Inteligência Artificial

Slides:



Advertisements
Apresentações semelhantes
Viviane Torres da Silva
Advertisements

Agenda Introdução Justificativa Objetivo Detecção de Spam
Capítulo 9 A semântica da Lógica de Predicados
Operações com conjuntos: Intersecção
REVISÃO– CONJUNTOS E FUNÇÕES Fabrício Dias
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
Eletrônica Digital Funções e Portas Lógicas
Circuitos aritméticos
Lógica de Fuzzy Um pouco sobre Fuzzy.
Raciocínio Viviane Torres da Silva
Raciocínio Aproximado
Profa. Silvia Modesto Nassar
Operações com Conjuntos Nebulosos
Curso Superior de Tecnologia em Automação Industrial Prof. Leo Weber
4. TEORIA DOS CONJUNTOS FUZZY - 1
Projeto de um controlador de temperatura
Matemática Discreta I BCC101
Lógica e Sistemas Nebulosos (fuzzy)
Inteligência Artificial
FACENS – Engenharia da Computação Inteligência Artificial
Inteligência Artificial
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.
Estruturação e Desenvolvimento de
Linguagem C.
Operadores Aritméticos Valores lógicos Relacionais e lógicos MF.
Linguagem de 1ª ordem da teoria de conjuntos
Prolog Programação Lógica Ícaro A. Souza.
Aula 1 – Lógica de Programação e Algoritmos
Operações Lógicas sobre proposições
INTELIGÊNCIA ARTIFICIAL
Informática Teórica Engenharia da Computação
INF 1771 – Inteligência Artificial
Teoria Matemática da Administração
Pêndulo invertido com Lógica Fuzzy
INTRODUÇÃO À TEORIA DOS CONJUNTOS
Indução Matemática Recursão
Teoria da Computação Aula 5 Prof. Fabiano Sabha.
Tópicos especiais em controle inteligente e distribuído Professor: Jorge Dantas de Melo Rafael Marrocos Magalhães.
Uma Abordagem Híbrida Fuzzy-Bayesiana para Modelagem de Incertezas
1 Conjuntos Difusos/Conjuntos Nebulosos/Fuzzy Sets Introdução Roberto Tadeu Raittz.
BCC101 Matemática Discreta I
Matemática I AULA 1 Profª Karine R. de Souza ..
INTELIGÊNGIA COMPUTACIONAL
Introdução à Lógica Matemática
O Processo de KDD Data Mining SUMÁRIO - AULA1 O processo de KDD
Implicações da Pedagogia de Integração na avaliação das aquisições dos alunos Avaliação com base em critérios.
Pesquisa Operacional Conceitos básicos.
Fábio de Azevedo Soares
Inteligência Artificial: Lógica Proposicional e Prolog
Lógica e Teoria dos Conjuntos
Universidade de São Paulo
Inteligência Computacional Prof° Adriano Cruz Fred Santos.
Linguagem de 1ª ordem da teoria de conjuntos
Introdução aos Conjuntos Difusos
Lógica Nebulosa (Fuzzy Logic)
1 Provas e Proposições Anjolina Grisi de Oliveira Fonte:
Conjuntos Fuzzy Histórico
1 Linguagens de Programação Pedro Lopes 2010/2011.
Introdução à Inteligência Artificial Prof. Cláudio M. N. A. Pereira.
Lógica para Computação
Universidade Federal da Paraíba Departamento de Informática Introdução à Engenharia de Computação Álgebra de Boole.
ITA - Instituto Tecnológico de Aeronáutica Arquiteturas Programáveis de uma Máquina de Inferência Fuzzy em Tecnologia CMOS Autor: Leonardo Mesquita Orientador:
Administração - UFMT Modalidade – Educação a Distância
INTRODUÇÃO AO CÁLCULO CONJUNTOS NUMERICOS.
1 Lógica de Predicados BCC101 Matemática Discreta I.
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 08 Conjuntos Difusos Max Pereira.
Natureza da Pesquisa em Ensino de Física. Pesquisa em Ensino de Física xPesquisa em Física Características das pesquisas na Área de Ensino de Física.
Transcrição da apresentação:

Inteligência Artificial Computação Nebulosa (Fuzzy) Introdução

Princípio da Incompatibilidade de Zadeh: Computação Nebulosa Princípio da Incompatibilidade de Zadeh: “conforme a complexidade de um sistema aumenta, nossa capacidade de fazer declarações precisas e significantes sobre seu comportamento diminui até um limite em que precisão e significado se tornam mutuamente exclusivos.” Para que computadores possam resolver problemas que seres humanos possam resolver, é preciso, às vezes, abrir mão da precisão e rigor matemáticos, admitindo falhas e verdades parciais.

Lógica Nebulosa (Zadeh, 1965): Computação Nebulosa Lógica Nebulosa (Zadeh, 1965): Abordagem proposta para resolver problemas em que significado é mais importante que precisão. Permite tratamento baseado em valores qualitativos e não quantitativos, utilizando as chamadas variáveis lingüísticas, não numéricas, para representar problemas e as regras utilizadas para resolvê-los.

Conjuntos Nebulosos Conjunto (clássico): coleção de objetos de qualquer tipo, caracterizado por um predicado P(x) C1 = {x | P(x)} C2 = { x | x  } Dado um valor de x, o predicado retorna 1/verdadeiro (elemento pertence ao conjunto) ou 0/falso (elemento não pertence ao conjunto), ou seja, {0,1}. Em um conjunto nebuloso, o predicado retorna um valor entre zero e um: [0,1].

Conjuntos Nebulosos Conjunto clássico (a) e nebuloso (b)

Conjuntos Nebulosos O predicado, que para um dado x, retorna um valor [0,1] é chamado tipicamente de função de pertinência. O retorno é chamado de pertinência de x ao conjunto em questão. A pertinência de elemento x a um conjunto nebuloso A é denotada por μA(x). Algumas definições utilizadas em conjuntos nebulosos. Suporte: o conjunto de pontos em que μA(x) é positivo. Crossover point: elemento x tal que μA(x) é 0,5. Fuzzy singleton: um conjunto nebuloso cujo suporte é um único elemento.

Função de Pertinência Conjunto nebuloso (a) e singleton (b)

Função de Pertinência Tipicamente se usam funções trapezoidais ou em formato de sino, que parecem representar com mais fidelidade o conhecimento humano sobre um significado.

Operações sobre Conjuntos Nebulosos Os conjuntos nebulosos possuem as operações de complemento, união e intersecção como os conjuntos clássicos. Consideremos para exemplo os seguintes conjuntos:

Operações sobre Conjuntos Nebulosos O complemento de um conjunto é dado pela seguinte operação em sua função de pertinência: μA(x) = 1 - μA(x)

Operações sobre Conjuntos Nebulosos A operação A ∩ B é dada por um operador chamado T-norma T(a,b). A T-Norma pode ser qualquer operação sendo que: T(1, x) = x T(x, y) = T(y, x) T(x, T(y, z)) = T(T(x, y), z) w <= x e y <= z então T(w, y) <= T(x, z)

Operações sobre Conjuntos Nebulosos Algumas das possíveis operações (e tipicamente usadas) para calcular A ∩ B:

Operações sobre Conjuntos Nebulosos Um elemento deve pertencer a A ∩ B se ele pertencer a A e a B. Neste caso, temos o conceito de que algo é “FRIO E MORNO”, usando T-Norma como mínimo:

Operações sobre Conjuntos Nebulosos A operação A  B é dada por um operador chamado T-Conorma S(a,b). A T-Conorma pode ser qualquer operação sendo que: S(0, x) = x S(x, y) = S(y, x) S(x, T(y, z)) = S(T(x, y), z) w <= x e y <= z então S(w, y) <= S(x, z)

Operações sobre Conjuntos Nebulosos Algumas das possíveis operações (e tipicamente usadas) para calcular A  B:

Operações sobre Conjuntos Nebulosos Um elemento deve pertencer a A  B se ele pertencer a A ou a B. Neste caso, temos o conceito de que algo é “MORNO OU QUENTE”, usando T-Conorma como máximo: