Logica fuzzy Conceitos e Aplicações

13.532 visualizações

Publicada em

1 comentário
6 gostaram
Estatísticas
Notas
Sem downloads
Visualizações
Visualizações totais
13.532
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
327
Comentários
1
Gostaram
6
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Logica fuzzy Conceitos e Aplicações

  1. 1. Logica Fuzzy Conceitos e Aplicações 
  2. 2. • Software Craftsman • Software Developer TRE-AL • Graduando Sistemas de Informação @t oni_esteves • Software Developer IFAL • Graduando Sistemas de Informação Wellison Souza
  3. 3. Lógica Fuzzy 
  4. 4. Definição A Lógica Fuzzy (também chamada de lógica multivalorada) foi primeiramente introduzida em 1930 pelo filósofo e lógico polonês Jan Lukasiewicz. Através do estudo de termos do tipo alto, velho e quente, ele propôs a utilização de um intervalo de valores [0,1] que indicaria a possibilidade que uma declaração fosse verdadeira ou falsa. Em 1937, o filósofo Max Black propôs a idéia de que continuidade descrevia graus.
  5. 5. Definição Embora o transformador esteja um pouco carregado, pode‐se utilizá‐lo por um tempo….
  6. 6. Definição Uma maneira de tentar solucionar o processo de representação de conhecimento impreciso é através da Lógica Fuzzy. A Lógica Fuzzy tem como principal objetivo a modelagem computacional do raciocínio humano, impreciso, ambíguo e vago.
  7. 7. Lógica Convencional Vs. Lógica Fuzzy A teoria clássica de conjuntos permite o tratamento de classes de objetos e suas interrelações em um universo definido. Nessa teoria, a pertinência de um dado elemento com relação a um conjunto refere-se ao fato de tal elemento pertencer ou não a esse conjunto.
  8. 8. Lógica Convencional Vs. Lógica Fuzzy Ao contrário da Lógica convencional, a Lógica Fuzzy utiliza a idéia de que todas as coisas admitem (temperatura, altura, velocidade, etc.) graus de pertinências. Com isso, a Lógica Fuzzy tenta modelar o senso de palavras, tomada de decisão ou senso comum do ser humano.
  9. 9. Lógica Convencional Vs. Lógica Fuzzy
  10. 10. Conjuntos Fuzzy 
  11. 11. Teoria dos Conjuntos Pode-se concluir que os conjuntos fuzzy, que classificam os elementos de um dado universo, são menos rígidos do que aqueles utilizados na teoria clássica visto que eles admitem graus parciais de pertinência.
  12. 12. Teoria dos Conjuntos O primeiro passo na representação de conjuntos fuzzy é a escolha da função de pertinência. A escolha dessa função depende do problema a ser modelado e também da capacidade computacional disponível para processar o que se deseja. Funções não-lineares podem ser mais eficientes para problemas mais complicados, porém, elas demandam um poder computacional muito maior do que as funções
  13. 13. Regras Fuzzy 
  14. 14. Regras As regras fuzzy são regras normais utilizadas para operar, da maneira correta, conjuntos fuzzy, com o intuito de obter consequentes. Para criar tais regras é preciso de um raciocínio coerente com o que se deseja manusear e obter. Para isso, este raciocínio deve ser dividido em duas etapas: (1) avaliar o antecedente da regra e (2) aplicar o resultado no consequente.
  15. 15. Regras Considerando a sentença : se x é alto, então x é pesado
  16. 16. Regras Seguindo os passos 1 e 2 acima, tem-se que para x = 1,70m, deve-se, primeiramente, verificar o grau de pertinência da entrada para o conjunto ao qual se encaixa, alto, que é, para este caso, μ(x) = 0.5. Como o grau de pertinência da entrada x é tal, então se deve passar este valor de pertinência para um y = 80 kg (por exemplo), pertencente ao conjunto pesado.
  17. 17. Inferência Fuzzy 
  18. 18. Processo de Avaliação Avaliaçã o Regras de Entrada +de regras Conjunto Através previamente definidas + Conclusõe Obter s 
  19. 19. Processo de Avaliação • Modelos de Inferência; • Tipo de Problema; • Mamdami;
  20. 20. Inferência Fuzzy (difusa) Estilo Mandami • Professor Ebrahim Mamdani da Universidade de Londres (Reino Unido) em 1975 ; • Baseando-se em regras de conjunto Fuzzy, com intuito de representar experiêrncias da vida real; • Definiu um processo de raciocinio dividido em 4 passos
  21. 21. 1º - Fuzzyficação Essa etapa obtém o grau de pertinência com que cada entrada pertence a cada conjunto fuzzy. Cada uma dessas entradas foi previamente limitada no universo de discurso em questão e associada a um grau de pertinência em cada conjunto fuzzy através do conhecimento do especialista. Então para obter o grau de pertinência de uma determinada entrada crisp basta buscar esse valor na base de conhecimento do sistema fuzzy.
  22. 22. 1º - Fuzzyficação
  23. 23. 2º - Avaliação das regras Depois de obter as entradas fuzzyficadas é só aplicá-las nos antecedentes obtendo assim o valor do consequente para cada regra Depois de obter um único valor para o antecedente é necessário obter o valor do consequente através de um método de correlação dos mesmos.
  24. 24. 2º - Avaliação das regras
  25. 25. 3º - Agregação das regras Nessa etapa são agregadas todas as funções membro dos consequentes de cada regra em um único conjunto fuzzy.
  26. 26. 4º - Defuzzyficação Para se obter uma saída numérica é necessário defuzzyficar a saída obtida na etapa anterior. O método de defuzzyficação mais comum é a técnica do centróide, que obtém o ponto onde uma linha vertical divide ao meio um conjunto agregado.
  27. 27. Aplicações 
  28. 28. Domínios de Aplicação Em muitos problemas reais, a imprecisão dos dados e a incerteza do conhecimento são, parte do problema em si É no campo da Inteligência Artificial onde a Lógica Fuzzy coloca-se como o principal instrumento para uma representação mais adequada do conhecimento
  29. 29. Domínios de Aplicação • • • • • • • • Sistemas especialistas; Sistemas multiagentes; Reconhecimento de padrões; Robótica; Sistemas de controle inteligentes; Sistemas de apoio à tomada de decisão; Algoritmos genéticos; Data mining.
  30. 30. Considerações 
  31. 31. Vantagens • Capacidade de lidar com incertezas; • Capacidade de lidar com raciocínio aproximado; • Capacidade de lidar com termos vagos e ambíguos • Procura representar o conhecimento humano de forma mais realista possivel;
  32. 32. Desvantagens • Estabilidade; • Incapacidade de aprendizagem; • Dificuldade em definir funções de pertinencia e regras fuzzy; • Requer testes extensivos para validação e verificação
  33. 33.  Referências:  ftp://ftp.dca.fee.unicamp.br/pub/docs/gudwin/publications/ ifsa95.pdf  http://www.cos.ufrj.br/~mario/logica/logicaFuzzy.pdf  http://www.pucsp.br/~logica/Fuzzy.htm

×