CONJUNTOS NEBULOSOS. Formatos dos Conjuntos
|
|
- Rayssa Santiago
- 4 Há anos
- Visualizações:
Transcrição
1 CONJUNTOS NEBULOSOS Conjuntos Crisp x Nebulosos Definição Representação Propriedades Formatos Operações Hedges Formatos dos Conjuntos A função verdade de um conjunto fuzzy representa as propriedades semânticas do conceito A modelagem do sistema será tão melhor quanto mais precisamente a função verdade mapear o comportamento do fenômeno 1
2 Formatos dos Conjuntos Exemplo: µ (x) Meia Idade triangular Importante: sino 45 idade Apesar da diferença nas curvas, os modelos fuzzy não são muito sensíveis a esta elasticidade Modelos Fuzzy são robustos e elásticos Formatos dos Conjuntos Linear Trapezoidal Triangular Formato S Formato Z Formato PI Gaussiana Singleton Irregulares 2
3 Formatos dos Conjuntos Linear: É o conjunto mais simples, sendo uma boa escolha na aproximação de conceitos não bem compreendidos µ (x) Crescente µ (x) Decrescente 1 1 0,8 0,8 0,6 0,6 0,4 0,4 0,2 0,2 0 x 0 x Formatos dos Conjuntos Trapezoidal: Rápido processamento Contém descontinuidades Variável independente Parâmetros do formato Trap (x,a,b,c,d) = 0 x a 1 - (b - x)/(b - a) a < x b 1 b < x c (d - x)/(d - c) c < x d 0 x > d µ (x) 1.0 Trap (x,a,b,c,d) a b c d x 3
4 Formatos dos Conjuntos Triangular: Mais simples que a Trapezoidal Variável independente Parâmetros do formato TRI (x,e,f,g) = 0 x e 1 - (f - x)/(f - e) e < x f (g - x)/(g - f) f < x g 0 x > g µ (x) 1.0 TRI (x,e,f,g) e f g x Formatos dos Conjuntos Formato S: Equação Quadrática Variável independente Parâmetros do formato S (x,a,b,c) = 0 x a 2 [(x - a)/(c - a )] 2 a x b 1-2 [(x - c)/(c - a)] 2 b x c 1 x c µ (x) 1.0 S(x,a,b,c) ds/dx a b c x 4
5 Formatos dos Conjuntos Formato S com 2 parâmetros: Variável independente Parâmetros do formato S (x,a,b) = 0 x a - b [x - (a - b)] 2 / 2b 2 a - b x a 1 - [(a + b) - x] 2 / 2b 2 a < x a + b 1 x > a + b µ (x) 1.0 S(x,a,b) b ds/dx a x Formatos dos Conjuntos Formato Z: Z (x,a,b) = 1 - S(x,a,b) Variável independente Parâmetros do formato Z (x,a,b) = 1 x < a - b 1 - [x - (a - b)] 2 / 2b 2 a - b x a [(a + b) - x] 2 / 2b 2 a < x a + b 0 x > a + b µ (x) Z (x,a,b) 1.0 b a x 5
6 Formatos dos Conjuntos Formato PI: Junção das curvas S e Z Variável independente Parâmetros do formato PI (x,a,b) = S ( x, a - b/2, b/2) x a Z (x, a + b/2, b/2) x a µ (x) PI (x,a,b) b a x Formatos dos Conjuntos Gaussianas: - distribuição normal - cai a zero para valores muito maiores ou muito menores que a média µ (x) G (x,µ,σ) G (x,µ, σ) = e - (x - µ) 2 σ 2 Ponto de Inflexão σ µ = Média σ = Desvio Padrão µ x 6
7 Formatos dos Conjuntos Singleton: - na verdade não é um conjunto fuzzy - Simplifica os cálculos para produzir as saídas fuzzy (quando usado na saída). µ (x) 1.0 Sgl (x,a) = 1 x = a 0 x a a x Formatos dos Conjuntos Irregulares: - Ocasionalmente as formas padrões não conseguem capturar a semântica de uma variável representações arbitrárias. µ (x) Tráfego Intenso Hora 7
8 Formatos dos Conjuntos Irregulares: - Ocasionalmente as formas padrões não conseguem capturar a semântica de uma variável representações arbitrárias. µ (x) Tráfego Intenso µ (x) Risco Alto de Dirigir Hora Idade CONJUNTOS NEBULOSOS Conjuntos Crisp x Nebulosos Definição Representação Propriedades Formatos Operações Hedges 8
9 Operações Conjuntos Crisp Função Discriminante: determina se os indivíduos do conjunto universal são ou não membros de um certo conjunto A µ (x) = 0 x A µ (x) = 1 x A 4 Operações Básicas: União, Interseção, Negação e União Exclusiva Operações Conjuntos Crisp Exemplo: U = {1,2,...25} Interseção - todos os elementos de U que estão em S 1 e também S 2 S S Complemento todos os elementos de U que S 1 União União Exclusiva todos os A B = A B - A B elementos de U que a S 1 ou a S 2 9
10 Operações Conjuntos Crisp Lei da Não Contradição: A ~A = φ Lei da Exclusão Mútua: A ~A = U Operações Conjunto Fuzzy Da mesma forma que no caso dos conjuntos crisp, existem operações para combinar e modificar os conjuntos nebulosos. As operações são aplicadas ao Grau de Pertinência Como saber se um certo elemento é ou não membro de um conjunto nebuloso? Se está dentro do domínio do conjunto; Se o Grau de Pertinência é > 0; Se este elemento está acima do limite α-cut. 10
11 Operações Básicas Interseção União Complemento Operadores Nebulosos 2 Contextos: operadores entre funções de pertinência de uma mesma variável; operadores aplicados a expressões nebulosas com duas variáveis nebulosas diferentes deseja-se achar o grau de veracidade de uma certa declaração condicional (antecedente da regra fuzzy) 11
12 Operadores Nebulosos Para esses dois contextos, tem-se os seguintes tipos de operadores: operadores de Zadeh; operadores Compensatórios; Operadores T-norm e T-conorm. Operadores de Zadeh Interseção: Em analogia com os conjuntos crisp, que utilizam o operador AND, em conjuntos nebulosos geralmente se utiliza o Mínimo das Funções de Pertinência. 12
13 Operadores de Zadeh Interseção: ❶ Interseção entre duas funções de pertinência da mesma variável. A B µ (x) = MÍN [µ A (x), µ B (x)] x X Operadores de Zadeh Interseção: ❷ Interseção entre funções de pertinência de duas variáveis diferentes Exemplo: SE x é Y AND z é W ENTÃO m é P µ P (m) = MÍN [µ Y (x), µ W (z)] x Y e z W O Grau de Pertinência de m no conjunto fuzzy P é determinado pela força ou grau da interseção entre o conjunto Y e o conjunto W 13
14 Operadores de Zadeh Interseção: Quais os membros do grupo abaixo que são ao mesmo tempo ALTOS e de MEIA-IDADE? NOME IDADE ALTURA Abel Marcelo Carlos João Pedro Tiago Felipe André Caso Crisp: INTERSEÇÃO Conjunto ALTO Conjunto MEIA-IDADE
15 INTERSEÇÃO CRISP Quais os membros que são ALTOS e de MEIA-IDADE? Membros com idade entre 35 e 45 anos e altura maior que 1.75m INTERSEÇÃO CRISP Quais os membros que são ALTOS e de MEIA-IDADE? Membros com idade entre 35 e 45 anos e altura maior que 1.75m NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Crips Abel José Carlos João Pedro Tiago Felipe André
16 1 Caso Fuzzy: INTERSEÇÃO Conjunto ALTO Conjunto MEIA-IDADE INTERSEÇÃO FUZZY Quais os membros que são ALTOS e de MEIA-IDADE? Membros com grau de pertinência diferente de zero para ambos os conjuntos Meia-Idade e Alto NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Fuzzy Abel José Carlos João Pedro Tiago Felipe André
17 INTERSEÇÃO FUZZY Quais os membros que são ALTOS e de MEIA-IDADE? Membros com grau de pertinência diferente de zero para ambos os conjuntos Meia-Idade e Alto NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Fuzzy Crisp Abel José Carlos João Pedro Tiago Felipe André União: Operadores de Zadeh Em analogia com os conjuntos crisp, que utilizam o operador OR, em conjuntos nebulosos geralmente se utiliza o Máximo das Funções de Pertinência. 17
18 União: Operadores de Zadeh ❶ União entre duas funções de pertinência da mesma variável. A B µ (x) = MÁX [µ A (x), µ B (x)] x X Operadores de Zadeh União: ❷ União entre funções de pertinência de duas variáveis diferentes Exemplo: SE x é Y OR z é W ENTÃO m é P SE x é Y ENTÃO m é P SE z é W ENTÃO m é P µ P (m) = MÁX [µ Y (x), µ W (z)] x Y e z W 18
19 União: Operadores de Zadeh Quais os membros do grupo abaixo que são ALTOS ou de MEIA-IDADE? NOME IDADE ALTURA Abel Marcelo Carlos João Pedro Tiago Felipe André UNIÃO CRISP Quais os membros que são ALTOS ou de MEIA-IDADE? Membros com idade entre 35 e 45 anos ou altura maior que 1.75m NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Crips Abel José Carlos João Pedro Tiago Felipe André
20 UNIÃO CRISP Quais os membros que são ALTOS ou de MEIA-IDADE? Membros com idade entre 35 e 45 anos ou altura maior que 1.75m NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Crips Abel José Carlos João Pedro Tiago Felipe André UNIÃO FUZZY Quais os membros que são ALTOS ou de MEIA-IDADE? NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Abel José Carlos João Pedro Tiago Felipe André
21 UNIÃO FUZZY Quais os membros que são ALTOS ou de MEIA-IDADE? NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Fuzzy Abel José Carlos João Pedro Tiago Felipe André UNIÃO FUZZY Quais os membros que são ALTOS ou de MEIA-IDADE? NOME IDADE µ M-I (x) ALTURA µ ALTO (y) Fuzzy Crisp Abel José Carlos João Pedro Tiago Felipe André
22 Operadores de Zadeh Complemento: Em analogia com os conjuntos crisp, o complemento do conjunto fuzzy A (~A) contém TODOS os elementos que não estão em A. Em conjuntos nebulosos geralmente se utiliza: µ ~A (x) = 1 - µ A (x) x X Supondo conjuntos normalizados!! Operadores de Zadeh Complemento: Quais os membros do grupo abaixo que não são ALTOS nem de MEIA-IDADE? NOME IDADE ALTURA Abel Marcelo Carlos João Pedro Tiago Felipe André
23 1 Caso Crisp: COMPLEMENTO Conjunto NÃO-ALTO Conjunto NÃO de MEIA-IDADE COMPLEMENTO CRISP Quais os que não são ALTOS nem de MEIA-IDADE? Membros com idade menor que 35 e maior que 45 anos e altura menor que 1.75m NOME IDADE µ ~M-I (x) ALTURA µ ~ALTO (y) Abel José Carlos João Pedro Tiago Felipe André
24 COMPLEMENTO CRISP Quais os que não são ALTOS nem de MEIA-IDADE? Membros com idade menor que 35 e maior que 45 anos e altura menor que 1.75m NOME IDADE µ ~M-I (x) ALTURA µ ~ALTO (y) Crips Abel José Carlos João Pedro Tiago Felipe André Caso Fuzzy: COMPLEMENTO Conjunto NÃO-ALTO Conjunto NÃO de MEIA-IDADE
25 COMPLEMENTO FUZZY Quais os que não são ALTOS nem de MEIA-IDADE? Membros com grau de pertinência diferente de zero para ambos os conjuntos Não de Meia-Idade e Não-Alto NOME IDADE µ ~M-I (x) ALTURA µ ~ALTO (y) Abel José Carlos João Pedro Tiago Felipe André COMPLEMENTO FUZZY Quais os que não são ALTOS nem de MEIA-IDADE? Membros com grau de pertinência diferente de zero para ambos os conjuntos Não de Meia-Idade e Não-Alto NOME IDADE µ ~M-I (x) ALTURA µ ~ALTO (y) Fuzzy Abel José Carlos João Pedro Tiago Felipe André
26 COMPLEMENTO FUZZY Quais os que não são ALTOS nem de MEIA-IDADE? Membros com grau de pertinência diferente de zero para ambos os conjuntos Não de Meia-Idade e Não-Alto NOME IDADE µ ~M-I (x) ALTURA µ ~ALTO (y) Fuzzy Crisp Abel José Carlos João Pedro Tiago Felipe André Operações Conjuntos Fuzzy Lei da Não Contradição: INVÁLIDA!! A ~A φ Lei da Exclusão Mútua: INVÁLIDA!! A ~A U 26
27 Lei da Não-Contradição Quais os membros que são de MEIA-IDADE e não- MEIA-IDADE ao mesmo tempo? NOME IDADE µ M-I (x) µ ~M-I (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André Lei da Não-Contradição Quais os membros que são de MEIA-IDADE e não- MEIA-IDADE ao mesmo tempo? NOME IDADE µ M-I (x) µ ~M-I (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André
28 Lei da Não-Contradição Quais os membros que são de MEIA-IDADE e não- MEIA-IDADE ao mesmo tempo? NOME IDADE µ M-I (x) µ ~M-I (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André membros têm grau de pertinência diferente de zero para ambos os conjuntos Meia-Idade e não-meia-idade Lei da Não-Contradição Quais os membros que são ALTOS e não-altos ao mesmo tempo? NOME ALTURA µ ALTO (y) µ ~ALTO (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André
29 Lei da Não-Contradição Quais os membros que são ALTOS e não-altos ao mesmo tempo? NOME ALTURA µ ALTO (y) µ ~ALTO (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André TODOS os membros têm grau de pertinência diferente de zero para ambos os conjuntos ALTO e não-alto Lei da Exclusão Mútua Quais os membros que são de MEIA-IDADE ou não-meia-idade ao mesmo tempo? NOME IDADE µ M-I (x) µ ~M-I (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André
30 Lei da Exclusão Mútua Quais os membros que são de MEIA-IDADE ou não-meia-idade ao mesmo tempo? NOME IDADE µ M-I (x) µ ~M-I (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André Lei da Exclusão Mútua Quais os membros que são de MEIA-IDADE ou não-meia-idade ao mesmo tempo? NOME IDADE µ M-I (x) µ ~M-I (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André Nem TODOS os membros têm grau de pertinência um para a união dos conjuntos Meia-Idade e não-meia-idade 30
31 Lei da Exclusão Mútua Quais os membros que são ALTOS ou não- ALTOS ao mesmo tempo? NOME ALTURA µ ALTO (y) µ ~ALTO (y) FUZZY Abel José Carlos João Pedro Tiago Felipe André NENHUM dos membros têm grau de pertinência igual a um para a união dos conjuntos ALTO e não-alto Operadores Nebulosos operadores de Zadeh; operadores Compensatórios; Operadores T-norm e T-conorm. 31
32 Operadores Compensatórios Utilizam formas alternativas às de Zadeh para as operações com conjuntos; Compensatórios porque atuam de forma a compensar os operadores rígidos de MÍN e MÁX de Zadeh. Desprezam as informações contidas na outra variável! Operadores Compensatórios Aplicação: Regras onde uma das assertivas: tem µ (x) muito pequeno é um conjunto crisp 32
33 Operadores Compensatórios Operadores Alternativos Transformações Aritméticas Simples Produto Média Soma Limitada Diferença Limitada... Transformações Funcionais mais Complexas Yager Transformações Aritméticas Interseção: Operador Interseção Zadeh Mín [µ A (x), µ B (y)] Média [µ A (x) + µ B (y)] / 2 Produto µ A (x) * µ B (y) Diferença Limitada Máx [0, µ A (x) + µ B (y) 1] (Lukasiewicz) 33
34 Exemplo: INTERSEÇÃO Operador Zadeh MÍN Diferença Limitada Máx [0, µ A (x) + µ B (y) - 1] Transformações Aritméticas União: Operador União Zadeh Máx [µ A (x), µ B (y)] Média {2 * mín[µ A (x), µ B (y)] + 4 * máx[µ A (x), µ B (y)]} / 6 Soma Probabilística [µ A (x) + µ B (y)] [µ A (x) * µ B (y)] Soma Limitada Mín [1, µ A (x) + µ B (y)] 34
35 Exemplo: INTERSEÇÃO Operador Zadeh MÁX Diferença Limitada Mín [1, µ A (x) + µ B (y)] Transformações Funcionais Funções Yager: Os operadores compensatórios anteriores envolvem simples manipulações algébricas Os operadores Yager envolvem uma família parametrizada de operadores 35
36 INTERSEÇÃO T(x,y) = 1 - MÍN { 1,[(1 - x) p + (1 - y) p ] 1/p }p > 0 UNIÃO C(x,y) = MÍN [1, (x p + y p ) 1/p ] p > 0 36
37 Operadores Nebulosos Para esses dois contextos, tem-se os seguintes tipos de operadores: operadores de Zadeh; operadores Compensatórios; Operadores T-norm e T-conorm. Operadores T-NORM Definição: Seja T uma função de duas variáveis x e y no intervalo [0,1]. Se, para qualquer x, y, e z em [0,1], as seguintes condições forem satisfeitas T é dita uma operação T-norm 1 T(x,1) = x 2 T(0,0) = 0 3 Se x x, então T(x,y) T(x,y) 4 T(x,y) = T(y,x) 5 T(T(x,y),z) = T(x,T(y,z)) 37
38 Operadores T-NORM Exemplos: Mínimo M (x,y) = mín (x,y) Produto P (x,y) = x * y Lukasiewicz T-norm degenerada W (x,y) = máx (0, x + y -1) x, se y = 1 Z (x,y) = y, se x = 1 0, caso contrário Operadores T-CONORM Definição: Seja S uma função de duas variáveis x e y no intervalo [0,1]. Se, para qualquer x, y, e z em [0,1], as seguintes condições forem satisfeitas S é dita uma operação T-conorm 1 S(x,0) = x 2 S(1,1) = 1 3 Se x x, então S(x,y) S(x,y) 4 S(x,y) = S(y,x) 5 S(S(x,y),z) = S(x,S(y,z)) 38
39 Operadores T-CONORM Exemplos: Máximo M (x,y) = máx (x,y) Soma Probabilística P* (x,y) = x + y - x * y Soma Limitada T-conorm degenerada W* (x,y) = mín (1, x + y) x, se y = 0 Z* (x,y) = y, se x = 0 1, caso contrário Outras Operações Básicas A é subconjunto de B A B µ A (x) µ B (x) x X A é igual a B A = B µ A (x) = µ B (x) x X A é subconjunto próprio de B A B µ A (x) µ B (x) x X µ A (x) < µ B (x) para pelo menos 1 elemento de X 39
40 Propriedades de Conjuntos Fuzzy Dominância: µ (x) 1 = 1 µ (x) 0 = µ (x) µ (x) 1 = µ (x) µ (x) 0 = 0 1 função de pertinência com µ (x) = 1 x X 0 função de pertinência com µ (x) = 0 x X Propriedades de Conjuntos Fuzzy Associatividade: µ A (x) [µ B (x) µ C (x) ] = [µ A (x) µ B (x) ] µ C (x) µ A (x) [µ B (x) µ C (x) ] = [µ A (x) µ B (x) ] µ C (x) Ex: HOT (WARM COOL) = (HOT WARM) COOL 40
41 Propriedades de Conjuntos Fuzzy Comutatividade: µ A (x) µ B (x) = µ B (x) µ A (x) µ A (x) µ B (x) = µ B (x) µ A (x) Ex: HOT COOL = COOL HOT Propriedades de Conjuntos Fuzzy Distributividade: µ A (x) [µ B (x) µ C (x) ] = [µ A (x) µ B (x) ] [µ A (x) µ C (x)] µ A (x) [µ B (x) µ C (x) ] = [µ A (x) µ B (x) ] [µ A (x) µ C (x)] Ex: HOT (WARM COOL) = (HOT WARM) (HOT COOL) 41
42 Propriedades de Conjuntos Fuzzy De Morgan: µ A (x) µ B (x) = µ A (x) µ B (x) µ A (x) µ B (x) = µ A (x) µ B (x) Ex: NOT (HOT COOL) = (NOT-HOT NOT-COOL) 42
Variáveis Linguísticas CONTEÚDO. Variáveis Linguísticas. Variáveis Linguísticas. Formalismo: caracterizada por uma
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia maisConteúdo: Operações Conjuntos Crisp Operações Conjuntos fuzzy. Operadores de Zadeh Operadores Compensatórios Operadores T-norm e T-conorm
Conteúdo: Operações Conjuntos Crisp Operações Conjuntos fuzzy Operadores de Zadeh Operadores Compensatórios Operadores T-norm e T-conorm Operações com Conjuntos Crisp Função característica: determina se
Leia maisVariáveis Linguísticas CONTEÚDO. Variáveis Linguísticas. Variáveis Linguísticas. Formalismo: caracterizada por uma
ONTEÚDO Introdução Introdução, Objetivo e Histórico onceitos ásicos Definição, aracterísticas e Formas de Imprecisão onjuntos Fuzzy, Formas de Representação e Operações Lógica Fuzzy Relações, omposições,
Leia maisConteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos
Conteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos Conjuntos Crisp x Fuzzy Conjuntos crisp ou Conjuntos clássicos: cada entidade ou objeto de um dado universo pode pertencer
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisPrograma. 4. Conceitos teóricos e notação. Computação Fuzzy - PCS 5711 (capítulo 4 - Parte c)
Computação Fuzzy - PCS 57 (capítulo 4 - Parte c) Pós-Graduação: área de Sistemas Digitais (34) Professor Marco Túlio Carvalho de ndrade PCS - Depto. de Enga. de Computação e Sistemas Digitais - EPUSP Programa.
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisCONTEÚDO LÓGICA FUZZY LÓGICA FUZZY LÓGICA FUZZY. Um dos componentes mais importantes de um sistema fuzzy é o Módulo de Regras.
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos ásicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia maisSISTEMA ESPECIALISTA NEBULOSO (MINICURSO) Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C.
Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C. Soares de Mello Inteligência Computacional A Inteligência Computacional (IC) é uma área de pesquisa que visa investigar
Leia maisConteúdo: Hedges Relações e Composições
Conteúdo: Hedges Relações e Composições Hedges: Operadores semânticos Atuam na modelagem de um sistema fuzzy da mesma forma que advérbios atuam em uma sentença. Modificam a natureza de um conjunto fuzzy.
Leia mais1. Conjuntos Fuzzy - Fundamentos. Sistemas Nebulosos
Sistemas Nebulosos Heloisa de Arruda Camargo. Conjuntos Fuzzy - Fundamentos. Conceitos básicos de conjuntos fuzzy.2 Operações em conjuntos fuzzy.3 Relações fuzzy.4 Aritmética fuzzy.5 Variáveis linguísticas
Leia maisAula 15 Introdução à lógica fuzzy
Organização Aula 5 Introdução à lógica fuzzy Prof. Dr. Alexandre da Silva Simões Introdução à teoria de conjuntos nebulosos Bivalência x multivalência Números fuzzy Conjuntos fuzzy Probabilidade e possibilidade
Leia maisConjuntos Fuzzy. Prof. Paulo Cesar F. De Oliveira, BSc, PhD. 10/10/14 Paulo C F de Oliveira
Prof. Paulo Cesar F. De Oliveira, BSc, PhD 10/10/14 Paulo C F de Oliveira 2007 1 Seção 1.1 Características dos Conjuntos Fuzzy 10/10/14 Paulo C F de Oliveira 2007 2 Teoria clássica dos conjuntos desenvolvida
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 07 Inferência Difusa Sistemas de Controle Difuso Max Pereira Regras difusas SE ENTÃO Antecedente:
Leia maisLógica Nebulosa (Fuzzy)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Lógica Nebulosa (Fuzzy) Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisTeoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 05 Teoria dos Conjuntos Difusos Max Pereira CONJUNTOS CLÁSSICOS Teoria dos Conjuntos é o estudo da associação entre objetos
Leia maisConjuntos e Relações Nebulosas (Fuzzy)
Conjuntos e Relações Nebulosas (Fuzzy) Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Operações Básicas Para sistemas que usam
Leia maisInteligência Computacional
Inteligência Computacional CP78D Lógica Fuzzy Aula 4 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/37 Lógica Clássica Plano de Aula
Leia maisConjuntos Difusos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7)
Conjuntos Difusos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Conjuntos Difusos 2 Conjuntos Difusos Quais das seguintes pessoas são altas? Paulo:
Leia mais1 Operações com conjuntos
Notas sobre Conjuntos (2) Anjolina Grisi de Oliveira 1 Operações com conjuntos Definição 1 (União) Sejam A e B dois conjuntos arbitrários. A união dos conjuntos A e B, denotada por A B, é o conjunto que
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisCONJUNTOS, LÓGICA E SISTEMAS FUZZY
COE 765 TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS DE POTÊNCIA CONJUNTOS, LÓGICA E SISTEMAS FUZZY Djalma M. Falcão COPPE/UFRJ Agosto de 2002 INTRODUÇÃO Modelos matemáticos convencionais são: Crisp, isto
Leia maisMétodos de Inferência Fuzzy
Métodos de Inferência Fuzzy Prof. Paulo Cesar F. De Oliveira, BSc, PhD 16/10/14 Paulo C F de Oliveira 2007 1 Seção 1.1 Método de Mamdani 16/10/14 Paulo C F de Oliveira 2007 2 Professor Ebrahim Mamdani
Leia maisA maioria dos fenômenos com os quais nos deparamos são imprecisos. compreensão do problema. capacidade de medição.
SISTEMAS NEBULOSOS A maioria dos fenômenos com os quais nos deparamos são imprecisos Exemplo: dia QUENTE (40, 35, 30, 29,5?) Imprecisão Intrínseca ajuda na compreensão do problema. Fuzziness é independente
Leia maisIntrodução aos Conjuntos
Introdução aos Conjuntos Nebuloso (Fuzzy) Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B niversidade Estadual de Feira de Santana Informações imprecisas Termos imprecisos
Leia maisFUZZYCOM COMPONENTE DE LÓGICA FUZZY
FUZZYCOM COMPONENTE DE LÓGICA FUZZY Aluno: Cláudio Magno Martins Moraes Orientador: Marley Vellasco Sumário 1. Introdução... 3 2. Uma Introdução à Lógica Fuzzy... 3 2.1. Sistemas Fuzzy... 3 2.2. Características
Leia maisCONJUNTOS FUZZY CONTEÚDO. CONJUNTOS CRISP x FUZZY. Conjuntos Crisp x Fuzzy Definição Representação Propriedades Formatos Operações Hedges
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 09 Lógica Fuzzy Edirlei Soares de Lima Introdução A Lógica Fuzzy é baseada na teoria dos conjuntos fuzzy. Tradicionalmente, uma proposição lógica
Leia maisSISTEMAS FUZZY CONTEÚDO CONJUNTOS FUZZY. CONJUNTOS CRISP x FUZZY
SISTEMAS FUZZY A maioria dos fenômenos com os quais nos deparamos são imprecisos Exemplo: dia QUENTE (40, 35, 30, 29,5?) Imprecisão Intrínseca ajuda na compreensão do problema. Fuzziness é independente
Leia maisUniversidade Estadual Paulista Campus de Ilha Solteira. Palestra: Carlos Roberto Minussi DEE FEIS UNESP
Universidade Estadual Paulista Campus de Ilha Solteira Palestra: Lógica Fuzzy (Nebulosa) Carlos Roberto Minussi DEE FEIS UNESP História e Motivação Lógiica Fuzzy Computação com Pallavras Zadeh [1965] desenvolveu
Leia maisNotas de Aula. Controle Usando Sistemas Nebulosos. Prof. Víctor Costa da Silva Campos
Notas de Aula Controle Usando Sistemas Nebulosos Prof. Víctor Costa da Silva Campos Belo Horizonte, 16 de Outubro de 2018 If only I had 5 lives! Then I could be from 5 different towns and stuff myself
Leia maisConjuntos Fuzzy e Lógica Fuzzy
1 Introdução Conjuntos Fuzzy e Lógica Fuzzy users.femanet.com.br/~fabri/fuzzy.htm Os Conjuntos Fuzzy e a Lógica Fuzzy provêm a base para geração de técnicas poderosas para a solução de problemas, com uma
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL LÓGICA FUZZY (ou NEBULOSA) Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com O que é? Técnica inteligente que tem como objetivo modelar o modo aproimado de raciocínio, imitando
Leia maisLógicas Difusas e Sistemas Difusos
Lógicas Difusas e Sistemas Difusos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Introdução (1/2) O conhecimento humano é muitas vezes incompleto,
Leia maisLógicas Difusas que Parecem Clássicas p. 1/5
Lógicas Difusas que Parecem Clássicas Benjamín R. Callejas Bedregal Universidade Federal do Rio Grande do Norte Departamento de Informática e Matemática Aplicada Laboratório de Lógica e Inteligência Computacional
Leia maisIF-705 Automação Inteligente Sistemas Nebulosos
IF-75 Automação Inteligente Sistemas Nebulosos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo
Leia maisLógica Fuzzy. Profs. João Alberto Fabro André Schneider de Oliveira. Sistemas Autônomos Inteligentes
Sistemas Autônomos Inteligentes Lógica Fuzzy Profs. João Alberto Fabro André Schneider de Oliveira Adaptado de material dos profs. Mauro Roisenberg e Luciana Rech - UFSC Introdução A Lógica Fuzzy é baseada
Leia mais1.4 Números Fuzzy. Números fuzzy formato. Outras formas. Casos especiais. Conjuntos fuzzy definidos no conjunto dos números reais A: R [0,1]
.4 Números Fuzzy Conjuntos fuzzy definidos no conjunto dos números reais : R [0,] Conceitos intuitivos: Números próximos de um dado número real Números em torno de um dado intervalo de números reais Números
Leia maisWEIT 2013Introdução à Lógica Fuzzy p. 1/111
WEIT 2013Introdução à Lógica Fuzzy p. 1/111 WEIT 2013 Introdução à Lógica Fuzzy Benjamín R. Callejas Bedregal Universidade Federal do Rio Grande do Norte UFRN Departamento de Informática e Matemática Aplicada
Leia maisCONTEÚDO LÓGICA FUZZY LÓGICA FUZZY. Proposições Fuzzy. Regras são implicações lógicas. Introdução Introdução, Objetivo e Histórico
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos ásicos Definição, Características e Formas de Imprecisão Conjuntos Fuzz Propriedades, Formas de Representação e Operações Relações, Composições,
Leia maisLogica Difusa (Fuzzy( Fuzzy)
Logica Difusa (Fuzzy( Fuzzy) Patricia Tedesco e Germano Vasconcelos {pcart, gcv}@cin.ufpe.br Horários: 2 as e 4 as 14 às 16 Sala: D001 e D226 Página da Disciplina: www.cin.ufpe.br/~îf684/ec/2010-1/ 1 Introdução
Leia maisLógica Fuzzy: Introdução a Lógica Fuzzy, exemplo da Gorjeta e ANFIS
Lógica Fuzzy: Introdução a Lógica Fuzzy, exemplo da Gorjeta e ANFIS 24 de outubro de 2013 Sumário I 1 Introdução 2 Propriedades 3 Variáveis linguísticas 4 Regras Fuzzy 5 Arquitetura 6 Exemplo Exemplo 1
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Conceitos Básicos da Lógica Fuzzy. Raciocínio aproximado Raciocínio aproximado é a forma mais conhecida de lógica fuzzy, cobrindo várias regras de inferência cujas premissas
Leia maisRedes Neurais e Sistemas Fuzzy
Sistema de Inferência Fuzzy Redes Neurais e Sistemas Fuzzy Conceitos Básicos dos Conjuntos Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC). A Base
Leia maisConteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier
Conteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier Sistemas fuzzy A inferência fuzzy é um paradigma computacional baseado na Teoria de conjuntos fuzzy, regras de inferência
Leia maisSistemas difusos (Fuzzy Systems)
Sistemas difusos (Fuzzy Systems) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideia geral Conjunto das pessoas altas h Lógica clássica Sim ou Não: ou é, ou não é Probabilidades Sim, com uma
Leia maisLógica Nebulosa. Lógica Fuzzy
Lógica Nebulosa Ou Lógica Fuzzy Lógicas Bivalente e Polivalente Na logica clássica ou aristotélica: Dois valores verdade possíveis: Proposições verdadeiras;ou Proposições falsas. São sistemas chamados
Leia maisInteligência Artificial
DSC/CCT/UFC Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Lógica Fuzzy) Prof.
Leia maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia mais1 TEORIA DOS CONJUNTOS
1 TEORIA DOS CONJUNTOS Definição de Conjunto: um conjunto é uma coleção de zero ou mais objetos distintos, chamados elementos do conjunto, os quais não possuem qualquer ordem associada. Em outras palavras,
Leia maisLÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto
LÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto SUMÁRIO INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA
Leia maisLÓGICA NEBULOSA CONTEÚDO
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisCÁLCULO I. 1 Número Reais. Objetivos da Aula
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida EMENTA: Conceitos introdutórios de limite, limites trigonométricos, funções contínuas, derivada e aplicações. Noções introdutórias sobre a integral
Leia maisSistemas Fuzzy Lógica Fuzzy e Sistemas Baseados em Regras Fuzzy
Sistemas Fuzzy Lógica Fuzzy e Sistemas Baseados em Regras Fuzzy Profa. Dra. Sarajane M. Peres e Prof. Dr. Clodoaldo A. M. Lima EACH USP http://each.uspnet.usp.br/sarajane/ } Baseado em: Dimensão Topológica
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisRogério Vargas. Pelotas, 29 de Fevereiro de Rogério Vargas PPGInf / Universidade Católica de Pelotas slide 1
Técnicas Matemático-Computacionais para o Tratamento de Incertezas Aplicadas ao Problema do Fluxo de Potência em Sistemas de Transmissão de Energia Elétrica Rogério Vargas orientador: Luciano Barboza co-orientadora:
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisLógica Fuzzy. Plano de aula. Motivação Fundamentação Teórica Sistemas Difusos (aplicações) Estudo de Caso Considerações Finais
LÓGICA FUZZY 1 Plano de aula Motivação Fundamentação Teórica Sistemas Difusos (aplicações) Estudo de Caso Considerações Finais 2 Motivação: Grau de Crença vs. Grau de Verdade Grau de crença: População
Leia mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisln(x + y) (x + y 1) < 1 (x + y 1)2 3. Determine o polinômio de Taylor de ordem 2 da função dada, em volta do ponto dado:
ā Lista de MAT 454 - Cálculo II - a) POLINÔMIOS DE TAYLOR 1. Seja f(x, y) = ln (x + y). a) Determine o polinômio de Taylor de ordem um de f em torno de ( 1, 1 ). b) Mostre que para todo (x, y) IR com x
Leia maisIntrodução à Lógica Nebulosa
Distancia Angulo Gerador de Sinal Controlador Nebuloso Osciloscópio 2.141e-016 Display Introdução à Lógica Nebulosa Álvaro Guarda Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade
Leia maisAPROXIMAÇÃO SPLINE PARA A EXTENSÃO DE ZADEH
APROXIMAÇÃO SPLINE PARA A EXTENSÃO DE ZADEH PPG. Matemáticas - IBILCE-UNESP gigu1885@hotmail.com III WORKSHOP Introdução PRELIMINARES Como sabemos, o principio fundamental da aritmética fuzzy é o principio
Leia maisTEORIA DOS CONJUNTOS FUZZY
TEORIA DOS CONJUNTOS FUZZY TEORIA DOS CONJUNTOS FUZZY A Lógica Fuzzy ébaseada na teoria dos Conjuntos Fuzzy. A teoria dos Conjuntos Fuzzy diz que dado um determinado elemento que pertence a um domínio,
Leia maisAlgoritmos - 3. Alexandre Diehl. Departamento de Física - UFPel
Algoritmos - 3 Alexandre Diehl Departamento de Física - UFPel Estrutura sequencial Estrutura condicional Estrutura de repetição PCF2017 2 Estrutura sequencial As ações ao longo do algoritmo são executadas
Leia maisObjetos Gráficos Planares
Universidade Federal de Alagoas Instituto de Matemática Objetos Gráficos Planares Prof. Thales Vieira 2011 Objetos Gráficos Computação Gráfica é a área que estuda a síntese, o processamento e a análise
Leia maisInstituto de Matemática e Estatística, UFF Setembro de 2013
Operações Instituto de Matemática e Estatística, UFF Setembro de 2013 ... Sumário.. Boole Um dos pioneiros da lógica matemática e dos estudos da lógica algébrica. Em sua homenagem foi cunhado o termo Álgebra
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisCONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia mais08/12/97 Luiz Feijó Jr.
Cálculo da Incerteza da medição guia prático A Medição A palavra medição tem múltiplos significados: pode ser o processo de quantificação pode ser o número resultante Resultado de uma medição Para um leigo:
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisCapítulo 3. Álgebra de Bool
Capítulo 3 Álgebra de Bool Adaptado dos transparentes das autoras do livro The Essentials of Computer Organization and Architecture Objectivos Compreender a relação entre lógica Booleana e os circuitos
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisLógica Difusa (Fuzzy)
Lógica Difusa (Fuzzy) Prof. Josiane M. Pinheiro Ferreira Outubro/2007 Lógica tradicional x Lógica difusa Lógica tradicional (Aristóteles) Uma proposição = dois estados possíveis (V ou F) Pode ser insuficiente
Leia maisSlides de apoio: Fundamentos
Pré-Cálculo ECT2101 Slides de apoio: Fundamentos Prof. Ronaldo Carlotto Batista 23 de fevereiro de 2017 Conjuntos Um conjunto é coleção de objetos, chamados de elememtos do conjunto. Nomeraremos conjuntos
Leia mais1 Espaços Vectoriais
Nova School of Business and Economics Apontamentos Álgebra Linear 1 Definição Espaço Vectorial Conjunto de elementos que verifica as seguintes propriedades: Existência de elementos: Contém pelo menos um
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia maisLAB3 Controle nebuloso (VERSÃO PROVISÓRIA)
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA) 3.1 Objetivo Esta experiência tem por objetivo a familiarição com a técnica de Controle Nebuloso (Fuzzy Control, em inglês). Para isso será contruído um controlador
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisSumário. 1 CAPÍTULO 1 Revisão de álgebra
Sumário 1 CAPÍTULO 1 Revisão de álgebra 2 Conjuntos numéricos 2 Conjuntos 3 Igualdade de conjuntos 4 Subconjunto de um conjunto 4 Complemento de um conjunto 4 Conjunto vazio 4 Conjunto universo 5 Interseção
Leia maisConjuntos Numéricos. É o conjunto no qual se encontram os elementos de todos os conjuntos estudados.
Conjuntos Numéricos INTRODUÇÃO Conjuntos: São agrupamentos de elementos com algumas características comuns. Ex.: Conjunto de casas, conjunto de alunos, conjunto de números. Alguns termos: Pertinência Igualdade
Leia maisFatores de Certeza e Teoria da Evidência
Fatores de Certeza e Teoria da Evidência Incerteza Pode ser considerada como a falta de informação para tomar uma decisão. Há uma dúvida que não permite ter uma resposta binária: sim ou não. Havendo dúvida,
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisCálculo Diferencial e Integral Química Notas de Aula
Cálculo Diferencial e Integral Química Notas de Aula João Roberto Gerônimo 1 1 Professor Associado do Departamento de Matemática da UEM. E-mail: jrgeronimo@uem.br. ÍNDICE 1. INTRODUÇÃO Esta notas de aula
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisHistórico e motivação
Expressões regulares 1. Histórico e motivação 2. Definição a) Sintaxe b) Semântica c) Precedência dos operadores 3. Exemplos 4. Leis algébricas 5. Dialetos 6. Aplicações 7. Exercícios Pré-requisito: básico
Leia maisMAT Cálculo Diferencial e Integral para Engenharia II 3 a lista de exercícios
MAT 454 - Cálculo Diferencial e Integral para Engenharia II a lista de exercícios - 7. Ache os pontos do hiperbolóide x y + z = onde a reta normal é paralela à reta que une os pontos (,, ) e (5,, 6)..
Leia maisObjetivos da aula. Introdução. Teoria da Probabilidade Lógica Nebulosa. Introdução 21/02/17. PCS 5869 lnteligência Ar9ficial
2/2/7 PCS 5869 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Material com contribuições de: Prof. Marco Tulio C. Andrade, PCS/EPUSP Objetivos da aula Fornecer
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #04 de Probabilidade: 26/10/2018 1 Variáveis Aleatórias Contínuas De modo informal as variáveis aleatórias são contínuas quando resultam de algum tipo
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisUMA GENERALIZAÇÃO DOS CONECTIVOS PROPOSICIONAIS CLÁSSICOS, FUZZY E FUZZY INTERVALAR BASEADA EM RETICULADOS. Hélida Salles Santos
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE INFORMÁTICA E MATEMÁTICA APLICADA CURSO DE CIÊNCIAS DA COMPUTAÇÃO UMA GENERALIZAÇÃO DOS CONECTIVOS PROPOSICIONAIS
Leia maisModelagem em Programação Linear para Resolução de Jogos Fuzzy Intervalares
UNIVERSIDADE FEDERAL DO RIO GRANDE CENTRO DE CIÊNCIAS COMPUTACIONAIS PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM COMPUTACIONAL Modelagem em Programação Linear para Resolução de Jogos Fuzzy Intervalares por
Leia mais