Modelo de Análise de Investimentos baseado em Sistema Especialista e Lógica Fuzzy
|
|
- Lucas Gabriel Henriques Tavares
- 6 Há anos
- Visualizações:
Transcrição
1 Modelo de Análise de Investimentos baseado em Sistema Especialista e Lógica Fuzzy Luiz Carlos Martinez Junior Reinaldo Pacheco Costa USP rpcosta@usp.br Abstract A main problem in investments alternatives analysis is valuate results. Human thinking normally operates with semantic valuations as more or less weigth and more or less high, not only in a Boolean Logic as good or bad, high or short etc. When the investment analyst made combinations of relevant judgements he transforms quantitative values in qualitative values as his own standards. How to do computers, a machine developed to operate with just quantitative matters, make similar operations emulating human semantic valuations? This paper presents a methodology that uses expert system and fuzzy logic in a way to translates number calculations in semantic valuations aiming support investment analysis. Fuzzy Logic enables us to emulate the human reasoning process and make decisions based on vague or imprecise data. Key-words:Investment analysis; economic engineering; fuzzy logic. Resumo Um dos problemas encontrados para se avaliar opções de investimentos está na avaliação dos resultados. O raciocínio humano trabalha normalmente com avaliações em termos semânticos, como, por exemplo, mais ou menos alto e mais ou menos curto etc. Logo, quando o analista interpreta uma combinação de critérios relevantes à análise de investimentos, ele conscientemente transforma valores quantitativos em qualitativos com base em seus próprios padrões. Mas como fazer com que o computador, uma máquina desenvolvida para trabalhar com números e cálculos com exatidão, possa emular o raciocínio humano e interpretar valores semânticos, linguísticamente formulados? É apresentado, neste trabalho, uma metodologia que é capaz de traduzir os números calculados por outras metodologias em conteúdos semânticos, assim como combiná-los para servirem de apoio para as tomadas de decisões nos mais diversos casos de análise de investimentos. Esta metodologia contempla as características dos Sistemas Especialistas com a eficiência da Lógica Fuzzy. Palavras-chave: Análise de Investimentos; Engenharia Econômica; Lógica Fuzzy
2 Introdução O grande número de alternativas para o aumento de produtividade industrial acarreta problemas na etapa de análise de investimentos. Tomando como exemplo a área produtiva, o grande volume de variáveis e restrições exige a utilização de ferramentas computacionais e critérios de análise no suporte seguro para a tomada de decisão. A utilização dos modelos clássicos para resolver problemas de análise de investimentos é inadequada quando consideramos critérios subjetivos, ou informações imprecisas ou vagas. Na maior parte dos casos, a importância destes critérios para a análise, e a necessidade da inclusão destes no processo de seleção, inviabiliza uma simulação de cenários capazes de expressarem uma posição mais adequada dos fatos. Quão melhor é um investimento em relação ao outro? O que é ser um investimento bom ou ruim? Digamos que um especialista defina que um bom investimento é aquele que proporcione um tempo de retorno de até 3 anos, e proporcione um aumento de produtividade de no mínimo vinte e cinco por cento. Imaginemos, então, que, após as devidas simulações, tenhamos as seguintes opções de investimento: Máquina : aumento de produtividade em 3,97 por cento, retorno do investimento em 3,36 anos. Máquina 2: aumento de produtividade em apenas 26,98 por cento retorne o investimento em,44 anos. Em qual delas devemos investir? Uma primeira observação é a necessidade de se estabelecerem regras de decisão onde a ação tomada poderia estar baseada na combinação dos critérios, observando a estratégia da empresa. A segunda, porém a mais complexa, é a de avaliar de forma qualitativa as grandezas mensuráveis da análise, ou seja, quais são os parâmetros para avaliar o quão bom ou o quão ruim é um retorno de investimento. A Lógica Clássica, chamada também de Lógica Booleana, permite que um número seja classificado com exatidão em um determinado critério. Tomando como exemplo a avaliação de taxas, através da lógica clássica podemos definir regras para a classificação das taxas de acordo com três cenários, como mostra o gráfico ilustrado abaixo: Fig.. Regra de avaliação da taxa de juros (Lógica Clássica). Fonte: Autores 2
3 Neste exemplo, uma taxa de juros igual a,98 por cento seria considerada ruim, ao passo que uma com o valor igual a 2,2 por cento seria avaliada como regular. Ou seja, esta lógica trata os números em relação a um intervalo de forma binária: para não pertence e para pertence. Não existe, nesta lógica, o valor meio ruim ou meio regular. As lógicas alternativas, como é o caso da Lógica Fuzzy, exercitada neste trabalho, permitem a introdução do mérito qualitativo na análise, não tratando os números de forma booleana ( ou ), mas sim dando graus de pertinência aos números dentro das várias alternativas de avaliação daquele critério. Explicada com mais detalhes nos tópicos seguintes, esta lógica permite interpretar qualitativamente as mensurações obtidas por metodologias matemática exatas. 2 O que é Lógica Fuzzy Lógica Fuzzy é uma metodologia que utiliza os mais diversos modelos de estimadores para aproximar uma função através de valores semânticos. É uma lógica multivalores, que permite que valores intermediários sejam definidos entre as avaliações convencionais como falso / verdadeiro, sim / não, branco / preto etc. Classificações como quase abafado ou frio intenso podem ser formulados matematicamente e processados por computador. Isso possibilita cada vez mais que a linguagem humana consiga ser interpretada pelos computadores. Lógica Fuzzy tem emergido como uma ferramenta útil para sistemas de controle de metrô e processos industriais complexos, para equipamentos eletrônicos domésticos e de entretenimento, sistemas de diagnósticos e outros sistemas especialistas. A idéia básica da Lógica Fuzzy foi explorada, até certo ponto, por vários matemáticos durante este século, mas o principal mentor é inquestionavelmente o professor de ciências da computação, Doutor Lotfi A. Zadeh, da Universidade da Califórnia, em Berkeley, o qual, em 965, publicou um artigo sobre a teoria dos Conjuntos Nebulosos. Segundo ZADEH(965), a Lógica Fuzzy é um superset da Lógica Clássica, e tem sido desenvolvida para suportar o conceito de parcial verdade e verdadeiros valores entre completamente verdade e completamente falso. A figura abaixo enfatiza a diferença da avaliação clássica da avaliação Fuzzy dos elementos dos conjuntos: Figura 2 - Classificação de cores - Clássico x Fuzzy Fonte: Autores Uma cor x analisada pelo critério clássico só terá uma possibilidade de classificação: a cor x é cor do tipo D. Em contra partida, a mesma cor x analisada pelo critério nebuloso é uma composição de cores dos tipos C e D. 3
4 Um exemplo de conjuntos fuzzy é o que pretende dividir as possíveis taxas de juros dentro de uma escala de avaliação (conjuntos) como mostra o quadro abaixo: Tabela Graus de Pertinência x Escala de Avaliação Escala de Avaliação Taxa Muito Baixo Baixo Mediana Alta Muito Alta (%a.m.),5, 8 2,5 9 2, 7 2 3, 6 2 4, 3 7 5, 6 4 6, Fonte: Os Autores Para esse exemplo, o grau de pertinência varia de à, onde significa que o elemento definitivamente não pertence ao conjunto e que realmente pertence. É compreensível que a avaliação acima seja questionada e que outras pessoas tenham maneiras diferentes de distribuir os graus de cada elemento dentro dos conjuntos. Porém, a sobreposição dos graus de pertinência para diferentes elementos nas diferentes classificações garante a validade do modelo. 3 Sistemas Especialistas Fuzzy aplicados na Análise de Investimentos Segundo KANDEL(996), os Sistemas Especialistas são programas de computador que emulam o processo de raciocínio de um especialista humano ou executam uma ação específica dentro de um domínio de conhecimento. Geralmente, o processo de gerar soluções para um determinado problema é cercado de incertezas e imprecisões. Isto se justifica pela fonte de conhecimento que alimenta os programas especialistas: o próprio ser humano. De uma maneira simples, os Sistemas Especialistas Nebulosos são sistemas especialistas baseados em Lógica Fuzzy ao invés de Lógica Clássica. São sistemas formados por números nebulosos e regras que, devidamente manipulados por processos matemáticos, geram avaliações do tipo: Se x é baixo e y é alto então z = médio onde x e y são variáveis de entrada conhecidas, z é uma variável de saída, baixo é um membro do conjunto nebuloso definido para x, alto é um membro do conjunto nebuloso definido para y, e médio um membro do conjunto nebuloso definido para z. Através de sistemas deste tipo, torna-se possível, ou pelo menos melhora a interpretação do raciocínio humano pelas máquinas no controle que exige a análise de dados e a tomada de decisões. Uma das vantagens nesta nova ferramenta, como apresentada por CASAROTTO (985), é a de ser menos sensível à mudanças de estados esporádicos, suavizando o controle do ambiente. O Sistema Especialista Fuzzy proposto deverá ser capaz de selecionar a melhor alternativa de investimentos, dentro de um conjunto definido de possibilidades, com base nos dados relativos a cada uma delas. A decisão do sistema deverá ser baseada na avaliação dos valores econômico-financeiros e produtivos dos cenários obtidos, interpretados segundo a Lógica Fuzzy e a Base de Conhecimento criada por especialistas. 4
5 O primeiro passo é definir os critérios pertinentes para a análise e as suas escalas de avaliação (ex.: bom, médio, ruim). Podem ser definidos, ao mesmo tempo, critérios relevantes de diferentes amplitudes, como sugerido a seguir: Critérios relativos ao próprio investimento; Critérios relativos a influência sobre os produtos; Critérios resultados globais da empresa obtidos pelas mudanças. Exemplo de definição de critérios: Tabela 2 Definição dos Critérios relevantes para Análise e Escalas de Avaliação CRITÉRIOS FONTE ESCALA DE AVALIAÇÃO Aumento de Margem Global Empresa BAIXO / / / Aumento na Otimização de Recursos Empresa BAIXO / / / Aumento na Margem Unitária Produto BAIXO / / / Diminuição na Utilização de Recursos Produto POUCA / / GRANDE TIR Tempo de Retorno Investimento RUIM / / BOA / ÓTIMA Investimento GRANDE / MÉDIO / PEQUENO Fonte: Os autores A segunda etapa do processo, sendo a mais importante, consiste em estabelecer funções que expressem o grau de pertinência de cada classificação em função dos valores numéricos de cada fator. Essas funções são chamadas de Funções de Pertinência. Através destas funções, o especialista ou uma equipe passa sua avaliação abstrata ao sistema, ponderando valores de acordo com sua personalidade (agressividade, conservadorismo, positivismo ou pessimismo). Um exemplo de definição destas funções está esquematizada a seguir, onde o grau de pertinência varia de a, enquanto x (tempo de retorno) varia entre (inclusive) e maior que 25 e : se x < 5 Pequeno (x) = -,2x + 2 se 5 x se x > se x < 5,2x - se 5 x < Médio (x) = se x < 2 -,2x + 5 se 2 x < 25 se x > 25 se x < 2 Grande (x) =,2x - 4 se 2 x < 25 se x > 25 5
6 Graficamente teremos: Tempo de retorno (anos ) Figura 3 - Funções de pertinência para o Tempo de Retorno Logo, um determinado valor numérico para o critério Tempo de Retorno será expresso por um número fuzzy do tipo: Tempo de Retorno (x) = x[pequeno(x); Médio(x); Grande(x)] Este número aparece no formato de um vetor onde x é o valor numérico do critério e entre parênteses estão os graus de pertinência deste valor em relação a escala de avaliação relativa. A terceira etapa consiste em definir a estratégia da análise de investimentos, isto é, estabelecer regras para a tomada de decisões com base nas classificações de cada critério. Esta é a Base de Conhecimento do Sistema Especialista. Um exemplo desta definição está expresso a seguir: Tabela 3 - Exemplo Estratégia da Empresa em forma de Base de Conhecimento CRITÉRIOS AÇÃO MC Global Otim. de Rec. MC Unitária Util. De Rec. TIR Tempo Retorno Avaliação da Alternativa BAIXO GRANDE PEQUENO RUIM MÉDIO BAIXA BOA GRANDE BAIXA BOA MÉDIO MUITO BAIXA ÓTIMA PEQUENO Cada linha da tabela anterior define uma combinação de critérios e sua avaliação. A quarta e última etapa combina os valores fuzzy dos critérios de acordo com a Base de Conhecimento, com o intuito principal de calcular os graus de pertinência para cada Ação. 6
7 As regras são formadas por n Critérios. Cada um deles têm os graus de pertinência para cada classificação. Para uma regra do tipo Se C = baixo E C 2 = regular E C 3 =grande...e C n = pequeno Então Ação =ruim O grau de pertinência da Ação é igual ao menor grau de pertinência dos critérios. Esta técnica é uma das diversas existentes e foi escolhida com a justificativa de simplificar os cálculos sem perder a essência e a eficácia do processo. Por exemplo, a tabela abaixo expressa, para uma determinada opção de investimento onde seus critérios estão traduzidos em números fuzzy. Tabela 3-- Exemplo de análise de critérios CRITÉRIOS AÇÃO MC Global Otim. de Rec. MC Unitária Util. De Rec. TIR Retorno Avaliação da Alternativa 5% 25% 2,5% 2,4% 3,9% 7 anos BAIXO,7 GRANDE,22 PEQUENO RUIM,7,22 MÉDIO,4,7 POUCA BOA,78 GRANDE,6,6,3 POUCA BOA,78 MÉDIO,4 MUITO,3,3 POUCA ÓTIMA PEQUENO Fonte: Os autores A tabela está dividida da seguinte forma: cada coluna representa um critério e cada linha é a combinação das avaliações de cada critério. A coluna da direita expressa a ação a ser tomada para cada combinação de avaliações. Na primeira linha estão os valores numéricos de cada critério. Em cada célula, junto à avaliação, estão expressos os graus de pertinência dos valores numéricos em relação a avaliação. Para os critérios, estes graus de pertinência são resultados da função de pertinência adequada. O cálculo dos graus de pertinência para as ações é chamado de inferência e pode ser efetuado de diversas maneiras. O método escolhido neste exemplo é o do mínimo valor, ou seja, o grau de pertinência da ação será o menor grau de pertinência dos critérios envolvidos na regra. Com base nestes resultados, podemos afirmar que a alternativa em análise é classificada como uma boa opção, uma vez que o grau de pertinência desta avaliação é o maior entre os demais. 4 Conclusões Como foi apresentado anteriormente, a estratégia da empresa depende dos critérios que ela julga relevantes para a análise. Esta característica torna a metodologia ainda mais flexível. Em verdade, o sistema desenvolvido para concretizar este trabalho justifica a afirmação. Depois de definirmos os módulos e o fluxo de dados, e em seguida, construirmos o protótipo, seremos capazes de analisar as alternativas de investimento com base em qualquer posicionamento estratégico, levando em consideração quaisquer critérios. É claro que a metodologia proposta não se trata de uma panacéia para a área de tomada de decisões relativas a análises de investimentos, mas pode se tornar uma ferramenta poderosa e essencial mediante a flexibilidade e a capacidade de absorver valores semânticos. 7
8 Um outro ponto forte na metodologia proposta é o de que, apesar de estar coberta por fundamentos estatísticos complexos, trata-se de uma metodologia simples e de fácil entendimento. 5 Bibliografia CASAROTTO Filho, Nélson e KOPITTKE, Bruno Hartmut, Análise de Investimentos, Manuais Vértices, 985. KANDEL, Abraham,, Fuzzy Expert Systems, CRC Press, Boca Raton Ann Arbor London Tokyo, 996. MARTINEZ Jr., Luiz Carlos, Documento de Pré-qualificação ao Mestrado em Engenharia de Produção; Departamento de Engenharia de Produção USP, 999. SILER, William, PhD Birmingham, Califórnia, Prentice-Hall International, Inc., 995. ZADEH, L.A., Fuzzy Sets Information and Control,, 965. ZADEH, L.A., Outline of a New Approach to the Analysis of Complex Systems and Decision processes. IEEE Transactions on Systems, Man and Cybernetics, SMC-3,
LÓGICA 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 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 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 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 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 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 maisA lógica Fuzzy e a análise de alternativas de investimento
A lógica Fuzzy e a análise de alternativas de investimento Data de recebimento: 16/01/2007 Data de aprovação: 13/02/2007 Reinaldo Pacheco da Costa (USP-SP) rpcosta@usp.br Rua Prof. Campos de Almeida, 101
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 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 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 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 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 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 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 maisFuzzy Logic. (Lógica Difusa) Adriano Zanette Eduardo Aquiles Radanovitsck William Wolmann Gonçalves
Fuzzy Logic (Lógica Difusa) Adriano Zanette Eduardo Aquiles Radanovitsck William Wolmann Gonçalves Apresentação realizada para a disciplina de Lógica para Computação 2006/2 Prof. Marcus Ritt Breve história
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 maisAPLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de
Leia maisImprecise Reasoning in Geographic Information Systems. Rodrigo Smarzaro da Silva DCC889 TBD Bancos de Dados Geográficos
Imprecise Reasoning in Geographic Information Systems Rodrigo Smarzaro da Silva DCC889 TBD Bancos de Dados Geográficos Introdução Fazemos escolhas espaciais o tempo todo(conscientes ou não) Escolhas geralmente
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 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 maisEtapas do desenvolvimento de um sistema fuzzy gerencial para apoio à eficiência energética
Etapas do desenvolvimento de um sistema fuzzy gerencial para apoio à eficiência energética Fernando de Lima Caneppele 1, Odivaldo José Seraphim 2, Luís Roberto Almeida Gabriel Filho 3 1 Faculdade de Zootecnia
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE CIÊNCIA DA COMPUTAÇÃO CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE CIÊNCIA DA COMPUTAÇÃO CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO LIN YU HAN RENAN RISSÁ FRANCO LÓGICA FUZZY RELATÓRIO PONTA GROSSA
Leia maisCONSTRUÇÃO DE FUNÇÕES DE PERTINÊNCIA PARA CONTROLADORES LÓGICOS DIFUSOS VIA ALGORITMOS GENÉTICOS
I SBAI - UNESP - Rio. Claro/SP - Brasil CONSTRUÇÃO DE FUNÇÕES DE PERTINÊNCIA PARA CONTROLADORES LÓGICOS DIFUSOS VIA ALGORITMOS GENÉTICOS ARAN B. TCHOLAKlAN STANGE E-MAIL: EPS3ABC AT BRUFSe.BITNET Prof.
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 maisLógica dos Conjuntos Difusos (Fuzzy Sets)
Lógica dos Conjuntos Difusos (Fuzzy Sets) Uma aula dada por: Francisco Andrade (ei05013@fe.up.pt) José Santos (ei05038@fe.up.pt) Luís Carneiro (ei05045@fe.up.pt) Ricardo Paulo (ei05067@fe.up.pt) Conteúdos
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisTeoria dos Conjuntos Fuzzy
Teoria dos Conjuntos Fuzzy Francisco Carpegiani Medeiros Borges Universidade Federal do Piauí Campus Parnaíba 27 de setembro de 2011 1 / 34 Sumário Como tudo começou! 1 Como tudo começou! 2 3 4 5 6 2 /
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 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 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 maisRequisitos de Software
Requisitos de Software Engenharia de requisitos Estabelece os serviços que o cliente requer de um sistema e as restrições sob as quais tal sistema operará e será desenvolvido. Tais serviços e restrições
Leia mais19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS Autor(es) ANDRE DE ANDRADE BINDILATTI Orientador(es) ANDERSON BERGAMO, ANA ESTELA
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 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 maisIntrodução. A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado.
Introdução A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado. Iniciou-se já na época da Grécia antiga, onde foi desenvolvido o Distribuidor de Água em Delfos, o qual fornecia
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 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 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 maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
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 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 dos Conjuntos Difusos
Lógica dos Conjuntos Difusos Inteligência Artificial 8 de Abril de 2013 Filipe Oliveira ei10038@fe.up.pt Tiago Azevedo ei10090@fe.up.pt Conteúdo Introdução Contexto Histórico Definição de Conjunto Difuso
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 maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP034-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Variáveis Linguísticas) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Introdução Técnicas convencionais de análise de sistemas são inadequadas
Leia maisPrograma. 3. Características da lógica Fuzzy. 3.a Características gerais. 3.a Características gerais. 3.a Características gerais
Computação Fuzzy - PCS 5711 (capítulo 3 - Parte a) Pós-Graduação: área de Sistemas Digitais (341) Professor Marco Túlio Carvalho de Andrade PCS - Depto. de Enga. de Computação e Sistemas Digitais - EPUSP
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 maisCLASSIFICAÇÃO DE DIAGRAMAS UNIFILARES DE SUBESTAÇÕES ELÉTRICAS BASEADA EM SISTEMAS NEBULOSOS
CLASSIFICAÇÃO DE DIAGRAMAS UNIFILARES DE SUBESTAÇÕES ELÉTRICAS BASEADA EM SISTEMAS NEBULOSOS M. Sc. Daniel Gomes Ferrari Universidade Federal de Goiás. danielgferrari@uol.com.br Prof. Dr. Gelson da Cruz
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 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 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 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 maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia maisProf. Antonio Almeida de Barros Jr. Prof. Antonio Almeida de Barros Junior
Prof. Antonio Almeida de Barros Jr. Prof. Antonio Almeida de Barros Junior Meio pelo qual se pode indicar os passos que devem ser realizados pelo computador para resolver problemas; Através da linguagem,
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisInteligência Artificial. Lógica Fuzzy
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula I Introdução a Lógica Fuzzy Conceitos básicos Lógica clássica e lógica fuzzy
Leia maisAmbiente de Data Warehouse Para Imagens Médicas Baseado Em Similaridade
Universidade de São Paulo - USP Instituto de Ciências Matemáticas e de Computação - ICMC Programa de Pós-Graduação em Ciências da Computação e Matemática Computacional Ambiente de Data Warehouse Para Imagens
Leia maisCLASSIFICAÇÃO DE PROBLEMAS SEQÜENCIAIS DE MÚLTIPLOS ESTÁGIOS
Encontro Internacional de Produção Científica Cesumar 23 a 26 de outubro de 2007 CLASSIFICAÇÃO DE PROBLEMAS SEQÜENCIAIS DE MÚLTIPLOS ESTÁGIOS João Candido Bracarense 1, Juliano Rodrigo Lamb 2 RESUMO: A
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 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 maisTestes de software - Teste funcional
Testes de software - Teste funcional Vitor Alcântara de Almeida Universidade Federal do Rio Grande do Norte Natal, Brasil 30 de outubro de 2014 Alcântara (UFRN) Testes de software - Testes funcionais 30
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 maisDESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
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 maisMathematical Morphology An Overview
Universidade Federal Fluminense Instituto de Computação Mathematical Morphology An Overview Jacó Júlio de Souza Costa jacojulio@gmail.com jacojulio@id.uff.br March 29, 2019 Sumário 1 Definição do Tema
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisA TEORIA DE SISTEMA NEBULOSO E AS INFORMAÇÕES SUBJETIVAS DE CONFORTO AMBIENTAL
A TEORIA DE SISTEMA NEBULOSO E AS INFORMAÇÕES SUBJETIVAS DE CONFORTO AMBIENTAL L Y Cheng Universidade de São Paulo Dept. de Engenharia de Construção Civil Av. Prof. Almeida Prado, Trav. 2 No. 217, Cidade
Leia mais7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Leia maisLuís Roberto Almeida Gabriel Filho¹, Karen Yumi Sato¹, Nelson José Peruzzi²
Análise das Superfícies Geradas pelo Sistema Baseado em Regras Fuzzy de Avaliação do Risco de Segurança do Trânsito em Rodovias em relação às Condições e Fluxo da Rodovia, do Ambiente e da Velocidade do
Leia maisO Uso do Método Científico para a Avaliação de Evidências
V Seminário - A Filosofia das Origens Rio de Janeiro, Agosto de 2008 O Uso do Método Científico para a Avaliação de Evidências Prof. Eduardo F. Lütz O Uso do Método Científico para a Avaliação de Evidências
Leia maisSISTEMA BASEADO EM REGRAS FUZZY PARA AVALIAÇÃO DO GRAU DE SEGURANÇA NO TRÂNSITO
SISTEMA BASEADO EM REGRAS FUZZY PARA AVALIAÇÃO DO GRAU DE SEGURANÇA NO TRÂNSITO SYSTEM BASED IN FUZZY RULES FOR EVALUATING THE DEGREE OF SAFETY IN ROAD Karen Yumi Sato, Luís Roberto Almeida Gabriel Filho,
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
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 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 maisADMINISTRAÇÃO GERAL. Gestão da Qualidade. Ferramentas da Qualidade Parte 3. Prof. Fábio Arruda
ADMINISTRAÇÃO GERAL Gestão da Qualidade Ferramentas da Qualidade Parte 3 Prof. Fábio Arruda 3- Diagrama de Causa e Efeito Quando tratamos especificamente do assunto processos, definimos produto como o
Leia maisCLASSIFICAÇÃO DE FORNECEDORES POR FUZZY LOGIC
CLASSIFICAÇÃO DE FORNECEDORES POR FUZZY LOGIC Rogério Atem de Carvalho, M.Sc. Professor do CEFET/Campos - Rua Dr. Siqueira 273, Pq. Dom Bosco, CEP 28030-130, Campos/RJ Aluno de Pós-Graduação em Engenharia
Leia maisNÚMEROS TRANSREAIS E LÓGICA EM DISCIPLINA OPTATIVA NA LICENCIATURA EM MATEMÁTICA
NÚMEROS TRANSREAIS E LÓGICA EM DISCIPLINA OPTATIVA NA LICENCIATURA EM MATEMÁTICA Autor: Caio Julio de Almeida Instituto Federal do Rio de Janeiro, campus Volta Redonda, caio.julio.de.almeida@gmail.com
Leia maisConteúdo da Apresentação
Extração de Regras Fuzzy para Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Motivação Método de Extração de Regras Fuzzy Classificação
Leia maisEstrutura de Dados Conceitos Iniciais
Engenharia de CONTROLE e AUTOMAÇÃO Estrutura de Dados Conceitos Iniciais Aula 01 DPEE 1038 Estrutura de Dados para Automação Curso de Engenharia de Controle e Automação Universidade Federal de Santa Maria
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 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 maisCOORDENAÇÃO DO CURSO DE ENGENHARIA ELÉTRICA DATAS DAS AVALIAÇÕES DO PERÍODO LETIVO 2017/1
I 1 PERÍODO Química Geral I 05/04/2017 07/06/2017 21/06/2017 28/06/2017 Cálculo I 06/04/2017 08/06/2017 22/06/2017 29/06/2017 Vetores e Geometria Analítica 11/04/2017 13/06/2017 20/06/2017 27/06/2017 Sociologia
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 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 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 maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisDisciplina: Introdução à Engenharia da Computação
Colegiado de Engenharia de Computação Disciplina: Introdução à Engenharia da Computação Aula 07 (semestre 2011.2) Prof. Rosalvo Ferreira de Oliveira Neto, M.Sc. rosalvo.oliveira@univasf.edu.br 2 Representação
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
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 maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisSistema Computacional
Algoritmos e Lógica de Programação Conceitos Básicos Abstração Reinaldo Gomes reinaldo@cefet-al.br O que é um? Integração de componentes atuando como uma entidade, com o propósito de processar dados, i.e.
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 maisALOCAÇÃO DE CUSTOS INDIRETOS POR MEIO DE UM SISTEMA DE INFERÊNCIA DIFUSA
ALOCAÇÃO DE CUSTOS INDIRETOS POR MEIO DE UM SISTEMA DE INFERÊNCIA DIFUSA Murillo Cavalleiro de Macedo Rodrigues (UEPA) cavalleiro04@hotmail.com Jose Alberto Silva de Sa (UEPA) josealbertosa@uepa.br Clever
Leia maisANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY
ANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY Adryano Fernandes Resende 1, Jackson Gonçalves Ernesto 2, Fábio Augusto Gentilin³ 1,2 Acadêmicos do Curso de Engenharia de
Leia maisSistemas Especialistas. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6)
Sistemas Especialistas Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Sistemas Baseados em Conhecimento Os Sistemas Especialistas (SE) e os Sistemas
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 mais