(Anotações) Sistemas Inteligentes

Centro Universitrio Salesiano
Campus So Jos
Campinas
Sumrio
08 de Agosto de 2013.................................................................................................................. 2
09 de Agosto de 2013.................................................................................................................. 3
15 de Agosto de 2013.................................................................................................................. 4
16 de Agosto de 2013.................................................................................................................. 7
22 de Agosto de 2013.................................................................................................................. 9
23 de Agosto de 2013................................................................................................................ 11
29 de Agosto de 2013................................................................................................................ 14
29 de Agosto de 2013................................................................................................................ 24
26 de Setembro de 2013............................................................................................................ 25
29 de Agosto de 2013................................................................................................................ 26
17 de Outubro de 2013.............................................................................................................. 33
24 de Outubro de 2013.............................................................................................................. 38
2013

Campus So Jos
Campinas
08 de Agosto de 2013
Tags: #referncias #introduo
Referncias:
1. Russel, S.; "Inteligncia Artificial", Ed. Campos, 2006
2. Haykin, S.; "Redes Neurais", Ed. Bookman, 2004
3. S. O. Rezende; "Sistemas Inteligentes: Fundamentos e Aplicaes", Ed. Manole, 2006
4. Simes, M. G. "Controle e modelagem Fuzzy", Ed. Edgard Blucher, 2000.
Introduo:
Sistemas Inteligentes so sistemas que procuram imitar o raciocnio humano utilizando
conhecimentos heursticos.
Exemplos:
Sistemas Embarcados
Sistemas Inteligentes em Robtica
Dispositivos Eletrnicos
Outros
Inteligncia Artificial: Diferenciam-se na forma como representam o comportamento

humano.
Lgica Fuzzy
Redes Neurais Artificiais (RNA)
Sistemas Especialistas
Introduo Lgica Fuzzy:

A Lgica clssica utiliza apenas dois estados possveis: Verdadeiro ou falso. A lgica Fuzzy,
no entanto, permite representar estados intermedirios.
2013

Campus So Jos
Campinas
Tags: #conjuntos, #funes, #pertinncia
Lgica Fuzzy a metodologia que utiliza termos lingusticos para apresentar as leis
operacionais de um sistema. Foi definida por Lofti Zadeh da universidade de Berkely na
Califrnia em 1965.
Tanto a Lgica Clssica como a Lgica Fuzzy tem como base a teoria dos conjuntos:
A={5,10,20,15,1}
Do conjunto A podemos concluir que:
25 No pertence a A ;
20 Pertence a A ;
Na lgica clssica esses so os nicos dois estados possveis para um elemento, ele apenas
pode pertencer ou no pertencer a um determinado conjunto, porm, na lgica Fuzzy essa
situao muda:
T=120
Alta (70%)
Mdia (30%)
Baixa (0%)
Na lgica Fuzzy, a cada valor do universo de discurso, so atribudos diferentes graus de

pertinncia em cada um dos termos lingusticos utilizados. Cada termo lingustico
representado por um conjunto Fuzzy.
Valores de universo de discurso so valores numricos atribudos as variveis (no caso
acima,120).
Termos lingusticos so as classes (Alta, Mdia, Baixa).
Graus de pertinncia so as porcentagens (70, 30 e 0%).
Matematicamente isso feito atravs de Funes de Pertinncia, que so funes
definidas para cada conjunto Fuzzy e que transformam um valor do universo de discurso x da
varivel medida em um grau de participao (ou pertinncia) no intervalo fechado de [0,1];
As funes matemticas que definem os conjuntos Fuzzy so definidas pelo programador de
forma a cobrir com sobreposio em formato de fade out perfeito sem deixar sobreposies
acima de 100% ou falhas de 0% em todos os conjuntos.
2013

Campus So Jos
Campinas
Tags: #conjuntos, #funes
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
50
100
150
200
Ilustrao 1: Grfico das funes Fuzzy
Tipos de funes de pertinncia:
Funo tipo z
Sua forma se assemelha a uma Z, como a funo Baixa da Ilustrao 1
Funo tipo
Sua forma assemelha-se ao pi grego, com subida, patamar e descida
Funo tipo
Sua forma assemelha-se ao lambda grego, como a funo Mdia da Ilustrao 1
Funo tipo s
Sua forma se assemelha um S, como a funo Alta da Ilustrao 1

Outras:
Funes Gaussianas.
2013

Campus So Jos
Campinas
Teoria dos Conjuntos

Lgica Clssica:
U = {2,-1,4,15,6,11,1} Universo de Discurso
A = {2,15,1} Conjunto A
B = {15,6,11,-1} Conjunto B
A U A subconjunto de U
B U B subconjunto de U
Unio de conjuntos (or):
A B = {2,15,1,6,11,-1}
Interseco (and):
A B = {15}
Complemento ou Negao (not):
|A = {-1, 4, 6, 11}
|B = {2,4,1}
A |A = U
A |A =
2013

Campus So Jos
Campinas
Lgica Fuzzy:
Unio de conjuntos Fuzzy:
A operao de unio representada em conjuntos Fuzzy pelo operador Max que significa
valor mximo.
MAX (0,1;0,4;0,3;0,25) = 0,4
A B = MAX (A(x);B(x))
Para x = 70C:
Baixa(70) = 0,6
Mdia(70) = 0,4
MAX (Baixa(70), Mdia(70))
MAX (0,6, 0,4) = 0,6
2013

Campus So Jos
Campinas
Tags: #conjuntos, #inferncia
1,2
1
0,8
A
B
A B
0,6
0,4
0,2
0
0
10
15
17
20
25
30
35
Ilustrao 2: Representao grfica da unio de conjuntos Fuzzy
Interseco de conjuntos Fuzzy:

A interseco de conjuntos Fuzzy representado pelo operador MIN que significa valor
mnimo.
MIN (0,1;0,4;0,3;0,25) = 0,1
A B = MIN (A(x);B(x))
1,2
1
0,8
A
B
AB
0,6
0,4
0,2
0
0
10
15
17
20
25
30
35
Ilustrao 3: Representao grfica da interseco de conjuntos Fuzzy
2013

Campus So Jos
Campinas
Complemento ou negao de conjuntos Fuzzy:

O complemento de um conjunto Fuzzy A qualquer, representado por |A e definido como
segue:
|A(x) = 1 - A(x)
1,2
1
0,8
Mdio
|Mdio
0,6
0,4
0,2
0
0
10
15
20
Ilustrao 4: Grfico representativo da negao do conjunto

"Mdio"
Exemplo:
Determine o grau de pertinncia das expresses lgicas abaixo, considerando um valor de
temperatura de 70C e as funes de pertinncia dos conjuntos Baixa, Mdia e Alta
representados nos exemplos de aula (vide 15 de Agosto de 2013).
1. NOT (Temp Baixa OR Temp Alta) = NOT (max(0,6;0,4)) = NOT(0,6) = 0,4
2. (Temp Baixa AND NOT Temp Alta) = min(0,6;NOT 0,0) = min(0,6;1,0) = 0,6
2013

Campus So Jos
Campinas
Tags: #inferncia
Exercicios:
1. Para a funo de pertinncia (x) definido por:
x/5; se 0x<5;
(10-x)/5; se 5x10
a) Represente graficamente a funo (x);

b) Determine o valor das expresses lgicas abaixo:
1. (A) = ((3,5) & ((7,0) | (4,0))) | !(8,5));
2. (A) = !(6,0) & ((4,5) | !(2,5)) & (5,5);
Resoluo:
Como nesse caso foi dada a equao da reta, precisamos obter o grfico da mesma, nesse caso,
basta substituirmos valores nas equaes afim de traar as retas:
(0), x/5 = 0/5 = 0;
(5), (10-x)/5 = (10-5)/5 = 1;
(10), (10-x)/5 = (10-10)/5 = 0;
1,2
1
0,8
0,6
(x)
0,4
0,2
0
0
10
Ilustrao 5: Grfico representativo da negao do conjunto

"Mdio"
2013

Campus So Jos
Campinas
Sabendo ento, do comportamento da funo, podemos resolver as expresses lgicas,

comeando por substituir os termos por valores numricos:
1. (A) = ((3,5) & ((7,0) | (4,0))) | !(8,5));
(3,5) = x/5 = 3,5/5 = 0,7
(4,0) = x/5 = 4,0/5 = 0,8
(7,0) = (10-x)/5 = (10-7)/5 = 3/5 = 0,6
(8,5) = (10-x)/5 = (10-8,5)/5 = 1,5/5 = 0,3
(A) = ((3,5) & ((7,0) | (4,0))) | !(8,5));
(A) = (0,7 & (0,6 | 0,8)) | !0,3);
Sabendo que:
MIN() = &
MAX() = |
NOT() = ! = 1-(x)
(A) = (0,7 & (0,6 | 0,8)) | !0,3);

(A) = (0,7 & 0,8) | !0,3);
(A) = (0,7 | !0,3);
(A) = (0,7 | 0,7);
(A) = 0,7;
2. (A) = !(6,0) & (4,5) | !(2,5)) & (5,5);
(6,0) = (10-x)/5 = (10-6)/5 = 4/5 = 0,8
(4,5) = x/5 = 4,5/5 = 0,9
(2,5) = x/5 = 2,5/5 = 0,5
(5,5) = (10-x)/5 = (10-5,5)/5 = 4,5/5 = 0,9
(A) = !(6,0) & ((4,5) | !(2,5)) & (5,5);
(A) = !0,8 & (0,9 | !0,5) & 0,9;
(A) = 0,2 & (0,9 | 0,5) & 0,9;
(A) = 0,2 & 0,9 & 0,9;
(A) = 0,2 & 0,9 & 0,9;
(A) = 0,2;
2013

Campus So Jos
Campinas
Tags: #inferncia
Fuzzificao a transformao de valores do universo de discurso da varivel fsica em
graus de pertinncia para cada um dos conjuntos Fuzzy em que foi dividida a varivel original. A
varivel Fuzzificada chamada varivel Lingustica.
Abaixo temos o exemplo de um sistema fsico onde a temperatura e a presso influenciam
na vazo de um fluido.
Temperatura = 70 C
Presso = 06 BAR
Vazo =180 m3/h
Baixa = 0,6
(x)
Mdia = 0,4
Alta = 0,0
Baixa = 0,2
(x)
Mdia = 0,8
Alta = 0,0
Baixa = 0,0
(x)
Mdia = 0,6
Alta = 0,4
Regras de inferncia representam relaes entre as variveis lingusticas que fazem

parte dos sistemas de controle.
Temperatura
Presso
Sistema
Fsico
2013
Vazo

Campus So Jos
Campinas
No exemplo anterior teramos 3 conjuntos com trs graus de pertinncia cada uma, o que daria
3x3 = 9 regras de inferncia.
1. IF (TEMP BAIXA) AND (PRESSO BAIXA) ENTO (VAZO BAIXA)

2. IF (TEMP BAIXA) AND (PRESSO MDIA) ENTO (VAZO MDIA)
3. IF (TEMP BAIXA) AND (PRESSO ALTA) ENTO (VAZO ALTA)
4. IF (TEMP MDIA) AND (PRESSO BAIXA) ENTO (VAZO BAIXA)
5. IF (TEMP MDIA) AND (PRESSO MDIA) ENTO (VAZO MDIA)
6. IF (TEMP MDIA) AND (PRESSO ALTA) ENTO (VAZO ALTA)
7. IF (TEMP ALTA) AND (PRESSO BAIXA) ENTO (VAZO ALTA)
8. IF (TEMP ALTA) AND (PRESSO MDIA) ENTO (VAZO ALTA)
9. IF (TEMP ALTA) AND (PRESSO ALTA) ENTO (VAZO ALTA)
Temperatura = 70 C
Baixa = 0,6
Mdia = 0,4
Alta = 0,0
Presso = 10 BAR
Baixa = 0,0
Mida = 0,3
Alta = 0,7
Analisando os dados de temperatura e presso, exclumos as regras onde as variveis so iguais

a 0: Como a temperatura 0% alta, ento exclumos as regras 7,8 e 9. Como a presso no
baixa, exclumos da analise 1,4 e 7.
Sero ativadas na consulta ento as regras 2,3,5 e 6:

Ento, sabe-se que a vazo ser algo entre MDIA e ALTA, porm o valor ser calculado
posteriormente.
A estrutura de uma regra de inferncia representada a seguir:
IF (X A) E (Y B) E (Z C) ... ENTO (W D)
2013

Campus So Jos
Campinas
X, Y, Z e W : variveis lingusticas;
A, B, C e D: Conjuntos Fuzzy das variveis lingusticas;
A parte antes do ento chamada de antecedente da regra e a parte depois do ento
chamada de consequente da regra.
2013

Campus So Jos
Campinas
Tags: #inferncia
Inferncia Fuzzy uma consulta a base de regras par decidir o comportamento da varivel
de sada em termos linguisticos.
A inferncia dividida em duas etapas:
Agregao
A Agregao determina o grau de validade do antecedente de cada regra, utilizando
os operadores MIN-MAX;
Considere os seguintes valores:
Temperatura = 70
Baixa = 0,4
Mdia = 0,6
Alta = 0,0
Presso = 08 BAR
Baixa = 0,0
Mdia = 0,3
Alta = 0,7
Baseados nas regras anteriores temos:

IF (TEMP BAIXA) AND (PRESSO MDIA) ENTO (VAZO MDIA)
IF (0,4) AND (0,3) ENTO (VAZO MDIA)
Grau de validade antecedente = MIN(0,4 , 0,3) = 0,3.
Temperatura/Presso Baixa Mdia Alta

Baixa
Mdia
Alta
2013

Campus So Jos
Campinas
Regra Grau de validade do antecedente
MIN(0.4, 0) = 0
MIN(0.4, 0.3) = 0.3
MIN(0.4, 0.7) = 0.4
MIN(0.6, 0) = 0
MIN(0.6, 0.3) = 0.3
MIN(0.6,0.7) = 0.6
MIN(0,0) = 0
MIN(0, 0.3) = 0
MIN(0,0.7) = 0
Composio
Determina o grau de validade do consequente de cada regra e feita em duas
etapas:
Validade do consequente = validade do antecedente;
Regra
Grau de validade do
consequente
0 Baixa
0.3 Mdia
0.4 Alta
0 Baixa
0.3 Mdia
0.6 Alta
0 Alta
0 Alta
0 Alta
2013

Campus So Jos
Campinas
Seleciona o maior grau de pertinncia entre os consequentes iguais da base de

regras. O Processo utiliza o mtodo MIN-MAX.
Vazo
Grau de pertinncia
Baixa
MAX(0,0) = 0
Mdia
MAX(0.3, 0.3) = 0.3
Alta
MAX(0.4,0.6,0,0,0) = 0.6
Defuzzicao
Transforma os graus de pertinncia da varivel linguistica de saida em valores reais do universo

de discurso definido para esta varavel. Em lgica Fuzzy so utilizados dois mtodos de
defuzificao:
1. Centro do Mximo (CoM);
O mtodo CoM determina o valor real da varivel de sada, utilizando a mdia
ponderada dos valores mximos de cada conjunto de sada e os graus de
validade obtidos.
n
Ximx ( Xi)
Xo= i=0
(Xi)
i=0
onde:
n = Nmero de conjuntos Fuzzy da varivel de sada;
Ximx = Valores Reais com grau de validade mximo em cada conjunto de sada;
(Xi) = Graus de pertinncia de cada conjunto da varavel de sada obtidos na etapa de
inferncia.
2013

Campus So Jos
Campinas
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
75
150
225
300
No exemplo acima, os valores mximos seriam:

Conjunto Baixa: 0+[(75-0):2] = 37,5 m3/h
Conjunto Mdia: 150 m3/h
Conjunto Alta: 225+[(300-225):2] = 262,5 m3/h
e os graus de pertinncia da varivel vazo foram:
Baixa = 0;
Mdia = 0,3;
Alta = 0,6;
Logo, a equao seria:
3
Ximx (Xi)
Xo= i=1
(Xi)
i=1
Xo=
X1mx ( X1)+ X2mx (X2)+ X3mx (X3)

(X1)+ (X2)+ ( X3)
Xo=
37,50+1500,3+262,50,6
0+0,3+0,6
Xo=225 m /h
Ou seja, segundo o mtodo de Centro de Mximo, temos que a vazo, para um presso de 8
BAR e temperatura de 70C deve possuir um valor de 225 m/h.
2013

Campus So Jos
Campinas
Exercicio:
Para o controlador Fuzzy do exemplo, determine a vazo de sada em m/h, considerando
uma temperatura de 115 e presso de 4,5 BAR. Considere os limites dos conjuntos Fuzzy de
200 C para temperatura e 10 BAR para presso.
Resoluo:
Vamos comear desenhando os grficos das funes temperatura e presso:
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
50
100
150
200
Ilustrao 6: Grfico da Funo Temperatura
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
2,5
7,5
10
Ilustrao 7: Grfico da Funo Presso
2013

Campus So Jos
Campinas
Vamos comear determinando as equaes das retas. Os dados abaixo vieram do grfico da
temperatura. Cada Funo tem duas equaes, uma para cada segmento de reta do grfico.
Baixa@Temperatura:
Y = Ax+ B
1=0A + B
1=B
B=1
Y = Ax+ B
1=50A+ B
1=50A+ B
1=50A+1
11=50A
0=50A
A=0
Sendo assim, para todos os valores onde 0x50, Y=1.
1=50A+ B
0=100A+B
B=100A
1=50A+ B
1=50A100A
1=50A
A=0,02
B=100A
B=1000,02
B=2
Sendo assim, para todos os valores onde 50<x100, Y = -0,02x + 2.

Mdia@Temperatura:
Y = Ax+ B
0=50A+B
B=50A
1=100A + B
1=100A 50A
1=50A
A=0,02
B=50A
B=500,02
B=1
Sendo assim, para todos os valores onde 50<x100, Y=0,02x-1
0=150A +B
0B=150A
B=150A
B=150A
Y = Ax+ B
1=100A + B
1=100A 150A
1=50A
A=0,02
B=150A
B=1500,02
B=3
Sendo assim, para todos os valores onde 100<x150, Y=-0,02x+3

Alta@Temperatura:
Y = Ax+ B
0=100A+B
B=100A
1=150A + B
1=150A 100A
1=50A
A=0,02
B=100A
B=1000,02
B=2
Sendo assim, para todos os valores onde 100x150, Y=0,02x-2
Y = Ax+ B
1=150A + B
1=200A+ B
1B=200A
B=200A1
B=1200A
1=150A + B
1=150A +1200A
0=150A200A
0=50A
A=0
B=1200A
B=10
B=1
Sendo assim, para todos os valores onde 150<x200, Y=1
2013

Campus So Jos
Campinas
timo, agora temos todas as equaes da funo temperatura, vamos agora calcular as
equaes da funo presso:
Baixa@Presso
Y = Ax+ B
1=0A+ B
B=1
1=2,5 A+ B
1=2,5 A+1
0=2,5 A
A=0
Sendo assim, para todos os valores onde 0x2,5, Y=1
Y = Ax+ B
O=5A+ B
B=5A
B=5A
1=2,5 A+B
1=2,5 A5A
1=2,5 A
A=0,4
B=5A
B=50,4
B=2
Sendo assim, para todos os valores onde 2,5<x5, Y=-0,4x + 2

Mdia@Presso
Y = Ax+ B
0=2,5 A+ B
B=2,5 A
B=2,5 A
1=5A+ B
1=5A2,5 A
1=2,5 A
A=0,4
B=2,5 A
B=2,50,4
B=1
Sendo assim, para todos os valores onde 2,5x5, Y=0,4x-1
Y = Ax+ B
0=7,5 A+ B
B=7,5 A
B=7,5 A
1=5A+ B
1=5A7,5 A
1=2,5 A
A=0,4
B=7,5 A
B=7,50,4
B=3
Sendo assim, para todos os valores onde 5<x7,5, Y=-0,4x+3

Alta@Presso
Y = Ax+ B
0=5A +B
B=5A
B=5A
1=7,5 A+ B
1=7,5 A5A
1=2,5 A
A=0,4
B=5A
B=50,4
B=2
Sendo assim, para todos os valores onde 5x7,5, Y=0,4x-2
Y = Ax+ B
1=7,5 A+ B
1B=7,5 A
B=7,5 A1
B=17,5 A
1=10A+ B
1=10A+17,5 A
11=10A7,5 A
0=2,5 A
A=0
B=17,5 A
B=17,50
B=1
Sendo assim, para todos os valores onde x>7,5, Y=1
2013

Campus So Jos
Campinas
Vamos agora calcular os graus de pertinncia de cada uma das funes (Temperatura e
presso):
Temperatura (115 C):
Baixa: 0 (A funo baixa s descrita entre 0 e 100);
Mdia: Y = -0,02x + 3, Y=0,7;
Alta: Y = 0,02x -2, Y=0,3;
Presso (4,5 BAR):
Baixa: Y=0,4x+2, Y=0,2;
Mdia: Y=0,4x-1, Y=0,8;
Alta: 0 (A funo alta s definida entre 5 e 10);
Vamos agora detalhar as regras de inferncia:
1. IF (TEMP BAIXA) AND (PRESSO BAIXA) ENTO (VAZO BAIXA)

4. IF (TEMP MDIA) AND (PRESSO BAIXA) ENTO (VAZO BAIXA)
7. IF (TEMP ALTA) AND (PRESSO BAIXA) ENTO (VAZO ALTA)
8. IF (TEMP ALTA) AND (PRESSO MDIA) ENTO (VAZO ALTA)
9. IF (TEMP ALTA) AND (PRESSO ALTA) ENTO (VAZO ALTA)
Como a temperatura no baixa, excluem-se as regras 1, 2, 3;
Como a Presso no alta, excluem-se as regras 3, 6 e 9;
Restam ento, as regras 4, 5, 7 e 8.
2013

Campus So Jos
Campinas
Vamos agora calcular os graus de pertinncia do consequente:

4.
IF (TEMP MDIA) AND (PRESSO BAIXA) ENTO (VAZO BAIXA)

IF (0,7) AND (0,2) = 0,2 BAIXA
5.
IF (TEMP MDIA) AND (PRESSO MDIA) ENTO (VAZO MDIA)

IF (0,7) AND (0,8) = 0,7 MDIA
7.
IF (TEMP ALTA) AND (PRESSO BAIXA) ENTO (VAZO ALTA)

IF (0,3) AND (0,2) = 0,2 ALTA
8.
IF (TEMP ALTA) AND (PRESSO MDIA) ENTO (VAZO ALTA)

IF (0,3) AND (0,8) = 0,3 ALTA
Temos ento, na funo Vazo, as seguintes pertinncias

Baixa: 0,2
Mdia: 0,7
Alta: 0,2
Alta: 0,3
Note que temos dois graus de pertinncia Alta, isso representa a dvida do sistema
referente a esse grau de pertinncia. Vamos resolver essa anomalia extrando o mximo dos
dois, que representa escolher aquele que tem a maior probabilidade de estar correto:
MAX (OR) (0.2, 0.3) = 0,3;
Portanto, temos:
Baixa: 0,2
Mdia: 0,7
Alta: 0,3
2013

Campus So Jos
Campinas
Vamos agora etapa de defuzificao, onde usaremos o mtodo do centro do mximo. A

defuzificao dessa maneira, utiliza o centro geomtrico da funo, onde o mximo valor
ocorre: Entenda dessa maneira, olhando o grfico da Vazo, abaixo, a funo baixa tem seu
valor mximo (1) entre 0 e 75. Sendo assim, o centro geomtrico desse segmento de reta seria
(75-0)/2, que igual a 37,5.
1,2
1
0,8
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
75
150
225
300
Logo, Ximx na frmula abaixo, representa o valor mdio de X onde ocorre o valor mximo
de Y:
3
Ximx ( Xi)
Xo= i=1
( Xi)
i=1
(37,50,2)+(1500,7)+(262,50,3)
Xo=
0,2+0,3+ 0,7
191,25
Xo=
1,2
Xo=159,375 M /h
Portanto, segundo as regras acima descritas, para uma Temperatura de 115C e Presso de
4,5BAR, a Vazo deve ser 159,375 M/h.
Exercicio resolvido por Fernando Ferreira Abreu (abreu.fernando.f@gmail.com) em 06/09/2013.
2013

Campus So Jos
Campinas
Tags: #centroide
Deffuzicao
Mtodo do Centroide ou centro de gravidade
O valor real da varivel de sada representado pela coordenada x do universo de discurso
correspondente ao Centro de Gravidade da rea formada pelas funes de pertinncia da sada
e os graus de validade obtidos na inferncia.
Calcula-se o Centro de Gravidade mecnico da rea do grfico.
1,2
1
0,8
Centroide
Baixa
Mdia
Alta
0,6
0,4
0,2
0
0
75
150
225
300
Ilustrao 8: Grfico do Centroide
A Frmula para clculo do centro de massa a que segue:
Xo=
x( x) dx
(x )
2013

Campus So Jos
Campinas
26 de Setembro de 2013
Tags: #simulao
Uma vez que aprendemos como fuzzyficar e deffuzyficar variveis, no necessitamos mais
faz-lo manualmente.
Para cada valor de temperatura e presso temos ento um valor de vazo, isso, nos d
infinitas combinaes.
Se plotarmos isso em um grfico, veremos ento que a vazo se torna um superfcie, onde
a presso e a temperatura definem seus vrtices e sua amplitude representada como os
valores ordenados do grfico.
2013

Campus So Jos
Campinas
Tags: #redesneurais
Dentro da inteligncia artificial temos dois ramos principais: Os sistemas especialistas, onde
encontra-se a lgica Fuzzy, por exemplo e as redes neurais artificiais, ou RNA, que so modelos
matemticos que procuram representar o processamento que ocorre a nvel de clulas do
sistema nervoso central (neurnios).
Os seres humanos possuem entre 10 e 15 bilhes de neurnios.
Modelo de neurnio natural:
Corpo Celular
No corpo celular, na clula propriamente dita, ocorre algum tipo de processamento
com os sinais de entrada que chegam as clulas;
Dendritos (Ramificaes)
So eles que recebem os estmulos nervosos vindos do restante do corpo e de outros
neurnios dentro da rede;
Axnio
Transmite os impulsos eltricos que fazem a conexo com outros elementos da rede.
2013

Campus So Jos
Campinas
Modelo de neurnio artificial
Somador
So N somadores, com pesos diferentes pra representar os tamanhos e consistncias
diferentes dos dendritos. No Exemplo acima, X1, X2 e X3 so entradas. Pode ser
representado tambm como um vetor representado por X = [X1, X2,X3...Xn]. Os
pesos sinapticos chamados de W1, W2 e W3 tambm podem ser representados por
um vetor determinado por W = [W1, W2, W3...Wn];
Funo de Ativao
So as funes que fazem o processamento, e, no modelo natural esto dentro do
corpo celular.
Limiar
um limite que determina a sensibilidade do neurnios. Tambm chamado de
Threeshold representado por .
Na sada dos somadores temos um produto escalar de vetores definido por:

n
U= XiWi
i =1
Depois de somados, os sinais que passaram pelo corpo celular so postos a prova pelo
limiar. Se forem inferiores a este, ento a saida tente a ser menor do que zero, caso contrrio,
tendem a serem iguais ao valor mximo. Logo, V, que representa a diferena entre o resultado
dos somadores e o limiar determinado por:
V =U .
Funes de Ativao
Limiar
Linear
Sigmide
Tangente Hiperblica
Outras
2013

Campus So Jos
Campinas
Funo Limiar (ou funo degrau)
Funo Linear (ou rampa simtrica)
Funo Sigmoide
O Parmetro da funo sigmoide representa a inclinao da curva
2013

Campus So Jos
Campinas
Funo Tangente Hiperblica
Exercicios
1. Seja um neurnio artificial de duas entradas e uma sada, com um funo de ativao linear
F(v)=V. Se o vetor de entrada dado por X = [0.2, 0.5] e o vetor de pesos sinpticos dado por
= [0.5, 0.25], qual a resposta do neurnio? (Considere =0)
Resposta:
Uma vez que a entrada de um neurnio um somador, devemos somar as entradas, no
esquecendo de multiplic-las pelos seus respectivos pesos:
U=x11+x22
U=0.20.5+0.50.25
U=0.225
Agora, temos o valor U que a entrada da funo de ativao (Que nesse caso, igual a
prpria entrada)
F( v )=v
F(U )=U
F( 0.225)=0.255
Vamos finalmente, subtrair o valor do limiar (que nesse caso 0)
Y =F (U )
Y =0.2250
Y =0.255
2013

Campus So Jos
Campinas
2. Seja um neurnio artificial com trs entradas e uma sada e funo de ativao sigmoidal. Se
o vetor de entrada dado por X = [0.3, 0.7, 0.2] e o vetor de pesos sinpticos dado por = [0.5, 0.5, -1], qual a resposta do neurnio considerando =0?
Resposta:
U=x11+ x22 + x33

U=0.30.5+0.70.5+0.21
U=0
Vamos agora processar a funo de ativao, que definida (sigmoide) por:
1
1+ eU
1
F(U )=
1+ e0
1
F(U )=
1+ 1
1
F(U )=
2
F(U )=0.5
F(U )=

Y =F (U )
Y =0.50
Y =0.5
3. Considere o exerccio anterior, considerando a funo de ativao do tipo tangente
hiperblica
U=x11+ x22 + x33

U=0.30.5+0.70.5+0.21
U=0
Vamos agora processar a funo de ativao, que definida (sigmoide) por:
U
1e
U
1+ e
1e0
F(U )=
1+ e0
11
F(U )=
1+ 2
0
F(U )=
2
F(U )=0
F(U )=
2013

Campus So Jos
Campinas

Y =F (U )
Y =00
Y =0
4. Em um neurnio com funo de ativao linear F(v) = v, duas entradas e uma sada. Se a
entrada X = [1, -1] a resposta 0,6, se a entrada X = [0.5, 2] a resposta 0,8. Responda,
quais so os pesos sinpticos desse neurnio?
Para primeira parte desse exercicio a entrada de um neurnio um somador,

devemos somar as entradas, no esquecendo de multiplic-las pelos seus respectivos
pesos, porm, no temos os valores dos pesos, ento, vamos deix-los como
incgnitas:
U=x11+x22
U=11+12
U=12
Agora, Sabendo que a funo de ativao F(v) = V e portanto, F(U)=U, temos que:
F(U )=U
F( 12)=12
E ainda, considerando que o valor do limiar 0, temos Y= 1 2, e sendo assim, 1
2 = 0,6. Vamos agora repetir esse processo para encontrar a segunda equao:
U=x11+x22
U=0.51+22
U=0.5122
Agora, Sabendo que a funo de ativao F(v) = V e portanto, F(U)=U, temos que:
F(U )=U
F( 0.5122)=0.5122
E ainda, considerando que o valor do limiar 0, temos Y= 0,51 22, e sendo
assim, 0.51 22 = 0,6.
Temos ento, duas equaes:
A. 0.6=1 2
B. 0.8=0.51 22
Reduzindo A temos:
0.6=1 2
0.6+2=1
1=0.6+2
2013

Campus So Jos
Campinas
Substituindo A. Em B, temos:
0.8=0.51 22
0.8=0.5(0.6+ 2)22
0.8=0.3+0.5222
0.80.3=0.5222
0.5=1.52
0.5
=2
1.5
2=0.33
Substituindo novamente em A, temos:
0.6=1 2
0.6+ 2=1
1=0.60.33
1=0.27
Logo, o vetor de pesos = [0.27, -0,33].
2013

Campus So Jos
Campinas
17 de Outubro de 2013
Tags: #topologia
Como calcular o sinal de sada de um neurnio artifcial:
1. Tome o valor do vetor de entrada (Ele possui tantos elementos quanto
entradas do neurnio);
2. Tome o vetor dos pesos das entradas (Ele tambm possui tantos elementos
quanto o nmero de entradas);
3. Multiplique o vetor de entradas pelo vetor de pesos;
4. Subtraia o limiar desse valor
Redes Feedforward
Na rede feedforward a sada da rede neural calculada camada por camada
utilizando o modelo matemtico de cada neurnio individual e no h realimentao
do sinal de sada.
Redes Feedback
Na rede Feedback a sada da rede realimentada para ser utilizada no
processamento dos neurnios das camadas anteriores.
2013

Campus So Jos
Campinas
Aprendizado em redes neurais
Postulemos que eu possua um neurnio como o da imagem acima, com duas entradas e
uma nica sada. Eu como treinador, possuo o valor das entradas X1 e X2 e sei como deve se
comportar a sada Y. Ora, sendo o processamento do neurnio baseado em uma funo, eu
unicamente posso ir modificando os valores dos pesos sinapticos (indicados como w1 e w2) at
que a sada atinja o valor desejado. Uma vez feito isso, passo para a prxima linha da tabela
abaixo e repito o processo.
O Aprendizado em RNA realizado pelo ajuste dos pesos sinpticos da rede para
mapear um determinado conjunto de entrada e sada, chamado de conjunto de
treinamento
X1 X2 Y1
1
-1 0,6
0,5 2 0,8
2
-3 0,4
-1
4 0,1
Tabela 1: Dados de treinamento

Porm, com esse nico neurnio, eu possuo apenas dois pesos para ajustar, o que torna o
processo muito limitado, uma vez que ajustando-os novamente para aprender um novo valor,
posso esquecer os valores aprendidos anteriormente. Isso, pode ser resolvido com uma rede de
neurnicos, que ir me proporcionar um nmero de ajustes muito maior do que o de um simples
neurnio.
Uma rede j treinada (diz-se da rede que j foi ajustada para apresentar todos os valores de
sada para os valores de entrada apresentados no treinamento) deve ser capaz de generalizar,
ou seja, calcular uma sada a partir de entradas que no lhe foram apresentadas no
treinamento, a resposta esses valores devem ser prximos ao padro apresentado durante o
treinamento. A isso chamamos de generalizao ou aproximao.
Uma vez treinada, a RNA tem a capaciadade de generalizar
2013

Campus So Jos
Campinas
X1
X2
Y1
-1
0,6
0,5
0,8
-3
0,4
-1
0,1
0,48 1,9 0,785
Tabela 2: Entradas no previstas e generalizao (em vermelho)

O conhecimento em lgica Fuzzy determinado por regras, o que torna fcil para analisar
os resultados e para demonstrar como chegamos eles. Em uma RNA, os valores so baseados
em pesos numricos, o que torna impossvel determinar com preciso quais foram os caminhos
utilizados.
Se na lgica Fuzzy um resultado no foi o esperado, basta modificar a base de regras,
porque certamente alguma no est de acordo, em uma RNA, se a resposta generalizada de um
conjunto de entradas no o esperado, ela no foi treinada suficientemente ou ainda no
possui capacidade suficiente para represent-lo.
2013

Campus So Jos
Campinas
Para uma rede neural feedforward representada a seguir, determine a resposta da rede para o
vetor de entrada X = [0.25, 0.4, -06]. Considere a funo de ativao tipo sigmide com a=1 e
limiar =0 para cada neurnio da rede.
Resposta.
Vamos calcular o primeiro neurnio, multiplicando o vetor de entrada pelo seu respectivo peso
sinptico associado:
U1=x11+ x22+ x33

U1=0,250,25+0,40,5+(0,6)(0,75)
U1=0,7125
Vamos agora passar esse valor atravs da Funo de ativao:
1
U
1+ e
1
F(U )=
1+ e0,71
F(U )=0.67
F(U )=
Como 0, Y1 = 0,67. Vamos calcular agora o segundo neurnio, repetindo o processo

anterior:
U2=x11+x22 +x33
U1=0,250,5+0,40,35+(0,6)0,6
U1=0,34
1
U
1+ e
1
F(U )=
1+ e0,34
F(U )=0.41
F(U )=
Portanto, Y2 = 0,41. Agora, resta apenas calcular o resultado da camada de sada, que obtida
repetindo-se mais uma vez o processo anterior:
Uf =x11 + x22
Uf =0,670,2+0,410,3
Uf =0,50
X1
X2
X3
Erro (D-Y)
0,25
0,4
-0,6
0,4
0,5
-0,1
2013

Campus So Jos
Campinas
No treinamento da rede, o valor do erro utilizado para justar os pesos sinpticos da rede
Modelo Perceptron
a estrutura mais simples de rede neural artificial. Formada por um nico neurnio com pesos
sinpticos e limiar ajustveis.
Considere o perceptron anterior com uma funo de ativao do tipo limiar.
U1=x11+ ...+ xnn

A sada do perceptron dada por Y=1, para V>=0, Y=0, para V<0;
Suponhamos agora, que eu gostaria de ensinar ao meu perceptron a seguinte tabela de dados:
X1 X2 Y
0
0 0
0 0
1 0
1 1
1,2
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
1,2
O modelo perceptron s pode ser usado em problemas que so linearmente separveis. Repare
no Grfico acima que ponto X1 e Y1 pode ser separado de todos os outros pontos com a linha
marcada em azul.
2013

Campus So Jos
Campinas
24 de Outubro de 2013
Tags: #aprendizado
Para que o perceptron do exemplo anterior seja capaz de aprender uma
determinada funo, necessrio criar um reta que possa separar e classificar os
resultados obtidos atravs das entradas. Vale lembrar que o perceptron feito para
classificar entradas apenas, ou seja, indiferente dos valores das entradas, a sada do
perceptron ser 0 ou 1.
Tome como exemplo a tabela de dados a seguir:
X1 X2 Y
0
0 0
0 1
1 1
1 1
Tomemos agora a reta que determinada por

1x1+...+nxn=0
Dessa equao vem:
1x1+...+nxn=0
2x2=1x1+
1x1+
x2=
2
1
x2=
x1+
2
2
Baseado na equao acima, para x1=0 e x2=0,5 temos (eq 1):
0+
2
2
0,5=
2
0,5=
para x1=0,5 e x2=0 temos (eq 2):
0,5+
2
2
1
0=
0,5+
2
2
0=
se considerarmos =1 (chute) e substituindo a equao 1 na equao 2 temos:

2013

Campus So Jos
Campinas
0+
2
2
0,5=
2
1
0,5=
2
1
2=
0,5
2=2
0,5=
substituindo na equao 2 temos:
0,5+
2
2
1
0=
0,5+
2
2
1
1
0=
0,5+
2
2
1
1
0,5=
2
2
0,5 1=1
1=2
0=
Sendo assim, a equao da reta, ou a funo que representa o treinamento do perceptron ficou
como segue:
x2=
x1+
2
2
2
1
x2= x1+
2
2
x2=x1+ 0,5
Vamos agora verificar se tudo est correto. Vamos tomar por exemplo as
entradas x1 = 0 e x2 = 1:
U=1x1+2x2
U=20+21
U=0+2
U=2
porm , o limiar igual a 1, ento a saida (V) fica como segue :
V =U
V =21
V =1
Como at hoje, 1>0, a sada (Y) ento igual a 1 (Pois a funo linear
2013

Campus So Jos
Campinas
considera a sada 1 para todos os valores de V > 0).

1 Obter o modelo de um perceptron para representar a funo AND
Tome como exemplo a tabela de dados a seguir:
X1 X2 Y
0
0 0
0 0
1 0
1 1
Tomemos agora a reta que determinada por

1x1+...+nxn=0
Dessa equao vem:
1x1+...+nxn=0
2x2=1x1+
1x1+
x2=
2
1
x2=
x1+
2
2
Baseado na equao acima, para x1=0 e x2=1,5 temos (eq 1):
1,5=
0+
2
2
1,5=
2
se considerarmos =1 (chute) temos:
2
1
1,5=
2
2=0,667
1,5=
para x1=1,5 e x2=0 temos (eq 2)
2013

Campus So Jos
Campinas
1
1
1,5+
0,667
0,667
1,5 1 1
0=
+
0,667
0,667
1
1,5 1
=
0,667 0,667
1=1,5 1
1=0,667
0=
Sendo assim, a equao da reta, ou a funo que representa o treinamento do perceptron ficou
como segue:
x2=
x1+
2
2
0,667
1
x2=
x1+
0,667
0,667
x2=x1+1,5
Vamos agora verificar se tudo est correto. Vamos tomar por exemplo as
entradas x1 = 0 e x2 = 1:
U=1x1+ 2x2
U=0,6670+ 0,6671
U=0+0,667
U=0,667
porm , o limiar igual a 1, ento a sada (V) fica como segue :
V =U
V =0,6671
V =0,333
Como at hoje, -0,33<0, a sada (Y) ento igual a 0 (Pois a funo linear s
considera a sada 1 para os valores de V > 0).
2013

Campus So Jos
Campinas
Algoritmo LMS
Algoritmo perceptron
1. Atribuir valores aleatrios para w1 e w2 e teta;
2. Apresentar o primeiro exemplo da tabela de treinamento;
3. Calcular a sada do perceptron (Y);
4. Se a sada est correta, volta para o passo 2;
Se a sada estiver incorreta, atualizar os pesos pela relao:
w(n+1)=w(n)+Xn onde w(n+1) representa o prximo estado do peso,
w(n) representa o peso atual e Xn representa a entrada atual.
2013

Campus So Jos
Campinas
O algortimo LMS (Erro mdio quadrtico ou minimos quadrados) utilizado em

arquiteturas de redes neurais artificiais de uma nica camada de neurnios e
funo de ativao linear.
Imagine uma rede com duas entradas e apenas uma camada com trs
neurnios. Dessa forma temos
X1: Entrada 1
X2: Entrada 2
w11: Peso da Entrada 1 com o neurnio 1
Y1: Sada 1
Y2: Sada 2
Y3: Sada 3.
Temos ento o formato de peso wij onde i representa o ndice da entrada e j o
ndice do neurnio.
Conceba agora a seguinte tabela de treinamento:
X1
X2
Y1
Y2
Y3
0,8
0,35
1,25
2,5
1,25
1,0
0,5
1,5
Dados:
w11: 0,25
w12: 0,7
w13: 0,85
w21: 0,3
w22: 0,5
w23: 0,4
Exemplo
2013

Campus So Jos
Campinas
Para o primeiro exemplo de treinamento

U1= 11x1+ 21x2=0,251+0,32=0,85
V1=U1=0,850=0,85
Y1=0,85
U2= 12x1+ 22x2=0,71+0,52=1,7
V2=U2=1,70=1,7
Y1=1,7
U3= 13x1+ 23x2=0,851+0,42=1,65
V3=U3=1,650=1,65
Y3=1,65
O erro instantaneo de cada neuronio definido por e(n) = d(n) y(n) onde d(n)
Valor desejado e y(n) Valor de sada.
e1(n)=d1(n) y1 (n)=0,80,85=0,05
e2 (n)=d2 (n) y2 (n)=0,351,7=1,35
e3(n)=d3(n) y3( n)=1,251,65=0,4
O erro mdio quadrtico da RNA definido como:
n
1
E()= ei 2(n)
i=1 2
1
2 1
2 1
2
E()= (0,05) + (1,35) + (0,4)
2
2
2
E()=0,9925
O algoritmo LMS atualiza os pesos sinpticos da rede de forma tal que E(w)
tenda a 0 (diminuio do erro quadrtico mdio);
Algoritmo LMS:
1. Inicializar os pesos sinpticos da rede de forma aleatria;
2. Apresentar exemplo do conjunto de treinamento e calcular a sada y, o
erro instantaneo de cada neuronio e o erro quadrtico mdio da rede;
3. Atualizar os pesos sinpticos da rede pela relao: Wij (n+1) = wij(n) +
N*e(n)*x(n) onde:
wij(n+1): Novo valor do peso wij;
wij(n): valor atual do peso wij;
e(n): Erro instantaneo do neuoronio;
x(n): Valor atual de entradas
N: Taxa de aprendizado
4. Volta ao passo 2 com os prximos valores de entrada
2013

Campus So Jos
Campinas
Condio de parada = e(w) <= E (ex. e(w) <= 0,01)

o N define a velocidade de convergencia do algoritmo LMS, e um valor
entre 0 e 1.
seja uma rede composta de um nico neurnio com duas entradas e uma
sada e funo de ativao linear. Se as entradas so dadas pelo vetor x = [0,33 0,25] e os pesos sinpticos dados por w = [-0,1 0,5], calcule a sada da
rede e execute um passo do algoritmo LMS considerando a sada desejada
d=0,52 e taxa de aprendizado igual a 0,5.
2013

Campus So Jos
Campinas
Redes Multicamadas
AS redes multicamadas permitem representar problemas com relaes
entrada-sada mais complexas que as redes de um nica camada.
As unidades da camada escondida tem funo de ativao no linear.
(Sigmide, tangente hiperblica, limiar)
As unidades de sada podem apresentar funo de ativao linear ou no
linear.
Exemplo: para a rede multicamada de arquitetura igual a anterior, determine a
sada da rede, o erro instantaneo e o erro quadrtico mdio considerando os
seguintes parametros:
Algoritmo BackPropagation (!= selfOrganization maps)
O algortimo de backprogation utiliza a estratgia de aprendizado
supervisionado. Utilizando padres de entrada e sada desejados para treinar a
rede.
O gradiente de uma funo () define a direo de mximo crescimento de
uma funo.
O algoritmo BP atualiza os pesos na direo contrria ao sentido do vetor
gradiente :
W (n+1)=W (n) E
onde :
Taxade aprendizado
EGradiente da Funo
Supondo que minha expresso do erro seja dado por:
E=1 2+ 22
Clculo do gradiente:
E
E
E
+ j
+k
+...
1
2
3
x 2=2x
E=i
x
x n=nx n1
x
2013

Campus So Jos
Campinas
E
E
+ j
1
2
E=i2 1+ j2 2
sendo 1=1 e %omega2=2, temos :
E=i2+ j4
E=2i+4j
isso gera um vetor que deve ser desenhado como segue:
E=i
4,5
4
3,5
3
2,5
Coluna 1
2
1,5
1
0,5
0
0
Dessa forma, o gradiente demonstra a direo e sentido indicam o maior

incremento da funo. Porm, como eu quero diminuir minha funo de erro,
devo diminuir o erro, ento devo me movimentar na direo, porm no sentido
oposto ao indicado pelo gradiente.
A velocidade de convergncia, depende obviamente da taxa de aprendizado.
2013

Campus So Jos
Campinas
Passos do backpropagation:
1. Calcule sua funo de erro (E)
2. Calcule a direo do gradiente de E que definido por:
E
E
E
E=i
+ j
+k
+...
1
2
3
3. Escolha a direo contrria dada por -E;
4. Atualize os pesos atravs da frmula
W (n+ 1)=W (n) E
5. Calcule o novo valor do erro baseado na funo do passo 1;
6. Se o erro no for o que voc deseja, volte ao passo 2.
Questes da prova
1. Algoritmo Perceptron
2. Algoritmo LMS
1. Rede de uma nica camada com funo de ativao linear
3. Algorito BKP
1
E= (d y )2
2
n
1
E= (d y )2
1 2
2013

(Anotações) Sistemas Inteligentes

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

(Anotações) Sistemas Inteligentes

Uploaded by

Copyright:

Available Formats

Centro Universitrio Salesiano

Centro Universitrio Salesiano

Sistemas Inteligentes em Robtica

Inteligncia Artificial: Diferenciam-se na forma como representam o comportamento

Redes Neurais Artificiais (RNA)

Introduo Lgica Fuzzy:

Centro Universitrio Salesiano

Na lgica Fuzzy, a cada valor do universo de discurso, so atribudos diferentes graus de

Centro Universitrio Salesiano

Ilustrao 1: Grfico das funes Fuzzy

Tipos de funes de pertinncia:

Sua forma se assemelha a uma Z, como a funo Baixa da Ilustrao 1

Sua forma se assemelha um S, como a funo Alta da Ilustrao 1

Centro Universitrio Salesiano

Teoria dos Conjuntos

Centro Universitrio Salesiano

Centro Universitrio Salesiano

Ilustrao 2: Representao grfica da unio de conjuntos Fuzzy

Interseco de conjuntos Fuzzy:

Ilustrao 3: Representao grfica da interseco de conjuntos Fuzzy

Centro Universitrio Salesiano

Complemento ou negao de conjuntos Fuzzy:

Ilustrao 4: Grfico representativo da negao do conjunto

Centro Universitrio Salesiano

a) Represente graficamente a funo (x);

Ilustrao 5: Grfico representativo da negao do conjunto

Centro Universitrio Salesiano

Sabendo ento, do comportamento da funo, podemos resolver as expresses lgicas,

(A) = (0,7 & (0,6 | 0,8)) | !0,3);

Centro Universitrio Salesiano

Vazo =180 m3/h

Regras de inferncia representam relaes entre as variveis lingusticas que fazem

Centro Universitrio Salesiano

1. IF (TEMP BAIXA) AND (PRESSO BAIXA) ENTO (VAZO BAIXA)

Analisando os dados de temperatura e presso, exclumos as regras onde as variveis so iguais

1. IF (TEMP BAIXA) AND (PRESSO MDIA) ENTO (VAZO MDIA)

Centro Universitrio Salesiano

Centro Universitrio Salesiano

Considere os seguintes valores:

Baseados nas regras anteriores temos:

Temperatura/Presso Baixa Mdia Alta

Centro Universitrio Salesiano

Regra Grau de validade do antecedente

MIN(0.4, 0.3) = 0.3

MIN(0.4, 0.7) = 0.4

MIN(0.6, 0.3) = 0.3

Centro Universitrio Salesiano

Seleciona o maior grau de pertinncia entre os consequentes iguais da base de

MAX(0.3, 0.3) = 0.3

Transforma os graus de pertinncia da varivel linguistica de saida em valores reais do universo

Centro Universitrio Salesiano

No exemplo acima, os valores mximos seriam:

X1mx ( X1)+ X2mx (X2)+ X3mx (X3)

Centro Universitrio Salesiano

Ilustrao 6: Grfico da Funo Temperatura

Ilustrao 7: Grfico da Funo Presso

Centro Universitrio Salesiano

Sendo assim, para todos os valores onde 0x50, Y=1.

Sendo assim, para todos os valores onde 50<x100, Y = -0,02x + 2.

Sendo assim, para todos os valores onde 50<x100, Y=0,02x-1

Sendo assim, para todos os valores onde 100<x150, Y=-0,02x+3

Sendo assim, para todos os valores onde 100x150, Y=0,02x-2

Sendo assim, para todos os valores onde 150<x200, Y=1