TEORIA DOS CONJUNTOS FUZZY
|
|
- Vitória Philippi Avelar
- 7 Há anos
- Visualizações:
Transcrição
1 TEORIA DOS CONJUNTOS FUZZY
2 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, éverificado o grau de pertinência do elemento em relação ao conjunto. O grau de pertinência éa referência para verificar o quanto épossível esse elemento poder pertencer ao conjunto. O grau écalculado através de uma determinada função que retorna geralmente um valor real que varia entre 0 à1, sendo que 0 indica que não pertence ao conjunto, e 1 pertence. Diferentemente da teoria clássica, em que os conjuntos são chamados de crisp, o grau de pertinência ébinário, ou seja, pertence ou não pertence no conjunto. Como exemplo existirátrês conjuntos para verificar a classificação a altura de um homem adulto, que são baixo, médio e alto.
3 Tabela de pertinência para os conjuntos clássicos
4 Gráfico representando os conjuntos clássicos
5 Gráfico representando os conjuntos fuzzy
6 Percebe-se que o conceito da lógica fuzzy se encontra na teoria dos conjuntos fuzzy, como também da lógica tradicional se encontra na teoria dos conjuntos clássicos. Enquanto nos conjuntos clássicos apenas classifica o preto ou branco (verdadeiro ou falso) os conjuntos fuzzy permite a classificação em vários tons de cinza além do preto e branco, Comparação do conjunto clássico da fuzzy
7 Operações de Conjuntos Fuzzy Gráfico representando dois conjuntos fuzzy
8 Interseção de conjuntos fuzzy A interseção de dois conjuntos resultaráem um conjunto fuzzy cuja sua pertinência seráa mínima da pertinência dos conjuntos em questão, representada na equação 1: μ= min( μb, μm ); Baixo(X) = { (1.5, 1), (1.6, 0.6),(1.7, 0.1),(1.8, 0),(1.9, 0),(2, 0) } Médio(X) = { (1.5, 0),(1.6, 0.3),(1.7, 1),(1.8, 0.3),(1.9, 0),(2, 0) } Baixo Médio = { (1.5, 0),(1.6, 0.3),(1.7, 0.1),(1.8, 0),(1.9, 0),(2,0) } Gráfico resultante da intersecção
9 União de conjuntos fuzzy μ= max( μb, μm ); (2) Baixo(X) = { (1.5, 1), (1.6, 0.6),(1.7, 0.1),(1.8, 0),(1.9, 0),(2, 0) } Médio(X) = { (1.5, 0),(1.6, 0.3),(1.7, 1),(1.8, 0.3),(1.9, 0),(2, 0) } Baixo U Médio = { (1.5, 1),(1.6, 0.6),(1.7, 1),(1.8, 0.3),(1.9, 0),(2,0) } Gráfico resultante da união
10 Complemento de um conjunto fuzzy μ= 1-μB ; Baixo(X) = { (1.5, 1), (1.6, 0.6),(1.7, 0.1),(1.8, 0),(1.9, 0),(2, 0) } Baixo (X)= { (1.5, 0),(1.6, 0.4),(1.7, 0.9),(1.8, 1),(1.9, 1),(2, 1) } Gráfico resultante do complemento
11 RACIOCÍNIO FUZZY O raciocínio fuzzy écomposto de por três etapas que são a fuzzificação, a inferência e a defuzzificação. Estas três etapas fecham um ciclo que permitem a resolução de muitos problemas e que são bastante utilizados em sistemas de controle. Para melhor compreensão de todas as etapas do processo, tem o seguinte exemplo. Supondo que se deseja desenvolver um programa para o controle de obesidade de uma pessoa adulta utilizando a lógica fuzzy. O objetivo desse programa seráretornar o peso ideal ou saudável, de acordo com os dados pelo usuário
12 RACIOCÍNIO FUZZY
13 Fuzzificação A primeira etapa éa fuzzificação. Consiste em transformar um dado numérico em um termo em linguagem natural. No dia-a-dia a fuzzificação se encontra presente de certa maneira, no momento que um professor diz que um aluno teve uma nota ótima por ter tirado uma nota 9.5, ou uma mulher diz que esta gorda por possuir um peso de 60kg, são fuzzificações realizadas tanto pelo professor e pela mulher. Para uma máquina fuzzificar um determinado dado numérico, são utilizadas as funções de pertinência para verificar o quanto esse dado pertence a uma determinada classificação (conjunto fuzzy).
14 Fuzzificação Voltando ao programa de controle de obesidade, para simplificar, terão apenas dois dados de entrada, o peso e a altura do usuário. O peso e a altura são chamados de variáveis fuzzy. As variável fuzzy são atribuídos os conjuntos fuzzy, como muito, pouco, alto ou baixo, estes tipos de atribuição são chamados de valores fuzzy. Então com as variáveis fuzzy determinadas, precisa-se determinar os valores fuzzy possíveis para estas variáveis. No caso para a variável fuzzy peso, terátrês valores fuzzy que são leve, médio e pesado. Enquanto a variável fuzzy altura, terá baixo, mediano e alto.
15 Fuzzificação Para cada valor fuzzy, teráuma função de pertinência para que seja possível o mapeamento dos dados de entrada, que são valores numéricos, para os valores fuzzy. Nesse caso serão utilizadas as funções triangulares e trapezoidais pela sua simplicidade e fácil compreensão. Segue as funções de pertinência dos valores fuzzy de peso
16 Fuzzificação μtri(x; a, b, c) = max ( min ( x-a/b-a, c-x/c-b ), 0 ), μleve(x) = max ( min ( x-40/50-40, 60-x/60-50 ), 0 ), μmédio(x) = max ( min ( x-50/70-50, 80-x/80-70 ), 0 ), μpesado(x) = max ( min ( x-70/90-70, 110-x/ ), 0 ), Gráfico das funções de pertinência de peso
17 Fuzzificação μbaixo(x) = max ( min ( x-1.40/ , 1.70-x/ ), 0 ) μmediano(x) = max ( min ( x-1.60/ , 1.90-x/ ), 0 ), μalto(x) = max ( min ( x-1.80/ , 2.0-x/ ), 0 ), Gráfico das funções de pertinência de altura
18 Fuzzificação Supondo que o usuário apresente o seguinte dado de entrada, o peso igual a 55kg e uma altura de 1.75m. A partir destes dois dados serão calculados os graus de pertinência tendo o seguinte resultado na equação μleve(55) = max ( min ( 55-40/50-40, 60-55/60-50 ), 0 ) = 0.5 μmédio(55) = max ( min ( 55-50/70-50, 80-55/80-70 ), 0 ) = 0.25 μpesado(55) = max ( min ( 55-70/90-70, / ), 0 ) = 0 Gráfico do cálculo da pertinência em peso
19 Fuzzificação μbaixo(1.75) = max ( min ( / , / ), 0 ) = 0 μmediano(1.75) = max ( min ( / , / ), 0 ) = 0.75 μalto(1.75) = max ( min ( / , / ), 0 ) = 0 Gráfico do cálculo da pertinência em altura
20 Fuzzificação O após o cálculo da pertinência verifica-se três valores fuzzy, leve com grau de pertinência de 0.5, médio com 0.25, que são valores da variável peso, e mediano com 0.75 da variável altura. Estes valores são os resultados obtidos da fuzzificação que agora serão tratados na próxima etapa que éa inferência
21 Inferência A inferência éa etapa importante do raciocínio fuzzy, éatravés dela que éfeita a tomada de decisão. Após a fuzzificação, onde são determinados os graus de pertinência de cada conjunto, com os dados resultantes são realizadas as regras do tipo Se-Então, mapeando para os novos conjuntos, como por exemplo, se a mulher esta gorda, então tem que praticar exercícios. Como o objetivo éemagrecer, então foi realizada uma inferência para determinar a ação a ser realizada para a determinada situação que foi praticar exercícios.
22 Inferência Para a realização da inferência fuzzy, existem dois procedimentos de inferência, o Modus Ponens Generalizado (MPG) e o Modus Tollens Generalizado (MTG). MPG: Exemplo: Se chover, então fico em casa. Chove. Então fico em casa MTG: Exemplo: Se existe fogo aqui, então aqui também há oxigênio. Não há oxigênio aqui. Então aqui não há fogo.
23 Inferência O MPG tem a seguinte regra: Através desta regra permite a implicação de valores fuzzy que são no caso o A e B. Ao contrário do Modus Ponens, que éa forma clássica de implicação, a regra sóéválida quando éa e B apenas, não existindo valores intermediários que são no caso de A e B.
24 Inferência Jáo MTG tem a seguinte regra: Tem a mesma idéia do MPG quanto a implicação de valores parciais, porém éuma implicação que permite encontrar o antecedente, contrário do MPG que encontra o procedente.
25 Inferência A primeira etapa da inferência éobter uma função de pertinência de B, para as regras disparadas do tipo se-então, através da formula Percebe-se que foi utilizado a composição maxmin para encontrar a função de pertinência de B, enquanto a função μ(x,y) éa função de pertinência da relação de implicação.
26 Inferência Uma relação de implicação éuma regra do tipo se-então. Para determinar uma relação devese determinar o tipo de operação de implicação fuzzy. As operações de implicação fuzzy recebem como entrada os valores de entrada (μa(x)) recebidas da fuzzificação, e os valores de saída (μb(x)) contidas na inferência, e o resultado da operação éo dado de saída da relação de implicação.
27 Inferência Existem vários tipos de operadores de implicação como aritmético, Booleano, drástico entre outros. Na tabela a mostra as principais operações de implicação:
28
29 Inferência Voltando ao programa para o controle de peso, para exemplificar, seránecessário determinar uma variável fuzzy, que será estado e escolher os valores fuzzy de ação, que serão três valores, palito, magro, normal, gordo e elefante, que também terão suas funções de pertinência ilustrada
30 Inferência Gráfico da pertinência da saída de inferência
31 Inferência Através destes valores, e dos valores determinadas na fuzzificação teráo seguinte conjunto de regras do tipo se-então: 1. SE peso éleve E altura ébaixo ENTÃO condição énormal SENÃO; 2. SE peso éleve E altura émediano ENTÃO condição émagro SENÃO; 3. SE peso éleve E altura éalto ENTÃO condição épalito SENÃO; 4. SE peso émédio E altura ébaixo ENTÃO condição égordo SENÃO; 5. SE peso émédio E altura émediano ENTÃO condição énormal SENÃO; 6. SE peso émédio E altura éalto ENTÃO condição émagro SENÃO; 7. SE peso épesado E altura ébaixo ENTÃO condição éelefante SENÃO; 8. SE peso épesado E altura émediano ENTÃO condição égordo SENÃO; 9. SE peso épesado E altura éalto ENTÃO condição énormal;
32 Inferência Determinada a estrutura da inferência, inicia-se então o processo de inferência. Pelos dados recebidos da fuzzificação representados na tabela 6, serão disparadas as regras 2 e 5.
33 Inferência Então primeiramente analisa-se a regra 2. O peso, altura e estado são o x, h e y respectivamente, enquanto leve, mediano e magro são A1, A2 e B respectivamente. Os valores apresentados pela fuzzificação com seus graus de pertinência são o A 1 para representar o leve com os graus de pertinência 0.5, e o A 2 representa o mediano com grau de pertinência Enquanto ao B representa o magro, porém não se sabe quanto serásua pertinência. Com isso resulta na seguinte regra MPG: Se x éa1 E h éa2 Então y éb
Modelos 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 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 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 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 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 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 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 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 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 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 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 maisCLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY RESUMO INTRODUÇÃO
CLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY Wesley Osvaldo Pradella Rodrigues 1, Danilo Augusto Heredia Vieira 1, Rhaysa Wolf 1 (Alunos do Curso de Administração da Universidade
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 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 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 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 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 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 mais2 Lógica Fuzzy. 2 Lógica Fuzzy. Sintaxe da linguagem
2 Lógica Fuzzy 2.1 Cálculo proposicional (lógica proposicional) 2.2 Lógica de Predicados 2.3 Lógica de múltiplos valores 2.4 Lógica Fuzzy Proposições fuzzy Inferência a partir de proposições fuzzy condicionais
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 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 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 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 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 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 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 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 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 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. 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 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 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 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 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 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 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 maisProf. Doutor Paulo Salgado UTAD. Doutoramento em Engª Electrotécnica e de Computadores - Prof. Paulo Salgado
Introdução à LÓGICA DIFUSA Prof. Doutor Paulo Salgado UTAD psal@utad.pt Tópicos do Curso Introdução à LÓGICA DIFUSA (Fuzzy Logic). Operações Lógicas e Inferência difusa Técnicas automáticas de geração
Leia mais5 Aplicando a Lógica Fuzzy em medidas de bilingualidade - um exemplo
5 Aplicando a Lógica Fuzzy em medidas de bilingualidade - um exemplo Nesta seção apresento uma situação hipotética de aplicação da Lógica Fuzzy para avaliação do grau de bilingualidade. 5.1 Exemplo de
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 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 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 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 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 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 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 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 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 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 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 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 maisIntrodução. Sistemas Nebulosos (Fuzzy) Benefícios da Lógica Nebulosa. Introdução. Probabilidade e Possibilidade. Complexidade e Compreensão
(Fuzzy) Introdução Benefícios da Lógica Nebulosa Conjuntos Nebulosos Variáveis Lingüísticas Operadores (Fuzzy) Raciocínio Etapas Conclusão Introdução Surgiu com Lofti Zadeh em 965. O boom foi nos anos
Leia maisLógica Computacional
Lógica Computacional Modus Ponens e Raciocínio Hipotético Introdução e eliminação da Implicação e da Equivalência Completude e Coerência do Sistema de Dedução Natural 24 Outubro 2016 Lógica Computacional
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 maisUma Abordagem Fuzzy para o Controle de Qualidade de Software
Uma Abordagem Fuzzy para o Controle de Qualidade de Software Meuser J. S. Valença Alexandre M. L. de Vasconcelos Departamento de Informática Universidade Federal de Pernambuco Caixa Postal 7851, 50732-970,
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 maisReconhecimento de cores do MSX por lógica fuzzy
Reconhecimento de cores do MSX por lógica fuzzy Resumo O objetivo deste artigo é demonstrar como é possível reconhecer, em uma imagem de 24 bits, a cor mais parecida com uma das 15 cores do MSX 1. 1- Introdução
Leia maisAlgoritmos e Programação - Engenharia da Computação -
Algoritmos e Programação - Engenharia da Computação - Prof. Alessandro Zimmer Pseudo Linguagem de Programação - PORTUGOL - Pseudo-Linguagem Linguagem de Programação? Notação formal servindo para: - Expressar
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 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 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 maisLÓGICA I ANDRÉ PONTES
LÓGICA I ANDRÉ PONTES 4. Lógica Proposicional A Linguagem da Lógica Proposicional Letras Proposicionais: P, Q, R, S, T,... Conectivos Lógicos: Símbolos auxiliares: (, ), = Conectivo Leitura Símbolo Símbolos
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 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 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 maisA única diferença entre o difícil e o impossível é que o último demora um pouco mais de tempo para ser alcançado..
Técnicas de Programação em Engenharia Elétrica I - Engenharia de Sistemas Embarcados - Introdução aos Algoritmos A única diferença entre o difícil e o impossível é que o último demora um pouco mais de
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 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 maisMODELO FUZZY PARA VALORAÇÃO DE PEQUENAS EMPRESAS
MODELO FUZZY PARA VALORAÇÃO DE PEQUENAS EMPRESAS Rafael Chagas Vitalino Ricardo Avila Guterres Pinheiro Leite Projeto de Graduação apresentado ao Curso de Engenharia de Produção da Escola Politécnica,
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 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 maisRESPOSTA BASE GRÁFICA. Banco de Dados: Exemplo. Banco de Dados. Banco de Dados. Banco de Dados
: Exemplo RESPOSTA AS RESPOSTAS À TODAS ESSAS PERGUNTAS, SOMENTE SERÃO POSSÍVEIS SE O SISTEMA POSSUIR UM BANCO DE DADOS QUE CONTENHA TODOS OS DADOS NECESSÁRIOS PARA AS MESMAS. FORMA GRÁFICA Mapa Desenho
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 maisUm Modelo de Avaliação de Especificações Semi-Formais de Requisitos de Software Baseado na Teoria dos Conjuntos Nebulosos
Um Modelo de Avaliação de Especificações Semi-Formais de Requisitos de Software Baseado na Teoria dos Conjuntos Nebulosos Luiz Eduardo Galvão Martins, Ana Estela Antunes da Silva UNIMEP - Universidade
Leia maisIntrodução à Teoria dos Conjuntos Fuzzy
Universidade Estadual de Londrina Centro de Ciências Exatas Departamento de Matemática Relatório Final de Iniciação Científica Introdução à Teoria dos Conjuntos Fuzzy Orientando: Osmar do Nascimento Souza
Leia maisCMP Algoritmos Algoritmos Parte I. Professor Vicente Paulo de Camargo
CMP1044 - Algoritmos Professor Vicente Paulo de Camargo Variáveis Uma variável é um local na memória principal (RAM) Ou seja, é um endereço na memória do computador o qual armazena um conteúdo Cada variável
Leia maisDedução Natural e Sistema Axiomático Pa(Capítulo 6)
Dedução Natural e Sistema Axiomático Pa(Capítulo 6) LÓGICA APLICADA A COMPUTAÇÃO Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Dedução Natural 3. Sistemas axiomático Pa 4. Lista
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 maisLÓGICA EM COMPUTAÇÃO
CEC CENTRO DE ENGENHARIA E COMPUTAÇÃO UNIVERSIDADE CATÓLICA DE PETRÓPOLIS LÓGICA EM COMPUTAÇÃO TAUTOLOGIA - EQUIVALÊNCIA E INFERÊNCIA VERSÃO: 0.1 - MARÇO DE 2017 Professor: Luís Rodrigo E-mail: luis.goncalves@ucp.br
Leia maisIdentificação Automática de Problemas de Usabilidade em Interfaces de Sistemas Web através de Lógica Fuzzy
Trabalho apresentado no DINCON, Natal - RN, 2015. 1 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Identificação Automática de Problemas de Usabilidade em Interfaces
Leia maisAlgoritmos. Algoritmos e Linguagem de Programação - Prof Carlos Vetorazzi
Algoritmos Algoritmos e Linguagem de Programação - Prof Carlos Vetorazzi Conceitos Linhas de Código de um Algoritmo ou Programa escrita do programa linha a linha, ou seja, a sintaxe do programa, podendo-se
Leia maisExistem conjuntos em todas as coisas e todas as coisas são conjuntos de outras coisas.
MÓDULO 3 CONJUNTOS Saber identificar os conjuntos numéricos em diferentes situações é uma habilidade essencial na vida de qualquer pessoa, seja ela um matemático ou não! Podemos dizer que qualquer coisa
Leia maisLógica Formal. Matemática Discreta. Prof. Vilson Heck Junior
Lógica Formal Matemática Discreta Prof. Vilson Heck Junior vilson.junior@ifsc.edu.br Objetivos Utilizar símbolos da lógica proposicional; Encontrar o valor lógico de uma expressão em lógica proposicional;
Leia maisExercitando o raciocínio lógico-dedutivo!
Exercitando o raciocínio lógico-dedutivo! Exercícios de raciocínio lógico-dedutivo a favor de Deus. Primeiramente devemos entender o conceito da dedução lógica, para então, realizarmos o seu exercício.
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 maisIdentificando a necessidade de um sistema Fuzzy
Identificando a necessidade de um sistema Fuzzy Sempre que ocorrem ajustes em máquinas com o objetivo de redução de perdas e de matéria prima, como função de julgamento de um operador é interessante a
Leia maisPortuguês Estruturado
Português Estruturado Português Estruturado Para que o algoritmo possa ser executado por uma máquina é importante que as instruções sejam corretas e sem ambigüidades. O português estruturado é, na verdade,
Leia maisAplicações da teoria de conjuntos álgebra booleana. Pontifícia Universidade Católica de Goiás Msc. Gustavo Siqueira Vinhal 2016/1
Aplicações da teoria de conjuntos álgebra booleana Pontifícia Universidade Católica de Goiás Msc. Gustavo Siqueira Vinhal 2016/1 CONJUNTOS Conjuntos são fundamentais para formalização de qualquer teoria.
Leia maisSISTEMAS ESPECIALISTAS
SISTEMAS ESPECIALISTAS Um produto da Engenharia de Conhecimento, um sistema especialista representa o conhecimento de uma área específica e o utiliza para resolver problemas simulando o raciocínio de um
Leia maisMensuração da satisfação do cliente: uma comparação entre lógica fuzzy e regressão linear
Mensuração da satisfação do cliente: uma comparação entre lógica fuzzy e regressão linear Wesley Osvaldo Pradella Rodrigues (Universidade Anhanguera-Uniderp) wesley174@uol.com.br Rhaysa Wolf (Universidade
Leia maisSISTEMAS ESPECIALISTAS Gerenciamento de Incertezas em Sistemas Especialistas. Ao se modelar sistemas (especialistas ou não) do mundo real:
Ao se modelar sistemas (especialistas ou não) do mundo real: Considerável parte dos dados modelados apresenta uma característica estável, precisa e bem definida por natureza. Outra parte dos dados modelados
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
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 maisIMPLICAÇÃO LÓGICA. Prof.: Rafael Dias Ribeiro,M.Sc.
IMPLICAÇÃO LÓGICA Prof.: Rafael Dias Ribeiro,M.Sc. Imlicação Lógica O rocesso de inferência automática oderia ser realizado utilizando-se tabelas-verdade, mas esta seria uma estratégia lenta e que ocuaria
Leia mais