FACULDADE DE TECNOLOGIA DE GUARATINGUETÁ

Fuzzy LogicLógica Fuzzy

Adiel LemosBruno Michael S. SantosEliphas L. G. de Siqueira

Pedro Campos

Fundamentos de Inteligência ArtificialProfessora Camila Martinelli Rocha

Guaratinguetá2009

Conteúdo1. Definição........................................................................................................3

1.1. Lógica binária..........................................................................................3

1.2. Lógica difusa...........................................................................................3

2. Aplicação.......................................................................................................3

3. Exemplos.......................................................................................................4

3.1. Exemplo 1: Diagnóstico Diferencial de Enfermagem em Alterações na

Eliminação Urinária......................................................................................................4

3.2. Exemplo 2: Mineração de Dados............................................................5

3.3. Exemplo 3: Modelo Coppe-Cosenza de Hierarquia Fuzzy.......................5

2

1. Definição

1.1.Lógica binária

A Lógica Digital, mais tarde conhecida como Lógica Ocidental, ou ainda Lógica

Binária, criada por Aristóteles, era baseada em premissas e conclusões. Assim, uma

afirmação poderia ser somente Verdadeira ou Falsa, sem poder ser parcialmente

verdadeira ou parcialmente falsa.

1.2.Lógica difusa

Por volta de 1965, Lofti A. Zadeh começa a contradizer essa lógica, afirmando

que as coisas podem e devem coexistir com seu oposto, o que faz da Lógica Difusa uma

maneira natural de raciocínio.

2. Aplicação

Colocando ambas as Lógicas frente-a-frente, pode-se notar que a lógica ocidental

não pode responder a grande parte das experiências humanas, pois grande parte delas

não pode ser classificada como sim ou não, ou ainda como verdadeira ou falsa.

A maioria dessas experiências necessitam de respostas não-quantificáveis, como

quando queremos saber se um homem é alto ou baixo, ou se uma taxa de risco é

grande ou pequena.

Para isso, a Lógica Fuzzy, como também é conhecida, utiliza graus de associação

entre as possíveis respostas. Veja o exemplo: ao invés dizermos que a casa é grande,

dizemos que ela é 0.8 grande, 0.2 média e 0.0 pequena. Dizendo de outra maneira,

temos que a casa tem a probabilidade de 80% de ser grande, 20% de ser média e 0%

de ser pequena.

Dessa forma podemos incluir em computadores umaa capacidade mais ampla de

raciocínio lógico, que passa de binária para estatística. Ou seja, ela continua numérica,

mas passa a ser mais abrangente.

3

3. Exemplos

Apresentamos agora alguns exemplos da aplicação da lógica difusa em sistemas

de inteligência artificial.

3.1. Exemplo 1: Diagnóstico Diferencial de Enfermagem em

Alterações na Eliminação Urinária

Os diagnósticos de enfermagem relativos a alterações na eliminação urinária requerem

diferentes intervenções, e as enfermeiras que não são especialistas necessitam de

suporte para o diagnóstico e manejo de pacientes com distúrbios na eliminação de

urina. O objetivo deste trabalho foi apresentar um modelo baseado em lógica fuzzy

para o diagnóstico diferencial de alterações na eliminação urinária, considerando os

diagnósticos de enfermagem aprovados pela North American Nursing Diagnosis

Association - International (NANDA-I), 2001 - 2002. A composição máximo-mínimo

fuzzy foi usada para desenvolver esse modelo. Ele foi testado em 195 casos de uma

base de dados de um estudo prévio. O modelo foi capaz de determinar o diagnóstico

em total concordância com um painel de três especialistas em 79,5% dos casos. O

modelo diagnosticou 19% dos casos com concordância parcial com o painel de

especialistas. Somente em 3 casos (1.5%) o modelo apresentou diagnósticos

diferentes. Conclui-se que o modelo aqui proposto, a despeito de sua simplicidade,

apresenta bom desempenho. No entanto, recomendam-se mais testes antes de ser

amplamente usado como suporte para a decisão clínica.

Fonte:

LOPES, Maria Helena Baena de Moraes. Modelo Baseado em Lógica Fuzzy para oDiagnóstico Diferencial de Enfermagem em Alterações na Eliminação Urinária. Disponível em < http://www.sbis.org.br/cbis/arquivos/1040.pdf> Acesso em 20 de março de 2009.

4

3.2. Exemplo 2: Mineração de Dados

As empresas atualmente dispõem de um grande volume de informações sobre

transações comerciais que podem ser extraídas através do uso de mineradores de

dados, com a finalidade de descobrir e associar características e comportamentos

relacionados a seus clientes, de maneira a possibilitar melhorias no relacionamento

com os mesmos e permitir a sua fidelização. A utilização da Lógica Fuzzy nos

algoritmos de data mining evita o comprometimento da confiabilidade dos resultados,

caso se trate de termos imprecisos, visto que o retorno de informações da mineração

realizada abrangerá dados que seriam desprezados ao empregar a lógica clássica. Este

artigo apresenta a comparação dos resultados obtidos entre um minerador de dados

utilizando a lógica difusa ou nebulosa e um data mining de algoritmo Apriori.

Fonte:

AZEVEDO, Denise; DEMASI, Pedro. Consulta a Banco de Dados Utilizando Conceitos Nebulosos. Disponível em <http://www.nce.ufrj.br/labic/downloads/ricim_out_2000.pdf> Acesso em: 20 de março de 2009.

3.3. Exemplo 3: Modelo Coppe-Cosenza de Hierarquia Fuzzy

As aplicações da Lógica Fuzzy se expandiram em várias direções. A interpretação

através da lógica fuzzy de uma estrutura de dados é um caminho muito natural e

intuitivamente plausível para a formulação e resolução de problemas. O Modelo

Coppe-Cosenza de Hierarquia Fuzzy tem a Lógica Fuzzy em suas bases. Os sistemas

fuzzy são capazes de utilizar, em sua modelagem, informações imprecisas e ambíguas

e tornam este modelo capaz de trabalhar com uma vasta maioria de problemas de

hierarquização que têm por característica a sua complexibilidade e a não exigência de

precisão.

Fonte:

TOLEDO, Olga Moraes. Um caso de aplicação da Lógica Fuzzy – o Modelo Coppe-Cosenza de Hierarquia Fuzzy. Out. 2003. Disponível em <http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0608_0657.pdf> Acesso em: 20 de março de 2009.

5

6