Baixe o app para aproveitar ainda mais
Prévia do material em texto
sor Noções Básicas de Lógica Fuzzy 1 LABIC Noções Básicas de Lógica FuzzyNoções Básicas de Lógica Fuzzy ?? História, nível atual e História, nível atual e desenvolvimento adicional de desenvolvimento adicional de tecnologias de Lógica tecnologias de Lógica FuzzyFuzzy nos nos USA, Japão, e Europa USA, Japão, e Europa ?? Tipos de incerteza e seus modelosTipos de incerteza e seus modelos ?? Elementos básicos do sistema Elementos básicos do sistema ?? Tipo dos controladores de Lógica Tipo dos controladores de Lógica FuzzyFuzzy sor Noções Básicas de Lógica Fuzzy 2 LABIC História, Estado da Arte e Desenvolvimento Adicional História, Estado da Arte e Desenvolvimento Adicional 19651965 Artigo “Artigo “FuzzyFuzzy LogicLogic” por Prof. ” por Prof. LotfiLotfi ZadehZadeh, , Faculdade de Engenharia Elétrica, U.C. Berkeley, Faculdade de Engenharia Elétrica, U.C. Berkeley, “Teoria do Conjunto “Teoria do Conjunto FuzzyFuzzy”” 19701970 Primeira aplicação de Lógica Primeira aplicação de Lógica FuzzyFuzzy em em engenharia de controle (Europaengenharia de controle (Europa)) 19751975 Introdução de Lógica Introdução de Lógica FuzzyFuzzy no Japãono Japão 19801980 Verificação empírica de Lógica Verificação empírica de Lógica FuzzyFuzzy na Europana Europa 19851985 Larga aplicação de Lógica Larga aplicação de Lógica FuzzyFuzzy no Japão no Japão 19901990 Larga aplicação de Lógica Larga aplicação de Lógica FuzzyFuzzy na Europana Europa 19951995 Larga aplicação de Lógica Larga aplicação de Lógica FuzzyFuzzy nos Estados nos Estados UnidosUnidos 20002000 Lógica Lógica FuzzyFuzzy tornoutornou--se tecnologia padrão e é se tecnologia padrão e é também aplicada em análise de dados e sinais também aplicada em análise de dados e sinais de sensores. Aplicação de de sensores. Aplicação de LógiaLógia FuzzyFuzzy em em finanças e negóciosfinanças e negócios sor Noções Básicas de Lógica Fuzzy 3 LABIC História, Estado da Arte e Desenvolvimento Adicional História, Estado da Arte e Desenvolvimento Adicional 19651965 Artigo “Artigo “FuzzyFuzzy LogicLogic” por Prof. ” por Prof. LotfiLotfi ZadehZadeh, , Faculdade de Engenharia Elétrica, U.C. Berkeley, Faculdade de Engenharia Elétrica, U.C. Berkeley, “Teoria do Conjunto “Teoria do Conjunto FuzzyFuzzy”” 19701970 Primeira aplicação de Lógica Primeira aplicação de Lógica FuzzyFuzzy em em engenharia de controle (Europaengenharia de controle (Europa)) 19751975 Introdução de Lógica Introdução de Lógica FuzzyFuzzy no Japãono Japão 19801980 Verificação empírica de Lógica Verificação empírica de Lógica FuzzyFuzzy na Europana Europa 19851985 Larga aplicação de Lógica Larga aplicação de Lógica FuzzyFuzzy no Japão no Japão 19901990 Larga aplicação de Lógica Larga aplicação de Lógica FuzzyFuzzy na Europana Europa 19951995 Larga aplicação de Lógica Larga aplicação de Lógica FuzzyFuzzy nos Estados nos Estados UnidosUnidos 20002000 Lógica Lógica FuzzyFuzzy tornoutornou--se tecnologia padrão e é se tecnologia padrão e é também aplicada em análise de dados e sinais também aplicada em análise de dados e sinais de sensores. Aplicação de de sensores. Aplicação de LógiaLógia FuzzyFuzzy em em finanças e negóciosfinanças e negócios Hoje, Lógica Hoje, Lógica FuzzyFuzzy já já se tornou tecnologia se tornou tecnologia padrão para controle padrão para controle de múltiplas variáveis!de múltiplas variáveis! sor Noções Básicas de Lógica Fuzzy 4 LABIC Estudo de Aplicações de IEEE em 1996 Estudo de Aplicações de IEEE em 1996 ?? Aproximadamente 1100 aplicações de Lógica Aproximadamente 1100 aplicações de Lógica FuzzyFuzzy bem bem sucedidas são publicadas (estimado de 5% do total existente)sucedidas são publicadas (estimado de 5% do total existente) ?? Quase todas as aplicações não envolveram substituição de Quase todas as aplicações não envolveram substituição de um controlador tipo padrão (PID,..) e sim um controle de um controlador tipo padrão (PID,..) e sim um controle de supervisão de múltiplas Variáveissupervisão de múltiplas Variáveis ?? Aplicações variam de controle embutido (28%), automação Aplicações variam de controle embutido (28%), automação industrial (62%) até controle de processo (10%)industrial (62%) até controle de processo (10%) ?? De 311 autores que responderam um questionário, De 311 autores que responderam um questionário, aproximadamente 90% afirmam que Lógica aproximadamente 90% afirmam que Lógica FuzzyFuzzy diminuiu o diminuiu o tempo de projeto para menos da metadetempo de projeto para menos da metade ?? Neste questionário, 97.5% dos projetistas afirmaram que Neste questionário, 97.5% dos projetistas afirmaram que usarão Lógica usarão Lógica FuzzyFuzzy novamente em futuras aplicações, se novamente em futuras aplicações, se Lógica Lógica FuzzyFuzzy for aplicávelfor aplicável Lógica Lógica FuzzyFuzzy será indispensável será indispensável em engenharia de controle!em engenharia de controle! sor Noções Básicas de Lógica Fuzzy 5 LABIC Problemas da Lógica de 1a OrdemProblemas da Lógica de 1a Ordem ....as respostas são categóricas {Verdadeiro, Falso}{Verdadeiro, Falso} Entretanto, a maioria das palavras e avaliações utilizadas no nosso raciocínio diário não são claramente definidas. sor Noções Básicas de Lógica Fuzzy 6 LABIC ExemploExemplo Se sintoma = dor de dentes então problema = cárie Não é verdade para todos os pacientes Se sintoma = dor de dentes então problema = (cárie ou gengiva.. ou...) Seria necessário adicionar todos os possíveis problemas para que a regra seja verdadeira sor Noções Básicas de Lógica Fuzzy 7 LABIC Exemplo (cont.)Exemplo (cont.) Se problema = cárie então sintoma = dor de dentes também não é verdade. A conexão entre “dor de dentes” e “cárie” não é uma consequência lógica em qualquer direção sor Noções Básicas de Lógica Fuzzy 8 LABIC Grau de Crença X Grau de VerdadeGrau de Crença X Grau de Verdade Existem domínios de aplicação nos quais a incerteza é parte inerentente do problema devido a dados ausentes ou imprecisos e/ou relações causa-efeito não determinísticas Grau de crença Teoria das probabilidades Grau de verdade Lógica Fuzzy sor Noções Básicas de Lógica Fuzzy 9 LABIC Grau de CrençaGrau de Crença ?80% dos pacientes com dor de dentes têm cáries Uma probabilidade de 0.8 não significa “80% verdade” verdade” mas temtem--se um grau de crença de 80% se um grau de crença de 80% nessa regra.nessa regra. Ou seja, em 80% dos casos essa regra é verdadeira sor Noções Básicas de Lógica Fuzzy 10 LABIC Grau de VerdadeGrau de Verdade A Teoria de conjuntos Fuzzy permite especificar quão bem um objeto satisfaz uma descrição vaga. Dada a proposição: Mario é altoMario é alto é verdadeira dado que a altura de Mario é 1.65m? ...mais ou menos.... Observar que não há incerteza, estamos seguros da altura de Mario. O termo linguístico “alto” é vago, como interpretá-lo? sor Noções Básicas de Lógica Fuzzy 11 LABIC Descrições VagasDescrições Vagas Alto Frio Q u e n t e poucopouco sor Noções Básicas de Lógica Fuzzy 12 LABIC Lógica FuzzyLógica Fuzzy Dada uma sentença Mario é alto e Mario tem febre altaMario é alto e Mario tem febre alta Lógica fuzzy determina o valor verdade em função dos valores verdade de seus componentes utilizando regras fuzzy de avaliação sor Noções Básicas de Lógica Fuzzy 13 LABIC Tipos de Incerteza e seus Modelos Tipos de Incerteza e seus Modelos Incerteza estocástica:Incerteza estocástica: ?? A probabilidade de acertar o alvo é 0.8A probabilidade de acertar o alvo é 0.8 Incerteza léxica:Incerteza léxica: ?? "Homens Altos", "Dias Quentes", "Moeda "Homens Altos", "Dias Quentes", "Moeda Estável"Estável" ?? Nós provavelmenteteremos um bom ano de Nós provavelmente teremos um bom ano de negóciosnegócios ?? A experiência do especialista A mostra que B A experiência do especialista A mostra que B está quase para ocorrer, porém, o está quase para ocorrer, porém, o especialista C está convencido de que não é especialista C está convencido de que não é verdadeverdade sor Noções Básicas de Lógica Fuzzy 14 LABIC Tipos de Incerteza e seus Modelos Tipos de Incerteza e seus Modelos Incerteza estocástica:Incerteza estocástica: ?? A probabilidade de acertar o alvo é 0.8A probabilidade de acertar o alvo é 0.8 Incerteza léxica:Incerteza léxica: ?? "Homens Altos", "Dias Quentes", "Moeda "Homens Altos", "Dias Quentes", "Moeda Estável"Estável" ?? Nós provavelmente teremos um bom ano de Nós provavelmente teremos um bom ano de negóciosnegócios ?? A experiência do especialista A mostra que B A experiência do especialista A mostra que B está quase para ocorrer, porém, o está quase para ocorrer, porém, o especialista C está convencido de que não é especialista C está convencido de que não é verdadeverdade Muitas palavras e estimativas que nós usamos Muitas palavras e estimativas que nós usamos em nosso raciocínio diário não são facilmente em nosso raciocínio diário não são facilmente definidas de forma matemática. Isso permite ao definidas de forma matemática. Isso permite ao homem raciocinar em um nível abstrato!homem raciocinar em um nível abstrato! sor Noções Básicas de Lógica Fuzzy 15 LABIC Probabilidade e IncertezaProbabilidade e Incerteza ““.. uma pessoa com hepatite .. uma pessoa com hepatite apresenta em 60% dos casos febre apresenta em 60% dos casos febre alta, em 45% dos casos pele com alta, em 45% dos casos pele com coloração amarela, e em 30% dos coloração amarela, e em 30% dos casos casos nauseasnauseas ..”..” Estocástica e Lógica Estocástica e Lógica FuzzyFuzzy se complementam!se complementam! sor Noções Básicas de Lógica Fuzzy 16 LABIC Teoria dos Conjuntos FuzzyTeoria dos Conjuntos Fuzzy Teoria dos Conjuntos Convencionais (Teoria dos Conjuntos Convencionais (BooleanaBooleana):): ““Febre Alta”Febre Alta” 40.1°C40.1°C 42°C42°C 41.4°C41.4°C 39.3°C39.3°C 38.7°C38.7°C 37.2°C37.2°C 38°C38°C Teoria dos Conjuntos Teoria dos Conjuntos FuzzyFuzzy:: 40.1°C40.1°C 42°C42°C 41.4°C41.4°C 39.3°C39.3°C 38.7°C38.7°C 37.2°C37.2°C 38°C38°C sor Noções Básicas de Lógica Fuzzy 17 LABIC Teoria dos Conjuntos FuzzyTeoria dos Conjuntos Fuzzy Teoria dos Conjuntos Convencionais (Teoria dos Conjuntos Convencionais (BooleanaBooleana):): ““Febre Alta”Febre Alta” 40.1°C40.1°C 42°C42°C 41.4°C41.4°C 39.3°C39.3°C 38.7°C38.7°C 37.2°C37.2°C 38°C38°C Teoria dos Conjuntos Teoria dos Conjuntos FuzzyFuzzy:: 40.1°C40.1°C 42°C42°C 41.4°C41.4°C 39.3°C39.3°C 38.7°C38.7°C 37.2°C37.2°C 38°C38°C ““mais ou menos“ ao invés de “sim / não”!mais ou menos“ ao invés de “sim / não”! sor Noções Básicas de Lógica Fuzzy 18 LABIC Conjunto de Definições FuzzyConjunto de Definições Fuzzy Definição discreta:Definição discreta: µµSFSF(35°C) = 0(35°C) = 0 µµSFSF(38°C) = 0.1(38°C) = 0.1 µµSFSF(41°C) = 0.9(41°C) = 0.9 µµSFSF(36°C) = 0(36°C) = 0 µµSFSF(39°C) = 0.35(39°C) = 0.35 µµSFSF(42°C) = 1(42°C) = 1 µµSFSF(37°C) = 0(37°C) = 0 µµSFSF(40°C) = 0.65(40°C) = 0.65 µµSFSF(43°C) = 1(43°C) = 1 Definição contínua:Definição contínua: 39°C 40°C 41°C 42°C38°C37°C36°C 1 0 µ(x) Não mais limiares artificiais !Não mais limiares artificiais ! sor Noções Básicas de Lógica Fuzzy 19 LABIC Variável LinguísticaVariável Linguística ..Termos, grau de relacionamento entre membros, ..Termos, grau de relacionamento entre membros, função de pertinência, variáveis básicas.função de pertinência, variáveis básicas. 39°C 40°C 41°C 42°C38°C37°C36°C 1 0 µ(x) low temp normal raised temperature strong fever .. um pouco elevado .... um pouco elevado .. .. mas levemente alto .... mas levemente alto .. Uma Variável Uma Variável LinguísticaLinguística define um conceito completo define um conceito completo de nossa linguagem diária!de nossa linguagem diária! sor Noções Básicas de Lógica Fuzzy 20 LABIC Elementos Básicos de um Sistema de Lógica Fuzzy Elementos Básicos de um Sistema de Lógica Fuzzy FuzzificaçãoFuzzificação, Inferência , Inferência FuzzyFuzzy, , DefuzzificaçãoDefuzzificação:: Lógica Lógica FuzzyFuzzy define a define a estratégia de controle estratégia de controle no nível no nível linguísticolinguístico!! Linguistic Level Numerical Level Measured Variables Measured Variables (Numerical Values) (Linguistic Values) 2. Fuzzy-Inference Command Variables 3. Defuzzification Plant 1. Fuzzification (Linguistic Values) Command Variables (Numerical Values) sor Noções Básicas de Lógica Fuzzy 21 LABIC Elementos Básicos de um Sistema de Lógica Fuzzy Elementos Básicos de um Sistema de Lógica Fuzzy Estudo do caso do Guindaste de Container:Estudo do caso do Guindaste de Container: Duas variáveis de Duas variáveis de medida e uma variável medida e uma variável de comando!de comando! sor Noções Básicas de Lógica Fuzzy 22 LABIC Elementos Básicos de um Sistema de Lógica Fuzzy Elementos Básicos de um Sistema de Lógica Fuzzy LoopLoop de controle do Guindaste de de controle do Guindaste de ConteinerConteiner controlado por Lógica controlado por Lógica FuzzyFuzzy: Fechando o “Fechando o “looploop” ” com palavras!com palavras!: Linguistic Level Numerical Level Angle, Distance Angle, Distance (Numerical Values) (Numerical Values) 2. Fuzzy-Inference Power Power (Numerical Values) (Linguistic Variable) 3. Defuzzification Container Crane 1. Fuzzification sor Noções Básicas de Lógica Fuzzy 23 LABIC 1. Fuzzificação: Variáveis Linguísticas 1. Fuzzificação: Variáveis Linguísticas Definição de termos:Definição de termos: Distância := {longe, média, perto, zero, Distância := {longe, média, perto, zero, neg_pertoneg_perto}} Ângulo := {Ângulo := {pos_grandepos_grande, , pos_pequenopos_pequeno, zero, , zero, neg_pequenoneg_pequeno, , neg_grandeneg_grande}} Potência := {Potência := {pos_altapos_alta, , pos_médiapos_média, zero, , zero, neg_médianeg_média, , neg_altaneg_alta}} Definição de função de pertinência:Definição de função de pertinência: -90° -45° 0° 45° 90° 0 1 µ Angle zero pos_smallneg_smallneg_big pos_big 4°4° 0.80.8 0.20.2 -10 0 10 20 30 0 1 µ Distance [yards] zero close medium farneg_close 12m12m 0.90.9 0.10.1 sor Noções Básicas de Lógica Fuzzy 24 LABIC 1. Fuzzificação: Variáveis Linguísticas 1. Fuzzificação: Variáveis Linguísticas Definição de termos:Definição de termos: Distância := {longe, média, perto, zero, Distância := {longe, média, perto, zero, neg_pertoneg_perto}} Ângulo := {Ângulo := {pos_grandepos_grande, , pos_pequenopos_pequeno, zero, , zero, neg_pequenoneg_pequeno, , neg_grandeneg_grande}} Potência := {Potência := {pos_altapos_alta, , pos_médiapos_média, zero, , zero, neg_médianeg_média, , neg_altaneg_alta}} As Variáveis As Variáveis liguísticasliguísticas são são o “vocabulário“ de um o “vocabulário“ de um sistema de Lógica sistema de Lógica FuzzyFuzzy!! Definição de função de pertinência:Definição de função de pertinência: -90° -45° 0° 45° 90° 0 1 µ Angle zero pos_smallneg_smallneg_big pos_big 4°4° 0.80.8 0.20.2 -10 0 10 20 30 0 1 µ Distance [yards] zero close medium farneg_close 12m12m 0.90.9 0.10.1 sor Noções Básicas de Lógica Fuzzy 25 LABIC 2. Inferência Fuzzy: Regras “IF-THEN” 2. Inferência Fuzzy: Regras “IF-THEN” Implementação das regras “IFImplementação das regras“IF--THEN”:THEN”: #1: IF Distância = média AND Ângulo = #1: IF Distância = média AND Ângulo = pos_pequenopos_pequeno THEN Potência = THEN Potência = pos_médiapos_média #2: IF Distância = média AND Ângulo = zero THEN Potência = zero#2: IF Distância = média AND Ângulo = zero THEN Potência = zero #3: IF Distância = longe AND Ângulo = zero THEN Potência = #3: IF Distância = longe AND Ângulo = zero THEN Potência = pos_médiapos_média ?? Agregação: Cálculo da parte do “IF”Agregação: Cálculo da parte do “IF” ?? Composição: Cálculo da parte do “THEN”Composição: Cálculo da parte do “THEN” As regras do sistema de As regras do sistema de Lógica Lógica FuzzyFuzzy são as são as “Leis“ que ele executa!“Leis“ que ele executa! sor Noções Básicas de Lógica Fuzzy 26 LABIC 2. Inferência Fuzzy: Agregação 2. Inferência Fuzzy: Agregação Lógica Lógica BooleanaBooleana somente somente define operadores para 0/1:define operadores para 0/1: AA BB AvBAvB 00 00 00 00 11 00 11 00 00 11 11 11 Lógica Lógica FuzzyFuzzy fornece uma fornece uma extensão contínua:extensão contínua: ?? ANDAND: µ: µAvBAvB = min{ µ= min{ µAA; µ; µBB }} ?? OROR: µ: µA+B A+B = = maxmax{ µ{ µAA; µ; µBB }} ?? NOTNOT: µ: µ--A A = 1 = 1 -- µµAA Agregação da parte do “IF”:Agregação da parte do “IF”: #1: min{ 0.9; 0.8 } = 0.8#1: min{ 0.9; 0.8 } = 0.8 #2: min{ 0.9; 0.2 } = 0.2#2: min{ 0.9; 0.2 } = 0.2 #3: min{ 0.1; 0.2 } = 0.1#3: min{ 0.1; 0.2 } = 0.1 Agregação calcula quão “apropriado“ Agregação calcula quão “apropriado“ cada regra é para a situação corrente!cada regra é para a situação corrente! sor Noções Básicas de Lógica Fuzzy 27 LABIC 2. Inferência Fuzzy: Composição 2. Inferência Fuzzy: Composição Resultado para a variável Resultado para a variável linguísticalinguística Potência:Potência: pos_altapos_alta com grau 0.0com grau 0.0 pos_médiapos_média com grau 0.8 ( = com grau 0.8 ( = maxmax{ 0.8; 0.1 } ){ 0.8; 0.1 } ) zerozero com grau 0.2com grau 0.2 neg_mneg_médiaédia com grau 0.0com grau 0.0 neg_altaneg_alta com grau 0.0com grau 0.0 Composição calcula o Composição calcula o quanto cada regra influencia quanto cada regra influencia as variáveis de saída!as variáveis de saída! sor Noções Básicas de Lógica Fuzzy 28 LABIC 3. Defuzzificação3. Defuzzificação Encontrando um compromisso usando “CentroEncontrando um compromisso usando “Centro--dodo--Máximo”:Máximo”: -30 -15 0 15 30 0 1 µ Power [Kilowatts] zeroneg_mediumneg_high pos_medium pos_high ““Equilibrando” Equilibrando” o resultado!o resultado! 6.4 KW6.4 KW sor Noções Básicas de Lógica Fuzzy 29 LABIC AgradecimentosAgradecimentos • Parte deste material foi obtido de um “Tutorial and Workshop” disponível em www.inform-ac.com e adaptado por Solange Oliveira Rezende - LABIC/ICMC/USP São Carlos • Também colaboraram na elaboração deste material: – Luis Carlos Molina Félix – Maria Carolina Monard
Compartilhar