Sie sind auf Seite 1von 51

Sistemas Fuzzy

Sistemas Fuzzy Anne Magály de Paula Canuto
Sistemas Fuzzy Anne Magály de Paula Canuto
Sistemas Fuzzy Anne Magály de Paula Canuto
Sistemas Fuzzy Anne Magály de Paula Canuto

Anne Magály de Paula Canuto

Introdução
Introdução

O conhecimento humano é incerto, incompleto ou impreciso.

Ex.: Você vai para o show do Kid Abelha?

talvez sim. se não chover eu vou. se o ingresso não for caro vou. vou logo cedo.

Muitas das frases e estimativas humanas não são facilmente definidas através de formalísmos matemáticos.

2

Sistemas especialistas Fuzzy
Sistemas especialistas Fuzzy

Especialistas

Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago “Embora o transformador esteja um pouco carregado, pode-se usá-lo por um tempo Nenhum problema para outro especialista, mas sim para o EC

Lógica Fuzzy:

Idéia: todas as coisas admitem graus (temperatura, altura,

velocidade, distância, etc

)

Desenvolvida por Lofti A. Zadeh da Universidade da Califórnia em Berkeley na década de 60

Vantagens da Lógica Fuzzy
Vantagens da Lógica Fuzzy

Permite soluções mais eficientes para problemas tratados com técnicas não-fuzzy.

Reduz o tempo de desenvolvimento.

Modela sistemas não-lineares complexos.

Sistemas avançados precisam de menos chips e sensores.

Complexidade e Compreensão

Complexidade e Compreensão Zadeh percebeu que a complexidade do sistema vem de como as variáveis foram

Zadeh percebeu que a complexidade do sistema vem de como as variáveis foram representadas e manipuladas. Zadeh representa o raciocínio humano em termos de conjuntos fuzzy.

Princípio de Zadeh:

“Quando a complexidade do problema cresce, nossa habilidade para tornar as proposições precisas diminui até um limiar que está fora do nosso alcance. Isto torna a precisão e a relevância duas características excelentes.”

Introdução
Introdução

IMPORTANTE: Grau de pertinencia NÃO é o mesmo que grau de crença (probabilidade) Grau de Crença

80% dos pacientes com dor de dentes têm cáries Uma probabilidade de 0.8 não significa “80% verdade” mas sim 80% de chance de ser verdadeiro

Grau de pertinência: Mário é alto

Observar que não há incerteza, estamos seguros da altura de Mario A proposição é verdadeira para uma altura de Mario 1.65m ?

Características: Lógica Fuzzy
Características: Lógica Fuzzy

Lógica convencional: sim-ou-não, verdadeiro-ou-falso Lógica Fuzzy (difusa ou nebulosa):

Refletem o que as pessoas pensam Tenta modelar o nosso senso de palavras, tomada de decisão ou senso comum

Trabalha com uma grande variedade de informações vagas e incertas, as quais podem ser traduzidas por expressões do tipo: a maioria, mais ou menos, talvez, etc.

Conjuntos Fuzzy (1/3)
Conjuntos Fuzzy (1/3)

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 indica significa que o valor é uma representação completa do conjunto.

Um conjunto fuzzy indica com qual grau um projeto específico é membro do conjunto de projetos LONGOS.

A definição do que é um projeto LONGO depende do contexto.

Conjuntos Fuzzy (2/3)
Conjuntos Fuzzy (2/3)

Conjuntos com limites imprecisos A = Conjunto de pessoas altas

1.0

Conjunto Clássico

A = Conjunto de pessoas altas 1.0 Conjunto Clássico 1.75 Altura( m) 1.0 .9 .8 .5

1.75

Altura(

m)

1.0

.9

.8

.5

Conjunto Fuzzy

1.0 Conjunto Clássico 1.75 Altura( m) 1.0 .9 .8 .5 Conjunto Fuzzy Função de pertinência 1.60

Função de

pertinência

1.0 Conjunto Clássico 1.75 Altura( m) 1.0 .9 .8 .5 Conjunto Fuzzy Função de pertinência 1.60

1.60

1.70

1.75

Altura

(m)

Conjuntos Fuzzy (3/3)
Conjuntos Fuzzy (3/3)

Definição formal

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

Conjunto

fuzzy

A

como um conjunto de pares ordenados: Conjunto fuzzy A = {( x , µ A (

=

{( x ,

µ

A

( x )) | x

ordenados: Conjunto fuzzy A = {( x , µ A ( x )) | x ∈

Função de pertinência (MF)

X }

, µ A ( x )) | x ∈ Função de pertinência (MF) X } Universo

Universo ou Universo de discurso

UmUm conjuntoconjunto fuzzyfuzzy éé totalmentetotalmente caracterizadocaracterizado porpor suasua funçãofunção dede
UmUm conjuntoconjunto fuzzyfuzzy éé totalmentetotalmente caracterizadocaracterizado
porpor suasua funçãofunção dede pertinênciapertinência (MF)(MF)
Variáveis Linguísticas
Variáveis Linguísticas

Uma variável linguística possui valores que não são números, mas sim palavras ou frases na linguagem natural.

Idade = idoso

Um valor linguístico é um conjunto fuzzy. Todos os valores linguísticos formam um conjunto de termos:

T(idade) = {Jovem, velho, muito jovem, Maduro, não maduro,

Velho, não velho, muito velho, mais ou menos velho,

Não muito jovem e não muito velho,

}

Variáveis Linguísticas
Variáveis Linguísticas

Permitem que a linguagem da modelagem fuzzy expresse a semântica usada por especialistas Exemplo:

If projeto.duração is não muito LONGO then risco is ligeiramente reduzido

Variáveis Linguísticas: Modificadores

Variáveis Linguísticas: Modificadores Algumas variáveis linguísticas do conjunto LONGO com podem usar termos que

Algumas variáveis linguísticas do conjunto LONGO com podem usar termos que modificam os conjuntos fuzzy

muito LONGO um tanto LONGO ligeiramente LONGO positivamente não muito LONGO

Conjunto Fuzzy Variáveis Variáveis Lingüísticas Linguísticas Modificadores
Conjunto Fuzzy
Variáveis Variáveis
Lingüísticas Linguísticas
Modificadores
LONGO positivamente não muito LONGO Conjunto Fuzzy Variáveis Variáveis Lingüísticas Linguísticas Modificadores
Hedges (modificadores) (1/2)
Hedges (modificadores) (1/2)

Modificador: qualificador de um conjunto nebuloso que é usado para modificar a forma dos conjuntos fuzzy

Muito, algo mais ou menos, um pouco

São universais e produzem um novo conjunto Compostos de nome e fórmula Muito:

M

µ

A

(x)

(

= µ

A

(x)

) 2

Extremamente

M

µ

A

(x)

(

= µ

A

(x)

) 3

Hedges (modificadores) (2/2)
Hedges (modificadores) (2/2)

Muito muito

M

µ

A

(x)

(

= µ

A

(x)

) 4

Um pouco

Mais ou menos

M

µ

A

(x)

(

= µ

A

(x)

) 1,3

M

µ

A

(x)

=

µ

A

(x)

Indeed

M

µ

A

M

µ

A

(

(

)

)

x

x

=

= −

1

2*

(

µ

A

( )

x

)

2

,0

µ

2(1

µ

A

2

( )) ,0,5

x

0,5

<

µ

1

Operações Básicas dos Conjuntos Fuzzy

Operações Básicas dos Conjuntos Fuzzy Subconjunto Igualdade Complemento Complemento Relativo União

Subconjunto

Igualdade

Complemento

Complemento

Relativo

União

Interseção

A B, se µ B(x) ≥ µ A(x) para cada xX

A = B, se µ A(x) = µ B(x) para cada xX

A = X - A µ A(x) = 1 - µ A(x)

µ E(x) = Max [0, µ A(x) - µ B(x) ]

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

C = µ A(x) µ B(x)

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

C = µ A(x) µ B(x)

Operações Básicas dos Conjuntos Fuzzy

Operações Básicas dos Conjuntos Fuzzy Produto Algébrico Soma Algébrica S o m a L i m

Produto Algébrico

Soma Algébrica

Soma Limitada

µ PA(x) = µ A(x) * µ B(x)

µ SA(x) = (µ A(x) + µ B(x) ) - (µ A(x) * µ B(x) )

µ SL(x) = min(1,(µ A(x) + µ B(x) ))

Operadores dos Conjuntos Fuzzy
Operadores dos Conjuntos Fuzzy

X conjunto

em

X

e

de pontos,

X

x

.

A

e

B

conjuntos

União Sejam contidos

de pontos, X x ∈ . A e B conjuntos União Sejam contidos µ ( )

µ

(

)

(

x

)

x

)

max(

µ

A

(

x

)

(

x

),

µ

(

x

B

)

(

x

))

=

A

B

A

A

B

x ) max( µ A ( x ) ( x ), µ ( x B )
x ) max( µ A ( x ) ( x ), µ ( x B )
x ) max( µ A ( x ) ( x ), µ ( x B )
x ) max( µ A ( x ) ( x ), µ ( x B )
x ) max( µ A ( x ) ( x ), µ ( x B )
x ) max( µ A ( x ) ( x ), µ ( x B )
µ ( A ∪ B ) (

µ (

A

B

)

(

= µ

µ

B

Podemos utilizar outros operadores, tais como: soma algébrica, soma limitada, etc

Operadores dos Conjuntos Fuzzy
Operadores dos Conjuntos Fuzzy

Intersecção

Sejam

contidos

X

conjunto

em

X

e

de pontos,

X

x

.

A

e

B

conjuntos

µ ( x ) = min( µ ( A ∩ B ) A B µ
µ
(
x
)
=
min(
µ
(
A
∩ B
)
A
B
µ
∩ = µ
(
x
)
(
x
)
(
A
B
)
A

A

(

x

),

µ

B

µ

B

(

x

)

(

x

))

Podemos utilizar outros operadores, tais como: média, produto, etc

Operadores dos Conjuntos Fuzzy
Operadores dos Conjuntos Fuzzy

Complemento

Sejam

X

conjunto

de pontos,

A

um conjunto

contido

em

X

e

x

X

.

A
A

µ

A

(x)

=

1

µ

A

(x)

Propriedades
Propriedades

Comutatividade

 

A B = B A

A B = B A

Idempotência

A A = A

A A = 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 padrões são válidas para os conjuntos fuzzy. Exceção:

A A ≠ φ (lei do terceiro excluído é A A = φ ) A A X (lei da contradição é A A = X)

Propriedades
Propriedades

Considere µ ( A) = 1 / 2,

(

µ ¬A A

)

=

max(

µ ( A

),

(

µ A

))

max(1

=

= 1/2 1

1 / 2,1 / 2)

µ

(

¬A A

)

=

min(

(

µ A

),

(

µ A

))

=

min(1

1 / 2,1 / 2)

=

1/2

0

A teoria dos conjuntos fuzzy não satisfaz a teoria dos conjuntos clássica.

22

Propriedades (problemas clássicos)
Propriedades (problemas clássicos)

Lógica Fuzzy resolve os paradoxos da lógica clássica

Barbeiro: Numa cidade existia uma barbearia onde se lia em uma tabuleta: ‘Aqui se barbeiam apenas e tão somente aqueles que não se barbeiam’” Pergunta: Quem faz a barba do barbeiro? Se ele se barbeia, então pela definição ele não se barbeia. Se ele não se barbeia, então pela definição ele se barbeia. O que se tem aqui são duas proposições que são contraditórias e equivalentes

P → ¬ P e ¬ P P Para o caso de µ p(x) = µ ¬ p(x) dá certo para o caso de µ p(x)= 0.5

Como representar um conjunto Fuzzy num computador?

Como representar um conjunto Fuzzy num computador? 1. Função de pertinência Reflete o conhecimento que se

1. Função de pertinência

Reflete o conhecimento que se tem em relação a intensidade com que o objeto pertence ao conjunto fuzzy Métodos para adquirir esse conhecimento do especialista Ex: Perguntar ao especialista se vários elementos pertencem a um conjunto

para adquirir esse conhecimento do especialista Ex: Perguntar ao especialista se vários elementos pertencem a um
para adquirir esse conhecimento do especialista Ex: Perguntar ao especialista se vários elementos pertencem a um
Função de Pertinência
Função de Pertinência

Várias formas diferentes

Representadas uma função de mapeamento

Características das funções de pertinência:

Medidas subjetivas Funções não probabilísticas monotonicamente crescentes, decrescentes ou subdividida em parte crescente e parte decrescente.

MFs

.8

.5

.1

“alto” no Brasil “alto” nos EUA “alto” na Itália
“alto” no Brasil
“alto” nos EUA
“alto” na Itália
Função de Pertinência
Função de Pertinência

Função Triangular

trim f

(

x a b c

;

,

,

) = m ax m in

a

a

x

b

,

c

c

x

b

, 0

 

(

x a b c d

;

,

,

,

) = m ax m in

a

a

x

b

,

1

,

d

d

x

c

,

 

0

 

1

x

c

2

 

 

gaussmf

 

(

x

;

a

,

b

,

c

)

=

e

2

σ

   

1

 
 

gbellm f

(

x

;

a b c

,

,

)

=

2

b

 

1

+

 

x

b

c

) = 2 b   1 +   x − b c Função Trapezoidal trapm f

Função Trapezoidal

trapm f

Função Gaussiana

Função Sino Generalizada

Função de Pertinência (a) Triangular (b) Trapezoidal 1 1 0.8 0.8 0.6 0.6 0.4 0.4
Função de Pertinência
(a)
Triangular
(b) Trapezoidal
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
0
20
40
60
80
100
0
20
40
60
80
100
(c)
Gaussiana
(d) Sino Gerneralizada
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
0
20
40
60
80
100
0
20
40
60
80
100
Grau de Pertinência
Grau d e Pertinência
Grau de Pertinência
Grau d e Pertinência
Partição Fuzzy
Partição Fuzzy

Partição fuzzy do universo de X representando “idade”, formada pelos conjuntos fuzzy “jovem”, “maduro” e “idoso”.

1.2 Jovem Maduro Idoso 1 0.8 0.6 0.4 0.2 0 0 10 20 30 40
1.2
Jovem
Maduro
Idoso
1
0.8
0.6
0.4
0.2
0
0
10
20
30
40
50
60
70
80
90
Grau de Pertinência

X = Idade

Sistemas Fuzzy
Sistemas Fuzzy

Externamente são menos complexos e mais fáceis de entender.

Os problemas são rapidamente isolados e fixados, reduzindo o tempo de manutenção.

Requisitam menos regras, por isso o tempo médio entre as falhas diminui.

Sistemas Fuzzy

Sistemas Fuzzy Possuem grande habilidade para modelar sistemas comercias altamente complexos. sistemas convencionais tem

Possuem grande habilidade para modelar sistemas comercias altamente complexos.

sistemas convencionais tem dificuldade em resolver problemas não-lineares complexos.

São capazes de aproximar o comportamento do sistema

porque apresentam várias propriedades não-lineares e pouco compreensíveis.

Sistemas Fuzzy
Sistemas Fuzzy

Benefícios para os especialistas:

habilidade em codificar o conhecimento de uma forma próxima a linguagem usada por eles.

Mas o que faz uma pessoa ser um especialista?

é a capacidade em fazer diagnósticos ou recomendações em termos imprecisos.

Sistemas Fuzzy capturam uma habilidade próxima do conhecimento do especialista. O processo de aquisição do conhecimento é:

mais fácil, mais confiável, menos propenso a falhas e ambiguidades.

Sistemas Fuzzy
Sistemas Fuzzy

É capaz de 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. Um exemplo das posições dos gerentes de controle, de produção, financeiro e marketing.

Nosso preço deve ser baixo. Nosso preço deve ser alto. Nosso preço deve ser em torno de 2*custo Se o preço dos concorrentes não é muito alto então nosso preço deve ser próximo do preço deles.

Sistemas Fuzzy
Sistemas Fuzzy

Devido aos seus benefícios, como:

regras próximas da linguagem natural fácil manutenção simplicidade estrutural

Os modelos baseados em sistemas Fuzzy são validados com maior precisão.

A confiança destes modelos cresce.

Sistemas Fuzzy

Sistemas Fuzzy Sistemas especialistas convencionais são modelados a partir da: probabilidade Bayesiana algumas

Sistemas especialistas convencionais são modelados a partir da:

probabilidade Bayesiana algumas fatores de confiança ou certeza.

Ambas alternativas confiam na transferência de valores incertos fora do próprio modelo.

Sistemas Fuzzy fornecem a sistemas especialistas um método mais consistente e matematicamente forte para manipulação de incertezas.

Regras Fuzzy
Regras Fuzzy

Regras são expressas como implicações lógicas ou Lógica Proposicional

Se x é A então y é B

Frases da forma Πé A, onde A é um conjunto fuzzy definido no universo X de Π Podem ser combinadas por meio de diferentes operadores:

conectivos lógicos e e ou negação: não operador de implicação: se

Podem ser descritas em termos de relações fuzzy

Então

Regras Fuzzy: Exemplo
Regras Fuzzy: Exemplo

Velocidade [0 220]

,

1. Se velocidade > 100 Então DPP é 30 metros

2. Se velocidade < 40 Então DPP é 10 metros

Baixa Média e alta

,

1. Se velocidade é alta Então DPP é longa

2. Se velocidade é baixa Então DPP é curta

Regras Fuzzy
Regras Fuzzy

E o raciocínio?

Avaliar o antecedente Aplicar o resultado ao conseqüente As regras são ativadas parcialmente, dependendo do antecedente Ex: Se a altura é alta, o peso é pesado (altura =1.85, peso = ?)

.75

.5

.1

Alto Pesado .75 .5 .1 1.85 90
Alto
Pesado
.75
.5
.1
1.85
90
Regras Fuzzy
Regras Fuzzy

E no caso de existir vários antecedentes?

E no caso de existir vários conseqüentes?

Raciocínio Fuzzy
Raciocínio Fuzzy

Nos sistemas especialista convencionais:

as proposições são executadas seqüencialmente 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 Se em uma implicação fuzzy o antecedente é parcialmente verdadeiro (a um dado grau de pertinência), então o consequente também é parcialmente verdadeiro (ao mesmo grau de pertinência).

Raciocínio Fuzzy
Raciocínio Fuzzy

Método Mamdani

Fuzzificação das variáveis de entrada

Especialista atribuirá os graus de pertinência

Avaliação das regras

Uso das operaçãoes de união e/ou intersecção para múltiplos antecedentes/consequentes

Agregação das regras de saída Defuzzificação

Resultado clássico (crisp)

Etapas do raciocínio Fuzzy
Etapas do raciocínio Fuzzy

1ª FUZZIFICAÇÃO

2ª INFERÊNCIA

AGREGAÇÃO

Etapas do raciocínio Fuzzy 1ª FUZZIFICAÇÃO 2ª INFERÊNCIA AGREGAÇÃO COMPOSIÇÃO 3ª DEFUZZIFICAÇÃO

COMPOSIÇÃO

DEFUZZIFICAÇÃO

Etapas do raciocínio Fuzzy Variáveis Calculadas
Etapas do raciocínio Fuzzy
Variáveis Calculadas

(Valores Linguísticos)

Inferência
Inferência

Variáveis de Comando (Valores Linguísticos)

Nível Linguístico Fuzzificação Nível Defuzzificação Numérico Variáveis Calculadas Objecto Variáveis de
Nível
Linguístico
Fuzzificação
Nível
Defuzzificação
Numérico
Variáveis Calculadas
Objecto
Variáveis de Comando
(Valores Numéricos)
(Valores Numéricos)
Fuzzificação
Fuzzificação

Etapa na qual as variáveis lingüísticas 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,

Fuzzificação
Fuzzificação

TRIANGULAR

TRAPEZOIDAL

Fuzzificação T R I A N G U L A R TRAPEZOIDAL Frio Normal Quente L
Fuzzificação T R I A N G U L A R TRAPEZOIDAL Frio Normal Quente L

Frio

Normal Quente

Fuzzificação T R I A N G U L A R TRAPEZOIDAL Frio Normal Quente L

Lento Rápido

Inferência Fuzzy
Inferência Fuzzy

Etapa na qual as proposições (regras) são definidas e depois são examinadas paralelamente

Engloba:

Definição das proposições Análise das Regras Criação da região resultante

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 Condicionais

if W is Z then X is Y

Proposições Não-Condicionais

X is Y

Inferência Fuzzy
Inferência Fuzzy

AGREGRAÇÃO

Calcula a importância de uma determinada regra para a situação corrente

COMPOSIÇÃO

Calcula a influência de cada regra nas variáveis de saída.

Defuzzificação
Defuzzificação

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

Defuzzificação
Defuzzificação

Exemplos:

z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide

z 0

z 0 Centróide

Centróide

z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0 Centróide
z 0
z 0

First-of-Maxima

Defuzzificação Exemplos : z 0 Centróide z 0 First-of-Maxima z 0 Critério Máximo

z 0

Critério Máximo

Outros Métodos de Raciocínio
Outros Métodos de Raciocínio

Método Sugeno

Uso de singletons (conjunto fuzzy unitário) nos consequentes

Método Mamdani x Sugeno

MM:

Amplamente aceito para capturar o conhecimento especialista Mais intuitivo Computacionalmente ineficiente

MS:

Computação mais eficiente Adequado em problemas de controle (técnicas de otimização e adaptação)7. Construindo um

Construindo um Sistema Especialista Fuzzy

Construindo um Sistema Especialista Fuzzy Especificar o problema e definir variáveis linguísticas Determinar

Especificar o problema e definir variáveis linguísticas Determinar conjuntos fuzzy Construir as regras fuzzy Codificar conjuntos, regras e procedimentos para realizar a inferência fuzzy no sistema especialista Avaliar e ajustar o sistema

Lógica Fuzzy no Mundo
Lógica Fuzzy no Mundo

Lógica Fuzzy tornou-se tecnologia padrão e é também aplicada em análise de dados e sinais de sensores;

• Também utiliza-se lógica fuzzy em finanças e negócios;

• Aproximadamente 1100 aplicações bem sucedidas foram publicadas

em 1996; e

• Utilizada em sistemas de Máquinas Fotográficas, Máquina de Lavar Roupas, Freios ABS, Ar Condicionado e etc.