Sistemas Nebolosos

(Fuzzy)

Prof. Alexandre Monteiro

Recife

Contatos

Prof. Guilherme Alexandre Monteiro Reinaldo

Apelido: Alexandre Cordel

E-mail/gtalk: alexandrecordel@gmail.com
greinaldo@fbv.edu.br

Site: http://www.alexandrecordel.com.br/fbv

Celular: (81) 9801-1878

Lgicas No-Clssicas

As lgicas no-clssicas podem ser classificadas em dois grupos

distintos:
Extenses da lgica clssica: adicionam um vocabulrio novo,
portanto novos teoremas e inferncias vlidas, mas mantm
todos os teoremas originais
- Lgica Modal
- Lgica Temporal
- Lgicas No-Monotnicas

Desvios da lgica clssica: em geral mantm o vocabulrio

original da lgica clssica, no entanto difere com respeito a
teoremas e inferncias vlidas
- Lgica Multi-Valorada
- Lgica Fuzzy

Variaes da Lgica Clssica: Lgica

Fuzzy

Grande parte da compreenso humana sobre os acontecimentos dos fatos

imprecisa
Em muitos casos, a preciso pode ser um tanto intil, enquanto instrues vagas
podem ser melhor interpretadas e realizadas
Exemplo de compreenso humana
- Formal:
Comece a freiar 10 metros antes do sinal PARE
- Vulgar:
Comece a freiar perto do sinal PARE

Outro exemplo:
- Ao utilizar-se a lgica clssica, definem-se regras como: Pessoas jovens so
aquelas cujas idades esto entre 0 e 20
- Nesta lgica, uma pessoa com 20 anos e 1 dia no considerada uma pessoa
jovem
- Porm, sabemos que isso no verdade no mundo real
- Da a necessidade de se utilizar mecanismos para descrever o grau de pertinncia
de uma pessoa ao conjunto de jovens
4

Caractersticas: Lgica Fuzzy (1/2)

A lgica fuzzy resulta de dois estgios de fuzificao

A passagem da lgica bivalente para a lgica no-enumervel
multi-valorada como um resultado de se permitir graus de
pertinncia a conjuntos denotados por predicados da
linguagem objeto
- Introduo de predicados "vagos" na linguagem

A passagem para muitos valores de verdade contavelmente

difusos como resultado de se tratar como vago o prprio
predicado meta-lingstico "verdadeiro", sendo este passo
mais controverso e radical
- Verdadeiro, muito verdadeiro, no muito verdadeiro,...

A Lgica Difusa foi desenvolvida por Lofti A. Zadeh da

Universidade da Califrnia em Berkeley na dcada de 60

Caractersticas: Lgica Fuzzy (2/2)

Trabalha com uma grande variedade de informaes vagas e

incertas, as quais podem ser traduzidas por expresses do tipo: a
maioria, mais ou menos, talvez, etc.
Antes do surgimento da lgica fuzzy essas informaes no
tinham como ser processadas
A lgica fuzzy contm como casos especiais no s os sistemas
lgicos binrios, como tambm os multi-valorados
A lgica fuzzy vem sendo aplicada nas seguintes reas

Anlise de dados
Construo de sistemas especialistas
Controle e otimizao
Reconhecimento de padres, etc.

Conjuntos Fuzzy (1/3)

Conjuntos com limites imprecisos

A = Conjunto de pessoas altas

Conjunto Clssico
1.0

Conjunto Fuzzy
1.0
.
9.
8

Funo de
pertinncia

.5

1.75

Altura
(m)

Altura
(m)

1.60 1.70 1.75

Conjuntos Fuzzy (2/3)

Um conjunto fuzzy A definido no universo de discurso X

caracterizado por uma funo de pertinncia A, a qual mapeia
os elementos de X para o intervalo [0,1].
A:X[0,1]

Desta forma, a funo de pertinncia associa a cada elemento x

pertencente a X um nmero real A(X) no intervalo [0,1], que
representa o grau de pertinncia do elemento x ao conjunto A,
isto , o quanto possvel para o elemento x pertencer ao
conjunto A.

Conjuntos Fuzzy (3/3)

Definio formal
Um conjunto fuzzy A em X expresso como um conjunto de
pares ordenados:

A {( x, A ( x )) | x X }
Conjunto
fuzzy

Funo de
pertinncia
(MF)

Universo ou
Universo de discurso

Um conjunto fuzzy totalmente caracterizado

por sua funo de pertinncia (MF)
9

Funo de Pertinncia

Reflete o conhecimento que se tem em relao a intensidade com que o

objeto pertence ao conjunto fuzzy
Caractersticas das funes de pertinncia:
- Medidas subjetivas
- Funes no probabilsticas monotonicamente crescentes,
decrescentes ou subdividida em parte crescente e parte
decrescente.
alto no Brasil

MFs
.8

alto nos EUA

.5

alto na Itlia

.1
1.75

10

Altura
(m)

Formulao da MF

Funo Triangular

Funo Trapezoidal

x a c x
trim f (x ;a ,b ,c ) m ax m in
,
,0
b a cb

d x
x a
trapm f (x ;a ,b ,c ,d ) m ax m in
,1,
,0
b a
d c

Funo Gaussiana

Funo Sino Generalizada

gaussmf ( x; a, b, c ) e

gbellm f (x ;a ,b ,c )

1 x c

x c
1
b
11

2b

Formulao da MF
(b) Trapezoidal

Grau de Pertinncia

Grau de Pertinncia

(a) Triangular

0.8
0.6
0.4
0.2
0

20

40

60

80

100

1
0.8
0.6
0.4
0.2
0

1
0.8
0.6
0.4
0.2
0

20

40

60

40

60

80

100

(d) Sino Gerneralizada

Grau de Pertinncia

Grau de Pertinncia

(c) Gaussiana

20

80

100

1
0.8
0.6
0.4
0.2
0

20

40

60

12

80

100

Universo Discreto
(a) Universo Discreto

ordenado)
C = Cidade desejvel para se viver
C = {(SF, 0.9), (Boston, 0.8), (LA, 0.6)}

Grau de Pertinncia

1
0.8
0.6

X = {0, 1, 2, 3, 4, 5, 6} (discreto)
A = Nmero de filhos
A = {(0, .1), (1, .3), (2, .7), (3, 1),
(4, .6), (5, .2), (6, .1)}

0.4
0.2
0

X = {SF, Boston, LA} (discreto e no

X = Nmero de filhos
13

Universo Contnuo

Grau de Pertinncia

(b) Universo Contnuo

1
0.8

B = Pessoas com idade em torno

de 50 anos

0.6
0.4
0.2
0

X = (Conjunto de nmeros
reais positivos) (contnuo)

B = {(x,
0

50

B(x)

)| x em X}

100

X = Idade

B(x)
1

1
x 50

10

14

Notao Alternativa

Um conjunto fuzzy A, pode alternativamente ser

denotado por:
x (discreto)
x (contnuo)

xi X

( xi ) | xi

A A ( x) | x
X

Obs.: Os smbolos e representam o conjunto dos pares

ordenados (x, A(x)).

15

Partio Fuzzy

Partio fuzzy do universo de X representando idade, formada

pelos conjuntos fuzzy jovem, maduro e idoso.

Grau de Pertinncia

1.2

Jovem

Maduro

Idoso

0.8
0.6
0.4
0.2
0

10

20

30

40

50

60

70

80

X = Idade
16

90

Variveis Lingsticas

Uma varivel lingstica possui valores que no so nmeros, mas

sim palavras ou frases na linguagem natural.
Idade = idoso

Um valor lingstico um conjunto fuzzy.

Todos os valores lingsticos formam um conjunto de termos:

T(idade) = {Jovem, velho, muito jovem,...
Maduro, no maduro,...
Velho, no velho, muito velho, mais ou menos velho,...
No muito jovem e no muito velho,...}

17

Operaes Bsicas

Subconjunto
Igualdade
Complemento
Complemento
Relativo
Unio

A B, se B(x) A(x) para cada x X

A = B, se A(x) = B(x) para cada x X

A = X - A A(x) = 1 - A(x)

E(x) = Max [0, A(x) - B(x)]

C = A B c(x) = max( A(x), B(x))

Interseo

C = A(x) B(x)

C = A B c(x) = min( A(x), B(x))

C = A(x) B(x)
18

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

(c) Conjunto Fuzzy "A ou B"

0.2
0

(b) Conjunto Fuzzy no A

1
0.8
0.6
0.4
0.2
0

1
0.8
0.6
0.4
0.2
0

(d) Conjunto Fuzzy "A e B"

19

Exemplo (Unio|Interseo)

X = {a, b, c, d, e}
A = {1/a, 0.7/b, 0.3/c, 0/d, 0.9/e}
B = {0.2/a, 0.9/b, 0.4/c, 1/d, 0.4/e}
Unio
- C = {1/a, 0.9/b, 0.4/c, 1/d, 0.9/e}

Interseo
- D = {0.2/a, 0.7/b, 0.3/c, 0/d, 0.4/e}

20

Propriedades

Comutatividade
AB=BA

Idempotncia
AA= A

A B = B A
AA= A

Associatividade
A (B C) = (A B) C = A B C

A (B C) = (A B) C = A B C

Distributividade
A (B C) = (A B) (A C)

A (B C) = (A B) (A C)

Propriedades padres: Comutatividade, Idempotncia Associatividade, Distributividade

etc. so vlidas para os conjuntos fuzzy. Exceo:

A A
A A X
21

Grau de Crena x Grau de Verdade

Grau de Crena x Teoria das Probabilidades

80% dos pacientes com dor de dentes tm cries
- Uma probabilidade de 0.8 no significa 80% verdade mas sim
um grau de crena de 80% na regraGrau de verdade x Lgica Fuzzy

Mrio alto
- A proposio verdadeira para uma altura de Mario 1.65m ?
- ...mais ou menos....

- Observar que no h incerteza, estamos seguros da altura de

Mario
O termo lingustico alto vago, como interpret-lo?
Por exemplo, a teoria de conjuntos Fuzzy (semntica para lgica
fuzzy) permite especificar quo bem um objeto satisfaz uma
descrio vaga (predicado vago)
- O grau de pertinncia de um objeto a um conjunto fuzzy representado
por algum nmero em [0,1]
22

Sistemas Fuzzy
Entradas Crisp

Fuzificao
das variveis

Definir Funes
de Pertinncia

Classificao

Aplicao das
regras

Atribuir Graus
de pertinncia

Estimar uma medida

com maior preciso

Defuzificao das
variveis

Sada Crisp

23

Fuzzificao

Etapa na qual os valores numricos so transformados

em graus de pertinncia para um valor lingstico
Cada valor de entrada ter um grau de pertinncia em
cada um dos conjuntos fuzzy. O tipo e a quantidade de
funes de pertinncia usados em um sistema
dependem de alguns fatores tais como: preciso,
estabilidade, facilidade de implementao...

24

Determinao das regras

Descrio das situaes nas quais h reaes atravs

de regras de produo (If - then). Cada regra na sada
especifica uma ou vrias concluses.

25

Regras If - then
Estilo Mamdani
Se a presso alta, ento o volume pequeno
alta

pequeno

Estilo Sugeno
Se a velocidade mdia, ento a resistncia = 5 * velocidade
mdia
resistncia = 5*velocidade
26

Sistema de inferncia
Se velocidade baixa ento resistncia = 2
Se velocidade mdia ento resistncia = 4 * velocidade
Se velocidade alta ento resistncia = 8 * velocidade
MFs baixa

mdia

alta

.8
.3
.1
2
Regra 1: w1 = .3; r1 = 2
Regra 2: w2 = .8; r2 = 4*2
Regra 3: w3 = .1; r3 = 8*2

Velocidade
Resistncia = (wi*ri) /
=277.12

wi

Avaliao das regras

Cada antecedente (lado if) tem um grau de pertinncia. A ao

da regra (lado then) representa a sada fuzzy da regra. Durante a
avaliao das regras, a intensidade da sada calculada com base
nos valores dos antecedentes e ento indicadas pelas sadas
difusas da regra.
Alguns mtodos de avaliao:
- MinMax, MaxMin, MaxProduto, MinMin, MaxMedia, MaxMax e Soma
dos produtos.

28

Agregao das Regras

So as tcnicas utilizadas na obteno de um conjunto

fuzzy de sada x a partir da inferncia nas regras.
Determinam quanto a condio de cada regra ser
satisfeita.

29

Defuzzificao

Processo utilizado para converter o conjunto difuso de

sada em um valor crisp correspondente.
Alguns mtodos de defuzzificao:
-

Centride,
Mdia dos mximos,
Distncia de Hamming,
Mtodo da altura, etc.

30

Lgica Fuzzy: consideraes finais

Lgica Fuzzy uma importante ferramenta para

auxiliar a concepo de sistemas complexos, de difcil
modelagem, e pode ser utilizada em conjunto com
outras tecnologias de ponta, como o caso da
combinao entre Lgica Fuzzy e Redes Neurais
Artificiais, e Lgica Fuzzy e Algoritmos Genticos.

31

Lgicas para IA: consideraes finais

Limitaes da Lgica Clssica para lidar com argumentos

informais
Lgica No-Clssicas
Extenses da Lgica Clssica
- Lgica Modal
- Lgica Temporal
- Lgicas No-Monotnicas

Desvios da Lgica Clssica

- Lgica Multi-Valorada
- Lgica Fuzzy

32

Exerccios 1

Seja o conjunto fuzzy A definido sobre o universo de discurso X = { 1 2 3 }.

Desejamos mapear os elementos deste conjunto fuzzy para outro universo
Y, sob a funo: y = f(x) = 2x 1.
Os elementos do universo Y obtido pela aplicao da funo dada Y = { 1,
3, 5 }
Onde y = 1= (21- 1); y = 3 = ( 22-1); y = 5 = ( 23-1)
Supondo que o conjunto fuzzy A dado por : A = { 0.6/1 1/2 0.8/3 },
onde 0.6 a pertinncia de 1 no conjunto A; 1 a pertinncia de 2 no
conjunto no conjunto A ; 0.8 a pertinncia de 3 no conjunto no conjunto
A;
O conjunto B = f(A) = {A(1)/f(1) A(2)/f(2) A(3)/f(3)}, do
princpio de extenso. Deste resulta: B = { 0.6/ 1 1/ 3 0.8/ 5 }, o
conjunto resultado do mapeamento do conjunto A.

Exerccio 2

Suponha que temos os inteiros de 1 at 10 como elementos de

dois universo de discurso X1 e X2 , com X1 = X2 = {1, 2, 3, 4, 5, 6,
7, 8, 9, 10}, e sejam A e B dois conjuntos fuzzy definidos sobre X1
e X2 respectivamente. O conjunto A = aproximadamente 2 e
o conjunto B = aproximadamente 6 dados segundo:
A = { 0.6/1 1/2 0.8/3 } ; B = { 0.8/5 1/6 0.7/7}
Obtenha o conjunto produto cartesiano de A x B correspondente
ao nmero C = aproximadamente 12, definido sobre o espao
produto: X1 x X2 = {5, 6, 7, 10, 12, 14, 15, 18, 21}

Soluo Exerccio 2

Podemos escrever :

2 x 6 = { 0.6/ 1 1/ 2 0.8 /3 }x{ 0.8/ 5 1/ 6 0.7/ 7}

Em se tratando de produto cartesiano podemos escrever:

C = { min(0.6, 0.8) / 5 min(0.6, 1.0) / 6 min(0.6, 0.7) / 7

min(1.0, 0.8) / 10 min(1.0, 1.0) / 12 min(1.0, 0.7) / 14
min(0.8, 0.8) / 15 min(0.8, 1.0) / 18 min(0.8, 0.7) / 21}
C = { 0.6/5 0.6/6 0.6/7 0.8/10 1.0/12 0.7/14 0.8/15
0.8/18 0.7/21}, este o conjunto produto cartesiano AxB.

Bibliografia

R. Turner. Logics for Artificial Intelligence. John

Wiley, 1985.
E. Rich e K. Knight. Inteligncia Artificial. Makron
Books, 2a. Edio, 1994.
S. Haack. Filosofia das Lgicas. UNESP Editora, 1998.
P. Almeida e A. Evsukoff. Sistemas Fuzzy em Sistemas
Inteligentes. Manole, 2003
J. Jang, C. T. Sun e E. Mizutani. Neuro-Fuzzy and Soft
Computing. Prentice Hall, 1997.

36