INTRODUÇÃO LÓGICA FUZZY - UFSCmauro.roisenberg/ine5377/Cursos-ICA/LN-CLogica… · 10 CONJUNTOS...
Transcript of INTRODUÇÃO LÓGICA FUZZY - UFSCmauro.roisenberg/ine5377/Cursos-ICA/LN-CLogica… · 10 CONJUNTOS...
• •
• •1
LÓGICA FUZZY
Ricardo Tanscheit
Departamento de Engenharia ElétricaPUC-Rio
INTRODUÇÃO�
Lógica Fuzzy →→→→�
inspirada na lógica tradicional�
procura modelar os modos imprecisos
do raciocínio que têm um papel
fundamental na habilidade humana de
tomar decisões
INTRODUÇÃO
�Serve de base para o raciocínio aproximado
(“ approximate reasoning” )�
fornece o ferramental matemático para o
tratamento de informações de caráter
impreciso ou vago
INTRODUÇÃO INTRODUÇÃO
�aplicações em diversas áreas do
conhecimento:�
Controle�
diretamente sobre o processo�
supervisão�
previsão de séries�
classificação
INTRODUÇÃO
INTRODUÇÃO�
principais vantagens:�
formulação através de regras linguísticas�
não necessita de modelo matemático formal�
regras linguísticas:�
obtidas através de especialistas�
geradas através de dados numéricos
Evolução da área• Aplicações Comerciais e Industriais.
• Devido à resistência dos cientistas, a Lógica Fuzzycresceu no mercado comercial para depois sedesenvolver nas universidades
A N O # de A PL I C A Ç Õ ES1986 81987 151988 501989 1001990 1501991 3001992 8001993 1500
• •
• •2
Aplicações Comerciais• Controle
– Controle de Aeronave (Rockwell Corp.)– Operação do Metrô de Sendai (Hitachi)– Transmissão Automática (Nissan, Subaru)– Space Shuttle Docking (NASA)
• Otimização e Planejamento– Elevadores (Hitachi, Fujitech, Mitsubishi)– Análise do Mercado de Ações (Yamaichi)
• Análise de Sinais– Ajuste da Imagem de TV (Sony)– Autofocus para Câmera de Vídeo (Canon)– Estabilizador de Imagens de Vídeo (Panasonic)
HISTÓRICO• Bivalência �� �� desde Aristóteles, a Lógica Clássica
baseia-se em bivalência: V,F– (Lei da não-contradição A ∩∩∩∩ ~A = φφφφ )
• Multivalência �� �� desenvolvida por Lukasiewicz paralidar com o Princípio da Incerteza na MecânicaQuântica– 1920 - 3 valores: V, F, IN
– 1930 - n valores
• Lógica Fuzzy �� �� desenvolvida por L. A. Zadeh (1965):os elementos pertencem a um certo conjunto comdiferentes graus de pertinência
SISTEMA FUZZY
É um sistema não-linear de mapeamento de
um vetor de entrada em uma saída escalar,
capaz de incorporar tanto o conhecimento
objetivo quanto o conhecimento subjetivo.
SISTEMA FUZZY
• Conhecimento Objetivo
– Usado na formulação de problemas deengenharia � modelos matemáticos
• Conhecimento Subjetivo
– Representa a informação lingüísticaque é geralmente impossível dequantificar via matemática tradicional
SISTEMA FUZZY
– Princípio da Incompatibilidade (Zadeh)
“ Conforme a complexidade de um sistema
aumenta , nossa habilidade de fazer declarações
precisas e significativas sobre o seu
comportamento diminui, até alcançar um limite
além do qual precisão e relevância tornam-se
características mutuamente exclusivas”
SISTEMA FUZZY
“ The closer one looks at a real world problem,the fuzzier becomes its solution” (Zadeh)�� ��
A Lógica Fuzzy fornece um método para
reduzir e explicar a complexidade do sistema.
• •
• •3
SISTEMA FUZZY
• Mapeia fuzzy sets em fuzzy sets• Determina como as regras são ativadas e combinadas
REGRAS
INFERÊNCIA
FUZZIFICADOR DEFUZZIFICADORX y
Conjuntosfuzzy deentrada
Conjuntofuzzy desaída
Fornecidas por especialistas ouextraídas de dados numéricos
Para ativar asregras
Para fornecer asaída precisa
Entradasprecisas
Saídaprecisa
Visão Geral:
REGRAS FUZZY
• Exemplo:
SE u1 É muito quente E u2 É baixo
ENTÃO gire v um pouco para a direita
• Conceitos Importantes:– Variáveis Linguísticas– Quantificadores (muito, um pouco)– Conexões Lógicas– Implicação
antecedente
consequente
Características de SistemasFuzzy
• Modelagem de Problemas Complexos
– capazes de lidar com problemas complexos, com
propriedades não-lineares, por exemplo.
• Modelagem Cognitiva:
– têm a habilidade de codificar o conhecimento de
forma similar ao modo como os especialistas
expressam o processo de decisão.
Características de SistemasFuzzy
• Modelagem de sistemas envolvendo múltiplosespecialistas:– capazes de conciliar informações de especialistas
consistentes (colaboradores) ou conflitantes(contraditórios)
Exemplo: Preço deve ser baixo - MarketingPreço deve ser alto - FinanceiraPreço deve ser 2 x o custo - Produção
• Complexidade Reduzida:– possuem “ poucas” regras, similares às expressas
por especialistas
Características de SistemasFuzzy
• Manipulação de Incertezas:– lidam de forma consistente e matemática com
incertezas
→ Comparação com sistema especialista�� ��
Fuzzy: SE altura É alta ENTÃO peso É pesado�� ��
S. Especialista: SE altura É >>>> 1.78 E <<<< 1.95 ENTÃO peso É 90kg F.C. = 0.85
Formas de Imprecisão
• Inexatidão:
– Corresponde à precisão da nossa habilidadede medir (erros humanos).
�� ��
– Tenta-se corrigir o erro através de váriasmedidas.
• •
• •4
Formas de Imprecisão• Precisão e Acuidade:
grau de exatidão como qual se pode mediruma grandeza
É o grau com que uma certamedida corresponde ao valorpadrão de uma grandeza �� ��erros devido a fatores doambiente, falta de calibração.
Incertezas podem afetar a acuidade, mas aprecisão não é afetada, já que esta só dependeda granularidade do dispositivo de medida
Formas de Imprecisão
O tipo de imprecisão dos modelos fuzzy éINDEPENDENTE dos sistemas de medição
• Imprecisão Intrínseca– associada à descrição das propriedades de um
fenômeno e não com as medidas da propriedade.
Lógica Fuzzy− trata de questões associadas à imprecisão
intrínseca, ao invés das relacionadas com falhasna medição
Formas de Imprecisão• Ambigüidade:
– várias interpretações plausíveis.
Exemplo: “ The food is HOT”
Antes do estabelecimento do universo de discurso, asentença é ambígua mas NÃO é fuzzy
Após o estabelecimento do universo de discurso, asentença pode ser considerada fuzzy
Formas de Imprecisão• Probabilidade X Lógica Fuzzy:
Tenta explicar como certoseventos ocorrem em um certoespaço randômico �� �� explicapopulações e não instânciasindividuais �� ��Antes de selecionar um elementode uma certa população,conhecem-se as chances doevento ocorrer �� ��Após selecionado o elemento,NÃO existe mais a probabilidade
Descreve propriedades quetêm valores contínuos,associando as partiçõesdesses valores a um rótulosemântico �� ��Importante: as partiçõespodem coincidir (overlap) �� ��Ambigüidade
Formas de Imprecisão• Probabilidade X Lógica Fuzzy:
Grau de Pertinência � nível de compatibilidadede um elemento do conjunto com o conceito doconjunto
Exemplo: �� �� Pedro é ALTO com µµµµ = 0.85
�� �� Pedro tem 0.85 de probabilidade de ser ALTO
Indica que Pedro é bem compatível com o conceito ALTO.�� �� Tem-se uma idéia da altura de Pedro.
Indica que Pedro tem grandes chances de ser ALTO.�� �� NÃO se tem a menor idéia da altura de Pedro.
CONJUNTOS FUZZY
• Conjuntos Ordinários (ou “ Crisp” ) A noção de pertinência é bem definida:
elementos pertencem ou não pertencem aum dado conjunto A (em um universo X)
�� �� �� ���� ���� ��
∉∉∉∉
∈∈∈∈====
Ax
Axxf A
sesomenteese0
sesomenteese1)(
f : função característica
• •
• •5
CONJUNTOS FUZZY
• conjunto de pessoas altas• conjunto de carros caros• números muito maiores do que 1
Existem conjuntos cujo limite entre pertinência enão-pertinência é vago
Exemplos
• Conjuntos Fuzzy
• A função característica é generalizada, podendo
assumir um número infinito de valores no intervalo
[0,1] →→→→ função de pertinência
• Um conjunto fuzzy A em um universo X é definido
por uma função de pertinência
µµµµA(x): X→→→→ [0,1]
CONJUNTOS FUZZY
CONJUNTOS FUZZY
• Exemplo: Pessoas Altas
f(x) µµµµ (x)
Altura (m)
1.301.40 1.50 2.001.60 1.80 1.901.70 1.301.40 1.50 1.60 1.80 1.901.70
Altura (m)2.00
Função Característica Função de Pertinência
CRISP FUZZY
CONJUNTOS FUZZY
• Exemplo: Números muito maiores do que 1
f (x) µµµµ (x)
1 2 3 84 6 75
Função Característica Função de Pertinência
CRISP FUZZY
109 1412 1 2 3 84 6 75 109 1412
CONJUNTOS FUZZY
• Exemplo: X = todos os automóveis do Rio de Janeiro
Conjuntos crisp
azul
marrom
cinza
vermelho
verde
outraNacional
Importa
do
4 cilindros
6 cilindros
8 cilindros
outros
CONJUNTOS FUZZY
Conjunto A no universo X com µµµµA(x) ∈∈∈∈ [0,1]
medida do grau de compatibilidadede x com A
% de peçasnacionais
µµµµ (x)
25 50 75 100
1.00.9
0.5
0.25
importado nacional
• •
• •6
CONJUNTOS FUZZY
{{{{ }}}} Xx/xx�A A ∈∈∈∈==== )(
• Representação:
Um conjunto fuzzy A em X pode ser
representado por um conjunto de pares
ordenados
CONJUNTOS FUZZY• Outra Representação:
X contínuo:
denota a coleção de todos os pontos x ∈∈∈∈ X com
função de pertinência µµµµ (x)
X discreto:
denota a união de todos os pontos x i ∈∈∈∈ X com grausde pertinência µµµµ (x i )
�� ��====
n
iiiA xx�
1
/)(
�� ��X
A xx� /)(
CONJUNTOS FUZZY
Exemplo: seja A = inteiros próximos de 10
X = {nos inteiros de 1 a 20}
A = 0.1/7 + 0.5/8 + 0.8/9 + 1/10 + 0.8/11 + 0.5/12 + 0.1/13
Observações:
• os inteiros não especificados possuem µµµµA (x) = 0
• os valores de µµµµA (x) são especificados �� �� exceto
para µµµµA(x)=1, todos os outros valores podem ser
modificados.
• a função de pertinência, neste caso específico, deveser simétrica.
CONJUNTOS FUZZY
Nomenclatura:
• Altura: maior grau de pertinência permitido pela
função de pertinência
• Normalização: um certo conjunto fuzzy é normal sea sua altura for igual a 1
– Forma normal mínima: pelo menos um elementotem µµµµ (x) = 1
– Forma normal máxima: pelo menos um elementotem µµµµ (x) = 1 e outro elemento tem µµµµ (x) = 0
CONJUNTOS FUZZY• Domínio:
Universo total de valores possíveis para oselementos de um conjunto �� �� depende docontexto
Domínio Aberto Domínio Fechado
Meia-IdadeAltas
1.80m
45
CONJUNTOS FUZZY• Suporte:
Área efetiva do domínio de um conjunto fuzzyque apresenta valores de µµµµ (x) >>>> 0
Pesadoµµµµ (x)
Suporte
Domínio
60 8070 90 110100 15014013012050kg
• •
• •7
CONJUNTOS FUZZY• Observação:
O conjunto fuzzy cujo suporte é um único ponto emU, com valor de µµµµ (x) = 1, é chamado de singleton
Igual a 10µµµµ (x)
10
CONJUNTOS FUZZY
• Conjunto αααα -cut:
– Restrição (limite) imposta ao domínio, baseada
no valor de αααα
– Contém todos os elementos do domínio que
possuam µµµµ (x) acima de um certo valor de αααα
µµµµ (x) ≥≥≥≥ αααα �� �� αααα-cut fraco
µµµµ (x) >>>> αααα �� �� αααα-cut for te
CONJUNTOS FUZZY
• Conjunto αααα -cut:– útil para as funções com longos “ tails” , que
tendem a possuir valores muito baixos de µµµµ(x)por um domínio extenso
85 9590 100 110105 14013513012512512011580
µµµµ (x)
kg
pesado
αααα-cut = 0.2
0.2-cut do conjunto pesadoé, então, de 100 a 140 kg.
CONJUNTOS FUZZY
Idade Criança Jovem Adulto Velho5 1 .1 0 010 .8 .3 0 020 .1 .8 .7 .130 0 .5 1 .240 0 .2 1 .450 0 .1 1 .660 0 0 1 .870 0 0 1 180 0 0 1 1
• Conjunto αααα -cut:
Conjuntos αααα-cut do conjuntoVELHO:
• velho .2 = {30,40,50,60,70,80}
• velho .8 = {60,70,80}
• velho1.0 = {70,80}
Variáveis Linguísticas
• Têm a função de fornecer uma maneirasistemática para uma caracterizaçãoaproximada de fenômenos complexos oumal definidos
Variáveis Linguísticas
• Variável linguística: variável cujos
valores são nomes de conjuntos fuzzy
Exemplo: temperatura de um processo
120 160140 180 220200 360340320300280260240100
Baixa Média Alta Muito Altapertinência
Temperatura
• •
• •8
Variáveis Linguísticas
• Formalismo: caracterizada por uma
quíntupla (N, T(N), X, G, M ), onde:N: nome da variável
temperatura
T(N): conjunto de termos de N, ou seja, o conjuntode nomes dos valores linguísticos de N
{baixa, média, alta, muito alta}
X: universo de discurso (espaço fuzzy completode variação de uma variável do modelo)
100 a 360 oC
Variáveis LinguísticasG: regra sintática para gerar os valores de N como
uma composição de termos de T(N), conectivoslógicos, modificadores e delimitadores
temperatura não baixatemperatura não muito alta
M: regra semântica, para associar a cada valor
gerado por G um conjunto fuzzy em X
associa os valores acima a conjuntos fuzzy
cujas funções de pertinência exprimem seus
significados
Funções de Pertinência
• Aos termos de uma variável linguística (ou aos
seus valores) faz-se corresponder conjuntos
fuzzy, definidos por suas funções de pertinência
• Podem ter formas padrão ou definidas pelousuário
Funções de Pertinência
• Contínuas: podem ser definidas por meio defunções analíticas
1)))((1()( −−−−−−−−++++==== bA cxaxµµµµ
12
12
12
))2(91()(
))5,0(91()(
)91()(
−−−−
−−−−
−−−−
−−−−++++====
−−−−++++====
++++====
xx
xx
xx
grande
médio
pequeno
µµµµ
µµµµ
µµµµ
Funções de Pertinência
• Discretas: consistem em valores discretos
correspondendo a elementos (discretos) do
universo
{{{{ }}}}{{{{ }}}}{{{{ }}}}1;7,0;3,00;0;0;0)(
3,0;7,0;1;7,0;3,0;0;0)(
0;0;3,0;7,0;1;7,0;3,0)(
====
====
====
x
x
x
grande
médio
pequeno
µµµµ
µµµµ
µµµµ
{{{{ }}}}6,5,4,3,2,1,0====X
Funções de Pertinência
• Diferentes pessoas, ou grupos de
pessoas, podem definir funções de
pertinência (para um mesmo conjunto)
de forma diferente
• Exemplo: estatura de pessoas
• •
• •9
Funções de Pertinência�
Linear�
Trapezoidal�
Triangular�
Formato S�
Formato Z�
Formato PI�
Gaussiana�
Singleton�
Irregulares
Funções de Pertinência• Linear:
– conjunto mais simples, sendo uma boa escolha naaproximação de conceitos não bem compreendidos
0
0,2
0,4
0,6
0,8
1
µµµµ (x)
0
0,2
0,4
0,6
0,8
1
µµµµ (x) Crescente Decrescente
xx
Funções de Pertinência• Trapezoidal: �� �� rápido processamento
�� �� contém descontinuidades
µµµµ (x)
1.0
a cb
Trap (x,a,b,c,d)
0 x ≤≤≤≤ a 1 - (b - x)/(b - a) a <<<< x ≤≤≤≤ b
Trap (x,a,b,c,d)= 1 b <<<< x ≤≤≤≤ c (d - x)/(d - c) c <<<< x ≤≤≤≤ d
0 x >>>> d
d x
Funções de Pertinência• Triangular: caso especial de trapezoidal
0 x ≤≤≤≤ e
1 - (f - x)/(f - e) e <<<< x ≤≤≤≤ f
TRI (x,e,f,g) = (g - x)/(g - f) f <<<< x ≤≤≤≤ g
0 x >>>> g
µµµµ (x)
1.0
e f
TRI ( x,e,f,g)
g x
Funções de Pertinência• Formato S: equação quadrática
µµµµ (x)
1.0
a cb
S(x,a,b,c)
dS/dx
0 x ≤≤≤≤ a 2 [(x - a)/(c - a )] 2 a ≤≤≤≤ x ≤≤≤≤ b
S (x,a,b,c) = 1 - 2 [(x - c)/(c - a)] 2 b ≤≤≤≤ x ≤≤≤≤ c 1 x ≥≥≥≥ c
x
Funções de Pertinência• Formato S com 2 parâmetros:
µµµµ (x)
1.0
a
S(x,a,b)
dS/dx
0 x ≤≤≤≤ a - b
[x - (a - b)] 2 / 2b2 a - b ≤≤≤≤ x ≤≤≤≤ aS (x,a,b) =
1 - [(a + b) - x]2/ 2b2 a <<<< x ≤≤≤≤ a + b
1 x >>>> a + b
b
x
• •
• •10
Funções de Pertinência• Formato Z: Z (x,a,b) = 1 - S(x,a,b)
1 x <<<< a - b
1 - [x - (a - b)] 2/ 2b2 a - b ≤≤≤≤ x ≤≤≤≤ a Z (x,a,b) =
[(a + b) - x]2/ 2b2 a <<<< x ≤≤≤≤ a + b
0 x >>>> a + b
µµµµ (x)
1.0
a
Z (x,a,b)
b
x
Funções de Pertinência• Formato PI: junção das curvas S e Z
S ( x, a - b/2, b/2) x ≤≤≤≤ aPI (x,a,b) =
Z (x, a + b/2, b/2) x ≥≥≥≥ a
µµµµ (x)
a
b
PI (x,a,b)
x
Funções de Pertinência• Gaussiana: - distribuição normal
- cai a zero para valores muito maiores ou muito menores do que a média
µµµµ (x)
µµµµ
σσσσ
G (x,µµµµ,σσσσ)
Ponto de Inflexão
µµµµ = médiaσσσσ = desvio padrão
x
(((( ))))(((( ))))
2
2
,, σσσσµµµµ
σσσσµµµµ−−−−−−−−
====x
exG
Funções de Pertinência
• Singleton: - na verdade não é um conjunto fuzzy
- simplifica os cálculos para produzir saídas fuzzy
µµµµ (x)
a
1.0
1 x = aSgl (x,a) =
0 x ≠≠≠≠ a
x
Funções de Pertinência• Irregulares:
– ocasionalmente as formas padrão não conseguemcapturar a semântica de uma variável �� �� representaçõesarbitrárias
µµµµ (x) µµµµ (x)
Hora Idade10 20 10090807060504030
Risco Alto de DirigirTráfego Intenso
9 10 17161514131211 18
Definições e operações
• Conjunto Vazio
XxxA A ∈∈∈∈∀∀∀∀====∅∅∅∅==== 0)(se somente e se µµµµ
• Complemento
Xxxx AA ∈∈∈∈∀∀∀∀−−−−==== )(1)(' µµµµµµµµ
• •
• •11
Definições e operações
• Conjuntos iguais
XxxxBA BA ∈∈∈∈∀∀∀∀======== )()(se somente e se µµµµµµµµ
• A subconjunto de B
XxxxBA BA ∈∈∈∈∀∀∀∀≤≤≤≤⊂⊂⊂⊂ )()(se µµµµµµµµ
Definições e Operações• Conjuntos ordinários (crisp) exemplo:
X = {1,2,...20}
2 4 6 8 9 10 12 14
15 1618 19 20
1 2 3 5 8 13 20
1 3 5 7 11 13 17
Interseção: todos os elementosde X que estão em S1 e em S2
União ExclusivaS1 ⊕⊕⊕⊕ S2 = S1 ∪∪∪∪ S2 - S1 ∩∩∩∩ S2
S1 S21 3 5 13
1 2 3 5 7 8 11 13 17 20
2 7 8 11 17 20
Complementotodos oselementos deX que ∉∉∉∉ a S1
Uniãotodos os elementosde X que ∈∈∈∈ a S1 ou a S2
Definições e operações
• Interseção - Conjuntos ordinários
Contém todos os elementos que pertencem a A e a B
1)( ====∩∩∩∩ xf BA se x ∈∈∈∈ A e x ∈∈∈∈ B
se x ∉∉∉∉ A ou x ∉∉∉∉ B0)( ====∩∩∩∩ xf BA
Xxxfxfxf BABA ∈∈∈∈∀∀∀∀∧∧∧∧====∩∩∩∩ )()()(
Definições e operações
• União - Conjuntos ordinários
Contém todos os elementos que pertencem a A ou a B
Xxxfxfxf BABA ∈∈∈∈∀∀∀∀∨∨∨∨====∪∪∪∪ )()()(
Definições e Operações• a exemplo dos conjuntos crisp, existem operações
para combinar e modificar os conjuntos fuzzy
As operações são aplicadasàs funções de pertinência
• um certo elemento é membro de um conjunto fuzzy– se está dentro do domínio do conjunto
– se o grau de pertinência é >>>> 0
– (se está acima do limite αααα-cut)
Definições e Operações
Interseção e União - Conjuntos fuzzy
Zadeh estendeu as operações de conjuntos
ordinários para conjuntos fuzzy:
Xxxxx
Xxxxx
BABA
BABA
∈∈∈∈∀∀∀∀∨∨∨∨====
∈∈∈∈∀∀∀∀∧∧∧∧====
∪∪∪∪
∩∩∩∩
)()()(
)()()(
µµµµµµµµµµµµ
µµµµµµµµµµµµ
• •
• •12
PropriedadesUtilizando os operadores (de Zadeh) maxe min para a união e interseção fuzzy,verificam-se as seguintes propriedades:
AA ====)''(
�� �� �� ���� ���� �� �� ��
====∪∪∪∪
====∩∩∩∩
AAA
AAA
Propriedades
�� �� �� ���� ���� �� �� ��
∪∪∪∪====∪∪∪∪
∩∩∩∩====∩∩∩∩
ABBA
ABBA
�� �� �� ���� ���� �� �� ��
∪∪∪∪∪∪∪∪====∪∪∪∪∪∪∪∪
∩∩∩∩∩∩∩∩====∩∩∩∩∩∩∩∩
)()(
)()(
CBACBA
CBACBA
Propriedades
�� ���� �� �� ��∪∪∪∪∩∩∩∩∪∪∪∪====∩∩∩∩∪∪∪∪∩∩∩∩∪∪∪∪∩∩∩∩====∪∪∪∪∩∩∩∩
)()()(
)1()()()(
CABACBA
CABACBA
Demonstração de (1):
))()(())(()((
))()(()(
xxxx
xxx
CABA
CBA
µµµµµµµµµµµµµµµµµµµµµµµµµµµµ
∧∧∧∧∨∨∨∨∧∧∧∧====∨∨∨∨∧∧∧∧
Para cada uma das situações seguintes, verificam-se os resultados correspondentes:(considerando-se os cálculos como feitos “ elemento a elemento” )
Propriedades
CCBCA
BBCBA
AABAC
AAABC
AACAB
AAACABA
ABACBA
ACB
dqc
µµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµ
µµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµ
µµµµµµµµµµµµ
====�� ��>>>>>>>>====�� ��>>>>>>>>====�� ��>>>>>>>>====�� ��>>>>>>>>====�� ��>>>>>>>>
====∨∨∨∨====∧∧∧∧∨∨∨∨∧∧∧∧====∧∧∧∧====∨∨∨∨∧∧∧∧
�� ��>>>>>>>>
...)()(
)(
Propriedades
CACBBA ⊂⊂⊂⊂�� ��⊂⊂⊂⊂⊂⊂⊂⊂ ese
�� �� �� ��
∩∩∩∩====∪∪∪∪
∪∪∪∪====∩∩∩∩
'''
'''
)(
)(
BABA
BABA
�� �� �� ��
====∩∩∩∩∪∪∪∪
====∪∪∪∪∩∩∩∩
ABAA
ABAA
)(
)(
Propriedades
Observando que as funções depertinência dos conjuntos vazio euniverso são 0 e 1:
�� �� �� ��
====∪∪∪∪
====∩∩∩∩ �� �� �� ��
====∅∅∅∅∪∪∪∪
∅∅∅∅====∅∅∅∅∩∩∩∩
XXA
AXAe
AA
A
• •
• •13
Propriedades
Conjuntos ordinários:
XAAAA ====∪∪∪∪∅∅∅∅====∩∩∩∩ '' e
Conjuntos fuzzy:
XAAxxx
AAxxx
'AAAA
'AAAA
≠≠≠≠∪∪∪∪�� ��≠≠≠≠−−−−∨∨∨∨====
∅∅∅∅≠≠≠≠∩∩∩∩�� ��≠≠≠≠−−−−∧∧∧∧====
∪∪∪∪
∩∩∩∩
1))(1()()(
0))(1()()(
'
'
µµµµµµµµµµµµ
µµµµµµµµµµµµ
Propriedades
Observa-se, portanto, que
a lei da Não-Contradição (A ∩∩∩∩ A’ = φφφφ ) e
a lei da Exclusão Mútua (A ∪∪∪∪ A’ = X)
são inválidas no caso fuzzy
Lei da Não-Contradição
NOME IDADE µµµµMI (x) µµµµMI' (x) Interseção
Abel 36 .92 .08 .08José 58 0 1 0
Carlos 64 0 1 0João 32 .47 53 .47Pedro 40 1 0 0Tiago 22 0 1 0Felipe 47 .74 .26 .26André 25 .10 .90 .10
4 membros têm grau de pertinência diferente de zeropara ambos os conjuntos Meia-Idade e não-Meia-Idade
– Quais os membros que são de MEIA-IDADE enão MEIA-IDADE ao mesmo tempo?
NOME ALTURA µµµµALTO (y) µµµµALTO' (y) Interseção
Abel 1.70 .84 .16 .16José 1.75 .92 .08 .08
Carlos 1.65 .68 .32 .32João 1.78 .96 .04 .04Pedro 1.77 .94 .06 .06Tiago 1.60 .39 .61 .39Felipe 1.73 .90 .10 .10André 1.75 .92 .08 .08
Lei da Não-Contradição
TODOS os membros têm grau de pertinência diferentede zero para ambos os conjuntos ALTO e não-ALTO
– Quais os membros que são ALTOS e não-ALTOSao mesmo tempo?
Lei da Exclusão Mútua
Nem TODOS os membros têm grau de pertinênciaigual a um para a união dos conjuntos MI e MI’
NOME IDADE µµµµM-I (x) µµµµMI' (x) União
Abel 36 .92 .08 .92José 58 0 1 1
Carlos 64 0 1 1João 32 .47 53 .53Pedro 40 1 0 1Tiago 22 0 1 1Felipe 47 .74 .26 .74André 25 .10 .90 .90
– Quais os membros que são de MEIA-IDADEou não-MEIA-IDADE ao mesmo tempo?
Lei da Exclusão Mútua
NENHUM dos membros têm grau de pertinência igual aum para a união dos conjuntos ALTO e ALTO’
NOME ALTURA µµµµALTO (y) µµµµALTO' (y) União
Abel 1.70 .84 .16 .84José 1.75 .92 .08 .92
Carlos 1.65 .68 .32 .68João 1.78 .96 .04 .96Pedro 1.77 .94 .06 .94Tiago 1.60 .39 .61 .61Felipe 1.73 .90 .10 .90André 1.75 .92 .08 .92
– Quais os membros que são ALTOS ounão-ALTOS ao mesmo tempo?
• •
• •14
Outros Operadores
• Interseção:
[[[[ ]]]])1)()((,0
)()(
2))()((
))(),((
−−−−++++∗∗∗∗++++
yxmax
yx
yx
yxmin
BA
BA
BA
BA
µµµµµµµµµµµµµµµµ
µµµµµµµµµµµµµµµµZadeh
média
produto$
Lukasiewicz
$ também sugerido por Zadeh
Outros Operadores
• Exemplo:0.00 0.25 0.50 0.75 1.00
0.000.25 0.25 0.25 0.25 0.250.50 0.25 0.50 0.50 0.500.75 0.25 0.50 0.75 0.751.00 0.25 0.50 0.75 1.00
0.00 0.25 0.50 0.75 1.000.000.25 0.250.50 0.25 0.500.75 0.25 0.50 0.751.00 0.25 0.50 0.75 1.00
Zadehmin
Lukasiewiczmax [0, (µµµµA(x) + µµµµB(y) - 1)]
Outros Operadores
• União:
Zadeh
média
somaprobabilística(ou algébrica)
soma limitada
[[[[ ]]]]{{{{[[[[ ]]]]}}}}
[[[[ ]]]]))()((,1
)()()()(
6)(),((4
)(),((2
))(),((
yxmin
yxyx
yxmax
yxmin
yxmax
BA
BABA
BA
BA
BA
µµµµµµµµµµµµµµµµµµµµµµµµ
µµµµµµµµµµµµµµµµ
µµµµµµµµ
++++∗∗∗∗−−−−++++
∗∗∗∗++++∗∗∗∗
UNIÃO• Exemplo:
0.00 0.25 0.50 0.75 1.000.00 0.25 0.50 0.75 1.000.25 0.25 0.25 0.50 0.75 1.000.50 0.50 0.50 0.50 0.75 1.000.75 0.75 0.75 0.75 0.75 1.001.00 1.00 1.00 1.00 1.00 1.00
0.00 0.25 0.50 0.75 1.000.00 0.25 0.50 0.75 1.000.25 0.25 0.50 0.75 1.00 1.000.50 0.50 0.75 1.00 1.00 1.000.75 0.75 1.00 1.00 1.00 1.001.00 1.00 1.00 1.00 1.00 1.00
Zadehmin
Soma limitadamin [1, (µµµµA(x) + µµµµB(y))]
Outros Operadores
• Funções de Yager:
família parametrizada de operadores
– Interseção:
– União:
(((( )))) (((( )))) (((( ))))(((( )))) 011,11,1
>>>>�� ���� �� �� ���� �� �� �� �� �� −−−−++++−−−−−−−−==== pyxminyxTppp
(((( )))) (((( ))))[[[[ ]]]] 0,1,1
>>>>++++==== pyxminyxCppp
Yager: Interseção
• •
• •15
Yager: União Operadores
• Generalização
operadores norma-t e co-norma-t (norma-s)
• Operações binárias de [0,1] x [0,1] →→→→ [0,1], tal que,∀∀∀∀x, y, z, w ∈∈∈∈ [0,1], determinadas propriedades sãosatisfeitas.
Norma-t
As seguintes propriedades são satisfeitas:
xyyx ∗∗∗∗====∗∗∗∗
)()( zyxzyx ∗∗∗∗∗∗∗∗====∗∗∗∗∗∗∗∗zywxzwyx ∗∗∗∗≤≤≤≤∗∗∗∗≤≤≤≤≤≤≤≤ então,,se
xxx ====∗∗∗∗====∗∗∗∗ 1e00
Norma-t• Exemplos:
– mínimo
– produto
– Lukasiewicz
– norma-t degenerada
x, se y = 1
Z (x,y) = y, se x = 1 0, caso contrário
Co-norma-t
As seguintes propriedades são satisfeitas:
xyyx ⊕⊕⊕⊕====⊕⊕⊕⊕
)()( zyxzyx ⊕⊕⊕⊕⊕⊕⊕⊕====⊕⊕⊕⊕⊕⊕⊕⊕
zywxzwyx ⊕⊕⊕⊕≤≤≤≤⊕⊕⊕⊕≤≤≤≤≤≤≤≤ então,,se
11e0 ====⊕⊕⊕⊕====⊕⊕⊕⊕ xxx
Co-norma-t• Exemplos:
– máximo– soma probabilística– soma limitada– norma-t degenerada
x, se y = 0
Z (x,y) = y, se x = 0 1, caso contrário
• •
• •16
MODIFICADORES
• são operadores semânticos
• atuam na modelagem de um sistema fuzzy damesma forma que advérbios e adjetivos atuam emuma sentença
• modificam a natureza de um conjunto fuzzy
atuam sobre a função de pertinência de umconjunto fuzzy com o objetivo de modificá-la
MODIFICADORES
• Da mesma forma que com os advérbios e
adjetivos, a ordem dos modificadores é
importante
NÃO MUITO ALTO
≠≠≠≠ MUITO NÃO ALTO
MODIFICADORES
• De forma análoga à construção de sentenças,múltiplos modificadores podem ser aplicados a umúnico conjunto fuzzy
• Exemplo: positivamente não muito ALTO
Conjunto fuzzy básicoMúltiplos modificadores
MODIFICADORES
• o processamento é feito de forma análoga à
linguagem:
positivamente não muito ALTO
(positivamente (não (muito ALTO)))
MODIFICADORES
• podem ser usados tanto no antecedente quanto noconsequente:
SE custo é muito ALTO ENTÃO a margem de lucro é BAIXA
SE inflação é muito GRANDE ENTÃO vendas são positivamente PEQUENAS
MODIFICADORES• concentradores:
– muito, extremamente
• diluidores:
– um pouco, levemente, mais ou menos
• aproximadores:
– em torno, aproximadamente, perto de
• restrição de uma região fuzzy:
– abaixo de, acima de
• contraste:
– positivamente, de uma forma geral
• •
• •17
Concentradores
• Reduzem os graus de pertinência dos
elementos que pertencem ao conjunto fuzzy
µµµµA (x) ≥≥≥≥ µµµµ MUITO A (x)
Concentradores
• Concentradores de ZADEH:
µµµµ MUITO A (x) = [µµµµ A (x)] 2
µµµµ CONC A (x) = [µµµµ A (x)] n n ∈∈∈∈ [1,4]
Concentradores
• Exemplo 1:
altomuitoalto
n = 2
µµµµ (x)
extremamente alton = 3
1.0
Para se obter o mesmo valor de µµµµ (x), o elementodo domínio deve estar mais à direita
Concentradores
• Exemplo 2:
meia-idade
45
muito de meia-idade
1.0
µµµµ (x)
Diluidores
• Diluem a função de pertinência para umacerta região fuzzy
µµµµA (x) ≤≤≤≤ µµµµ UM POUCO A (x)
Diluidores
• Diluidores de ZADEH:
µµµµ UM POUCO A (x) = [µµµµ A (x)] 1/2
µµµµ DILUIDOR A (x) = [µµµµ A (x)] 1/n n ∈∈∈∈ [1,8]
• •
• •18
Diluidores
• Exemplo 1:
µµµµ (x)
1.0
Altoum pouco alton = 1/2
levemente alton = 1/3
Para se obter o mesmo valor de µµµµ (x),o elemento do domínio deve estarmais à esquerda
Diluidores
• Exemplo 2:
meia-idade
45
um pouco de meia-idade
1.0
µµµµ (x)
Concentradores/Diluidores
• possuem o mesmo suporte que o conjunto original;
• possuem o mesmo valor no domínio para µµµµ (x) = 0 e
µµµµ (x) = 1;
• muito e um pouco são os únicos modificadores
comutativos
Modificadores
• Exemplo:
alto
alto
não muito alto
muito não alto
não alto
não muito alto muito não alto
muito alto
não muito alto ≠≠≠≠ muito não alto
Aproximadores
• alargam ou estreitam uma região fuzzy
(do tipo “ sino” );
• transformam valores escalares em
regiões fuzzy �� �� número fuzzy
Aproximadores
• Alargando:
meia-idade
45
em torno de meia-Idade
1.0
µµµµ (x)
• •
• •19
Aproximadores
• Estreitando:
meia-idade
45
perto de meia-idade
1.0
µµµµ (x)
Aproximadores
• Transformando em um número fuzzy:
em torno de 22
12
1.0
µµµµ (x)
x14 1816 30282624222010
o domínio depende do contexto!
Restrição de uma RegiãoFuzzy
ACIMA DEABAIXO DE
restringem o escopo dafunção de pertinência
Restrição de uma RegiãoFuzzy
• ACIMA:
45
1.0
µµµµ (x)
acima de meia-idademeia-idade
Restrição de uma RegiãoFuzzy
• ABAIXO:
45
1.0
µµµµ (x)
abaixo de meia-idademeia-idade
Contraste
• Mudam a natureza da região fuzzy
– Intensificador �� �� torna o conjunto menos fuzzy�
positivamente, definitivamente
– Difusor �� �� torna o conjunto mais fuzzy�
de uma forma geral
• •
• •20
Contraste
• Intensificador: muda a função aumentando os µµµµ (x)
acima de 0.5 e diminuindo os µµµµ (x) abaixo de 0.5µµµµ (x)
1.0
alto
0.5
positivamentealto
1.401.20 1.50 1.60 1.80 2.00
0.350.25
ponto de
inflexãoaltura (m)
Contraste
µµµµ (x)
1.0 alto
0.5
1.401.20 1.60 1.80 2.00
ponto de inflexão
Altura (m)
• Difusor: muda a função reduzindo os µµµµ (x) acimade 0.5 e aumentando os µµµµ (x) abaixo de 0.5
de uma forma geralalto
0.350.23
Relações e Composições
O que é inferência?
Premissa 1: temperatura = 75°
Premissa 2: SE temperatura é alta ENTÃO vazão é grande
Conclusão: vazão = ?
Relações e Composições
temperatura = 75°
SE temperatura é alta ENTÃO vazão é grande
vazão = ?
R2 �� �� Relação de ImplicaçãoA �� �� B
Composição das RelaçõesR1 o R2
R1 �� �� Relação simples (um conjunto fuzzy)
Relações
• Relação Crisp:
– representa a presença ou ausência de associação,
interação ou interconectividade entre elementos de
dois ou mais conjuntos.
• Relação Binária:
– envolve dois conjuntos X e Y R (X,Y)
Relações CrispDados os universos X e Y, a relação crispR definida em X x Y é um subconjunto doproduto cartesiano dos dois universos,tal que R: X x Y →→→→ {0,1}
função característica
�� �� �� �� ∈∈∈∈
====contrár iocasoem0
),(sesomenteese1),(
Ryxyxf R
• •
• •21
Relações Crisp
• OBSERVAÇÃO: como R também é um
conjunto, todas as operações de conjuntos
crisp podem ser aplicadas sem modificação.
Relações Crisp
• Exemplo 1:
X = {-3, -2, -1, 0, 1, 2, 3}
Y = { 1, 2, 3, 4, 5}
R(X,Y) = {(x,y) / x ≥≥≥≥ y}=?
R(X,Y) = {(1,1); (2,1); (3,1); (2,2); (3,2); (3,3)}
Relações Crisp
• Exemplo 2:
X : conjunto de todos os sistemas contínuos, lineares,de segunda ordem
X = { x1, x2} = {sistema variante no tempo,
sistema invariante no tempo}
Y: conjunto dos pólos de tais sistemas
Y = {y1, y2} = {pólos no semi-plano esquerdo,
pólos no semi-plano direito}
Relações Crisp Relações Crisp
• Exemplo 2 (continuação):
• Relação de Estabilidade entre X e Y
SistemasEstáveis
sistemas invariantes no tempo E
pólos no semi-plano esquerdo
R(X,Y) = {sistema invariante no tempo, pólos no semi-plano esquerdo}
Relações Crisp
• Exemplo (continuação):
x1
x2
y1 y2
0 0
01
x1
x2
Y1
y2
MATRIZ RELACIONAL DIAGRAMA SAGITAL
Relações Crisp Relações Fuzzy
• Relação Fuzzy:
– representa o grau de associação, interação ou
interconectividade entre elementos de dois ou mais
conjuntos fuzzy
– Exemplos: x é muito maior do que yy é bem próximo de xz é muito mais alto do que yse x é grande então y é pequeno
• •
• •22
Relações Fuzzy
A relação fuzzy R (X,Y) é um conjunto fuzzycaracterizado pela função de pertinência
µµµµ R (x,y) x ∈∈∈∈ X e y ∈∈∈∈ Y
R (X,Y) = { [(x,y) , µµµµ R (x,y)] / (x,y) ∈∈∈∈ X x Y}
Relações Fuzzy
• OBSERVAÇÃO: como as relações fuzzy
são também conjuntos fuzzy, as operações
com essas relações podem ser definidas
utilizando-se os operadores de união,
interseção e complemento
Relações Fuzzy
• Exemplo 1:
X = {x1, x2, x3} = {8, 2, 10}
Y = {y1, y2, y3, y4} = {2, 0, 4, 3}
R (X,Y) = x é muito maior do que y
x1
x2
x3
y1 y2 y3 y4
0.8 0.51
00.40
0.7
0
0.710.9 0.8
µµµµmm (x,y) =
Relações Fuzzy
Exemplo 2:
X = {x1,x2} = {Fortaleza, Florianópolis}
Y = {y1,y2, y3} = {Porto Alegre, Criciúma, Curitiba}
R: "muito próxima".
Relações Fuzzy
Matriz Relacional para o caso crisp
y1 y2 y3
Porto Alegre Criciúma Curitiba
x1 Fortaleza 0 0 0
x2 Florianópolis 1 1 1
Relações Fuzzy
Matriz Relacional para o caso fuzzy
y1 y2 y3
Porto Alegre Criciúma Curitiba
x1 Fortaleza 0,1 0,2 0,3
x2 Florianópolis 0,8 1 0,8
• •
• •23
Composição de Relações
• Representa um papel muito importante emsistemas de inferência fuzzy
• Caso crisp: dadas as relações P(X,Y) eQ(Y,Z), a composição é definida por
),(),(),( ZYQYXPZXR �====
subconjunto de X x Z tal que (x,z) ∈∈∈∈ R se e somente se
existir pelo menos um y ∈∈∈∈ Y tal que (x,y) ∈∈∈∈ P e (y,z) ∈∈∈∈ Q
Composição de Relações
• Exemplo (caso crisp):
�� �� �� ���� ���� ��
�� �� �� �� �� �� �� ��====
110000011010
),(3
2
1
4321
xxx
YXP
yyyy
�� �� �� �� �� �� �� ���� ��
�� ��
�� ��====
0100
0011
1000
0001
),(
4
3
2
1
4321
y
y
y
y
ZYQ
zzzz
Composição de Relações
x1
x2
x3
y1
y2
y3
y4
z1
z2
z3
z4
P (X,Y) Q (Y,Z)
x1
x2
x3
z1
z2
z3
z4
R(X,Z) = P (X,Y) ° Q (Y,Z)
Diagrama sagital:
�� �� �� ���� ��
�� ���� ��
====011100011100
),(3
2
1
4321
xxx
ZXR
zzzz
Composição de Relações
A operação realizada para se obter a composiçãodas relações pode ser representada por:
• composição max-min:
))]},(),,(([),,{(),(),( zyfyxfminmaxzxzxfzxf QPy
QPR ======== • composição max-produto:
))]},(),([(),,{(),(),( zyfyxfmaxzxzxfzxf QPy
QPR ========
Composição de Relações
Exemplificando para o cálculo do elemento(x1,z2) de R (no exemplo):
0)]}0,0,0,0[),,{(),(
)]}0,1(),1,0(),0,1(),0,0([),,{(),(
))]},(),,(()),,(),,((
)),,(),,(()),,(),,(([),,{(
))]},(),,(([),,{(),(),(
2121
2121
24412331
2221211121
212121
============
============
maxzxzxf
minminminminmaxzxzxf
zyfyxfminzyfyxfmin
zyfyxfminzyfyxfminmaxzx
zyfyxfminmaxzxzxfzxf
R
R
QPQP
QPQP
QPy
QPR �
Composição de Relações
• Observação (caso crisp):
Cada elemento de R(X,Z) pode ser obtido por meio
da “ multiplicação de matrizes” observando-se que:
– cada “ multiplicação” deve ser efetuada com o
operador adequado: min ou produto
– cada “ adição” deve ser efetuada com o operador
max
• •
• •24
Composição de Relações
Composição fuzzy faz-se umageneralização do caso não-fuzzy
)],(),([),(),( zyyxsupzxzx QPy
QPR µµµµµµµµµµµµµµµµ ∗∗∗∗======== �
• a norma-t é usualmente o min ou o produto
• para universos finitos, o sup é o max
Composição de Relações
Interpretação gráfica:
µµµµP (x,y) µµµµQ (y,z)x ∈∈∈∈ X z ∈∈∈∈ Zy ∈∈∈∈ Y µµµµ P ° Q (x,z)
Obs.: o procedimento de “ multiplicação de matrizes”aplica-se também ao caso fuzzy
Composição de Relações
• Exemplo 1:• Estudantes:
X = {Maria, João, Pedro}
• Características de cursos
Y = {teoria, aplicação, hardware, programação}
• Cursos
Z = {lógica fuzzy, controle fuzzy, redes neurais,
sistemas especialistas}
Composição de Relações
• Exemplo 1 (continuação):
– Interesse dos estudantes, em termos das
características dos cursos:
�� ���� ��
�� ��
�� ��
�� ���� ��
�� ��
�� ��
====15,09,05,05,001,011,08,012,0
),(JoãoMariaPedro
YXP
phat
Composição de Relações
• Exemplo 1 (continuação):
– Características dos cursos:
�� ���� ���� ��
�� ��
�� ��
�� ��
====
18,05,01,007,03,008,08,012,01,06,05,01
),(
phat
ZYQ
SERNCFLF
Composição de Relações
• Exemplo 1 (continuação):
– A composição (max-min) pode servir de auxílio aos
estudantes na escolha dos cursos:
�� ���� ��
�� ��
�� ��
�� ��
====18,09,05,05,06,05,018,08,012,0
JoãoMariaPedro
QP
SERNCFLF
Obs: ao contrário deste exemplo, a composição max-produto
geralmente não produz o mesmo resultado!
• •
• •25
Composição de Relações• Exemplo 2:
x é muito maior do que y E y é muito próximo de z
X = { x1, x2, x3}Y = { y1, y2, y3, y4}Z = {z1, z2, z3}
µµµµmm ° mp (x,z) = ?
µµµµmm (x,y) µµµµmp (y,z)
Composição de Relações• Exemplo 2 (continuação):
x1
x2
x3
y1 y2 y3 y4
0.8 0.11
00.80
0.7
0
0.710.9 0.8
µµµµmm (x,y) =
y1
y2
y3
y4
0.4 0.30.9
00.400.80.50.9
µµµµmp (y,z) =
0.50.70.6
x1
x2
x3
0.42 0.35 0.72
00.320
0.560.810.63
Composição max-produto
x1
x2
x3
0.6 0.50.8
00.40
0.70.90.7
Composição max-minz1 z2 z3
z1 z2 z3
z1 z2 z3
Relações dadas:
Composição de Relações
µµµµR (z,w)µµµµP (x,y) µµµµQ (y,z)w ∈∈∈∈W µµµµP ° Q ° R (x,w)
µµµµP ° Q (x,z) µµµµR (z,w)w ∈∈∈∈ W µµµµP ° Q ° R (x,w)
x ∈∈∈∈ X z ∈∈∈∈ Zy ∈∈∈∈ Y
x ∈∈∈∈ X z ∈∈∈∈ Z
• Três relações:
Obs.: poder-se-ia compor Q e R, primeiramente; oresultado seria então composto com P
Composição de RelaçõesCaso especial: P é um conjunto fuzzy apenas
em vez de tem-se , o que éequivalente a se ter X = Y
),( yxPµµµµ )(xPµµµµ
)],()([)( zxxsupz QPx
R µµµµµµµµµµµµ ∗∗∗∗====
Obs.: resultado fundamental para sistemas de inferência fuzzy!
Composição de Relações
µµµµP (x,y) µµµµQ (y,z)x ∈∈∈∈ X z ∈∈∈∈ Zy ∈∈∈∈ Y µµµµ P ° Q (x,z)
µµµµP (x) µµµµQ (x,z)x ∈∈∈∈ X z ∈∈∈∈ Zx ∈∈∈∈ X µµµµ P ° Q (z)
X = Y
Interpretação gráfica:
Composição de Relações• Exemplo:
x é mediamente grande E z é muito menor do que x
µµµµmg (x) = {0,3; 0,7; 1; 0,.7; 0,3}
x1
x2
x3
x4
x5
0.3 0.10.2
0.30.70.80.60.81µµµµmm (x,z) =
0.811
z1 z2 z3 z4
X = { x1, x2, x3, x4, x5} = {5, 10, 15, 20, 25}Z = {z1, z2, z3, z4} = {1, 2, 3, 4}
111
0
0.20.40.6
1
µµµµR (z) = {1/1; 0,8/2; 0,7/3; 0,6/4}Composição max-min
• •
• •26
Proposições Fuzzy• Frases da forma � é A, onde A é um conjunto
fuzzy definido no universo X de �
• Podem ser combinadas por meio de diferentes
operadores:
• conectivos lógicos e e ou
• negação: não
• operador de implicação: se .... então
• Podem ser descritas em termos de relações fuzzy
Proposições Fuzzy• Conectivos:
• e →→→→ usado com variáveis em universos diferentes
Ex: temperatura é alta e pressão é baixa
• ou →→→→ conecta valores linguísticos de uma mesmavariável
Ex: temperatura é alta ou baixa
→→→→ em sentenças do tipo se .... então, podeser usado com variáveis diferentes
Ex: se a pressão é alta ou a temperatura é baixa
Proposições Fuzzy
• Negação:
• Exemplo: pressão é não alta
{{{{ }}}} {{{{ }}}}xxAnão/xx�A AA /))(1()( µµµµ−−−−====����====
Proposições Fuzzy
• Considerem-se:
• variáveis linguísticas de nomes x e y definidas em
universos X e Y
• conjuntos fuzzy A e B definidas em X e Y
• proposições fuzzy �� ���� ���� ��
By
Ax
é
é
Proposições Fuzzy
Conexão das proposições por meio de e (interseção):
)é()é( ByeAx
relação fuzzyBeAR
norma-t (geralmente o min ou o produto)
)()(),( yxyx BAR µµµµµµµµµµµµ ∗∗∗∗====
Proposições Fuzzy
Conexão das proposições por meio de ou (união):
)é()é( ByouAx
relação fuzzyBouAR
)()(),( yxyx BAR µµµµµµµµµµµµ ⊕⊕⊕⊕====
co-norma-t (geralmente o max)
• •
• •27
Proposições Fuzzy• Exemplo:
– Quais os membros do grupo abaixo que sãoao mesmo tempo ALTOS e de MEIA-IDADE?
NOME IDADE ALTURAAbel 36 1.70
Marcelo 58 1.75Carlos 64 1.65João 32 1.78Pedro 40 1.77Tiago 22 1.60Felipe 47 1.73André 25 1.75
Proposições Fuzzy• Exemplo (continuação):
com conjuntos crisp:
Conjunto ALTO Conjunto MEIA-IDADE
3025 4035 45 50 551.651.60 1.751.70 1.80 1.85 1.90
Proposições Fuzzy• Exemplo (continuação):
Membros com idade entre 35 e 45 anos e altura maior do que 1.75m (caso crisp):
NOME IDADE fMI (x) ALTURA fALTO (y) RMI e ALTO
Abel 36 1 1.70 0 0José 58 0 1.75 1 0
Carlos 64 0 1.65 0 0João 32 0 1.78 1 0Pedro 40 1 1.77 1 1Tiago 22 0 1.60 0 0Felipe 47 0 1.73 0 0André 25 0 1.75 1 0
Proposições Fuzzy• Exemplo (continuação):
com conjuntos fuzzy:
Conjunto ALTO Conjunto MEIA-IDADE
3025 4035 45 50 551.50 1.65 1.80
11
0,5
Proposições Fuzzy
NOME IDADE µµµµMI (x) A LTURA µµµµA LTO (y ) RMI e A LTO
Ab el 36 .92 1.70 .67 .67José 58 0 1.75 .83 0
Car los 64 0 1.65 .50 0João 32 .47 1.78 .93 .47
Ped ro 40 1 1.77 .90 .90Tiag o 22 0 1.60 .33 0Fel ipe 47 .74 1.73 .77 .74A nd ré 25 .10 1.75 .83 .10
• Exemplo (continuação):
Graus de pertinência da relação “ Meia-Idade e Alto” :
min
Proposições Fuzzy• Exemplo (continuação):
– Quais os membros que são ALTOS ou de MEIA-IDADE?
Membros com idade entre 35 e 45 anos ou altura maior que 1.75m (caso crisp):
NOME IDADE fMI (x) ALTURA fALTO (y) RMI ou ALTO
Abel 36 1 1.70 0 1José 58 0 1.75 1 1
Carlos 64 0 1.65 0 0João 32 0 1.78 1 1Pedro 40 1 1.77 1 1Tiago 22 0 1.60 0 0Felipe 47 0 1.73 0 0André 25 0 1.75 1 1
• •
• •28
Proposições Fuzzy
NOME IDADE µµµµMI (x) ALTURA µµµµALTO (y) RMI ou ALTO
Abel 36 .92 1.70 .67 .67José 58 0 1.75 .83 .83
Carlos 64 0 1.65 .50 .50João 32 .47 1.78 .93 .93Pedro 40 1 1.77 .90 1Tiago 22 0 1.60 .33 .33Felipe 47 .74 1.73 .77 .77André 25 .10 1.75 .83 .83
max
• Exemplo (continuação):
Graus de pertinência da relação “ Meia-Idade ou Alto” :
Proposições FuzzyDeclaração condicional fuzzy (operação se .... então)(descreve a dependência do valor de uma variável linguística emrelação ao valor de outra)
)é()é( ByentãoAxse
relação fuzzyBAR →→→→
operador de implicação
))(),((),( yxfyx BABA µµµµµµµµµµµµ →→→→→→→→ ====
Proposições FuzzyMais de um antecedente:
relação fuzzy
)é()é(....)é()é( 2211 ByentãoAxeeAxeAxse mm
))()),(,...),(),(((),,...,,( 2121 21yxxxffyxxx BmAAAemR m
µµµµµµµµµµµµµµµµµµµµ →→→→====
operador que representa o conectivo e(geralmente min ou produto)
Proposições FuzzyCombinação de várias declarações condicionais por ou
)é()é(:
)é()é(:)é()é(:
222
111
nnn ByentãoAxseR
ouByentãoAxseRouByentãoAxseR
�
))](),((,....)),(),(()),(),(([
)],(,....),,(),,([),(
2211
21
yxfyxfyxff
yxyxyxfyx
nn
nN
BABABAou
RRRouR
µµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµµ
→→→→→→→→→→→→
========
operador que representa o conectivo ou (geralmente max)
LÓGICA FUZZY
• Regras são implicações lógicas
se x é A então y é B
a função de pertinência desta relação édefinida por meio do operador de implicação
relacionado à Lógica Proposicional
Lógica Proposicional
• Regras são formas de proposição
declaração envolvendo termos já definidos
Ex: a temperatura é alta
se temperatura é alta então diminui a vazão
• •
• •29
Lógica Proposicional
• Proposições podem ser verdadeiras ou falsas
• Proposições p e q podem ser combinadas a
partir de três operações básicas:
• conjunção
• disjunção
• implicação
Lógica Proposicional
• Conjunção: p ∧∧∧∧ q
estabelece a verdade simultânea de
duas proposições p e q
• Disjunção: p ∨∨∨∨ q
estabelece a verdade de uma ou de
ambas as proposições p e q
Lógica Proposicional
• Implicação: p �� �� q
verifica se a regra abaixo é verdadeira (V)
se p então q
antecedente consequente
Lógica ProposicionalOutras operações:
• Equivalência: p ⇔⇔⇔⇔ q
verifica se as duas proposições são
simultaneamente verdadeiras ou
simultaneamente falsas
• Negação: ~ p
para se dizer é falso que ....
Lógica Proposicional
• Proposições não relacionadas entre
si podem ser combinadas para
formar uma implicação
• Não se considera nenhuma relação
de causalidade
Lógica Proposicional
• A implicação é verdadeira quando:
• antecedente é V, consequente é V
• antecedente é F, consequente é F
• antecedente é F, consequente é V
• A implicação é falsa quando:
• antecedente é V, consequente é F
• •
• •30
Lógica Proposicional
• Tabelas Verdade:
p q p ∧∧∧∧ q p ∨∨∨∨ q p ↔↔↔↔ q p →→→→ q ~ pV V V V V V FV F F V F F FF V F V F V VF F F F V V V
Lógica Proposicional
• Axiomas Fundamentais:
• cada proposição é V ou F, mas nuncaambos
• as tabelas verdade de:�
Conjunção�
Disjunção�
Equivalência�
Implicação�
Negação
Lógica Proposicional
Exemplo:
Considere-se a declaração condicional
se eu estiver bem de saúde (p)
então irei à escola (q)
Lógica Proposicional
Situações possíveis:� p = V (estou bem de saúde)
q = V (fui à escola)
promessa cumprida →→→→ declaração verdadeira
Lógica Proposicional
Situações possíveis:� p = V (estou bem de saúde)
q = F (não fui à escola)
promessa violada →→→→ declaração falsa
Lógica Proposicional
Situações possíveis:� p = F (não estou bem de saúde)
q = V (fui à escola)
promessa (de ir à escola) cumprida →→→→ declaração verdadeira
• •
• •31
Lógica Proposicional
Situações possíveis:� p = F (não estou bem de saúde)
q = F (não fui à escola)
promessa não violada →→→→ declaração verdadeira
Lógica Proposicional
• TAUTOLOGIA:
� É uma proposição sempre verdadeira
formada a partir da combinação de
outras proposições
Lógica Proposicional
• Tautologias importantes:
(p →→→→ q) ↔↔↔↔ ~ [ p ∧∧∧∧ (~q)]
(p →→→→q) ↔↔↔↔ [(~p) ∨∨∨∨ q]
Lógica Proposicional
• Comprovação das tautologias:
(p →→→→ q) ↔↔↔↔ ~[ p ∧∧∧∧ (~q)]
p q p →→→→ q ~ q p ∧∧∧∧ (~ q) ~ [p ∧∧∧∧ (~ q)] ~ p (~ p) ∨∨∨∨ qV V V F F V F VV F F V V F F FF V V F F V V VF F V V F V V V
(p →→→→ q) ↔↔↔↔ [(~p) ∨∨∨∨ q]
Lógica Proposicional
Isomorfismos:
O isomorfismo entre a álgebra booleana, a teoria dos
conjuntos e a lógica proposicional garante que cada
teorema em qualquer uma dessas teorias tem um teorema
equivalente em cada uma das outras duas teorias
Lógica Proposicional
Equivalências importantes:
LÓGICA TEORIA DOSCONJUNTOS
ÁLGEBRABOOLEANA
∧∧∧∧ ∩∩∩∩ ××××∨∨∨∨ ∪∪∪∪ +
~ ′′′′ ′′′′V 1
F 0
↔↔↔↔ =
• •
• •32
Lógica Proposicional• Considerando
• as tautologias anteriores
• as equivalências entre lógica, teoria deconjuntos e álgebra booleana
• que, em conjuntos crisp, a função característicapode assumir apenas os valores 0 e 1
obtêm-se funções característicaspara a implicação
Lógica ProposicionalTradicional
• Tautologia 1:
(p →→→→ q) ↔↔↔↔ ~[ p ∧∧∧∧ (~q)]
)](1),([1),( yfxfminyxf qpqp −−−−−−−−====→→→→
Lógica Proposicional
• Tautologia 2:
(p →→→→ q) ↔↔↔↔ [(~p) ∨∨∨∨ q ]
)](),(1[),( yfxfmaxyxf qpqp −−−−====→→→→
Lógica Proposicional• Demonstração:
fp(x) fq(y) 1 - fp(x) 1 - fq(y) I I I
1 1 0 0 1 11 0 0 1 0 0
0 1 1 0 1 1
0 0 1 1 1 1
I
I I
)](),(1[),( yfxfmaxyxf qpqp −−−−====→→→→
)](1),([1),( yfxfminyxf qpqp −−−−−−−−====→→→→
Lógica Proposicional
• Observação: existem inúmeras outras
funções características para a
implicação, não necessariamente
fazendo uso dos operadores max e min
Lógica Proposicional
�Regras de Inferência Clássicas:
• Modus Ponens
• Modus Tollens
• •
• •33
Lógica Proposicional
• Modus ponens:
Premissa 1: x é A (p)Premissa 2: se x é A então y é B (p→→→→q)Consequência: y é B (q)
[ p ∧∧∧∧ (p →→→→ q) ] →→→→ q
Lógica Fuzzy
• Os conceitos de Lógica Fuzzy nasceram inspirados na
lógica proposicional (tradicional)
• A extensão da lógica tradicional para a Lógica Fuzzy
foi efetuada através da substituição das funções
características (bivalentes) por funções de pertinência
fuzzy
Lógica Fuzzy
• A declaração condicional
se x é A então y é B
tem uma função de pertinência
),( yxBA→→→→µµµµ
mede o grau de verdade darelação de implicação entre x e y
Lógica Fuzzy
• Exemplos de funções de implicação, obtidas
por simples extensão da lógica tradicional:
)](1),([1),( yxminyx BABA µµµµµµµµµµµµ −−−−−−−−====→→→→
)](),(1[),( yxmaxyx BABA µµµµµµµµµµµµ −−−−====→→→→
Lógica Fuzzy
• Modus ponens generalizado:
Premissa 1: x é A*
Premissa 2: se x é A então y é BConclusão: y é B*
A* e B* não são necessariamente
iguais a A e B, respectivamente
Lógica Fuzzy• Exemplo:
se homem é baixoentão homem não é bom jogador de basquete
�� ��
A = baixoB = não é bom jogador de basquete
�� ��
Premissa: homem é abaixo de 1.60m A*
Conclusão: homem é mau jogador de basquete
B*
• •
• •34
Lógica FuzzyConclusão:
• Lógica Tradicional (Crisp) �� ��
A regra é disparada somente se a premissa 1 for
exatamente igual ao antecedente, sendo que o
resultado da regra é o próprio consequente.
Lógica FuzzyConclusão:
• Lógica Fuzzy �� ��
A regra é disparada desde que exista um grau de
similaridade diferente de zero entre a premissa 1 e
o antecedente da regra, sendo que o resultado é
um consequente que tem um grau de similaridade
diferente de zero com o consequente da regra.
Interpretação do Modus Ponens Generalizado:
Lógica Fuzzy
Regra se-entãox é A* y é B*
µµµµB*(y)
µµµµA→→→→B (x,y)
µµµµP (x) µµµµQ (x,z)x ∈∈∈∈ X z ∈∈∈∈ Wx ∈∈∈∈ X
µµµµ P ° Q (z)
Composição de um conjunto fuzzy com uma relação fuzzy
O Modus Ponens Generalizado é uma composição de
relações fuzzy, onde a primeira relação é apenas um
conjunto fuzzy e a segunda é a relação de implicação.
Lógica Fuzzy
)],()([)( ** yxxsupy BAAAx
B →→→→∈∈∈∈
∗∗∗∗====∗∗∗∗
µµµµµµµµµµµµ
Exemplo:
• dada a relação de implicação:
• e dois conjuntos A e B, em universos discretos e finitosX e Y, com funções de pertinência:
Lógica Fuzzy
)](),(1[),( yxmaxyx BABA µµµµµµµµµµµµ −−−−====→→→→ • obtém-se:
Lógica Fuzzy
�� ���� ���� ���� ���� ��
�� ���� ���� ���� ���� ��
�� ��
====→→→→
111116,06,018,06,0
05,018,03,03,05,018,03,08,08,018,08,0
11111
),( yxBAµµµµ
{{{{ }}}}{{{{ }}}}0;5,0;1;8,0;3,0)(
0;4,0;1;7,0;2,0;0)(
====
====
y
x
B
A
µµµµ
µµµµ
• •
• •35
• dado um conjunto A* definido por:
• e utilizando o min para a norma-t em:
(universos discretos e finitos: sup →→→→ max)
Lógica Fuzzy
{{{{ }}}}2,0;7,0;1;8,0;3,0;0)( ====∗∗∗∗ xA
µµµµ
)],()([)( ** yxxmaxy BAAAx
B →→→→∈∈∈∈
∗∗∗∗====∗∗∗∗
µµµµµµµµµµµµ
• tem-se
Lógica Fuzzy
{{{{ }}}}6,0;6,0;1;8,0;6,0
);12,0;6,07,0;01;3,08,0;8,03,0;10(
);12,0;6,07,0;5,01;5,08,0;8,03,0;10(
);12,0;17,0;11;18,0;13,0;10(
);12,0;8,07,0;8,01;8,08,0;8,03,0;10(
);12,0;6,07,0;3,01;3,08,0;8,03,0;10(
)(
====
�� ���� ���� ��
�� ��
�� �� �� ���� ��
�� ��
�� ��
�� ���� ���� ��
�� ��
�� �� �� ���� ��
�� ��
�� ��
∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧
∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧∧
====∗∗∗∗
max
max
max
max
max
y�B
{{{{ }}}}2,0;7,0;1;8,0;3,0;0)( ====∗∗∗∗ xA
µµµµ
�� ���� ���� ���� ���� ��
�� ���� ���� ���� ���� ��
�� ��
====→→→→
111116,06,018,06,0
05,018,03,03,05,018,03,08,08,018,08,0
11111
),( yxBAµµµµ
Supondo que a entrada A* do sistema seja precisa
(não-fuzzy):
A* é um singleton
Lógica Fuzzy
�� ���� ���� ��
∈∈∈∈====
====Xx
xxx
A outro todo para0
'para1)(*µµµµ
Como x ≠≠≠≠ 0 apenas no ponto x’, o sup torna-se
desnecessário
Lógica Fuzzy
),'(
)],'(1[
)],'()'([)( **
yx
yx
yxxy
BA
BA
BAAB
→→→→
→→→→
→→→→
====∗∗∗∗====
∗∗∗∗====
µµµµµµµµ
µµµµµµµµµµµµ
LÓGICA FUZZY
• Exemplo: considere-se a implicação
e conjuntos A e B representados por funções de
pertinência triangulares, em universos contínuos
)](1),([1),( yxminyx BABA µµµµµµµµµµµµ −−−−−−−−====→→→→
LÓGICA FUZZY
Para uma entrada singleton x’, o consequente B* serádado por:
Graficamente, o procedimento consiste em:
)](1),'([1)(* yxminy BABµµµµµµµµµµµµ −−−−−−−−====
• •
• •36
Lógica Fuzzy
x
µµµµ
x'
A*1 •
Lógica Fuzzy
Regra (implicação): se A então B
yx
µµµµ
1 µµµµA (x)
µµµµ
1 µµµµB (y)
Lógica FuzzyOperações (passo a passo):observando que µµµµA (x' ) < 1
y
1-µµµµB (y)
y
µµµµ
1µµµµA (x' )
min [µµµµA (x' ), 1-µµµµB (y)]
µµµµ
1
Lógica Fuzzy
Resultado final (consequente):
y
µµµµ
1 )(* yB
µµµµ
Lógica Fuzzy
• Observa-se que o resultado de uma regra específica, cujo
consequente é associado a um conjunto fuzzy com
suporte finito, é um conjunto fuzzy com suporte infinito
• Este comportamento, que é observado também para
outras implicações, viola o senso comum, de importância
em aplicações em engenharia
foram definidas implicações que não violassem o sensocomum : min e produto [Mamdani e Larsen → → → → Controle],mesmo rompendo o vínculo com a lógica proposicional
Lógica FuzzyRefazendo o exemplo com essas implicações:
y
y
y
grau de ativaçãoda regra
x
µµµµ1 µµµµA (x)
x'
µµµµ1 µµµµB (y)min
)(* yB
µµµµ
produto
µµµµ
1 µµµµB (y)
)(* yB
µµµµ
• •
• •37
Lógica Fuzzy• Com estas implicações, chamadas de implicações de
engenharia [Mendel], observa-se que:
– o conjunto fuzzy resultante está diretamente associado
ao consequente da regra.
– não existe mais o patamar (suporte infinito)
• Outros operadores também são usados para implicaçãogeralmente normas-t
y
Lógica Fuzzy• Quanto aos demais operadores, utilizam-se, geralmente:
• conectivo e ( fe ) normas-t
• conectivo ou ( fou ) co-normas-t
• norma-t no modus ponens generalizado min
y
regra de inferência max-min
SISTEMA DE INFERÊNCIA FUZZY
REGRAS
INFERÊNCIA
FUZZIFICAÇÃO DEFUZZIFICAÇÃOX y
• Mapeia conjuntos fuzzy em conjuntos fuzzy• Determina como as regras são ativadas e combinadas
Conjuntosfuzzy deentrada
Conjunto fuzzyde saída
Fornecidas por especialistas ouextraídas de dados numéricos
Para ativaras regras
Para fornecer asaída precisa
Entradasprecisas
Saídaprecisa
• Fuzzificação: mapeamento de dados precisos para
os conjuntos fuzzy (de entrada)
• Defuzzificação: interpretação do conjunto fuzzy desaída
y
SISTEMA DE INFERÊNCIA FUZZY
o processo de defuzzificação produz umasaída precisa, a partir do conjunto fuzzy desaída obtido pelo sistema de inferência
DEFUZZIFICAÇÃO
• Existem vários métodos diferentes
• Os mais utilizados são:– Máximo
– Média dos Máximos
– Centróide (ou Centro de Gravidade)
– Altura
– Altura Modificada
DEFUZZIFICAÇÃO• Máximo: examina-se o conjunto fuzzy de
saída e escolhe-se, como valor preciso, o valorno universo da variável de saída para o qual ograu de pertinência é o máximo
10 20 30 40
B2 B3
10 20 30 40
B2 B3
Qual valor escolher se omáximo for uma faixa?
O valor máximo é o limite superiordo Universo de Discurso!!
• •
• •38
DEFUZZIFICAÇÃO• Média dos máximos: a saída precisa é obtida
tomando-se a média entre os dois elementosextremos no universo que correspondem aosmaiores valores da função de pertinência doconjunto fuzzy de saída
B1 B2
10 20 30 40
B2 B3
y1 y2
(y1+y2)/2
O valor preciso é o limite superiordo Universo de Discurso!!
O valor preciso possui grau depertinência igual a ZERO!!
DEFUZZIFICAÇÃO• Centróide: a saída precisa ( yC ) é o valor no
universo que corresponde ao centro de
gravidade do conjunto fuzzy (B)
Problema: dificuldade no cálculo!
�� ���� ��====
dyy
dyyyy
B
B
C)(
)(
µµµµ
µµµµ
�� ���� ��====
)(
)(
iB
iBiC y
yyy
µµµµµµµµ
Contínuo Discreto
DEFUZZIFICAÇÃO• Altura: calcula-se
�� ���� ��====
l
lB
l
l
B
l
h y
yyy
l
l
)(
)(
µµµµµµµµ
yl: valor no universo correspondente ao centro de
gravidade do conjunto fuzzy Bl, associado ao
grau de ativação da regra Rl
DEFUZZIFICAÇÃO• Altura (continuação)
• Método simples o valor no universo quecorresponde ao centro de gravidade das funções depertinência mais comuns é conhecido a priori:
• Triangular (simétrica) ���� corresponde ao ápice do triângulo
• Guassiana ���� corresponde ao centro da função
• Trapezoidal (simétrica) ���� corresponde ao ponto médio dosuporte
• Problemas:• só utiliza o centro do suporte da função de pertinência do
consequente• qualquer que seja a largura da função de pertinência, fornece
o mesmo resultado!
DEFUZZIFICAÇÃO• Altura modificada: calcula-se
�� ���� ��====
l
llB
l
ll
B
l
mh y
yyy
l
l
2
2
)/()(
)/()(
δδδδµµµµδδδδµµµµ
δδδδ l: medida da extensão do suporte do consequente
da Regra Rl
funções de pertinência triangulares e trapezoidais suporte do conjunto.
funções de pertinência gaussianas desvio padrão
•
•
Exemplo: Estacionamento de um veículo
ponto de parada
φφφφ
x
θθθθ
x: central (CE)
φφφφ = 90 o ou vertical (VE)
SISTEMA DE INFERÊNCIA FUZZY
• •
• •39
SISTEMA DE INFERÊNCIA FUZZY
Regra: se (x é LE) e (φφφφ é RB) então (θθθθ é PS)
LE LC CE RC RIRB PS PM PM PB PBRU NS PS PM PB PBRV NM NS PS PM PBVE NM NM ZE PM PMLV NB NM NS PS PMLU NB NB NM NS PSLB NB NB NM NM NS
φφφφx
SISTEMA DE INFERÊNCIA FUZZYConjuntos fuzzy:
Entradas precisas: x = 47,5m φφφφ = 99°
.6
.4
.7
.2
SISTEMA DE INFERÊNCIA FUZZY
LE LC CE RC RIRB PS PM PM PB PBRU NS PS PM PB PBRV NM NS PS PM PBVE NM NM ZE PM PMLV NB NM NS PS PMLU NB NB NM NS PSLB NB NB NM NM NS
φφφφ xOperadores considerados neste exemplo:
• conectivo e ( fe ) min
• implicação min
• norma-t no modus ponens generalizado min
• conectivo ou ( fou ) max
SISTEMA DE INFERÊNCIA FUZZY
Dois antecedentes:
SISTEMA DE INFERÊNCIA FUZZY
)())'()'(()(21
* θθθθµµµµφφφφµµµµµµµµθθθθµµµµ BAABx ∧∧∧∧∧∧∧∧====
)(2,0)()2,06,0()())'()'(()(
)(6,0)()7,06,0()())'()'(()(
)(2,0)()2,04,0()())'()'(()(
)(4,0)()7,04,0()())'()'(()(
*
*
*
*
θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ
θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ
θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ
θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ
NSNSNSLVCENS
ZEZEZEVECEZE
NMNMNMLVLCNM
NMNMNMVELCNM
x
x
x
x
∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
Para cada uma das regras ativadas, tem-se:(cf. figuras a seguir)
SISTEMA DE INFERÊNCIA FUZZY
LE LC CE RC RIRB PS PM PM PB PBRU NS PS PM PB PBRV NM NS PS PM PBVE NM NM ZE PM PMLV NB NM NS PS PMLU NB NB NM NS PSLB NB NB NM NM NS
φφφφ x .4
.7
.4
)(4,0)()7,04,0()())'()'(()(* θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ NMNMNMVELCNMx ∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
• •
• •40
SISTEMA DE INFERÊNCIA FUZZY)(6,0)()7,06,0()())'()'(()(* θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ ZEZEZEVECEZE
x ∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
LE LC CE RC RIRB PS PM PM PB PBRU NS PS PM PB PBRV NM NS PS PM PBVE NM NM ZE PM PMLV NB NM NS PS PMLU NB NB NM NS PSLB NB NB NM NM NS
φφφφ x
.7
.6
.6
SISTEMA DE INFERÊNCIA FUZZY)(2,0)()2,06,0()())'()'(()(* θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ NSNSNSLVCENS
x ∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
LE LC CE RC RIRB PS PM PM PB PBRU NS PS PM PB PBRV NM NS PS PM PBVE NM NM ZE PM PMLV NB NM NS PS PMLU NB NB NM NS PSLB NB NB NM NM NS
φφφφ x
.2
.6
.2
SISTEMA DE INFERÊNCIA FUZZY
.4
.2
.2
)(2,0)()2,04,0()())'()'(()(* θθθθµµµµθθθθµµµµθθθθµµµµφφφφµµµµµµµµθθθθµµµµ NMNMNMLVLCNMx ∧∧∧∧====∧∧∧∧∧∧∧∧====∧∧∧∧∧∧∧∧====
LE LC CE RC RIRB PS PM PM PB PBRU NS PS PM PB PBRV NM NS PS PM PBVE NM NM ZE PM PMLV NB NM NS PS PMLU NB NB NM NS PSLB NB NB NM NM NS
φφφφx
União dos consequentes de cada regra
SISTEMA DE INFERÊNCIA FUZZY
.4
.6
.2
.4
.6
.2
Defuzzificação:
SISTEMA DE INFERÊNCIA FUZZY
.4
.6
.2
COG MOM
considera somente as regrascom o maior grau de ativação
considera todas as regras
forma dos conjuntos é importante
Número de conjuntos (ou de funções depertinência) dos antecedentes
SISTEMA DE INFERÊNCIA FUZZY
Número de regras possíveis(5 x 7 = 35, no exemplo)
muitos conjuntos
• dificuldade na construção dabase de regras
• maior custo computacional• menor interpretabilidade
(linguística)
• •
• •41
Formas das funções de pertinência
SISTEMA DE INFERÊNCIA FUZZY
• arbitrárias, de início• ajustadas de acordo com o desempenho
sistemas neuro-fuzzy e fuzzy-genéticos
Conclusão ���� o desempenho de um sistema
fuzzy é afetado por:
• base de regras
• número e forma dos conjuntos fuzzy
• operador de implicação
• método de defuzzificação
SISTEMA DE INFERÊNCIA FUZZY
Números Fuzzy: conjuntos fuzzy definidos no
conjunto dos números reais
COMENTÁRIOS
Aritmética Fuzzy
base do Raciocínio Aproximado
Aplicações em:• Programação Linear Fuzzy• Previsão• Planejamento
Outros Sistemas de Inferência Fuzzy
COMENTÁRIOS
Regra 1
Regra 2
Tsukamoto ���� se x é A e y é B então z é C monotônica
Outros Sistemas de Inferência Fuzzy
COMENTÁRIOS
Takagi-Sugeno-(Kang) ���� se x é A e y é Bentão z = f(x,y)
Regra 1
Regra 2
Áreas de aplicação de Sistemas Fuzzy e Híbridos:(bibliografia abundante)
• Controle (NEFCON)
• Classificação (NEFCLASS)
• Aproximação de Funções (NEFPROX)
• Previsão de Séries (extração automática de regras)
• Fuzzy clustering
• etc.
COMENTÁRIOS