Inteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
|
|
- Moisés Alcântara Benevides
- 6 Há anos
- Visualizações:
Transcrição
1 Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC Lógica Nebulosa
2 A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic ) introduzida formalmente por Lotfi Zadeh em 965 para tratar do aspecto vago da informação Lida com conceitos com verdade parcial (imprecisão). Lógica clássica - declarações são verdadeiras (V) ou falsas (F). No sentido mais restrito - a lógica nebulosa é um sistema lógico, sendo uma extensão dos sistemas lógicos binários. No sentido mais amplo - a lógica nebulosa é a lógica baseada na teoria dos conjuntos nebulosos. O conceito básico na lógica nebulosa é o de uma variável lingüística, ou seja, uma variável cujos valores são palavras ou sentenças ao invés de números. 2
3 Representação de valores de pertinência intermediários entre os valores de verdade e falso da lógica clássica Possibilita a representação de conceitos imprecisos Aproxima o raciocínio humano ao da lógica executada pela máquina. Em Lógica Nebulosa, a verdade de uma declaração é um grau de pertencimento (pertinência). a declaração pode ser verdadeira e falsa ao mesmo tempo, mas com graus diferentes. O conceito de grau de pertencimento aplicado no problema do conjunto de pessoas altas anterior. Considerando,72 metros como limiar para o conjunto, Uma pessoa com,7 m é alta (verdade) com grau de 9% e como falsa com grau de %, por exemplo. 3
4 Exemplo: Considerando o universo de todas as pessoas que trabalham em uma empresa, deseja-se selecionar todas as pessoas altas. A:,79 m B:,68 m Sejam as alturas de C:,8 3 pessoas m A, B, C µ dadas por: ( Altura) Baixo Médio Alto µ ( Altura).8 Baixo Médio Alto,6 Altur a,7,79,8 [m] Conjunto Crisp de Altura.2,6,7,7 9,8 Conjunto Nebuloso de Altura Altura [m] Altura Baixo Médio Alto A,79 m B,75 m C,64 m Valor da função Característica no Conjunto Crisp Altura Baixo Médio Alto A,79 m.2.8 B,75 m.4.6 C,64 m.7.3 Valor da função de Pertinência do Conjunto Nebuloso 4
5 O grau de pertencimento de um objeto a um conjunto nebuloso é declarado por funções de pertencimento (ou de pertinência) que definem curvas em que cada ponto no espaço de entrada é mapeado em um valor de pertinência (ou grau de pertinência) que varia entre e. As funções podem ser de diversas naturezas e estão associadas à semântica desejada para um conceito. A implementação das funções pode ser realizada através de equações que definem triângulos, trapézios, Gaussianas, forma de S, sinos, etc. µ Exemplos: Definição de conjuntos nebulosos usando funções trapezoidais ( Altura).8 Baixo Médio Alto.2,6,7,7 9,8 Altura [m] Conjunto Nebuloso de Altura Jovem Meiaidade Idoso Idade 5
6 Lógica Nebulosa pode ser aplicada, na construção de sistemas especialistas para descrever conceitos imprecisos: ALTURA (alto, baixo); VELOCIDADE (rápido, lento); TAMANHO (grande, médio, pequeno); QUANTIDADE (muito, razoável, pouco); IDADE (jovem, velho). Considerando um conjunto nebuloso A, sua função de pertinência é definida como: µ ( x) : X A [,], x X X é o Universo de Discurso de todos os elementos, ou seja, o escopo da variável. O processo de atribuição de um grau de pertinência à variável é denominado de fuzificação ( fuzzyfication ). 6
7 Conjunto nebuloso discreto é representado associando-se cada elemento ao seu grau de pertinência. 2 n A = µ x + µ x + L+ µ A A 2 A x n = i=, n µ i A x i Conjunto nebuloso contínuo A = µ ( x) X A x Os operadores lógicos E (&), OU () e NÃO ( ) também se aplicam à lógica nebulosa. Os graus de pertinência nos extremos ( ou ) os operadores lógicos padrão se aplicam diretamente, a lógica nebulosa é considerada como um superconjunto da lógica clássica. 7
8 Normalmente, o operador E é implementado através de uma função de cálculo de valor mínimo; O operador OU é implementado por uma função de cálculo de valor máximo; O operador NÃO usa o complemento aditivo. Os três operadores também podem ser definidos de outras formas usando T-normas, para uma classe geral de operadores de intersecção, ou T-conormas, para uma classe geral de operadores de agregação para a união de conjuntos nebulosos. Os operadores também podem ser definidos de outras formas usando T-normas (classe geral de operadores de interseção), ou T-conormas (classe geral de operadores de agregação para a união) T-norma T-conorma Nome min( x, y) max( x, y) Zadeh x. y x + y xy Probabilistica max( x + y, ) min( x + y, ) Lukasiewicz xy x + y xy ( γ ) xy Hamacher ( γ > ) γ + ( γ )( x + y xy) ( γ ) xy x, se y = x, se y = Weber y, se x = y, se x =, se não, se não 8
9 Regras Nebulosas Se (premissa) então (conclusão) As regras nebulosas: Regra j: Se x é A j e... e x n é A nj então y é B j A nj e B j são conjuntos nebulosos. Sistemas baseados em lógica nebulosa. Base de Regras fuzificador Conj. nebulosos Entrada Nebulosa Máquina de Inferência Conj. nebulosos defuzificador Valores Numéricos Ação 9
10 Sistemas baseados em regras utilizando a lógica nebulosa. A interpretação das regras estabelecidas envolve: a) Fuzificação das entradas. São atribuídos valores de pertinência no intervalo [,] a todas as declarações nebulosas nos antecedentes das regras. Caso haja um único antecedente, seu grau de pertinência é considerado também como o grau de certeza (suporte) da regra. b) Aplicação de operadores nebulosos aos múltiplos antecedentes, o que resultará em um antecedente único com valor de pertinência no intervalo [,], que também será considerado como o grau de suporte da regra. c) Aplicação do método de implicação, que usa o grau de suporte de toda regra para obter o conjunto nebuloso de saída, ou seja, realiza a dedução. O conseqüente de uma regra nebulosa atribui um conjunto nebuloso à saída, representado por uma função de pertinência escolhida para indicar as qualidades do conseqüente. Se o antecedente é apenas parcialmente verdade (grau de pertinência < ), então o conjunto nebuloso de saída é truncado de acordo com o método de implicação.
11 Na lógica nebulosa a implicação faz uso de uma versão nebulosa de modus ponens, originalmente usado para obter B a partir de A & (A B). Tomando-se o fato de que A & (A B) (A & B) a versão nebulosa poderia ser: µ R (x,y) = min(µ A (x),µ B (y)), Conhecida como a Regra de Mamdani. Inferência nebulosa (ou modus ponens generalizado): Se x é A Então y é B Tem-se A* Então B*
12 Quando existem várias regras que envolvem a mesma variável, é necessário usar um método de agregação das conclusões implicadas por cada regra. Se x é A Então y é B Se x é A2 Então y é B2... Se x é An Então y é Bn Diferentes técnicas de agregação (Mamdani, Larsen, Lukasiewics etc.) produzem resultados ligeiramente diferentes. A escolha do método depende do comportamento desejado no sistema. Após o processo de agregação, cada variável de saída é representada por um conjunto nebuloso. 2
13 Mamdani O operador de implicação nebuloso de Mamdani proposto nos anos 97, é uma versão simplificada de Zadeh max-min. φ [ µ ( x ), µ ( y )] µ ( x) µ ( y ) c A B A B Um sistema que usa o modelo de inferência de Mamdani utiliza um defuzificador para gerar a saída do sistema. φ Interseção União Modelo de inferência de Mamdani Larsen O operador de implicação nebuloso produto aritmético. de Larsen usa o O modelo de Larsen utiliza o defuzificador para gerar a saída do sistema. Produto União Modelo de inferência de Larsen 3
14 Takagi e Sugeno Takagi e Sugeno usa as seguintes regras nebulosas se/então: Se x é F l e... e x n é Fl n, então yl =c l +cl x cl n x n F l i conjuntos nebulosos; c i parâmetros reais estimados; y l sistema de saída Esse modelo não precisa de defuzificador porque os valores de saída são crisp. Modelo de inferência de Takagi e Sugeno (Modelo de Interpolação ) As aplicações necessitam de uma saída na forma de um escalar, através da desfuzificação (adaptado do inglês Defuzzification ). Diferentes técnicas podem ser usadas para a desfuzificação de um conjunto nebuloso As mais usadas são o centro de gravidade, o centro de possibilidade máxima e o maior máximo. Este processo sempre implica em perda de informação. 4
15 Operadores de implicação Mamdani-Min Leste esquerda min IF direção is sul THEN trajetória is frente. sul frente min max 22, ,5 9 Sistemas baseados em lógica nebulosa. Controlador Nebuloso Base de Regras Valores Numéricos fuzificador Conj. Entrada nebulosos Nebulosa Máquina de Inferência Conj. nebulosos desfuzificador Ação de Controle sensor processo atuador 5
16 Problema de Navegação Autônoma Objetivo: Manter um veículo em movimento em uma trajetória desejada, sem intervenção de operadores externos.? Necessidades: - Obter informações do ambiente durante o movimento. - Replanejar a trajetória. Extração das Características A extração das características usa o operador gradiente 6
17 Operador gradiente usado em uma só direção (horizontal): (l,p-2) (l,p) (l,p+2) (l,p-) (l,p+) Faixa da Esquerda Variável faixa da esquerda: o Range foi ajustado para o vetor [-3 3]; foram adicionadas sete funções gaussianas; Faixa da esquerda muito a esquerda, parâmetros [2.25-3]; Faixa da esquerda médio a esquerda, parâmetros [2.25-2]; Faixa da esquerda pouco a esquerda, parâmetros [2.25 -]; Faixa da esquerda zero a esquerda, parâmetros [2.25 ]; Faixa da esquerda pouco a direita, parâmetros [2.25 ]; Faixa da esquerda médio a direita, parâmetros [2.25 2]; Faixa da esquerda muito a direita, parâmetros [2.25 3]; 7
18 Faixa da Direita Variável faixa da direita: o Range foi ajustado para o vetor [-3 3]; foram adicionadas sete funções gaussianas; Faixa da direita muito a esquerda, parâmetros [2.25-3]; Faixa da direita médio a esquerda, parâmetros [2.25-2]; Faixa da direita pouco a esquerda, parâmetros [2.25 -]; Faixa da direita zero, parâmetros [2.25 ]; Faixa da direita pouco a direita, parâmetros [2.25 ]; Faixa da direita médio a direita, parâmetros [2.25 2]; Faixa da direita muito a direita, parâmetros [2.25 3]; Variável Saída: o Range foi ajustado para o vetor [-3 3]; foram adicionadas sete funções gaussianas; Saída muito a esquerda, parâmetros [ ]; Saída médio a esquerda, parâmetros [ ]; Saída pouco a esquerda, parâmetros [ ]; Saída zero, parâmetros [ ]; Saída pouco a direita, parâmetros [ ]; Saída médio a direita, parâmetros [ ]; Saída muito a direita, parâmetros [ ]; 8
19 Exemplos de regras para o sistema real: -Se (faixa da esquerda está muito a esquerda) e (faixa da direita está muito a esquerda) então (saída é muito a esquerda); -Se (faixa da esquerda está médio a esquerda) e (faixa da direita está médio a esquerda) então (saída é médio a esquerda); -Se (faixa da esquerda está pouco a esquerda) e (faixa da direita está pouco a esquerda) então (saída é pouco a esquerda); Faixa da Esquerda Faixa da Direita 9
Conteúdo: 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 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 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 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 maisInteligência Computacional
Inteligência Computacional CP78D Lógica Fuzzy Aula 4 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/37 Lógica Clássica Plano de Aula
Leia maisLógica Nebulosa (Fuzzy)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Lógica Nebulosa (Fuzzy) Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisInteligência Artificial
DSC/CCT/UFC Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Lógica Fuzzy) Prof.
Leia maisConteúdo: 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisIntrodução à Lógica Nebulosa
Distancia Angulo Gerador de Sinal Controlador Nebuloso Osciloscópio 2.141e-016 Display Introdução à Lógica Nebulosa Álvaro Guarda Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade
Leia 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: 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 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 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 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 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 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 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 maisConhecimento e Raciocínio Incertos
Conhecimento e Raciocínio Incertos Aula #6.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã Seres humanos são capazes de lidar com processos bem complexos 2 Seres humanos
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 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 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 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 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 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 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 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 maisConjuntos e Relações Nebulosas (Fuzzy)
Conjuntos e Relações Nebulosas (Fuzzy) Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Operações Básicas Para sistemas que usam
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL LÓGICA FUZZY (ou NEBULOSA) Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com O que é? Técnica inteligente que tem como objetivo modelar o modo aproimado de raciocínio, imitando
Leia 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 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 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 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 mais17/4/2007. Prof. Dr. Alexandre da Silva Simões. Introdução Apresentação da lógica Fuzzy
7/4/27 ula - Conjuntos clássicos e conjuntos Fuzzy Prof. Dr. lexandre da Silva Simões Toda lógica tradicional habitualmente assume que símbolos precisos estão sendo empregados. Elas portanto não são aplicáveis
Leia maisLógica 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 maisLógica Fuzzy 7.1 INTRODUÇÃO
7 Lógica Fuzzy Ser ou não ser: esta é a questão. (William Shakespeare, Hamlet) 7.1 INTRODUÇÃO Usamos, no cotidiano, conceitos subjetivos para classificar ou considerar certas situações tais como : - Siga
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 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 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 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 maisAula 15 Introdução à lógica fuzzy
Organização Aula 5 Introdução à lógica fuzzy Prof. Dr. Alexandre da Silva Simões Introdução à teoria de conjuntos nebulosos Bivalência x multivalência Números fuzzy Conjuntos fuzzy Probabilidade e possibilidade
Leia maisLógica Fuzzy. 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 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 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 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 maisRedes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
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 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 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 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 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 maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC
Inteligência Artificial Escola de Verão 2008 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Sistemas Especialistas e Representação do Conhecimento Sistema
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 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 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 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 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 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 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 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 mais3 ANÁLISE DE RISCO MEDIANTE A LÓGICA FUZZY
3 ANÁLISE DE RISCO MEDIANTE A LÓGICA FUZZY A análise do Risco é influenciada tanto por fatores qualitativos como quantitativos. Isto sugere que a metodologia que avalie o Risco deve ser capaz de manipular
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 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 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 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 maisHistórico da Lógica Fuzzy
Histórico da Lógica Fuzzy Lógica Fuzzy Huei Diana Lee e Newton Spolaôr Artigo de Lofti A. Zadeh Universidade da Califórnia em Berkley, EUA, 1965 Ruptura com a Lógica Aristotélica Universidade Estadual
Leia maisImplementação de um Controlador Fuzzy para um Sistema de Controle de Nível
Implementação de um Controlador Fuzzy para um Sistema de Controle de Nível 1 IFPB. e-mail: josue.souza@cear.ufpb.br 2 IFRN. e-mail: jlopes0@gmail.com Josué da Silva Souza 1, José Soares Batista Lopes 2
Leia maisImplementando um controlador difuso para ajuste de condução da bola do Agente do MecaTeam
Implementando um controlador difuso para ajuste de condução da bola do Agente do MecaTeam Orivaldo Vieira Santana Júnior e Robson Rodrigo Tenório Gonzaga 1 Universidade Federal da Bahia (UFBA) Departamento
Leia mais