Conteúdo: Hedges Relações e Composições
|
|
- Manoel Coimbra
- 5 Há anos
- Visualizações:
Transcrição
1 Conteúdo: Hedges Relações e Composições
2 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. O hedge (limita) por condições ou exceções: Variável linguística(substantivo): Velocidade Etiqueta ou Estado ou label (adjetivo): baixa, média, alta Hedge (advérbio): pouco, muito, quase
3 Hedges: Operadores semânticos Classes de Hedges: Concentradores: muito, extremamente. Diluidores: pouco, levemente, mais ou menos. Complemento: não. Aproximadores: em torno, aproximadamente, perto de. Restrição de uma região fuzzy: abaixo de, acima de. Contraste: positivamente, geralmente.
4 Hedges: Operadores semânticos Da mesma forma que os advérbio e adjetivos, a ordem do hedge é importante: Não muito Alto Muito não Alto Múltiplos hedges podem ser aplicados a um único conjunto fuzzy Positivamente não muito Alto Múltiplos hedges Conjunto fuzzy
5 Hedges: Operadores semânticos O processamento dos hedges é de forma análoga à linguagem Positivamente não muito Alto (Positivamente (não (muito Alto)))
6 Hedges: Operadores semânticos Hedges podem ser usados no antecedente (premissas) e/ou no consequente (ação) Se custos são muito Altos Então as margens são Baixas Se pressão (t-1) é muito Baixa e pressão (t) é Alta Então incrementar aproximadamente Zero
7 Hedges: Concentradores Reduzem o espaço dos candidatos que pertencem ao conjunto fuzzy Muito, Extremamente μ A x μ MUITO A x Concentradores de Zadeh μ MUITO A x = μ A (x) 2 μ CONC A x = μ A (x) n, n 1,4
8 Exemplo 1: Hedges: Concentradores
9 Hedges: Concentradores Exemplo 2: Muito de Meia-Idade Meia-Idade
10 Hedges: Diluidores Diluem a função de pertinência para uma certa região fuzzy Um pouco, Levemente μ A x μ UM POUCO A x Contrariamente aos intensificadores, esses hedges devem ter valor de pertinência maior que a função básica.
11 Hedges: Diluidores Diluidores de Zadeh μ UM POUCO A x = μ A (x) 1/2 μ DILUIDOR A x = μ A (x) 1/n, n 1,8
12 Hedges: Diluidores Exemplo 1 Levemente Alto n=1/3 Um pouco Alto n=1/2 Para se obter o mesmo valor de (x) o elemento do domínio deve estar mais à esquerda Alto
13 Exemplo 2 Hedges: Diluidores
14 Hedges Concentradores e Diluidores Possuem o mesmo suporte que o conjunto original Mesmo valor no domínio para (x) = 0 e (x) = 1 Muito e Um pouco são os únicos hedges comutativos.
15 Complemento Hedges: Complemento
16 Complemento Hedges: Complemento
17 Hedges: Aproximadores Alargam ou estreitam uma região fuzzy (tipo sino) Transformam valores escalares em regiões fuzzy Em torno de, Aproximadamente, Perto de
18 Alargando Hedges: Aproximadores
19 Estreitando Hedges: Aproximadores
20 Hedges: Aproximadores Transformando em Número Fuzzy
21 Hedges: Restrição de uma região fuzzy Restringem o escopo da função de pertinência Acima de, Abaixo de
22 Hedges: Restrição de uma região fuzzy Acima: Somente aplicável a funções que diminuam conforme se mova o domínio da esquerda para a direita
23 Hedges: Restrição de uma região fuzzy Abaixo: Somente aplicável a funções que aumentem conforme se mova no domínio da esquerda para a direita.
24 Hedges: Contraste Muda a natureza da região fuzzy Positivamente ou Definitivamente: torna o conjunto menos fuzzy. Geralmente: torna o conjunto mais fuzzy.
25 Hedges: Contraste Positivamente: diminui a fuziness (DF). Fórmula de Zadeh μ DF A x = 2 μ A (x) 2 se μ A (x) {1 μ A x 2 } se μ A x < 0.5
26 Hedges: Contraste Muda a função aumentando os (x) acima de 0,5 e diminuindo os (x) abaixo de 0,5.
27 Hedges: Contraste Geralmente: aumenta a fuziness (AF). Fórmula de Zadeh μ AF A x = 0.5 μ A (x) 1/2 se μ A (x) {1 μ A x 1/2 } se μ A x < 0.5
28 Hedges: Contraste Muda a função reduzindo os (x) acima de 0,5 e aumentando os (x) abaixo de 0,5.
29 Relações Crisp no mesmo espaço Relação Crisp Representa a presença ou ausência de associação, interação ou interconectividade entre elementos de dois ou mais conjuntos Relações binárias: são relações que envolvem dois conjuntos.
30 Relações Crisp no mesmo espaço Relação Crisp Sejam os conjuntos, U e V. O produto cartesiano desses conjuntos é: U V = {(x, y)/x ε U e y ε V}. Uma relação R(U, V) é um subconjunto de U V que pode ser definido como: μ R (x, y) = 1 se e somente se x, y R(U, V) 0 caso contrário Uma relação também é um conjunto e todas as operações de conjuntos crisp podem ser aplicadas.
31 Relações Crisp no mesmo espaço Exemplo: Sejam os conjuntos: U = {todos os sistemas contínuos de 2ª ordem} e V = {todos os polos dos sistemas contínuos de 2ª ordem} O produto cartesiano desses conjuntos esta dado por: U V = x, y x ε U e y ε V} Seja R uma relação que representa a relação de estabilidade entre o conjunto de todos os sistemas contínuos lineares de 2ª ordem e o conjunto de polos de tais sistemas. R é um subconjunto de U V.
32 Relações Crisp no mesmo espaço Suponha que: U = {x 1, x 2 } = {sistema 2ª ordem LVT, sistema de 2ª ordem LIT} V = {y 1, y 2, y 3 } = {pólo no lado esquerdo do plano s, pólo no eixo imaginário, pólo no lado direito do plano s} Então: R = { x 2, y 1, (x 2, y 2 )} = {(sistema de 2ª ordem LIT,pólo no lado esquerdo do plano s),(sistema de 2ª ordem LIT,pólo no eixo imaginário)} LVT: linear variante no tempo LIT: linear invariante no tempo
33 Relações Crisp no mesmo espaço R = { x 2, y 1, (x 2, y 2 )} = {(sistema de 2ª ordem LIT,polo lado esquerdo),(sistema de 2ª ordem LIT,polo eixo imaginário)} Matriz relacional Diagrama sagital y 1 y 2 y 3 x x x 1 x 2 y 1 y 2 y 3
34 Relações Fuzzy no mesmo espaço Relação Fuzzy: Representa a presença ou ausência de associação, interação ou interconectividade entre elementos de dois ou mais conjuntos fuzzy Exemplos: x é muito maior que y x é mais alto que y x é menos frio que y
35 Relações Crisp no mesmo espaço Relação Fuzzy Seja U V o produto cartesiano de 2 conjuntos fuzzy U e V. R(U, V) é um subconjunto fuzzy no espaço U V que pode ser definido como: Isto é: μ R x, y, onde x ε U e y ε V. R U, V = {[ x, y, μ R (x, y)]/ (x, y)ε U V A relação fuzzy também é um conjunto fuzzy, as operações com essas relações podem ser definidas utilizando os operadores: União, Interseção e Complemento.
36 Relações Crisp no mesmo espaço Exemplo: Sejam os conjuntos U = {R} e V = {R} E seja a relação fuzzy o valor de x é perto do valor de y, com x ε U e y ε V, supondo que o maior valor da diferença entre x e y é 5, a relação pode ser representada como: μ Perto x, y, = máx 5 x y 5, 0
37 Composições Fuzzy no mesmo espaço Sejam R x, y e S x, y duas relações fuzzy no espaço U V a interseção e união de R e S, isto é, as composições dessas duas relações definem-se como: μ R S x, y μ R S x, y = μ R (x, y) μ S (x, y) = μ R (x, y) μ S (x, y) Onde é qualquer t-norm e é qualquer t-conorm.
38 Composições Fuzzy no mesmo espaço Exemplo: Considere a afirmação: x é muito maior que y e y é muito próximo de x A afirmação não é verossímil! Para estabelecer uma função de pertinência para essa afirmação, deve-se observar e proceder como segue: A afirmação é uma composição de duas relações x é muito maior que y e y é muito próximo de x. As duas relações pertencem ao mesmo espaço U V. Criar funções de pertinência para cada relação: μ MM x, y e μ MP y, x. Obter μ MM MP x, y usando um t-norm adequado.
39 Composições Fuzzy no mesmo espaço Exemplo: Suponha que as as relações μ MM e μ MP estão representadas pelas matrizes abaixo, com U = x 1, x 2, x 3 e V = {y 1, y 2, y 3, y 4 }. Na matriz do lado direito apresenta-se a composição dessas relações. μ MM x, y = μ MP y, x = y 1 y 2 y 3 y 4 x x x x 1 x 2 x 3 y y y y μ MM x, y μ MP y, x y 1 y 2 y 3 y 4 x x x A maioria dos graus de pertinência são menores que 0.5, isto significa que a afirmação é pouco verossímil.
40 Composições Crisp em espaços diferentes Sejam P(U, V) e Q(V, W) duas relações crisp nos espaços U V e V W respectivamente. Composição R(U, W) das relações crisp P e Q é: R(U, W) = P(U, V) Q(V, W)
41 Composições Crisp em espaços diferentes R(U, W) = P(U, V) Q(V, W) Onde R(U, W) é um subconjunto de U W tal que: x, z R U, W se e somente se y V / x, y P e y, z Q
42 Composições Crisp em espaços diferentes Na composição crisp, o cálculo de cada elemento é obtido através do produto booleano das matrizes P(U, V) e Q(V, W). Onde: Cada multiplicação ou e booleano é tratado como o mínimo ou produto Cada soma ou ou booleano é tratado como o máximo. μ P Q x, z = { x, z, máx y [mín(μ P x, y, μ Q y, z )]} μ P Q x, z = { x, z, máx y [μ P x, y μ Q y, z ]}
43 Composições Crisp em espaços diferentes P(U,V) Q(V,W) x 1 x 2 x 3 y 1 y 2 y 3 y 4 z 1 z 2 z 3 z 4 R(U,W)=P(U,V) Q(V,W) z 1 x 1 x 2 x 3 z 2 z 3 z 4
44 Composições Crisp em espaços diferentes
45 Composições Fuzzy em espaços diferentes A composição de duas relações fuzzy P(U, V) e Q(V, W) é análoga ao caso crisp, exceto que no caso fuzzy os conjuntos são conjuntos fuzzy com: μ P x, y ε 0,1 μ Q y, z ε 0,1
46 Composições Fuzzy em espaços diferentes De modo similar à composição crisp, a composição fuzzy pode ser calculada como: Onde: μ P Q (x, z) = sup[μ P x, y μ Q y, z ] y V é uma composição sup-star e é um t-norm. P e Q possuem universos de discurso discretos e podem ser representados por um diagrama sagital ou uma matriz relacional.
47 Composições Fuzzy em espaços diferentes Exemplo: U = {x 1, x 2, x 3 } V = {y 1, y 2, y 3, y 4 } W = {z 1, z 2, z 3 } E as matrizes relacionais μ MM x, y e μ MP y, z x é muito maior que y E y é muito próximo de z μ MM x, y μ MP y, z μ MM MP x, z =? μ MM x, y = y 1 y 2 y 3 y 4 x x x μ MP y, z = z 1 z 2 z 3 y y y y
48 Composições Fuzzy em espaços diferentes As composições máx-mín e máx-produto são obtidas como segue: Máx{Mín[μ MM x, y, μ MP y, z ]} Máx{μ MM x, y μ MP y, z } z 1 z 2 z 3 x x x z 1 z 2 z 3 x x x No caso crisp, os resultados são os mesmos se for o máx-mín ou o máx-produto. Já no caso fuzzy os resultados são diferentes. Esta é uma diferença entre o crisp e o fuzzy para composição de relações em espaços diferentes.
49 Composições Fuzzy em espaços diferentes
50 Composições Fuzzy em espaços diferentes Caso particular: Relação Fuzzy P é apenas um conjunto fuzzy: μ P x, y = μ P x U = V
51 Composições Fuzzy em espaços diferentes
52 Composições Fuzzy em espaços diferentes
53 Composições Fuzzy em espaços diferentes
CONJUNTOS 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: 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 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 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 maisCONTEÚDO. Relações e Composições. Relações e Composições. Relações e Composições. O que é inferência?
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Deinição, Características e Formas de Imprecisão Conjuntos Fu ropriedades, Formas de epresentação e Operações Lógica Fu elações, Composições,
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 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 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 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 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 maisCONTEÚDO. Relações e Composições. Relações e Composições. Relações e Composições. O que é inferência?
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Deinição, Características e Formas de Imprecisão Conjuntos Fu ropriedades, Formas de epresentação e Operações Lógica Fu elações, Composições,
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 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 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 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 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 maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I Conjuntos Difusos Relações Difusas Prof. Volmir Wilhelm Curitiba Paraná rasil s relações são associações entre elementos de dois ou mais conjuntos. Se o
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 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 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 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 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 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 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 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 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 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 maisFUZZYCOM COMPONENTE DE LÓGICA FUZZY
FUZZYCOM COMPONENTE DE LÓGICA FUZZY Aluno: Cláudio Magno Martins Moraes Orientador: Marley Vellasco Sumário 1. Introdução... 3 2. Uma Introdução à Lógica Fuzzy... 3 2.1. Sistemas Fuzzy... 3 2.2. Características
Leia 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 maisLógica Fuzzy. Plano de aula. Motivação Fundamentação Teórica Sistemas Difusos (aplicações) Estudo de Caso Considerações Finais
LÓGICA FUZZY 1 Plano de aula Motivação Fundamentação Teórica Sistemas Difusos (aplicações) Estudo de Caso Considerações Finais 2 Motivação: Grau de Crença vs. Grau de Verdade Grau de crença: População
Leia 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 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 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 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 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 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 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 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 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 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 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 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 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 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 mais1.2 Axioma do Supremo
1.2 Axioma do Supremo EXERCÍCIOS RESOLVIDOS 1. Verifique que se n N é ímpar, então n 2 é também ímpar. O que pode concluir de n N sabendo que n 2 é par? RESOLUÇÃO Seja n N ímpar, com n = 2k+1, para algum
Leia maisRedes Neurais e Sistemas Fuzzy
Sistema de Inferência Fuzzy Redes Neurais e Sistemas Fuzzy Conceitos Básicos dos Conjuntos Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC). A Base
Leia 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 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 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 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 maisPaulo Eduardo Maciel de Almeida Alexandre Gonçalves Evsukoff
CAPÍTULO 7 Sistemas Fuzzy Paulo Eduardo Maciel de Almeida Alexandre Gonçalves Evsukoff My crystal ball is Fuzzy Lotfi Zadeh (quando perguntado sobre o futuro após a criação da lógica fuzzy) O termo em
Leia maisP2 de Álgebra Linear I Data: 10 de outubro de Gabarito
P2 de Álgebra Linear I 2005.2 Data: 10 de outubro de 2005. Gabarito 1 Decida se cada afirmação a seguir é verdadeira ou falsa. Itens V F N 1.a F 1.b V 1.c V 1.d F 1.e V 1.a Considere duas bases β e γ de
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 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 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 maisCálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Texto de apoio às aulas. Amélia Bastos, António Bravo Dezembro 2010 Capítulo 1 Números reais As propriedades do conjunto dos números reais têm por base um conjunto restrito
Leia maisSeleção de um modelo. Cálculo da carga axial. Fa3= μ mg + f mα 19. Fa4= mg f mα 26 Fa5= mg f 27 Fa6= mg f + mα 28. Fa3= mg + f mα 25.
Cálculo da carga axial Em montagens horizontais Com sistemas de transporte comuns, a carga axial (Fa n ) aplicada ao alternar o trabalho para a direção horizontal é obtida na equação abaixo. Fa1= μ mg
Leia maisFatores de Certeza e Teoria da Evidência
Fatores de Certeza e Teoria da Evidência Incerteza Pode ser considerada como a falta de informação para tomar uma decisão. Há uma dúvida que não permite ter uma resposta binária: sim ou não. Havendo dúvida,
Leia 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 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 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 maissumário 1 introdução e conceitos básicos 1 2 noções de lógica e técnicas de demonstração introdução à matemática discreta...
sumário 1 introdução e conceitos básicos 1 1.1 introdução à matemática discreta... 2 1.2 conceitos básicos de teoria dos conjuntos... 3 1.2.1 conjuntos...3 1.2.2 pertinência...5 1.2.3 alguns conjuntos
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
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 maisTeoria Elementar dos Conjuntos
Teoria Elementar dos Conjuntos Última revisão em 27 de fevereiro de 2009 Este texto é uma breve revisão sobre teoria elementar dos conjuntos. Em particular, importam-nos os aspectos algébricos no estudo
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 Números Reais. 1. Simplifique as seguintes expressões (definidas nos respectivos domínios): b) x+1. d) x 2, f) 4 x 4 2 x, g) 2 x2 (2 x ) 2, h)
Números Reais. Simplifique as seguintes expressões (definidas nos respectivos domínios): x a), x b) x+ +, x c) +x + x +x, d) x, e) ( x ), f) 4 x 4 x, g) x ( x ), h) 3 x 6 x, i) x x +, j) x x+ x, k) log
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. 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 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 mais1 Operações com conjuntos
Notas sobre Conjuntos (2) Anjolina Grisi de Oliveira 1 Operações com conjuntos Definição 1 (União) Sejam A e B dois conjuntos arbitrários. A união dos conjuntos A e B, denotada por A B, é o conjunto que
Leia maisAnálise e Processamento de Bio-Sinais. Mestrado Integrado em Engenharia Biomédica. Sinais e Sistemas. Licenciatura em Engenharia Física
Análise e Processamento de Bio-Sinais Mestrado Integrado em Engenharia Biomédica Licenciatura em Engenharia Física Faculdade de Ciências e Tecnologia Slide 1 Slide 1 Sobre Modelos para SLIT s Introdução
Leia maisUniversidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar
Universidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar Prova Escrita Pós-Graduação em Modelagem e Métodos Quantitativos Nome: Inscrição
Leia maisConteúdo. Definições básicas;
Conteúdo Definições básicas; Caracterização de Sistemas Dinâmicos; Caracterização dinâmica de conversores cc-cc; Controle Clássico x Controle Moderno; Campus Sobral 2 Engenharia de Controle Definições
Leia maisÁlgebra Linear e Geometria Analítica Bacharelados e Engenharias Parte I - Matrizes
Álgebra Linear e Geometria Analítica Bacharelados e Engenharias Parte I - Matrizes Prof.a Tânia Preto Departamento Acadêmico de Matemática UTFPR - 2014 Importante Material desenvolvido a partir dos livros
Leia mais1.1 Propriedades básicas dos números reais, axiomática dos números reais.
I - Funções reais de variável real 1. Números Reais. 1.1 - Números naturais, números relativos, números racionais e números reais. De uma forma muito simples vamos recordar os números: Números Naturais
Leia maisSinais e Sistemas. Tempo para Sistemas Lineares Invariantes no Tempo. Representações em Domínio do. Profª Sandra Mara Torres Müller.
Sinais e Sistemas Representações em Domínio do Tempo para Sistemas Lineares Invariantes no Tempo Profª Sandra Mara Torres Müller Aula 7 Representações em Domínio do Tempo para Sistemas Lineares e Invariantes
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 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 maisTeoria Elementar dos Conjuntos
Teoria Elementar dos Conjuntos Este capítulo visa oferecer uma breve revisão sobre teoria elementar dos conjuntos. Além de conceitos básicos importantes em matemática, a sua imprtância reside no fato da
Leia maisNotas de Aula de Probabilidade A
I- CONCEITOS INICIAIS. 1.1- INTRODUÇÃO. PROBABILIDADE POPULAÇÃO AMOSTRA ESTATÍSTICA 1.2- CONJUNTOS. 1.2.1- DEFINIÇÃO. Conjunto é uma coleção de objetos chamados de elementos do conjunto. Em geral denota-se
Leia maisAulas práticas de Álgebra Linear
Ficha 3 Aulas práticas de Álgebra Linear Licenciatura em Engenharia Naval e Oceânica Mestrado Integrado em Engenharia Mecânica 1 o semestre 2018/19 Jorge Almeida e Lina Oliveira Departamento de Matemática,
Leia maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Princípio da Extensão) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Gráficos difusos Um gráfico difuso descreve um mapeamento funcional
Leia maisNotações e revisão de álgebra linear
Notações e revisão de álgebra linear Marina Andretta ICMC-USP 17 de agosto de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisPROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS
PROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO 1. Você recebeu do fiscal o seguinte material: (a) Este caderno, com o enunciado das 20 (vinte) questões
Leia maisEES-49/2012 Prova 1. Q1 Dado o seguinte conjunto de equações:
Q1 Dado o seguinte conjunto de equações: EES-49/2012 Prova 1 Onde: h C é o sinal de entrada do sistema; θ é o sinal de saída do sistema; T P é uma entrada de perturbação; T T, T R e h R são variáveis intermediárias;
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 maisÁlgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais
Álgebra Linear I - Aula 19 1. Bases Ortonormais e Matrizes Ortogonais. 2. Matrizes ortogonais 2 2. 3. Rotações em R 3. Roteiro 1 Bases Ortonormais e Matrizes Ortogonais 1.1 Bases ortogonais Lembre que
Leia maisLista de Exercícios da Primeira Semana Análise Real
Lista de Exercícios da Primeira Semana Análise Real Nesta lista, a n, b n, c n serão sempre sequências de números reais.. Mostre que todo conjunto ordenado com a propriedade do supremo possui a propriedade
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 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 maisAnálise de Sinais e Sistemas
Universidade Federal da Paraíba Departamento de Engenharia Elétrica Análise de Sinais e Sistemas Luciana Ribeiro Veloso luciana.veloso@dee.ufcg.edu.br ANÁLISE DE SINAIS E SISTEMAS Ementa: Sinais contínuos
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 maisANÁLISE DO MÉTODO DA RESPOSTA EM FREQÜÊNCIA
VIII- CAPÍTULO VIII ANÁLISE DO MÉTODO DA RESPOSTA EM FREQÜÊNCIA 8.- INTRODUÇÃO O método da resposta em freqüência, nada mais é que a observação da resposta de um sistema, para um sinal de entrada senoidal,
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 maisSumário. 2 Índice Remissivo 9
i Sumário 1 Teoria dos Conjuntos e Contagem 1 1.1 Teoria dos Conjuntos.................................. 1 1.1.1 Comparação entre conjuntos.......................... 2 1.1.2 União de conjuntos...............................
Leia maisCálculo diferencial de Funções de mais de uma variável
MATERIAL DIDÁTICO Professora Sílvia Victer CÁLCULO 2 Cálculo diferencial de Funções de mais de uma variável 1. Funções de mais de uma variável 2. Limites de funções de mais de uma variável 3. Continuidade
Leia maisA = B, isto é, todo elemento de A é também um elemento de B e todo elemento de B é também um elemento de A, ou usando o item anterior, A B e B A.
Capítulo 1 Números Reais 1.1 Conjuntos Numéricos Um conjunto é uma coleção de elementos. A relação básica entre um objeto e o conjunto é a relação de pertinência: quando um objeto x é um dos elementos
Leia mais