Beruflich Dokumente
Kultur Dokumente
Barreiras 2013
Trabalho desenvolvido ao professor Kennedy Fernandes na disciplina Cincia e Tecnologia II do Curso de Bacharelado Interdisciplinar em Cincia e Tecnologia.
Barreiras 2013
Lgica Fuzzy
A lgica convencional ou clssica usa distines bem definidas para separar conjuntos. Por exemplo, pode-se dizer que uma pessoa com 1,70m considerada alta ou mediana, nunca os dois. Isso fora a construo de linhas que diferenciem membros dos no membros de uma classe. Essa diviso, muitas vezes, um processo complicado e que no reflete a realidade do problema a ser modelado. Por outro lado, a Lgica Fuzzy reflete a maneira como as pessoas pensam, tentando modelar o seu senso de palavras, tomada de deciso ou senso comum. Como consequncia, a introduo da Lgica Fuzzy tem conduzido as pesquisas para sistemas inteligentes mais humanos e mais adequados realidade. O termo fuzzy em lngua inglesa pode ter vrios significados, que variam de acordo com o contexto de interesse, mas o conceito bsico deste adjetivo passa sempre pelo vago, indistinto, incerto. As tentativas de traduo para o portugus ainda no so unanimidade: nebuloso e difuso so exemplos mais populares de tradues para fuzzy. Tomando como exemplo a frase a seguir: Embora o transformador esteja um pouco carregado, podese utilizlo por um tempo. Nessa frase existem dois termos (um pouco e um tempo) bastante subjetivos e difceis de representar. Para um especialista que esteja conversando com outro especialista, o entendimento seria normal; no entanto, durante o processo de aquisio, fica bastante complicado para o engenheiro de conhecimento entender e representar esse tipo de conhecimento. Dessa forma, uma maneira de tentar solucionar o processo de representao de conhecimento impreciso atravs da Lgica Fuzzy. A Lgica Fuzzy tem como principal objetivo a modelagem computacional do raciocnio humano, impreciso, ambguo e vago. A Lgica Fuzzy (tambm chamada de lgica multivalorada) foi primeiramente introduzida em 1930 pelo filsofo e lgico polons Jan Lukasiewicz. Atravs do estudo de termos do tipo alto, velho e quente, ele props a utilizao de um intervalo de valores [0,1] que indicaria a possibilidade que uma declarao fosse verdadeira ou falsa. Em 1937, o filsofo Max Black props a ideia deque continuidade descrevia graus. Ele definiu o primeiro conjunto fuzzy e descreveu algumas ideias bsicas de operaes com conjuntos fuzzy. Em 1965, Lofti Zadeh publicou o artigo Fuzzy Sets, que ficou conhecido como a origem da Lgica Fuzzy. Na realidade, Zadeh redescobriu a ideia de fuzzyficaco, identificou e explorou tal conceito, assim como lutou por ele. Portanto, Zadeh ficou e ainda conhecido como o mestre da Lgica Fuzzy.
O grau de cada membro observado no conjunto A representa a proporo de possibilidade de presena do sintoma ou parte dele. No conjunto D denotado a proporo de possibilidade com que ns podemos juntar cada diagnstico relevante para o paciente. A relao fuzzy R do conhecimento mdico deve constituir a melhor relao do que aquela dada pela relao fuzzy Q no conjunto P de pacientes e S de sintomas e a relao T nos conjuntos P de pacientes e D de doenas, ento:
Portanto, as relaes Q e T representam, respectivamente, os sintomas que estavam presentes e diagnsticos consequentemente feitos para um nmero de casos conhecidos. A figura 1 enfatiza os significados e a utilizao das relaes fuzzy Q, T e R e os conjuntos fuzzy A e B. Resolvendo a relao (figura 2) para R, a experincia mdia acumulada pode ser usada para especificar a relao entre sintomas e doenas, que estavam evidenciados nos diagnsticos prvios. O modelo prope dois tipos de relao entre sintomas e doenas: uma de ocorrncia e a outra de confirmao. A primeira contm conhecimento sobre a tendncia ou frequncia de aparecer um sintoma quando a doena especfica est presente; Isso corresponde com a seguinte pergunta: "Com que frequncia o sintoma s ocorre com a doena d?". A segunda relao descreve a veracidade do sintoma para confirmar a presena da doena; Isso corresponde com a pergunta: "Com qual intensidade o sintoma s confirma a doena d?". Esta distino entre ocorrncia e confirmao til porque um sintoma pode ser fcil de ser percebido em uma doena e no estar presente em muitas outras. Para este exemplo, seja S denotado pelo conjunto de todos os sintomas, D o conjunto de todas as doena se P o conjunto de todos os pacientes. Vamos definir uma relao fuzzy R no conjunto n P x S, indicando a medida com que o sintoma s est presente no paciente p. Se s representa o sintoma da doena do nvel de potssio e o resultado de um teste normal a variao deste nvel de 3.5 a 5.2, e se o resultado para o paciente p leva a 5.2, temos R(p,s) = .5. Vamos agora definir uma relao R0 no universo S x D, onde R0(s,d) indica a frequncia de ocorrncia do sintoma s com a doena d. Seja RC sempre uma relao fuzzy no mesmo universo, onde RC(s,d) corresponde medida com que o sintoma s confirma a presena da doena d. Neste exemplo, as relaes fuzzy de ocorrncia e confirmao so determinadas a partir de uma documentao mdica. Desde que esta documentao usualmente dispe a forma do estado como "Sintoma s raramente ocorre na doena d" ou "Sintoma s sempre
ocorre na doena d". Ns usamos a operao de concentrao para modelar a modificao very da seguinte maneira: Avery(x) = A.A(x).
Assuma que a documentao mdica existente relativa relao de sintomas s1 s2 e s3 com as doenas d1 e d2:
Sintoma s1 raramente ocorre em pacientes com a doena d1; Sintoma s1 quase sempre aparece em pacientes com a doena d2 mas raramente confirma a presena da doena d2; Sintoma s2 sempre ocorre com a doena d1 e sempre confirma a presena da doena d1; s2 nunca ocorre com a doena d2, e obviamente sua presena nunca confirma a doena d2; Sintoma s3 quase sempre aparece com a doena d2 e as vezes confirma a presenca de d2. Sintoma s3 raramente ocorre em pacientes com a doena d1.
A partir de nossa documentao mdica ns construmos as matrizes abaixo de relaes R0, RC pertencentes a S x D (as linhas e as colunas das matrizes esto ordenadas atravs da subscrio do smbolo correspondente): Agora assuma que ns estamos criando a relao RS especificando a presena dos sintomas s1, s2 e s3 para trs pacientes p1, p2 e p3 como segue abaixo:
Usando as relaes RS, R0 e RC, ns podemos agora calcular quatro diferentes relaes definidas no conjunto P x D de pacientes e doenas. A primeira, R1, a indicao de ocorrncia definida como: R1 = RS o R0. Para o nosso exemplo, R1 dada pela matriz abaixo:
A partir dessas quatro relaes, ns podemos desenhar diferentes tipos de diagnsticos. Para essas instncias, ns podemos fazer um diagnstico de uma doena d para um paciente d se R2(p,d) = 1.Entretanto, este no o caso de nenhum dos nossos
trs pacientes, R2 indica que a doena d1 est presente no paciente p2. Ns provavelmente podemos fazer um diagnstico errado para uma doena d em um paciente p se R3(p,d) = 1 ou R4(p,d)= 1. Em nosso exemplo, podemos provavelmente excluir a doena d1 como um possvel diagnstico para o paciente p3. Finalmente, ns podemos incluir em nosso conjunto hipteses de diagnstico para um paciente p quaquel doena d que a inequao satisfeita: .5 < max [R1(p,d), R2(p,d)] Em nosso exemplo, ambas as doenas d1 e d2 entram nas hipteses de diagnstico para os pacientes p1 e p2, e o diagnstico aceitvel para o paciente p3 a doena d2. Nossos trs tipos de diagnsticos apontam para a presena da doena d2 no paciente p3 e doena d1 no paciente p2, onde os sintoma do paciente p1 no se assemelha com os sintomas padro das doenas d1 e d2. Outras aplicaes da lgica fuzzy na Medicina envolvem, por exemplo, controladores fuzzy em vrios projetos na rea mdica, padres fuzzy de reconhecimento e processamento de imagem para anlise de fotos de raios-X., etc
REFERNCIAS
Artigo: MARRO, A. A., SOUZA, A. M. C., CAVALCANTE, E. R. S., BEZERRA, G. S., NUNES, R. O.; Lgica Fuzzy: Conceitos e aplicaes. Natal-RN. MACHINI, D. P., PAPPA, G. L.; Lgica Difusa; Lgica Fuzzy Aplicada Medicina. (acesso em 2013 Mar 28). Disponvel em:
http://www.din.uem.br/~ia/intelige/fuzzy/index.htm.