Professional Documents
Culture Documents
Especialistas
n
n
Lgica Fuzzy:
n
Mrio alto
n A proposio verdadeira para uma altura de Mario 1.65m ?
n
...mais ou menos....
n
n
Anlise de dados
Construo de sistemas especialistas
Controle e otimizao
Reconhecimento de padres, etc.
Conjunto Clssico
1.0
Conjunto Fuzzy
1.0
.9
.8
Funo de
pertinncia
.5
1.75
Altura
(m)
Altura
(m)
n
n
Definio formal
n
A = {( x, A ( x)) | x X }
Conjunto
fuzzy
Funo de
pertinncia
(MF)
Universo ou
Universo de discurso
Funo de pertinncia
n
n
n
Funo de Pertinncia
n
n
n
Medidas subjetivas
Funes no probabilsticas monotonicamente crescentes, decrescentes
ou subdividida em parte crescente e parte decrescente.
!alto no Brasil
MFs
.8
.5
.1
!alto na Itlia
1.75
Altura (m)
Funo de Pertinncia
n
Funo Triangular
x a c x
trimf ( x ; a , b , c ) = max min
,
, 0
b a c b
Funo Trapezoidal
d x
x a
, 1,
, 0
b a
d c
Funo Gaussiana
gaussmf ( x; a, b, c) = e
gbellmf ( x ; a , b , c ) =
1 x c
x c
1+
b
2b
Funo de Pertinncia
(b) Trapezoidal
Grau de Pertinncia"
Grau de Pertinncia"
(a) Triangular
1
0.8
0.6
0.4
0.2
0
20
40
60
80
1
0.8
0.6
0.4
0.2
0
100
1
0.8
0.6
0.4
0.2
0
20
40
60
40
60
80
100
80
100
Grau de Pertinncia"
Grau de Pertinncia
(c) Gaussiana
20
80
100
1
0.8
0.6
0.4
0.2
0
20
40
60
ordenado)
n
C = Cidade desejvel para se viver
n
C = {(SF, 0.9), (Boston, 0.8), (LA, 0.6)}
Grau de Pertinncia
0.8
n
0.6
X = {0, 1, 2, 3, 4, 5, 6} (discreto)
n
0.4
0.2
0
0
2
X = Nmero de filhos
A = Nmero de filhos
A = {(0, .1), (1, .3), (2, .7), (3, 1), (4, .6),
(5, .2), (6, .1)}
Grau de Pertinncia
1
0.8
0.6
0.4
n
0.2
0
0
50
100
X = Idade
B(x) =
1
x 50
1 +
10
B = {(x,
B(x)
)| x em X}
Partio Fuzzy
Grau de Pertinncia
1.2
Jovem
Maduro
Idoso
1
0.8
0.6
0.4
0.2
0
10
20
30
40
50
X = Idade
60
70
80
90
Variveis Lingsticas
n
n
n
Idade = idoso
Hedges (modificadores)
n
n
n
n
So universais
Compostos de nome e frmula
Muito: M ( x) = ( x) 2
A
Extremamente
M
A
( x) = ( A ( x))
M
A
Muito muito
( x) = ( A ( x) )
Um pouco
M
A
( x) = ( A ( x))
Mais ou menos
Indeed
M
A
1, 3
M
A
( x) = A ( x)
2
( x) = 2 * ( A ( x)) ,0 0,5
M
A
Operaes Bsicas
n
n
n
n
Subconjunto
Igualdade
Complemento
Complemento
Relativo
Unio
Interseo
C = A(x) B(x)
C = A(x) B(x)
Representao
(a) Conjuntos Fuzzy A e B
Grau de Pertinncia
A est contido em B
1
0.8
0.6
0.4
B
A
1
0.8
0.6
0.4
0.2
0
1
0.8
0.6
0.4
0.2
0
0.2
0
1
0.8
0.6
0.4
0.2
0
Exemplo (Unio|Interseo)
n
X = {a, b, c, d, e}
n
n
Propriedades
n
Comutatividade
n
AA=A
AA=A
Associatividade
n
AB=BA
Idempotncia
n
AB=BA
A (B C) = (A B) C = A B C
A (B C) = (A B) C = A B C
Distributividade
n
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
Regras Fuzzy
Consistem:
n
n
n
Conjunto de condies IF
(usando conectivos and, or ou not)
Uma concluso THEN
Uma concluso opcional ELSE
Exemplo:
Velocidade [0,220]
1.
Se velocidade > 100
Ento DPP 30 metros
2.
Se velocidade < 40
Ento DPP 10 metros
1.
2.
Regras Fuzzy
n
E o raciocnio?
n
n
n
n
Avaliar o antecedente
Aplicar o resultado ao conseqente
As regras so ativadas parcialmente, dependendo do antecedente
Ex: Se a altura alta, o peso pesado (altura =1.85, peso = ?)
Alto
Pesado
.75
.75
.5
.5
.1
.1
1.85
90
Regras Fuzzy
n
Nvel
Lingustico
Inferncia
Variveis de Comando
(Valores Lingusticos)
Fuzzificao
Defuzzificao
Nvel
Numrico
Variveis Calculadas
(Valores Numricos)
Objecto
Variveis de Comando
(Valores Numricos)
Fuzzificao
n
Anlise do Problema
Definio das Variveis
Definio das Funes de pertinncia
Criao das Regies
Fuzzificao
TRIANGULAR
TRAPEZOIDAL
Lento Rpido
Inferncia Fuzzy
n
Engloba:
n
n
n
Inferncia Fuzzy
n
AGREGRAO
n
COMPOSIO
n
Defuzzificao
n
Centride
First-of-Maxima
Middle-of-Maxima
Critrio Mximo
Defuzzificao
Exemplos:
z0
Centride
z0
First-of-Maxima
z0
Critrio Mximo
Objetivo do sistema:
n
n
1.
2.
3.
Base de conhecimento
Se dinheiro adequado ou
pessoal pequeno ento risco
pequeno
Se dinheiro mdio e pessoal
alto, ento risco normal
Se dinheiro inadequado,
ento risco alto
Passo 1: Fuzzificar
Dinheiro
Pessoal
.75
.8
.25
.2
35
Inadequado
Adequado
Mdio
i (d ) = 0,25 & m (d ) = 0,75
60
Baixo
Alto
Regra 1:
Ou mximo e mnimo
0,2
Adequado
0,0
ou
Baixo
Regra 2:
Risco
0,8
mdio
Risco
0,25
e
Alto
Inferncia Fuzzy
Regra 3:
Risco
0,75
Inadequado
Inferncia Fuzzy
n
Passo 3: Defuzzificao
Risco
0,75
0,25
10 20 30 40 50 60 70 80 90 100
C=
(10 + 20 + 30 + 40) * 0,2 + (50 + 60 + 70) * 0,25 + (80 + 90 + 100) * 0,75 267,5
=
= 70,4
0,2 + 0,2 + 0,2 + 0,2 + 0,25 + 0,25 + 0,25 + 0,75 + 0,75 + 0,75
3,8
Inferncia Fuzzy
n
O mtodo de Sugeno
n
n
n
n
Igual ao Mandani
Conseqente Singleton
Computacionalmente eficaz
Mais utilizado em otimizao e adaptao (controle de
sistemas