Baixe o app para aproveitar ainda mais
Prévia do material em texto
Sistemas fuzzy Defuzzificação Defuzzificação • Na defuzzificação, o valor da variável linguística de saída inferidas pelas regras fuzzy é traduzido em um valor discreto • O objetivo é obter um único valor discreto que melhor represente os valores fuzzy inferidos da variável linguística de saída • Para selecionar o método apropriado de defuzzificação, pode-se utilizar métodos baseados no centroide ou nos valores máximos que ocorrem da função de pertinência Defuzzificação Centro-da-Área (C-o-A) • O método centro da área é também conhecido por método do centro de gravidade • Ele calcula o centroide da área composta que representa o termo de saída fuzzy (𝜇𝑂𝑈𝑇) • Esse termo de saída fuzzy é composto pela união de todas as contribuições de regras • O centroide divide a área de 𝜇𝑂𝑈𝑇 em duas partes iguais • 𝜇(𝑥𝑖) representa a área de uma função de pertinência 𝑥𝑖 é a posição do centroide da função de pertinência individual 𝑥 ∗= 𝑖=1 𝑁 𝑥𝑖𝜇(𝑥𝑖) 𝑖=1 𝑁 𝜇(𝑥𝑖) Defuzzificação Centro-da-Área (C-o-A) • Esta equação calcula o centroide composto, para o qual contribuem todas as funções de pertinência do problema • Problemas do C-o-A: • Se uma regra possuir a mesma saída fuzzy há uma sobreposição de áreas que não é devidamente contabilizada • Em problemas contínuos, há necessidade de integração numérica que aumenta o custo computacional Defuzzificação Centro-da-Área (C-o-A) 4.67 5.05.05.05.02.02.02.02.01.01.01.0 5.0)100908070(2.0)60504030(1.0)20100( CoA 1.0 0.0 0.2 0.4 0.6 0.8 0 20 30 40 5010 70 80 90 10060 Z Degree of Membership 67.4 Defuzzificação Centro-do-Máximo (C-o-M) • No método centro do máximo os picos das funções de pertinência são utilizados, ignorando as áreas das funções de pertinência • As contribuições múltiplas de regras são consideradas por esse método • As áreas das funções de pertinência são consideradas como pertinências singleton • A saída discreta é calculada como uma média ponderada dos máximos, cujos pesos são os resultados da inferência 𝑥 ∗= 𝑖=1 𝑁 𝜇𝑖 𝑖=1 𝑁 𝜇(𝑥𝑖) 𝑖=1 𝑁 𝑘=1 𝑁 𝜇(𝑥𝑖) Defuzzificação Centro-do-Máximo (C-o-M) • Exemplo: 25.2 111 31215.11* z Defuzzificação Média-do-Máximo (M-o-M) • No método média do máximo utiliza a saída que tenha o maior valor de pertinência 𝜇(𝑥𝑖) • Em casos onde a função de pertinência tenha mais de um máximo essa ideia não poderia ser utilizada • Esta abordagem apresenta dificuldades devido à necessidade de se escolher qual máximo utilizar • Calcula-se então a média de todos os máximos • Onde 𝑥𝑖 é o i-ésimo elemento no universo do discurso onde a função 𝜇(𝑥𝑖) tenha um máximo e N é o número total desses elementos 𝜇 ∗= 𝑖=1 𝑁 𝑥𝑖 𝑁 Defuzzificação Média-do-Máximo (M-o-M) • Exemplo: 5.62/)76( Exemplo: Gorjeta em restaurante • Variáveis de entrada: o Qualidade do serviço o Qualidade da comida • Variáveis de saída o Gorjeta • O serviço pode ser: o Pobre o Bom o Excelente • Universo do discurso: 0-10 Exemplo: Gorjeta em restaurante • A comida pode ser o Ruim o Boa o Deliciosa • Universo do discurso: 0-10 Exemplo: Gorjeta em restaurante • A gorjeta pode ser o Barata o Média o Generosa • Universo do discurso: 0-25 o % gorjeta Exemplo: Gorjeta em restaurante • Possíveis regras para o Sistema de gorjetas o IF serviço is pobre or comida is ruim THEN gorjeta is barata o IF serviço is bom THEN gorjeta is media o IF serviço is excelente or comida is deliciosa THEN gorjeta is generosa Exemplo: Gorjeta em restaurante Inferência fuzzy: Exemplo da gorjeta • Assumindo que um cliente avaliou: o serviço is pobre nota 2 o comida is deliciosa nota 8 • Como implementar uma inferência fuzzy com estes valores? • Primeiro passo é fuzzificar os valores crisp (variáveis de entrada) • Serviço é fuzzificado para o Pobre 0.8 o Bom 0.2 o Excelente 0.0 • Comida é fuzzificada para o Ruim 0.0 o Boa 0.4 o Deliciosa 0.6 Inferência fuzzy: Exemplo da gorjeta • Calculando o grau de suporte de cada regra: • Regra 1: o IF serviço is pobre or comida is ruim o pobre = 0.8 o ruim = 0.0 o max(0.8, 0.0) = 0.8 o Grau de suporte = 0.8 Inferência fuzzy: Exemplo da gorjeta • Calculando o grau de suporte de cada regra: • Regra 2: o IF serviço is bom o Bom=0.2 o max(0.2) = 0.2 o Grau de suporte = 0.2 Inferência fuzzy: Exemplo da gorjeta • Calculando o grau de suporte de cada regra: • Regra 3: o IF serviço is excelente or comida is deliciosa o Excelente=0.0 o Deliciosa=0.6 o Max(0.0,0.6)=0.6 o Grau de suporte: 0.6 Inferência fuzzy: Exemplo da gorjeta Tipos de Inferência • Corte em 0.8 (Não é o conjunto alfa-corte!) MF={(0,0),(1,0.2),(2,0.4),(3,0.6),(4,0.8),(5,0.8),(6,0.8),(7,0.6),(8,0.4),(9,0.2),(10,0), (25,0)} Tipos de inferência • Grau de suporte em 0.4 MF = {(0,0),(1,0.2),(2,0.4),(3,0.4),(4,0.4),(5,0.4),(6,0.4),(7,0.4),(8,0.4),(9,0.2),(10,0), (25,0)} Inferência: Produto MF= {(0,0),(1,0.16),(2,0.32),(3,0.48),(4,0.64),(5,0.8),(6,0.64),(7,0.48),(8,0.16),(9,0.16),(10,0), (25,0)} Inferência: Produto MF = {(0,0),(1,0.08),(2,0.16),(3,0.24),(4,0.32),(5,0.4),(6,0.32),(7,0.24),(8,0.16),(9,0.08),(10,0), (25,0)} Composição fuzzy • Agregação: Valores inferidos em somente 1 valor • Duas formas de se fazer: o Max: Utiliza o maior valor fuzzy para cada i o É equivalente à utilizar uma regra sempre ativada pelo valor máximo o Sum: Soma todos os valores fuzzy para cada i o Pode necessitar ser normalizado Composição fuzzy • Conjunto A • Conjunto B • Conjunto C Composição Max Composição Sum Defuzzificação centro de gravidade Defuzzificação média do máximo Inferência Fuzzy: Um exemplo • Objetivo do sistema: • um analista de projetos de uma empresa que determina o risco de um determinado projeto • Quantidade de dinheiro aplicado e de pessoas envolvidas no projeto • Representação das variáveis de entrada • Base de conhecimento 1. Se dinheiro é adequado ou qnt_pessoas é pequena então risco é pequeno 2. Se dinheiro é médio e qnt_pessoas é alta, então risco é normal 3. Se dinheiro é inadequado, então risco é alto Problema: dinheiro = 35% e pessoal = 60% Inferência Fuzzy: Um exemplo • Passo 1: Fuzzificar 75,0)(&25,0)( dd mi 8,0)(&2,0)( pp ab Dinheiro Inadequado Médio Adequado 35 .25 .75 Quantidade de pessoas 60 Baixa Alta .2 .8 Inferência Fuzzy: Um exemplo • Passo 2: Avaliação das regras • Ou máximo e mínimo Adequado Regra 1: Baixa0,0 ou 0,2 Risco médio Regra 2: Alta 0,25 e 0,8 Risco Inferência Fuzzy Risco Inadequado Regra 3: 0,75 Inferência Fuzzy • Passo 3: Defuzzificação 4,70 8,3 5,267 75,075,075,025,025,025,02,02,02,02,0 75,0*)1009080(25,0*)706050(2,0*)40302010( C Risco 0,75 0,25 10 20 30 40 706050 1009080
Compartilhar