You are on page 1of 21

FUNDAMENTOS DE LGICA FUZZY E CONTROLE FUZZY

Ricardo Tanscheit
DEE-PUC-Rio

CONTEDO

1. INTRODUO
2. CONJUNTOS FUZZY
2.1. FUNDAMENTOS
2.2. OPERAES COM CONJUNTOS FUZZY
2.2.1. OPERADORES MAX E MIN
2.2.2. DEFINIES E OPERAES
2.2.3. PROPRIEDADES ALGBRICAS
2.3. VARIVEIS LINGUSTICAS
2.4. FUNES DE IMPLICAO
2.5. REGRA DE INFERNCIA COMPOSICIONAL
2.6. SISTEMA DE INFERNCIA FUZZY
3. CONTROLADORES FUZZY
3.1. INTRODUO
3.2. INTERFACE COM O PROCESSO
3.2.1. VARIVEIS DE CONTROLE
3.2.2. ESCALONAMENTO E QUANTIZAO
3.2.3. MTODOS DE DEFUZZIFICAO
3.3. EXPRESSO DE REGRAS DE CONTROLE EM TERMOS MATEMTICOS
3.4. ALGORITMO DE CONTROLE
3.4.1. ARMAZENAMENTO DE REGRAS
3.4.2. CONTRIBUIO DE CADA REGRA
3.4.3. INFLUNCIA DAS FUNES DE PERTINNCIA
3.4.4. INFLUNCIA DAS FUNES DE IMPLICAO E DOS MTODOS
DE DEFUZZIFICAO
3.5. CONCLUSES
4. COMENTRIOS FINAIS
Referncias
1. INTRODUO
Operadores humanos so capazes de controlar processos bastante complexos, baseados em
informaes imprecisas ou aproximadas a respeito desses processos. A estratgia adotada pelos
operadores humanos tambm de natureza imprecisa e geralmente possvel de ser expressa em
termos lingusticos. A Teoria de Conjuntos Fuzzy [1] e os Conceitos de Lgica Fuzzy [2] podem
ser utilizados para traduzir em termos matemticos a informao imprecisa expressa por um
conjunto de regras lingusticas. Se um operador humano for capaz de articular sua estratgia de
ao como um conjunto de regras da forma SE ENTO, um algoritmo passvel de ser
implementado em computador pode ser construdo, conforme demonstrado j nos anos 70
[3,4,5]. 0 resultado um sistema de inferncia baseado em regras, no qual a Teoria de Conjuntos
Fuzzy fornece o ferramental matemtico para se lidar com as tais regras linguisticas.
importante notar que, nesse tipo de sistema, no necessrio conhecer- se o modelo matemtico
do processo, o que se constitui em uma vantagem sobre outros procedimentos em que
fundamental a descrio matemtica do sistema a controlar.

2. CONJUNTOS FUZZY
Nesta seo so apresentados os fundamentos da Teoria de Conjuntos Fuzzy, bem como
definies, propriedades e aspectos de Lgica Fuzzy.

2.1. FUNDAMENTOS
Quando se raciocina com base na teoria clssica dos conjuntos, o conceito de pertinncia de um
elemento a um conjunto fica bem definido. Os elementos de um conjunto A em um determinado
universo X simplesmente pertencem ou no pertencem quele conjunto. Isto pode ser expresso
pela funo caracterstica f
A
:

)
,
]

=
A x
A x
x f
A
se somente e se 0
se somente e se 1
) (

O conceito de nebulosidade (fuzziness) introduzido generalizando-se a funo caracterstica de
modo que ela possa assumir um nmero infinito de valores diferentes no intervalo [0,1]. Assim,
um conjunto fuzzy A em X um conjunto de pares ordenados

{ } X x /x x A
A
= ) (

onde ) (x
A
a funo de pertinncia de x em A e definida como o mapeamento de X no
intervalo fechado [0,1]:
] 1 0 [ ) ( , X : x
A


A funo de pertinncia indica o quanto um elemento pertence a um dado conjunto. 0 conjunto
suporte de um conjunto fuzzy A o conjunto de elementos no universo X para os quais
. x
A
0 ) ( > Assim, um conjunto fuzzy tambm pode ser visto como o mapeamento do conjunto
suporte no intervalo [0,1], o que implica em expressar o conjunto fuzzy por sua funo de
pertinncia. Por exemplo, para o conjunto fuzzy A = {baixo}, no universo dos nmeros positivos
menores ou iguais a 100, alguns valores da funo de pertinncia poderiam ser:

0 (100) ........ (60) (55) (50)
0,1 (45)
0,8 (30)
0,9 (25)
1 (20) (15) (10) (5) (0)
= = = = =
=
=
=
= = = = =
A A A A
A
A
A
A A A A A




Uma varivel fuzzy uma varivel cujos valores so rtulos (labels) de conjuntos fuzzy. Por
exemplo, a temperatura de um dado processo poderia ser uma varivel fuzzy assumindo valores
pequena, mdia, alta, etc. Estes valores so descritos por intermdio de conjuntos fuzzy.
Generalizando, os valores de uma varivel podem ser sentenas em uma linguagem especificada.
Neste caso, a varivel uma varivel lingustica. Para ilustrar, os valores da varivel fuzzy
temperatura poderiam ser expressos como alta, no alta, muito alta, bastante alta, no muito
alta, alta mas no muito alta. Neste caso, os valores fuzzy so sentenas formadas a partir do
rtulo alta, da negao no, dos conectivos e e mas, e dos modificadores muito e bastante.
Nesse contexto, a varivel temperatura uma varivel lingustica.

A principal funo das variveis lingusticas fornecer uma maneira sistemtica para uma
caracterizao aproximada de fenmenos complexos ou mal definidos. Em essncia, a utilizao
do tipo de descrio lingustica empregada por seres humanos, e no de variveis quantificadas,
permite o tratamento de sistemas que so muito complexos para serem analisados atravs de
termos matemticos convencionais.

A dependncia de uma varivel lingustica em relao a outra (independente) descrita atravs
de uma declarao condicional fuzzy (fuzzy conditional statement), da forma:

R: SE
1
ENTAO
2


onde
1
e
2
so frases fuzzy da forma ( A) e A um subconjunto fuzzy de um universo X.
Pode ser atribudo a A um significado lingustico que define o valor de X. Por exemplo:

SE z pequeno ENTO w muito grande
SE erro grande negativo ENTO sada grande positiva.

Duas ou mais declaraes condicionais podem ser combinadas, como, por exemplo:

R: SE
1
ENTAO (SE
2
ENTAO
3
)

Vrias declaraes podem ser combinadas atravs do conectivo ou, formando assim um
algoritmo fuzzy (R
N
) da forma: R
N
: R
1
ou R
2
ou R
3
.......... ou R
n


2.2. OPERAES COM CONJUNTOS FUZZY
Com o intuito de apresentar algumas propriedades e operaes importantes com conjuntos fuzzy
[6,7], introduz-se agora os dois operadores mais utilizados, e, num estgio seguinte, as operaes
propriamente ditas.

2.2.1. OPERADORES max E min
Os operadores max e min podem ser usados tanto didica como monicamente, dependendo do
contexto. Eles podem operar sobre conjuntos ou matrizes, elemento a elemento, assim como
sobre elementos singulares. Por exemplo, o mnimo ou o mximo de dois elementos, a e b,
definido por:
b a b
b a a b a max B a
b a b
b a a b a min b a
< =
= =
> =
= =
se
se ) , (
se
se ) , (


O mnimo ou mximo de dois conjuntos A e B resulta num conjunto C dado por:


{ }
{ } B b A a b a max B A C
B b A a b a min B A C
= =
= =
, ) , (
, ) , (


Quando usados monicamente, os operadores implicam no mnimo (infimum) ou mximo
(supremum) sobre todos os elementos de um determinado conjunto, como, por exemplo:

A a A Sup A a
A a A Inf A a
= =
= =


Os operadores podem tambm ser usados em um sentido funcional, com elementos ou conjuntos:

k
m
k
m m
k
m
k
m m
A A A A A A A A
a a a a a a a a
1
2 1 2 1
1
2 1 2 1
....... ) ,......., , (
....... ) ,......., , (
=
=
= = =
= = =


Quando os elementos so funes de outra varivel, as operaes podem ser expressas como:

X x x a a
x
= ) (

Finalmente, na manipulao de expresses envolvendo os operadores min e max, as leis so as
mesmas que as leis algbricas de multiplicao e soma, respectivamente.

2.2.2. DEFINIES E OPERAES
Um conjunto fuzzy A em X vazio se e somente se sua funo de pertinncia igual a zero
sobre todo X:
X x x A
A
= = 0 ) ( se somente e se

O complemento A' de um conjunto fuzzy A definido por:

X x x x
A A
= ) ( 1 ) (
'


Dois conjuntos fuzzy A e B em X so iguais se suas funes de pertinncia forem iguais sobre
todo X:
X x x x B A
B A
= = ) ( ) ( se somente e se

Um conjunto fuzzy A um subconjunto de B se sua funo de pertinncia for menor ou igual
de B sobre todo X:

X x x x B A
B A
) ( ) ( se

O produto de A e B, ambos em X, definido como

X x x x x
B A B A
=

) ( ) ( ) (

A unio de dois conjuntos fuzzy A e B em X definida como:

X x x x x
B A B A
=

) ( ) ( ) (

A interseco de dois conjuntos fuzzy A e B em X definida como:

X x x x x
B A B A
=

) ( ) ( ) (

2.2.3. PROPRIEDADES ALGBRICAS
Utilizando as definies de unio, interseco e complemento, possivel verificar que as
seguintes propriedades algbricas de conjuntos ordinrios tambm valem para conjuntos fuzzy:

Involuo: A A =
' '
) (
Idempotncia: A A A A A A = =
Comutatividade: A B B A A B B A = =
Associatividade: ) ( ) ( ) ( ) ( C B A C B A C B A C B A = =
Distributividade: ) ( ) ( ) ( ) ( ) ( ) ( C A B A C B A C A B A C B A = =
Absoro: A B A A A B A A = = ) ( ) (
Lei Transitiva: C A C B B A e se
Leis de De Morgan:
' ' ' ' ' '
) ( ) ( B A B A B A B A = =

Observando que as funes de pertinncia dos conjuntos vazio e universo so definidas como
sendo 0 e 1, respectivamente, so vlidas tambm as seguintes propriedades:

universo : e
e
X X X A A A
A X A A
= =
= =


As propriedades de conjuntos clssicos X A A A A = =
' '
e no se verificam para
conjuntos fuzzy:
X x x x
A A x x x
A A
A A
'
A A
A A
=
=

'
A A 1 )) ( 1 ( ) ( ) (
0 )) ( 1 ( ) ( ) (
'
'




2.3. VARIVEIS LINGUSTICAS
Geralmente, o valor de uma varivel linguistica um termo composto, resultado da concatenao
de outros termos, os quais podem ser divididos em 4 categorias:
termos primrios: rtulos de conjuntos fuzzy especificados em um determinado universo
(por exemplo: alto, baixo, pequeno, mdio, grande, zero)
a negao no e os conectivos e e ou
modificadores, como muito, pouco, levemente, positivo, negativo
marcadores, como parnteses.
Termos primrios podem apresentar funes de pertinncia contnuas, descontnuas ou
discretizadas. Funes de pertinncia contnuas so definidas por intermdio de funes
analticas. Por exemplo, a seguinte funo geral pode ser usada para def inir os termos primrios
pequeno, mdio e grande:
1
) )) ( ( 1 ( ) (

+ =
b
A
c x a x

A forma de ) (x
A
pode ser modificada atravs da manipulao dos trs parmetros a, b e c. Por
exemplo:
1 2
1 2
1 2
) ) 2 ( 9 1 ( ) (
) ) 5 , 0 ( 9 1 ( ) (
) 9 1 ( ) (

+ =
+ =
+ =
x x
x x
x x
grande
mdio
pequeno



Funes de pertinncia descontnuas so compostas de segmentos contnuos lineares, resultando
em formas triangulares ou trapezoidais. Funes de pertinncia discretizadas consistem de
conjuntos de valores discretos correspondendo a elementos discretos do universo. Por exemplo,
se { } 6 , 5 , 4 , 3 , 2 , 1 , 0 = X poder-se-ia ter:

{ }
{ }
{ } 1 ; 7 , 0 ; 3 , 0 0 ; 0 ; 0 ; 0 ) (
3 , 0 ; 7 , 0 ; 1 ; 7 , 0 ; 3 , 0 ; 0 ; 0 ) (
0 ; 0 ; 3 , 0 ; 7 , 0 ; 1 ; 7 , 0 ; 3 , 0 ) (
=
=
=
x
x
x
grande
mdio
pequeno


A negao no e os conectivos e e ou podem ser definidos em termos das operaes de
complementao, interseco e unio, respectivamente. Em geral, o conectivo e usado com
variveis em diferentes universos:

{ }
{ }

)
)
]
=
=
Y y /y y B
X x /x x A
b
A
) (
) (
{ } { } ) , /( ) , ( ) , /( ) ( ) ( y x y x y x y x B e A
B e A B A
= =

Por exemplo: vapor molhado e quente. Se os valores de A e B pertencerem ao mesmo
universo, a interpretao semntica invalida a premissa (por exemplo, vapor quente e frio no
faz sentido). Variveis no mesmo universo podem ser conectadas por e quando elas so negadas
(vapor no quente e no frio, por exemplo).

O conectivo ou conecta valores lingusticos de uma mesma varivel, os quais esto no mesmo
universo:
{ }
{ }

)
)
]
=
=
/x x B
X x /x x A
b
A
) (
) (
{ } { } ) /( ) ( ) /( ) ( ) ( x x x x x B ou A
B ou A B A
= =

Por exemplo: vapor quente ou frio; presso alta ou baixa. Se dois valores lingusticos
conectados por ou pertencem a variveis diferentes, a declarao parece ser semanticamente
incorreta (por exemplo, vapor quente ou molhado). Entretanto, se ou usado para conectar
variveis em uma sentena do tipo SE . . . ENTO . . . , ele pode ser usado com duas varveis
diferentes. Por exemplo:

SE a presso alta ou a velocidade rpida ENTO o controle zero

A operao no considerada como semanticamente sinnima da negao em linguagem
natural:
{ } { } x x A no /x x A
A A
/ )) ( 1 ( ) ( = =

Exemplo: presso no alta.

Modificadores servem para gerar um conjunto maior de valores para uma varivel lingustica a
partir de uma coleo de termos primrios. Por exemplo, usando muito em conjunto com no, e
e o termo primrio grande, podem ser gerados os conjuntos fuzzy muito grande, muito muito
grande, no muito grande, grande e no muito grande.

Modificadores so definidos como um operador mnico, h, que age sobre um conjunto fuzzy A,
para produzir um novo conjunto B, ou seja B = h A, onde A e B esto no mesmo universo.

Modificadores negativo e positivo so utilizados, geralmente em conjunto, quando x pode
assumir tanto valores negativos como positivos.

2.4. FUNES DE IMPLICAO
Uma declarao de implicao fuzzy ou declarao condicional fuzzy descreve uma relao
entre variveis lingusticas. Consideremos dois conjuntos fuzzy A e B, representando valores
lingusticos nos universos X e Y, respectivamente. Uma declarao condicional fuzzy da forma
SE A ENTO B definida matematicamente como:

B A B A B A = = ENTO SE : R

A relao fuzzy B A denota, neste caso, a implicao B A no produto cartesiano dos dois
universos { } Y y X x y x Y X = , ) , ( .

A funo de pertinncia ) , ( y x
R
que define a implicao pode ser obtida atravs das funes de
pertinncia individuais ) ( e ) ( y x
B A
de inmeras maneiras [8,9,10,11,12]. Assim, denotando
o operador de implicao por f
1:


{ } ) , /( ) , ( , )) ( ), ( ( ) , (
1
y x y x R Y y X x y x f y x
R B A R
= =

Generalizando, se A
1
, A
2

, ... , A
n
so conjuntos fuzzy em X, e B
1
, B
2
, ... , B
n
so conjuntos fuzzy
em Y, um algoritmo fuzzy :

R
N
: SE A
1
ENTO B
1

ou
SE A
2
ENTO B
2

.
.
.
ou
SE A
n
ENTO B
n


Neste caso, o conectivo ou (else) serve para conectar sentenas lingusticas. Sua implementao,
denotada por f
2
, depende da funo de implicao f
1
empregada. Assim, para o algoritmo fuzzy
tem-se:

[ ] )) ( ), ( ( )),....., ( ), ( ( )), ( ), ( (
)) , ( ),...., , ( ), , ( ( ) , (
1 1 1 2
2
2 2 1 1
2 1
y x f y x f y x f f
y x y x y x f y x
n n
n N
B A B A B A
R R R R
=
=


As equaes acima foram desenvolvidas para variveis simples A e B, mas podem ser estendidas
para casos de mais variveis. Normalmente as variveis antecedentes so combinadas atravs do
conectivo e, implementado pelos operadores min ou produto.

As funes de implicao mais utilizadas em aplicaes de engenharia so min e produto. Para
sentenas com um antecedente apenas (do tipo tipo SE A ENTO B), tem-se:

min: ) ( ) ( )) ( ), ( ( ) , ( y x y x min y x
B A B A R
= =
produto: ) ( ) ( ) , ( y x y x
B A R
=

Em ambos os casos acima, a combinao de n declaraes condicionais fuzzy efetuada atravs
do conectivo ou, implementado por max. Para a implicao min, por exemplo, tem-se:

)) ( ) ( ( ) , (
1
y x y x
j j N
B A
n
j
R
=
=


Muitas outras funes de implicao tm sido propostas na literatura, conforme pode ser
verificado nas referncias.

2.5. REGRA DE INFERNCIA COMPOSICIONAL
Duas relaes fuzzy R
1
: SE A ENTO B
R
2
: SE B ENTO C

podem ser compostas de forma a resultar em R
12
: SE A ENTO C

A composio R
12
= R
1
R
2
pode ser definida ou por uma regra do tipo max-min:

)) , ( ) , ( ( ) , (
2 1 12
z y y x z x
R R
y
R
=

ou por uma do tipo max-produto: )) , ( ) , ( ( ) , (
2 1 12
z y y x z x
R R
y
R
=

Quando conjuntos fuzzy discretos so empregados, as operaes acima so equivalentes ao
produto interno de duas matrizes, com a multiplicao e a soma substitudas pelas operaes min
(no primeiro caso) e max, respectivamente. razovel que se use uma das duas definies acima
em correspondncia com a funo de implicao adotada. Assim, com as funes de implicao
envolvendo somente operadores max e min, emprega-se a regra compositional max-min. No
caso de implicaes que envolvam operadores aritmticos, pode-se usar a regra max-produto.

A questo que se coloca agora : dada uma relao entre 2 variveis fuzzy, qual o consequente
para um dado antecedente?

Considerem-se as duas variveis { } { } Y y /y y B X x /x x A
b A
= = ) ( ) (
e a relao entre elas
{ } Y y X x y x y x R
R
= , ) , /( ) , (

Se o antecedente A' for dado por { } X x /x x A
A
= ) ( ' , o consequente ' B , inferido atravs da
regra de inferncia max-min, ser [2]:

B' = A' R = Y y X x y y x x
R
A
x

)
)
]
)
,
]
, / )) , ( ( ) ( (
'

Exemplo:
{ } { }
{ } { } 0 ; 5 , 0 ; 1 ; 8 , 0 ; 3 , 0 ) (
0 ; 4 , 0 ; 1 ; 7 , 0 ; 2 , 0 ; 0 ) (
=
=
y
x
B
A



Relao entre A e B, usando a implicao min:

(
(
(
(
(
(
_
(
,
,
,
,
,
,
_
,
=
0 0 0 0 0
0 4 , 0 4 , 0 4 , 0 3 , 0
0 5 , 0 1 8 , 0 3 , 0
0 5 , 0 7 , 0 7 , 0 3 , 0
0 2 , 0 2 , 0 2 , 0 2 , 0
0 0 0 0 0
) , (
\ y x
R
y x

Se A' for dado por { } { } 2 , 0 ; 7 , 0 ; 1 ; 8 , 0 ; 3 , 0 ; 0 ) (
'
= x
A
, o consequente ser:

{ } ....... ; 8 , 0 ; 3 , 0
......... ..........
), 0 2 , 0 ; 4 , 0 7 , 0 ; 8 , 0 1 ; 7 , 0 8 , 0 ; 2 , 0 3 , 0 ; 0 0 (
), 0 2 , 0 ; 3 , 0 7 , 0 ; 3 , 0 1 ; 3 , 0 8 , 0 ; 2 , 0 3 , 0 ; 0 0 (
) (
'
=
]
]
)
]
]
)
]
]
]
)
]
]
,
]


=
x
x
B
y

2.6. SISTEMA DE INFERNCIA FUZZY
Com base nas informaes apresentadas, possvel construir o Sistema de Inferncia Fuzzy
mostrado na figura abaixo, onde esto identificadas as funes de cada bloco.



















para ativar
as regras
para fornecer a
sada precisa
DEFUZZIFICADOR FUZZIFICADOR
INFERNCIA
REGRAS
conjuntos fuzzy
de entrada
conjunto fuzzy de
sada
mapeia conjuntos fuzzy emconjuntos fuzzy
determina como as regras so ativadas e combinadas
Entradas
precisas
Sada
precisa
fornecidas por especialistas ou
extradas de dados numricos
Como geralmente os dados de entrada so valores precisos, resultados de medies ou
observaes (conjuntos de dados, por exemplo), necessrio efetuar-se um mapeamento destes
dados precisos para os conjuntos fuzzy de entrada relevantes, o que realizado no estgio de
fuzzificao. Neste estgio ocorre tambm a ativao das regras relevantes para uma dada
situao. Uma vez obtido o conjunto fuzzy de sada atravs do processo de inferncia, no estgio
de defuzzificao efetuada uma interpretao dessa informao. No estgio de inferncia
ocorrem as operaes com conjuntos fuzzy propriamente ditas: combinao dos antecedentes das
regras, implicao e regra de inferncia composicional. Os conjuntos fuzzy de entrada, relativos
aos antecedentes das regras, e o de sada, referente ao consequente, podem ser definidos
previamente ou, alternativamente, gerados automaticamente a partir dos dados.

3. CONTROLADORES FUZZY
De posse das informaes apresentadas nos tens anteriores, sero abordados a seguir os
controladores fuzzy, no que concerne a sua estrutura, implementao e anlise.

3.1. INTRODUO
Em um controlador fuzzy baseado em regras a estratgia de controle descrita por intermdio de
regras lingusticas que conectam, de modo impreciso, vrias situaes com as aes a serem
tomadas. As regras so expressas por declaraes condicionais do tipo SE ... ENTO e
implementadas como implicaes lgicas atravs da utilizao das propriedades e tcnicas
abordadas nos tens anteriores. A estrutura bsica de um controlador deste tipo :












A interface de sada adquire informaes (determinsticas) a respeito do processo e as traduz
para a linguagem de conjuntos fuzzy. A podem estar includos conversores A/D e D/A, fatores
de escala, procedimentos de quantizao, etc., conforme ser descrito mais adiante. A interface
de entrada converte a sada fuzzy do controlador para um valor determinstico a ser fornecido ao
processo. A se incluem mtodos de defuzzificao, fatores de escala, integradores, conversores,
etc. Tambm faz parte da estrutura a definio dos conjuntos fuzzy usados para representar as
regras, incluindo-se a tambm as definies dos universos usados para as variveis de entrada e
sada do controlador. O algoritmo de controle usa as regras disponveis e produz, para um
determinado estado do processo, a deciso sobre a prxima entrada do processo. A estrutura
apresentada de carter geral e aplicvel a qualquer processo controlvel por essas tcnicas. O
INTERFACE DE
SADA
PROCESSO
REGRAS
ALGORITMO
DE
CONTROLE
INTERFACE DE
ENTRADA
definio dos
conjuntos fuzzy
que fornece ao controlador uma identidade o conjunto de regras que lhe so fornecidas; estas
constituem a quantidade de informao necessria para executar uma determinada tarefa de
controle com o processo em questo. Isto importante de ser enfatizado pois a essncia do
controlador reside nas regras de controle; a teoria de conjuntos fuzzy apenas fornece os meios
para se traduzir as regras em termos matemticos e para se inferir uma deciso a partir delas.

3.2. INTERFACE COM O PROCESSO
Nesta seo consideram-se a definio das variveis de controle e tens como escalonamento,
quantizao e mtodos de defuzzificao, necessrios para se estabelecer a conexo do
controlador fuzzy com um processo no-fuzzy.

3.2.1. VARIVEIS DE CONTROLE
Em controladores fuzzy de carter geral como o apresentado aqui,. as variveis de entrada so o
erro, gerado a partir da diferena entre o sinal de referncia e a sada do processo, e a variao
do erro, normalmente gerada a partir do erro. A varivel de sada do controlador a variao no
controle. A opo por uma sada incremental, ao invs de absoluta, mais condizente com o
raciocnio empregado por operadores humanos e, alm disso, proporciona uma economia em
termos do universo da sada.

Estabelecendo uma ligao com as sees anteriores, as variveis fuzzy erro e variao do erro
so subconjuntos fuzzy em seus respectivos universos. Elas poderiam ser definidas, por exemplo,
como correspondentes aos valores reais medidos das entradas. Entretanto, um procedimento mais
geral faz uso de universos discretos e normalizados, definidos como, por exemplo:

{-6,-5,-4,-3,-2,-l, 0, 1, 2, 3, 4, 5, 6}

Nos controladores fuzzy do tipo do aqui considerado, os conjuntos fuzzy correspondentes s
variveis fuzzy so definidos por conjuntos suporte de forma triangular, simtricos, com
valores de pertinncia {0,3 0,7 1,0 0,7 0,3). Na tabela a seguir esto representados 7 conjuntos
fuzzy denominados PB (positive big ), PM (positive medium), PS (positive small ), ZO (zero),
NB (negative big), NM (negative medium), NS (negative small) e os valores de pertinncia
associados a cada um desses conjuntos, considerando um universo discreto e finito de 13
elementos conforme definido acima.

UNIVERSO
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
PB 0 0 0 0 0 0 0 0 0 0 0,3 0,7 1
PM 0 0 0 0 0 0 0 0 0,3 0,7 1 0,7 0,3
PS 0 0 0 0 0 0 0,3 0,7 1 0,7 0,3 0 0
ZO 0 0 0 0 0,3 0,7 1 0,7 0,3 0 0 0 0
NS 0 0 0,3 0,7 1 0,7 0,3 0 0 0 0 0 0
NM 0,3 0,7 1 0,7 0,3 0 0 0 0 0 0 0 0
NB 1 0,7 0,3 0 0 0 0 0 0 0 0 0 0
Alternativamente pode ser empregada uma representao grfica, conforme a figura a seguir:








ESCALONAMENTO E QUANTIZAO
Conforme mencionado na seo anterior, os universos aqui considerados para as variveis fuzzy
so discretos, finitos e normalizados. Assim, torna-se necessrio utilizar fatores de escala para
fazer corresponder, aos valores reais e medidos do erro e variao do erro, valores normalizados.
Alm disto, deve ser efetuada uma quantizao, resultando nas seguintes entradas para o
controlador (em um instante i, por exemplo):

quantizado i
quantizado i
erro do iao GCE ce
erro GE e
) var (
) (
=
=


onde GE e GCE so fatores de escala. O procedimento de escalonamento e quantizao est
representado na figura abaixo, onde, como um exemplo, GE (GCE) = 0,5:














Os fatores de escala GE e GCE determinam a forma da caracterstica mostrada na figura. Um
aumento em GE, por exemplo, significa que um nmero menor de valores reais poder ser
mapeado para o universo escolhido. A tolerncia do erro dada por 1/2GE. A1m disso, valores
que carem fora da regio entre A
max
e -A
max
sero mapeados para +6 e -6, respectivamente. Isto
significa que o controle ser mais preciso na janela delimitada por aqueles valores. A escolha
dos fatores de escala parte do procedimento de sintonia do controlador e estes podem ser
expressos por constantes ou por funes (do erro, por exemplo). Se o universo da sada do
controlador tambm for normalizado, a exemplo das variveis de entrada, um fator de escala GO
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6





1
0,7
0,3


























NB NM NS ZO PS PM PB
2 4 6 8 10 A
max
6
5
4
3
2
1
e
i
(ce
i
)
1/GE
(1/GCE)
erro real
(variao do erro)
-1
-2
-3
-4
-5
-6
-A
max

usado, aps a defuzzificao (cf. seo seguinte), para mapear valores quantizados para valores
reais compatveis com a entrada do processo. Esse fator de escala tambm deve ser ajustado de
acordo com o comportamento da resposta.

3.2.2. MTODOS DE DEFUZZIFICAO
A sada do controlador fuzzy um subconjunto fuzzy U
i
do universo da sada. Como o processo
requer um sinal no-fuzzy em sua entrada, deve-se fazer uma interpretao daquele conjunto
fuzzy. Esta interpretao, denominada defuzzificaco, pode ser feita atravs de vrios mtodos,
mas os mais consagrados so Mdia dos Mximos e Centro de Gravidade. No primeiro, a sada
determinstica (no fuzzy), denominada u
MOM
obtida tomando-se a mdia entre os dois
elementos extremos no universo que correspondem aos maiores valores da funo de pertinncia.
Com o Centro de Gravidade, a sada u
COG
o valor no universo que divide a rea sob a curva da
funo de pertinncia em duas partes iguais.

Quando os universos utilizados so discretos, o resultado da defuzzificao tem de ser
arredondado para o valor inteiro mais prximo no universo. O arredondamento para o valor
inteiro imediatamente abaixo impossibilitar que se obtenha o valor mais alto do universo
quando o conjunto suporte est localizado no extremo do universo {0,3; 0,7; 1}, por exemplo.
Na realidade, com o Centro de Gravidade nunca se consegue obter os valores extremos do
universo, devido a prpria natureza do mtodo. Isto pode dar origem a uma resposta mais lenta
do que a obtida com a Mdia dos Mximos.

3.3. EXPRESSO DE REGRAS DE CONTROLE EM TERMOS MATEMTICOS
Embora a terminologia a seguir seja voltada para sistemas de controle, o desenvolvimento
apresentado totalmente vlido para qualquer sistema de inferncia fuzzy com entradas
determinsticas.

A estratgia de controle descrita por um conjunto de declaraes condicionais ou regras
lingusticas. Conforme mencionado em sees anteriores, duas entradas so consideradas para
cada sada: o erro E, e a variao do erro CE. A sada a variao na sada do controlador U.
O conjunto de regras , ento, da forma:

R
N
: SE E = E
1
e CE = CE
1
ENTO U = U
1
ou
SE E = E
2
e CE = CE
2
ENTO U = U
2
ou
.
.
.
ou
SE E = E
n
e CE = CE
n
ENTO U = U
n


onde E
j
, CE
j
e U
j
so subconjuntos fuzzy dos universos E = {e}, CE = {ce}e U = {u}.
Cada regra R
j
pode ser expressa, atravs de sua funo de pertinncia, como:
[ ] ) ( ), ( ) ( ) , , (
1
u ce e f u ce e
j j j j
U CE E R
=


A combinao de todas as n regras expressa matematicamente por:
))] ( ), ( ) ( ( .........,
)),... ( ), ( ) ( ( )), ( ), ( ) ( ( [ ) , , (
1
2 2 2 1 1 1
1
1 1 2
u ce e f
u ce e f u ce e f f u ce e
n n n
N
U CE E
U CE E U CE E R

=

Desta forma, a estratgia de controle representada por uma matriz
N
R
.O controlador ento
solicitado a fornecer, a partir do valores do erro e da variao do erro, e utilizando-se da regra
de inferncia composicional, uma sada apropriada. Assim, em um instante i, quando as entradas
determinsticas so e
i
e ce
i
, o conjunto fuzzy da sada ser dado por:

N
i i i
R CE E U ) ( =

onde E
i
e CE
i
so os subconjuntos fuzzy das entradas e U
i
o subconjunto fuzzy da sada.
Usando a regra de inferncia max-min, tem-se:
[ ] ) , , ( ( ) ( ( ) ( ) ( u ce e ce e u
N
i i i R
CE E
ce e
U
=


Os clculos podem ser simplificados se considerarmos que os subconjuntos fuzzy das entradas
consistem de valores reais no-fuzzy (singletons), isto :

i CE i CE
i E i E
ce ce ce ce ce ce
e e e e e e
i i
i i
= = =
= = =
se 0 ) ( se 1 ) (
se 0 ) ( se 1 ) (

Com isto, [ ]
[ ]
i i
R
ce e
i i
R
ce e
U
ce ce e e u ce e
ce ce e e u ce e u
N
N
i
=
= = =
e para ) , , ( ( 0 0
e para ) , , ( ( 1 1 ) (

Ou seja:
casos outros nos 0
para ) , , ( ) (
=
= =
i
R
U
e e u ce e u
N
i




Portanto, o conjunto fuzzy que representa a sada do controlador dado por:

))] ( ), ( ) ( ( .........,
)),... ( ), ( ) ( ( )), ( ), ( ) ( ( [ ) , , (
1
2 2 2 1 1 1
1
1 1 2
u ce e f
u ce e f u ce e f f u ce e
n n n
N
U
i
CE
i
E
U
i
CE
i
E U
i
CE
i
E R

=



Exemplo: controlador fuzzy com duas entradas erro e variao do erro e uma sada.

Dados:

13 conjuntos fuzzy para cada varivel, todos eles "triangulares", simtricos, definidos em
universos discretos e finitos [-6,+6] segundo as funes de pertinncia a seguir:








concatenao dos antecedentes (conectivo e): min
implicao (operador f
1
): min
conectivo ou (operador f
2
): max
regras: SE E = NS e CE = PS ENTO U = NS
SE E = ZO e CE = NVS ENTO U = ZO
entradas (aps escalonamento e quantizao): e
i
= -1 e ce
i
= 0

=
=
=

=
=
7 , 0 ) ( ) (
7 , 0 ) (
7 , 0 ) (
3 , 0 ) ( ) (
3 , 0 ) (
7 , 0 ) (
i NVS i ZO
i NVS
i ZO
i PS i NS
i PS
i NS
ce e
ce
e
ce e
ce
e
[ ] ) ( 7 , 0 ); ( 3 , 0 ) ( u u u
ZO NS U
i
=


Ou seja, faz-se a unio de:




































-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
1
0,7
0,3
NVB NB NHM NM NS NVS ZO PVS PS PM PHM PB PVB

















-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
1
0,7
0,3
NS




-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
1
0,7
0,3
ZO
Conjunto fuzzy da sada do controlador:








A defuzzificao pela Mdia dos Mximos, por exemplo, proporciona uma sada determinstica



Observao:
Como, neste exemplo, h 13 conjuntos fuzzy para o erro e 13 para a variao do erro, o
mximo nmero possvel de regras seria 169 (13 13). Considerou-se, para fins do exemplo,
a existncia de apenas 2 regras. Alternativamente, poder-se-ia considerar que, das n (169)
regras existentes, somente as duas explicitadas so as ativadas pelo erro e variao do erro no
instante i considerado.

3.4. ASPECTOS DE IMPLEMENTAO
Nesta seo apresentada uma maneira simples de se tratar as regras, com vistas
implementao do algoritmo de controle. So tambm comentados aspectos de ordem prtica
que devem ser levados em considerao quando da implementao e utilizao do algoritmo.

3.4.1. ARMAZENAMENTO DE REGRAS
O exemplo visto na seo anterior pode ser resolvido de uma maneira mais eficiente se o espao
de estado E CE for representado por uma grade e se for definido o centro da regra (e
R
, ce
R
)
nesse espao como o ponto onde 1 ) ( ) ( = = ce e
j j
CE E
. Com os universos e valores de
pertinncia usados no exemplo acima, a regio de influncia de cada regra determinada por um
quadrado de 5 unidades de lado e seu grau de influncia dentro deste quadrado representado
por:

0,3 0,3 0,3 0,3 0,3
0,3 0,7 0,7 0,7 0,3
0,3 0,7 1 0,7 0,3
0,3 0,7 0,7 0,7 0,3
0,3 0,3 0,3 0,3 0,3

Com isto, possvel utilizar um simples nmero para representar o conjunto fuzzy associado ao
valor lingustico de uma varivel em uma regra. A ao do controlador pode tambm ser
representada da mesma forma; os valores numricos na grade representam a posio no universo
em que o valor de pertinncia 1. Assim, o armazenamento de regras torna-se bastante simples;




-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6


MOM
1
0,7
0,3

u
i
= 0
e
R
ce
R
conhecidos o conjunto suporte e o centro da regra, torna-se fcil recuperar os conjuntos fuzzy
correspondentes.

A expresso ) ( ) (
i
CE
i
E
ce e
j j
, que determina a regio de influncia de uma regra, descreve o
quanto as entradas do controlador so compatveis com os antecedentes de uma regra j. Esta
expresso normalmente chamada de degree of fulfilment da regra j no instante i, ou
j
i
DOF .
Se o operador produto fosse usado para DOF (em outras palavras, o conectivo e de concatenao
dos antecedentes), a distribuio em torno de (e
R
, ce
R
) seria:


0,09 0,21 0,3 0,21 0,09
0,21 0,49 0,7 0,49 0,21
0,3 0,7 1 0,7 0,3
0,21 0,49 0,7 0,49 0,21
0,09 0,21 0,3 0,21 0,09

Como valores pequenos de DOF so obtidos com este operador, um procedimento razovel
consiste de se estabelecer um limiar abaixo do qual a contribuio da regra desconsiderada.
Para um limiar de 0,3, por exemplo, a regio de influncia de cada regra excluiria os pontos onde
DOF = 0,09 e DOF = 0,21.

Voltando ao exemplo, a posio no espao de estado no instante i, dada por (e
i
, ce
i
), e as duas
regras, especificadas pelos seus centros ) , ( e ) , (
2 2 1 1
R R R R
ce e ce e , esto representadas na figura
abaixo:

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
-6
-5
-4
-3
-2
-2

-1
X

0
0

1
2
3
4
5
6



1 2
R i R
ce ce ce

2
1
R
i
R
e
e
e
variao do erro
e
r
r
o
e
R
ce
R
A regra centrada em (-2,2) contribui menos do que a centrada em (0,-l) para o clculo da ao a
ser tomada pelo controlador quando o estado presente (-1,0). Isto foi indicado pelos valores
) ( 7 , 0 e ) ( 3 , 0 u u
ZO NS
obtidos na expresso para ) (u
i
U
.

3.4.2. CONTRIBUIO DE CADA REGRA
Com base no que foi visto, verifica-se que, para um ponto (e
i
,ce
i
) no espao de estado, as regras
que contribuem para o clculo da ao do controlador so aquelas cujos centros esto a uma
certa distncia de (e
i
,ce
i
). Se conjuntos suporte de tamanhos diferentes forem empregados, os
quadrados tornam-se paralelogramos e a distncia de uma regra do ponto (e
i
,ce
i
) no ser
uniforme em todas as direes, tornando a implementao menos simples. Dependendo do
mtodo de defuzzificao empregado, menos regras podem contribuir para o clculo da ao do
controlador. Se COG for utilizado, todas as regras dentro de uma certa distancia contribuem e
devem ser includas nos clculos. As regras mais prximas de (e
i
,ce
i
) tero uma contribuio
maior do que as mais distantes, evidentemente. No entanto, se MOM for empregado, somente as
regras mais prximas de (e
i
,ce
i
) contribuiro, e apenas elas precisam ser includas nos clculos.
Isto se deve ao fato de que, no mtodo MOM, somente os picos no conjunto fuzzy da sada so
relevantes. Esse mtodo efetivamente seleciona as regras com maior DOF, ou seja, aquelas mais
prximas de (e
i
,ce
i
). Em virtude desta caracterstica, possvel criar algoritmos muito simples
em que conjuntos fuzzy no so usados explicitamente no clculo da ao do controlador.

3.4.3. INFLUNCIA DAS FUNES DE PERTINNCIA
A regio de influncia de uma regra depender da abrangncia, em termos do universo
considerado, dos conjuntos fuzzy das entradas. Portanto, o tamanho do conjunto suporte
certamente influi no clculo da ao de controle. No caso de conjuntos com a mesma
abrangncia mas com funes de pertinncia de diferentes formas, a forma dos conjuntos dos
antecedentes de cada regra afeta a determinao de DOF, o que ter um efeito no consequente
(ou sada) de cada regra, e no resultado final. A forma do conjunto do consequente de cada regra
afeta o conjunto fuzzy da sada diretamente. No entanto, a sada determinstica do controlador
depender do mtodo de fuzzificao Com MOM, a forma dos conjuntos dos antecedentes no
tem importncia, desde que sejam simtricos e de forma aproximadamente triangular. S
necessrio saber (atravs de DOF) a distncia da regra de (e
i
,ce
i
); as magnitudes absolutas dos
valores da funo de pertinncia no so importantes; apenas as magnitudes em relao s de
outra regra interessam. Similarmente, a forma dos conjuntos do consequente tambm no
importante. No caso do mtodo COG, a forma dos conjuntos suporte importante mesmo
quando h simetria. A rea sob a curva afetada diretamente pelo consequente de cada regra e
indiretamente por DOF.

3.4.4. INFLUNCIA DAS FUNES DE IMPLICAO
Diversas funes de implicao tm sido propostas na literatura, na maioria dos casos levando
em considerao aspectos de lgica [8,9,10,11]. Discusses sobre o uso de diferentes funes de
implicao e sua eventual vinculao com mtodos de defuzzificao podem ser encontradas em
[13]. Do ponto de vista prtico (ou de engenharia), as funes mais adequadas so as j citadas
min e produto. Este aspecto exaustivamente explorado em [14], cuja leitura fortemente
recomendada.

3.5. CONCLUSES
O comportamento e o desempenho de sistemas de inferncia fuzzy em geral, e de controladores
fuzzy em particular, dependem de vrios aspectos relacionados a sua estrutura e implementao,
tais como: nmero de conjuntos fuzzy associados a cada varivel, formas das funes de
pertinncia, funes de implicao, operadores para e e ou, mtodo de defuzzificao e, se for o
caso, tcnicas de quantizao, fatores de escala.

4. COMENTRIOS FINAIS
Aps o trabalho inicial de Mamdani e Assilian, surgiram inmeras outras aplicaes de lgica
fuzzy em controle, inclusive em escala industrial. Uma das mais bem sucedidas vem sendo
utilizada at hoje em plantas de produo de cimento [15,16]. Neste tipo de aplicao,
controladores fuzzy so usados para fornecer sinais de referncia para controladores do tipo PID,
ou seja, aqueles no atuam diretamente sobre a planta, mas em um nvel hierrquico superior. O
sucesso desta aplicao deveu-se em muito ao fato de os operadores humanos (especialistas)
terem sido capazes de traduzir consistentemente, em termos de regras lingusticas, as atitudes
que tomavam no ajuste dos sinais de referncia para os controladores PID. Embora grande parte
das aplicaes considere universos discretos, similarmente ao que foi abordado neste texto,
tambm se faz uso de universos contnuos e de conjuntos fuzzy definidos por funes de
pertinncia contnuas [17]. Um controle fuzzy distinto do mostrado no exemplo, mas mantendo
os mesmos princpios e o mesmo processo de inferncia, foi empregado em controle de trfego
[18]. Em virtude da preocupao com a aquisio de regras, j mencionada anteriormente,
controladores com capacidade de aprendizado foram desenvolvidos e aplicados a diversas
plantas [19, 20, 21, 22, 23, 24, 25, 26]. Um controlador fuzzy de estrutura distinta considera a
sada do controlador como uma combinao linear das entradas [27,28] e conhecido na
literatura como controlador de Takagi-Sugeno. De meados dos anos 80 em diante, o uso de
controladores fuzzy em escala comercial mostrou um crescimento bastante significativo, com
aplicaes em mquinas de lavar roupa, mquinas fotogrficas e na indstria automobilstica.
Empresas japonesas e americanas tm produzido controladores fuzzy em chips ou cartes para
uso em microcomputadores, possibilitando sua interligao aos mais diversos processos. Existem
em escala comercial diversos aplicativos para projeto e implementao de sistemas de inferncia
fuzzy, como por exemplo, a Fuzzy Toolbox do Matlab

. Tem havido tambm uma forte


interao entre Lgica Fuzzy e Redes Neurais, dando origem s estruturas Neuro-Fuzzy,
adequadas para gerao automtica de bases de regras e de funes de pertinncia.

Referncias
1. Zadeh, L.A., (1965). "Fuzzy Sets". Information and Control, V. 8: 338-353.
2. Zadeh, L.A., (1973). "Outline of a New Approach to the Analysis of Complex Systems and Decision
Processes". IEEE Transanctions on Systems Man & Cybernetics, Vol.3: 28-44.
3. Mamdani, E.H., (1974). "Application of Fuzzy Algorithms for Control of Simple Dynamic Plant". Proceedings
of the IEE (Control and Science), V. 121: 298-316.
4. Mamdani, E.H. & Assillan, S., (1975). "An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller".
International Journal of Man-Machine Studies, Vol. 7: 1-13.
5. Mamdani, E.H., (1977). "Applications of Fuzzy Logic to Approximate Reasoning using Linguistic Synthesis",
IEEE Trans. Computers, V. 126: 1182-1191.
6. Kaufmann, A., (1975). Introduction to the Theory of Fuzzy Subsets. Academic Press.
7. Klir, G.J. & Folger, T.A., (1988). Fuzzy Sets, Uncertainty, and Information. Prentice Hall..
8. Gaines, B. R. , (1976). "Foundations of Fuzzy Reasoning". Int. Journal of Man-Machine Studies, V. 8: 623-668.
9. Baldwin, J.F. & Pilsworth, B.W. (1980). "Axiomatic Approach to Implication for Approximate Reasoning with
Fuzzy Logic". Fuzzy Sets and Systems, Vol. 3: 193-219.
10. Yager, R., (1980). "An Approach to Inference in Approximate Reasoning" Int. Journal of Man-Machine
Studies, Vol. 13: 323-338.
11. Mizumoto, M., (1982). "Fuzzy Inference using max-min composition in the Compositional Rule of Inference".
In: Approximate Reasoning in Decision Analysis, M.M. Gupta, E. Sanchez (Ed.), North-Holland: 67-76.
12. Whalen, T. & Schott, B., (1983). "Issues in Fuzzy Production Systems", Int. Journal of Man-Machine Studies,
Vol. 19: 57-71.
13. Lembessis, E. & Tanscheit, R., (1991). "The Influence of Implication Operators and Defuzzification Methods
on the Deterministic Output of a Fuzzy Rule based Controller". Proceedings of the 4th IFSA Congress, PP. 109-
114 (Engineering), Bruxelas, B1gica.
14. Mendel, J.M., (1995). "Fuzzy logic systems for engineering: a tutorial", Proc. IEEE, vol. 83(3): 345-377.
15. Holmblad, I.P. & Ostergaard, J.J., (1981). "Fuzzy Logic Control: Operator Experience applied in Automatic
Process Control". FLS Review, F.L.Smidth & Co., Copenhagen, Denmark, n. 45: 11-16.
16. Umbers, I.G. & King, P.J., "An Analysis of Human Decision-Maing In Cement Kiln Control and the
Implications for Automation". In: Fuzzy Reasoning and its Applications, E.H. Mamdani & B.R. Gaines (Ed.),
Academic Press: 369-381.
17. Kickert, W.J.M. & Van Nauta Lemke, H.R., (1976). "The Application of a Fuzzy Controller In a Warm Water
Plant". Automatics. Vol. 12: 301-308.
18. Pappis, C.P. & Mamdani, E.H., (1977). "A Fuzzy Logic Controller for a Traffic Junction". IEEE Transactions
on Systems, Man and Cybernetics, V. 7: 625-629.
19. Lembessis, E., (1984). "Dynamic Learning Behaviour of a Rule-based Self Organising Controller". Ph. D.
Thesis, University of London.
20. Procyk, T. J. & Mamdani, E. H. , (1979). "A Linguistic Self-Organising Process Controller"., Automatica, V.
15: 15-30.
21. Yamazaki, T. (1982). "An Improved Algorithm for a Self-Organising Controller". Ph. D. Thesis, Univ. London.
22. Scharf, E.M. & Mandic, N.J., (1985). "The Application of a Fuzzy Controller to the Control of a Multi-degree
of Freedom Robot-Arm". In: Industrial Applications of Fuzzy Control, M. Sugeno (Ed.), North-Holland: 41-61.
23. Tanscheit, R. & Scharf, E.M., (1988). "Experiments with the use -of a Rule Based Self-Organising Controller
for Robotics Applications". Fuzzy Sets & Systems, V. 26 (2): 195-214.
24. Scharf, E.M. & Mamdani, E.H., (1988). "Control of Robots using Fuzzy Reasoning". In: International Encyclo
pedia of Robotics Applications & Automation, R. Dorf (Ed.), John Wiley, pp. 254-265.
25. Tanscheit, R. & Scharf, E.M., (1990). "Controle de um Brao Mecnico atravs de um Controlador Fuzzy Self-
Organising". Anais do 8
o
. CBA, pp. 481-487, Belm, PA.
26. Tanscheit, R. & Lembessis, E., (1991). "On the Behaviour and Tuning of a Fuzzy Rule-based Self-Organising
Controller". 13th IMACS World Congress on Computation and Applied Mathematics, Dublin, Irlanda.
27. Takagi, T. & Sugeno, M., (1985). "Fuzzy Identification of Systems and its Applications to Modelling and
Control". IEEE Trans. on Systems, Man & Cybernetics, Vol. IS: 116-132.
28. Sugeno, M. & Kang, G.T., (1986). "Fuzzy Modelling and Control of Multilayer Incinerator". Fuzzy Sets and
Systems, Vol. 18: 329-346.