Lgica difusa

Lgica difusa
A lgica difusa ou lgica fuzzy uma extenso da lgica booleana que admite valores lgicos intermedirios entre o FALSO (0) e o VERDADEIRO (1); por exemplo o valor mdio 'TALVEZ' (0,5). Isto significa que um valor lgico difuso um valor qualquer no intervalo de valores entre 0 e 1. Este tipo de lgica engloba de certa forma conceitos estatsticos principalmente na rea de Inferncia. As implementaes da lgica difusa permitem que estados indeterminados possam ser tratados por dispositivos de controle. Desse modo, possvel avaliar conceitos no-quantificveis. Casos prticos: avaliar a temperatura (quente, morno, mdio, etc...), o sentimento de felicidade(radiante, feliz, aptico, triste...), a veracidade de um argumento (correctssimo, correcto, contra-argumentativo, incoerente, falso, totalmente errneo, etc..) A lgica fuzzy deve ser vista mais como uma rea de pesquisa sobre tratamento da incerteza, ou uma famlia de modelos matemticos dedicados ao tratamento da incerteza, do que uma lgica propriamente dita. A lgica difusa normalmente est associada ao uso da teoria de conjuntos fuzzy proposto por Lukasiewicz. Ao trabalhar com a lgica fuzzy comum chamar a lgica booleana de lgica ntida. Muitos pesquisadores de verses booleanas de lgica no aceitam a lgica fuzzy como uma verdadeira lgica, no sentido em que aceitam, por exemplo, a lgica modal. Isso pode ser associado a diferentes fatos, entre eles o fato de muitos modelos permitirem solues aproximadas que no correspondem a uma "verdade" lgica.

Noes bsicas
Na lgica proposicional, a cada proposio p associamos um entre dois valores possveis: verdadeiro ou falso. comum que sejam escolhidos valores numricos como 1 para representar o verdadeiro e 0 para representar o falso. Um modelo fuzzy simples construdo associando-se um valor (p) a uma proposio p, indicando o grau de veracidade dessa proposio, sendo que (x) uma funo (arbitrria) cujo conjunto imagem est entre 0 e 1 (ou 0% e 100%). Se exige pouco dessa funcional: caso p seja verdade, deve estar associado ao valor 100%, caso p seja falso deve ser associado ao valor 0%. Dessa forma, a lgica estende a lgica booleana, pois ao invs de permitir s dois valores (1 e 0) permite uma gama infinita de valores. Da mesma forma que so estendidos os valores possveis das proposies, tambm devem ser estendidos os operadores, como NO, E e OU. Porm, ao estender esses operadores, devemos manter certas propriedades, entre elas a compatibilidade com a verso booleana da lgica. Assim, um operador NO-fuzzy, ao ser aplicado sobre o valor de uma proposio fuzzy que seja 0 ou 1, deve devolver o mesmo valor que um operador NO retornaria na lgica booleana. Existem uma ampla gama de funes que podem ser utilizadas como NO-fuzzy, E-fuzzy e OU-fuzzy, tendo sido aplicadas a vrios sistemas, porm as que contm mais propriedades desejveis e que simultaneamente so bastante fceis de utilizar so: NO-fuzzy(x) = 1 - x E-fuzzy(x,y) = Mnimo(x,y) OU-fuzzy(x,y) = Mximo(x,y) Utilizando esse modelo, podemos construir o seguinte exemplo: Suponha que desejssemos representar de forma fuzzy a altura de Alice (1,65 m), Bob (1,75 m), Carlos(2,0m) e Denise(1,45 m). Nossas proposies sero da forma "X alto", e sero: A = Alice alta, (A)=0.55 B = Bob alto, (B)=0.75 C = Carlos alto, (C) = 1 D = Denise alta, (D) = 0

Lgica difusa Usando os operadores acima descritos, podemos escrever sentenas como: Carlos no alto, NO(C), (NO(C))=1-(C)=0 Bob no alto, NO(B), (NO(B))=1-(B)=0.25 Denise alta e Alice Alta, D e A, (D e A)=mnimo((D),(A))=0 A lgica est claramente associada a teoria dos conjuntos. Cada afirmao (do tipo "Carlos alto") representa na verdade o grau de pertinncia de Carlos ao conjunto de pessoas altas. Isso permite que conjuntos como "alto" e "baixo" sejam tratados de forma separadas e afirmaes como "Carlos alto 0.75" e "Carlos baixo 0.50" sejam vlidas simultaneamente, ao contrrio do que seria esperado em um modelo ntido. Esse tipo de afirmao facilmente encontrada na descrio, por humanos, na forma como entendem certo conceito, e a lgica difusa uma tima forma de tratar essa forma de incerteza.

Inferncia difusa
Fazer uma inferncia difusa significa aplicar regras do tipo SE X ENTO Y de forma que X e Y, e a prpria sentena, sejam noes difusas. Dessa forma, se torna mais fcil interpretar matematicamente e implementar sistemas a partir do conhecimento humano, como em: SE A TEMPERATURA ALTA E A PRESSO ALTA ENTO O FLUXO DE COMBUSTVEL DEVE SER PEQUENO. importante notar que no caso acima, uma verso de uso corrente da lgica difusa, a regra igual a uma regra ntida que seria usada em um sistema especialista. Porm, os conjuntos (ALTO, MDIO e BAIXO para temperatura, por exemplo) permitem graus de pertinncia, onde uma temperatura pode ter algum grau em todos os conjuntos, enquanto em um sistema ntido, apenas um valor seria possvel. Assim, em sistemas difusos, com um conjunto de regras, vrias regras aparentemente contraditrias so vlidas simultaneamente, possuindo ainda um grau de validade. A soluo final obtida por meio da agregao dos resultados por meio de alguma operao matemtica, como o clculo do centro de massa da resposta obtida. No caso da inferncia, para cada conjunto de operaes bsicas NO, E e OU escolhidos, so possveis vrias verses da implicao. Isso porque, na lgica ntida, A B (A implica B) equivalente a vrias sentenas. Outra forma de inferncia difusa aplicar regras como o modus ponens e modus tollens. Isso permite vrias variaes. Em uma delas, sabendo que "A implica B" de forma ntida, e tendo apenas um valor difuso de A, possvel calcular o valor de B.

Conjuntos difusos
Normalmente, o uso da lgica difusa est associado ao uso de conjuntos nebulosos. Um conjunto nebuloso estende o conceito de conjunto permitindo que um elemento passa a ter um grau de pertinncia variando entre 0 e 1, ao invs de pertencer ou no ao conjunto como na teoria de conjuntos tradicional. Veja que o princpio o mesmo aplicado a lgica difusa, onde o grau de veracidade pode passar a variar entre 0 e 1. Para cada conjunto, ento, criada uma funo de pertinncia, que indica o grau de pertinncia de seus elementos. Normalmente, essa funo criada de forma a representar algum conceito impreciso, como "ser alto".

Lgica difusa

Raciocnio fuzzy
O raciocnio fuzzy tambm conhecido como raciocnio aproximado e pode ser dividido em 5 etapas. Transformao das variveis do problema em valores fuzzy, ou fuzzificao Aplicao dos operadores fuzzy Aplicao da implicao Combinao de todas as sadas fuzzy possveis Transformao do resultado fuzzy em um resultado ntido, a defuzzificao.

No primeiro passo, para cada valor de entrada associamos uma funo de pertinncia, que permite obter o grau de verdade da proposio. Determinar o grau de pertinncia de cada conjunto (proposio); Limitar o valor da entrada entre 0 e 1; O segundo passo aplicar os operadores fuzzy, assim como os operadores da lgica ntida. Os operadores usados na lgica fuzzy so AND e OR, conhecidos como operadores de relao. Na lgica fuzzy so utilizados para definir o grau mximo e mnimo de pertinncia do conjunto. O terceiro passo aplicar o operador de implicao, usado para definir o peso no resultado e remodelar a funo, ou seja, o terceiro consiste em criar a hiptese de implicao. Como no exemplo abaixo: Servio excelente OU atendimento rpido ENTO pagamento alto. No quarto passo ocorre a combinao de todas as sadas em um nico conjunto fuzzy, algo semelhante ao processo de unio e interseco, na teoria dos conjuntos abruptos. O quinto e ltimo passo no processo do raciocnio fuzzy, a defuzzyficao que consiste em retornar os valores, obter um valor numrico dentro da faixa estipulada pela lgica fuzzy. Um exemplo simples que demonstra o processo de pertinncia do raciocnio fuzzy seria. Se A identificado como o tomate est vermelho e B como o tomate est maduro, ento se verdade que o tomate est vermelho, tambm verdade que o tomate est maduro. Essa seria um exemplo pensado na lgica tradicional onde: Fato: x A; Regra: se x A ento y B; Concluso: y B Esta regra aplica um conceito aproximado. Porem se pensarmos desta forma: se ns temos a mesma regra de implicao se o tomate est vermelho, ento ele est maduro e ns sabemos que o tomate est mais ou menos vermelho, ento ns podemos inferir que o tomate est mais ou menos maduro. Ou seja: Fato: x A (quase A) Regra: se x A ento y B Concluso: y B (quase B) Este conceito de fuzzyficao funciona da seguinte forma se A est prximo de A (situao inicial) e B est prximo de B (inicial). A, A, B e B fazem parte do conjunto universo, chegando assim ao paradigma do raciocnio fuzzyano, tambm chamado de modus ponens generalizado.

Lgica difusa

Referncias
W. Pedrycz and F. Gomide; Fuzzy Systems Engineering : Toward Human-Centric Computing; Wiley/IEEE Press, 2007 ; ISBN 978-0-471-78857-7 C. J. Harris, C. G. Moore & M. Brown; Intelligent control : Aspects of Fuzzy Logic and Neural Nets; World Scientific, 1993; ISBN 981-02-1042-6 Kosko, Bart; Neural networks and fuzzy systems: a dynamical systems approach to machine intelligence; Prentice-Hall International, 1992; ISBN 0-13-612334-1 Earl Cox; The Fuzzy Systems Handbook : a Practitioner's Guide to Building, Using and Maintaining Fuzzy Systems; Professional, 1994 ; ISBN 0-12-194270-8

Ligaes externas
Artigos em Controle Multivarivel Fuzzy [1] Artigos sobre Lgica fuzzy tipo-2 [2]

Referncias
[1] http:/ / www. is-brasil. com/ index. php/ artigos. html [2] http:/ / www. feg. unesp. br/ ~paloma/ Disciplinas/ art/ logicafuzzytipo2. pdf

Fontes e Editores da Pgina

Fontes e Editores da Pgina

Lgica difusa Fonte: http://pt.wikipedia.org/w/index.php?oldid=31522766 Contribuidores: 333, Alancarv, Alanjulio, Albmont, Alchimista, Beetstra, Beria, Cralize, Der kenner, Dvulture, E2mb0t, Eamaral, Emersonmello, Hgfernan, Hyju, IamPortuguese, Jic, JoaoMiranda, Marcelo Reis, Mschlindwein, Niedson, Pietro Roveri, Plataformista, Quiumen, Rjclaudio, Rodrigo72lopes, Tienybd, Tumnus, Wikipedista, Xexeo, 47 edies annimas

Licena
Creative Commons Attribution-Share Alike 3.0 Unported //creativecommons.org/licenses/by-sa/3.0/