![Page 1: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/1.jpg)
1
Lógica FuzzyLógica Fuzzy
Marcílio Souto
DIMAp
![Page 2: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/2.jpg)
2
Fontes de IncertezaFontes de IncertezaExistem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados ausentes ou imprecisos e/ou relações causa-efeito não determinísticas.
Exemplos
Perito Tratamento Prescrito A 600-800mg, 3 vezes por dia Impreciso B 400mg 4 vezes ao dia ou 200mg 1 vez por dia Inconsistente C 500mg Incompleto D Cerca de 650mg, 2-3 vezes por dia Vago
Raciocínio com Incerteza exige:• Quantificação de Incerteza• Método de combinação dos valores de Incerteza
![Page 3: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/3.jpg)
3
Grau de crença x Teoria das Probabilidades–Ex. 80% dos pacientes com dor de dentes têm cáries
Uma probabilidade de 0.8 não significa “80% verdade” mas sim um grau de crença de 80% na regra, ou seja, em 80% dos casos a regra é verdadeira
Grau de verdade x Lógica Fuzzy–Ex. Mario é alto
a proposição é verdadeira para uma altura de Mario 1.65m ?
...mais ou menos....
Observar que não há incerteza, estamos seguros da altura de Mario.
O termo linguístico “alto” é vago, como interpretá-lo?
A Teoria de conjuntos Fuzzy permite especificar quão bem um objecto satisfaz uma descrição vaga.
Grau de Crença versus Grau de Verdade
![Page 4: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/4.jpg)
4
Tecnologia que permite definir modelos complexos do mundo real através de variáveis e regras simples
• Surgiu com Lofti Zadeh em 1965
• O boom foi nos anos 80, no Japão
• Lógica Fuzzy é uma nova forma de pensamento sobre o mundo
• É uma técnica baseada em graus de verdade– os valores 0 e 1 ficam nas extremidades– inclui os vários estados de verdade entre 0 e 1
Lógica FuzzyLógica Fuzzy
![Page 5: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/5.jpg)
5
• Grande parte da compreensão humana sobre os acontecimentos dos fatos é imprecisa
• Em muitos casos, a precisão pode ser um tanto inútil, enquanto instruções vagas podem ser melhor interpretadas e realizadasExemplo de compreensão humana– Invulgar:
“Comece a frear 10 metros antes do sinal PARE”– Vulgar:
“Comece a frear perto da faixa dos pedestres”
• Sistemas Especialistas devem trabalhar com informações vindas do mundo real (muitas delas imprecisas)
– devem ser capazes de reconhecer, representar, manipular, interpretar e usar imprecisões
PorquePorque usar Lógica Fuzzy usar Lógica Fuzzy ? ?
![Page 6: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/6.jpg)
6
Ao utilizar-se a lógica convencional, definem-se regras como: “Pessoas jovens são aquelas cujas idades estão entre 0 e 20”
Nesta lógica, uma pessoa com 20 anos e 1 dia não é considerada uma pessoa jovem
Porém, sabemos que isso não é verdade no mundo real
Daí a necessidade de se utilizar Lógica Fuzzy para descrever o grau de pertinência de uma pessoa ao conjunto de jovens
Conceito de Lógica FuzzyConceito de Lógica Fuzzy
![Page 7: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/7.jpg)
7
Conjuntos Conjuntos FuzzyFuzzy
• Um conjunto fuzzy corresponde a alargar a noção de conjunto, para
permitir a representação de conceitos definidos por fronteiras difusas,
como os que surgem na linguagem natural, ou conceitos qualitativos
• A função de pertinência a um conjunto fuzzy indica com que grau um
conceito específico é membro de um conjunto
• São funções que mapeam o valor que poderia ser um membro do
conjunto para um número entre 0 e 1
– O grau de pertinência 0 indica que o valor não pertence ao conjunto
– O grau 1 significa que o valor é uma representação completa do
conjunto
• A definição do conceito depende do contexto
![Page 8: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/8.jpg)
8
Lógica FuzzyLógica Fuzzy
![Page 9: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/9.jpg)
9
No gráfico abaixo:– O valor 1 significa que a pessoa pertence ao grupo de jovens;– O valor 0 significa que a pessoa não pertence o grupo;– Os valores intermédios indicam o grau de pertinência da pessoa ao grupo: se possui 25 anos é 50% jovem e 20% adulto
Lógica FuzzyLógica Fuzzy
![Page 10: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/10.jpg)
10
Lógica FuzzyLógica Fuzzy
• A transição entre ser membro e não ser é gradual e não é abrupta!
• Os conceitos vagos (inteligente, rico, bonito) são subjetivos e dependentes do contexto
![Page 11: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/11.jpg)
11
Lógica FuzzyLógica FuzzyConjuntos Normais: função característica - medida de pertinência
associada ao conjunto A
Conjunto Vago: quando os elementos têm um grau de pertinência
relativamente ao conjunto.
Exemplo
– U = {x | x é uma idade entre 0 e 100}
– A = conjunto das idades jovens
]1,0[)( xA
}:)),({( UxxxA A
1)2)30
(1(()( xxA
![Page 12: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/12.jpg)
12
Lógica Lógica FuzzyFuzzy
Grau de pertinência
(x)
0 2 4 6 8 10 12 14 16 18
Duração (em semanas)
1
Um Projeto Longo
![Page 13: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/13.jpg)
13
Lógica FuzzyLógica Fuzzy• Como se obtém ?
– É subjetivo !
– Por vezes é uma medida consensual
• É necessário exprimir com números?
– Não necessariamente !
– Podem ser usados números vagos
é uma probabilidade?
– Não. É uma medida de compatibilidade entre um objeto e o conceito denotado pelo conjunto vago
![Page 14: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/14.jpg)
14
Lógica Lógica FuzzyFuzzy
Projecto Longo
O que significa Longo ?A que conjunto Longo pertence ?
Modelo dependente do Contexto
• Esta variação de grau de Longo significa que alguns projetos estarão mais fortemente associados com a categoria Longo do que outros
• Este grau pode assumir qualquer valor num determinado intervalo, não ficando restrito apenas a PERTENCER ou NÃO PERTENCER aquele intervalo
![Page 15: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/15.jpg)
15
Variáveis LinguísticasVariáveis Linguísticas
• São o centro da técnica de modelagem dos sistemas fuzzy
• Uma variável linguística é o nome do conjunto fuzzy
• Pode ser usado num sistema baseado em regras para tomada de decisão
Exemplo
if projecto.duração is LONGO
then risco is maior
• Transmitem o conceito de qualificadores
• Qualificadores mudam a forma do conjunto fuzzy
![Page 16: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/16.jpg)
16
• Algumas variáveis linguísticas do conjunto LONGO com qualificadores:
– muito LONGO
– um tanto LONGO
– ligeiramente LONGO
– positivamente não muito LONGO
Variáveis Linguísticas
Conjunto Fuzzy
Qualificadores
Variáveis Linguísticas
Variáveis LinguísticasVariáveis Linguísticas
![Page 17: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/17.jpg)
17
• Permitem que a linguagem da modelagem fuzzy expresse a semântica usada por especialistas
Exemplo:
If projeto.duração is positivamente não muito LONGO
then risco is ligeiramente reduzido
• Encapsula as propriedades dos conceitos imprecisos numa forma usada computacionalmente
• Reduz a complexidade do problema
• Sempre representa um espaço fuzzy
Variáveis LinguísticasVariáveis Linguísticas
![Page 18: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/18.jpg)
18
Operadores dos Conjuntos Operadores dos Conjuntos FuzzyFuzzy
Interseção
Sejam
X um conjunto de pontos
A e B conjuntos contidos em X
A B))(),(min()()( xxx BABA
)()()()( xxx BABA
![Page 19: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/19.jpg)
19
União
Sejam
X um conjunto de pontos
A e B conjuntos contidos em X
A
))(),(max()()( xxx BABA
)()()()( xxx BABA
B
Operadores dos Conjuntos Operadores dos Conjuntos FuzzyFuzzy
![Page 20: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/20.jpg)
20
Complemento
Sejam X um conjunto de pontosA um conjunto contido em X
)(1)( xx AA
A
Operadores dos Conjuntos Operadores dos Conjuntos FuzzyFuzzy
![Page 21: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/21.jpg)
21
Em conjuntos Fuzzy,
o que não satisfaz a teoria dos conjuntos clássica
),() ( e )()( FALSEAATRUEAA
11/2
)2/1,2/11max(
))(),(max()(
AAAA
01/2
)2/1,2/11min(
))(),(min()(
AAAA
,2/1)( Considere A
Operadores dos Conjuntos Operadores dos Conjuntos FuzzyFuzzy
![Page 22: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/22.jpg)
22
Sistemas Sistemas FuzzyFuzzy
• Sistemas Especialistas incertos são modelados a partir de:– probabilidade Bayesiana– alguns fatores de confiança ou certeza
If altura > 1.75 and altura < 1.80then peso is 80, CF = 0.082
• Sistemas Fuzzy fornecem aos Sistemas Especialista um método mais consistente e matematicamente mais forte para manipulação de incertezas
if altura is ALTA then peso is PESADO
• Ambas alternativas confiam na transferência por parte dos peritos de valores incertos fora do próprio modelo
![Page 23: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/23.jpg)
23
• Nos Sistemas Especialistas convencionais:
– as proposições são executadas sequencialmente
– heurísticas e algoritmos são usados para reduzir o número de regras examinadas
• Nos Sistemas Especialistas Fuzzy:
– o protocolo de raciocínio é um paradigma de processamento paralelo
– todas as regras são disparadas
Raciocínio Raciocínio FuzzyFuzzy
![Page 24: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/24.jpg)
24
1ª FUZZIFICAÇÃO
2ª INFERÊNCIA
AGREGAÇÃO
3ª DEFUZZIFICAÇÃO
COMPOSIÇÃO
Etapas do Raciocínio Etapas do Raciocínio Fuzzy Fuzzy
![Page 25: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/25.jpg)
25
Linguístico
NuméricoNível
Variáveis Calculadas
Variáveis Calculadas
(Valores Numéricos)
(Valores Linguísticos)Inferência
Variáveis de Comando
Defuzzificação
Objecto
Fuzzificação
(Valores Linguísticos)
Variáveis de Comando(Valores Numéricos)
Nível
Etapas do Raciocínio Etapas do Raciocínio Fuzzy Fuzzy
![Page 26: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/26.jpg)
26
Proposição 1 Proposição 2 Proposição 3 Proposição n
DefuzzificaçãoDefuzzificação
Valor EsperadoValor Esperado
ComposiçãoComposição
Etapas do Raciocínio Etapas do Raciocínio Fuzzy Fuzzy
![Page 27: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/27.jpg)
27
FuzzificaçãoFuzzificaçãoEtapa na qual as variáveis linguísticas são definidas de forma subjetiva, bem como as funções membro (funções de pertinência)
Engloba:• Análise do Problema • Definição das Variáveis • Definição das Funções de pertinência • Criação das Regiões
Na definição das funções de pertinência para cada variável, diversos tipos de espaço podem ser gerados:
Triangular, Trapezoidal, ...
![Page 28: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/28.jpg)
28
TRIANGULAR
Frio Normal Quente
FuzzificaçãoFuzzificação
TRAPEZOIDAL
Lento Rápido
![Page 29: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/29.jpg)
29
InferênciaInferência
Etapa na qual as proposições (regras) são definidas e depois são examinadas paralelamente
Engloba:
• Definição das proposições
• Análise das Regras
• Criação da região resultante
![Page 30: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/30.jpg)
30
• O mecanismo chave do modelo Fuzzy é a proposição
• A proposição é o relacionamento entre as variáveis do modelo e regiões Fuzzy
• Na definição das proposições, deve-se trabalhar com:
PROPOSIÇÕES CONDICIONAISif W is Z then X is Y
PROPOSIÇÕES NÃO-CONDICIONAIS
X is Y
InferênciaInferência
![Page 31: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/31.jpg)
31
AGREGRAÇÃO
Calcula a importância de uma determinada regra para a situação corrente
COMPOSIÇÃO
Calcula a influência de cada regra nas variáveis de saída.
Regras de Inferência
R1 IF duração = longa AND qualidade = alta THEN risco = médio
R2 IF duração = média AND qualidade = alta THEN risco = baixo
R3 IF duração = curta AND qualidade = baixa THEN risco = baixo
R4 IF duração = longa AND qualidade = média THEN risco = alto
InferênciaInferência
![Page 32: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/32.jpg)
32
DefuzzificaçãoDefuzzificação
• Etapa no qual as regiões resultantes são convertidas em valores para a variável de saída do sistema
• Esta etapa corresponde a ligação funcional entre as regiões Fuzzy e o valor esperado
• Dentre os diversos tipos de técnicas de defuzzificação destaca-se:
–Centróide
–First-of-Maxima
–Middle-of-Maxima
–Critério Máximo
![Page 33: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/33.jpg)
33
Exemplos:
z0 z0 z0
Centróide First-of-Maxima Critério Máximo
DefuzzificaçãoDefuzzificação
![Page 34: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/34.jpg)
34
Sistemas Sistemas FuzzyFuzzy • Benefícios para os especialistas:
– habilidade em codificar o conhecimento de uma forma próxima da linguagem usada pelos especialistas
• O processo de aquisição do conhecimento é:– mais fácil– menos propenso a falhas e ambiguidades
• Fácil modelar sistemas envolvendo múltiplos especialistas– Nos sistemas do mundo real, há vários especialistas sob um mesmo domínio
– Representam bem a cooperação múltipla, a colaboração e os conflitos entre os especialistas
• Lógica Fuzzy tornou-se uma tecnologia padrão é aplicada em análise de dados e sinais de sensores, finanças e negócios, ...
– Aproximadamente 1100 aplicações bem sucedidas foram publicadas em 1996
– Utilizada em sistemas de Máquinas Fotográficas, Máquina de Lavar Roupas, Freios ABS, Ar Condicionado, etc.
![Page 35: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/35.jpg)
35
FLINTFLINTFerramenta que permite usar Lógica Fuzzy
dentro do contexto da Linguagem Prolog
![Page 36: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/36.jpg)
36
• Estágio 1 - Fuzzificação
o valor fixo de entrada é convertido em graus para cada qualificador
• Estágio 2 - Propagação
regras fuzzy são aplicadas às variáveis e seus qualificadores
• Estágio 3 - Defuzzificação
o grau resultante para cada qualificador é convertido num valor fixo
Estrutura dEstrutura dosos Programas Fuzzy Programas Fuzzy
![Page 37: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/37.jpg)
37
Exemplo (viagem de carro):
Estrutura dEstrutura dosos Programas Fuzzy Programas Fuzzy
120
VELOCIDADE
TEMPERATURA
250
REGRASREGRASFUZZYFUZZY
PRESSÃO DEACELERAÇAO
FUZZIFICAÇÃO PROPAGAÇÃO DE-FUZZIFICAÇÃO
10
VARIÁVEIS REGRAS VARIÁVEISFUZZY FUZZY FUZZY
QUENTE
NORMAL
FRIO
RÁPIDO
MEIO RÁPIDO
NORMAL
MEIO DEVAGAR
DEVAGAR
MÁXIMA
MÉDIA
MÍNIMA
![Page 38: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/38.jpg)
38
• Pertencem a uma faixa de valores
• Armazenam um único valor
Exemplo no FLINT:
fuzzy_variable(velocidade) :- [-100, 150]
O nome é um átomo
Variáveis FuzzyVariáveis Fuzzy
Possuem qualificadores, que subdividem a faixa de valores, compostos de:
• um nome (qualificador linguístico)
• uma função membro que define o grau de pertinência do valor para este qualificador
![Page 39: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/39.jpg)
39
A função membro é definida por:– Forma– Curvatura– Pontos Relevantes
Forma e pontos relevantes
Qualificadores das Variáveis FuzzyQualificadores das Variáveis Fuzzy
\ [A, B] descida de rampa/ [A, B] subida de rampa/\ [A, B, C] triângulo para cima\/ [A, B, C] triângulo para baixo/-\ [A, B, C, D] trapezóide para cima\-/ [A, B, C, D] trapezóide para baixo? [V1/M1, V2/M2, Vk,Mk] forma livre
![Page 40: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/40.jpg)
40
Curvatura
• Linear
• Curva
– Menor que 1
– Igual a 1
– Maior que 1
Qualificadores das Variáveis FuzzyQualificadores das Variáveis Fuzzy
![Page 41: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/41.jpg)
41
Simbolo: \-/Pontos: [A,B,C,D]Curvatura: linear
Simbolo: ?Pontos: [v1/m1,v2/m2,...,vk/mk]Curvatura: não linear
Exemplo de qualificadoresExemplo de qualificadores
![Page 42: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/42.jpg)
42
• Centroid - centro de gravidade (default)
• Peak - maior nível da função
• Expressão definida pelo utilizador
Métodos de DefuzzificaçãoMétodos de Defuzzificação
![Page 43: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/43.jpg)
43
fuzzy_variable(velocidade) :- [0, 200]; baixa, \, curved(2), [0, 30]; media, /\, linear, [10, 30, 50]; alta, / , curved(0.5), [40, 70];peak.
Nome da variávelFaixa da variável (opcional)
Nome do qualificador
Formas Curvatura PontosVariável de-fuzzy
Exemplo de declaração de variável no FLINTExemplo de declaração de variável no FLINT
![Page 44: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/44.jpg)
44
• Concentram ou diluem a característica de uma função membro para um qualificador
• São universais
• Compostos de nome e fórmula
– Única fórmula suportada – power
(parâmetro deve estar entre 0.1 e 9.9)
fuzzy_hedge(muito, power(2)).
Intensificadores LinguísticosIntensificadores Linguísticos
![Page 45: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/45.jpg)
45
Consistem:
– Conjunto de condições IF(usando conectivos and, or ou not)
– Uma conclusão THEN
– Uma conclusão opcional ELSE
• São aplicadas às variáveis por um processo chamado “Propagação”
Regras FuzzyRegras Fuzzy
![Page 46: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/46.jpg)
46
fuzzy_rule(risco1) if duração is muito longa and custo is alto then risco is substancial else risco is baixo.
Nome da regra fuzzy
Nomes de qualificador de condição
Nomes de variável de condição
Nome de variável de conclusão
Nomes de qualificador de conclusão
DDeclaração de eclaração de uma Ruma Regra no FLINTegra no FLINT
![Page 47: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/47.jpg)
47
Expresão Método Descrição
P and Q minimum min(Xp, Xq) product Xp * Xq
truncate max(Xp + Xq - 1, 0)P or Q maximum max(Xp, Xq) strengthen Xp + Xq * (1 - Xp) addition min(Xp + Xq, 1)not P complement 1 - Xp
MMétodos de operaçãoétodos de operação
![Page 48: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/48.jpg)
48
Regras que possuem a mesma forma podem ser agrupadas numa matriz de regras
– Primeira linha do corpo definem as variáveis usadas
– Linhas restantes do corpo definem as relações entre os qualificadores
Matrizes de Regras FuzzyMatrizes de Regras Fuzzy
![Page 49: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/49.jpg)
49
fuzzy_matrix(regras_de_risco) :- duração * custo -> risco; longa * alto -> muito_alto; curta * baixo -> baixo.
Nome da matriz fuzzy
Nomes de variável de conclusão
Nome de variáveis de condição
Nome de qualificadores de condição
Nomes de qualificadores de condições
Declaração de Declaração de MMatrizes atrizes FFuzzy no FLINTuzzy no FLINT
![Page 50: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/50.jpg)
50
Exemplo: Controlador de uma turbina a vaporExemplo: Controlador de uma turbina a vapor Objetivo:
Usar Lógica Fuzzy para ajustar a válvula de uma turbina de acordo com a sua temperatura e pressão mantendo-a a funcionar de um modo suave
Regras Fuzzy
Turbina
Temperatura
Pressão
Sensores
válvula
Temperatura
Pressão
Válvula
Propagação
Activação
Fuzzificação
Defuzzificação
![Page 51: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/51.jpg)
51
1º Definição das variáveis Fuzzy1º Definição das variáveis Fuzzyfuzzy_variable temperature ; ranges from 0 to 500 ; fuzzy_set cold is \ shaped and linear at 110 , 165 ; fuzzy_set cool is /\ shaped and linear at 110 , 165 , 220 ; fuzzy_set normal is /\ shaped and linear at 165 , 220 , 275 ; fuzzy_set warm is /\ shaped and linear at 220 , 275 , 330 ; fuzzy_set hot is / shaped and linear at 275 , 330 .
![Page 52: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/52.jpg)
52
1º Definição das variáveis Fuzzy1º Definição das variáveis Fuzzyfuzzy_variable pressure ;
ranges from 0 to 300 ;
fuzzy_set weak is \ shaped and linear at 10 , 70 ;
fuzzy_set low is /\ shaped and linear at 10 , 70 , 130 ;
fuzzy_set ok is /\ shaped and linear at 70 , 130 , 190 ;
fuzzy_set strong is /\ shaped and linear at 130, 190 , 250 ;
fuzzy_set high is / shaped and linear at 190, 250 .
![Page 53: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/53.jpg)
53
1º Definição das variáveis Fuzzy1º Definição das variáveis Fuzzyfuzzy_variable throttle ;
ranges from -60 to 60 ;
fuzzy_set negative_large is \ shaped and linear at -45 , -30 ;
fuzzy_set negative_medium is /\ shaped and linear at -45 , -30 , -15 ;
fuzzy_set negative_small is /\ shaped and linear at -30 , -15 , 0 ;
fuzzy_set zero is /\ shaped and linear at -15 , 0 , 15 ;
fuzzy_set positive_small is /\ shaped and linear at 0 , 15 , 30 ;
fuzzy_set positive_medium is /\ shaped and linear at 15 , 30 , 45 ;
fuzzy_set positive_large is / shaped and linear at 30 , 45 .
![Page 54: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/54.jpg)
54
2º Definição das Regras Fuzzy2º Definição das Regras FuzzyAs regras são da forma:
If the temperature is cold
and the pressure is weak
then increase the throttle by a large amount
Para diferentes combinações de valores de temperatura e pressão devolvem um valor a aplicar à válvula da turbina
Daí que possam ser descritas através de uma matriz de valores onde são apresentadas todas as combinações possíveis
![Page 55: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/55.jpg)
55
2º Matriz de Regras 2º Matriz de Regras fuzzy_matrix throttle_value temperature * pressure throttle ; cold * weak positive_large ; cold * low positive_medium ; cold * ok positive_small ; cold * strong negative_small ; cold * high negative_medium ;
cool * weak positive_large ; cool * low positive_medium ; cool * ok zero ; cool * strong negative_medium ; cool * high negative_medium ;
normal * weak positive_medium ; normal * low positive_small ; normal * ok zero ; normal * strong negative_small ; normal * high negative_medium ;
warm * weak positive_medium ; warm * low positive_small ; warm * ok negative_small ; warm * strong negative_medium ; warm * high negative_large ;
hot * weak positive_small ; hot * low positive_small ; hot * ok negative_medium ; hot * strong negative_large ; hot * high negative_large .
![Page 56: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/56.jpg)
56
Programa Programa % Propagação dos valores fuzzy
relation get_throttle_value(Temperature,Pressure,Throttle) if reset all fuzzy values and fuzzify the temperature from Temperature and fuzzify the pressure from Pressure and propagate throttle_value fuzzy rules and defuzzify the throttle to Throttle .
O Frame Turbina irá modelar a turbina real que se pretende controlar
% Frame Turbinaframe turbine default temperature is 0 and default pressure is 0 and default throttle is 0 .
![Page 57: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/57.jpg)
57
LPA-FLINTLPA-FLINT% Quando os valores Temperatura e Pressão são recolhidos da turbina são aplicados ao Frame
% Set Turbine Values
action set_turbine_temperature(T)
do the temperature of turbine becomes T .
action set_turbine_pressure(P)
do the pressure of turbine becomes P .
%Estes valores são passados através do programa Fuzzy que calcula um valor a aplicar à válvula
action set_turbine_throttle do check the temperature of turbine is Temperature and check the pressure of turbine is Pressure and get_throttle_value(Temperature,Pressure,Throttle) and the throttle of turbine becomes Throttle .
![Page 58: 1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados](https://reader036.vdocuments.com.br/reader036/viewer/2022062700/552fc148497959413d8e1755/html5/thumbnails/58.jpg)
58
LPA-FLINTLPA-FLINTOs Demon seguintes asseguram que sempre que sejam alterados os valores Pressão e Temperatura o correspondente valor da válvula é calculado
demon react_to_temperature_update when the temperature of turbine changes to T then set_turbine_throttle.
demon react_to_pressure_update when the pressure of turbine changes to T then set_turbine_throttle.
% Mostra os valores da Turbina action display_turbine_values do write('The current temperature is: ') and write (the temperature of turbine) and nl and write('The current pressure is: ') and write (the pressure of turbine) and nl and write ('The current throttle is: ') and write (the throttle of turbine) and nl .