveis de sada
Estgio de entrada
Fuzzificao: mapeia cada entrada de dados ao sistema em uma ou mais funes de pertinncia.
Processamento
As regras de um conjunto de regras (pr-definidas) so avaliadas verificando quais so aplicveis e Quo fortemente cada regra deve ser disparada dependendo de como foi ativada cada funo de pertinncia.
Sada
Defuzzificao: calcula a sada, baseada nos valores mapeados em funes de pertinncia de sada e em funo das regras que foram disparadas.
Sistemas fuzzy
Conjunto de regras se-ento + coleo de fatos => novas informaes Fato: X A Regra: Se X A ento Y B onde A, A e B so conjuntos fuzzy Como obter Y B??? A inferncia na lgica fuzzy obtida atravs da manipulao numrica das funes de pertinncia que representam os conjuntos fuzzy
Sistemas fuzzy
Regras
expresso do conhecimento
Sistemas fuzzy
Codificao (fuzzificao): transforma uma entrada precisa em conjunto fuzzy Decodificao (defuzzificao): produz uma sada precisa
SOM primeiro mximo (smallest of maximun) MOM mdia dos mximos (mean of maximun) COA centro de rea (center of area)
Modelo Fuzzy
Normalmente, uma BC Fuzzy representada por meio de regras de produo. Regra de produo
Antecedente: composto por um conjunto de condies Conseqente: composto por um conjunto de aes ou diagnsticos.
Quando as condies da regra so satisfeitas (mesmo que parcialmente) dizemos que a regra disparada o que determina o processamento do conseqente da regra pelo sistema de inferncia fuzzy.
Modelo Fuzzy
Exemplo:
Exemplo
Para desenvolver um sistema baseado em lgica fuzzy, deve-se decidir:
Como cada varivel de entrada e sada ser particionada e Associar uma funo de pertinncia para cada partio
Exemplo: Conjuntos fuzzy correspondentes varivel Temperatura Funes de pertinncia para a varivel de entrada No exemplo tem-se apenas a varivel temperatura
Muito_frio 1
Frio
Quente
Muito_quente
0.5
0 -10 0 10 20 30 40
Os formatos mais utilizados para funes de pertinncia so os trapezoidais e os triangulares. Mas qualquer funo mais adequada ao caso pode ser utilizada.
Exemplo: Conjuntos fuzzy correspondentes varivel Velocidade Funes de pertinncia para a varivel de sada No exemplo tem-se apenas a varivel velocidade
zero 1
baixa
mdia
alta
0.5
0 0
20
40
60
80
100
If (temperatura is muito_frio) then (velocidade is zero) If (temperatura is frio) then (velocidade is baixa) If (temperatura is quente) then (velocidade is mdia) If (temperatura is muito_quente) then (velocidade is alta)
Tanto as regras como os conjuntos fuzzy so especificados de acordo com o conhecimento de um especialista no domnio do sistema.
20C pode ser considerada fria ou quente 70% fria e 30% quente
Muito_frio 1 Frio Quente Muito_quente
0.5
0 -10
10
20
30
40
Fuzzificao: transformar variveis qualitativas, com base nas funes de pertinncia, em algum significado para o computador
If (temperatura is muito_frio) then (velocidade is zero) If (temperatura is frio) then (velocidade is baixa) If (temperatura is quente) then (velocidade is mdia) If (temperatura is muito_quente) then (velocidade is alta)
Frio
Quente
Muito_quente
0 -10 0 10 20 30 40
baixa
mdia
alta
0 0
20
40
60
80
100
temperatura
velocidade
-10
20
40 Composio:
100
temperatura
velocidade
-10
20
40 Composio:
44.1
100
Modelo Fuzzy
A utilizao mais significativa da teoria dos conjuntos fuzzy em sistemas baseados em conhecimento so os controladores fuzzy. Um controlador fuzzy pode ser visto como um sistema especialista simplificado, em que a conseqncia de uma regra no aplicada como antecedente de outra. Isto porque as aes de controle so baseadas em um nico nvel de inferncia.