A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

INTELIGÊNGIA COMPUTACIONAL LÓGICA FUZZY Prof. Ricardo Santos.

Apresentações semelhantes


Apresentação em tema: "INTELIGÊNGIA COMPUTACIONAL LÓGICA FUZZY Prof. Ricardo Santos."— Transcrição da apresentação:

1 INTELIGÊNGIA COMPUTACIONAL LÓGICA FUZZY Prof. Ricardo Santos

2 Qual a cor das bolinhas contidas no cesto? INTRODUÇÃO

3 Qual a cor das bolinhas contidas no cesto? INTRODUÇÃO

4 Qual a cor das bolinhas contidas no cesto? INTRODUÇÃO

5  Questionamentos: ◦ Considerando que uma pessoa está com febre se a temperatura medida for maior ou igual a 38º, pelas regras da teoria dos conjuntos tradicional, como seria classificada uma pessoa com temperatura de 37,9º? E outra de 38,1º? ◦ Seguindo o mesmo raciocínio, para uma conexão de dados ser satisfatória deve-se atingir uma taxa de transferência igual ou superior a 100Mbps; como seria classificada a conexão de um ponto que atingiu 99Mbps? E outra que atingiu 101Mbps? INTRODUÇÃO

6  Qual seria a classificação... INTRODUÇÃO

7 SURPRESA! INTRODUÇÃO Não é possível estimar com precisão a altura das pessoas muito menos a velocidade das motos. Mas é possível, de acordo com os parâmetros pessoais, inferir de forma difusa (Fuzzy) tanto a altura quanto a velocidade através de termos imprecisos, fazendo com que os números ficam em segundo plano. Esse processo de classificação é inerente ao ser humano!

8 INTRODUÇÃO  Introduzida nos meios científicos em 1965, por Lofti Asker Zadeh.  Técnica da inteligência artificial que manipula conjuntos não precisos (fuzzy), efetivando técnicas de inferências entre esses conjuntos.  Exemplos de conjuntos Fuzzy: ◦ “Muito Frio – Frio – Morno – Quente – Muito Quente” ◦ “Lento – Médio – Rápido” ◦ “Pequeno – Médio_Pequeno – Médio_Grande – Grande”

9 INTRODUÇÃO  A lógica Fuzzy, de acordo com a proposta que deu nome à ciência, não trabalha com o conceito de pertinência a um ou a outro conjunto e sim, com uma probabilidade de pertinência a um ou mais conjuntos.  Em Fuzzy define-se termos do tipo: ◦ A temperatura tem 70% de pertinência ao conjunto “FRIO” e 30% de pertinência ao conjunto “MORNO” ◦ O carro teve sua velocidade associada a 40% do conjunto “MÉDIO” e 60% do “RÁPIDO” ◦ A altura do atleta foi classificada 20% ao conjunto “PEQUENO” e 80% ao conjunto “MÉDIO_PEQUENO”

10 INTRODUÇÃO  Generalizando, os valores de uma variável linguística podem ser sentenças em uma linguagem especificada, construídas a partir de termos primários (alto, baixo, pequeno, médio, grande, etc.), de conectivos lógicos (negação “não”, conectivos “e” e “ou”), de modificadores (muito, pouco, levemente, extremamente) e de delimitadores (como parênteses). (TANSCHEIT, R.)

11 INTRODUÇÃO  A principal função das variáveis linguísticas é fornecer uma maneira sistemática para uma caracterização aproximada de fenômenos complexos ou mal definidos. Em essência, a utilização do tipo de descrição linguística empregada por seres humanos, e não de variáveis quantificadas, permite o tratamento de sistemas que são muito complexos para serem analisados através de termos matemáticos convencionais.  (TANSCHEIT, R.)

12 CONJUNTOS CRISP CONJUNTOS FUZZY Onde,  Universo contínuo INTRODUÇÃO

13

14  O fato da leitura de um valor não pertencer a um conjunto específico (CRISP), ou seja, poder pertencer a mais de um conjunto assumindo probabilidades diferentes, requisita uma matemática diferenciada da teoria dos conjuntos tradicional, que foi devidamente modelada por Zadeh, Mandani e outros cientistas.

15  Avaliação de crédito  Controle de fluxo de caixa  Análise de risco  Controle de estoques  Avaliação de marketing  Avaliação de fornecedores  Controle de qualidade  Otimização de inventários  Controle automático de máquinas e equipamentos  Otimização de processos produtivos  ETC... APLICAÇÕES

16 DADOS INICIAIS VARIÁVEIS LINGUÍSTICAS RESULTADOS LINGUÍSTICOS CÁLCULO 1 FUZZIFICAÇÃO 2 INFERÊNCIA 3 DEFUZZIFICAÇÃO 4 FIM

17 FUZZIFICAÇÃO  É o processo que transforma os dados iniciais nas variáveis linguísticas idealizadas para o sistema.  Pinho (1999) cita a necessidade de que especialistas da área estudada sejam consultados durante a atribuição de valores relacionados aos graus de pertinência para cada uma das variáveis em estudo, contribuindo assim para maior precisão nos resultados

18 IDADEGrau de pertinência para cada conjunto linguístico Vetor Grau de Pertinência (Criança; Adulto; Idoso) 10Criança=1 Adulto=0 Idoso=0(1; 0; 0) 17Criança=0,5 Adulto=0,5 Idoso=0(0,5; 0,5; 0) 23Criança=0 Adulto=1 Idoso=0(0; 1; 0) 41Criança=0 Adulto=0,5 Idoso=0,5(0; 0,5; 0,5) 60Criança=0 Adulto=0 Idoso=1(0; 0; 1) FUZZIFICAÇÃO De acordo com os parâmetros definidos é possível conceber os conjuntos e seus limites

19 IDADE 1 0,5 FUZZIFICAÇÃO  Através desses dados, é possível chegar no seguinte gráfico:

20 INFERÊNCIA FUZZY  Uma vez feita a adequação dos valores iniciais em variáveis linguísticas, segue-se com a fase denominada inferência fuzzy, cuja finalidade é relacionar as possíveis variáveis entre si, através de regras pré- estabelecidas, cumprindo assim com os objetivos do algoritmo

21 INFERÊNCIA FUZZY  Segundo Von Altrock (1996), pode-se separar esta fase em dois componentes visualizados na figura 2.9 e denominados Agregação e Composição. O primeiro diz respeito à chamada parcela Se das regras que irão reger o processo de inferência, e o segundo, refere-se à parcela Então do conjunto de regras assim chamadas, Se- Então.

22 INFERÊNCIA FUZZY Agregação Parcela SE Define a validade de uma regra para o caso estudado Composição Parcela ENTÃO Define o resultado obtido depois de feita a inferência INFERÊNCIA FUZZY Mamdani (1974) propôs que as regras de produção possuiriam relações difusas tanto em seus antecedentes como em seus consequentes Exemplo: – IF temperatura=alta AND pressao=baixa ENTÃO acao=abrir_medio O modelo de Mamdani inclui módulos de interface que transformam as variáveis de entrada em conjuntos difusos e, posteriormente, os conjuntos difusos gerados na saída em grandezas numéricas proporcionais

23 INFERÊNCIA FUZZY MÉTODO DO CENTRÓIDE A)Determinar a abscissa do ponto centróide para cada saída ativa no processo de inferência. B)Calcular a área entre o grau de pertinência e o eixo X, para cada uma das saídas ativadas. C)Calcular a média ponderada dos pontos centróides pelas respectivas áreas

24 INFERÊNCIA FUZZY MAX - MIN

25 INFERÊNCIA FUZZY MAX - MIN

26  A terceira e última etapa do sistema lógico fuzzy é chamada defuzificação, e compreende segundo Von Altrock (1996), a tradução do resultado linguístico do processo de inferência fuzzy, em um valor numérico.  Cox (1995), fornece uma outra interpretação para o termo defuzificação, compreendendo o processo de conversão de um número fuzzy em um número real. DEFUZZIFICAÇÃO

27  Considere 3 conjuntos fuzzy: “PEQUENO”, “MÉDIO” e “GRANDE”, compostos da seguinte forma: OPERAÇÕES FUZZY 1 1,52,53,5

28  Complemento: ◦ O complemento de um conjunto Fuzzy A do universo U pode ser denotado por “não A”, com a função de pertinência definida por: OPERAÇÕES FUZZY 1 1,52,53,5 G

29 OPERAÇÕES FUZZY 1 1,52,53,5 União entre MÉDIO e GRANDE

30 OPERAÇÕES FUZZY 1 1,52,53,5 Intesecção entre PEQUENO e MÉDIO


Carregar ppt "INTELIGÊNGIA COMPUTACIONAL LÓGICA FUZZY Prof. Ricardo Santos."

Apresentações semelhantes


Anúncios Google