Baixe o app para aproveitar ainda mais
Prévia do material em texto
IF71B-C71 - Inteligeˆncia Artificial Aula 18 - Lo´gica Fuzzy Profa. Dra. Priscila T iemi çaeda Saito k psaito@utfpr.edu.br 2o Semestre 2016 13/10/16 Roteiro 1 Lo´gica Fuzzy UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 2 / 41 Lo´gica Cla´ssica Booleana, bina´ria Utilizac¸a˜o de valores definidos I verdadeiro, falso I 0, 1 I sim, na˜o I ... Problemas I imprecisa˜o do mundo real I dificuldade de modelagem UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 3 / 41 Lo´gica Fuzzy Rompimento com a rigidez da lo´gica cla´ssica I utilizac¸a˜o de valores intermedia´rios entre os dois extremos F {0,1} → [0,1] UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 4 / 41 Lo´gica Fuzzy Caracter´ısticas Intenso uso de palavras ao inve´s de nu´meros I termos lingu´ısticos: frio, quente, morno, alto, longe, ligeiro, devagar, lento, ... Modificadores de predicado I muito ra´pido, pouco elevado, mais ou menos, ... Mapeamento em pertineˆncia entre 0 e 1 I ex.: x pertence ao conjunto A com um valor de pertineˆncia entre 0 (na˜o pertence) e 1 (pertence totalmente) I na˜o e´ uma probabilidade, mas sim um grau de pertineˆncia UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 5 / 41 Lo´gica Fuzzy Lo´gica Fuzzy x Probabilidade Lo´gica Fuzzy → lidar com eventos que tenham um grau de pertineˆncia em (possivelmente mais de) um conjunto Probabilidade → descobrir se um evento vai acontecer ou na˜o Escolha entre duas garrafas: 1 ro´tulo diz que seu l´ıquido pertence com grau 90% ao conjunto das a´guas pota´veis e 10% ao conjunto dos venenos 2 ro´tulo diz que tem 90% de chance de ser a´gua pota´vel e 10% de chance de ser veneno Primeira → a´gua da lagoa de Imboassica ou Coca Cola Segunda → 10% de chance de morrer, pois e´ a chance do l´ıquido ser um veneno puro UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 6 / 41 Lo´gica Fuzzy Vantagens I poucas regras, valores e deciso˜es I observac¸a˜o de um maior nu´mero de varia´veis I sua utilizac¸a˜o simplifica a soluc¸a˜o de problemas I fa´cil implementac¸a˜o UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 7 / 41 Lo´gica Fuzzy Conjuntos Fuzzy Lo´gica cla´ssica: elemento pertence ou na˜o a um conjunto I conjunto → “alto” I ex.: Joa˜o e´ alto / Joa˜o e´ na˜o alto Lo´gica fuzzy: elemento pertence, na˜o pertence ou esta´ parcialmente presente em um conjunto I ex.: Joa˜o e´ um pouco alto UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 8 / 41 Lo´gica Fuzzy UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 9 / 41 Lo´gica Fuzzy UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 10 / 41 Lo´gica Fuzzy Valores Crisp e Fuzzy Valor Crisp → nu´mero preciso que representa o estado exato de um fenoˆmeno associado I ex.: leopardos podem acelerar de 0 a 110 kph em 3 segundos. Um carro da marca Lamborghini pode acelerar de 0 a 100 kph em 4 segundos! Valor Fuzzy → termo amb´ıguo que pode caracterizar um fenoˆmeno impreciso ou na˜o completamente compreendido I leopardos correm muito ra´pido UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 11 / 41 Lo´gica Fuzzy Pertineˆncia em conjuntos fuzzy Conjuntos crisp → um elemento x no universo de discurso X ou e´ ou na˜o e´ um membro do conjunto A no universo XA(x) = { 0, /∈ A 1, ∈ A (1) XA(x)→ indicac¸a˜o na˜o amb´ıgua da pertineˆncia do elemento x no conjunto A Conjuntos fuzzy → permitem diversos graus de pertineˆncia I intervalo real (cont´ınuo) [0,1] I pontos extremos correspondem respectivamente a “na˜o pertineˆncia” e “pertineˆncia total” UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 12 / 41 Lo´gica Fuzzy Representac¸a˜o de conjuntos fuzzy conjuntos fuzzy discretos I representados por vetores contendo pares ordenados I cada par consiste em um elemento do universo de discurso e um grau de pertineˆncia X = {1, 2, 3, 4} universo de discurso A = (1/0,3; 2/0,8; 3/1,0; 4/0,3) Outra representac¸a˜o: A=1/0,3 + 2/0,8 + 3/1 + 4/0,3 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 13 / 41 Lo´gica Fuzzy Representac¸a˜o de conjuntos fuzzy conjuntos fuzzy cont´ınuos I sa˜o representados por uma func¸a˜o cont´ınua de pertineˆncia mA(x) = 1, para x ≤ 10 2− x/10, para 10 < x ≤ 20 0, para x > 20 (2) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 14 / 41 Lo´gica Fuzzy Definic¸a˜o Formal Um conjunto fuzzy A em X e´ expresso como um conjunto de pares ordenados A = {(x ,mA(x))|x ∈ X} A → conjunto fuzzy mA(x)→ func¸a˜o de pertineˆncia (MF) X → universo ou universo de discurso Um conjunto fuzzy e´ totalmente caracterizado por sua func¸a˜o de pertineˆncia (MF) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 15 / 41 Lo´gica Fuzzy Fuzificac¸a˜o Valores crisp → fuzificac¸a˜o → valores fuzzy Func¸a˜o de pertineˆncia mA I caracteriza o conjunto fuzzy A definido no universo de discurso X I mapeia os elementos de X para o intervalo [0,1] mA → [0, 1] I associa a cada elemento x pertencente a X um nu´mero real mA(x) no intervalo [0,1] F representa o grau de possibilidade de que o elemento x venha a pertencer ao conjunto A, o quanto e´ poss´ıvel para o elemento x pertencer ao conjunto A UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 16 / 41 Lo´gica Fuzzy Fuzificac¸a˜o Valores crisp → fuzificac¸a˜o → valores fuzzy Func¸a˜o de pertineˆncia I ex.: temperatura, x=37 (valor crisp) I conjunto fuzzy = frio, morno, quente I mT(x) → func¸a˜o de pertineˆncia de x em T I mT(37) = 0.2/frio, 0.4/morno, 0.8/quente UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 17 / 41 Lo´gica Fuzzy Func¸a˜o de Pertineˆncia mt(23) a mt(27) = 1 I temperatura ambiente mt(21) ou mt(29) I temperatura quase ambiente mt(0) ou mt(50) I temperatura na˜o ambiente UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 18 / 41 Lo´gica Fuzzy Func¸a˜o de Pertineˆncia T(velocidade) = {lenta, me´dia, ra´pida} Varia´vel lingu´ıstica = velocidade Termos (conj. fuzzy) = lenta, me´dia, ra´pida UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 19 / 41 Lo´gica Fuzzy Func¸a˜o de Pertineˆncia Como definimos uma func¸a˜o de pertineˆncia? I exemplo: um jo´quei de 1m60 e´ alto? F para a maioria dos homens, 1m60 na˜o pode ser considerado alto, logo a pertineˆncia da altura do jo´quei deveria ser 0 F para jo´queis, entretanto, 1m60 e´ bastante alto, logo a pertineˆncia desta altura deveria ficar entre 0,75 e 1 Diferentes pessoas, ou grupos de pessoas, podem definir func¸o˜es de pertineˆncia (para um mesmo conjunto) de forma diferente Como estabelecer uma func¸a˜o de pertineˆncia consistente? I podemos usar uma distribuic¸a˜o estat´ıstica: obter 100 pessoas e considerar os 50% maiores como sendo altos I outra opc¸a˜o: perguntar para 100 pessoas o que elas acham e calcular a me´dia UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 20 / 41 Lo´gica Fuzzy Func¸a˜o de Pertineˆncia UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 21 / 41 Lo´gica Fuzzy Operac¸o˜es com Conjuntos Fuzzy A e B → conjuntos fuzzy mA(x) ∪ mB(x) = max{mA(x), mB(x)} mA(x) ∩ mB(x) = min{mA(x), mB(x)} mcA(x) = 1 - mA(x) Varia´vel x = 1, 2, 3 Conjunto A = 0.3/1 + 0.5/2 + 0.8/3 Conjunto B = 0.1/1 + 0.7/2 + 0.6/3 A ∪ B = ? A ∩ B = ? cA = ? A ∪ B = 0.3/1 + 0.7/2 + 0.8/3 A ∩ B = 0.1/1 + 0.5/2 + 0.6/3 cA = 0.7/1 + 0.5/2 + 0.2/3 UTFPR (CP)IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 22 / 41 Lo´gica Fuzzy Operac¸o˜es com Conjuntos Fuzzy A e B → conjuntos fuzzy mA(x) ∪ mB(x) = max{mA(x), mB(x)} mA(x) ∩ mB(x) = min{mA(x), mB(x)} mcA(x) = 1 - mA(x) Varia´vel x = 1, 2, 3 Conjunto A = 0.3/1 + 0.5/2 + 0.8/3 Conjunto B = 0.1/1 + 0.7/2 + 0.6/3 A ∪ B = 0.3/1 + 0.7/2 + 0.8/3 A ∩ B = 0.1/1 + 0.5/2 + 0.6/3 cA = 0.7/1 + 0.5/2 + 0.2/3 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 22 / 41 Lo´gica Fuzzy Operac¸o˜es com Conjuntos Fuzzy A e B → conjuntos fuzzy mA(x) ∪ mB(x) = max{mA(x), mB(x)} mA(x) ∩ mB(x) = min{mA(x), mB(x)} mcA(x) = 1 - mA(x) Varia´vel x = 1, 2, 3 Conjunto A = 0.3/1 + 0.5/2 + 0.8/3 Conjunto B = 0.1/1 + 0.7/2 + 0.6/3 A ∪ B = 0.3/1 + 0.7/2 + 0.8/3 A ∩ B = 0.1/1 + 0.5/2 + 0.6/3 cA = 0.7/1 + 0.5/2 + 0.2/3 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 22 / 41 Lo´gica Fuzzy Operac¸o˜es com Conjuntos Fuzzy A e B → conjuntos fuzzy mA(x) ∪ mB(x) = max{mA(x), mB(x)} mA(x) ∩ mB(x) = min{mA(x), mB(x)} mcA(x) = 1 - mA(x) Varia´vel x = 1, 2, 3 Conjunto A = 0.3/1 + 0.5/2 + 0.8/3 Conjunto B = 0.1/1 + 0.7/2 + 0.6/3 A ∪ B = 0.3/1 + 0.7/2 + 0.8/3 A ∩ B = 0.1/1 + 0.5/2 + 0.6/3 cA = 0.7/1 + 0.5/2 + 0.2/3 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 22 / 41 Lo´gica Fuzzy Lo´gica Fuzzy → generalizac¸a˜o da lo´gica booleana E´ razoa´vel e u´til que a lo´gica booleana esteja inclu´ıda na lo´gica fuzzy Se x e y forem valores crisp (0 ou 1), enta˜o a lo´gica fuzzy se reduz a` lo´gica booleana UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 23 / 41 Lo´gica Fuzzy Operac¸o˜es com Conjuntos Fuzzy UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 24 / 41 Lo´gica Fuzzy Relac¸o˜es Fuzzy Dados os universos X e Y, a relac¸a˜o R definida em X x Y representa o grau da associac¸a˜o entre elementos de dois (ou mais) conjuntos fuzzy X = {x1, x2} = {Fortaleza, Floriano´polis} Y = {y1, y2, y3} = {Porto Alegre, Criciu´ma, Curitiba} R = “muito pro´xima” UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 25 / 41 Lo´gica Fuzzy Relac¸o˜es Fuzzy y1 y2 y3 Porto Alegre Criciu´ma Curitiba x1 Fortaleza 0 0 0 x2 Floriano´polis 1 1 1 y1 y2 y3 Porto Alegre Criciu´ma Curitiba x1 Fortaleza 0.1 0.2 0.3 x2 Floriano´polis 0.8 1 0.8 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 26 / 41 Lo´gica Fuzzy Composic¸a˜o de Relac¸o˜es Representa um papel muito importante em sistemas de infereˆncia fuzzy Caso na˜o-fuzzy: dadas as relac¸o˜es na˜o fuzzy P(X,Y) e Q(Y,Z) que teˆm um conjunto (Y) em comum Composic¸a˜o das duas relac¸o˜es e´ denotada por R(X,Z) = P(X,Y) · Q(Y,Z) max-min fR(x , z) = fP.Q(x , z) = {(x , z),max [min(fP(x , y), fQ(y , z))]} UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 27 / 41 Lo´gica Fuzzy Composic¸a˜o de Relac¸o˜es Fuzzy Faz-se uma generalizac¸a˜o do caso na˜o-fuzzy Estudantes: I X = {Maria, Joa˜o, Pedro} Caracter´ısticas de cursos I Y = {teoria, aplicac¸a˜o, hardware, programac¸a˜o} Cursos I Z = {lo´gica fuzzy, controle fuzzy, redes neurais, sistemas especialistas} UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 28 / 41 Lo´gica Fuzzy Composic¸a˜o de Relac¸o˜es Fuzzy Interesse dos estudantes, em termos das caracter´ısticas dos cursos Caracter´ısticas dos cursos Composic¸a˜o (max-min) pode servir de aux´ılio aos estudantes na escolha dos cursos UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 29 / 41 Sistemas Fuzzy UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 30 / 41 Sistemas Fuzzy Fuzificac¸a˜o Valores nume´ricos sa˜o transformados em graus de pertineˆncia para um valor lingu´ıstico Cada valor de entrada tera´ um grau de pertineˆncia em cada um dos conjuntos fuzzy O tipo e a quantidade de func¸o˜es de pertineˆncia usados em um sistema dependem de alguns fatores I precisa˜o, estabilidade, facilidade de implementac¸a˜o, ... UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 31 / 41 Lo´gica Fuzzy Regras Fuzzy Formam a base de conhecimento IF x e´ A THEN y e´ B ou A =⇒ B (antecedente) (consequente) IF pressa˜o e´ alta THEN volume e´ pequeno IF temperatura > 50 THEN velocidade de ventilador = ra´pida IF altura = alta THEN comprimento da calc¸a = longo IF tempo de estudo = curto THEN notas = baixas UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 32 / 41 Lo´gica Fuzzy - Infereˆncia Infereˆncia I procedimento para se chegar a concluso˜es a partir de regras IF-THEN (“racioc´ınio”fuzzy) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 33 / 41 Lo´gica Fuzzy - Infereˆncia - Exemplo Controle fuzzy de frenagem I Entradas ⇒ velocidade, distaˆncia I Sa´ıda (controle) ⇒ intensidade da frenagem Regra 1: IF a distaˆncia entre os dois carros e´ curta e a velocidade do carro e´ alta, THEN a frenagem e´ forte Regra 2: IF a distaˆncia entre os dois carros e´ moderadamente longa e a velocidade do carro e´ alta, THEN a frenagem e´ moderadamente forte Regra 1: IF x1 = S e x2 = H, THEN Y = L Regra 2: IF x1 = M e x2 = H, THEN Y = M distaˆncia entre os carros: x1 intensidade da frenagem: Y labels (pequeno, me´dio, grande): S, M, L UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 34 / 41 Lo´gica Fuzzy - Infereˆncia - Exemplo R1: IF a distaˆncia entre os dois carros e´ curta e a velocidade do carro e´ alta, THEN a frenagem e´ forte R2: IF a distaˆncia entre os dois carros e´ moderadamente longa e a velocidade do carro e´ alta, THEN a frenagem e´ moderadamente forte Grau de pertineˆncia das entradas I mapeamento da distaˆncia e velocidade no intervalo de 0 a 1 para cada conjunto fuzzy ⇒ uso das func¸o˜es de pertineˆncia conjunto S (distaˆncia curta) = 0.4, para uma distaˆncia de 30m conjunto H (velocidade alta) = 0.2, para uma velocidade de 40km/h Grau de pertineˆncia da parte antecedente I operac¸o˜es com as varia´veis I ex.: determinac¸a˜o do m´ınimo (MIN) distaˆncia curta (0.4) E velocidade alta (0.2) = 0.2 (MIN) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 35 / 41 Lo´gica Fuzzy Ajuste da parte consequente I operadores de implicac¸a˜o (Mandani, Larsen) I concluso˜es de cada regra Determinac¸a˜o da quantidade de controle (intensidade da frenagem) I combinac¸a˜o das concluso˜es de todas as regras F determinac¸a˜o do ma´ximo (MAX) R1 = 0.2 R2 = 0.6 Conclusa˜o = 0.6 I “defuzificac¸a˜o” (sa´ıda em forma de valores crisp) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 36 / 41 Lo´gica Fuzzy Defuzificac¸a˜o me´todo do ma´ximo crite´rio (MAX) me´todo da me´dia dos ma´ximos (MOM) me´todo do centro de massa (COA) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 37 / 41 Lo´gica Fuzzy Projeto de um sistema fuzzy I selec¸a˜o das varia´veis de entrada e sa´ıda I definic¸a˜o das regras e conjuntos fuzzy I mecanismo de infereˆncia (MIN-MAX) I escolha da estrate´gia de defuzificac¸a˜o UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 38 / 41 Exemplo de Aplicac¸a˜o Classificac¸a˜o Classe pH L* CRA PSE < 6 > 5 > 5 RSE < 6 42− 50 > 5 RFN < 6 42− 50 < 5 DFD ≥ 6 < 42 < 5 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 39 / 41 Exemplo de Aplicac¸a˜o Classificac¸a˜o UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 40 / 41 Lo´gica Fuzzy Softwares para aux´ılio ao projeto e implementac¸a˜o de sistemas fuzzyFuzzy Toolbox do Matlab NEFCON, NEFCLASS, NEFPROX I fuzzy.cs.uni-magdeburg.de/ UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 18 - Lo´gicaFuzzy 41 / 41 Lógica Fuzzy
Compartilhar