TÉCNICA LÓGICA FUZZY Como foi concebido por Lofti Zadeh, seu inventor, a lógica fuzzy provê um método de reduzir a complexidade dos sistemas. Muitas dessas.

Slides:



Advertisements
Apresentações semelhantes
Lógica Difusa (Fuzzy). Lógica tradicional x Lógica difusa Lógica tradicional (Aristóteles) –Uma proposição = dois estados possíveis (V ou F) –Pode ser.
Advertisements

Inteligência Artificial
Lógica Fuzzy Aplicada a Sistemas de Diagnóstico
Introdução a Sistemas Fuzzy no Matlab e uso do Simulink
Sistemas especialistas Fuzzy
Ronaldo Gilberto de Oliveira
Pré-Discussão do Artigo “Is Computer Science Science?”
LÓGICA FUZZY UNIVERSIDADE FEDERAL DE SANTA CATARINA
Sistemas Baseados em Lógica Fuzzy
Lógica de Fuzzy Um pouco sobre Fuzzy.
Desenvolvimento em Camadas
O Processo de construção de conhecimento matemático e o fazer didático
Lógica Fuzzy (Lógica Nebulosa)
Profa. Silvia Modesto Nassar
Introdução à Lógica Nebulosa
5. MODELAGEM: PLANTAS E PROCESSOS - 1
Curso Superior de Tecnologia em Automação Industrial Prof. Leo Weber
4. TEORIA DOS CONJUNTOS FUZZY - 1
Projeto de um controlador de temperatura
Métodos de Computação Inteligente
Estruturação e Desenvolvimento de
Instituto Tecnológico da Aeronáutica – ITA Divisão de Ciência de Engenharia Eletrônica e Computação EE-09 Inteligência Artificial Prof. Adilson Marques.
Inteligência Artificial
Universidade do Extremo Sul Catarinense - UNESC
Jorge Manuel Lage Fernandes
Questões preparação para exame Soluções
Análise de Sistemas Análise e Projeto Prof. Jeime Nunes Site:
Sistema de automação Lógica Fuzzy ( vaga, incerta, nebulosa )
Atenção Seletiva e Movimentos Oculares
Matemática Discreta Ciência da Computação
Desenvolvimento do Raciocínio em Geometria
CIÊNCIA & CONHECIMENTO CIENTÍFICO
A Modelagem Matemática como Ambiente Educacional
Inteligência Artificial Professor Esp. Cristiano José Cecanho
Informática Teórica Engenharia da Computação
INF 1771 – Inteligência Artificial
visão global do projeto Professora: Geórgia Fortes
Teoria Matemática da Administração
Análise e Projeto de Sistemas
Pêndulo invertido com Lógica Fuzzy
Redes Bayesianas - Aplicação em Risco Operacional
1 Lógica Fuzzy Marcílio Souto DIMAp. 2 Fontes de Incerteza Existem domínios de aplicação nos quais a incerteza é parte inerente do problema devido a dados.
Uma Abordagem Híbrida Fuzzy-Bayesiana para Modelagem de Incertezas
Problemas quanto à maturidade dos alunos que chegam à universidade (caso CTC/PUC-Rio) Marcos A. da Silveira Julho de 2005.
1 Conjuntos Difusos/Conjuntos Nebulosos/Fuzzy Sets Introdução Roberto Tadeu Raittz.
INTELIGÊNGIA COMPUTACIONAL
Introdução à Lógica Matemática
Estacionamento autônomo utilizando conceitos de Inteligência Artificial. Vanessa Ferreira dos Santos1 (aluno autor); Gustavo Garcia1 (orientador) ;Maria.
Capacitação Lei Complementar 142 Aplicação do Modelo Linguístico Fuzzy
Fábio de Azevedo Soares
Sistemas Microprocessados e Microcontrolados
Pesquisa Operacional na Tomada de Decisões
A Psicologia Experimental
Definição de pesquisa:
Profa. Silvia Modesto Nassar Incerteza: Sistemas Inteligentes Crença Plausibilidade Ignorância Teoria da Evidência Probabilidade Possibilidade.
Universidade de São Paulo
Decidibilidade, Corretude, Completude, Consistência, Monotonicidade
ERROS E TRATAMENTO DE DADOS ANALÍTICOS
Introdução aos Conjuntos Difusos
Lógica Nebulosa (Fuzzy Logic)
Sistemas Especialistas Difusos Programa de Pós-Graduação em Ciência da Computação – INE – UFSC Profa. Silvia Modesto Nassar
Conjuntos Fuzzy Histórico
INTRODUÇÃO AOS MÉTODOS NUMÉRICOS Professor: Dr. Edwin B. Mitacc Meza
Unidade I ESTATÍSTICA Prof. Celso Guidugli.
ITA - Instituto Tecnológico de Aeronáutica Arquiteturas Programáveis de uma Máquina de Inferência Fuzzy em Tecnologia CMOS Autor: Leonardo Mesquita Orientador:
Banco de Dados Parte 1 Profa. Ana Karina Barbosa Fevereiro/2008.
O Tractatus logico-philosophicus e a antimetafísica de Wittgenstein
Exercícios do Livro – Capítulo 12 Fernando J. Moreira Jr. Controle Estatístico de Processo I Professor: Robert Wayne Samohyl.
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 08 Conjuntos Difusos Max Pereira.
LÓGICA FUZZI Prof. Dr. João Luiz Moreira Coutinho Azevedo
Transcrição da apresentação:

TÉCNICA LÓGICA FUZZY Como foi concebido por Lofti Zadeh, seu inventor, a lógica fuzzy provê um método de reduzir a complexidade dos sistemas. Muitas dessas complexidades vieram de variáveis de sistema que eram manipuladas e representadas ([ZEM1984]). Segundo [JAN1995] a teoria de conjuntos difusos permite o tratamento de conceitos vagos, imprecisos, incertos e de conhecimento mal definido, proporcionando uma nova visão além da matemática exata. Na técnica de modelagem difusa, a variável lingüística tem o seu lado forte nessa técnica. Essa variável utiliza-se do conceito de qualificadores de conjuntos difusos, sendo chamados de hedges, mudando a forma dos conjuntos difusos permitindo a utilização de conceitos expressivos. Tem-se por exemplo, como variáveis lingüísticas os termos, duradouro, muito duradouro, levemente duradouro e pouco duradouro ([KLI1995]). No protótipo foram desenvolvidos três cubos de decisão, um para a análise da posição de estoques atual, um para a curva ABC dos produtos e um terceiro para a análise retroativo faturada e em volumes. Cada cubo de decisão, obedece, basicamente, nesta figura apresentada, ou seja, no momento da criação da tabela de fato, as informações são resumidas em três ou mais chaves, que neste caso, são do produto, do período e do centro de controle. Com estas informações agrupadas, consegue-se melhor visualizar as informações através das dimensões definidas. Lembrando, que isto só é possível a partir de um processo anterior de carga, cujas informações são enviadas para a tabela de fato.

TÉCNICA LÓGICA FUZZY Magra 35 60 Normal 50 75 80 Obesa 79 90 120 Exemplo : Tendo cadastrado três conjuntos: magro, normal, obesa ;tem-se A B C Uma pessoa de 77 quilos é magra, normal ou obesa? Conjunto Magro: Magra 35 60 Normal 50 75 80 Obesa 79 90 120 No protótipo foram desenvolvidos três cubos de decisão, um para a análise da posição de estoques atual, um para a curva ABC dos produtos e um terceiro para a análise retroativo faturada e em volumes. Cada cubo de decisão, obedece, basicamente, nesta figura apresentada, ou seja, no momento da criação da tabela de fato, as informações são resumidas em três ou mais chaves, que neste caso, são do produto, do período e do centro de controle. Com estas informações agrupadas, consegue-se melhor visualizar as informações através das dimensões definidas. Lembrando, que isto só é possível a partir de um processo anterior de carga, cujas informações são enviadas para a tabela de fato.

TÉCNICA LÓGICA FUZZY Magra 35 60 Normal 50 75 80 Obesa 79 90 120 Exemplo : Tendo cadastrado três conjuntos: magra, normal, obesa ;tem-se A B C Uma pessoa de 77 quilos é magra, normal ou obesa? Conjunto Normal: Magra 35 60 Normal 50 75 80 Obesa 79 90 120 No protótipo foram desenvolvidos três cubos de decisão, um para a análise da posição de estoques atual, um para a curva ABC dos produtos e um terceiro para a análise retroativo faturada e em volumes. Cada cubo de decisão, obedece, basicamente, nesta figura apresentada, ou seja, no momento da criação da tabela de fato, as informações são resumidas em três ou mais chaves, que neste caso, são do produto, do período e do centro de controle. Com estas informações agrupadas, consegue-se melhor visualizar as informações através das dimensões definidas. Lembrando, que isto só é possível a partir de um processo anterior de carga, cujas informações são enviadas para a tabela de fato.

TÉCNICA LÓGICA FUZZY Magra 35 60 Normal 50 75 80 Obesa 79 90 120 Exemplo : Tendo cadastrado três conjuntos: magra, normal, obesa ;tem-se A B C Uma pessoa de 77 quilos é magra, normal ou obesa? Conjunto Obeso: Magra 35 60 Normal 50 75 80 Obesa 79 90 120 No protótipo foram desenvolvidos três cubos de decisão, um para a análise da posição de estoques atual, um para a curva ABC dos produtos e um terceiro para a análise retroativo faturada e em volumes. Cada cubo de decisão, obedece, basicamente, nesta figura apresentada, ou seja, no momento da criação da tabela de fato, as informações são resumidas em três ou mais chaves, que neste caso, são do produto, do período e do centro de controle. Com estas informações agrupadas, consegue-se melhor visualizar as informações através das dimensões definidas. Lembrando, que isto só é possível a partir de um processo anterior de carga, cujas informações são enviadas para a tabela de fato.

TÉCNICA LÓGICA FUZZY Magra 35 60 Normal 50 75 80 Obesa 79 90 120 Exemplo : Tendo cadastrado três conjuntos: magra, normal, obesa ;tem-se A B C Uma pessoa de 77 quilos é magra, normal ou obesa? Conjunto Magro: Conjunto Normal: Conjunto Obeso: Resposta: Esta pessoa possui 0.6 de pertinência no conjunto normal e 0.181 de pertinência no conjunto obeso. Magra 35 60 Normal 50 75 80 Obesa 79 90 120 No protótipo foram desenvolvidos três cubos de decisão, um para a análise da posição de estoques atual, um para a curva ABC dos produtos e um terceiro para a análise retroativo faturada e em volumes. Cada cubo de decisão, obedece, basicamente, nesta figura apresentada, ou seja, no momento da criação da tabela de fato, as informações são resumidas em três ou mais chaves, que neste caso, são do produto, do período e do centro de controle. Com estas informações agrupadas, consegue-se melhor visualizar as informações através das dimensões definidas. Lembrando, que isto só é possível a partir de um processo anterior de carga, cujas informações são enviadas para a tabela de fato.

IMPLEMENTAÇÃO Clicando em prosseguir, se abrirá outra tela do sistema, que corresponde aos cadastros e consultas, às informações executivas e a carga dos dados.

IMPLEMENTAÇÃO Clicando-se em cadastros, irá abrir outra tela que demonstra os cadastros necessários ao funcionamento do sistema. Como pode ser visto, um dos principais cadastro é o das movimentações. Este cadastro é responsável por GERAR o estoque respectivo nos locais de depósito ou produção. Os outros cadastros também são importantes para a geração das informações, porque, basicamente, um depende do outro. Para gerar um estoque num local de depósito, é necessário que o local que se deseje gerar estoque seja um local cujo centro de controle é um depósito.