LGICA NEBULOSA

Marley Maria B.R. Vellasco

ICA: Ncleo de Pesquisa em Inteligncia Computacional Aplicada PUC-Rio

CONTEDO
Introduo
Introduo, Objetivo e Histrico

Conceitos Bsicos
Definio, Caractersticas e Formas de Impreciso

Conjuntos Fuzzy
Propriedades, Formas de Representao e Operaes

Lgica Fuzzy
Relaes, Composies, Modus Ponens Generalizado

Fuzzy Engineering
Quando e Como utilizar Lgica Nebulosa

INTRODUO
n Lgica a cincia que

tem por objetivo o estudo das leis do raciocnio.

INTRODUO
n Lgica Fuzzy a cincia que se preocupa com os princpios formais do raciocnio aproximado.
Procura modelar os modos imprecisos do raciocnio que tm um papel fundamental na habilidade humana de tomar decises.

INTRODUO
Forma objetiva: Lgica Nebulosa uma ferramenta capaz de capturar informaes imprecisas, descritas em linguagem natural, e convert-las para um formato numrico.

OBJETIVO
Fornecer os fundamentos para efetuar o raciocnio aproximado, com proposies imprecisas, usando a teoria de conjuntos nebulosos como ferramenta principal.

HISTRICO
Bivalncia Desde Aristteles, a Lgica Clssica se baseia em bivalncia V,F
(Lei da No-Contradio A ~A = )

Multivalncia Desenvolvida por Lukasiewicz para lidar com o Princpio da Incerteza na Mecnica Quntica V,F,IN
1920 - 3 valores/1930 - n valores

Lgica Fuzzy Desenvolvida por Lofti Zadeh (1965 Fuzzy Sets) onde os elementos pertencem a um certo conjunto com diferentes graus (grau de pertinncia).
Devido resistncia dos cientistas, a Lgica Nebulosa cresceu no mercado comercial para depois se desenvolver nas universidades

Evoluo da rea
Aplicaes Comerciais e Industriais.
ANO 1986 1987 1988 1989 1990 1991 1992 1993 # de APLICAES 8 15 50 100 150 300 800 1500

1994 O Japo exportou 35 bilhes de dlares em produtos que utilizam Fuzzy Logic ou NeuroFuzzy.

Aplicaes Comerciais
Controle
Controle de Aeronave (Rockwell Corp.) Operao do Metr de Sendai (Hitachi) Transmisso Automtica (Nissan, Subaru) Space Shuttle Docking (NASA)

Otimizao e Planejamento
Elevadores (Hitachi, Fujitech, Mitsubishi) Anlise do Mercado de Aes (Yamaichi)

Anlise de Sinais
Ajuste da Imagem de TV (Sony) Autofocus para Cmera de Video (Canon) Estabilizador de Imagens de Video (Panasonic)

CONTEDO
Introduo
Introduo, Objetivo e Histrico

Conceitos Bsicos
Definio, Caractersticas e Formas de Impreciso

Conjuntos Fuzzy
Propriedades, Formas de Representao e Operaes

Lgica Fuzzy
Relaes, Composies, Modus Ponens Generalizado

Fuzzy Engineering
Quando e Como utilizar Lgica Nebulosa

DEFINIO
Sistema no-linear de mapeamento de um vetor de entrada em uma sada escalar, capaz de incorporar tanto o conhecimento objetivo quanto o conhecimento subjetivo.

DEFINIO
Conhecimento Objetivo
Usado na formulao de problemas de engenharia modelos matemticos

Conhecimento Subjetivo
Representa a informao lingustica que geralmente impossvel de quantificar usando matemtica tradicional

SISTEMAS FUZZY
Estudado por Lofti Zadeh:
Princpio da Incompatibilidade Conforme a complexidade de um sistema aumenta, a nossa habilidade de fazer declaraes precisas e significativas sobre o comportamento do sistema diminui, at alcanar um limite alm do qual preciso e relevncia se tornam caractersticas mutuamente exclusivas

SISTEMA FUZZY
The closer one looks at a real world problem, the fuzzier becomes its solution (Zadeh) A Lgica Nebulosa fornece um mtodo para reduzir e explicar a complexidade do sistema.

SISTEMA FUZZY
Idia Bsica:
Conjuntos Fuzzy so funes que mapeiam um valor escalar em um nmero entre 0 e 1, o qual indica o seu Grau de Pertinncia a esse conjunto.
Conjunto de Projetos Longos 1.0

10

15

20

Durao de um projeto em meses

SISTEMA FUZZY
Fornecidas por especialistas ou extradas de dados numricos REGRAS Para ativar as regras X Entradas precisas FUZZIFICADOR Conjuntos nebulosos de entrada

Para fornecer a sada precisa DEFUZZIFICADOR Conjunto nebuloso de sada y Sada precisa

INFERNCIA

Mapeia fuzzy sets em fuzzy sets Determina como as regras so ativadas e combinadas

REGRAS FUZZY
Exemplo:
SE u1 muito quente E u2 baixo ENTO gire v um pouco para a direita

Conceitos Importantes:
Variveis Lingusticas (quente x 36) Quantificadores (muito, um pouco) Conexes Lgicas (E/OU) Implicaes (SE A ENTO B)

CONTEDO
Introduo
Introduo, Objetivo e Histrico

Conceitos Bsicos
Definio, Caractersticas e Formas de Impreciso

Conjuntos Fuzzy
Propriedades, Formas de Representao e Operaes

Lgica Fuzzy
Relaes, Composies, Modus Ponens Generalizado

Fuzzy Engineering
Quando e Como utilizar Lgica Nebulosa

Caractersticas Bsicas

Caractersticas Bsicas
Habilidade de Modelar Problemas Complexos
Os Sistemas Fuzzy tratam facilmente problemas altamente complexos, com propriedades no-lineares.

10

Caractersticas Bsicas
Modelagem Cognitiva Melhor e Mais Fcil:
Habilidade de codificar o conhecimento de forma similar ao modo como os especialistas expressam o processo de deciso. Aquisio do Conhecimento: n Mais Fcil n Mais Confivel n Menos sujeito a erros

Caractersticas Bsicas
Habilidade de Modelar Sistemas envolvendo Mltiplos Especialistas: Sistema adequado para representar
informaes de especialistas consistentes (colaboradores) ou conflitantes (contraditrios) Exemplo: Preo deve ser baixo - Marketing Preo deve ser alto - Financeira Preo deve ser 2*custo - Produo

11

Caractersticas Bsicas
Complexidade Reduzida:
O sistema possui menos regras e composto de regras similares s expressas pelos especialistas

Modificaes mais simples, com menos erros

Mais fcil localizar erros estruturais

Caractersticas Bsicas
Melhor Manipulao de Incertezas:
Lgica Fuzzy fornece um mtodo melhor, mais consistente e mais matemtico de lidar com incertezas.
Fuzzy:
Gera uma resposta diferente para cada valor

SE altura alta ENTO peso pesado

Conjuntos Fuzzy

S. Especialistas: SE altura > 1.78 E < 1.95

Fator de Certeza aplicado a uma resposta j conhecida

ENTO peso 90kg

F.C. = .85

12

CONTEDO
Introduo
Introduo, Objetivo e Histrico

Conceitos Bsicos
Definio, Caractersticas e Formas de Impreciso

Conjuntos Fuzzy
Propriedades, Formas de Representao e Operaes

Lgica Fuzzy
Relaes, Composies, Modus Ponens Generalizado

Fuzzy Engineering
Quando e Como utilizar Lgica Nebulosa

Formas de Impreciso

Qual o significado de FUZZINESS?

13

Formas de Impreciso
Inexatido:
Corresponde preciso da nossa habilidade de medir (erros humanos). Tenta-se corrigir o erro atravs de vrias medidas.

Formas de Impreciso
Preciso e Acuidade:
o grau de exatido com o qual se pode medir uma grandeza o grau com que uma certa medida corresponde ao valor padro de uma grandeza erros devido a fatores do ambiente, falta de calibrao.

Incertezas podem afetar a acuidade, mas a preciso no afetada j que esta s depende da granularidade do dispositivo de medida

14

Formas de Impreciso
Lgica Fuzzy:
Trata de questes associadas a impreciso intrnseca, ao invs das relacionadas com falhas na medio Impreciso Intrnseca associada com a descrio das propriedades de um fenmeno e no com as medidas da propriedade.
O Tipo de Impreciso dos Modelos Fuzzy INDEPENDENTE dos sistemas de medio

Formas de Impreciso
Ambiguidade:
a propriedade de possuir vrias interpretaes plausveis.

Exemplo: The food is HOT

Antes de estabelecer o domnio de discurso ambguo mas no fuzzy Aps o estabelecimento do domnio de discurso fuzzy ~ ambguo (qual o valor da temperatura?)

Fuzzy preocupa-se em identificar conceitos semanticamente ambguos e convert-los em conjuntos fuzzy

15

Formas de Impreciso
Indeciso:
Associada com a habilidade de discriminar entre diferentes estados de um evento (Ex: O copo est meio cheio ou meio vazio?) Vagueness x Fuzziness SE lucros so BAIXOS

Sem mapear a que propriedades dos lucros se aplica o termo vago BAIXOS, essa afirmativa vazia Quando se entende o contexto de lucros BAIXOS, a afirmativa passa a ser Fuzzy

Formas de Impreciso
Probabilidade
Tenta explicar como certos eventos ocorrem em um certo espao randmico explica populaes e no instncias individuais Antes de selecionar um elemento de uma certa populao sabe-se as chances do evento ocorrer Aps selecionar o elemento, NO existe mais probabilidade

Lgica Fuzzy:
Descreve propriedades que tm valores contnuos, associando as parties desses valores com um label semntico Importante: as parties podem coincidir (overlap) Ambiguidade

16

Formas de Impreciso
Probabilidade X Lgica Fuzzy: Grau de Pertinncia o nvel de compatibilidade de um elemento do conjunto com o conceito do conjunto
Ex: Pedro ALTO com =0.85
Indica que Pedro bem compatvel com o conceito ALTO. Tem-se uma idia da altura de Pedro.

Pedro tem 0.85 de probabilidade de ser ALTO

Indica que Pedro tem grandes chances de ser ALTO. NO se tem a menor idia da altura de Pedro.

17