Inteligncia Artificial CCT310

*Sistemas fuzzy

Representao do Conhecimento
Como agir em meio incerteza?

Tratamento de Incerteza Raciocnio Estatstico

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

Modelos numricos mais conhecidos para a representao da informao imperfeita:

Probabilista Difuso (Fuzzy)

Modelo Fuzzy

Teoria dos conjuntos fuzzy - objetiva permitir graduaes na pertinncia de um elemento a uma dada classe. Teoria dos conjuntos clssica

Ou um elemento pertence (1) ou no-pertence (0) a um conjunto.

Teoria fuzzy

O grau de pertinncia passa a ser dado por um valor no intervalo de nmeros reais [0,1].

Teoria dos conjuntos fuzzy

Teorias que tratam da impreciso e da incerteza

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

Regras: Decises binrias (sim ou no).

E se no tivermos certezas? Se condio x Ento ao y com confiana z

Lgica Fuzzy

Exemplo: Regras x Lgica Fuzzy (LF)

Regras: Se o objeto redondo ento uma bola. LF: Se o objeto muito redondo ento uma bola com grande probabilidade.

Lgica Fuzzy: Framework matemtico para lidar com esta incerteza.

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

Supondo que se deseja modelar o conceito alto aplicado a pessoas.

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

, x > 1,75m , x < 1,60m , 1,60m x 1,75m

Modelo Fuzzy

Graficamente, o conjunto fuzzy A pode ser representado como

Conjunto fuzzy - exemplo

Altura de 3 pessoas 1 A: 179cm B: 171cm C: 168cm
0 170 180 [Cm] Baixo Mdio Alto

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

Altura 0 170 180 [Cm]

Representao grfica dos conjuntos fuzzy discretos

A 1 --

-10

10

A(u) =

0,0

, se mdulo(x) > 5

(5 mdulo(x))/5, se mdulo(x) <= 5

Representao grfica dos Conjuntos fuzzy contnuos

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

Tipos de conjuntos fuzzy

Triangular Trapezoidal Exponencial

A 1 A

-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

X = { 2, 1, 0,1, 2} A = 0.5 / 1 + 1.0 / 0 + 0.5 / 1

-2 -1 0 0.5

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

-cut (cortes de nvel)

Representao aproximada de conjuntos fuzzy atravs de conjuntos crisp A = {x X | A ( x) } Considere o conjunto:

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 = ?

-cut (cortes de nvel)

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 A0.6 = {1, 2, 3} A0.1 = {1, 2, 3, 4, 5, 6, 7, 8} B = 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

Representao

Representao matricial

X = {0, 2, 4, 6, 8, 10} M = {0.011/2 + 0.607/4 + 0.607/6 + 0.011/8}

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

B

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

B

A B AB

Vantagens da lgica fuzzy

Fcil entendimento Flexibilidade Trabalha com dados imprecisos Experincia do especialista geram regras Linguagem natural

Revisando...

Conjuntos fuzzy

Quais so os dias do fim de semana?

Discreto: No conjunto dos nmeros naturais, o subconjunto dos nmeros primos. Fuzzy: No conjunto das pessoas, o subconjunto das pessoas altas.

Sem fronteiras bem definidas

Revisando...

Valores de respostas: entre 0 e 1 Funes de pertinncia

Tipos de funes

Operaes: min e max

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.

Sistemas fuzzy - fases

Entradas do sistema

Sadas do sistema

Fuzzificao

Funes de pertinncia Conjunto de regras

Defuzzificao

Nveis de pertinncia

Avaliao das regras

Nveis de sada

Sistemas fuzzy - fases

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

O sistema composto de:

Mecanismo de inferncia Base de conhecimento Interfaces de entrada e sada

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

Se <antecedente> ento <conseqente> (If <antecedente> then <conseqente>)

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:

Controle de velocidade de um ventilador A velocidade depende da temperatura

Temperatura Muito frio Frio Quente Muito quente Velocidade Desligado Devagar Mdia Rpida Corrente relativa do motor 0 15 50 100

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

No exemplo, so definidas 4 funes de pertinncia para a entrada

Uma quinta (moderada) poderia ser adicionada entre frio e quente

O nmero de funes necessrias depende da exatido desejada para o sistema

Quanto mais curvas, mais sensibilidade, maior complexidade

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

Exemplo: regras de produo

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.

Exemplo: Processo de fuzzificao

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

Exemplo: Regras ativadas

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)

Muito_frio 1 temperatura 0.5

Frio

Quente

Muito_quente

0 -10 0 10 20 30 40

zero 1 velocidade 0.5

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.