resumo fuzzy

Prévia do material em texto

Marcos Paulo Santos Nascimento 0034092
Resumo sobre lógica fuzzy
A lógica difusa ou lógica fuzzy é a forma de lógica multivalorada na qual os valores verdade das variáveis podem ser qualquer número real entre 0 e 1 diferentemente do que se verifica na lógica booleana segundo a qual os valores lógicos podem ser apenas 0 ou 1.
A lógica difusa foi estendida para lidar com o conceito de verdade parcial objetivando imitar o raciocínio humano que eu falo verdade situa-se entre o completamente verdadeiro completamente falsa ponto além disso, quando variáveis linguísticas são usadas, esses graus podem ser manipulados por funções específicas. O termo lógica difusa foi introduzido em 1965 com a proposta da teoria de conjuntos difusos por Lotfi A. Zadeh. A lógica difusa tem sido aplicada em várias áreas, desde a teoria de controle a inteligência artificial. A lógica difusa tem sido, no entanto, estudada desde os meados da década de 1920, como lógica infinito valorada por Łukasiewicz e Tarski.
As implementação da lógica difusa permitem que os estados não determinados possam ser tratados por dispositivos eletrônicos, aplicação bastante frequente em controle não linear de processos industriais ponto deste modo, é possível avaliar conceitos não quantificáveis ponto casos práticos: avaliar a temperatura de uma Caldeira (quente, morno, médio, etc.), o sentimento de Felicidade (radiante, feliz, apático, triste, etc.), a verdade de um argumento (corretíssimo, correto, contra argumentativo, incoerente, falso, totalmente errôneo, etc.).
Muitos pesquisadores de versões booleanas de lógica não aceitam a lógica difusa como uma verdadeira lógica, no sentido em que aceitam, por exemplo, a lógica modal. Isso pode ser associado a diferentes fatos, entre eles o de que muitos modelos permitem soluções aproximadas, que não correspondem a uma "verdade" lógica.
Um sistema baseado em lógica Fuzzy pode ter sua ação esquematizada pelos seguintes elementos constituintes:
· Fuzzificador;
· Regras, ou base de conhecimentos;
· Inferência, ou lógica de tomada de decisões;
· Defuzzificador
Figura 1- Diagrama de blocos de um sistema em lógica fuzzy
O Fuzzificador é responsável pela identificação dos valores numéricos fornecidos pelos sensores, normalizando estes valores em universo padronizado formando um conjunto nebuloso (fuzzy) a ser inserido no bloco de indiferença.
A base de conhecimento representa o modelo do sistema a ser controlado, constituindo numa base de dados e uma base de regras linguísticas ponto a base de dados fornece definições numéricas e a base de regras caracteriza os objetivos do controlador isso a estratégia usada, geralmente fornecida por pessoas especialistas no sistema.
É importante que exista uma quantidade de regras pré-definidas para mapear as diversas combinações possíveis, garantindo que haverá uma regra específica ativa para qualquer entrada do sistema.
A inferência é realizada uma piada valores linguísticos de entrada em valores linguísticos de saída com uso de regras ponto estas regras usam explicações difusas para simulações de decisões humanas, gerando ações de controle, chamados de consequentes, partindo-se de um conjunto de condições de entrada, chamada de antecedentes.
O Defuzzificador obtém uma única ação de controle a partir do conjunto nebuloso obtido ponto o procedimento consiste na identificação do domínio das variáveis de saída é um único universo de discurso e com a ação de controle nebulosa inferida, uma ação de controle não nebulosa é tomada.
A base dos sistemas Fuzzy é a teoria dos conjuntos Fuzzy. Estes conjuntos são uma extensão dos conjuntos convencionais, os quais permitem somente que elementos sejam verdadeiros ou falsos (lógica booleana, bivalente). Conjuntos Fuzzy permitem que seus elementos possuam um certo grau de pertinência associado, sendo esta propriedade conhecida como multivalência. Isto permite a aproximação com o mundo real que não é bivalente, com um vasto número de opções ao invés de somente duas. A lógica Fuzzy, então, permite trabalhar com tais incertezas de fenômenos naturais de forma rigorosa e sistemática.
A determinação do grau de pertinência, para conjuntos fuzzy contínuos, se dá pela análise de funções de pertinência. estas funções possibilitam o cálculo de grau de pertinência de acordo com o valor assumido pela variável ponto elas representam os aspectos fundamentais de todas as ações teóricas e práticas de sistemas fuzzy.
Os modelos de sistemas fuzzy podem ser divididos em dois tipos: os clássicos e os de interpolação ponto os clássicos se caracterizam pela conclusão de cada regra especificar um termo nebuloso dentro de um conjunto fixo de termos, sendo esses termos, conjuntos nebulosos convexos representados graficamente por funções com: triângulos, trapézios e funções de sino ponto o sistema nebuloso por interpolação se caracteriza por apresentar uma conclusão através de uma função é estritamente monotônica, usualmente diferente para cada regra.
Referências bibliográficas			
Contribuidores dos projetos da Wikimedia. “Lógica Difusa.” Wikipedia.org, Fundação Wikimedia, Inc., 14 Apr. 2004, pt.wikipedia.org/wiki/L%C3%B3gica_difusa. Accessed 8 June 2021.
Brown, A.W., K.C Wallnau (1996). Component-Based Software Engineering. IEEE Computer Society Press. 
‌