Baixe o app para aproveitar ainda mais
Prévia do material em texto
Lógica fuzzy (nebulosa ou difusa) José dos Reis Mota Lógica Fuzzy Fuzzificação e Imprecisão Lógica Fuzzy Curiosidade do Cotidiano: Diálogo entre Glauber e Carina para decidir “O quão rápido é um carro rápido” Fuzzificação e Imprecisão Lógica Fuzzy Glauber: ... então podemos criar uma categoria para carros rápidos u RÁPIDO [x] = { velocidade ≥ 100 }; Carina: ... e um carro a 99.5 km/h não é rápido? Glauber: ... vamos aumentar o limite para 99, combinado? Carina: ... ainda não. E 98.5? Glauber: Temos que parar em algum ponto ! Carina: Por quê? Glauber: ... concordar em algum ponto onde os carros não estão rápidos. Carina: É verdade. Então vamos dizer que carros abaixo de 35 km/h não são rápidos. Glauber: ... concluímos que u RÁPIDO [x] = { velocidade ≥ 35 e velocidade ≥ 100 }. Não, não podemos ter dois limites para rápido. Então u RÁPIDO [x] = { velocidade ≥ 35 }. Carina: Não! Carros a 35 km/k são lentos para serem considerados rápidos. Glauber: Sem problemas. 35 será o mínimo para ser considerado rápido, e 100 será a velocidade que nós dois consideramos ser rápido. Qualquer valor entre eles terá o seu grau de rapidez Fuzzificação e Imprecisão Lógica Fuzzy CONCLUSÕES ? • Esta variação de grau de rapidez significa que alguns carros estarão mais fortemente associados com a categoria rápido do que outros; • Este grau pode assumir qualquer valor em um determinado intervalo, não ficando restrito apenas a PERTENCER ou NÃO PERTENCER aquele intervalo; • Glauber e Carina conseguiram entender o princípio da lógica Fuzzy. Fuzzificação e Certeza Lógica Fuzzy Lógica Nebulosa • Forma de raciocinar semelhante ao modelo de raciocínio humano – baseado em aproximações – cercado de incertezas e suposições • Vai além do raciocínio booleano – Busca atribuir graus para os elementos em questão de forma que a resposta contido ou não contido não satisfaz – Busca-se saber o quão contido ou não contido está determinado elemento. Lógica nebulosa • Lidar com imprecisão e incerteza – Por exemplo, o conjunto nebuloso que modela a informação “idade avançada” pode ser usada para modelar a distribuição de possibilidade da idade de uma dada pessoa, da qual só sabemos que ela é idosa (distribuição de possibilidades). – Usada em sistemas que utilizam informações fornecidas por seres humanos para automatizar procedimentos (sistemas especialistas). Lógica Fuzzy Adolescente: conjunto clássico x conjunto nebuloso Lógica Fuzzy Exemplo 2: Copo cheio ou vazio? Características: lógica fuzzy • O copo da esquerda está meio cheio e meio vazio • O copo da direita está quase totalmente cheio. – Ponto principal da lógica fuzzy. – Afirmações incertas que criam linguisticamente escalas de valores e buscam quantificar, nesse caso, a quantidade de água (aproximação). – Possibilitam captar o grau de incerteza presente nessas variáveis linguísticas e traduzir para um modelo matemático (grau de participação ou função de pertinência). – Simplifica resolução de problemas, mais próximo do modelo “humano” de tomada de decisão Função de Pertinência • Mapeamento matemático de cada valor numérico possível para as variáveis linguísticas. – Importante aproximar a linguagem do modelo matemático para que assim seja possível conclusões válidas sobre o problema. Exemplo: Copo Cheio ou Vazio Conjuntos Difusos Sistema Lógico Fuzzy: Inferência Aplicações • Equipamentos: máquinas de lavar, micro-ondas, elevadores • Sistemas: diagnóstico, segurança • Reconhecimento de padrões: escrita manual ou voz • Controle de veículos Exemplo: Ar Condicionado • Lógica Booleana: menos de 22°, desliga • Lógica Difusa: como funcionaria? Construindo um Sistema Especialista utilizando lógica fuzzy Etapas • Fuzzificação – o problema é analisado e os dados de entrada são transformados em variáveis linguísticas – após esta transformação são determinadas também as funções de pertinência • Inferência – Criação das regras ou proposições através da associação das variáveis já criadas. • Ex.: Se o projeto é MUITO LONGO Então o Risco do Projeto é ALTO. • Desfuzzificação – Valores fuzzy são convertidos em números reais tendo assim um conjunto de saída matematicamente definido Variáveis Linguísticas • Limites: termos usados para alterar o formato dos conjuntos difusos. Advérbios como muito, bastante, devagar, menos, etc. • Formato de conjuntos difusos: triângulo ou trapezoide Controlador Nebuloso • Um controlador nebuloso é um sistema à base de regras, composto de um conjunto de regras de produção – Se <premissa> Então <conclusão>, – Regras definem ações de controle em função das diversas faixas de valores que as variáveis de estado do problema podem assumir. • A maior dificuldade na criação de sistemas nebulosos é a definição dos termos linguísticos e das regras. – Sistemas híbridos podem auxiliar na resolução deste problema: • modelos “neuro-fuzzy”: parâmetros são aprendidos com a apresentação de pares (entrada, saída desejada) a uma rede neural cujos nós computam basicamente operadores de interseção e união. • Uma outra maneira de se aprender parâmetros de sistemas nebulosos consiste no uso de algoritmos genéticos (AG). Lógica Fuzzy Lógica Fuzzy Lógica Fuzzy Sistemas Fuzzy • Externamente são 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. Lógica Fuzzy Sistemas Fuzzy • Possuem grande habilidade para modelar sistemas comerciais complexos. – sistemas convencionais têm dificuldade em resolver problemas não-lineares complexos. • São capazes de aproximar o comportamento do sistema – porque apresentam várias propriedades não-lineares e pouco compreensíveis. Lógica Fuzzy Sistemas Fuzzy • Benefícios para os especialistas (pessoas que conhecem o domínio de aplicação do sistema): – 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. Controlador Nebuloso x Sistema Especialista • Um controlador nebuloso é um sistema especialista simplificado em que a consequência de uma regra não é aplicada como antecedente de outra. • O processo de inferência consiste em: 1. Verificação do grau de compatibilidade entre os fatos e as cláusulas nas premissas das regras. 2. Determinação do grau de compatibilidade global da premissa de cada regra. 3. Determinação do valor da conclusão, em função do grau de compatibilidade da regra com os dados e a ação de controle constante na conclusão (precisa ou não). 4. Agregação dos valores obtidos como conclusão nas várias regras, obtendo-se uma ação de controle global. Lógica Fuzzy Lógica Fuzzy Sistemas Fuzzy • Sistemas especialistas convencionais são modelados a partir da: – probabilidade Bayesiana – algumas fatores de confiança ou certeza. • Ambas 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. Lógica Fuzzy Sistemas Fuzzy • Um exemplo de sistema especialista baseado em regras simples para prever o peso de uma pessoa: – If altura > 1.65 and altura < 1.68 then peso is 60, CF = 0,82 • O mesmo exemplo baseado lógica Fuzzy: – if altura is ALTA then peso is PESADO Sistemas “neuro-fuzzy” • Os termos e regras de um sistema nebuloso são aprendidos mediante a apresentação de pares (entrada, saída desejada). • Na fase de aprendizado, eles têm um comportamento de redes neurais,e na fase de processamento, eles se comportam como um sistema nebuloso. Questões em aberto • Redes Neurais – Como determinar quantas camadas e quantos nós devem ser usados em uma rede neural para que ela resolva efetivamente um dado problema, de maneira eficiente? – Que tipo de conhecimento pode ser extraído de uma rede treinada e como pode ser feita esta extração? • Sistemas nebulosos – Como construir um sistema nebuloso, se ao invés de um especialista capaz de fornecer regras, temos somente um conjunto de exemplos do funcionamento ideal do sistema? Sistemas neuro-fuzzy • Sistemas “neuro-fuzzy” não apresentam as desvantagens dos paradigmas em que se baseiam: – não são uma “caixa preta” como as redes neurais; – não necessitam de um especialista que lhes forneça as regras, como os sistemas nebulosos. Exemplo • Sistema Especialista para Asma (R) • Variáveis linguísticas: – Frequência de crises – Frequência de Uso de Medicamento: SABA – Débito expiratório: métrica de expiração da pessoa (exame) – Classificação: Gravidade da Asma (Inferência, o objetivo do sistema) Etapas no R • Instalar Pacote sets • Carregar Pacote sets • Criar o universo • Criar variáveis • Criar regras • Criar modelo de inferência • Fazer inferência • Defuzzificar • “Limpar” o universo Criação de variáveis • Radius: sobreposição da variável – 0, um ponto no universo – 100, todo o universo – Geralmente entre 20 a 50 – Dependendo da figura, você passa um parâmetro ou outro: cone, passa o radius, se usa o trapezoide passa os quatro pontos das curvas Criação de Regras Construção do Sistema Inferência Defuzzificação Interpretação do Resultado
Compartilhar