CONJUNTOS, LÓGICA E SISTEMAS FUZZY
|
|
- Victor Clementino Araújo
- 7 Há anos
- Visualizações:
Transcrição
1 COE 765 TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS DE POTÊNCIA CONJUNTOS, LÓGICA E SISTEMAS FUZZY Djalma M. Falcão COPPE/UFRJ Agosto de 2002
2 INTRODUÇÃO Modelos matemáticos convencionais são: Crisp, isto é, ambivalentes (sim ou não, falso ou verdadeiro, maior ou menor, etc.); Determinísticos; Precisos por hipótese; Não-ambíguos. Algumas situações no mundo real apresentam: Incertezas (E.: carga, afluências, falhas em equipamentos, etc.); Informações vagas (E.: tensão alta ou baia, fluo próimo ao limite, etc.); Ambigüidade (E.: reservatório cheio). As características acima podem ser tratadas por vários métodos, alguns dos quais são resumidos a seguir: Modelos Probabilísticos ou Estocásticos: quando eistem informações passadas que podem ser modeladas por métodos freqüenciais; Análise de Intervalos: avaliação de como dados representados por intervalos se propagam em operações aritméticas, cálculo diferencial e integral, etc; Teoria dos Erros: avaliação de como erros são propagados ao longo de um processo eperimental; Modelos Fuzzy (ou modelos baseados em Lógica Fuzzy): quando a incerteza deriva da imprecisão ou ambigüidade da informação ou conhecimento eistente sobre o problema. Os modelos fuzzy são utilizados em: Métodos de representação de conhecimento em linguagem natural; Modelagem de incertezas para as quais não são disponíveis dados estatísticos; Modelagem de conhecimento subjetivo; Medida da qualidade de conhecimento subjetivo; Integração de métodos lógicos e numéricos; Modelagem de restrições e objetivos não-rígidos (soft constraints). A teoria dos conjuntos fuzzy foi introduzida em 965 por Lotfi Zadeh. 2 APLICAÇÕES As áreas de aplicação mais importantes em sistemas elétricos de potência são: Sistemas de Inferência Fuzzy; Controladores Fuzzy; L.A. Zadeh, Fuzzy Sets, Information and Control, vol. 8, pp ,
3 Otimização e Sistemas de Tomada de Decisões. 2. Sistemas de Inferência Fuzzy Incertezas associadas às regras de uma base de conhecimento; Eemplo: Um elevado nível de hidrogênio no óleo do transformador freqüentemente indica a ocorrência de descarga no interior do mesmo ; A regra acima apresenta duas variáveis fuzzy 2 : elevado e freqüentemente; Mecanismo de inferência: métodos matemáticos para manipular os valores numéricos associados às regras. 2.2 Controladores Fuzzy Regras de controle baseadas na eperiência; Eemplo: SE o erro é pequeno e positivo E a variação no erro é grande e negativa ENTÃO a saída do controlador é pequena e negativa Pequeno e grande são variáveis fuzzy; Projeto de controladores fuzzy: desenvolvimento de um conjunto de regras de controle baseadas em entradas disponíveis e estabelecimento de um método para combinar essas regras. 2.3 Otimização Incerteza nos dados e/ou objetivos Representação de restrições não-rígidas (soft constraints); Problemas multiobjetivos. 3 CONJUNTOS FUZZY 3. Conjuntos Convencionais (Crisp) Definidos pela enumeração de seus elementos ou por uma condição que defina se o elemento pertence ou não ao conjunto. Seja A um conjunto definido no universo I dos números inteiros positivos, isto é, A I. Neste caso podemos definir o conjunto A como a seguir: A = {, 2, 3,..., 9 } ou A = { I < 0} Uma forma alternativa de definir o conjunto acima seria através de uma Função de Pertinência µ A () como a seguir Se I < 0 µ A () = 0 Se I 0 2 A denominação mais utilizada é Variável Lingüística o qual será definido em seções seguintes. 3
4 a qual tem a seguinte representação gráfica µ A () Conjuntos Fuzzy Podem ser vistos como uma generalização da noção de conjunto na qual a função de pertinência pode assumir valores no intervalo [0,] 3. Neste caso não podemos dizer simplesmente que um elemento pertence ao conjunto e sim que o elemento pertence ao conjunto com um certo grau de pertinência. Como eemplo, considere o conjunto dos números inteiros próimos ao número 7. Este conjunto pode ser definido por uma função de pertinência assumindo os valores dados na tabela abaio µ A () Os elementos do conjunto cujos valores da função de pertinência são iguais a zero não foram incluídos na tabela acima. Essa função de pertinência discreta tem a representação gráfica mostrada a seguir. µ A ().0 7 Um outro eemplo de conjunto fuzzy, neste caso infinito, seria o conjunto das tensões próimas à tensão nominal ( pu). Este conjunto pode ser representado pela seguinte função de pertinência µ V ( v ) = 0 v a b a c v c b 0 se se se se a b v v < v v > a c b c 3 Em geral, podem assumir valores em qualquer intervalo. 4
5 onde a=0.95, b=.00, e c =.05, a qual tem a seguinte representação gráfica µ V (v) v De uma maneira geral, um conjunto fuzzy F, definido no universo de discurso U, é representado por F = { (, µ F ( ) ) U } ou seja, os elementos do conjunto são definidos por pares constituídos pelos elementos U e os respectivos valores da função de pertinência. 3.3 Variáveis Lingüísticas São variáveis cujos valores não são números, e sim, palavras ou sentenças de uma linguagem natural ou artificial. Por eemplo, consideremos a variável Tensão. Suponhamos que essa variável possa assumir os valores lingüísticos Muito_Baia, Baia, Normal, Alta e Muito_Alta. O conjunto de valores assumidos pela variável lingüística é denominado Conjunto de Termos e representado por T(), onde é a variável. Os valores assumidos pela variável lingüística são representados por conjuntos fuzzy definidos pelas correspondentes funções de pertinência. No eemplo, teríamos Variável lingüística: Tensão (V) Conjunto de Termos: T(V) = { Muito_Baia, Baia, Normal, Alta e Muito_Alta } Funções de Pertinência dadas no gráfico abaio. µ.0 Muito-Baia Baia Normal Alta Muito-Alta V 3.4 Funções de Pertinência A definição das funções de pertinência utilizadas em uma aplicação de sistemas fuzzy é uma etapa fundamental e difícil no desenvolvimento dessa aplicação. Não eistem regras definitivas para a escolha dessas funções as quais representam o conhecimento de um 5
6 especialista no assunto em questão ou informações etraídas de um banco de dados. Aplicações muito sensíveis à escolha das funções de pertinência são, em geral, não adequadas para modelagem fuzzy. Algumas características das funções de pertinência são: Formato: Triangular, trapezoidal, Gaussiana, sigmoidal, etc; Obtenção: escolhidas pelo usuários baseado em sua eperiência ou através de um processo de otimização a partir de dados eperimentais e/ou obtidos por simulação; Overlapping: Não é necessário porém é importante para dar robustez ao sistema fuzzy. Em geral o overlapping é de duas funções apenas; Normalização: Geralmente as funções de pertinência são definidas no intervalo [0,]. Isto não é obrigatório mas facilita a implementação de sistemas fuzzy. 3.5 Operações com Conjuntos 3.5. Conjuntos Convencionais (Crisp) Sejam os conjuntos A X e B X. Definimos: União: A B ={ A B}. Supondo os conjuntos A e B definidos por suas funções de pertinência, temos: µ A B () = ma{ µ A (), µ B () }. Essa definição é ilustrada na figura abaio. µ A () µ B () µ A B () Interseção: A B ={ A B}. Supondo os conjuntos A e B definidos por suas funções de pertinência, temos: A B = min{ µ A (), µ B () }. Essa definição é ilustrada na figura abaio. µ A () µ B () µ A B () Complemento: A c = { X A }. Supondo o conjunto A definido por sua função de pertinência, temos: µ A c () = - µ A (). Essa definição é ilustrada na figura abaio. 6
7 µ A () µ A c () Propriedades: Comutatividade: A B = B A ; A B = B A Associatividade: (A B) C = A ( B C ); (A B) C = A ( B C ) Idempotência: A A = A ; A A = A Distributividade: A ( B C ) = (A B ) ( A C ) Lei da Contradição: A A c = U (universo) Lei da Eclusão: A A c = φ (conjunto vazio) Produto Cartesiano: A B = {(, y) A y B} Conjuntos Fuzzy As operações podem ser definidas de várias formas. A mais comum é similar ao caso dos conjuntos crisp: União A B = { (, µ A B ()), U } µ A B () = ma [ µ A (), µ B () ] µ A B () Interseção A B = { (, µ A B ()), U } µ A B () = min [ µ A (), µ B () ] µ A B () Complemento A c ={ (, µ A ()), U } µ c A () = - µ A () 7 µ A c ()
8 Propriedades: Comutatividade, associatividade, distributividade e idempotência: idênticas ao caso crisp. Lei da Contradição: A A c U (não se aplica) Lei da Eclusão: A A c φ (não se aplica) Produto Cartesiano: A B = { (, y), min ( µ A (), µ B () ) A y B } Eemplo: A = {(3,0.5), (5,), (7,0.6)}, B = {(3,), (5,0.6)} A B = {[(3,3),0.5], [(3,5),0.5], [(5,3),], [(5,5),0.6], [(7,3),0.6], [(7,5),0.6]} Definições Básicas Dado um conjunto fuzzy A = { (, µ A ()), X } Conjunto suporte: S (A) = { X µ A () > 0 } Altura: H (A) = o maior grau de pertinência dos elementos de A Conjunto fuzzy normalizado: se H (A) = Cardinalidade: A = Σ µ A () (discreto) ou A = µ A () d (contínuo) Corte de nível-α ou corte-α: A α = { X µ A () α} Conjunto fuzzy conveo: se, 2 X e λ [0,] então µ A [ λ + (-λ) 2 ] min [ µ A ( ), µ A ( 2 ) ] µ A () µ A () Conjunto Conveo Conjunto Não-Conveo Números Fuzzy Um número fuzzy M é um conjunto fuzzy conveo normalizado definido em R tal que i) Eiste pelo menos um 0 tal que µ M ( 0 )= ; ii) µ M () é continua por partes. 8
9 Eemplos de números fuzzy: µ () µ () µ () a a 2 a 3 a 4 a a 2 = a 3 a 4 a a 4 (a,a 2,a 3,a 4 ) (a,a 2,a 2,a 4 ) (a,a,a 4,a 4 ) Trapezoidal Triangular Retangular As seguintes operações aritméticas com números fuzzy podem ser definidas baseadas no chamado Princípio da Etensão []: sejam dois números fuzzy trapezoidais (números fuzzy triangulares e retangulares são casos particulares) definidos por: A = ( a, a 2, a 3, a 4 ) e A 2 = ( a 2, a 22, a 23, a 24 ) Adição: A A 2 = { a + a 2, a 2 +a 22, a 3 +a 23, a 4 +a 24 } Produto: A A 2 = { a a 2, a 2 a 22, a 3 a 23, a 4 a 24 } Produto por número real: λ. A = (λa, λa 2, λa 3, λa 4 ) Relações Relação Crisp: Representa a presença ou não de associação, interação ou interconeão entre elementos de dois ou mais conjuntos. Para dois conjuntos A e B (crisp), a relação pode ser definida por R(A,B) = { ( (,y), µ R (,y) ) (,y) A B } onde µ R (,y) assume os valores 0 ou dependendo do elemento (,y) satisfazer ou não à relação. Eemplo: A = {, 2, 3, 4}, B = {2, 3, 4, 5} R(A,B) = elementos de A B tais que < y A B = {(,2), (,3), (,4), (,5), (2,2), (2,3), (2,4), (2,5), (3,2),...} R(A,B) = {(,2), (,3), (,4), (,5), (2,3), (2,4), (2,5), (3,4), (3,5), (4,5)} Para relações binárias definidas em universos discretos, é conveniente colocar a função de pertinência na forma de uma Matriz Relacional cujos elementos podem assumir os valores 0 e. Neste eemplo teríamos 9
10 A B Relação Fuzzy entre Conjuntos Crisp: Representa o grau de presença ou não de associação, interação ou interconeão entre elementos de dois ou mais conjuntos crisp. Definida de forma similar à relação crisp com a diferença que a função de pertinência pode assumir valores no intervalo [0,]. Eemplo : Seja A e y B, A = B R; a relação é é muito maior que y ; a função de pertinência pode ser definida como 0 Se y µ R (, y) = ( + ( y ) -2 ) - Se > y Observe que a função de pertinência acima é definida para a diferença entre duas variáveis ( e y). Eemplo 2: A mesma relação do eemplo anterior porém com variáveis assumindo apenas valores discretos. Neste caso, a relação pode ser definida por uma matriz relacional como mostrado abaio. y y 2 y 3 A = {, 2, 3 } B = {y,y 2,y 3 } LÓGICA FUZZY 4. Lógica Clássica Proposição: declaração envolvendo termos previamente definidos. Toda proposição assume os valores Falso (F) ou Verdadeiro (V); Eemplos: A tensão é baia; a injeção de reativos é alta, etc. Combinação de proposições: proposições (p, q, r,...) podem ser combinadas nas formas seguintes produzindo resultados falsos ou verdadeiros. Algumas dessas combinações são: Conjunção (p q): onde se afirma a verdade simultânea de duas proposições distintas; 0
11 Disjunção (p q): onde se afirma a verdade de uma ou ambas as proposições; Condicional (p q): a verdade de uma proposição (p) implica na verdade da outra (q); esta é a forma usual de modelar as regras do tipo SE < >, ENTÃO < >; Eqüivalência (p q): onde se afirma que ambas as proposições são verdadeiras ou falsas; Negação ( p ): onde se afia uma proposição à frase é falso que.... Dependendo dos valores lógicos assumidos pelas proposições, as combinações podem produzir resultados falsos ou verdadeiros de acordo com a Tabela Verdade abaio: p q p q p q p q p q p V V V V V V F V F F V F F F F V F V V F V F F F F V V V Tautologia: é uma proposição formada pela combinação de outras proposições (p, q, r,...) a qual é verdadeira independentemente das proposições p, q, r,..., serem verdadeiras ou falsas. Uma tautologia importante no estudo da lógica fuzzy é ou, equivalentemente, ( p q ) [ p ( q ) ] ( p q ) ( p ) q Uma prova da validade dessa tautologia, usando tabelas verdades, pode ser encontrada na referência [2]. Representação por funções de pertinência µ p () = Se p é verdadeira (V) 0 Se p é falsa (F) As operações da lógica clássica tem relação direta com as operações de conjuntos e da Álgebra Booleana. Algumas dessas relações são mostradas nas tabelas a seguir Lógica Teoria dos conjuntos Lógica Álgebra Booleana V F 0 c +
12 Usando as tautologias ( p q ) [ p ( q ) ] ou ( p q ) ( p ) q, e as eqüivalências entre os operadores lógicos e a teoria dos conjuntos, é possível [2] mostrar que µ p q (,y) = - min [µ p (), - µ q (y)] ou, equivalentemente, µ p q (,y) = ma [ - µ p (), µ q (y)] 4.2 Lógica Fuzzy = - µ p () [ - µ q (y)] Como no caso dos conjuntos, a etensão da lógica crisp para a lógica fuzzy é realizada pela substituição funções de pertinência ambivalentes (0 ou ) por funções de pertinência fuzzy, ou seja, definidas no intervalo [ 0, ]. Sejam os conjuntos fuzzy A e B, com elementos A e y B. A proposição Se é A, Então y é B tem uma função de pertinência µ A B (,y) [0, ]. A função de pertinência µ A B (,y) mede o grau de verdade da proposição. De maneira similar ao caso crisp, as relações abaio são válidas µ A B (,y) = min [µ A (), - µ B (y)] µ A B (,y) = ma [ - µ A (), µ B (y)] = - µ A () [ - µ B (y)] 5 SISTEMAS DE INFERÊNCIA FUZZY 5. A Regra SE < >, ENTÃO < > Fuzzy Sejam e y variáveis lingüísticas definidas nos universos de discurso X e Y, respectivamente, e sejam A e B valores assumidos por essas variáveis. A regra pode ser então, enunciada, como Se é A, Então y é B Antecedente ou Premissa Conseqüente ou Conclusão Eemplo: Se <tensão é baia>, Então <inj._reativos_ind. é alta>. Para um valor de tensão de , as funções de pertinência da variável tensão mostrada abaio produz o valor 2
13 tensão_baia; isto implica, de acordo com a regra, em um conseqüente definido pelo conjunto fuzzy inj.-reativos_alta, como mostrado nos gráficos abaio. O valor da função de pertinência do conjunto tensão_baia, correspondente ao valor de 0.95 pu, é 0.5 como mostrado na figura abaio Para efeito de inferência fuzzy, a função de pertinência é cortada na altura 0.5 como será indicado na seção seguinte. µ V.0 Muito-Baia Baia Normal Alta µ Q Baia Média Alta V Q 5.2 Estrutura do Sistema de Inferência A estrutura geral de um sistema de inferência fuzzy é mostrada na figura abaio. Base de Regras Entrada Crisp Fuzzificador Defuzzificador Saída Crisp Inferência Os elementos dessa estrutura são: Base de Regras: coleção de regras do tipo Se_Então, as quais podem ser epressas como Regra (r): SE u é F r e u 2 é F 2 r e u n é F n r ENTÃO v é G r, r =,,N onde F r i, r =,,N, e G r são conjuntos fuzzy definidos em U i R, r =,,N, e V R, respectivamente. Fuzzificador: determina o grau de pertinência de cada entrada no antecedente da regra. Se o antecedente tem mais de um componente (proposição), os operadores fuzzy E (min) e OU (ma) são utilizados para combinar os efeitos como a seguir α r = min i=,,n { µ i (u i ) } ou 3
14 α r = ma i=,,n { µ i (u i ) } onde α r : combinação do grau de pertinência dos antecedentes da regra; µ i (u i ) : grau de pertinência do i-ésimo antecedente para o valor da i-ésima entrada (u i ); Inferência: determina o grau de validade dos conseqüentes das regras e combina os resultado no conjunto fuzzy da saída. O principio utilizado assume que regras com baio grau de pertinência no antecedente (α r ) devem ter pouca validade no conseqüente. Esse processo é implementado pelo operador Ma-Min µ G = ma { min {α r, µ i (u i ),}, {µ r (u i )} } A operação acima eqüivale a redefinir os conjuntos fuzzy associados ao conseqüente das regras (modificação da forma das funções de pertinência) e a combinação dos mesmos em um conjunto fuzzy da saída. Essa operação é realizada em dois passos: i. Min: cortando a função de pertinência do conseqüente no ponto indicado pelo valor α r do antecedente; ii. Ma: combinando (união) os conjuntos fuzzy representando o conseqüente das regras. Defuzzificador: produz uma saída crisp a partir do conjunto fuzzy definido pelo bloco de inferência. Alguns métodos de defuzzificação utilizados são: i. Valor máimo: ; ii. Valor médio dos máimos; iii. Bisetor: iv. Centróide ou centro de massa. 4
15 5.3 Eemplo 4 Objetivo: Determinação da gorjeta em um restaurante a partir de dados sobre a qualidade_da_comida e o atendimento. Regras: R: SE atendimento é ruim ou qualidade_da_comida é ruim, ENTÃO gorjeta é baia R2: SE atendimento é bom, ENTÃO gorjeta é média R3: SE atendimento é ecelente ou qualidade_da_comida é ecelente, ENTÃO gorjeta é alta Funções de pertinência: Atendimento Qualidade_da_Comida Gorjeta Ruim Bom Ecelente Ruim Ecelente Baia Média Alta Este eemplo foi retirado do manual do Fuzzy Logic Toolbo do Matlab. 5
16 Fuzzificação: grau de pertinência das entradas Atendimento Qualidade_da_Comida Ruim 0 Ruim Bom Ecelente 0.4 Ecelente
17 Fuzzificação: combinação dos antecedentes R: atendimento ruim ou qualidade_da_comida é ruim: ma [0, 0] = 0 R2: atendimento bom: 0.3 R: atendimento ecelente ou qualidade_da_comida é ecelente: ma [0.4, 0.7] = 0.7 Inferência: corte das funções de pertinência e combinação dos conjuntos fuzzy do conseqüente Baia Média Alta Defuzzificação: centróide
18 6 CONTROLE FUZZY Aplicações em sistemas de modelagem difícil e para os quais não se eige um controle muito preciso; Procedimento de projeto: Identificação das variáveis de entrada e saída; Construção das regras de controle; Estabelecer método para representar o estado do sistema em termos de conjuntos fuzzy (funções de pertinência e método de fuzzificação) Seleção da regra de inferência; Estabelecer método de defuzzificação. Eemplo Genérico: Controlador com duas entradas (erro e variação do erro) e uma saída. ε K ε Ref + _ d/dt Sistema de u y. K Planta Inferência ε Fuzzy K ε. Regra de Inferência: SE < ε > é A i e < ε > é B i ENTÃO u é C i Normalização: - ε, ε, u. 8
19 Regras de Controle. ε GN MN PN ZE PP MP GP ε GN GP GP GP MP MP PP ZE MN GP MP MP MP PP ZE PN PN GP MP PP PP ZE PN MN ZE MP MP PP ZE PN MN MN PP MP PP ZE PN PN MN GN MP PP ZE PN MN MN MN GN GP ZE PN MN MN GN GN GN Funções de Pertinência Normalizadas GN MN PN ZE PP MP GP
20 7 OTIMIZAÇÃO FUZZY Os modelos convencionais de otimização (programação linear e não linear, etc.) não contemplam certas características encontradas em problemas práticos: Incertezas nos dados; Restrições fleíveis (soft constraints); Múltiplos objetivos; Meios de evitar soluções não-realísticas (não implementáveis na prática). A introdução de conceitos da teoria dos conjuntos fuzzy oferece uma opção para melhorar o desempenho dos modelos de otimização em relação aos aspectos acima referidos. Esses conceitos serão introduzidos através do eemplo abaio retirado de []. Eemplo: encontrar um valor de tal que Objetivo: deve ser substancialmente maior que 0; Restrição: deve estar na vizinhança de 0; Formulação clássica: usando um modelo de programação linear, o problema acima pode ser formulado como Maimizar z = Sujeito a 0 2 Na formulação acima, o analista precisa utilizar sua eperiência para definir os limites da variável assim como escolher uma função objetivo adequada (não seria melhor usar 2? ). 20
21 REFERÊNCIAS [] H.J. Zimmermann, Fuzzy Set Theory and Its Applications, Third Edition, Kluwer, 996. [2] T.J. Ross, Fuzzy Logic with Engineering Applications, McGraw-Hill International Editions, 997. [3] J.M. Mendel, Fuzzy Logic Systems for Engineering: A Tutorial, Proceedings of the IEEE, vol. 83, no. 3, pp , March 995. [4] K. Tomsovic and M.Y. Chow, Eds., Tutorial on Fuzzy Logic Applications in Power Systems, IEEE PES Winter Meeting, Singapore, January
Sistemas 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 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 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 maisTeoria dos conjuntos difusos
Teoria dos conjuntos difusos Documento complementar à dissertação José Iria ee06210@fe.up.pt - 10-03-2011. A teoria dos conjuntos difusos foi proposta por Lotfi Zadeh num artigo publicado em 1965 na revista
Leia maisVariáveis 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 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 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 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 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 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 maisTÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA 1. Técnicas Inteligentes Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ A expressão Técnicas Inteligentes é utilizada neste
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 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 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 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 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 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 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 maisCONJUNTOS NEBULOSOS. Formatos dos Conjuntos
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
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 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 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 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 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 maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisLaboratório 4 - Controle nebuloso
Laboratório 4 - Controle nebuloso PTC 2619 / PTC 3418 Laboratório de Automação 1º semestre de 2017 Bruno A. Angélico Laboratório de Automação e Controle Departamento de Engenharia de Telecomunicações e
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 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 maisMatemática para Ciência de Computadores
Matemática para Ciência de Computadores 1 o Ano - LCC & ERSI Luís Antunes lfa@ncc.up.pt DCC-FCUP Complexidade 2002/03 1 Teoria de Conjuntos Um conjunto é uma colecção de objectos/elementos/membros. (Cantor
Leia maisCálculo proposicional
Notas de aula de MAC0329 (2003) 9 2 Cálculo proposicional Referências para esta parte do curso: capítulo 1 de [Mendelson, 1977], capítulo 3 de [Whitesitt, 1961]. Proposição Proposições são sentenças afirmativas
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 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 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 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 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 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 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 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 maisMEDIDAS E INCERTEZAS
MEDIDAS E INCERTEZAS O Que é Medição? É um processo empírico que objetiva a designação de números a propriedades de objetos ou a eventos do mundo real de forma a descrevêlos quantitativamente. Outra forma
Leia maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/53 1 - LÓGICA E MÉTODOS DE PROVA 1.1) Lógica Proposicional
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 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 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 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 maisLógica Fuzzy. Conectivos e Inferência. Professor: Mário Benevides. Monitores: Bianca Munaro Diogo Borges Jonas Arêas Renan Iglesias Vanius Farias
Lógica Fuzzy Conectivos e Inferência Professor: Mário Benevides Monitores: Bianca Munaro Diogo Borges Jonas Arêas Renan Iglesias Vanius Farias Conectivos O que são conectivos? São operadores que conectam
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 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 maisLÓGICA FUZZY. Adão de Melo Neto
LÓGICA FUZZY Adão de Melo Neto INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA OPERAÇÕES SOBRE CONJUNTOS
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 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. 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 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 maisLOGICA FUZZY. Adão de Melo Neto
LOGICA FUZZY Adão de Melo Neto SUMÁRIO INTRODUÇÃO PRINCÍPIOS CLÁSSICA x DIFUSA CONJUNTOS FUZZY OPERAÇÕES EM CONJUNTO FUZZY MODIFICADORES Introdução "A logica difusa (fuzzy) tem por objetivo modelar modos
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 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 maisLógica Fuzzy. Lógica Fuzzy: Noções Gerais e Aplicações. apresentação. Prof a. Responsável: Graçaliz Pereira Dimuro. Disciplina: Computação Flexível
apresentação Lógica Fuzzy Conrado Ruch. Diego Pereira. Rogério Vargas Prof a. Responsável: Graçaliz Pereira Dimuro Disciplina: Computação Flexível Programa Conrado Ruch. Diego de Pereira Pós-Graduação.
Leia maisAPLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC
APLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC Henrique Silva Costa henriquesilva_052@hotmail.com Rafael Furtado Seeberger rafaelseeberger@gmail.com Thiago
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 maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 07 Lógica Fuzzy Introdução A lógica FUZZY uma extensão da lógica booleana. Ela permite que estados imprecisos
Leia maisReconhecimento das cores do MSX por Lógica Fuzzy
Reconhecimento das cores do MSX por Lógica Fuzzy Resumo O objetivo deste artigo é demonstrar como é possível reconhecer as cores nativas do MSX 1 a partir de imagens de 24 bits do PC. 1- Introdução A redução
Leia maisMDI0001 Matemática Discreta Aula 04 Álgebra de Conjuntos
MDI0001 Matemática Discreta Aula 04 Álgebra de Conjuntos Karina Girardi Roggia karina.roggia@udesc.br Departamento de Ciência da Computação Centro de Ciências Tecnológicas Universidade do Estado de Santa
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 maisMatemática Discreta. Teoria de Conjuntos - Parte 2. Profa. Sheila Morais de Almeida. abril DAINF-UTFPR-PG
Matemática Discreta Teoria de Conjuntos - Parte 2 Profa. Sheila Morais de Almeida DAINF-UTFPR-PG abril - 2017 Operações em conjuntos As operações entre conjuntos podem ser unárias, binárias, ternárias,
Leia maisNotas de aula de MAC0329 Álgebra Booleana e Aplicações
Notas de aula de MAC0329 Álgebra Booleana e Aplicações Nina S. T. Hirata Depto. de Ciência da Computação IME / USP Este texto é uma referência-base para o curso de MAC0329 (Álgebra Booleana e Aplicações).
Leia maisLógica. Fernando Fontes. Universidade do Minho. Fernando Fontes (Universidade do Minho) Lógica 1 / 65
Lógica Fernando Fontes Universidade do Minho Fernando Fontes (Universidade do Minho) Lógica 1 / 65 Outline 1 Introdução 2 Implicações e Equivalências Lógicas 3 Mapas de Karnaugh 4 Lógica de Predicados
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 mais17/4/2007. Prof. Dr. Alexandre da Silva Simões. Introdução Apresentação da lógica Fuzzy
7/4/27 ula - Conjuntos clássicos e conjuntos Fuzzy Prof. Dr. lexandre da Silva Simões Toda lógica tradicional habitualmente assume que símbolos precisos estão sendo empregados. Elas portanto não são aplicáveis
Leia maisLógica Proposicional e Álgebra de Boole
Lógica Proposicional e Álgebra de Boole A lógica proposicional remonta a Aristóteles, e teve como objectivo modelizar o raciocínio humano. Partindo de frases declarativas ( proposições), que podem ser
Leia maisLógica Formal. Matemática Discreta. Prof Marcelo Maraschin de Souza
Lógica Formal Matemática Discreta Prof Marcelo Maraschin de Souza Implicação As proposições podem ser combinadas na forma se proposição 1, então proposição 2 Essa proposição composta é denotada por Seja
Leia maisAPLICAÇÃO DE ANALISE DE RISCO DE CLIENTE PARA TOMADA DE CRÉDITO UTILIZANDO LÓGICA FUZZY TOOLBOX DO MATLAB. Diogo Mendes.
APLICAÇÃO DE ANALISE DE RISCO DE CLIENTE PARA TOMADA DE CRÉDITO UTILIZANDO LÓGICA FUZZY TOOLBOX DO MATLAB Diogo Mendes. Luciana Wanderley Especialização em Engenharia de Sistemas Universidade Estadual
Leia maisEm 1970, Bellman e Zadeh (Bellman, 1970) apresentaram a otimização IX]]\, que é um conjunto de técnicas utilizadas em problemas de otimização com
4 ±0('/$ 5'd Muito já foi feito no desenvolvimento de metodologias para a resolução de problemas de programação linear IX]]\. Entretanto a grande parte dos trabalhos apresentados procurou obter uma solução
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 mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisLógica Computacional
Lógica Computacional Lógica de Operadores Booleanos Interpretações Tautológicas, Lógicas e Analíticas Funcionalidade / Tabelas de Verdade dos Operadores Booleanos Consequências Tautológica, Lógica e Analítica
Leia maisIntrodução. Lógica Fuzzy (Lógica Nebulosa) Introdução. Conceito
Lógica Nebulosa Introdução Lógica Fuzzy (Lógica Nebulosa) Adaptado de material da profa. Luciana Rech Lógica Difusa ou Lógica Fuzzy extensão da lógica boolena um valor lógico difuso é um valor qualquer
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
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 maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano.
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano aratadano@utfpr.edu.br Aula 2 08/2014 Noções Básicas sobre Erros A resolução de problemas numericamente envolve várias fases que podem ser assim estruturadas:
Leia maisUtilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde Cristiane Koehler Universidade de Caxias do Sul (UCS) Centro de Informática Médica (CIM) ckoehler@ucs.br Lucimar Fossatti de Carvalho Universidade
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
Leia maisSistema de Inferência Fuzzy. Prof. Juan Mauricio Villanueva
Sistema de Inferência Fuzzy Prof. Juan Mauricio Villanueva jmauricio@cear.ufpb.br http://app.cear.ufpb.br/~juan/ 1 Introdução Lógica Fuzzy É uma ferramenta que permite capturar informações imprecisas,
Leia maisUm grande número de problemas de otimização linear inteiro envolve a ocorrência ou não de um evento, e a decisão entre duas alternativas.
Modelagem com variáveis binárias Um grande número de problemas de otimização linear inteiro envolve a ocorrência ou não de um evento, e a decisão entre duas alternativas. seoeventoocorre 0 se o evento
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 maisLógica Fuzzy. Angelo Batista Neves Júnior Bruno Luan de Sousa Kelly de Paiva Soares
Lógica Fuzzy Angelo Batista Neves Júnior Bruno Luan de Sousa Kelly de Paiva Soares INTRODUÇÃO Introduzida em 1965 por Lofti Zadeh. Surgimento em 1930. Influência o Jan Lukasiewicz; o Max Black; o Lofti
Leia maisLógica Texto 7. Texto 7. 1 Negação de enunciados atômicos Exercício resolvido Negação de enunciados moleculares 5
Lógica para Ciência da Computação I Lógica Matemática Texto 7 Negação e simplificação de enunciados Sumário 1 Negação de enunciados atômicos 2 1.1 Observações................................ 2 1.2 Exercício
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 maisn. 25 DIAGRAMAS DE VENN
n. 25 DIAGRAMAS DE VENN Foi o matemático inglês John Venn (1834-1923) que criou os diagramas, com o intuito de facilitar a compreensão na relação de união e intersecção entre conjuntos. John Venn desenvolveu
Leia maisCOMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE
COMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE Brehme D. R. de MESQUITA (1); Jefferson A. L. e SILVA (2); André M. D. FERREIRA (3) (1) Instituto Federal
Leia maisNHI Lógica Básica (Lógica Clássica de Primeira Ordem)
NHI2049-13 (Lógica Clássica de Primeira Ordem) página da disciplina na web: http://professor.ufabc.edu.br/~jair.donadelli/logica O assunto O que é lógica? Disciplina que se ocupa do estudo sistemático
Leia maisCálculo proposicional
O estudo da lógica é a análise de métodos de raciocínio. No estudo desses métodos, a lógica esta interessada principalmente na forma e não no conteúdo dos argumentos. Lógica: conhecimento das formas gerais
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 maisFluxo de Potência Ótimo
Fluxo de Potência Ótimo Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ Parte 1 Abril 2008 1 / 26 Definição O Fluxo de Potência Ótimo (FPO) tem como objetivo a otimização da condição estática
Leia maisLógica Matemática 1. Semana 7, 8 e 9. Material Previsto para três semanas
Lógica Matemática 1 Semana 7, 8 e 9. Professor Luiz Claudio Pereira Departamento Acadêmico de Matemática Universidade Tecnológica Federal do Paraná Material Previsto para três semanas Implicação e equivalência
Leia mais27/8/2011. Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011
Tomada de Decisão e Regras Nebulosas Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011 Representação Matemática de Incertezas Padrões
Leia maisComo primeira e indispensável parte da Lógica Matemática temos o Cálculo Proporcional ou Cálculo Sentencial ou ainda Cálculo das Sentenças.
NE-6710 - SISTEMAS DIGITAIS I LÓGICA PROPOSICIONAL, TEORIA CONJUNTOS. A.0 Noções de Lógica Matemática A,0.1. Cálculo Proposicional Como primeira e indispensável parte da Lógica Matemática temos o Cálculo
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 maisAprendizagem por treinamento de redes de aproximação Marco Henrique Terra
Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.
Leia mais