Conhecimento e Raciocínio Incertos

Transcrição

1 Conhecimento e Raciocínio Incertos Aula #6.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã

2 Seres humanos são capazes de lidar com processos bem complexos 2

3 Seres humanos são capazes de lidar com processos bem complexos Conhecimento tácito; 3

4 Seres humanos são capazes de lidar com processos bem complexos Conhecimento tácito; Experiência adquirida; 4

5 Seres humanos são capazes de lidar com processos bem complexos Conhecimento tácito; Experiência adquirida; O que queremos do ponto de vista de Inteligência Artificial??? 5

6 Seres humanos são capazes de lidar com processos bem complexos Conhecimento tácito; Experiência adquirida; O que queremos do ponto de vista de Inteligência Artificial??? Imitar operadores humanos! 6

7 Seres humanos são capazes de lidar com processos bem complexos Conhecimento tácito; Experiência adquirida; O que queremos do ponto de vista de Inteligência Artificial??? Imitar operadores humanos! Traduzir ações tomadas por especialistas; 7

8 Seres humanos são capazes de lidar com processos bem complexos Conhecimento tácito; Experiência adquirida; O que queremos do ponto de vista de Inteligência Artificial??? Imitar operadores humanos! Traduzir ações tomadas por especialistas; Incorporar este conhecimento em sistemas de controle. 8

9 Tomada de decisão no trânsito Um amigo está no volante! O carro está rápido demais, semáforo a frente! O carro está muito rápido, pise no freio! E se fosse um computador??? 9

10 Lenta Moderada Rápida x Velocidade 10

11 Termos Linguísticos Lenta Moderada Rápida x Velocidade 11

12 Termos Linguísticos Simbólico Lenta Moderada Rápida Numérico x Velocidade 12

13 Termos Linguísticos Simbólico Lenta Moderada Rápida Numérico x Velocidade Quais seriam as pertinências para cada conjunto fuzzy? 13

14 Regras Se-Então para controle do ar-condicionado SE temperatura = baixa, ENTÃO reduza o ar; SE temperatura = OK, ENTÃO não faça nada; SE temperatura = alta, ENTÃO aumente o ar. 14

15 Regras Se-Então para controle do ar-condicionado SE temperatura = baixa, ENTÃO reduza o ar; SE temperatura = OK, ENTÃO não faça nada; SE temperatura = alta, ENTÃO aumente o ar. Conjunto Fuzzy 15

16 Sistema Baseado em Conhecimento (SBC) Conjunto de regras (Se-Então); Raciocínio aproximado Proposições: 16

17 Sistema Baseado em Conhecimento (SBC) Conjunto de regras (Se-Então); Raciocínio aproximado Proposições: SE o tomate está muito vermelho ENTÃO o tomate está bem maduro 17

18 Sistema Baseado em Conhecimento (SBC) Conjunto de regras (Se-Então); Raciocínio aproximado Proposições: SE o tomate está muito vermelho ENTÃO o tomate está bem maduro Sistema de inferência fuzzy 18

19 Sistema Baseado em Conhecimento (SBC) Conjunto de regras (Se-Então); Raciocínio aproximado Proposições: SE o tomate está muito vermelho ENTÃO o tomate está bem maduro Sistema de inferência fuzzy Controladores Fuzzy 19

20 Mamdani: modelo tradicional para obter conclusões a partir de fatos e regras fuzzy [Mamdani & Assilian, 1975] 20

21 Mamdani: modelo tradicional para obter conclusões a partir de fatos e regras fuzzy [Mamdani & Assilian, 1975] Sistema de motor a vapor e caldeira baseado em um conjunto de regras de controle obtido a partir da experiência de operadores humanos. 21

22 Mamdani: modelo tradicional para obter conclusões a partir de fatos e regras fuzzy [Mamdani & Assilian, 1975] Sistema de motor a vapor e caldeira baseado em um conjunto de regras de controle obtido a partir da experiência de operadores humanos. Controlar a pressão do vapor na caldeira; Controlar a velocidade do motor. 22

23 Inferência Max-Min (link-e) R1: SE x é Fria E y é Alta ENTÃO z é Pequena 23

24 Inferência Max-Min (link-e) R1: SE x é Fria E y é Alta ENTÃO z é Pequena 24

25 Inferência Max-Min (link-e) R1: SE x é Fria E y é Alta ENTÃO z é Pequena Pelo método Mamdani a defuzzyficação acontece por meio da técnica de centro de gravidade 25

26 R2: SE x é Morna E y é Média ENTÃO z é Normal 26

27 R2: SE x é Morna E y é Média ENTÃO z é Normal 27

28 Técnica de centro de gravidade Valor de saída preciso é estimado por uma amostragem de pontos: 28

29 Técnica de centro de gravidade Valor de saída preciso é estimado por uma amostragem de pontos: 29

30 Técnica de centro de gravidade Valor de saída preciso é estimado por uma amostragem de pontos: 30

31 31

32 Para ativar regras 32

33 Para ativar regras Mapeia conjuntos fuzzy em conjuntos fuzzy Determina como as regras são ativadas e combinadas 33

34 Para ativar regras Base de conhecimento Mapeia conjuntos fuzzy em conjuntos fuzzy Determina como as regras são ativadas e combinadas 34

35 Para ativar regras Base de conhecimento Decompor a saída Mapeia conjuntos fuzzy em conjuntos fuzzy Determina como as regras são ativadas e combinadas 35

36 Exercício Objetivo: determinar risco de uma certa espécie de planta numa estufa 36

37 Exercício Objetivo: determinar risco de uma certa espécie de planta numa estufa Variáveis de entrada: níveis de irrigação (I) e umidade do ar (U); 37

38 Exercício Objetivo: determinar risco de uma certa espécie de planta numa estufa Variáveis de entrada: níveis de irrigação (I) e umidade do ar (U); Base de conhecimento: R1: SE I é Muita OU U é Baixa ENTÃO Risco é Pequeno; R2: SE I é Média E U é Alta ENTÃO Risco é Normal; R3: SE I é Pouca ENTÃO Risco é Alto; 38

39 Exercício Objetivo: determinar risco de uma certa espécie de planta numa estufa Variáveis de entrada: níveis de irrigação (I) e umidade do ar (U); Base de conhecimento: R1: SE I é Muita OU U é Baixa ENTÃO Risco é Pequeno; R2: SE I é Média E U é Alta ENTÃO Risco é Normal; R3: SE I é Pouca ENTÃO Risco é Alto; Problema: I = 35% e U = 60% 39

40 Passo 1: Fuzzyficação Irrigação Umidade Pouca Média Muita Baixa 60 Alta 40

41 Passo 1: Fuzzyficação Irrigação Umidade Pouca Média Muita Baixa 60 Alta Como ficam as pertinências para os conjuntos fuzzy??? 41

42 Passo 2: Avaliação das regras 42

43 Passo 2: Avaliação das regras R1: SE I é Muita OU U é Baixa ENTÃO Risco é Pequeno; Risco Muita 0,0 Baixa 0,2 ou 43

44 Passo 2: Avaliação das regras R1: SE I é Muita OU U é Baixa ENTÃO Risco é Pequeno; Risco Muita 0,0 Baixa 0,2 ou Atenção: Link-OU é Máximo Link-E é Mínimo 44

45 Passo 2: Avaliação das regras R2: SE I é Média E U é Alta ENTÃO Risco é Normal; 0,8 Risco Média 0,25 Alta e 45

46 Passo 2: Avaliação das regras R2: SE I é Média E U é Alta ENTÃO Risco é Normal; 0,8 Risco Média 0,25 Alta e R3: SE I é Pouca ENTÃO Risco é Alto; Risco 0,75 Pouca 46

47 Passo 3: Defuzzificação Risco Pequeno Normal Alto 0,75 0,25 0,

48 Passo 3: Defuzzificação Risco Pequeno Normal Alto 0,75 0,25 0, ( ) 0,2+( ) 0,25+( ) 0,75 r'= 0,2+0,2+0,2+0,2+0,25+0,25+0,25+0,75+0,75+0,75 = 267,5 3,8 =70,4 48

49 Resumo Sistema de Controle No estágio de entrada, dados (precisos) de sensores são mapeados em funções de pertinências; 49

50 Resumo Sistema de Controle No estágio de entrada, dados (precisos) de sensores são mapeados em funções de pertinências; No processamento, regras são invocadas para gerar resultados que são combinados em funções de pertinências; 50

51 Resumo Sistema de Controle No estágio de entrada, dados (precisos) de sensores são mapeados em funções de pertinências; No processamento, regras são invocadas para gerar resultados que são combinados em funções de pertinências; Na saída, o resultado da combinação é convertido em um valor de saída preciso para controle. 51

52 Controle em malha fechada (realimentação/feedback): Procedimento: 52

53 Controle em malha fechada (realimentação/feedback): Procedimento: 1. Mede estado atual da planta; 53

54 Controle em malha fechada (realimentação/feedback): Procedimento: 1. Mede estado atual da planta; 2. Estabelece um estado desejado; 54

55 Controle em malha fechada (realimentação/feedback): Procedimento: 1. Mede estado atual da planta; 2. Estabelece um estado desejado; 3. Calcula a diferença entre estado atual e desejado; 55

56 Controle em malha fechada (realimentação/feedback): Procedimento: 1. Mede estado atual da planta; 2. Estabelece um estado desejado; 3. Calcula a diferença entre estado atual e desejado; 4. Gera um sinal de controle proporcional a essa diferença; 56

57 Controle em malha fechada (realimentação/feedback): Procedimento: 1. Mede estado atual da planta; 2. Estabelece um estado desejado; 3. Calcula a diferença entre estado atual e desejado; 4. Gera um sinal de controle proporcional a essa diferença; 5. Com o tempo, a diferença entre o estado atual e o desejado deve ir para um valor constante, de preferência zero. 57

58 Exemplo controle de temperatura de forno 58

59 Exemplo controle de temperatura de forno Controlador Fuzzy 59

60 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; 60

61 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; Metrô utiliza sistemas fuzzy para controlar vagões. Proporciona uma viagem suave em todas as condições de terreno; 61

62 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; Metrô utiliza sistemas fuzzy para controlar vagões. Proporciona uma viagem suave em todas as condições de terreno; Máquinas de lavar ajustam de forma suave a estratégia de lavagem com base no nível de sujeira, tipo de tecido, na quantidade de roupa e nível de água; 62

63 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; Metrô utiliza sistemas fuzzy para controlar vagões. Proporciona uma viagem suave em todas as condições de terreno; Máquinas de lavar ajustam de forma suave a estratégia de lavagem com base no nível de sujeira, tipo de tecido, na quantidade de roupa e nível de água; Automóveis possuem projetos de sistemas de freio, controle de transmissão e injetores de combustível fuzzy; 63

64 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; Metrô utiliza sistemas fuzzy para controlar vagões. Proporciona uma viagem suave em todas as condições de terreno; Máquinas de lavar ajustam de forma suave a estratégia de lavagem com base no nível de sujeira, tipo de tecido, na quantidade de roupa e nível de água; Automóveis possuem projetos de sistemas de freio, controle de transmissão e injetores de combustível fuzzy; As dinâmicas de bacias hidrográficas e variáveis fenológicas podem ser mapeadas via lógica fuzzy; 64

65 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; Metrô utiliza sistemas fuzzy para controlar vagões. Proporciona uma viagem suave em todas as condições de terreno; Máquinas de lavar ajustam de forma suave a estratégia de lavagem com base no nível de sujeira, tipo de tecido, na quantidade de roupa e nível de água; Automóveis possuem projetos de sistemas de freio, controle de transmissão e injetores de combustível fuzzy; As dinâmicas de bacias hidrográficas e variáveis fenológicas podem ser mapeadas via lógica fuzzy; O clima em um contexto agricola é normalmente monitorado por meio de sistemas fuzzy; 65

66 Aplicações Câmeras e gravadoras usam controlador fuzzy para ajustar foco automático e evitar tremores causados pelas mãos; Metrô utiliza sistemas fuzzy para controlar vagões. Proporciona uma viagem suave em todas as condições de terreno; Máquinas de lavar ajustam de forma suave a estratégia de lavagem com base no nível de sujeira, tipo de tecido, na quantidade de roupa e nível de água; Automóveis possuem projetos de sistemas de freio, controle de transmissão e injetores de combustível fuzzy; As dinâmicas de bacias hidrográficas e variáveis fenológicas podem ser mapeadas via lógica fuzzy; O clima em um contexto agricola é normalmente monitorado por meio de sistemas fuzzy; Sistemas fuzzy ajudam a estimar com maior precisão a produção agricola em função de diversas variáveis. 66

67 Próxima aula: Hoje Laboratório 1 Material em Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã