Inteligencia Artificial Fuzzy

INTELIGNCIA ARTIFICIAL
Conjuntos, Lgica e Controle Fuzzy

Abordagem Difusa (Fuzzy)
O reconhecimento de padres pela abordagem difusa pode ser
entendido como um processo pelo qual se buscam estruturas
nos dados e classificam-se essas estruturas de acordo com
categorias tais que o grau de associao maior entre as
estruturas da mesma categoria e menor entre as categorias de
estruturas diferentes [KLIR95].
Lgica Fuzzy Uma Definio

Lgica fuzzy fornece um mtodo para formalizar o raciocnio quando
se lida com termos vagos. Computao tradicional exige preciso
finita que nem sempre possvel em cenrios do mundo real. Nem
toda deciso verdadeira ou falsa, ou como acontece com a lgica
booleana 0 ou 1. Lgica fuzzy permite o uso de funes de
pertinncia, ou graus de veracidade e falsidades. Ou como com a
lgica booleana, mas todos os nmeros no intervalo [0, 1] so
respostas possiveis.

Breve Histria
Lgica clssica de Aristteles: Lei de bivalncia "Toda proposio
Verdade ou Falsa (sem opes mdias)"

Jan Lukasiewicz propem uma lgica de trs valores: Verdade,
Falso e Possveis

Lofti Zadeh, finalmente, publicou seu trabalho em lgica difusa, uma
parte da teoria dos conjuntos que operava na faixa [0.0-1.0]
Alguns campos relacionados
Fuzzy
Logic &
Fuzzy Set
Theory
Evidence
Theory
Pattern
Recognition
& Image
Processing
Control
Theory
Knowledge
Engineering
Teoria dos Conjuntos
Definir clssica: um elemento ou pertence ou no pertence a um
conjuntos que foram definidos.

Conjunto fuzzy: um elemento pertence parcialmente ou
gradualmente para os conjuntos que foram definidos.
Conjuntos Fuzzy Vs. Conjuntos Clssicos
A A
a
a
b
b
c
Conjunto Fuzzy A Conjunto Clssico A
a: membro do conjunto A
b: nao membro de A
a: membro certo de A
b: no membro de A
c: parcialmente membro de A
Teoria dos Conjuntos

Teoria dos Conjuntos Fuzzy
Lgica Booleana Lgica Fuzzy
Lgica Fuzzy vs Probabilidade
Ambos operam sobre o mesmo intervalo numrico e, primeira
vista ambos tm valores semelhantes: 0,0 representando falso (ou no
pertene) e 1,0 representando verdadeiro.

Em termos de probabilidade, a declarao de linguagem natural
seria "h uma chance de 80% que Jane seja velha."

J na terminologia fuzzy seria: O grau de pertinncia de Jane
dentro do conjunto de pessoas de idosas de 0,80.

Lgica fuzzy utiliza graus verdade como um modelo matemtico
da impreciso do fenmeno enquanto a probabilidade um modelo
matemtico da ignorncia.

Probabilidade representa qual o grau de certeza que de algo ter uma
determinada propriedade.

Lgica fuzzy no lida com a probabilidade de algo ter uma determinada
propriedade, mas com o grau em que ele tem tal propriedade

Teoria dos conjuntos fuzzy e a lgica fuzzy fornecem uma ferramenta
matemtica para lidar com este segundo tipo de incerteza

Apesar do debate associados, a sua utilidade como uma ferramenta
poderosa para resolver problemas bem estabelecida.
Lgica Fuzzy vs Probabilidade - Diferenas

a
(x)={ 1 se elemento x pertence ao conjunto A
0 se elemento x no pertence ao conjunto A
}

Teoria dos conjuntos clssica enumera todos os elementos usando
A={a
1
,a
2
,a
3
,a
4
,a
n
}
Um conjunto clssico representado por funo caracterstica
Exemplo: Considere X espao constitudo por nmero natural <= 12

Primos = {x contidos em X | x = {2,3,5,7,11,13, }
Conjuntos Fuzzy e Conjuntos Clssicos
Um conjunto fuzzy A pode ser representado na forma:
A={{ x, (x) }}

onde, (x) o grau de pertinncia de um elemento x no conjunto
fuzzy.

(x) varia no intervalo contnuo [0 1]

A = { {1,1}, {2,1}, {3,0.9}, {4,0.6}, {5,0.4}, {6,0.3},
{7,0.2}, {8,0.1}, {9,0}, {10,0}, {11,0}, {12,0}}
Na teoria dos conjuntos fuzzy os elementos tm diferentes graus de
pertinncia.
Na lgica booleana, existem duas opes para isto. Neste caso
como o volume menor que 50% do volume total, ele deve ser
considerado como vazio.
100 ml
30 ml
No conceito fuzzy pode-se definir o copo como sendo
0,7 vazio e 0,3 completo.
Exemplo
Por exemplo, um copo de 100 ml contm 30 ml de gua.
Ento ele est cheio ou vazio?
Conjunto Clssico
Nome Idade Grau de
Pertinncia
Sara 5 0
Jlia 18 0
Jos 25 1
Nome Idade Grau de
Pertinncia
Sara 5 0
Jlia 18 0.75
Jos 25 1
15
Conjunto Fuzzy
Sistemas Fuzzy
Um sistema fuzzy consiste de:

Variveis lingusticas Fuzzy

Regras Fuzzy

Inferncias Fuzzy

Capacidade de modelar problemas de negcios de alta
complexidade

Habilidade de modelar sistemas que envolvam vrios especialistas

Reduzir a complexidade do modelo

Melhorar a manipulao de Incertezas e Possibilidades
Benefcios da Modelagem de Sistemas Fuzzy
Um sistema especialista fuzzy um sistema especialista que
utiliza regras fuzzy, lgica fuzzy, e conjuntos fuzzy

Muitas regras em um sistema de lgica fuzzy vo disparar em
certo ponto

Se o antecedente verdadeiro em algum grau de adeso, ento
o consequente verdadeiro para o mesmo grau
Sistemas Especialistas Fuzzy
Fuzziness Vs. Impreciso
Impreciso=Especificidade Insuficiente
Vou voltar em
algum momento
Fuzzy Vago
Vou voltar em
alguns minutos
Fuzzy
Fuzziness=Limites Mal Definidos
Estrutura dos Sistemas Nebulosos
Um modelo fuzzy, tal como os Sistemas Especialistas e
de Suporte Deciso, baseia-se no conceito de entradas,
processo, e fluxo de sada.

Um modelo fuzzy difere em duas propriedades
importantes:
O que flui para dentro e para fora do processo e,
Das fundamentais atividades de transformao
incorporados no prprio processo
Estrutura de Sistemas Nebulosos
Estrutura de Sistemas Nebulosos
Estrutura bsica de Sistemas Nebulosos
Fuzificao
das variveis
Atribuir Graus
de pertinncia
Definir Funes
de Pertinncia
Sada Abrupta
Defuzificao das
variveis
Aplicao das
regras
Entradas Abruptas
Classificao
Estimar uma medida
com maior preciso
Inferncia Fuzzy em Sistemas Especialistas
Input_1
Regras
Fuzzy
IF-THEN
Output
Input_2
Input_3
Variveis Lingusticas
Uma varivel lingustica uma varivel fuzzy, por exemplo, o fato de
Joao alto implica na varivel lingustica Joao ter o valor
lingustico alto.

Variveis lingusticas so usadas para formar regras fuzzy:
Variveis Lingusticas
IF durao do projeto longa
THEN risco alto

IF risco muito alto
THEN financiamento do projeto muito baixo
Uma regra fuzzy uma instruo condicional, na forma familiar:

IF x A
THEN y B
onde::
x e y so variveis lingusticas

A e B so valores lingusticos determinados por conjuntos fuzzy
sobre o universo dos discursos X e Y, respectivamente
Regras Fuzzy
Exemplo: Regras Fuzzy
Uma regra fuzzy uma expresso lingustica de dependncias
causal entre variveis lingusticas na forma de declaraes
SE-ENTO
Forma geral: SE <antecedente> ENTO <consequente>

Exemplo:
SE temperatura fria E preo do leo barato
ENTO aquecimento alto
Variveis Linguisticas
Valores Linguisticos
Funes de Pertinncia
Funes de Pertinncia (Membership Functions - MFs)
O que uma MF?

A funo de pertinncia de um conjunto fuzzy representa o
grau de pertinncia dos elementos desse conjunto.

Funes de pertinncia foram introduzidos por Zadeh no
primeiro artigo sobre conjuntos fuzzy (1965).

Para qualquer conjunto X, uma funo de pertinncia em X
uma funo de X para o intervalo de unidade real [0,1].
O que uma MF?

Funes de pertinncia em X representam subconjuntos fuzzy de X.
A funo de associao que representa um conjunto fuzzy A
normalmente indicado por
a
. Para um elemento x de X, o valor
a
(x)
chamado de grau de pertinncia de x no conjunto difuso A.
A associao grau
a
(x) quantifica o grau de adeso do elemento x ao
conjunto difuso A.
O valor 0 significa que x no um membro do conjunto fuzzy A;
o valor 1 significa que x totalmente um membro do conjunto fuzzy A.
Os valores entre 0 e 1 caracterizam os membros fuzzy, que pertencem ao
conjunto fuzzy apenas parcialmente.
Depende das variveis lingusticas
Uma MF Normal MF atribui 1 e 0 para qualquer entrada

( ) ( )
{ }
1 2 1 2
, 1, 0
A A
x x x x - eO = =

A
X
1
X
2
Como construir uma MF?
Heursticas
Ordenao por Rank
Modelos Matemticos
Adaptiva (Redes Neurais, Algoritmos Genticos, )

Trapezoidal Triangular
( )
( )
1
, ,
1
smf
a x c
f x a c
e

=
+
Sigmoidal
( )
( )
2
2
2
; ,
x c
gmf
f x c e
o
o

=
Gaussiana
( ) ; , , , max min , 1, , 0
x a d x
f x a b c d
b a d c
| |
| |
=
| |

\ .
\ .
( ) ; , , max min , , 0
x a c x
f x a b c
b a c b
| |
| |
=
| |

\ .
\ .
Gaussianas
Assimtricas
Alpha Cuts
( )
{ }
A
A x X x
o
o = e >
( )
{ }
A
A x X x
o
o
+
= e >
Alpha Cut Forte
Alpha Cut ( Cut)

definido como um certo valor de corte aplicado curva de
pertinncia de tal forma que somente os valores de pertinncia
A
(x)
de uma varivel fuzzy x maiores ou iguais a sero retornados, para
qualquer valor de x
Alpha Cut Fraco
adulto(x)= { 0, se idade(x) < 16anos

(idade(x)-16anos)/4, if 16anos < = idade(x)< = 20anos,

1, if idade(x) > 20anos
}

Alpha Cuts
( )
{ }
A
A x X x
o
o = e >
( )
{ }
A
A x X x
o
o
+
= e >
Alpha Cut Restrito
Alpha Cut
0 o =
0.2 o = 0.5 o = 0.8 o = 1 o =
Hedges
O hedge um qualificador como "muito", "bastante", "pouco"
ou "extremamente".
Quando o hedge aplicado a um conjunto fuzzy isso cria
um novo conjunto fuzzy.
Funes matemticas so normalmente utilizados para
aplicar o efeito de um hedge a uma MF
Por exemplo, "Muito" pode ser definido como:
M
VA
(x) = (M
A
(x))
2

Exemplos de valores lingusticos com qualificadores
e.g. muito alto, extremamente curto, etc.

Hedges so termos qualificadores que modificam a forma
dos conjuntos fuzzy
e.g. muito, um tanto, quase, ligeiramente, extremamente,
etc.
Qualificadores & Hedges
Hedge
Mathematical
Expression
A little
Slightly
Very
Extremely
Graphical Representati on
[
A
( x)]
1.3
[
A
(x)]
1.7
[
A
(x)]
2
[
A
(x)]
3
Representando Hedges
Expresso
Matemtica
Representao Grfica
Um pouco
Levemente
Hedge
Mathematical
Expression
A little
Slightly
Very
Extremely
[
A
( x)]
1.3
[
A
(x)]
1.7
[
A
(x)]
2
[
A
(x)]
3
Hedge
Mathematical
Expression
A little
Slightly
Very
Extremely
[
A
( x)]
1.3
[
A
(x)]
1.7
[
A
(x)]
2
[
A
(x)]
3
Expresso
Matemtica
Representao Grfica
Muito
Extremamente
Hedge
Mathematical
Expression
Graphical Representation
Very very
More or less
Indeed
Somewhat
2 [
A
(x)]
2
A
( x)
A
( x)
if 0 s
A
s 0.5
if 0.5 <
A
s 1
1 2 [1
A
( x)]
2
[
A
( x)]
4
Expresso
Matemtica
Representao Grfica
Muito muito
Mais ou Menos
Hedge
Hedge
Mathematical
Expression
Very very
More or less
Indeed
Somewhat
2 [
A
(x)]
2
A
( x)
A
( x)
if 0 s
A
s 0.5
if 0.5 <
A
s 1
1 2 [1
A
( x)]
2
[
A
( x)]
4
Hedge
Mathematical
Expression
Very very
More or less
Indeed
Somewhat
2 [
A
(x)]
2
A
( x)
A
( x)
if 0 s
A
s 0.5
if 0.5 <
A
s 1
1 2 [1
A
( x)]
2
[
A
( x)]
4
Expresso
Matemtica
Representao Grfica
Um tanto
De fato
Hedge
3
Exatamente
[
A
(x)]
4
Operar na funo de pertinncia (Varivel Lingustica)
1. Expansiva ("Menos", "Muito Pouco")
2. Restritivas ("Muito", "extremamente")
3. Reforar / Enfraquecimento ("Really", "relativamente")
( ) Less x =
( )
4
Very Little x =
( ) ( )
2
Very x =
( ) ( )
4
Extremely x =
( ) ( )
A A
x x c
Hedges Lingusticos
Short
Very Tall
Short Tall
Degreeof
Membership
150 210 180 190 200
1.0
0.0
0.2
0.4
0.6
0.8
160 170
Height, cm
Average
Tall
Very Shor t Very Tall
escreva uma funo ou mtodo chamado muito() que
modifica o grau de pertinncia
e.g. duplo x = muito( alto( 185 ) );
Variveis Lingusticas e Hedges

ncleo
suporte
fronteira
1
0
(x)
x
Ncleo: regio caracterizada
pela adeso plena no conjunto A
ou seja (x) = 1.

Suporte: regio caracterizada
pela associao diferente de zero
no conjunto A ou seja (x)> 0.

Fronteira: regio caracterizada
pela adeso parcial no conjunto A
ou seja 0 (x) 1
A funo de pertinncia uma funo matemtica que define o
grau de pertinncia de um elemento em um conjunto fuzzy.
Caractersticas das Funes de Pertinncia
Artigo de 1965 Fuzzy Sets (Lotfi Zadeh)
Aplicar termos de linguagem natural para um sistema formal
de lgica matemtica
http://www.cs.berkeley.edu/~zadeh

Artigo de 1973 delineou uma nova abordagem para capturar o
conhecimento humano e projetar sistemas especialistas
utilizando regras fuzzy
Regras Fuzzy
Lgica Fuzzy
Oque Lgica Fuzzy?

Lgica fuzzy um superconjunto da lgica booleana
(convencional) que lida com o conceito de verdade parcial,
que so valores entre "completamente verdadeiro" e
"completamente falsas".

Lgica fuzzy multivalorada. Trata-se de graus de adeso e
graus de verdade.

Lgica fuzzy utiliza o continuum de valores lgicos entre 0
(completamente falso) e 1 (totalmente verdadeiro).
Alguns Antecedentes da Lgica Fuzzy
Lofti Zadeh cunhou o termo "conjunto fuzzy" em 1965 e abriu um novo campo
de pesquisa e aplicaes

Um conjunto fuzzy uma classe com diferentes graus de adeso. Quase
todas as classes mundo real so nebulosos!

Exemplos de conjuntos fuzzy incluem: {'pessoas altas'}, {'bom dia'}, {"objeto
redondo '} ...
Se a altura de uma pessoa de 1,88 metros ele considerado "alto"?
E se ns tambm sabemos que ele um jogador da NBA?

Lotfi Zadeh introduziu a teoria da Lgica Fuzzy em seu artigo,
Fuzzy Sets (1965).

Lgica Fuzzy fornece um mtodo de reduo, bem como explicando a
complexidade do sistema

A Ideia de Conjuntos Fuzzy

Conjuntos fuzzy so funes que mapeiam um valor, que pode ser um membro de
um conjunto, para um nmero entre zero e um, indicando seu grau real de
pertinncia

Um grau 0 significa que o valor no est no conjunto, e um grau 1 significa que o
valor totalmente pertinente ao conjunto.
Teoria da Lgica Fuzzy
Porque usar Lgica Fuzzy?
Lgica fuzzy flexvel.

Lgica fuzzy conceitualmente fcil de entender.

Lgica fuzzy tolerante com dados imprecisos.

Lgica fuzzy baseada em linguagem natural.

FL pode modelar funes no-lineares de complexidade arbitrria
FL pode ser construdo em cima da experincia dos peritos
FL pode ser misturado com tcnicas de controle convencional
Porque usar Lgica Fuzzy?
O termo lgica fuzzy usado em dois sentidos:

Sentido estrito: A lgica fuzzy um ramo da teoria dos conjuntos fuzzy,
que trata (como sistemas lgicos fazer) com a representao e inferncia
de conhecimento. Lgica fuzzy, ao contrrio de outros sistemas lgicos,
lida com conhecimento impreciso ou incerto. Neste sentido estrito, e,
talvez correta, lgica fuzzy apenas um dos ramos da teoria dos
conjuntos fuzzy.

Sentido amplo: A lgica fuzzy como sinnimo de teoria dos conjuntos
fuzzy.
Lgica Fuzzy e Sistemas Fuzzy
Alto (
A
= 1.0)
Nao Alto (
A
= 0.0)
Definitamente ALTO
(
A
= 0.95)
Realmente Nao ALTO
(
A
= 0.30)
Lgica Fuzzy
Lgica Booleana
Lgica Fuzzy
Operaes Lgicas
Lgica
Booleana
Lgica
Nebulosa
Operaes em Lgica Fuzzy
Lgica Fuzzy
Operadores Lgicos Fuzzy so usados para escrever as combinaes entre as
noes de lgica fuzzy (ou seja, para realizar clculos em grau de pertinncia)
Zadeh operadores
1)Interseo: O operador lgico correspondente interseo de conjuntos
o operador fuzzy AND.

(A AND B)
= MIN(
A ,
B
)

2)Unio: O operador lgico correspondente unio de conjuntos
o operador fuzzy OR.

(A OR B)
= MAX(
A ,
B
)

3)Negao: O operador lgico correspondente ao complemento de um
conjunto a negao.

(NOT A)
= 1 -
A

Operadores Lgicos Fuzzy so usados para escrever as combinaes entre as
noes de lgica fuzzy (ou seja, para realizar clculos em grau de pertinncia)
Zadeh operadores
1)Interseo: O operador lgico correspondente interseo de conjuntos
o operador fuzzy AND.

(A AND B)
= MIN(
A ,
B
)

2)Unio: O operador lgico correspondente unio de conjuntos
o operador fuzzy OR.

(A OR B)
= MAX(
A ,
B
)

3)Negao: O operador lgico correspondente ao complemento de um
conjunto a negao.

(NOT A)
= 1 -
A

Variveis lingsticas Fuzzy
Variveis lingusticas Fuzzy so usadas para representar qualidades
abrangendo um espectro especial
Forno Industrial-Temp: {Congelante, Frio, Morno, Quente}

50 70 90 110 30 10
Temp. (C)
Congelante Frio Morno Quente
0
1
A
B
A B
A= {1/2 + .5/3 + .3/4 + .2/5} B= {.5/2 + .7/3 + .2/4 + .4/5}
Considere:
Fuzzy set (A)
Fuzzy set (B)
Resulting operation of fuzzy sets
INTERSEO
(A ^ B)
A B
A B = min (A(x), B(x))
UNIO
(A v B)
A U
AUB = max (A(x), B(x))
COMPLEMENTO
(A)

A
A = 1-A(x)
Inferncias em Sistemas Nebulosos
Fuzzify:
Aplicar MF
na entrada
Modus Ponens
generalizado com
operaes de
agregao especificas
Defuzzify:
Mtodo do
Centroid,
Maximum, ...
Service
Time
Regras
Fuzzy
IF-THEN
Tip Level
Food
Quality
Ambiance
Inferncia Fuzzy o processo de formulao do
mapeamento de uma dada entrada para uma sada
utilizando a lgica fuzzy.

Processo de inferncia fuzzy envolve funes de pertinncia
(MF), operaes lgicas e Regras If-Then.
Processo de Inferncia Fuzzy
Para descrever o processo de inferncia fuzzy, considere duas
entradas, uma sada e um problema com duas regras de controle de
vlvula.
Funes de Pertinncia
Passo 1: Fuzzificao de entrada

Tomar as entradas e determinar o grau de pertinncia a cada um
dos conjuntos fuzzy apropriados atravs de funes de pertinncia .

Entrada sempre um valor numrico definido limitado ao universo
de discurso da varivel de entrada.

A sada um grau de pertinncia fuzzy no conjunto lingustico
qualificado. Cada entrada fuzzificada sobre todas as funes de
qualificao de pertinncia exigido pelas regras.
Passo 1: Fuzzificao de entrada
Passo 2: Aplicar operador fuzzy

Se o antecedente de uma dada regra tem mais de uma parte, o
operador fuzzy aplicado para obter um nmero que representa o
resultado do antecedente para aquela regra.

A entrada para o operador fuzzy so dois ou mais valores de
pertinencia das variveis de entrada fuzzificadas.

A sada um valor de verdade nica.
Passo 2: Aplicar operador fuzzy
Passo 3: Aplicar o Mtodo de Implicao

Primeiro deve-se determinar o peso da regra.

Operao na qual o resultado do operador fuzzy usado para determinar a
concluso da regra, chamado de implicao.

A entrada para o processo de implicao um nico nmero dado pelo
antecedente.

A sada do processo de implicao um conjunto fuzzy.

Implicao implementada para cada regra.
Passo 3: Aplicar o Mtodo de Implicao
Passo 4: Agregar todas as sadas

Agregao o processo pelo qual os conjuntos fuzzy que representam as
sadas de cada regra so unidos ( operador OR) em um nico conjunto
fuzzy.

Agregao ocorre apenas uma vez para cada varivel de sada.

A entrada do processo de agregao a lista das funes de sada
truncada retornada pelo processo de implicao de cada regra.

A sada do processo de agregao um conjunto fuzzy para cada varivel
de sada.
Step 4 : Aggregate All Outputs
IF average pressure AND high temp. THEN valve average open
O
R

o
p
e
r
a
t
o
r

Passo 5: Defuzzificao

Passar dos valores fuzzy" para os valores numricos conhecido como
defuzzificao.

A entrada para o processo de defuzzificao um conjunto fuzzy.

A sada um nico nmero.

O mtodo de defuzzificao mais popular o clculo do centroide, que retorna
o centro da rea sob a curva resultante do processo de implicao e
agregao.

Outros mtodos so: meio, bissetriz de mxima (a mdia do valor mximo do
conjunto de sada), a maior de, no mximo, e o menor de mxima.
Passo 5: Defuzzificao

O clculo do centroide (ou centro de gravidade CoG) de um conjunto fuzzy
resultante A composto por vrios pares (X
i
, (X
i
)) feito somando se os
produtos (( X
i
)* X
i
) para todo X
i
pertencente a A e dividindo pela soma dos
( X
i
) do conjunto.

Ou seja:
( X
i
)* X
i

( X
i
)

CoG =
O
R

o
p
e
r
a
t
o
r

Subsistemas de Automveis e outros veculos: usado para controlar
a velocidade dos veculos, em Anti Braking System.

Controladores de temperatura: ar condicionado, refrigeradores

Cameras : auto-focagem

Eletrodomsticos: panelas de arroz, mquinas de lavar loua,
mquinas lavar roupa e outros

Outros sistemas de controle automatizado em outros setores da
economia
Algumas reas de Aplicao
Exemplo de Sistemas Nebulosos
Exemplo 1
Exemplo de Clculo de Velocidade
O quo rpido eu posso dirigir se
18 C
25 % Nebulosidade ?
Entradas:
10 21 32 43 -1 -12
Temp. (C)
Gelado Frio Morno Quente
0
1
Temp: {Gelado, Frio, Morno, Quente}
40 60 80 100 20 0
Cloud Cover (%)
Overcast Partly Cloudy Sunny
0
1
Nebulosidade:
{Ensolarado, Nebulosidade Parcial,
Nebuloso, Encoberto}
Sada:
80 120 160 40 0
Velocidade (Km/h)
Lento Rpido
0
1
Velocidade: {lento, rpido}
Se est ensolarado e (quente ou morno) Ento dirija rpido
Nebulosidade = Ensolarado . Temp = Quente Morno Velocidade = Rpido

Se est nebuloso e frio Ento dirija lento
Nebulosidade = Nebuloso . Temp =Frio Velocidade =Lento

Velocidade de conduo a combinao das sadas dessas regras ...

Regras

10 21 32 43 -1 -12
Temp. (C)
Gelado Frio Morno Quente
0
1
18 C Frio = 0.4, Morno= 0.6, Quente = 0.0

25% Nebulosidade Ensolarado = 0.8, Nebuloso = 0.2

Fuzzificao
40 60 80 100 20 0
Cloud Cover (%)
Overcast Partly Cloudy Sunny
0
1
Calcule Nveis de Associao de Entrada
Calculando:
Se est ensolarado e quente ou morno, dirija rpido
Nebulosidade = Ensolarado . Temp = Quente Morno Velocidade = Rpido
0.8 . ( 0.6 0.0 ) = 0.6 Rpido= 0.6

Se est nebuloso e frio, dirija lento
Nebulosidade = Nebuloso . Temp = Frio Velocidade =Lento
0.2 . 0.4 = 0.2 Lento= 0.2

Velocidade de 20% lenta

Defuzzification
Construo da Sada
80 120 160 40 0
Velocidade (Km/h)
Lento
0
1
O grau de pertinncia da Velocidade de 60% rpida

Defuzzification
Construo da Sada
80 120 160 40 0
Velocidade (Km/h)
Rpido
0
1
Uniao (OR) dos dois conjuntos
Defuzzification
Construo da Sada
80 120 160 40 0
Velocidade (Km/h)
Lento Rpido
0
1

80 120 160 40 0
Velocidade (Km/h)
Lento Rpido
0
1
Uniao (OR) dos dois conjuntos

Encontrar centroide

Velocidade mdia ponderada =
(0.2*40+0,2*60+0,3*80+0.6*120)/(1,3) = 89,2 km/h
Defuzzification
Construo da Sada
80 120 160 40 0
Velocidade(Km/h)
Lento
Rpido
0
1
Questo:
Como fazer o sistema escolher entre a velocidade
calculada e a velocidade mxima permitida no trecho da
rodovia onde se est dirigindo?
Exemplo 2
VERSO BSICA: Se qualificssemos de 0 a 10 o servio de um
restaurante (10=excelente), de quanto deveria ser a gorjeta?
Exemplo de Aplicao II
O problema da gorjeta
VERSO EXTENDIDA: Se qualificssemos de 0 a 10 o servio e a
comida (10=excelente), de quanto deveria ser a gorjeta?
O problema da gorjeta
CASO GERAL
Entrada Sada
REGRAS
Termos de
Entrada
(interpretados)
Termos de
Atribudos
(atribudos)
Um Exemplo Especfico
Servio Gorjeta
SE o servio rum ENTO a gorjeta baixa
SE o servio bom ENTO a gorjeta mdia
SE o servio excelente ENTO a gorjeta alta
Servio
interpretado como
ruim, bom, excelente.
Gorjeta
atribudo como
baixa, mdia, alta.
Passo 1: Fuzificao das entradas
Passo 2: Aplicar operadores nebulosos
Passo 3: Aplicar mtodo de inferencia
Conseqnte
1. Entradas Nebulosas 2. Aplicar operador Or
(max)
3. Aplicar o Operador de
inferncia (min)
Antecedente
Resultado da
implicao
servio = 3 comida = 8
Entrada 1 Entrada 2
IF o servio excelnte OR a comida deliciosa THEN gorjeta = generosa
Passo 4: Agregar todas as sadas
Resultado da agregao
1
2
3
IF o servio est ruim OR a comida est ranosa THEN gorjeta = baixa
IF o servio est bom THEN gorjeta = mdia
servio = 3 comida = 8
Entrada 1 Entrada 2
IF servio excelente OR comisa deliciosa THEN gorjeta = alta
Passo 5: Desfuzificao
Resultado da defuzificao
5. defuzificar a sada
agregada (mtodo
da centride)
Exemplo 3
Sistema de Controle de temperatura de
Aquecedor de Ambientes
Desenvolver tpicos...
Exemplo de Aplicao III
Desenvolver
tpicos...
Desenvolver...
Concluses
Lgica fuzzy nem sempre precisa. Os resultados so
percebidos como uma suposio, por isso no podem ser
amplamente corretos.

Requer ajuste de funes de pertinncia o que difcil de
estimar.

Controle por Lgica Fuzzy pode no ser bem dimensionado
para problemas grandes ou complexos

Lgica fuzzy pode ser facilmente confundida com a teoria da
probabilidade, e os termos usados como sinnimos. Enquanto
eles so conceitos semelhantes, eles no dizem as mesmas coisas.
Limitaes
Logica Fuzzy fornece a maneira de calcular com impreciso e
impreciso.

Lgica Fuzzy pode ser usada para representar alguns tipos de
percia humanas.

O controle de estabilidade, confiabilidade, eficincia e durabilidade de lgica
fuzzy a torna popular.

A velocidade e a complexidade de uma produo aplicao no
seria possvel sem sistemas como a lgica fuzzy.

Concluses
Inteligncia Artificial por Elaine Rich, Kelvin Knight e Shivashankar B Nair

First course in fuzzy logic, A / 1997 - ( Livro ) - Acervo 104188
NGUYEN, Hung T.; WALKER, E. (Elbert). A first course in fuzzy logic. Boca
Raton: CRC, c1997 266p. Nmero de Chamada: 517.11 N576f
Bibliografia

Inteligencia Artificial Fuzzy

Enviado por

Dados do documento

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

Inteligencia Artificial Fuzzy

Enviado por

Direitos autorais:

Formatos disponíveis

INTELIGNCIA ARTIFICIAL

Conjuntos, Lgica e Controle Fuzzy

Você também pode gostar