MODELAGEM DE SISTEMAS

DIFUSOS
1 Leandro M. Almeida
SISTEMAS DIFUSOS - COMPOSIO
So compostos pelos seguintes subsistemas:
Bloco de fuzzificao, fazendo a converso de entradas
crisp => fuzzy;
Base de regras contendo regras do tipo IF-THEN;
Base de dados contendo valores relativos s funes
de pertinncia dos conjuntos fuzzy envolvidos;
Bloco de inferncia que executa as operaes de
raciocnio fuzzy, por meio da aplicao das regras
ativadas;
Bloco de defuzzificao que condensa os resultados do
mdulo anterior, sintetizando sadas tipicamente
numricas que sero lanadas ao mundo exterior
2
como resultado final da inferncia.
SISTEMAS DIFUSOS - COMPOSIO
B Sensores entrada
RegrasC
Condicionais
Incondicionais

Variveis lingsticas Fuzzificao

Inferncia

Defuzzificao

Min-max vs. aditivas

3
Mximos vs. Centride
efetuadores sada
Lgicas Difusas e Sistemas 3/77
Difusos
SISTEMAS DIFUSOS -
FUNCIONAMENTO
Em linhas gerais, os passos de raciocnio so:
Fuzzificao dos valores de entrada, utilizando as
funes de pertinncia dos termos fuzzy de entrada;
Combinao dos resultados anteriores, por meio da t-
norm ou t-conorm (and ou or) para obteno dos
graus de ativao de cada regra;
Gerao de conjuntos fuzzy conseqentes, resultantes
da inferncia de cada regra e posterior consolidao
ponderada pelos vrios graus de ativao individuais;
Defuzzificao ou sntese de valores (tipicamente
numrico).

4
APLICAES DA LGICA DIFUSA
Sistemas de apoio deciso
Representam o conhecimento e a experincia
existentes sobre um determinado estado do processo
ou situao;
Capacidade de processar eficientemente informaes
imprecisas e qualitativas;
Inferem a evoluo temporal, as variaes ou mesmo
sugestes sobre as prximas aes a serem tomadas
Exemplos: Consumo de combustvel de um automvel;
expectativa da quantidade de hospedes em um hotel;
etc.

5
APLICAES DA LGICA DIFUSA
Aproximao de funes
Fuzzy para a aproximao de funes no-lineares;
Mdulo componente de um sistema mais complexo de
modelagem, tomada de deciso ou de controle;
Calculo de valores de funes ou de suas derivadas,
por no estar disponvel ou ser muito difcil;
Aproximam o comportamento de tais funes a partir
de dados prticos existentes;

6
APLICAES DA LGICA DIFUSA
Controle de processos
Processos industriais complexos apresentam
dificuldades significativas no controle automtico
no-linearidades, variantes no tempo, baixa qualidade das
medidas disponveis, altos nveis de rudos etc.
Normalmente s variveis subsidirias so
controladas, pois podem ser medidas (temperatura,
presso, etc);
Um operador responsvel pelo controle global da
qualidade e quantidade do produto produzido;
Banco de
Regras
Sistema
Converso Converso Fsico
Escalar > Mquina de Fuzzy > 7
Fuzzy inferncia Escalar
SISTEMAS DIFUSOS -
DIFICULDADES
Dificuldades:
Gerao das regras fuzzy a partir do conhecimento do
especialista;
Definio das funes de pertinncia so em geral
baseadas numa avaliao subjetiva do especialista;
Inexistncia de tcnicas de aprendizado.
Pesquisas ligadas a hibridizao com outras
tcnicas:
Introduo de um mecanismo de aprendizagem;
Reduo da dependncia do especialista;
Aumento do poder do mecanismo de raciocnio para
lidar com mudanas. 8
SISTEMAS NEUROFUZZY
Ferramenta poderosa para o desenvolvimento de
sistemas difusos;
til quando se lida com sistemas fortemente no-
lineares, de comportamento varivel no tempo,
etc;
Representaes de sistemas difusos na forma de
redes passveis de treinamento;
Viabiliza a adaptao do sistema difuso sob
treinamento a um dado training set;
Torna possvel a obteno de resultados

interpretveis, ao contrrio dos casos tpicos de 9

redes neurais, de difcil interpretao.
MODELO ADAPTATIVO ANFIS
Adaptative Network-Based Fuzzy Inference
System ou Adaptative Neuro-Fuzzy Inference
System

10
SISTEMA DIFUSO
Determinar o tempo de
irrigao de uma
plantao (em
minutos), de acordo
com a temperatura
(graus Celsius) e a
umidade do ar (%).

11
SISTEMA DIFUSO EXEMPLOS DE
REGRAS

12
ETAPAS DO RACIOCNIO
Variveis Calculadas Variveis de Comando
Inferncia
(Valores Lingusticos) (Valores Lingusticos)

Nvel
Lingustico Fuzzificao
Nvel Defuzzificao
Numrico

Variveis Calculadas Objeto Variveis de Comando 13

(Valores Numricos) (Valores Numricos)
O MODELO ANFIS
Camada 1: as sadas das unidades desta camada
so os valores de pertinncia das entradas em
relao aos termos nas premissas das regras.

14
EXEMPLO DE FUZZIFICAO

15
RACIOCNIO: INFERNCIA
Sejam:

16
O MODELO ANFIS
Camada 2: as sadas das unidades so os valores
de ativao das regras (t-norm, t-conorm);
O nmero de unidades igual ao nmero de
regras

17
 RACIOCNIO: INFERNCIA

Ativaes dos antecedentes:

1. 0,3
2. 0,6
3. 0,4
18
4. 0
O MODELO ANFIS
Camada 3: as sadas das unidades so os valores
normalizados dos valores de ativao das regras;

19
O MODELO ANFIS
Camada 4: as sadas representam a contribuio
de cada regra na sada total e so calculadas pelo
valor da funo no conseqente da regra
ponderada pelo valor normalizado da ativao.

20
 RACIOCNIO: INFERNCIA

Resultados da implicao. O tempo de irrigao deve ser:

1. 0,3 pequeno
2. 0,6 mdio
3. 0,4 mdio
4. 0 grande no participar do processo de inferncia. 21
O MODELO ANFIS
Camada 5: a sada parcial de cada regra
somada para o calculo da sada total;

22
RACIOCNIO: INFERNCIA

23
O MODELO ANFIS

24
O MODELO ANFIS
Na Camada de Fuzzificao cada neurnio
representa uma funo "membership" de entrada
do antecedente de uma regra fuzzy;
Na Camada de Inferncia as regras so ativadas
e os valores ao final de cada regra representam o
peso inicial da regra.
Na Camada de Defuzzificao cada neurnio
representa uma proposio conseqente;
O peso de cada sada representa o centro de
gravidade de cada sada da funo.
O ajuste feito na conexo do peso e nas funes
visando compensar o erro e produzir um novo
controle de sinal. 25
MODELAGEM DE SISTEMAS
DIFUSOS
Tarefa de identificao de parmetros do
mecanismo de inferncia de um sistema difuso
com o objetivo de atingir um comportamento
esperado.
Necessidade de encontrar um trade-off entre
acurcia e interpretabilidade
Prover uma alta preciso numrica juntamente com
baixa perda do poder descritivo;
Normalmente sistemas difusos so construdos
usando conhecimento oriundo de um especialista,
porm torna-se difcil quando:
O conhecimento incompleto ou o domnio do
problema muito abrangente; 26
Motivando o uso de abordagens automticas.
MODELAGEM DE SISTEMAS
DIFUSOS
Seguindo a representao conexionista de um
sistema difuso, os parmetros do sistema de
inferncia podem ser classificados em quatro
categorias:
Parmetros lgicos: funes e operadores que definem
o tipo de transformao sofrida por valores crisp e
fuzzy durante o processo de inferncia.
Formato das funes de pertinncia;
Os operadores difusos utilizados, AND, OR, implicao,

agregao e
Mtodo de defuzzificao.

Parmetros estruturais: Relacionados ao tamanho do

sistema difuso. 27
Nmero de variveis participantes, funes e regras.
MODELAGEM DE SISTEMAS
DIFUSOS
Parmetros conectivos: relacionados com a
topologia do sistema.
Definem a conexo entre as diferentes instncias
lingsticas;
Incluem antecedentes, conseqentes e os pesos das
regras;
Parmetros operacionais: definem o mapeamento
entre as variveis lingsticas e suas
representaes numricas.

28
MODELAGEM DE SISTEMAS
DIFUSOS
Classificao dos parmetros dos sistemas de
inferncia difusos:
Classe Parmetros
Lgico Mecanismo de raciocnio
Operadores difusos
Tipos de funes membro
Mtodo de defuzzificao
Estrutural Variveis relevantes
Quantidade de funes membro
Quantidade de regras
Conectivo Antecedentes das regras
Conseqentes das regras
Pesos das regras 29
Operacional Valores das funes membro
MODELAGEM DE SISTEMAS
DIFUSOS
Os parmetros lgicos usualmente so
predefinidos por um projetista baseado em sua
experincia e nas caractersticas do problema.
Mecanismo de raciocnio: Mamdani, Takagi-Sugeno;
Operadores difusos: mnimo, mximo, produto, soma
probabilstica, soma e produto limitados;
Funes membro: triangular, trapezoidal e sino;
Defuzzificao: centride, mdia dos mximos;
Os demais parmetros podem ser obtidos atravs
de metodologias de busca;
Geralmente o esforo computacional cresce
exponencialmente com o nmero de parmetros;
Encontrar um trade-off acurria e interpretabilidade. 30
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Existe um grande nmero de mtodos para
modelagem de sistemas difusos, que diferem
quanto a:
Estratgia
de busca utilizada e;
Quantidade/tipos de parmetros que podem buscar.
Modelagem de sistemas difusos direta
Nesta abordagem, primeiro o sistema
linguisticamente definido com base no conhecimento
a priori oriundo do especialista.
Posteriormente tal definio transforma em uma
estrutura formal de modelo difuso, seguindo os
passos propostos por Zadeh: 31
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Modelagem de sistemas difusos direta passos:
Seleo das variveis de entrada, estado e sadas;
Determinao do universo de discurso;
Determinao dos rtulos lingsticos dentre os quais
as variveis so particionadas;
Determinao das funes membro (pertinncia)
correspondente a cada rtulo lingstico;
Determinao das regras que descrevem o
comportamento do modelo;
Seleo de um mecanismo de raciocnio adequado;
Avaliao da adequao do modelo construdo.
Considerada mais uma arte de intuio e
experincia do que uma teoria precisa. 32
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Abordagem baseada na identificao de
algoritmos clssica
Um modelo difuso um tipo especial de modelo no-
linear;
A modelagem difusa pode ser realizada atravs da
aplicao de algum mtodo de identificao clssico;
Tais mtodos trabalham com a estimao iterativa
convergente de um conjunto de parmetros
numricos, aplicados a um modelo com o objetivo de
se aproximar a um comportamento esperado
Mnimos quadrados ortogonais;
Gradiente descendente, quase-Newton, Levenberg-

Marquardt e modelagem auto-regressiva. 33

ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Abordagem de aprendizagem construtiva
O conhecimento a priori serve diretamente o processo
de busca ao invs de ser utilizado diretamente na
construo de parte, ou de todo, o sistema difuso;
Aps a definio guiada pelo especialista dos
parmetros lgicos e de alguns parmetros
estruturais (variveis relevantes e universo de
discurso), uma seqncia de algoritmos de
aprendizado aplicada;
Utilizam um determinado critrio de performance
para a construo de um sistema difuso;
Aplicao de tcnicas de poda, que ajudam a reduzir o
tamanho do sistema, no deixando de observar a obteno 34
de uma acurcia aceitvel.
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Abordagens bio-inspiradas
Redes Neurais Artificiais, Algoritmos Evolucionrios
e Lgica difusa pertence a mesma famlia de
metodologias bio-inspiradas;
Modelam diferentes extenses de processos naturais,
como, aprendizado, evoluo e raciocnio;
A unio dessas tcnicas tem como objetivo utilizar
seus pontos positivos e superar seus pontos negativos,
originando as tcnicas hbridas conhecidas como
sistemas neuro-fuzzy e modelagem difusa
evolucionria;
Existem trs linhas de pesquisa para
desenvolvimento de sistemas neuro-fuzzy: 35
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Abordagens bio-inspiradas - Sistemas neuro-
fuzzy hbridos
Extrao de regras difusas a partir de redes neurais:
Nessa abordagem tenta-se a extrao de regras, no
formato difuso, do conhecimento embutido em uma
rede neural treinada;
Sistemas neuro-fuzzy: so implementaes de
sistemas de inferncia difusos juntamente com redes
neurais.
Sistemas neuro-fuzzy orientados a interpretabilidade:
so construdos respeitando certas restries
relacionadas a interpretabilidade, para que no haja
degradao ou perda da capacidade explicativa. 36
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Abordagens bio-inspiradas - Modelagem difusa
evolucionria
Dada uma medida adequada de desempenho,
Algoritmos Evolucionrios (AE) so capazes de
encontrar solues quase-timas em grandes e
complexos espaos de busca;
So usados principalmente para ajustar o sistema de
inferncia difuso envolvido em tarefas de controle;
Podem ser usados para o ajuste dos parmetros
relativos ao conhecimento, comportamento e
estrutura do aprendizado, assim, so divididos em
trs categorias de modelagem difusas:
37
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Modelagem difusa evolucionria
Ajuste do conhecimento (parmetros operacionais)
Um AE usado para ajustar o conhecimento contido no
sistema difuso atravs da busca por valores das funes de
pertinncia;
Um sistema difuso inicial necessita ser definido por um

especialista;
Aps, os valores das funes de pertinncia so codificados

em um gene;
Um AE utilizado para encontrar sistemas de alta

performance;
A evoluo freqentemente supera problemas de mnimos

locais presentes em mtodos baseados nos gradiente;

O problema neste caso se refere dependncia de um
38
conjunto inicial de conhecimento base.
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Modelagem difusa evolucionria
Comportamento do aprendizado (parmetros
conectivos)
As funes de pertinncia so definidas usando o
conhecimento do especialista ou uma tcnica de
identificao (agrupamento difuso);
Um AE ento usado para encontrar os conseqentes das

regras ou um subconjunto adequado de regras a serem

includas na base de regras;
O gene pode ser codificado diretamente com os conseqentes

de uma regra ou possuir um conjunto fixo de templates de

regras definidas pelo usurio;

39
ABORDAGENS PARA MODELAGEM
DE SISTEMAS DIFUSOS
Modelagem difusa evolucionria
Estrutura do aprendizado (parmetros estruturais)
Normalmente a informao disponvel sobre o sistema
composta por dados entra-sada e o conhecimento especfico
sobre a estrutura do sistema escasso;
Neste caso, AE so usados para o desenvolvimento simultneo

de regras, funes de pertinncia e parmetros estruturais;

A alta interdependncia entre os parmetros envolvidos nessa

forma de aprendizagem pode reduzir, ou at mesmo impedir

por completo, a convergncia do AE.
Utilizao de algoritmos co-evolucionrios cooperativos
Existncia de duas ou mais espcies e com restries de
acasalamento;
possuem uma relao cooperativa para o clculo da aptido.
40
TRABALHOS RECENTES
Minku, F. L. Otimizao de parmetros e
criao de comits de EFuNNs. Dissertao
de Mestrado. Cin/UFPE, 2006.
Cai, W., Chen, S. and Zhang, D. Fast and

robust fuzzy c-means clustering algorithms

incorporating local information for image
segmentation. Pattern Recognition, 40, 2007.
Al-Shamri, M. Y. H. and Bharadwaj, K. K.
Fuzzy-genetic approach to recommender
systems based on a novel hybrid user model.
Expert Systems with Applications, 35, 2008.
41
ASSUNTOS DE TRABALHOS
RECENTES
Reconhecimento de padres
Aprendizagem supervisionada e no-supervisionada
Previso de sries temporais
Processamento de imagens e Viso
computacional
Image enchancement
Segmentation
Boundary detection and Surface Approximation
Representation of image objects as fuzzy regions
Spatial relations
Perceptual grouping
42
Dentre outras...
REFERNCIAS
Reyes, C. A. P. Coevolutionary fuzzy modeling.
Springer, Germany, 2004.

Bezdek, J. C., Keller, J., Krisnapuram, R. and Pal, N. R.

Fuzzy models and algorithms for pattens
recognition and image processing. Springer, USA,
1999.

Rezende, S. O. Sistemas inteligentes: Fundamentos e

Aplicaes. Manole, Barueri, SP, 2005.

Aguiar, H. and Junior, O. Inteligncia computacional

aplicada administrao, economia e engenharia 43
em matlab. Thomson, So Paulo, SP, 2007.