Raciocínio Aproximado

Slides:



Advertisements
Apresentações semelhantes
Viviane Torres da Silva
Advertisements

Prof. Marcone Sotéro Método Dedutivo Prof. Marcone Sotéro
Capítulo 9 A semântica da Lógica de Predicados
Operações com conjuntos: Intersecção
REVISÃO– CONJUNTOS E FUNÇÕES Fabrício Dias
Modelo Relacional.
Lógica Difusa (Fuzzy). Lógica tradicional x Lógica difusa Lógica tradicional (Aristóteles) –Uma proposição = dois estados possíveis (V ou F) –Pode ser.
Lógica Fuzzy Aplicada a Sistemas de Diagnóstico
Introdução a Sistemas Fuzzy no Matlab e uso do Simulink
Sistemas especialistas Fuzzy
Ronaldo Gilberto de Oliveira
LÓGICA MATEMÁTICA IMPLICAÇÃO LÓGICA
Prof. M.Sc. Fábio Francisco da Costa Fontes Outubro
CÁLCULO DA INVERSA DA BASE
CÁLCULO DA INVERSA DA BASE
Lógica de Predicados Sintaxe. O que não é possível expressar em Lógica Prop. Todo tricolor é um campeão. Roberto é tricolor. Logo Roberto é um campeão.
Algoritmo de Khachiyan Prof. Júlio Cesar Nievola.
Raciocínio Viviane Torres da Silva
Profa. Silvia Modesto Nassar
INE Fundamentos Matemáticos da Computação
INE Fundamentos de Matemática Discreta para a Computação
Relações Adriano Joaquim de O Cruz ©2002 NCE/UFRJ
5. MODELAGEM: PLANTAS E PROCESSOS - 1
Curso Superior de Tecnologia em Automação Industrial Prof. Leo Weber
4. TEORIA DOS CONJUNTOS FUZZY - 1
Inteligência Artificial
Sistemas Lineares.
Estruturação e Desenvolvimento de
Inteligência Artificial
Lógica para Computação
AXIOMATIZAÇÃO Equipe: André Augusto Kaviatkovski, Daniel Elias Ferreira, Vinicius Zaramella.
DEDUÇÃO NO CÁLCULO PROPOSICIONAL
1ª aula - Álgebra de Boole
Linguagem de 1ª ordem da teoria de conjuntos
Vetores no Plano e no Espaço
Números Complexos Definição: Um número complexo z pode ser definido como um par ordenado (x, y) de números reais x e y, z = (x, y) (1) sujeito.
Inteligência Artificial
-Conjuntos: noções básicas e operações -Funções e relações -Sequências
TEORIA AXIOMÁTICA DOS CONJUNTOS
1º Período Fundamentos de Matemática Prof. Marco Marins
Capítulo 6 Um sistema axiomático formal na Lógica Proposicional
INF 1771 – Inteligência Artificial
Rogério Vargas Sistemas Fuzzy Rogério Vargas
Uma Abordagem Híbrida Fuzzy-Bayesiana para Modelagem de Incertezas
Lógicas para Inteligência Artificial
1 Conjuntos Difusos/Conjuntos Nebulosos/Fuzzy Sets Introdução Roberto Tadeu Raittz.
INTELIGÊNGIA COMPUTACIONAL
Introdução à Lógica Matemática
CONJUNTO Um conjunto se pode entender como uma coleção ou agrupamento bem definido de objetos de qualquer classe. Os objetos que formam um conjunto são.
Sistemas Nebolosos (Fuzzy)
Elsa Carvalho 186 Universidade da Madeira Departamento de Matemática Programação em Lógica e Funcional (2000/01) (Actualizado em 2004/05) Aplicação e Composição.
Fábio de Azevedo Soares
OPERAÇÃO LÓGICA NOT INVERSOR
Relações 1 Daniela de Oliveira Albanez. Relações Binárias ‫Na vida real, quando dizemos que duas pessoas, Maria e José, se relacionam, entendemos que.
Inteligência Artificial: Lógica Proposicional e Prolog
Regras e Desfuzzificação:
Sistema Formal Um Sistema Formal para a lógica proposicional é uma 2-tupla < L, R >, onde: L: linguagem proposicional R: conjunto de regras de inferências.
Profa. Silvia Modesto Nassar Incerteza: Sistemas Inteligentes Crença Plausibilidade Ignorância Teoria da Evidência Probabilidade Possibilidade.
Matemática Discreta I BCC101
Linguagem de 1ª ordem da teoria de conjuntos
Conjuntos Difusos Operações: Definição e nomenclatura Tipos Axiomas
Profes. Silvia Modesto Nassar/Paulo Silveira Conjuntos Difusos èOperações T-normas T-conormas èRelações.
Introdução aos Conjuntos Difusos
Sistemas Especialistas Difusos Programa de Pós-Graduação em Ciência da Computação – INE – UFSC Profa. Silvia Modesto Nassar
Conjuntos Fuzzy Histórico
Universidade Federal da Paraíba Departamento de Informática Introdução à Engenharia de Computação Álgebra de Boole.
Administração - UFMT Modalidade – Educação a Distância
INTRODUÇÃO AO CÁLCULO CONJUNTOS NUMERICOS.
REVISÃO MD 1ºEE (EC) Assuntos da prova: Lógica Proposicional,
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 08 Conjuntos Difusos Max Pereira.
Transcrição da apresentação:

Raciocínio Aproximado Relações Clássicas Relações Difusas Implicação: se A então B Lógica Clássica Lógica Difusa : regras difusas e operações de composição Princípio de Extensão e Raciocínio Aproximado: se A’ então B’ Ross – cap 7: Classical Logic and Fuzzy Logic Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Raciocínio aproximado: regra difusa e operação de composição Regra difusa: A e B são conjuntos difusos. Regra 1: SE x é A ENTÃO y é B Regra 1: A  B = R=(AxB)U(AxY) Produto Cartesiano Considerando uma nova entrada (antecedente) A’ teremos a saída (conseqüente) B’: B’= A’ R Relação R Operação de Composição Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Sistema Difuso: raciocínio aproximado Entradas “crisp” Fuzzificação Regras Inferência Fuzzy Desfuzzifica-ção Saídas “crisp” Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Profa. Silvia Modesto Nassar Relações Clássicas Produto Cartesiano: Uma seqüência ordenada de n elementos (a1, a2, a3, ... , an) é chamada de n-tupla ordenada. Sejam os conjuntos A1, A2, A3, ... , Ar então o conjunto de todas as r-tuplas, onde a1A1, a2A2 e arAr , é chamado de PRODUTO CARTESIANO A1xA2xA3x ... xAr Quando Ar são iguais a A então o produto cartesiano A1xA2xA3x ... xAr é denotado por Ar Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Produto Cartesiano: exemplos Para os conjuntos A={0, 1} e B={a, b, c} temos os seguintes produtos cartesianos: AxB= {(0, a), (0, b), (0, c), (1, a), (1, b), (1, c)} BxA= {(a, 0), (b, 0), (c, 0), (a, 1), (b, 1), (c, 1)} AxA=A2= {(0, 0), (0, 1), (1, 0), (1, 1)} Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Produto Cartesiano: relações n-árias Um subconjunto do Produto Cartesiano A1xA2x ... xAn é chamada de um RELAÇÃO n-ária sobre A1,A2, ... ,An. O PRODUTO CARTESIANO de dois universos X e Y é definido como: X x Y = {(x,y) | xX e yY} xX e yY A força desta RELAÇÃO entre os pares ordenados de elementos é definida pela função característica א a seguir: אXxY (x,y) =1 se (x,y)  XxY (completamente relacionado) 0 se (x,y)  XxY (não relacionado) Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Produto Cartesiano: representação Um subconjunto do Produto Cartesiano A1xA2x ...xAn é chamada de um RELAÇÃO n-ária sobre A1,A2, ... ,An. Diagrama Sagittal Matriz de Relação - Cardinalidade da relação R : nx*ny X Y 1   a 2   b 3   c R = 1 1 1 1 2 3 a b c R Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Clássicas: operações Sejam duas relações R e S no universo cartesiano X x Y: União: RS  RS(x,y) = max [ R(x,y) ,  S(x,y) ] Intersecção: RS  RS(x,y) = min [ R(x,y) ,  S(x,y) ] Complemento: R  R(x,y) = 1 -  R(x,y) Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Clássicas: operações Sejam duas relações R e S no universo cartesiano X x Y: Contido: RS  R(x,y)   S(x,y) Identidade:   O e X  E onde a relação O é a relação nula (matriz nula) e a relação E é a relação universal ou completa (matriz identidade) Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Clássicas: composição X Y Z x1 y1 x2 y2 z1 x3 y3 z2 R S A relação T é uma relação de COMPOSIÇÃO na forma T= RS Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Clássicas: composição T= RS 0 1 0 0 y1 y2 y3 z1 z2 R = 1 0 1 0 0 0 x1 x2 x3 y1 y2 y3 T = 0 1 0 0 x1 x2 x3 z1 z2 COMPOSIÇÃO: max-min Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Clássicas: exemplos de composição Sejam as relações R, S e T= RS: Composição max-min:  T(x,z) = max [min(( R(x,y) ,  S(y,z) )] yY Composição max-produto ou max-dot :  T(x,z) = max [( R(x,y) *  S(y,z) )] Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Inferência Dedutiva: exemplo Sejam os universos de discurso X e Y definidos por X={1,2,3,4} e Y={1,2,3,4,5,6}. Sejam os conjuntos clássicos A={2,3} e B={3,4}. Obtenha a matriz de relação para a regra “Se A então B”, utilizando R= (AxB)  (A x Y)  R(x,y) = max [( A(x)   B(y) ), ((1-  A(x)) 1) ] (cap. 7, pag 195 - ROSS) Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Difusas: princípio da extensão Mapeiam os elementos de um universo X para outro universo Y Produto Cartesiano X x Y A força da relação para os pares (x,y) é definida em [0;1] por uma Função de Pertinência. A cardinalidade de uma relação difusa R é infinita Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relação Difusa R: princípio da extensão Sejam dois conjuntos difusos A em X e B em Y então o produto cartesiano AxB=R  XxY A relação difusa R tem a seguinte função de pertinência  R(x,y) =  AxB(x,y) =min [ A(x) ,  B(y) ] Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Raciocínio aproximado: regra difusa e operação de composição Regra difusa: A e B são conjuntos difusos Regra 1: SE x é A ENTÃO y é B Regra 1: A  B = R=(AxB)U(AxY) Produto Cartesiano Considerando uma nova entrada (antecedente) A’ teremos a saída (conseqüente) B’: B’= A’ R Relação R Operação de Composição Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Difusas: operações padrão União: RS  RS(x,y) = max [ R(x,y) ,  S(x,y) ] Intersecção: RS  RS(x,y) = min [ R(x,y) ,  S(x,y) ] Complemento: R  R(x,y) = 1 -  R(x,y) Contido: RS  R(x,y)  S(x,y) Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Relações Difusas: propriedades ATENDEM: Comutatividade, associatividade, distributividade, involução e idempotência. NÃO ATENDEM: Leis do meio excluído: R  R  E (relação completa, identidade) R R  O (relação nula, nula) Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Profa. Silvia Modesto Nassar Lógica Difusa: Raciocínio aproximado: proposições imprecisas extensão da lógica de predicados valores de verdade [0, 1] Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Lógica Clássica: inferência dedutiva (Modus Ponens) Regra R: Se A então B onde A é definido no universo X e B é definido no universo Y A regra é considerada uma RELAÇÃO entre os conjuntos A e B R= (AxB)  (A x Y) supondo um novo antecedente A’ então temos um novo conseqüente B’ regra: Se A’ então B’ onde B’ = A’ R = A’  ((AxB)  (A x Y))  R(x,y) = max [( A(x)   B(y) ), ((1-  A(x))  1) ] Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Lógica Difusa: Raciocínio aproximado Regra difusa: A e B são conjuntos difusos. Regra 1: SE x é A ENTÃO y é B Regra 1: A  B = R=(AxB)U(AxY) Produto Cartesiano Considerando uma nova entrada (antecedente) A’ teremos a saída (conseqüente) B’: B’= A’ R Relação R Operação de Composição Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Formas de Implicação Difusa Para a relação difusa R com base na regra SE A então B, isto é R = A  B, temos: Mamdani:  R(x,y) = min [  A(x) ,  B(y) ] Lukasiewicz:  R(x,y) = min [1, ( 1-  A(x)+  B(y) ] Soma Limitada:  R(x,y) = min [ 1, ( A(x) +  B(y)) ] Goguen:  R(x,y) = min [1, (  B(y)/  A(x) ] Ross – cap 7: pag 209 Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Formas de Composição Difusa Composição B’ = A’  R temos para todo xX: max-min:  B’(y) = max{min [  A’(x) ,  R(x,y) ] } max-produto:  B’(y) = max {  A’(x)*  R(x,y)} min-max:  B’(y) = min{max [  A’(x) ,  R(x,y) ] } max-max:  B’(y) = max{max [  A’(x) ,  R(x,y) ] } min-min:  B’(y) = min{min [  A’(x) ,  R(x,y) ] } Ross – cap 7: pag 210 Profa. Silvia Modesto Nassar silvia@inf.ufsc.br