Regras e Desfuzzificação:

Slides:



Advertisements
Apresentações semelhantes
Decomposed fuzzy proporcional-integral-derivative controllers
Advertisements

Viviane Torres da Silva
Operações com conjuntos: Intersecção
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
A CARTOGRAFIA TEMÁTICA E A ESTATÍSTICA
Introdução a Sistemas Fuzzy no Matlab e uso do Simulink
Sistemas especialistas Fuzzy
Ronaldo Gilberto de Oliveira
LÓGICA MATEMÁTICA ARGUMENTOS E REGRAS DE INFERÊNCIA
Sistemas Baseados em Lógica Fuzzy
Lógica de Fuzzy Um pouco sobre Fuzzy.
Prof. Júlio Cesar Nievola
Raciocínio Viviane Torres da Silva
Lógica Fuzzy (Lógica Nebulosa)
Raciocínio Aproximado
Profa. Silvia Modesto Nassar
INE Fundamentos de Matemática Discreta para a Computação
Operações com Conjuntos Nebulosos
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 Numéricos e Estatísticos
Lógica e Sistemas Nebulosos (fuzzy)
Inteligência Artificial
Classificação de dados por Intercalação: MergeSort
Similarity of fuzzy data in a case-based fuzzy system in anaesthesia Similaridade de dados difusos em um sistema difuso baseado em casos em anestesia Jörg.
Sistemas Especialistas na Operação de Sistemas Elétricos
Estruturação e Desenvolvimento de
Universidade do Extremo Sul Catarinense - UNESC
Cálculo II Aula 08: Valores Máximos e Mínimos, Valores Máximos e Mínimos Absolutos.
Colégio da Imaculada Curso Técnico em Informática Álgebra Relacional
Capítulo 13 Funções compostas slide 1
Métodos Numéricos Computacionais
1º Período Fundamentos de Matemática Prof. Marco Marins
INF 1771 – Inteligência Artificial
Rogério Vargas Sistemas Fuzzy Rogério Vargas
Lógicas Difusas e Sistemas Difusos
Tópicos especiais em controle inteligente e distribuído Professor: Jorge Dantas de Melo Rafael Marrocos Magalhães.
Uma Abordagem Híbrida Fuzzy-Bayesiana para Modelagem de Incertezas
Agentes Inteligentes1 Seminário Fred
1 Conjuntos Difusos/Conjuntos Nebulosos/Fuzzy Sets Introdução Roberto Tadeu Raittz.
Cálculo Numérico / Métodos Numéricos
INTELIGÊNGIA COMPUTACIONAL
Introdução à Lógica Matemática
Sistemas Nebolosos (Fuzzy)
Fábio de Azevedo Soares
Radiosidade Rafael Decker Prof. Dr. Paulo Roberto Gomes Luzzardi.
Input » Processamento » Output »
OPERAÇÃO LÓGICA NOT INVERSOR
Curso Engenharia Química Modalidade Superior Instituto Federal do Sul de Minas, Câmpus Pouso Alegre Professora Michelle Nery Programação de Computadores.
Profa. Silvia Modesto Nassar Incerteza: Sistemas Inteligentes Crença Plausibilidade Ignorância Teoria da Evidência Probabilidade Possibilidade.
Lógicas Difusas e Sistemas Difusos
Milena Tápia Lógica Difusa Milena Tápia
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
– Tópicos em Controle e Automação Victor Rafael R. Celestino
Lógica Nebulosa (Fuzzy Logic)
Sistemas Especialistas Difusos Programa de Pós-Graduação em Ciência da Computação – INE – UFSC Profa. Silvia Modesto Nassar
Conjuntos Fuzzy Histórico
Revisão de Sistemas Inteligentes
Circuitos Elétricos 2 Circuitos Elétricos Aplicados
ITA - Instituto Tecnológico de Aeronáutica Arquiteturas Programáveis de uma Máquina de Inferência Fuzzy em Tecnologia CMOS Autor: Leonardo Mesquita Orientador:
MA91A – Cálculo Diferencial e Integral I
Prof. Fernando Silva. A L G O R I T M I A * Pensa (10min) na resolução do seguinte problema: Pretende-se calcular a soma dos primeiros n números: - por.
Prof. António Manuel C P Fernandes Construção de Carta Bioclimática Completa (12 meses) e Simplificada (4 meses) Baseado em: “Eficiência energética na.
MATEMÁTICA I Professor: Marcelo Silva Natal - RN, junho de 2013.
Tabela 1 - Características do índice de massa corporal em meninos
Transcrição da apresentação:

Regras e Desfuzzificação: Raciocínio Aproximado: regras Inferência composicional Métodos de Desfuzzificação Modificadores lingüísticos Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Profa. Silvia Modesto Nassar Sistema Fuzzy Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Raciocínio aproximado: Regra difusa R - A e B são conjuntos difusos. Regra 1: SE x é A ENTÃO y é B Regra 1: A  B = AxB Considerando uma nova entrada A’ teremos a saída B’: B’= A’ R Operação de Composição Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Profa. Silvia Modesto Nassar Regra Difusa: R 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) ] Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Profa. Silvia Modesto Nassar Composição: B’ = A’  R 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) ] } Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Inferência Composicional: Base de regras: seja um conjunto de n regras ativadas R1, R2, ...., Rn então a inferência composicional R é dada por: Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Inferência Composicional: t-conormas União Padrão: u (a, b) = max (a, b) Soma Algébrica: u (a, b) = a+b -a*b Soma Limitada: u (a, b) = min ( 1, a+b) União Drástica: u max (a, b) u (a, b) = a para b= 0 b para a= 0 1 para outros valores Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Inferência Composicional: t-normas Intersecção Padrão: i (a, b) = min (a, b) Produto Algébrico: i (a, b) = a*b Diferença Limitada: i (a, b) = max ( 0, a+b-1) Intersecção Drástica: i min (a, b) i(a, b) = a para b=1 b para a=1 0 para outros valores Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Desfuzzificação: métodos Métodos de Desfuzzificação: Centro de Massa ou Centróide - CG Média dos Máximos - MM Média Ponderada dos Máximos - MPM Critério do Primeiro Máximo/Mínimo – Max/Min Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Desfuzzificação: exemplo Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Desfuzzificação: exemplo Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Fuzzificação e modificadores lingüísticos: Considere um conjunto difuso S={ jovem, adulto, idoso} definido por: João tem 32 anos. (x) 1 0.8 30 45 60 idade Profa. Silvia Modesto Nassar silvia@inf.ufsc.br

Modificadores Lingüísticos : h João é JOVEM - 0.8 João é MUITO jovem – (0.8)2 = 0.64 João é RAZOAVELMENTE jovem –(0.8)1/2 = 0.89 h α (a) = a α se α > 1 então h é um modificador forte se α < 1 então h é um modificador fraco se α = 1 então h é um modificador identidade Profa. Silvia Modesto Nassar silvia@inf.ufsc.br