Escolar Documentos
Profissional Documentos
Cultura Documentos
Mêuser Valença
Geber Ramalho
sor 1
Lógica Nebulosa ou Raciocínio
Aproximado (RA)
sor 2
Tipos de Incerteza e seus Modelos
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
Muitas palavras e estimativas que nós usamos
em nosso raciocínio diário não são facilmente
definidas de forma matemática. Isso permite ao
homensorraciocinar em um nível abstrato! 3
LÓGICA FUZZY
• Objetivos
– Modelar a incerteza da linguagem natural
adaptando computadores para raciocinarem com
informações imprecisas e vagas: “imprecisões
lingüisticas”, como “alto”, “baixo”, “muito”,
“pouco”, ...
– método baseado em subconjuntos nebulosos, em
que não ha um continuum entre “pertence” ou
“nao pertence” 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
sor 4
LÓGICA FUZZY
sor 5
LÓGICA FUZZY
sor 6
Teoria de Conjunto Fuzzy
42°C
39.3°C Teoria de Conjunto Fuzzy:
“Febre Alta” 38.7°C
37.2°C 38°C
40.1°C 41.4°C
42°C
39.3°C
1 1
baixo alto baixo alto
X(m) X(m)
1,55 1,80
Definição discreta:
µSF(35°C) = 0 µSF(38°C) = 0.1 µSF(41°C) = 0.9
µSF(36°C) = 0 µSF(39°C) = 0.35 µSF(42°C) = 1
µSF(37°C) = 0 µSF(40°C) = 0.65 µSF(43°C) = 1
Definição contínua:
µ(x) Não mais limiares artificiais !
1
0
36°C 37°C 38°C 39°C 40°C 41°C 42°C
sor 9
Lógica Nebulosa
• Operadores lógicos:
– Sendo r, r1 e r2 fórmulas bem formadas
r = 1 - r
r1 r2 = min (r1,r2) ou r1 r2 (t-norma)
r1 r2 = max (r1,r2) ou r1 +r2 (s-
norma)
$ri = min (r1,r2), i U
"ri = max (r1,r2), i U
r1 r2 = min (r1,r2)
INTRODUÇÃO À LÓGICA FUZZY
conjunto A = {5,8}
conjunto B = {4}
Conjunto União
Conjunto Interseção
• Características
– Sistema reativo (1 passo de inferência, nenhum
encadeamento)
– Mais de uma regra pode disparar ao mesmo tempo
– 4 etapas: Fuzzificação, Inferência, Composição e
Defuzzificação
sor 14
Etapas
Linguistic
Level
Fuzzification Defuzzification
Numerical
Level
sor 15
Etapas
• Fuzzificação
– applicação das variáveis de entrada às suas
funções de pertinência: (xk é Ak), ..., (xp é Ap)
• Inferência
– Avaliação de cada premissa: conjunções e
implicações (MIN ou PROD)
• Composição
– combinar todos os sub-conjuntos afectados à uma
variável (MAX ou SOMA)
• Defuzzificação
– Cálculo do valor nítido da variável (MAX ou
CENTROIDE)
sor 16
Exemplo 1: Pêndulo invertido
sor 17
Exemplo 1: Pêndulo invertido
sor 18
Exemplo 1: Pêndulo invertido
• Estabelecimento de Regras.
– Se posição vertical(ângulo zero) e não se move
(velocidade angular zero), estamos na situação
ideal e portanto não devemos movimentar a
plataforma (velocidade zero)
– Se ângulo zero e se move com baixa velocidade
angular, na direção positiva, devemos movimentar
a plataforma na mesma direção com velocidade
baixa.
– Se ângulo é zero e velocidade angular é
negativa_baixa então velocidade deve ser
negativa_baixa.
sor 19
Exemplo 1: Pêndulo invertido
sor 20
Exemplo 1: Pêndulo invertido
sor 21
Exemplo 1: Pêndulo invertido
sor 22
Exemplo 1: Pêndulo invertido
sor 23
Exemplo 1: Pêndulo invertido
sor 24
Exemplo 1: Pêndulo invertido
sor 25
Exemplo 1: Pêndulo invertido
sor 26
Sumário de Desenvolvimento Fuzzy
1. Definição da Estrutura
1.1 Documentação de todas as variáveis de saída
1.2 Documentação de todas as variáveis de entrada
1.3 Estruturação de decisão (“muitos blocos de regras pequenos”)
1.4 Seleção do método de defuzzificação
2. Variáveis Linguísticas
2.1 Número de termos por variável (começar com 3 por entrada e 5 por variável de saída)
2.2 Tipo de funções de pertinência
2.3 Definição de função de pertinência
3. Definição de Regra Fuzzy
3.1 Operador Fuzzy para agregação (começar com MIN)
3.2 Operador Fuzzy para agregação de resultado(começar com MAX)
3.3 Selecionar método de definição de regra dependendo da aplicação
4. Teste Offline
4.1 Validação dos blocos de regra (identificação das regras faltantes e conflitantes)
4.2 Teste usando processo de simulação (se disponível)
4.3 Teste usando processo de dados real (se disponível)
5. Configuração
6. Operação e Manutenção O caminho certo para o sucesso!
sor 27
Exemplo 2
1 1
0.68
0.32
6.8 10 w 6.8 10 w
Exemplo 2
COMPOSIÇÃO (max)
fuzzy(z)= 0.32 se z <= 3.2
z/10 se 3.2 < z <= 6.8
0.68 se z > 6.8 1
0.32
3.2 6.8 10
sor 30
Exemplo 3: Guindaste para container
Duas variáveis de
medida e uma variável
de comando!
sor 31
Elementos Básicos de um
Sistema de Lógica Fuzzy
Fechando o “loop”
Loop de controle do Guindaste de Conteiner
com palavras!
controlado por Lógica Fuzzy:
Linguistic
Level
1. Fuzzification 3. Defuzzification
Numerical
Level
sor 32
1. Fuzzificação:
Variáveis Linguísticas
Definição de termos:
µ zero
neg_big neg_small pos_small pos_big
1
0
-90° -45° 0° 45° 90°
Angle
sor 33
1. Fuzzificação:
Variáveis Linguísticas(Cont.)
Definição de termos:
0
-10 0 10 20 30
Distance [yards]
sor 34
1. Fuzzificação:
Variáveis Linguísticas(Cont.)
Definição de termos:
Potência := {pos_alta, pos_média, zero, neg_média, neg_alta}
0
-30 -15 0 15 30
Power [Kilowatts]
sor 35
is liguísticas são 1. Fuzzificação:
lário“ de um
e Lógica Fuzzy! Variáveis Linguísticas(Cont.)
Definição de termos:
Distância := {longe, média, perto, zero, neg_perto}
Ângulo := {pos_grande, pos_pequeno, zero, neg_pequeno, neg_grande}
Potência := {pos_alta, pos_média, zero, neg_média, neg_alta}
0.2
0.1
0 0
-90° -45° 0° 4° 45° 90° -10 0 10 20 30
Angle
12m
Distance [yards]
sor 36
2. Inferência Fuzzy:
Regras “IF-THEN”
Implementação das regras “IF-THEN”:
#1: IF Distância = média AND Ângulo = pos_pequeno THEN Potência =
pos_média
#2: IF Distância = média AND Ângulo = zero THEN Potência = zero
#3: IF Distância = longe AND Ângulo = zero THEN Potência = pos_média
#4: IF Distância = longe AND Ângulo = pos_pequeno THEN Potência =
pos_média
Agregação: Cálculo da parte do “IF”
Composição: Cálculo da parte do “THEN”
As regras do sistema de
Lógica Fuzzy são as
“Leis“ que ele executa!
sor 37
2. Inferência Fuzzy:
Agregação
Lógica Boleana somente Lógica Fuzzy fornece uma
define operadores para 0/1: extensão contínua:
AND: µAvB = min{ µA; µB }
OR: µA+B = max{ µA; µB }
Agregação da parte do “IF”: NOT: µ-A = 1 - µA
#1: min{ 0.9; 0.8 } = 0.8
#2: min{ 0.9; 0.2 } = 0.2
#3: min{ 0.1; 0.2 } = 0.1 Agregação calcula quão “apropriado“
cada regra é para a situação corrente!
#4: min{ 0.1; 0.8 } = 0.1
sor 38
2. Inferência Fuzzy:
Composição
Composição calcula o
quanto cada regra influencia
as variáveis de saída!
sor 39
3. Defuzzificação
“Resultado
discreto para a
potência”
0
-30 -15 0 15 30
Power [Kilowatts] 6.4 KW
sor 40
Lógica Nebulosa
sor 41
Lógica Nebulosa
sor 42
História, Estado da Arte e
Desenvolvimento Adicional
sor 43
Estudo de Aplicações de IEEE em 1996
• Máquinas fotográficas
– auto-focus
sor 45