Upload
renato-capelini
View
17
Download
0
Embed Size (px)
Citation preview
Lógica Lógica FuzzyFuzzy
Camila Paes SalomonFrancielle Cristina VieiraThiago Pereira Pietrafesa
Tópicos da Apresentação• Introdução• Lógica Fuzzy e Teoria dos Conjuntos
Fuzzy• Sistemas de Inferência Fuzzy• Metodologia para Sistemas de Inferência
Fuzzy• Aplicações• Conclusões• Referências Bibliográficas
Introdução
Tradicionalmente, uma proposição lógica tem dois extremos: ou é
completamente verdadeiro ou é completamente falso.
Entretanto, na lógica Fuzzy, uma premissa varia em grau de
verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou
parcialmente falsa.
Lógica Fuzzy
• O controle executado pela lógica Fuzzyimita um comportamento baseado em regras ao invés de um controle explicitamente restrito a modelos matemáticos como equações diferenciais.
• O objetivo da lógica Fuzzy é gerar uma saída lógica a partir de um conjunto de entradas não precisas, com ruídos ou até mesmo dados faltantes.
Conjuntos Difusos
• Um conjunto difuso é um conjunto comfronteiras suaves.
AA
Fronteiras em conjuntos clásicos Fronteiras em conjuntos difusos
Por exemplo
• A representação do sexo ,feminino ou masculino , é um conjunto com fronteiras bem definidas.
• Já o comportamento....
• ...Não pode ser descrito com exata precisão, não há fronteiras bem delimitadas.
• Um indivíduo pode pertencer aos 2 grupos com certos graus de pertinência.
Assim como o comportamento humano, o comportamentode diversos sistemas
no nosso meio apresentamconjuntos não bemdefinidos, difíceis de seremrepresentados com precisão.
Variáveis Linguísticas
• Várias situações podem ser definidas facilmente em palavras.
• O raciocínio humano funciona assim.• Sistemas complexos podem ser
facilmente modelados dessa maneira.
Variáveis Linguísticas Conjuntos difusos
Conjuntos difusos
Se define a partir de uma função que projeta objetos de um domínio de conceitos(Universo de Discurso) a seus valores de pertinência a um conjunto.
Conjuntos difusos
QUENTE
MORNO
FRIO
Conjuntos difusos
A teoria de conjuntos difusos permite que a pertinênciaa um conjunto sejagraduada, representando uma solução à limitaçãoque se apresenta nateoria de conjuntos clássica.
Função de Pertinência
Para isso,usa-sea denominada
Função de Pertinênciaque é denotada pelosímbolo grego µ evaria de 0 a 1.
Função de Pertinência
µ
Sistema de Inferência Fuzzy
Modelagem de um problema a partir de uma entrada crisp para se obter uma saída crisp, aplicando a Lógica Fuzzy
Sistema de Inferência Fuzzy• Associação com
Sistemas Especialistas
• Importância do especialista:– Modelagem em
Conjuntos Fuzzy– Construção de
Regras
Sistema de Inferência Fuzzy
• Fuzzificação das Entradas
• Base de Regras• Inferência Fuzzy• Defuzzificação
MATLAB e Exemplo: Definição de Gorjeta para o Garçom
1) Fuzzificação das Entradas• Modelagem das variáveis
de entrada em Conjuntos Fuzzy
• A cada variável de entrada: termos lingüísticos representando seus estados
• A cada termo lingüístico: um Conjunto Fuzzy (função de pertinência)
• Importância do especialista
1) Fuzzificação das Entradas
2) Operadores Fuzzy• Regras envolvendo entradas e saídas,
elaboradas pelo especialista• Operadores AND (mín) e OR (máx)
3) Método de Implicação
• Saída individual de cada regra, função de pertinência resultante de cada regra
• Métodos de implicação: min, max, prod
3) Método de Implicação
4) Agregação das Saídas
• Agregação das funções de pertinência resultantes das regras
• Obtenção de uma única função de pertinência (conjunto fuzzy) resultante para o processo
• Métodos de agregação: max, probor, sum
4) Agregação das Saídas
5) Defuzzificação
• Tradução do conjunto fuzzy final em um valor crisp, possibilitando a tomada de decisão
• Métodos de defuzzificação: centroid, bisector, middle of maximum, largest of maximum e smallest of maximum
• Método mais comum: centróide (retorna o centro de área sob a curva final)
5) Defuzzificação
Resumo: Sistemas de Inferência Fuzzy
Exemplo Prático• Uma ONG deseja implementar um sistema Fuzzy-especialista
para selecionar atletas para as seguintes modalidadesesportivas:– Ginástica de Solo;– Vôlei; – Futebol; e– Judô.
• Os atletas devem ser selecionados de acordocom as seguintescaracterísticas:– Altura: baixo, médio e alto.– Personalidade: individualista, pluralista e agressivo.
Passo 1Definição de regras fuzzy a partir do conhecimento do especialista:
– Se o atleta é muito baixo e um poucoindividualista Então está apto para a ginástica.
– Se o atleta é muito alto e bastante pluralistaEntão está apto para o vôlei.
– Se o atleta é de estatura média e muitoagressivo Então está apto para o judô.
Passo 2• As regras são definidas
de acordo com o bomsenso e escritas emtermos de variáveislingüísticas.
• Para um sistema de duas entradas e umasaída pode-se definir a seguinte matrizantecedente 1 (altura) e antecedente 2 (personalidade):
VôleiJudôJudôJudôGinásticaAgressivo
VôleiFutebolou Vôlei
FutebolJudôGinásticaPluralista
FutebolFutebolJudôGinásticaGinásticaIndividualista
Muito AltoAltoMédioBaixoMuito BaixoAltura
Personalidade
Passo 3
• Definir o grau de relevância de cadaantecedente traçando, a partir de umadeterminada altura do atleta, uma linhaperpendicular ao eixo x até encontrar o valor de y onde esta intercepta as funçõesde pertinência.
• Definir o grau de relevância para o antecedente personalidade
Passo 4 Uma vez definidos os graus de relevância dos antecedentesdeve-se definir o grau de certeza para cada regra. Utilizam-se os método de avaliação dos antecedentes:
– Se os antecedentes estiverem ligados pela condição “e” a certeza da regra assume o menor valor de relevância dos antecedentes.
– Se os antecedentes estiverem ligados pela condição “ou” a certeza da regra assume o maior valor de relevância dos antecedentes.
– Se o antecedente possuir o operador “não” a certeza da regraassumirá o valor = 1 – relevância ( ex.: not muito baixo (0.9) deverá ser muito baixo (0.1) )
Passo 4 Então as regras ficam:
Regra 2: Se o atleta é de estatura baixa (0.20) E agressivo(.75) Então está apto para a Ginástica (0.20)
Regra 3: Se o atleta é de estatura media (0.75) OU agressivo (.70) Então está apto para o judô (0.75)
(mesmo raciocínio para as demais regras…)
FinalmenteConsiderando apenas a altura dos candidatos, podemos montar a seguinte tabela de “fuzzyficação”:
Futebol=0,20Vôlei=0,35
1,85
Futebol=0,61,75
Futebol=0,51,65
Judô=0,40Futebol=0,30
1,55
Ginástica=0,27Judô=0,30
1,45
Ginástica=0,51,35
Ginástica=01,25
SaídaEntrada
UtilizaçãoO sistema fuzzy é utilizado para
facilitar o dia-a-dia, e também para diminuir gastos nas execuções de tarefas. Exemplo: ar condicionado industrial projetado pela Mitsubishi usa 25 regras de aquecimento e 25 regras de refrescamento.
Comparado com outros tipos de ar condicionado, o controlador fuzzy aquece e esfria 5 vezes mais rápido, reduz o consumo de potência em 24%, sem contar que mantém a temperatura 2 vezes mais estável e usa menos sensores.
Aplicações Comerciais• Alguns carros usam a Lógica fuzzy para diferentes
aplicações de controle. A Nissan possui patentes em sistemas de freio, controle de transmissão e injetores de combustível fuzzy. A GM também usa um sistema de transmissão fuzzy.
• Aplicações de software para buscar e comparar imagens por certas regiões de pixels de interesse têm sido desenvolvidas.
• Uma ferramenta de pesquisa de mercado usa a Lógica fuzzy em um de seus módulos para determinar o comportamento do mercado.
Aplicações Comerciais• Um metrô em Sendai, Japão, usa
um controlador fuzzy pra controlar os vagões. Esse controlador supera os controladores convencionais e o controle humano por proporcionar uma viagem suave aos passageiros em todas condições de terreno.
• Câmeras e gravadoras usam Lógica fuzzy para ajustar os mecanismos de foco automático e cancelar os tremores causados por mãos trêmulas.
Conclusões• A força da Lógica Fuzzy deriva da sua
habilidade em inferir conclusões e gerar respostas a partir de em informações vagas, ambíguas e qualitativamente incompletas e imprecisas.
• Os sistemas de base Fuzzy têm habilidade de raciocinar de forma semelhante à dos humanos.
• Seu comportamento é representado de maneira muito simples e natural, levando à construção de sistemas compreensíveis e de fácil manutenção.
Referências Bibliográficas
[1] The Mathworks, Inc, Fuzzy Logic Toolbox for Use with Matlab User´s Guide – Version 2
[2] L. Zadeh, Fuzzy Sets, Inf. Control, vol.8, 338-353, 1965.
[3] L. C. Barros, Teoria Fuzzy x Biomatemática, IMECC- UNICAMP, 2001
[4] Páginas diversas visitadas na internet.