modelagem 1

Prévia do material em texto

Teste de
Conhecimento
 avalie sua aprendizagem
O processo de fuzzificação de uma variável pode ser extremamente útil, tanto no ponto de vista da engenharia de tomada de decisões, como no
cotidiano, colaborando com definições de conceitos do mundo físico.
Através dos conceitos aprendidos sobre fuzzificação, assinale a alterantiva que correta.
Os conjuntos fuzzy são uma generalização dos conjuntos clássicos, ao superar os princípios do meio excluído e da não-contradição, fazendo-se valer do
conceito da Dualidade. Logo, a propriedades do conjunto fuzzy, que os diferenciam dos conjuntos tradicionais é:
As Redes Neurais Artificiais são qualificadas para resolverem a aproximação universal de funções, pois podem tratar até problemas não-lineares. Qual o
componente no modelo matemático de uma RNA que atribui não-linearidade a estrutura da RNA?
MODELAGEM E SIMULAÇÃO DE SISTEMAS
Lupa Calc.
 
 
EDO8986_EDO_1_202009115276 
 
Aluno: ANDRE LUCAS RAIOL RASSY Matr.: 202009115276
Disc.: MODELAGEM E SIMULAÇÃ 2022.2 (G) / EX
 
Prezado (a) Aluno(a),
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será
composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de
questões que será usado na sua AV e AVS.
 
1.
Fuzzificação é converter uma variável nebulosa em uma definida.
Fuzzificação não permite admitir uma variáveis discretas.
Fuzzificação é independente das funções de pertinência.
Fuzzificação é a etapa em que variáveis numéricas são definidas de forma objetiva.
Fuzzificação é o processo de admitir uma variável discreta e definida e convertê-la em uma variável nebulosa.
 
Explicação:
A fuzzificação é o processo de admitir uma variável discreta e definida e convertê-la em uma variável nebulosa, sendo a etapa na qual as variáveis
linguísticas são definidas de forma subjetiva, bem como as funções de pertinência.
Exemplo: Um motorista dirigindo o seu carro numa rodovia com limite de velocidade de 110 km/h e se encontra numa velocidade constante de 110
km/h. Um dos passageiros do carro diz que ele está "muito rápido" e o motorista compreende a informação fuzzificada e admite que valores entre 80
km/h e 90 km/h são mais razoáveis. Mesmo estando dentro do limite de velocidade, compreende-se que ir "menos rápido" pode gerar uma segurança
maior.
 
 
 
 
2.
 
Explicação:
Na lógica clássica, uma proposição é verdadeira ou sua negação é verdadeira. Em termos da linguagem de conjuntos, tem-se que:
Presmissa vencida pela lógica aplicada aos conjuntos Fuzzy.
 
 
 
 
3.
Bias (Tendência)
Soma de produtos
Função de ativação
Paralelismo de neurônios
Somas consecutivas
 
Explicação:
As funções de ativação são o conceito nos neurônios que permitem a não-linearidade aos mesmos.
 
 
 
A ∪
¯̄¯̄
A ≠ U
A ∪ A = A
A ∩
¯̄¯̄
A =
¯̄¯̄
A
A ∩
¯̄¯̄
A = A
A ∩ A = A
A ∪
¯̄¯̄
A = U
javascript:voltar();
javascript:voltar();
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
Assinale a opção que corresponde o conceito que é atribuído ao conceito fuzzy.
Métodos gráficos que simulam o processo de inferência e que simplificam computações manuais envolvendo algumas regras simples. Sobre os
principais métodos de inferência gráfica, assinale a alternativa que contém a correta descrição.
Mesmo que a Inteligência Artificial produza notáveis benefícios para sociedade, o seu desenvolvimento apresenta objetivos definidos, bem como
difucldades em seu apromoramento.
Assinale a alternativa que apresenta um objetivo na implementação de Inteligência Artificial na indústria.
Os sistemas inteligentes se fundamentam na observação de comportamentos na natureza capazes de apresentar ordenamentos complexos. Os seres
vivos possuem o seu ordenamento para expressar inteligencia através de um sistema biológico extremamente complexo que os compõe. O sistema
bioinspirado resultante dos sistemas inteligentes presentes nos organismos vivos é referido como:
Allan Turing é reconhecido como o maior precursor da Inteligência Artificial. Turing desenvolveu um teste para determinar se uma máquina é inteligente
ou não. Assinale a alternativa que apresenta uma característica do chamado "Teste de Turing".
 
4.
Especialização
Gradação
Complementação
Discriminação
Conformação
 
Explicação:
O conceito fuzzy apresenta a ideia de gradação relacionado a pertinência dos conjuntos.
 
 
 
 
5.
Tsukamoto usa a técnica do Centróide de defuzzificação.
Sugeno é mais utilizado em suporte a decisões devido à natureza intuitiva a partir da base de regras.
Sugeno tem um tempo de processamento melhor para uma defuzzificação.
Mamdani usa Média Ponderada na defuzzificação.
Tsukamoto, é muito útil quanto uma abordagem geral e para ser empregado em situações específicas.
 
Explicação:
A diferença mais fundamental entre Mamdani, Tsukamoto e Sugeno está defuzzificação. Mamdani usa a técnica do Centróide; enquanto Sugeno e
Tsukamoto usam Média Ponderada para calcular a saída discreta. Sugeno tem um tempo de processamento melhor para uma defuzzificação.
Devido à natureza interpretada e intuitiva a partir da base de regras, o Mamdani é amplamente utilizado, especialmente para aplicativos de suporte a
decisões.
 
 
 
 
6.
Ser obsoleta em comparação à ação humana.
Nunca ser possível substituir a ação humana em nenhuma área.
Suplementar das capacidades humanas, superando seus limites.
Garantir a continuidade do trabalho humano.
Ser totalmente dependente da ação humana.
 
Explicação:
A suplementação das capacidades humanas, tornado o Ser Humano obsoleto, tanto para produção industrial, ou até mesmo na existência. Não se sabe
qual o futuro do trabalho da humanidade, em relação ao trabalho realizado por inteligência artificial, o que leva a crises nesse tema. A Inteligência
Artificial se mostra promissora nessa substituição, mesmo que ainda seja, em seu desenvolvimento, dependente da ação humana.
 
 
 
 
7.
Sistemas autônomos
Representação simbólica
Princípios lógicos
Algoritmos evolucionários
Técnicas conexionistas
 
Explicação:
As redes neurais são o sistema que atribuem inteligencia aos seres vivos e são definidos como sistemas conexionistas na perspectiva computacional.
 
 
 
 
8.
Nunca há dúvida sobre quem é o interrogado.
Nunca é possível distinguir se o interrogado é uma máquina ou pessoa.
O interrogador precisa saber quem é o interrogado.
Se for possível concluir se o interrogado é uma pessoa ou uma máquina, a máquina possui inteligência.
Uma pessoa pode fazer várias perguntas a outra pessoa.
 
Explicação:
Assinale a alternativa que apresenta o sistema de IA definido pelo conceito de causalidade:
O termo inglês Fuzzy pode ser traduzido para o português expremindo o significado proposto para a lógica que utiliza essa palavra. Assinale a opção em
que os termos apresentados são traduções válidas para o português, assim contribuindo para compreensão do assunto.
A lógica que se opõe à Teoria Fuzzy é a Lógica Booleana, onde aquela veio para complementar essa. Assinale a alternativa que apresenta a
característica da lógica fuzzy que evidencia a diferença entre as duas teorias lógicas.
Seja a relação fuzzy apresentada na matriz relacional determine o complemento da relação . Sabendo que
Uma pessoa em um terminal pode fazer várias perguntas, sem saber quem é o interrogado. Se houver confusão sobre o interrogado ser outra pessoa ou
uma máquina compreende-se que a máquina possui inteligência, pois consegue imitar tal característica humana eficientemente, caso seja possível
distinguir entre máquina e a pessoa, não há inteligência.
 
 
 
 
9.
conexionista
evolucionário
quântico
distópico
simbólico
 
Explicação:
O sistema conexionista de IA é definido por meio do conceito de causalidade, que consiste na relação entre dois eventos: ¿evento causa¿ e ¿evento
efeito¿.10.
Difuso, Discreto e Nebuloso.
Raciocínio, Discreto e Confuso.
Raciocínio, Confuso e Lógica.
Difuso, Confuso e Nebuloso.
Raciocínio, Discreto ou Lógica.
 
Explicação:
O termo nebuloso é o mais adequado para tradução, pois ao mesmo tempo que os conceitos fuzzy são separados (difusos) entre si, eles são combinados
(confusos). Por isso tanto nebuloso, quanto difuso e assim como confuso são traduções válidas para o termo ingês fuzzy.
 
 
 
 
11.
Separação de resultados lógicos nítidos.
Simplicidade dos resultados.
Tratamento dos valores lógicos intermediários e aproximados.
Combinação de resultados lógicos nítidos.
Conceituação restrita das possibilidades de valor.
 
Explicação:
A lógica Booleana processa informações as quais trarão resultados simples sobre
verdadeiro ou falso, ou ligado e desligado, não havendo possibilidades e resultados
intermediários ou nuances.
Já a lógica Fuzzy traz o aprimoramento da capacidade de análise, uma vez que
permite que as informações sejam tratadas de maneira que sejam possíveis
tratamento dos valores lógicos intermediários e aproximados.
 
 
 
 
12. R
¯̄¯̄
R
¯̄¯̄
R → μ¯̄¯R(x, y) = 1 − μR(x, y)
R =
⎡
⎢
⎣
0.25 0.95 0.24
0.64 0.41 0.63
0.47 0.58 0.14
⎤
⎥
⎦
¯̄¯̄
R =
⎡
⎢
⎣
0.75 0.05 0.76
0.36 0.59 0.37
0.53 0.42 0.86
⎤
⎥
⎦
¯̄¯̄
R =
⎡
⎢
⎣
0.76 0.76 0.76
0.59 0.59 0.59
0.86 0.86 0.86
⎤
⎥
⎦
¯̄¯̄
R =
⎡
⎢
⎣
0.85 0.50 0.86
0.46 0.69 0.47
0.63 0.52 0.96
⎤
⎥
⎦
¯̄¯̄
R =
⎡
⎢
⎣
0.95 0.95 0.95
0.64 0.64 0.64
0.58 0.58 0.58
⎤
⎥
⎦
A relação entre os elementos de dois conjuntos pode ser condicionada e restringida por
alguma regra, onde os pares ordenados das relações são subconjuntos do produto cartesiano.
Tal relação não considera todos os pares ordenados, logo a matriz relacional apresentará
0 para elementos são ¿não relacionados¿, seguindo a função característica:
Considerando os conjuntos A e B abaixo, determine a matriz de relação R.
Determine a relação identidade obtida de , onde
 
Explicação:
Logo
 
 
 
 
13.
 
Explicação:
A matriz de relação R, considerando os conjuntos A e B.
 
 
 
 
14.
¯̄¯̄
R =
⎡
⎢
⎣
0.25 0.95 0.24
0.64 0.41 0.63
0.47 0.58 0.14
⎤
⎥
⎦
μ¯̄R̄(1, 1) = 1 − 0.25 = 0.75
μ¯̄¯R(1, 2) = 1 − 0.95 = 0.05
μ¯̄¯R(1, 3) = 1 − 0.24 = 0.76
μ¯̄R̄(2, 1) = 1 − 0.64 = 0.36
μ¯̄¯
R
(2, 2) = 1 − 0.41 = 0.59
μ¯̄¯
R
(2, 3) = 1 − 0.63 = 0.37
μ¯̄¯
R
(3, 1) = 1 − 0.47 = 0.53
μ¯̄¯
R
(3, 2) = 1 − 0.58 = 0.42
μ¯̄¯
R
(3, 3) = 1 − 0.14 = 0.86
¯̄¯̄
R =
⎡
⎢
⎣
0.75 0.05 0.76
0.36 0.59 0.37
0.53 0.42 0.86
⎤
⎥
⎦
μR(x, y) = {
1, (x, y) ∈ R
0, (x, y) ∉ R
A = {a, b, c, d}
B = {v,w, z}
R = {(a, v); (b, v); (b, z); (c,w); (d,w); (d, z)}
R =
⎡
⎢ ⎢ ⎢
⎣
1 0 0
0 1 0
0 0 1
0 0 0
⎤
⎥ ⎥ ⎥
⎦
R =
⎡
⎢ ⎢ ⎢
⎣
1 0 0
1 0 1
0 1 0
0 1 1
⎤
⎥ ⎥ ⎥
⎦
R =
⎡
⎢ ⎢ ⎢
⎣
1 1 1
1 0 1
0 0 0
0 1 1
⎤
⎥ ⎥ ⎥
⎦
R =
⎡
⎢ ⎢ ⎢
⎣
0 0 0
0 0 1
0 1 0
0 1 1
⎤
⎥ ⎥ ⎥
⎦
R =
⎡
⎢ ⎢ ⎢
⎣
0 1 1
0 1 0
1 0 1
1 0 0
⎤
⎥ ⎥ ⎥
⎦
A = {a, b, c, d}
B = {v,w, z}
R = {(a, v); (b, v); (b, z); (c,w); (d,w); (d, z)}
R =
⎡
⎢ ⎢ ⎢
⎣
1 0 0
1 0 1
0 1 0
0 1 1
⎤
⎥ ⎥ ⎥
⎦
A × A = A2
Um conjunto fuzzy apresenta elementos, os quais possuem graus de pertinência estabelecidos por determinado critério, o que chama-se funções de
pertinência. Dados os conjuntos fuzzy A e B de diferentes universos de discurso, determine as funções de pertinência da relação entre eles.
 
Explicação:
Um das relações possíveis é um caso especial que pode ser considerado, quando os pares ordenados são os mesmos, chamado relação identidade .
No caso aplicado
 
 
 
 
15.
 
Explicação:
Logo
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada
 
 
Exercício inciado em 21/10/2022 07:59:43. 
 
 
 
 
A = {x, y,w, z}
IA = {(x,x); (y, y); (w,w); (z, z)}
IA = {(x, y); (y,x); (w, z); (z,w)}
IA = {(x, y); (x,w); (x, z); (y,x); (y,w); (y, z); (w,x); (w, y); (w, z); (z,x); (z, y); (z,w)}
IA = {(x2); (y2); (w2); (z2)}
IA = {(x,x); (x, y); (x,w); (x, z)}
IA
IA = {(x,x); (y, y); (w,w); (z, z)}
μR(x, y) = min(μA(x),μB(y))
A = [ , , ]0.4
0
0.2
1
0.45
2
B = [ , , ]0.7
−1
0.25
0
0.32
1
R =
⎡
⎢
⎣
0.7 0.25 0.32
0.7 0.25 0.32
0.7 0.25 0.32
⎤
⎥
⎦
R =
⎡
⎢
⎣
0.7 0.25 0.4
0.7 0.25 0.2
0.7 0.25 0.32
⎤
⎥
⎦
R =
⎡
⎢
⎣
0.4 0.4 0.4
0.2 0.2 0.2
0.45 0.45 0.45
⎤
⎥
⎦
R =
⎡
⎢
⎣
0.55 0.32 0.36
0.45 0.22 0.26
0.57 0.35 0.38
⎤
⎥
⎦
R =
⎡
⎢
⎣
0.4 0.25 0.32
0.2 0.2 0.2
0.45 0.25 0.32
⎤
⎥
⎦
μR(0, −1) = min(μA(0),μB(−1)) = min(0.4, 0.7) = 0.4
μR(0, 0) = min(μA(0),μB(0)) = min(0.4, 0.25) = 0.25
μR(0, 1) = min(μA(0),μB(1)) = min(0.4, 0.32) = 0.32
μR(1, −1) = min(μA(1),μB(−1)) = min(0.2, 0.7) = 0.2
μR(1, 0) = min(μA(1),μB(0)) = min(0.2, 0.25) = 0.2
μR(1, 1) = min(μA(1),μB(1)) = min(0.2, 0.32) = 0.2
μR(2, −1) = min(μA(2),μB(−1)) = min(0.45, 0.7) = 0.45
μR(2, 0) = min(μA(2),μB(0)) = min(0.45, 0.25) = 0.25
μR(2, 1) = min(μA(2),μB(1)) = min(0.45, 0.32) = 0.32
R =
⎡
⎢
⎣
0.4 0.25 0.32
0.2 0.2 0.2
0.45 0.25 0.32
⎤
⎥
⎦
javascript:abre_colabore('39644','296594915','5807531935');