Sistemas Fuzzy

Anne Magly de Paula Canuto

Sistemas especialistas Fuzzy
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...)
Desenvolvida por Lofti A. Zadeh da Universidade da Califrnia em Berkeley na
dcada de 60
Grau de Crena x Grau de Verdade
Grau de Crena x Teoria das Probabilidades
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 Grau de verdade x Lgica Fuzzy
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]
Caractersticas: Lgica Fuzzy (1/2)
Lgica convencional: sim-ou-no, verdadeiro-ou-falso
Lgica Fuzzy (difusa ou nebulosa):
Refletem o que as pessoas pensam
Tenta modelar o nosso senso de palavras, tomada de deciso ou senso
comum
Trabalha com uma grande variedade de informaes vagas e
incertas, as quais podem ser traduzidas por expresses do tipo: a
maioria, mais ou menos, talvez, etc.
Caractersticas: Lgica Fuzzy (2/2)
Antes do surgimento da lgica fuzzy essas informaes no tinham
como ser processadas
A lgica fuzzy contm como casos especiais no s os sistemas
lgicos binrios, como tambm os multi-valorados
A lgica fuzzy vem sendo aplicada nas seguintes reas
Anlise de dados
Construo de sistemas especialistas
Controle e otimizao
Reconhecimento de padres, etc.
Conjunto de princpios matemticos para a representao do
conhecimento baseado no grau de pertinncia dos termos
Conjuntos Fuzzy (1/3)
Conjuntos com limites imprecisos
Altura(
m)
1.75
1.0
Conjunto Clssico
1.0
Funo de
pertinncia
Altura
(m)
1.60 1.75
.5
.9
Conjunto Fuzzy
A = Conjunto de pessoas altas
.8
1.70
Conjuntos Fuzzy (2/3)
Um conjunto fuzzy A definido no universo de discurso X caracterizado por uma
funo de pertinncia
A
, a qual mapeia os elementos de X para o intervalo [0,1].

A:X
[0,1]
Desta forma, a funo de pertinncia associa a cada elemento x pertencente a X
um nmero real
A(X)
no intervalo [0,1], que representa o grau de pertinncia do
elemento x ao conjunto A, isto , o quanto possvel para o elemento x
pertencer ao conjunto A.
Uma sentena pode ser parcialmente verdadeira e parcialmente falsa

A(X)
: x [0,1],
A(X)
= 0
0 <
A(X)
< 1

A(X)
= 1

Conjuntos Fuzzy (3/3)
Definio formal
Um conjunto fuzzy A em X expresso como um conjunto de pares
ordenados:

} | )) ( , {( X x x x A
A
e =
Universo ou
Universo de discurso
Conjunto
fuzzy
Funo de
pertinncia
(MF)
Um conjunto fuzzy totalmente caracterizado
por sua funo de pertinncia (MF)
Como representar um conjunto Fuzzy
num computador?
1. Funo de pertinncia
Reflete o conhecimento que se tem em relao a intensidade
com que o objeto pertence ao conjunto fuzzy
Mtodos para adquirir esse conhecimento do especialista
Ex: Perguntar ao especialista se vrios elementos pertencem a
um conjunto
Funo de Pertinncia
Vrias formas diferentes
Representadas uma funo de mapeamento
Caractersticas das funes de pertinncia:
Medidas subjetivas
Funes no probabilsticas monotonicamente crescentes, decrescentes
ou subdividida em parte crescente e parte decrescente.
MFs
Altura (m)
alto no Brasil
1.75
.5
.8
.1
alto nos EUA
alto na Itlia
Funo de Pertinncia
Funo Triangular


Funo Trapezoidal


Funo Gaussiana


Funo Sino Generalizada

trimf x a b c
x a
b a
c x
c b
( ; , , ) max min , , =

|
\

|
.
|
|
\

|
.
| 0
trapmf x a b c d
x a
b a
d x
d c
( ; , , , ) max min , , , =

|
\

|
.
|
|
\

|
.
| 1 0
gbellmf x a b c
x c
b
b
( ; , , ) =
+

1
1
2
2
2
1
) , , ; (
|
.
|

\
|

=
o
c x
e c b a x gaussmf
Funo de Pertinncia
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(a) Triangular
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(b) Trapezoidal
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(c) Gaussiana
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(d) Sino Gerneralizada
Funo de pertinncia: Universo
Discreto
X = {SF, Boston, LA} (discreto e no
ordenado)
C = Cidade desejvel para se viver
C = {(SF, 0.9), (Boston, 0.8), (LA, 0.6)}

X = {0, 1, 2, 3, 4, 5, 6} (discreto)
A = Nmero de filhos
A = {(0, .1), (1, .3), (2, .7), (3, 1), (4, .6),
(5, .2), (6, .1)}
0 2 4 6
0
0.2
0.4
0.6
0.8
1
X = Nmero de filhos
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(a) Universo Discreto
Funo de pertinncia: Universo
Contnuo
X = (Conjunto de nmeros reais
positivos) (contnuo)

B = Pessoas com idade em torno de
50 anos

B = {(x,
B(x)
)| x em X}

B
x
x
( ) =
+

|
\

|
.
|
1
1
50
10
2
0 50 100
0
0.2
0.4
0.6
0.8
1
X = Idade
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(b) Universo Contnuo
Partio Fuzzy

Partio fuzzy do universo de X representando idade, formada pelos
conjuntos fuzzy jovem, maduro e idoso.
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
1.2
X = Idade
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

Jovem Maduro Idoso
Variveis Lingsticas
Uma varivel lingstica possui valores que no so nmeros, mas
sim palavras ou frases na linguagem natural.
Idade = idoso
Um valor lingstico um conjunto fuzzy.
Todos os valores lingsticos formam um conjunto de termos:
T(idade) = {Jovem, velho, muito jovem,...
Maduro, no maduro,...
Velho, no velho, muito velho, mais ou menos velho,...
No muito jovem e no muito velho,...}
Permitem que a linguagem da modelagem fuzzy expresse a
semntica usada por especialistas
Exemplo:
If projeto.durao is no muito LONGO
then risco is ligeiramente reduzido
Hedges (modificadores)
Termos que so usados para
modificar a forma dos
conjuntos fuzzy
Muito, algo mais ou menos, um
pouco
So universais
Compostos de nome e frmula
Muito:

Extremamente

Muito muito

Um pouco

Mais ou menos

Indeed
( )
2
) ( ) ( x x
A
M
A
=
( )
3
) ( ) ( x x
A
M
A
=
( )
3 , 1
) ( ) ( x x
A
M
A
=
) ( ) ( x x
A
M
A
=
( )
( ) 1 5 , 0 , ) ( 1 2 1 ) (
5 , 0 0 , ) ( * 2 ) (
2
2
s < =
s s =


x x
x x
A
M
A
A
M
A
( )
4
) ( ) ( x x
A
M
A
=
A c B, se
B(x)
>
A(x)
para cada xe X
A = B, se
A(x)
=
B(x)
para cada xe X
( A = X - A
(A(x)
= 1 -
A(x)



E(x)
= Max [0,
A(x)
-
B(x)
]

C = A B
c(x)
= max(
A(x)
,
B(x)
)
C =
A(x)
v
B(x)

C = A . B
c(x)
= min(
A(x)
,
B(x)
)
C =
A(x)
.
B(x)
Operaes Bsicas
Subconjunto
Igualdade
Complemento
Complemento
Relativo

Unio


Interseo


e
e
Representao
0
0.2
0.4
0.6
0.8
1
A est contido em B
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

B
A
(a) Conjuntos Fuzzy A e B (b) Conjunto Fuzzy no A
0
0.2
0.4
0.6
0.8
1
A B
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
(c) Conjunto Fuzzy "A ou B"
0
0.2
0.4
0.6
0.8
1
(d) Conjunto Fuzzy "A e B"
Exemplo (Unio|Interseo)
X = {a, b, c, d, e}
A = {1/a, 0.7/b, 0.3/c, 0/d, 0.9/e}
B = {0.2/a, 0.9/b, 0.4/c, 1/d, 0.4/e}

Unio
C = {1/a, 0.9/b, 0.4/c, 1/d, 0.9/e}

Interseo
D = {0.2/a, 0.7/b, 0.3/c, 0/d, 0.4/e}
Propriedades
Comutatividade
A v B = B v A A . B = B . A
Idempotncia
A v A = A A . A = A
Associatividade
A v (B v C) = (A v B) v C = A v B v C A . (B . C) = (A . B) . C = A . B . C
Distributividade
A . (B v C) = (A . B) v (A . C) A v (B . C) = (A v B) . (A v C)
Propriedades padres: Comutatividade, Idempotncia Associatividade,
Distributividade etc. so vlidas para os conjuntos fuzzy. Exceo:

( A . A = |
( A v A = X


Regras Fuzzy
Consistem:
Conjunto de condies IF
(usando conectivos and, or ou not)
Uma concluso THEN
Uma concluso opcional ELSE
Exemplo:
1. Se velocidade > 100
Ento DPP 30 metros
2. Se velocidade < 40
Ento DPP 10 metros
1. Se velocidade alta
Ento DPP longa
2. Se velocidade baixa
Ento DPP curta

Velocidade [0,220] Baixa, Mdia e alta
Regras Fuzzy
E o raciocnio?
Avaliar o antecedente
Aplicar o resultado ao conseqente
As regras so ativadas parcialmente, dependendo do antecedente
Ex: Se a altura alta, o peso pesado (altura =1.85, peso = ?)
1.85
.5
.75
.1
Alto
90
.5
.75
.1
Pesado
Regras Fuzzy
E no caso de existir vrios antecedentes?

E no caso de existir vrios conseqentes?

1 FUZZIFICAO
2 INFERNCIA
AGREGAO
3 DEFUZZIFICAO
COMPOSIO
Etapas do raciocnio Fuzzy
Lingustico
Numrico
Nvel
Variveis Calculadas
Variveis Calculadas
(Valores Numricos)
(Valores Lingusticos)
Inferncia
Variveis de Comando
Defuzzificao
Objecto
Fuzzificao
(Valores Lingusticos)
Variveis de Comando
(Valores Numricos)
Nvel
Etapas do raciocnio Fuzzy
Fuzzificao
Etapa na qual as variveis lingsticas so definidas de forma
subjetiva, bem como as funes membro (funes de pertinncia)
Engloba
Anlise do Problema
Definio das Variveis
Definio das Funes de pertinncia
Criao das Regies
Na definio das funes de pertinncia para cada varivel, diversos
tipos de espao podem ser gerados:
Triangular, Trapezoidal, ...
TRIANGULAR
Frio Normal Quente
TRAPEZOIDAL
Lento Rpido
Fuzzificao
Inferncia Fuzzy
Etapa na qual as proposies
(regras) so definidas e depois
so examinadas paralelamente

Engloba:
Definio das proposies
Anlise das Regras
Criao da regio resultante
O mecanismo chave do modelo
Fuzzy a proposio
A proposio o relacionamento
entre as variveis do modelo e
regies Fuzzy
Na definio das proposies,
deve-se trabalhar com:
Proposies Condicionais
if W is Z then X is Y

Proposies No-Condicionais
X is Y
Inferncia Fuzzy
AGREGRAO
Calcula a importncia de uma determinada regra para a situao
corrente

COMPOSIO
Calcula a influncia de cada regra nas variveis de sada.
Defuzzificao
Etapa no qual as regies resultantes so convertidas em valores
para a varivel de sada do sistema

Esta etapa corresponde a ligao funcional entre as regies Fuzzy e
o valor esperado

Dentre os diversos tipos de tcnicas de defuzzificao destaca-se:
Centride
First-of-Maxima
Middle-of-Maxima
Critrio Mximo
Exemplos:
z
0
z
0
z
0

Centride First-of-Maxima Critrio Mximo
Defuzzificao
Inferncia Fuzzy: Um exemplo
Objetivo do sistema:
um analista de projetos de uma
empresa que determina o risco de
um determinado projeto
Quantidade de dinheiro e de
pessoas envolvidas no projeto
Representao das variveis de
entrada
Base de conhecimento
1. Se dinheiro adequado ou
pessoal pequeno ento risco
pequeno
2. Se dinheiro mdio e pessoal
alto, ento risco normal
3. Se dinheiro inadequado,
ento risco alto
Problema: dinheiro = 35% e pessoal = 60%
Inferncia Fuzzy: Um exemplo
Passo 1: Fuzzificar
75 , 0 ) ( & 25 , 0 ) ( = = d d
m i

Dinheiro
Inadequado
Mdio
Adequado
35
.25
.75
Pessoal
60
Baixo Alto
.2
.8
8 , 0 ) ( & 2 , 0 ) ( = = p p
a b

Inferncia Fuzzy: Um exemplo
Passo 2: Avaliao das regras
Ou mximo e mnimo
Adequado
Regra 1:
Baixo
0,0
ou
0,2
Risco
mdio
Regra 2:
Alto
0,25
e
0,8
Risco
Inferncia Fuzzy
Risco
Inadequado
Regra 3:
0,75
Inferncia Fuzzy
Passo 3: Defuzzificao
Risco
0,75
0,25
10 20 30 40 70 60 50 100 90 80
4 , 70
8 , 3
5 , 267
75 , 0 75 , 0 75 , 0 25 , 0 25 , 0 25 , 0 2 , 0 2 , 0 2 , 0 2 , 0
75 , 0 * ) 100 90 80 ( 25 , 0 * ) 70 60 50 ( 2 , 0 * ) 40 30 20 10 (
= =
+ + + + + + + + +
+ + + + + + + + +
= C
Inferncia Fuzzy
O mtodo de Sugeno
Igual ao Mandani
Conseqente Singleton
Computacionalmente eficaz
Mais utilizado em otimizao e adaptao (controle de
sistemas