Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
|
|
- Ana Vitória Mota de Vieira
- 5 Há anos
- Visualizações:
Transcrição
1 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). A Base de Conhecimento é composta de um conjunto de regras fuzzy. A Máquina de Inferência implementa um mecanismo de inferência fuzzy. Em geral, as entradas são valores medidos de variáveis de entrada e a saída é um valor de uma variável real. x Interface crisp/fuzzy Máquina de Inferência Interface fuzzy/crisp y Base de Conhecimento 2
2 Exemplo: controlador de potência de refrigeração 3 Representando conhecimento impreciso Na lógica fuzzy, LF, o conhecimento é expresso por uma representação simbólica para uma expressão em linguagem natural, envolvendo variáveis lingüísticas. Estas expressões formam proposições que podem ser avaliadas segundo o conhecimento de um especialista, e usadas para efetuar ações de controle. P. ex., a expressão a água está muito fria é uma proposição que pode receber um valor correspondente ao grau de sua validade, estimado por um determinado avaliador. Este grau representa o valor-verdade da proposição, para este avaliador e é chamado de grau de pertinência. Na LF, os graus de pertinência podem assumir qualquer valor no intervalo [, ]. O valor, corresponde ao valor lógico falso ; todos os outros valores correspondem a diferentes graus de verdadeiro, sendo o grau máximo, expressando a idéia de certamente verdadeiro. A LF difere, portanto, da lógica booleana, por ser uma lógica multivalorada, com valores-verdade contínuos. Repare também, que uma mesma proposição pode receber diferentes graus de pertinência, correspondendo a avaliações por diferentes especialistas. 4
3 Conjuntos fuzzy Os conjuntos fuzzy expressam o significado dos valores lingüísticos (valor) relacionados a uma variável lingüística (atributo). Uma variável lingüística, por exemplo, temperatura, pode estar associada a um conjunto de valores lingüísticos, como muito frio, frio, morna, quente, muito quente. Cada valor lingüístico está associado a um conjunto fuzzy, que expressa o grau de pertinência (valor-verdade) correspondente de um determinado valor de temperatura, p. ex. em ºC. Os conjuntos fuzzy são utilizados para quantificar os graus de incerteza correspondentes à avaliação de um determinado conceito (instância). Os valores lingüísticos correspondem a predicados imprecisos, por exemplo: muito_frio (x) jovem (x) bem_mais_alto_que (x,y) 5 Exemplo de Conjuntos Fuzzy representados por funções de pertinência Variável Lingüística: Temperatura Termos lingüísticos: Fria, Morna, Quente Conjuntos Fuzzy: µ Fria (T), µ Morna (T), µ Quente (T) µ Fria (T) Fria µ Quente (T) Quente T T µ Morna (T) Morna µ(t) Fria Morna Quente T T 6
4 Raciocínio aproximado Raciocínio aproximado é a forma mais conhecida de lógica fuzzy, cobrindo várias regras de inferência cujas premissas contêm proposições fuzzy. Uma proposição fuzzy é uma representação simbólica para uma expressão em linguagem natural, envolendo variáveis lingüísticas. As regras de inferência são expressas como declarações Se - Então. Existem dois métodos diretos importantes de raciocínio fuzzy: o método direto de Mamdani e a modelagem fuzzy de Takagi-Sugeno (T-S). O método de Mamdani é o mais popular baseado numa estrutura simples de operações min-max, envolvendo regras de inferência do tipo: Se x é A e y é B Então z é C onde A, B e C são conjuntos fuzzy. O método de T-S modela o consequente da regra como uma equação linear Se x é A e y é B Então z = ax + by + c Neste caso, devemos aplicar técnicas de modelagem usando dados de entrada-saída para obter as regras (aprendizagem dos parâmetros, a, b, c). 7 Implicação fuzzy A declaração condicional Se - Então representa uma regra de produção (RP) envolvendo predicados imprecisos. Uma regra de produção é expressa por uma relação fuzzy representando uma implicação fuzzy (IF). A escolha da função IF reflete critérios intuitivos e o efeito do conectivo também utilizado para conectar as diversas regras da base de conhecimento. As características básicas desejáveis de uma função IF são: suavidade, inferência irrestrita, simetria do MPG (Modus Ponens Generalizado) e do MTG (Modus Tollens Generalizado), medida de propagação da incerteza. Uma determinada IF satisfaz um conjunto de critérios relacionados às regras de inferência para raciocínio qualitativo e alguns modificadores lingüísticos: MPG MTG P : x é A P : y é B P 2 : Se x é A então y é B P 2 : Se x é A então y é B C: y é B C: x é A sendo A e B obtidos pelos modificadores: muito, mais ou menos, não. 8
5 Base de Regras A representação genérica típica do conhecimento se dá através de um conjunto de regras de múltiplas entradas e única saída (MISO, multiple input single output), denominado base de regras (BR) BR = {R MISO, R 2 MISO,, R n MISO} onde R i MIMO representa a regra genérica: Se (x é A i e y é B i ) então z = f i (x,y) = p i x + q i y + r i O antecedente de R i forma um conjunto fuzzy A i B i no espaço do produto cartesiano X Y. O conseqüente de uma regra i é o valor correspondente à função f i (x,y), calculada a partir dos valores de entrada (x,y), a instância apresentada. Assim, a i-ésima regra R i é representada pela implicação: R i MISO : (A i B i ) z 9 Representação de um conjunto de regras x SIF y y f f 2 R R 2 R = A B f R 2 = A B 2 f 2 B 2 A B 2 A 2 B 2 R 3 = A 2 B f 3 R 4 = A 2 B 2 f 4 A B = A B B A B A A 2 B A 2 x A A 2 f 3 R 3 R 4 x B f 4 B 2 x R R 2 R 3 R 4 R i A B f F F F f A B 2 F f 2 F F f 2 A 2 B F F f 3 F f 3 A 2 B 2 F F F f 4 f 4
6 Resumo do método T-S Para efeitos de apresentação, considere o conjunto de duas regras: R : Se x é A e y é B, então z = f (x,y) = p x + q y + r R 2 : Se x é A 2 e y é B 2, então z = f 2 (x,y) = p 2 x + q 2 y + r 2 onde A, A 2, B, B 2, são conjuntos fuzzy e f, f 2 são funções lineares ajustadas. Suponha que x e y sejam as medidas físicas das entradas relativas às variáveis x e y das regras, respectivamente. Determine a força de disparo de cada regra, w i pelas expressões: w = A (x ) B (y ) w 2 = A 2 (x ) B 2 (y ) Obtenha a conclusão global do conjunto de regras, z, pela média dos valores de saída de cada regra, f (x,y ), f 2 (x,y ), ponderada pelas forças de disparo: w f + w 2 f 2 f = = w f + w 2 f 2 w + w 2 Arquitetura de um Sistema Fuzzy T-S Ai (x ) A A 2 A 3 X X 2 A B B 2 B 3 R R 2 R 3 A 2 R 4 R 5 R 6 x A 3 R 7 R 8 R 9 x * * Fuzzificação Inferência Defuzzificação Bi ( ) B B 2 B 3 R : Se X é A e X 2 é B, então y = f (x,y) = p x + q y + r R 2 : Se X é A e X 2 é B 2, então y = f 2 (x,y) = p 2 x + q 2 y + r 2 R 3 : Se X é A e X 2 é B 3, então y = f 3 (x,y) = p 3 x + q 3 y + r 3 R 4 : Se X é A 2 e X 2 é B, então y = f 4 (x,y) = p 4 x + q 4 y + r 4 R 4 : Se X é A 2 e X 2 é B 2, então y = f 5 (x,y) = p 5 x + q 5 y + r 5 R 6 : Se X é A 2 e X 2 é B 3, então y = f 6 (x,y) = p 6 x + q 6 y + r 6 R 7 : Se X é A 3 e X 2 é B, então y = f 7 (x,y) = p 7 x + q 7 y + r 7 R 8 : Se X é A 3 e X 2 é B 2, então y = f 8 (x,y) = p 8 x + q 8 y + r 8 R 9 : Se X é A 3 e X 2 é B 3, então y = f 9 (x,y) = p 9 x + q 9 y + r 9 2
7 Arquitetura de um Sistema Fuzzy T-S Ai (x ) X X 2 B B 2 B 3 A A 2 A 3 A2 (x * ) A3 (x * ) A A 2 R R 2 R 3 R 4 R 5 R 6 f = w 4 f 4 + w 5 f 5 + w 7 f 7 + w 8 f 8 x * x * 2 Bi ( ) x * x Fuzzificação A (x * ) A2 (x * ) A3 (x * ) B (* ) B2 (* ) B3 (* ) A 3 R 7 R 8 R 9 Inferência w 4, f 4 w 5, f 5 w 7, f 7 w 78, f 8 Defuzzificação B B 2 B 3 B (* ) B2 (* ) * R 4 : Se X é A 2 e X 2 é B, então y = f 4 (x,y) = p 4 x + q 4 y + r 4 R 5 : Se X é A 2 e X 2 é B 2, então y = f 5 (x,y) = p 5 x + q 5 y + r 5 R 7 : Se X é A 3 e X 2 é B, então y = f 7 (x,y) = p 7 x + q 7 y + r 7 R 8 : Se X é A 3 e X 2 é B 2, então y = f 8 (x,y) = p 8 x + q 8 y + r 8 3 Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS Adaptive-Network-based Fuzzy Inference System) O ANFIS se baseia no método de raciocínio fuzzy do tipo Takagi-Sugeno e implementa uma arquitetura baseada em redes adaptativas funcionalmente equivalente. O ANFIS é um sistema híbrido na medida que ele incorpora o conhecimento inicial do domínio e pode ser treinado com um arquivo de dados. A arquitetura pode identificar as funções de pertinência quase ótimas e outros parâmetros de uma base de regras para atingir um mapeamento de entradasaída desejado. O treinamento do sistema se dá através de um algoritmo de descida de gradiente. 4
8 Sistema de Inferência Fuzzy Exemplo de SIF de 2 entradas x e y e uma saída z, com uma BR com 2 regras: R : Se x é A e y é B, então z = f (x,y) = p x + q y + r R 2 : Se x é A 2 e y é B 2, então z = f 2 (x,y) = p 2 x + q 2 y + r 2 A B w A 2 B 2 w 2 x y x y camada camada 2 camada 3 A A (x) w N A B (y) 2 A2 (x) B N w B 2 2 B2 (y) f = p x + q y + r w f + w 2 f 2 f = = w f + w 2 f 2 w + w 2 f 2 = p 2 x + q 2 y + r 2 camada 4 x y w w f w 2 w 2 f 2 x y camada 5 f 5 Descrição da funcionalidade dos nós Camada : cada nó implementa uma função de pertinência diferenciável: O i = Ai (x), onde x é a entrada do nó i e A i é o rótulo língüístico associado. Exemplos de funções apropriadas, em forma de sino no intervalo [, ]: Ai (x) = x c ( i ) 2 +[ ] b i a i ou Ai (x) = x c ( i ) 2 exp{ [ ] b i} a i x 2,5 ( ) 2 + [ ] 2 x 2 ( ) 2 + [ ] 3 x 2 ( ) 2 exp [ ] 2 ( x 2 ) 2 exp [ ] 3,5 6
9 Camada 2: cada nó (círculo) calcula a força de disparo de uma regra, w i, p. ex.: O 2 = A (x). B (x) = w, O 2 2 = A2 (x). B2 (x) = w 2 Camada 3: cada nó (círculo) calcula a força de disparo normalizada de uma regra, w : w O 3 = w + w = w 2 w 2 O 3 2 = w + w = w 2 2 Camada 4: cada nó (quadrado) calcula o conseqüente de uma regra: O 4 = w (p x + q y + r ) = w f O 4 2 = w 2 (p 2 x + q 2 y + r 2 ) = w 2 f 2 O conjunto de parâmetros dos conseqüentes é: {p i, q i, r i } Camada 5: o nó (círculo) calcula a soma dos conseqüentes das regras individuais: O 5 = w f + w 2 f 2 = f 7 Medida de erro Considerando que um dado conjunto de treinamento tenha P elementos, nós podemos definir uma medida de erro instantâneo para o p-ésimo elemento ( < p < P) do conjunto de treinamento como a soma dos erros quadrados na camada de saída (L): #(L) E p = (T m,p O L m,p ) 2 m = onde T m,p é o m-ésimo componente do p-ésimo vetor de saída alvo e O L m,p é o m- ésimo componente do vetor de saída real, produzido pela apresentação do p- ésimo vetor de entrada.. Assim, a medida de erro global da rede para todo o conjunto de treinamento é P E = E p p = 8
10 Procedimento para descida do gradiente Inicialmente definimos uma taxa de erro, que é a derivada do erro instantâneo E p em relação à saída do i-ésimo nó da camada de saída (L). E p = 2 (T i,p O L i,p ) O L i,p Para um nó interno (k, i) a taxa de erro pode ser derivada pela regra da cadeia: #(k + ) E p E = p O k + m,p O k O k + i,p m,p m = O k m,p ou seja, a taxa de erro de um nó interno pode ser expressa como a combinação linear das taxas de erro dos nós da próxima camada. 9 Se é um parâmetro da rede adaptativa, nós podemos definir a influência de um ajuste de no erro instantâneo E p pela derivada: E p E = p O * O * O* S Onde S é o conjunto de nós cujas saídas dependem de diretamente. Com isso, a derivada do erro global E em relação a é: E E = p Desta forma, o ajuste do parâmetro se dá segundo a expressão: P p = = E 2
11 Identificação de um sistema dinâmico 2 Estrutura ANFIS utilizada 22
12 Resultado da previsão com o ANFIS 23 Predição de uma dinâmica caótica Mackey-Glass 24
13 Estrutura ANFIS utilizada 25 Resultado da previsão com o ANFIS 26
Redes 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 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 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: 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
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 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 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 maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 07 Lógica Fuzzy Introdução A lógica FUZZY uma extensão da lógica booleana. Ela permite que estados imprecisos
Leia maisConjuntos 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 mais3 Sistemas Neuro-Fuzzy Hierárquicos
3 Sistemas Neuro-Fuzzy Hierárquicos 3. Introdução Sistemas neuro-fuzzy (SNF) são sistemas híbridos que combinam as vantagens das redes neurais, no que se refere ao aprendizado, com o poder de interpretação
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 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 maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
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 maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia mais6. Controle por Aprendizado Neuro-Fuzzy
6. Controle por Aprendizado Neuro-Fuzzy 6.1. Introdução Neste capítulo é apresentado o controle por aprendizado utilizando um sistema híbrido Neuro-Fuzzy, para o cálculo e atualização dos pontos de reversão
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 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 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 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 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 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 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 maisAprendizagem por treinamento de redes de aproximação Marco Henrique Terra
Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.
Leia maisJosé Francisco Moreira Pessanha
Pontifícia Universidade Católica do Rio de Janeiro Sistema de Inferência Neuro-Fuy Adaptativo - ANFIS José Francisco Moreira Pessanha Rio de Janeiro - RJ, 14 de junho de 00 Sumário 1 - Introdução - Sistema
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 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 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 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 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 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 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 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 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 maisAprendizagem de máquina
Aprendizagem de máquina Aprendizado de Conceitos Busca guiada por exemplos Aprendizado supervisionado: classificação Aprender uma classe a partir de exemplos é encontrar uma descrição que é compartilhada
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 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 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 p-fuzzy Aplicados às Equações Diferenciais Parciais
1 / 36 Sistemas p-fuzzy Aplicados às Equações Diferenciais Parciais Daniela Portes Leal Ferreira Universidade Federal de Uberlândia 17 de Julho de 2012 2 / 36 Sumário Introdução. Objetivos. Eemplos de
Leia maisInteligência Artificial. Sistemas Baseados em Conhecimento. Representação de Conhecimento (continuação)
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2018.html Inteligência Artificial Sistemas Baseados em Conhecimento Representação
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisNeste capítulo apresentam-se os modelos STVAR-Tree, o principal da dissertação, além dos modelos competidores PAR(p) e Neuro-Fuzzy.
4 Metodologia 4.1. Introdução Neste capítulo apresentam-se os modelos STVAR-Tree, o principal da dissertação, além dos modelos competidores PAR(p) e Neuro-Fuzzy. 4.2. Modelo STVAR-Tree O modelo vetorial
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 maisInteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisPredição não-linear de séries temporais usando sistemas de arquitetura neuro-fuzzy
Humberto Rodrigo Sandmann Predição não-linear de séries temporais usando sistemas de arquitetura neuro-fuzzy Dissertação apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do Título
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 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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
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 maisNHI Lógica Básica (Lógica Clássica de Primeira Ordem)
NHI2049-13 (Lógica Clássica de Primeira Ordem) página da disciplina na web: http://professor.ufabc.edu.br/~jair.donadelli/logica O assunto O que é lógica? Disciplina que se ocupa do estudo sistemático
Leia maisRegra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Leia maisLógica predicados. Lógica predicados (continuação)
Lógica predicados (continuação) Uma formula está na forma normal conjuntiva (FNC) se é uma conjunção de cláusulas. Qualquer fórmula bem formada pode ser convertida para uma FNC, ou seja, normalizada, seguindo
Leia maisUma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica
Uma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica Roger Júnio Campos, Tales Argolo Jesus, Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica - CPDEE - UFMG, 31270-901,
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 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 maisVI SBQEE. 21 a 24 de agosto de 2005 Belém Pará Brasil
VI SBQEE 21 a 24 de agosto de 2005 Belém Pará Brasil Código: BEL 11 7795 Tópico: Modelagem e Simulações SISTEMA INTELIGENTE PARA PREVISÃO DE CARGA EM TRANSFORMADORES DE DISTRIBUIÇÃO DE ENERGIA: ESTUDOS
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 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 maisResumo de Filosofia. Preposição frase declarativa com um certo valor de verdade
Resumo de Filosofia Capítulo I Argumentação e Lógica Formal Validade e Verdade O que é um argumento? Um argumento é um conjunto de proposições em que se pretende justificar ou defender uma delas, a conclusão,
Leia maisMétodos de Pesquisa Operacional
Métodos de Pesquisa Operacional Programação Linear é a parte da Pesquisa Operacional que trata da modelagem e resolução de problemas formulados com funções lineares. Programação Linear } Métodos de Resolução
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Baseada em Instâncias Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
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 maisInteligência Artificial
Inteligência Artificial Sistemas Especialistas Raciocínio e Mecanismos de Inferência Arquitetura de um SE típico Interface com o Usuário: Perguntas e respostas; Linguagem natural Editor da Base de Conhecimento
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisAutomação Inteligente de Processos e Sistemas
Automação Inteligente de Processos e Sistemas Prof. Dr. Ivan Nunes da Silva USP/EESC/SEL insilva@sc.usp.br 3 de agosto de 203. Sistemas Inteligentes Conjunto de ferramentas computacionais que tentam simular
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 maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
DESENVOLVIMENTO DE UM SOFTWARE PARA IDENTIFICAÇÃO DE SISTEMAS DINÂMICOS NÃO-LINEARES UTILIZANDO UMA FUZZY WAVELET NEURAL NETWORK MODIFICADA Fábio Ricardo de Lima Souza, José Kleiton Ewerton da Costa Martins,
Leia mais