Fuzzytbl

Tratamento de Incerteza e Lógica Fuzzy
Teresa Ludermir
Sistemas Inteligentes 1
Lógica
Fuzzy Conteúdo
• Incerteza
• Introdução a Lógica Fuzzy
• Conjuntos Fuzzy
• Operadores de Conjuntos Fuzzy
• Variáveis Linguísticas
• Lógica Fuzzy
• Sistemas Fuzzy
• Raciocínio
• Conclusão
Lógica
Fuzzy
Incerteza
• O conhecimento humano é muitas vezes

incompleto, incerto ou impreciso.
• IA preocupa-se com formalismos de
representação e raciocínio que permitam o
tratamento apropriado a cada tipo de problema.
• Incerteza pode ser tratada de várias formas
entre elas com Lógica Fuzzy e Redes
Bayseanas.
Lógica
Fuzzy
Incerteza
• O mundo muda, algumas vezes de forma não

previsível;
• Nossas crenças sobre o mundo mudam;
• Nossas crenças a cerca do mundo podem ser
incertas;
• Não podemos garantir que nossas observações
são corretas ou completas.
Lógica
Fuzzy
Incerteza
• Ex.: Você vai para o show de Caetano ?
– talvez sim.
– se não chover eu vou.
– se o ingresso não for caro vou.
– vou logo cedo.
• Muitas das frases e estimativas humanas não são facilmente

definidas através de formalismos matemáticos.
Lógica
Fuzzy
Incerteza
• Incerteza estocástica: A probabilidade de acertar

o alvo é 0.8
• Incerteza léxica:
– "Homens Altos", "Dias Quentes", "Moeda Estável"
– Nós provavelmente teremos um bom ano de
negócios
– A experiência do especialista A mostra que B está
quase para ocorrer, porém, o especialista C está
convencido de que não é verdade
Lógica
Fuzzy Introdução
• A teoria dos conjuntos fuzzy (nebulosos ou

difusos) foi proposta por Zadeh em 1965.
• Na lógica convencional a classificação de um
objeto qualquer segundo um critério é feita em
uma entre duas categorias pré-determinadas.
Ex: par-ímpar, bom-mau, falso-verdadeiro.
Lógica
Fuzzy Introdução
• Classes que não são definidas precisamente. Ex:
Classe dos homens altos, a classe de erros
significativos, etc.
• Esses conceitos, apesar de imprecisos, têm um
significado óbvio considerando-se um
determinado ambiente.
• Na teoria dos conjuntos fuzzy a noção básica de
conjunto é modificada, permitindo que os
valores de pertinência de cada elemento ao
conjunto variem de [0,1].
Lógica
Fuzzy Introdução
• A lógica fuzzy pode ser vista em parte como

uma extensão da lógica de valores múltiplos. É
a lógica que trata de modelos de raciocínio
incerto ou aproximado.
• O poder expressivo da lógica fuzzy deriva do
fato de conter como casos especiais não só os
sistemas lógicos binários e de valores múltiplos,
mas também teoria de probabilidades e lógica
probabilística.
Lógica
Fuzzy Introdução
• As principais características da lógica fuzzy,

que a diferencia das lógicas tradicionais são:
• Os valores verdade podem ser subconjuntos
nebulosos de um conjunto base T, usualmente o
intervalo [0,1], e denotados por termos
lingüísticos como verdadeiro, muito verdadeiro,
mais ou menos verdadeiro, não muito falso, etc.
Lógica
Fuzzy Introdução
• Os predicados podem ser precisos como na
lógica clássica (mortal, par, pai_de), ou
imprecisos (cansado, grande, muito_mais_
pesado_ que, amigo_de).
• Os quantificadores podem ser de vários tipos
como a maioria, muitos, vários,
freqüentemente, cerca de 10, pelo menos 7.
• Os modificadores de predicado tais como não,
muito, mais_ou_menos, extremamente,
levemente, podem Sistemas
ser também
Inteligentes
representados.11
Lógica
Fuzzy Introdução
– As proposições podem ser qualificadas de três
formas diferentes:
• qualificação de verdade, como em
(Maria é jovem) não é bem verdade
• qualificação de probabilidade, como em
(Maria é jovem) é pouco provável
• qualificação de possibilidade, como em
(Maria é jovem) é quase impossível.
Lógica
Fuzzy História
• 1965 Seminal paper “Fuzzy Logic” por Prof. Lotfi Zadeh,
• 1970 Primeira aplicação de Lógica Fuzzy em engenharia de
controle (Europa)
• 1975 Introdução de Lógica Fuzzy no Japão
• 1980 Verificação empírica de Lógica Fuzzy na Europa
• 1985 Larga aplicação de Lógica Fuzzy no Japão
• 1990 Larga aplicação de Lógica Fuzzy na Europa
• 1995 Larga aplicação de Lógica Fuzzy nos Estados Unidos
• 2000 Lógica Fuzzy tornou-se tecnologia padrão e é também
aplicada em análise de dados e sinais de sensores. Aplicação de
Lógia Fuzzy em finanças e negócios
Lógica
Fuzzy Hierarquia
Sistemas Fuzzy (implementação)
Lógica Fuzzy (formalização)
Teoria dos Conjuntos Fuzzy (teoria de base)
Lógica
Fuzzy Teoria dos Conjuntos Fuzzy
• Definição de conjunto fuzzy

Seja X um conjunto (o nosso conjunto universo)
O conjunto fuzzy, A, será representado pela função de
pertinência,
 A  x  : X  0,1
Lógica
Fuzzy Exemplo Conjunto Fuzzy
• Definição discreta:
• µFA(35°C) = 0 µFA(38°C) = 0.1 µFA(41°C) = 0.9
• µFA(36°C) = 0 µFA(39°C) = 0.35 µFA(42°C) = 1
• µFA(37°C) = 0 µFA(40°C) = 0.65 µFA(43°C) = 1
• Conjunto febre baixo/mediano/alto
Definição Contínua
µ(x)
1
Definição contínua:
0
36°C 37°C 38°C 39°C 40°C 41°C 42°C
Lógica
Fuzzy Exemplo Conjunto Fuzzy
• Definição discreta:
• µPL(18) = 1.0 µPL(6) = 0.4 µPL(12) = 0.7
• µPL(2) = 0.2 µPL(8) = 0.5 µPL(14) = 0.8
• µPL(4) = 0.3 µPL(10) = 0.6 µPL(16) = 0.9
• Conjunto duração de tempo de projetos em semanas,

curto/médio/longo
Lógica
Fuzzy Definição Contínua
Um projeto Longo
1
Grau de Pertinência
 (x)
0 2 4 6 8 10 12 14 16 18
Duração(em semanas)
Lógica
Fuzzy Conjuntos Fuzzy
• São funções que mapeam o valor que poderia ser um membro do

conjunto para um número entre 0 e 1.
• O grau de pertinência 0 indica que o valor não pertence ao conjunto.
• O grau 1 indica significa que o valor é uma representação completa
do conjunto.
• Um conjunto fuzzy indica, por exemplo, com qual grau um projeto
específico é membro do conjunto de projetos LONGOS.
• A definição do que é um projeto LONGO depende do contexto.
Lógica
Fuzzy Operadores dos Conjuntos Fuzzy
• Intersecção
Sejam X conjunto de pontos, A e B conjuntos

contidos em X e x  X .
 ( A B ) ( x)  min(  A ( x),  B ( x))

A B
( A B ) ( x)   A ( x)   B ( x)
Lógica
• União
Sejam X conjunto de pontos, A e B conjuntos

contidos em X e x  X .
 ( A B ) ( x)  max(  A ( x),  B ( x))

A B
( A B ) ( x)   A ( x)   B ( x)
Lógica
• Complemento
Sejam X conjunto de pontos, A um conjunto

contido em X e x  X .
 A ( x)  1   A ( x)
Lógica
• Em conjuntos Fuzzy,
 (A  A)   (TRUE ) e  ( A  A)   ( FALSE),
o que não satisfaz a teoria dos conjuntos clássica.
• Considere  ( A)  1 / 2,
 (A  A)  max(  ( A),  ( A))
 max( 1  1 / 2,1 / 2)
 1/2  1
 (A  A)  min(  ( A),  ( A))
 min( 1  1 / 2,1 / 2)
 1/2  0
Lógica
Fuzzy Principais Lógicas
• Dependendo de como são definidos os conectivos
AND e OR, uma nova lógica é criada. O conectivo
NOT é, em geral, imutável.
Intersecção (AND) União (OR)

Zadeh Min μ  Α x, μΒ y Max μ  Α x, μΒ y
produto μ
Α
x  μ  y 
Β μ Α x   μ Β  y   μ Α x   μ Β  y 
Soma
limitada

Max 0, μ
Α
x  μ  y   1
Β

Min 1, μ
Α
x  μ  y 
Β
Lógica
Fuzzy Qualificadores
• Mesmo papel que advérbios

• Modifica o gráfico da função de pertinência do conjunto
difuso.
• É uma função, assim como um conjunto difuso
• Aumenta significativamente o nosso poder descritivo.
• Conjuntos difusos + Qualificadores = variável lingüística.
Lógica
Fuzzy Tipos de qualificadores
Qualificador Função
Por volta de, Aproxima um escalar
Aproximadamente
Bastante, extremamente Aumenta a precisão do
conjunto
Um pouco Dilui o conjunto
Não Complementar
Mais que, maior que Restringe uma região
Menos que, menor que Restringe uma região
Lógica
Fuzzy O Qualificador “bastante”
Lógica
Fuzzy O Qualificador “não”
Lógica
Fuzzy O Qualificador “mais que”
Lógica
Fuzzy Variáveis Lingüísticas
• É o centro da técnica de modelagem de sistemas fuzzy.

• Uma variável lingüística é o nome do conjunto fuzzy.
• Pode ser usado num sistema baseado em regras para
tomadas de decisão.
• Exemplo: if projeto.duração is LONGO
then risco is aumentado.
• Transmitem o conceito de qüalificadores.
• Qüalificadores mudam a forma do conjunto fuzzy.
Lógica
• Algumas variáveis lingüísticas do conjunto LONGO com

qüalificadores:
– muito LONGO
– um tanto LONGO
– ligeiramente LONGO
– positivamente não muito LONGO
Conjunto Fuzzy
Variáveis
Variáveis
Lingüísticas
Linguísticas
Qüalificadores
Lógica
• Permitem que a linguagem da modelagem fuzzy expresse a

semântica usada por especialistas.
• Exemplo:
If projeto.duração is positivamente não muito LONGO
then risco is reduzido um pouco
• Encapsula as propriedades dos conceitos imprecisos numa
forma usada computacionalmente.
• Reduz a complexidade do problema.
• Sempre representa um espaço fuzzy.
Lógica
Fuzzy Sistemas Fuzzy
• Externamente são menos complexos e mais fáceis de

entender.
• Os problemas são rapidamente isolados e fixados, reduzindo

o tempo de manutenção.
• Requisitam menos regras, por isso o tempo médio entre as

falhas diminui.
Lógica
• Possuem grande habilidade para modelar sistemas

comercias altamente complexos.
– sistemas convencionais tem dificuldade em resolver problemas
não-lineares complexos.
• São capazes de aproximar o comportamento do sistema

– porque apresentam várias propriedades não-lineares e pouco
compreensíveis.
Lógica
• Benefícios para os especialistas:

– habilidade em codificar o conhecimento de uma forma próxima a
linguagem usada por eles.
• Mas o que faz uma pessoa ser um especialista?
– é a capacidade em fazer diagnósticos ou recomendações em termos
imprecisos.
• Sistemas Fuzzy capturam uma habilidade próxima do
conhecimento do especialista.
• O processo de aquisição do conhecimento é:
– mais fácil,
– mais confiável,
– menos propenso a falhas e ambigüidades.
Lógica
• É capaz de modelar sistemas envolvendo múltiplos especialistas.
• Nos sistemas do mundo real, há vários especialistas sob um
mesmo domínio.
• Representam bem a cooperação múltipla, a colaboração e os
conflitos entre os especialistas.
• Um exemplo das posições dos gerentes de controle, de
produção, financeiro e marketing.
– Nosso preço deve ser baixo.
– Nosso preço deve ser alto.
– Nosso preço deve ser em torno de 2*custo
– Se o preço dos concorrentes não é muito alto então nosso preço deve ser
próximo do preço deles.
Lógica
• Devido aos seus benefícios, como:

– regras próximas da linguagem natural
– fácil manutenção
– simplicidade estrutural
• Os modelos baseados em sistemas Fuzzy são validados com

maior precisão.
• A confiança destes modelos cresce.
Lógica
• Sistemas especialistas convencionais são modelados a partir

da:
– probabilidade Bayesiana
– algumas fatores de confiança ou certeza.
• Ambas alternativas confiam na transferência de valores

incertos fora do próprio modelo.
• Sistemas Fuzzy fornecem a sistemas especialistas um método

mais consistente e matematicamente forte para manipulação
de incertezas.
Lógica
Fuzzy Imprecisão
Por que imprecisão:

• Ela existe devido a nossa incoerência em compreender um
fenômeno do mundo real.
• Ferramentas baseadas na visão formalizada de Aristóteles.
O que dizer da seguinte declaração:
O CARRO ESTÁ RÁPIDO
Lógica
Fuzzy Imprecisão
O CARRO ESTÁ RÁPIDO

O que significa rápido?
A qual conjunto rápido pertence?
Modelo Dependente do Contexto
Lógica
Fuzzy Imprecisão
Curiosidade do Cotidiano:
Diálogo entre Artur e Rodrigo para decidir
“O quão rápido é um carro rápido”
Lógica
Fuzzy Imprecisão
Artur: ... então podemos criar uma categoria para

carros rápidos uRÁPIDO [x] = { velocidade  100 };
Rodrigo: ... e um carro a 99.5 km/h não é rápido?
Artur: ... vamos diminuir o limite para 99, combinado?
Rodrigo: ... ainda não. E 98.5?
Artur: Temos que parar em algum ponto !
Rodrigo: Porque?
Artur: ... concordar em algum ponto onde os carros não
estão rápidos.
Lógica
Fuzzy Imprecisão
Rodrigo: É verdade. Então vamos dizer que carros abaixo

de 35 km/h não são rápidos.
Artur: ... concluímos que u RÁPIDO [x] = { velocidade  35 e
velocidade  100 }. Não, não podemos ter dois
limites para rápido. Então u RÁPIDO [x] = { velocidade  35 }.
Rodrigo: Não! Carros a 35 km/k são lentos para serem
considerados rápidos.
Artur: Sem problemas. 35 será o mínimo para ser
considerado rápido - não em todos os casos, e
Lógica
Fuzzy Imprecisão
Artur: 100 será a velocidade que nós dois

consideramos ser rápido. Qualquer valor entre
eles terá o seu grau de rapidez.
CONCLUSÕES ?
Lógica
Fuzzy Imprecisão
• Esta variação de grau de rapidez significa que alguns carros estarão

mais fortemente associados com a categoria rápido do que outros;
• Este grau pode assumir qualquer valor em um determinado

intervalo, não ficando restrito apenas a PERTENCER ou NÃO
PERTENCER aquele intervalo;
• Finalmente Artur e Rodrigo conseguiram entender o princípio da

lógica Fuzzy.
Lógica
• Identificar o conhecimento do domínio

•Representá-lo em uma lógica fuzzy
•Implementar um mecanismo de inferência para utilizá-lo
Lógica
• 2 componentes principais (separados):

•Base de Conhecimento
•Mecanismo de Inferência
Base de Conhecimento:
•contém sentenças em uma Lógica Fuzzy
Mecanismo (máquina) de Inferência associado:

•responsável por inferir, a partir do conhecimento da base,
novos fatos ou hipóteses intermediárias/temporárias
Um agente inteligente com BC
Sensores entrada
Base de
Conhecimento
Raciocínio
efetuadores saída
Agente inteligente difuso
BC Sensores entrada
Regras
Condicionais
Incondicionais
Fuzzificação
Variáveis lingüísticas
Conjuntos Difusos
Qualificadores Inferência
Defuzzificação
Min-max vs. aditivas
Máximos vs. Centróide

efetuadores saída
Lógica
Fuzzy Base de Conhecimento: Regras
• Condicionais.
– If x is X then a is A.
– If x is X and y is Y then a is A.
– If x is muito X then a is A.
• Incondicionais.
– a is A.
– a is mais que A.
Lógica Base de Conhecimento:
Fuzzy
Variáveis Lingüísticas
• Variáveis lingüísticas: Conjuntos difusos e Qualificadores.

• Técnica de armazenamento:
– Guardar a expressão da função.
– Guardar um par de vetores X e Y
Lógica
Fuzzy Raciocínio: Fuzzificação
• Consiste em construir os conjuntos difusos relativos às

variáveis de entrada.
• Mais de um conjunto difuso pode ser construído para cada
variável.
• No passo seguinte (composição), estes conjuntos serão usados
para encontrar o conjunto difuso final da variável.
Lógica
Fuzzy Raciocínio: Inferência
• Transforma os conjuntos difusos de cada variável de

saída em um único.
• Técnicas mais comuns:
– Regra aditiva (cumulativa): Para encontrar o conjunto difuso
composto, tomamos a soma limitada:
 x   min 1, 1 x   ...   n x 
– Regra min-max (limiar): Para encontrar o conjunto difuso
composto, tomamos o máximo:
 x   max 1 x ,...,  n x 

Lógica
Fuzzy Raciocínio: Defuzzificação
• Determinar um valor discreto para cada variável, a partir de

seu conjunto difuso definido na composição.
• Métodos mais comuns:
– Máximo (frágil);
– Média dos máximos;
– Centróide (mais robusto);
Lógica
Fuzzy Etapas do Raciocínio
1ª FUZZIFICAÇÃO
AGREGAÇÃO
2ª INFERÊNCIA
COMPOSIÇÃO
3ª DEFUZZIFICAÇÃO
Lógica
Fuzzy Etapas do Raciocínio
Variáveis Calculadas Inferência Variáveis de Comando

(Valores Linguísticos) (Valores Linguísticos)
Nível
Linguístico Fuzzificação
Nível Defuzzificação
Numérico
Variáveis Calculadas Objeto Variáveis de Comando

(Valores Numéricos) (Valores Numéricos)
Lógica
Fuzzy Fuzzificação e Certeza
• Lógica Fuzzy é um cálculo de compatibilidade. Ela trabalha com
a descrição das características das propriedades ;
• Descreve características que variam continuamente, associando
partes dos valores a significados semânticos ;
• Representa uma medida de pertinência de um elemento a um
conjunto Fuzzy;
Lógica
Fuzzy Fuzzificação
• Etapa no qual as variáveis lingüísticas são definidas de forma

subjetiva, bem como as funções membro (funções de pertinência).
Engloba:
Análise do Problema;
Definição das Variáveis;
Definição das Funções de Pertinência; e
Criação das Regiões.
Lógica
• Na definição das funções de pertinência para cada variável,

diversos tipos de espaço podem ser gerados.
• Os mais comuns são: Triangular, Trapezoidal e Sino
Lógica
TRIANGULAR:
Frio Normal Quente

Lógica
TRAPEZOIDAL:
Lento Rápido
Lógica
Fuzzy Fuzzificação - Exemplo
Lógica
Fuzzy Inferência
• Etapa na qual as proposições (regras) são definidas e depois são

examinadas paralelamente.
Engloba:
Definição das proposições;
Análise das Regras; e
Criação da região resultante.
Lógica
Fuzzy Inferência
• O mecanismo chave do modelo Fuzzy é a proposição.
• A proposição é o relacionamento entre as variáveis do modelo e

regiões Fuzzy
• Na definição das proposições, deve-se trabalhar com:
PROPOSIÇÕES CONDICIONAIS
PROPOSIÇÕES NÃO CONDICIONAIS
Lógica
Fuzzy Inferência
• PROPOSIÇÕES CONDICIONAIS:
if W is Z then X is Y
• PROPOSIÇÕES NÃO-CONDICIONAIS:
X is Y
Lógica
Fuzzy Inferência
AGREGRAÇÃO:
Calcula a importância de uma determinada regra para a situação
corrente.
COMPOSIÇÃO:
Calcula a influência de cada regra nas variáveis de saída.
Lógica
Fuzzy Inferência
Regras de Inferência:
1ª - IF duração = longa AND qualidade = alta THEN risco = médio
2ª - IF duração = média AND qualidade = alta THEN risco = baixo
3ª - IF duração = curta AND qualidade = baixa THEN risco = baixo
4ª - IF duração = longa AND qualidade = média THENA risco = alto
Lógica
Fuzzy Defuzzificação
• Etapa no qual as regiões resultantes são convertidas em valores para

a variável de saída do sistema;
•Esta etapa corresponde a ligação funcional entre as regiões

Fuzzy e o valor esperado;
• Dentre os diversos tipos de técnicas de defuzzificação destacamos:

Centróide, First-of-Maxima, Middle-of-Maxima e Critério Máximo.
Lógica
Fuzzy Defuzzificação
Exemplos:
z0 z0 z0
Centróide First-of-Maxima Critério Máximo
Lógica
Fuzzy
Estudo de Caso
Lógica
Fuzzy Construção
• Construir os conjuntos difusos fundamentais

(Variáveis Lingüísticas sem qualificador).
• Definir as estratégias para o passo de composição e
de defuzzificação.
• Construir as regras:
– condicionais.
– incondicionais.
Lógica
Fuzzy
Construção
• Construir os três conjuntos difusos de entrada ENOS, ZCIT

e ATL com três valores
Desfavorável, favorável e neutro
Lógica
Fuzzy Construção
• Definir o conjunto difuso de saída ESTAÇÃO
Lógica
Fuzzy Construção
• Construir as regras:
Lógica
Fuzzy Construção
• Escolhendo a estratégia de composição:

– min-max ou aditiva
– Vamos escolher min-max
• Escolhendo a estratégia de defuzzificação:
– centróide, máximos, ou etc...
– Vamos escolher centróide.
Lógica
Fuzzy Execução
• Suponha a situaçao com as três variáveis de

previsão como na figura a seguir:
Lógica
Fuzzy Execução
• Suponha apenas as três regras como nas duas

figuras a seguir:
Primeira fase
• As regras são avaliadas individualmente.

• O grau de pertinência de cada variável de
saída é dado pelo mínimo das pertinências
das variáveis de entrada da regra
• Cálculo na figura anterior
Segunda fase
• A pertinência final de cada categoria da
variável de saída, após a avaliação de todas
as regras, é a máxima pertinência obtida nas
regras da categoria
• Cálculo gráfico no final da figura das regras
Segunda fase
• µ(normal) = max [µ(regra1),µ(regra3)]
= max[0.1;0.6]=0.6
• µ(chuvosa) = [µ(regra2)] = 0.7
• [µ(muito seca)] = [µ(seca)] = [µ(muito
chuvosa)] = 0
Defuzzificação
• Centro de gravidade
Lógica
Fuzzy
Estudo de Caso 2
(Exercício)
Lógica
Fuzzy Formulação
a
f
t: temperatura
p: pressão
a: ângulo
f: fluxo t, p
Lógica
Fuzzy Lógica Fuzzy no Mundo
• Lógica Fuzzy tornou-se tecnologia padrão e é também aplicada em

análise de dados e sinais de sensores;
• Também utiliza-se lógica fuzzy em finanças e negócios;
• Aproximadamente 1100 aplicações bem sucedidas foram publicadas
em 1996; e
• Utilizada em sistemas de Máquinas Fotográficas, Máquina de Lavar
Roupas, Freios ABS, Ar Condicionado e etc.
Lógica
Fuzzy Conclusão
Lógica Fuzzy é uma importante ferramenta para auxiliar a

concepção de sistemas complexos, de difícil modelagem,
e pode ser utilizada em conjunto com outras tecnologias
de ponta, como é o caso da combinação entre Lógica Fuzzy
e Redes Neurais Artificiais.
Lógica
Fuzzy Bibliografia
• Cox, E. The Fuzzy Systems Handbook;
• Kartalopoulos, S. V. Understanding Neural Networks and Fuzzy

Logic. IEEE PRESS, 1996;
• Kosko, B. Fuzzy Engineering. Prentice-Hall, 1997;
• Kosko, B. Neural Networks and Fuzzy Systems. Prentice-Hall, 1992
Lógica
Fuzzy Bibliografia
• Almeida, P. e Evsukoff, A. Sistemas Fuzzy em Sistemas

Inteligentes organizado por Solange Rezende. Manole, 2002;
•Galvão, C. Introdução à Teoria dos Conjuntos Difusos em Sistemas

Inteligentes organizado por Carlos Galvão e Meuser Valença.
ABRH, 1999;
• FAQ: http://www.csa.ru/ai/faq/kantrowitz/fuzzy/faq.html

Fuzzytbl

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Fuzzytbl

Enviado por

Direitos autorais:

Formatos disponíveis

Tratamento de Incerteza e Lógica Fuzzy

• O conhecimento humano é muitas vezes

• O mundo muda, algumas vezes de forma não

• Muitas das frases e estimativas humanas não são facilmente

• Incerteza estocástica: A probabilidade de acertar

• A teoria dos conjuntos fuzzy (nebulosos ou

• A lógica fuzzy pode ser vista em parte como

• As principais características da lógica fuzzy,

Sistemas Fuzzy (implementação)

Lógica Fuzzy (formalização)

Teoria dos Conjuntos Fuzzy (teoria de base)

• Definição de conjunto fuzzy

• Conjunto febre baixo/mediano/alto

• Conjunto duração de tempo de projetos em semanas,

• São funções que mapeam o valor que poderia ser um membro do

Sejam X conjunto de pontos, A e B conjuntos

 ( A B ) ( x)  min(  A ( x),  B ( x))

Sejam X conjunto de pontos, A e B conjuntos

 ( A B ) ( x)  max(  A ( x),  B ( x))

Sejam X conjunto de pontos, A um conjunto

Intersecção (AND) União (OR)

• Mesmo papel que advérbios

• É o centro da técnica de modelagem de sistemas fuzzy.

• Algumas variáveis lingüísticas do conjunto LONGO com

• Permitem que a linguagem da modelagem fuzzy expresse a

• Externamente são menos complexos e mais fáceis de

• Os problemas são rapidamente isolados e fixados, reduzindo

• Requisitam menos regras, por isso o tempo médio entre as

• Possuem grande habilidade para modelar sistemas

• São capazes de aproximar o comportamento do sistema

• Benefícios para os especialistas:

• Devido aos seus benefícios, como:

• Os modelos baseados em sistemas Fuzzy são validados com

• A confiança destes modelos cresce.

• Sistemas especialistas convencionais são modelados a partir

• Ambas alternativas confiam na transferência de valores

• Sistemas Fuzzy fornecem a sistemas especialistas um método

Por que imprecisão:

O que dizer da seguinte declaração:

O CARRO ESTÁ RÁPIDO

O CARRO ESTÁ RÁPIDO

Modelo Dependente do Contexto

Artur: ... então podemos criar uma categoria para

Rodrigo: É verdade. Então vamos dizer que carros abaixo

Artur: 100 será a velocidade que nós dois

• Esta variação de grau de rapidez significa que alguns carros estarão

• Este grau pode assumir qualquer valor em um determinado

• Finalmente Artur e Rodrigo conseguiram entender o princípio da

• Identificar o conhecimento do domínio

• 2 componentes principais (separados):

Mecanismo (máquina) de Inferência associado:

Máximos vs. Centróide

• Variáveis lingüísticas: Conjuntos difusos e Qualificadores.

• Consiste em construir os conjuntos difusos relativos às

• Transforma os conjuntos difusos de cada variável de

 x   max 1 x ,...,  n x 

• Determinar um valor discreto para cada variável, a partir de

Variáveis Calculadas Inferência Variáveis de Comando

Variáveis Calculadas Objeto Variáveis de Comando

• Etapa no qual as variáveis lingüísticas são definidas de forma

• Na definição das funções de pertinência para cada variável,

• Os mais comuns são: Triangular, Trapezoidal e Sino

Frio Normal Quente