You are on page 1of 16

RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.

Resumo Este artigo apresenta um tutorial sobre a lgica


fuzzy tipo-2, trazendo os principais conceitos desta rea de pes-
quisa. A primeira parte documento apresenta os principais
conceitos sobre a lgica fuzzy tipo-1 e tipo-2 e, em seguida, a-
presenta-se os conceitos do Sistema de Inferncia Fuzzy tipo-1 e
tipo-2 intervalar.

Palavras-chave Lgica fuzzy tipo-2, Controladores fuzzy ti-
po-2, Sistema de inferncia fuzzy tipo-2, Lgica difusa.
I. INTRODUO
O conceito da informao est intimamente ligado ao da
incerteza. A deficincia da informao pode resultar em
incerteza na soluo de um determinado problema [1]. No
nvel emprico, a incerteza est presente em qualquer medi-
o, resultante de uma combinao de erros de medio, da
resoluo dos instrumentos de medio e de rudos. No nvel
cognitivo, a incerteza aparece na ambigidade inerente da
linguagem natural [1].
Os sistemas reais trabalham com informaes imperfeitas
[2, 3], sendo que qualquer elemento do sistema pode contri-
buir com impreciso e incertezas [4]. A informao perfei-
ta quando precisa e certa e imperfeita quando inconsis-
tente, imprecisa e incerta. Impreciso e inconsistncia so
propriedades relacionadas ao contedo da informao. In-
certeza uma propriedade que resulta da falta de informao
sobre o ambiente para decidir se a afirmao verdadeira ou
falsa [4]. Para ilustrar a diferena entre a impreciso e incer-
teza, considere os seguintes exemplos [4]:
1. Maria tem pelo menos trs filhos e estou certa disso.
2. Maria tem dois filhos, mas no estou certa sobre isso.
No caso 1, o nmero de crianas impreciso, mas certo. No
caso 2, o nmero de crianas preciso, mas incerto [4].
A lgica fuzzy tipo-1, tambm conhecida como lgica ne-
bulosa ou lgica difusa, capaz de trabalhar com a incerteza
relacionada ao significado das palavras utilizando funes
de pertinncia precisas [5]. Uma vez que as funes de per-
tinncia tipo-1 so definidas, toda a incerteza relacionada
com o significado das palavras desaparece, porque as fun-
es de pertinncia tipo-1 so totalmente precisas [5].
A lgica fuzzy tipo-2, por outro lado, modela a incerteza
oriunda do significado das palavras. Embora a funo de
pertinncia tipo-2 tambm seja totalmente precisa, esta
composta por uma mancha de incerteza (FOU- Footprint
of uncertainty) que permite que a incerteza seja trabalhada
pelo sistema de inferncia fuzzy (SIF) tipo-2 [5]. Se toda a
incerteza do sistema desaparecer, o SIF tipo-2 reduzido
para o SIF tipo-1.
A lgica fuzzy tipo-1 teve seu incio em 1965, quando
Lotfi Zadeh introduziu o conceito de conjuntos fuzzy, capaz
de tratar o aspecto vago da informao [6, 7, 8]. Em 1972,
Michio Sugeno apresentou o conceito de medidas fuzzy. A
primeira aplicao utilizando a lgica fuzzy ocorreu em
1974, quando Ebraham Mamdani aplicou o conceito da l-
gica fuzzy para controlar um motor a vapor [7, 8]. Em 1975,
Zadeh introduziu o conceito de conjuntos fuzzy tipo-2 [5, 9].
Em 1976, Mizumoto e Tanaka apresentaram estudos sobre
as operaes dos conjuntos fuzzy tipo-2 e suas funes de
pertinncias. E, em 1977, Niemien apresentou a estrutura
algbrica dos conjuntos fuzzy tipo-2 com mais detalhes [5].
Nos anos seguintes no foram encontrados trabalhos rele-
vantes envolvendo os conjuntos fuzzy tipo-2. Mas, por outro
lado, a lgica fuzzy tipo-1 continuou a ser utilizada princi-
palmente na indstria japonesa, que nos anos 80 e 90 produ-
ziu um grande nmero de eletrodomsticos e solues in-
dustriais utilizando controladores fuzzy [7].
A lgica fuzzy tipo-2 voltou a ser abordada pela comuni-
dade cientfica no final dos anos 90 com os trabalhos de
Karnik e Mendel [5, 10, 11]. Nestes trabalhos, foi apresen-
tada a teoria completa do Sistema de Inferncia Fuzzy (SIF)
tipo-2, incluindo: as operaes, o tipo-redutor e os mtodos
de defuzificao. Em 2000 Liang e Mendel desenvolveram a
teoria do SIF tipo-2 intervalar e mostraram como o SIF tipo-
2 intervalar pode ser projetado [12]. Alm disso, apresenta-
ram diversas aplicaes mostrando a superioridade de de-
sempenho do SIF tipo-2 intervalar e sua capacidade de tra-
balhar com incerteza. Mas a execuo do mdulo tipo-
redutor do SIF tipo-2 intervalar era o gargalo do sistema,
por causa da grande carga computacional necessria para
execut-lo. Para solucionar este problema, Wu e Mendel
desenvolveram o mtodo dos limites incertos [13], que per-
mitiu a execuo rpida do SIF tipo-2 e sua aplicao na
rea de controle, de sistemas de tempo real e na indstria. O
SIF tipo-2 tambm utilizado em aplicaes na rea de ci-
ncias da computao, diagnose mdica, reconhecimento de
padres, matemtica, entre outras [14].
O material apresentado nas prximas sees foi baseado
principalmente nos livros de Jerry Mendel [5], que traz o
material terico denso sobre a lgica fuzzy tipo-1 e tipo-2 e
sobre o Sistema de Inferncia Fuzzy tipo-1 e tipo-2. E no
livro de Oscar Castillo e Patricia Melin [2], que apresenta a
teoria e aplicao da lgica fuzzy tipo-2.
Alm das publicaes anteriores, baseou-se o trabalho
tambm nos seguintes artigos: Interval Type-2 Fuzzy Logic
Systems Made Simple, escrito por Jerry Mendel, Robert John
e F. Liu [15] e no artigo Type-2 Fuzzy Sets and Systems es-
crito por J. Mendel [16], que apresentam os conhecimentos
fundamentais da lgica fuzzy tipo-2 intervalar. Nos artigos:
A hierarchical type-2 fuzzy logic control architecture for
autonomous mobile robots, escrito por H. Hagras [17] e In-
Paloma M. S. Rocha Rizol
1
, Leonardo Mesquita
1
e Osamu Saotome
2
1
UNESP Univ. Estadual Paulista, Faculdade de Engenharia de Guaratinguet, SP, Brasil.
2
ITA Instituto Tecnolgico de Aeronutica, So Jos dos Campos, SP, Brasil.
E-mails: paloma@feg.unesp.br, mesquita@feg.unesp.br, osaotome@ita.br

Lgica Fuzzy tipo-2
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
terval Type-2 Fuzzy Logic Systems: Theory and Design,
escrito por N. Liang e J. Mendel [12], que apresentam os
conceitos sobre o sistema de inferncia fuzzy tipo-2 interva-
lar. O conceito sobre tipo-redutor e defuzificador do sistema
fuzzy tipo-2 foi baseado no artigo Type-2 Fuzzy Logic Sys-
tems: Type Reduction escrito por Karnik e Mendel [11] e no
artigo Uncertainty bounds and their use in the design of
interval type-2 fuzzy logic systems , escrito por Wu e Men-
del [13,18].
II. CONJUNTO FUZZY TIPO-1
Na teoria de conjuntos clssicos (crisp), possvel dizer
que um objeto pertence ou no pertence a um conjunto; e,
por isso, possui apenas dois graus de pertinncia em relao
ao conjunto [0 ou 1] [19]. Os conjuntos fuzzy (tipo-1) possu-
em diferentes graus de pertinncia de um dado objeto em
relao ao conjunto que varia suavemente no intervalo de
discurso dado por [0,1].
Seja, por exemplo, um conjunto de adultos com ndice de
massa corprea (IMC) normal. Pode-se representar este con-
junto tanto por conjuntos clssicos ( crisp ) quanto por con-
juntos fuzzy. A funo de pertinncia
N
(x) do conjunto
clssico N dada por:
1
( )
0
N
x N
x
x N

e
=

e

(1)
Nos conjuntos clssicos, o elemento x membro do con-
junto N quando
( ) 1
N
x =
ou no, quando
( ) 0
N
x =
. Grafica-
mente, um exemplo de funo de pertinncia do conjunto
clssico para o IMC normal mostrado na Figura 1(a).

(a) (b)
Figura 1. Conjunto representando IMC de pessoa adulta (a) Crisp e (b)
Fuzzy.
Nos conjuntos fuzzy, a transio abrupta substituda por
uma funo de pertinncia suave [19]. O conjunto fuzzy de
adultos com ndice de massa corprea (IMC) normal (Figura
1(b)), do universo de discurso IMC, dado pela funo de
pertinncia fuzzy
N
(x) [20].
( )
0 18
2 36 18 18, 5
1 18, 5 25
51 2
N
x
x x
x x
x

<
s <
= s s
25 25, 5
0 25.5
x
x

< s

>

(2)
Matematicamente, o conjunto fuzzy N (IMC normal), de-
finido em um universo de discurso I (IMC) pode ser repre-
sentado por:
( ) ( ) { }
, |
N
N x x x I = e
(3)
Quando o universo de discurso contnuo, o conjunto N
pode ser representado pela equao (4).
( ) /
N
I
N x x =
}
(4)
onde
}
significa coleo de todos os pontos.
Entretanto, quando o universo de discurso discreto, o
conjunto N representado pela equao (5).
( )
1
/
n
N i i
i
N x x
=
=

(5)
A seguir, so apresentadas as principais propriedades dos
conjuntos fuzzy, com base nas referncias [1, 2, 5, 19].
1. Suporte de um conjunto fuzzy: O suporte de um con-
junto fuzzy N um conjunto crisp que contm todos os ele-
mentos x I e , desde que
( ) 0
N
x >
. Ou seja,
( ) { } sup | ( ) 0
N
N x I x = e >
(6)
2. Altura do conjunto fuzzy: A altura de um conjunto
fuzzy N o valor mximo da pertinncia de x em I, sendo
definida por:

( ) ( )
N
x I
hgt N sup x
e
=
(7)
onde sup denota a operao matemtica supremum [21].
3. Kernel: O kernel de um conjunto fuzzy N consiste de
todos os elementos x cujo grau de pertinncia 1:
( ) ( ) { }
| 1
N
ker N x I x = e = (8)
A Figura 2 apresenta a identificao da altura, kernel e
suporte de um conjunto fuzzy.

Figura 2. Altura, Kernel e Suporte de um conjunto fuzzy.
4. Crossover point: O elemento x I e , no qual
( ) 0, 5
N
x =
denominado ponto de crossover.
5. Singleton: Um conjunto N cujo suporte um nico
ponto em I, com
( ) 1
N
x = , denominado singleton fuzzy.
6. o-cut : O o-cut do conjunto fuzzy N definido por:
o-cut
( ) ( ) { } |
N
N x I x o = e >
(9)
7. Varivel lingstica: As funes de pertinncia fuzzy
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
so representadas por variveis lingsticas que podem ser
expressas por palavras ou sentenas usadas na lngua [9].
Uma varivel lingstica definida por trs elementos prin-
cipais: (x, T(x), I), onde x o nome da varivel. T(x) um
conjunto de valores lingsticos para os valores de x. No
caso da varivel lingstica ndice de massa corprea
T(IMC) (Figura 3), tem-se:
T(IMC)={Subnutrio, Saudvel, Obeso}

Figura 3. Variveis lingsticas.
Onde cada termo em T(IMC) caracterizado por um con-
junto fuzzy em um universo de discurso I = [10,40].
A lgica fuzzy capaz de trabalhar com a incerteza rela-
cionada ao significado das palavras, ou seja: As palavras
podem ter diferentes significados para diferentes grupos de
pessoas [5]. Um conjunto fuzzy pessoas altas, do universo
de discurso Altura, por exemplo, pode ter diferentes valores
para cada populao de acordo com o pas que se est avali-
ando. Esta incerteza pode ser modelada com a funo de
pertinncia tipo-2, que ser apresentada na prxima seo.
Pois possui uma mancha de incerteza associada funo
de pertinncia primria. Esta mancha de incerteza repre-
senta a incerteza associada aos diferentes valores de altura
de cada populao.
III. CONJUNTO FUZZY TIPO-2
A funo de pertinncia fuzzy tipo-2 (Figura 4b) obtida
criando-se uma mancha de incerteza (FOU) ao redor da fun-
o de pertinncia do fuzzy tipo-1 [5, 15]. No conjunto fuzzy
tipo-1 para um dado valor de x = x
1
obtido um nico valor
para a funo de pertinncia, como apresentado na Figura
4a.

Figura 4. (a) Funo de pertinncia tipo-1 (b) Funo de pertinncia tipo-1
com mancha de incerteza.
Na funo de pertinncia tipo-2, para x = x
1
so obtidos
valores de pertinncia no intervalo onde a linha vertical in-
tercepta a mancha de incerteza (FOU footprint of uncerta-
inty), como mostra a Figura 4b. No conjunto fuzzy tipo-2
cada valor da funo de pertinncia primria, (dentro do
intervalo 0,3 e 0,9, Figura 4b) tem um peso associado na
terceira dimenso, chamada de funo de pertinncia secun-
dria. A funo de pertinncia secundria do conjunto fuzzy
tipo-2 pode ser uniforme ou no uniforme, como mostrado
na Figura 4b. A funo de pertinncia secundria uniforme
chamada de funo de pertinncia fuzzy tipo-2 intervalar, e
obtida quando todos os valores so unitrios.


Figura 5. Funo de pertinncia fuzzy tipo-2 triangular cujos pontos mdios
possuem incerteza na: (a) largura (b) posio.
A mancha de incerteza (FOU) pode representar incerte-
za na posio [16], mantendo a inclinao da funo de per-
tinncia (fuzzy tipo-1) triangular constante (Figura 5b) e no
formato, variando a inclinao da funo de pertinncia
(fuzzy tipo-1) triangular [16], mantendo o vrtice do tringu-
lo constante (ponto (e + d)/2), como mostrado na Figura 5a.
Usando os intervalos de incerteza (FOU), pode-se criar
uma infinidade de funes de pertinncia fuzzy tipo-1 trian-
gulares.

Figura 6. Diferentes tipos de funo de pertinncia.
Assim como a funo de pertinncia tipo-1, a seleo do
formato da funo de pertinncia tipo-2 subjetiva e depen-
de da aplicao. Os diferentes tipos de funes so apresen-
tadas na Figura 6:
A seguir, sero apresentadas as principais definies dos
conjuntos fuzzy tipo-2 [5, 15]:
1. Definio de conjuntos fuzzy tipo-2: Um conjunto
fuzzy tipo-2 () , caracterizado por uma funo de perti-
nncia tipo-2 , onde x X e u J
x
[0,1], ou seja:
(10)
Onde 0 1. O conjunto fuzzy tipo-2 tam-
bm pode ser expresso na forma:
(11)
O smbolo representa a unio para todos os x e u ad-
missveis. Para o universo de discurso discreto, substitu-
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
do por . A Figura 7 mostra uma funo de pertinncia tipo-
2, definida pela equao (11), com x e u discretos.
importante observar que nas equaes (10) e (11) exis-
tem duas restries, a saber:
Primeira restrio: , consistente com a
restrio do tipo-1, 0 1; Ou seja, quando desapa-
recerem as incertezas, a funo de pertinncia tipo-2 se
transforma na funo de pertinncia tipo-1. Neste caso, a
varivel u passa a ser .
Segunda restrio: 0 1, consistente com o
fato de que as amplitudes das funes de pertinncia devem
assumir valores no intervalo .

Figura 7. Funo de pertinncia fuzzy tipo-2.
2. Definio de conjuntos fuzzy tipo-2 intervalares:
Quando todos os valores de so unitrios, ou se-
ja, , ento () uma funo de pertinncia do
tipo-2 intervalar [15]. Neste caso, a equao (11) pode ser
reescrita como segue:
(12)
A Figura 8 apresenta a representao grfica da funo de
pertinncia tipo-2 intervalar, definida pela equao (12),
com x e u discretos.

Figura 8. Funo de pertinncia fuzzy tipo-2 intervalar [15].
Devido ao fato de o grau secundrio dos conjuntos fuzzy
do tipo-2 intervalares ser sempre igual a 1, a terceira dimen-
so acaba no mostrando nenhuma informao adicional;
desta forma, o conjunto tipo-2 intervalar pode ser represen-
tado apenas por sua FOU. A maioria dos trabalhos utiliza
conjuntos fuzzy tipo-2 intervalares e SIF tipo-2 intervalares
[15], pois possuem menor complexidade computacional.
3. Definio de corte vertical: Define-se um corte vertical
de como sendo o plano bi-dimensional em um dado
, cujos eixos so e [15]. A funo de per-
tinncia secundria o corte vertical de em um
determinado valor de , isto , , sendo
e , representado na forma:
(13)
e 0
Para uma funo de pertinncia do tipo-2 intervalar,
, a equao (13) reescrita na forma:
(14)
A Figura 9 apresenta uma funo de pertinncia secund-
ria intervalar para .

Figura 9. Funo de pertinncia secundria intervalar em x=2 [15].
A partir do conceito de funo de pertinncia secundria,
o corte vertical do conjunto fuzzy tipo-2 intervalar pode ser
reescrito [15], como segue:
(15)
Ou na forma:
(16)
Se e forem discretizados em e
a equao (16) que representa uma fun-
o de pertinncia tipo-2 intervalar ( =1) pode ser
simplificada da seguinte forma [15]:

(17)
Onde + na equao (17) significa unio. Cada valor de
foi discretizado em N valores, e cada um destes valores
foram discretizados em M
N
valores
.
4. Definio de pertinncia primria: A pertinncia pri-
mria de x ( ) definida como o domnio da funo de
pertinncia secundria para um valor de , com
para .
5. Definio de grau secundrio: A amplitude de uma
funo de pertinncia secundria definida como grau se-
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
cundrio. O grau secundrio ( ) de uma funo de per-
tinncia tipo-2 intervalar igual =1.
6. Mancha de incerteza (FOU footprint of uncerta-
inty): A incerteza das funes de pertinncias primrias de
um conjunto fuzzy tipo-2 representada pela mancha de
incerteza ou FOU. Quando a incerteza desaparece, o conjun-
to fuzzy tipo-2 se torna um conjunto fuzzy tipo-1. A man-
cha de incerteza (FOU) definida como a unio de todas as
pertinncias primrias.
(18)
7. Funo de pertinncia superior e inferior: A FOU de
um conjunto fuzzy do tipo-2 delimitada por uma funo de
pertinncia do tipo-1 superior e uma inferior [15]. A funo
de pertinncia superior representada na forma , para
, e a funo de pertinncia inferior a funo mais
interna que limita a FOU(), e representada na forma de
, para . A Figura 10 apresenta o exemplo de
uma FOU com suas funes de pertinncia inferior (verde) e
superior (azul). A FOU pode representar incerteza na posi-
o (Figura 10a) e no formato, como mostrado na Figura
10b.
(19)
(20)
O conjunto fuzzy tipo-2 pode ser representado pelas suas
funes de pertinncia superior e inferior, da seguinte for-
ma:
=
(21)
E para o caso de o conjunto fuzzy tipo-2 intervalar, tem-
se:
(22)

Figura 10. Conjunto fuzzy tipo-2 com incerteza na: (a) posio (b) largura.
8. Conjunto fuzzy tipo-2 e tipo-1 intrnsecos: Sejam os
universos de discurso e contnuos [15], o conjunto fuzzy
tipo-2 intrnseco ( ), definido por:
(23)
Para o caso do conjunto fuzzy tipo-2 intervalar, tem-se:
(24)
O conjunto intrnseco no conjunto , e existem
infinitos nmeros de conjuntos fuzzy tipo-2 intrnsecos. Para
um universo de discurso discreto, substitudo por .
O conjunto fuzzy tipo-1 intrnseco ( ) definido por:
(25)
O conjunto a unio de todas as funes de pertinn-
cias primrias do conjunto , e existem incontveis nme-
ros de . A Figura 11 apresenta um exemplo de conjuntos
fuzzy tipo-1 intrnseco na FOU do conjunto fuzzy tipo-2.

Figura 11. Exemplo de conjuntos fuzzy tipo-1 intrnsecos em um conjunto
fuzzy tipo-2.
IV. PRINCIPAIS OPERAES DOS CONJUNTOS FUZZY
A. Operaes bsicas para conjuntos fuzzy tipo-1
Dados dois conjuntos fuzzy tipo-1, e [5, 19], repre-
sentados nas equaes (26) e (27):
(26)
(27)
Pode-se representar a unio de conjuntos fuzzy tipo-1 e
atravs do operador t-conorma, sendo mais utilizado o
operador mximo para realizar essa operao, na forma:
(28)
A interseco entre os conjuntos fuzzy tipo-1 e ,
apresentada nas equaes (29) e (30), d-se atravs da t-
norma, sendo mais utilizados os operadores mnimo ou pro-
duto respectivamente:
(29)
(30)
O complemento do conjunto fuzzy tipo-1 dado por:
(31)
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
Como e so conjuntos fuzzy tipo-1, as suas funes
de pertinncia e seus operadores ,
e so valores crisp (reais) para cada .
Para calcular a unio, interseco e complemento dos
conjuntos fuzzy tipo-2 necessrio realizar extenso destes
operadores, usando o princpio de extenso proposto por
Zadeh [9].
B. Princpio da extenso
O princpio da extenso [5, 22] um conceito da teoria
dos conjuntos fuzzy que fornece um procedimento para es-
tender expresses matemticas do domnio real (crisp)
para o domnio fuzzy , sendo A os conjuntos fuzzy
tipo-1. Este procedimento generaliza um mapeamento ponto
a ponto comum de uma funo f(.) a um mapeamento entre
conjuntos fuzzy. Mais especificamente, suponha que f uma
funo de X para Y e A um conjunto fuzzy definido como:
( )
1
/
n
A i i
i
A x x
=
=


( ) ( ) ( )
1 1 2 2
/ / ... /
A A A n n
x x x x x x = + + +

(32)
O princpio da extenso diz que a imagem do conjunto
fuzzy A no mapeamento f(.) pode ser expresso como o con-
junto fuzzy B:
( )
1
( ) ( / )
n
A i i
i
B f A f x x
=
= =


( ) ( ) ( )
1 1 2 2
/ / ... /
A A A n n
x y x y x y = + + +

(33)
Onde y
i
=f(x
i
), i=1, ..., n. Desde que x=f
-1
(y), sendo f
-1
(y)
o inverso do f, ou seja f[f
-1
(y)]=y, outra forma de expressar
B por:

( )
1
( ) ,
B A
y f y y V

( = e


(34)
A verso do Princpio da Extenso dado na equao (33)
vlido somente se o mapeamento entre y e f(x) for de um
para um. Se o mapeamento f(.) for de muitos valores para
um, a equao (34) precisa ser modificada. Seja x
1
e x
2
e X,
com x
1
x
2,
f(x
1
)= f(x
2
)=y e
( )
1 2
( )
A A
x x =
.
Neste caso, o grau de pertinncia B dado pelo mximo
do grau de pertinncia em A com x = x
1
e x = x
2.
Desta for-
ma, a equao (34) dada por:
( )
1
( )
max ( )
B A
x f y
y x y V

e
= e

(35)

onde f
-1
(y), o conjunto de todos os pontos x e U tal que
f (x) = y.
Suponha que a funo seja de duas variveis x
1
e x
2
,
y=f(x
1
, x
2
), onde x
1
eX
1
e x
2
eX
2
, sendo X
1
e X
2
universos de
discurso discreto. O mapeamento da funo de duas vari-
veis y=f(x
1
,x
2
) feito conforme a equao (35). Desta for-
ma, o principio da extenso dado por:
( ) ( )
{ }
1 2
1
1 2
1 2
1 2
( , ) ( )
( , )
1
supmin ( ), ( )
0 ( )
A A
x x f y
f A A B
x x
y y
se f y



e

= C


(36)

onde f
-1
(y), o conjunto de todos os pontos x
1
e X
1
e x
2
e
X
2
tal que f (x
1
,x
2
) = y.
Se a funo for de mltiplas variveis em um universo de
discurso discreto, o princpio da extenso necessrio es-
tender a operao da forma para
, conforme apresentado abaixo:
(37)
Onde o operador t-norma e indica a unio de
todos os x admissveis.
Seja, por exemplo, a funo . Para ob-
ter deve-se utilizar a equao (37):
(38)
C. Operaes bsicas para conjuntos fuzzy tipo-2
Dados dois conjuntos fuzzy tipo-2, e [5, 15], repre-
sentados da seguinte forma:
(39)
(40)
O clculo da unio, interseo e complemento para o con-
junto fuzzy tipo-2 e , sero realizados conforme abaixo:
1. Unio
Tem-se para a unio entre e :

(41)
(42)
Onde o operador de t-conorma mximo . Aplican-
do-se a equao (28) na (42), tem-se:

(43)
sendo o operador t-norma mnimo ou produto. O sm-
bolo indica a unio de todos os u e w admissveis.
A equao (43) pode ser representada pelo operador join
( ), entre as funes de pertinncias secundrias dos con-
juntos e [5]. Assim, tem-se:

(44)
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
Sendo que o mximo entre as funes de pertinncia pri-
mria deve ser realizado para todas as combinaes
possveis de e , fazendo-se esses clculos
para todos os .
Unio entre conjuntos fuzzy tipo-2 intervalares
O operador join entre conjuntos fuzzy tipo-1 intervalares
[15], representado por , caracterizado pelos domnios
resulta em um conjunto
intervalar com domnio
, onde o operador
t-conorma, representado pelo operador mximo. A unio
entre dois conjuntos fuzzy tipo-2 intervalares , dado
por:
(45)
Sendo o operador t-conorma, representado pelo opera-
dor mximo.
2. Interseco
A interseco entre os conjuntos fuzzy tipo-2 e , fei-
ta da mesma forma:
(46)
Onde , da equao (42), o operador de t-norma m-
nimo . Aplicando-se a equao (29) na (42), tem-se:
(47)
sendo o operador t-norma mnimo ou produto.
A equao (47) pode ser representada pelo operador me-
et ( ) [5], entre as funes de pertinncias secundrias dos
conjuntos e .

(48)
Sendo que o mnimo entre as funes de pertinncia pri-
mria deve ser realizada para todas as combinaes
possveis de e , fazendo-se esses clculos
para todos os .
Interseco entre conjuntos fuzzy tipo-2 intervalares
O operador meet entre conjuntos fuzzy tipo-1 intervalares
[15], representado por , caracterizado pelos dom-
nios , re-
sulta em um conjunto intervalar com domnio
, onde o operador
t-norma, que pode ser representado tanto pelo operador m-
nimo quanto produto. A interseco entre dois conjuntos
fuzzy tipo-2 intervalares , dada por:
(49)
Onde o operador t-norma, que pode ser representado
pelo operador mnimo ou produto.

3. Complemento
O complemento de um conjunto fuzzy tipo-2 dado
por:
(50)
Como uma funo para um dado , e no apenas
um nico valor crisp, a equao (50) pode ser reescrita da
forma:
(51)
Sendo a notao o operador negao, segundo Mizu-
moto e Tanaka [5]. O complemento do conjunto fuzzy tipo-2
intervalar , dado por:
(52)
V. SISTEMA DE INFERNCIA FUZZY TIPO-1
O diagrama em blocos do Sistema de Inferncia Fuzzy
(SIF) tipo-1, tambm denominado de controlador fuzzy,
apresentado na Figura 12. Como mostrado na Figura 12, este
sistema composto por quatro blocos [1, 5, 15]: o fuzifica-
dor, a inferncia, a base de regras e o defuzificador, apresen-
tados a seguir:

Figura 12. Sistema de Inferncia Fuzzy tipo-1.
A. Fuzificador
O bloco fuzificador mapeia uma entrada crisp
presente no domnio , dado pelo
produto cartesiano em um conjunto
fuzzy. O fuzificador pode ser singleton e no-singleton. O
fuzificador singleton gera, a partir de uma entrada crisp (Fi-
gura 13a), um conjunto fuzzy singleton (Figura 13b). Neste
artigo ser apresentado o sistema de inferncia fuzzy tipo-1
singleton, pois o mesmo mais utilizado que o no-
singleton.
B. Base de Regras
A base de regras composta por regras condicionais
do tipo SE-ENTO; entradas, sendo ,
e uma sada . A regra representada na
forma:
(53)
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
, com .


Figura 13. Fuzificao (b) Singleton (c) No-Singleton.
C. Bloco de Inferncia
O bloco de inferncia realiza o clculo de todo o sistema
fuzzy, de acordo com a base de regras. Seja
, com , pode-se representar
a equao (53) na forma:
(54)
A regra descrita pela funo de pertinncia ,
onde:
(55)
A equao (55) pode ser reescrita na forma:



(56)
Onde e so a representao do operador t-norma que
podem ser mnimo ou produto. A entrada da R
l
dada pelo
conjunto fuzzy cuja funo de pertinncia dada por:
(57)
Cada regra determina o conjunto fuzzy dado por
pertencente ao espao . Utilizando-se a com-
posio sup-star proposta por Zadeh [5], tem-se:
(58)
Substituindo as equaes (56) e (57) na equao (58),
tem-se:



(59)
Para fuzificao singleton, a equao (59) reescrita da
seguinte forma:



(60)
Onde o operador t-norma, que pode ser mnimo
(Mamdani) ou produto (Larsen).
Este trabalho apresenta somente os mtodos de inferncia
proposto por Mamdani e Larsen. Entretanto, existem outros
mtodos de inferncia, tais como: o Tsukamoto e Takagi-
Sugeno, que podem ser encontrado nas seguintes referncias
[5, 19]
Exemplo
A seguir, ser apresentado um exemplo do clculo de um
sistema de lgica fuzzy composto de duas regras ( ,
com dois antecedentes e um conseqente cada um, realizado
de acordo com a equao (60).
Primeiro feito o clculo do grau de ativao da regra
( ): O operador t-norma entre a entrada fuzificada e os
antecedentes da regra . O operador
t-norma pode ser mnimo tambm conhecido por Mamdani
(equao 61), ou produto tambm conhecido por Larsen
(equao 62):
(61)
(62)
Em seguida, feito o clculo de utilizando o ope-
rador t-norma entre grau de ativao resultante da regra
( ) e a pertinncia do conseqente da mesma regra ,
[ , para todos os
Obtendo-se, assim, para uma funo de pertinncia
ceifada, quando o operador de t-norma mnimo for utilizado
(Figura 14), ou uma funo de pertinncia minimizada,
quando o operador de t-norma produto utilizado (Figura
15). A funo resultante obtida utilizando o operador t-
conorma v (mximo), representado pela equao (63).
(63)
D. Bloco defuzificador
O bloco defuzificador gera a sada crisp (real) a partir da
sada do bloco de inferncia. Existem vrios mtodos de
defuzificao [23], dentre os quais sero citados os mtodos
mais utilizados.
O mtodo de defuzificao centro de rea (Figura 15),
tambm conhecido como centride, o mtodo de defuzifi-
cao mais conhecido [23]. No caso discreto, o resultado
obtido pela equao (64).
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.


Figura 14. Sistema de Inferncia Fuzzy Mamdani .



Figura 15. Sistema de Inferncia Fuzzy Larsen.
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.


(64)
Onde N o nmero de pontos. No caso contnuo, obtm
-se:
(65)
Onde u grau de ativao da regra fuzzy e

a unio da
rea das funes de pertinncia de sada.

Figura 15. Mtodo de defuzificao centro de rea [23].
O critrio de defuzificao denominado mtodo da altura
[21] utiliza a soma ponderada do valor mximo (altura) de
todas as funes de pertinncia associadas com os termos
das concluses das regras, conforme ilustra a Figura 16.
Neste mtodo, nem a base nem o formato da funo de per-
tinncia so considerados para o clculo do valor final defu-
zificado. Seja c
(i)
a posio da altura mxima da funo de
pertinncia associada concluso, f
i
o valor mximo desta
funo e m o nmero de funes de pertinncia [23], pode-
se representar matematicamente o mtodo de defuzificao
altura na seguinte forma:
(66)

Figura 16. Mtodo de defuzificao da altura [23].
O mtodo de defuzificao denominado centro da soma
utiliza a soma de todas as funes de pertinncia associadas
com os termos das concluses das regras para obter o valor
defuzificado. Neste mtodo, a rea de cada funo de perti-
nncia resultante considerada individualmente no proces-
so. A Figura 17 apresenta o mtodo centro da soma na for-
ma grfica. No caso discreto o mtodo centro de soma
formalmente dado por:
(67)
No caso contnuo, obtm-se:
(68)
Onde a rea de cada da funo de pertinncia de
sada e o grau de ativao da respectiva regra fuzzy
armazenada na base de regras existente no sistema.

Figura 17. Mtodo de defuzificao centro da soma [23].
No mtodo de defuzificao centro-dos-conjuntos, apre-
sentado na Figura 18 [11], o conseqente de cada regra
substitudo por um singleton situado no seu centride. Em
seguida, o centride do conjunto de tipo-1, composto por
destes singletons, encontrado. A equao (69) apresenta o
clculo do centride:
(69)
Onde, T indica o t-norma escolhido, o centride dos
l conjuntos conseqentes e = grau de ativao de cada
uma das regras.

Figura 18. Mtodo de defuzificao centro dos conjuntos.
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
VI. SISTEMA DE INFERNCIA FUZZY TIPO-2
O diagrama em blocos do sistema de inferncia fuzzy tipo-
2, tambm denominado de controlador fuzzy tipo-2, apre-
sentado na Figura 19. O Sistema de Inferncia Fuzzy (SIF)
tipo-2 composto por cinco componentes [5, 15, 24]: fuzifi-
cador, inferncia, base de regras, tipo-redutor e defuzifica-
dor. Este sistema composto por, no mnimo, um conjunto
fuzzy tipo-2 presente em um dos antecedentes ou no conse-
qente que compem uma das M regras que formam o sis-
tema. A descrio de cada bloco do sistema fuzzy tipo-2
apresentada a seguir:

Figura 19. Sistema de Inferncia fuzzy tipo-2.
A. Fuzificador
O bloco fuzificador transforma as entradas crisp
do SIF tipo-2 em conjuntos fuzzy tipo-2
[5], , presente no universo . Assim
como no controlador fuzzy tipo-1, o fuzificador pode ser
singleton (Figura 13b) e no-singleton (Figura 13c). Neste
trabalho, ser apresentado o SIF tipo-2 singleton, pois
mais utilizado que o no-singleton. Quando um conjun-
to fuzzy tipo-2 singleton, a funo de pertinncia
dada por: =1/1 para x=x e =1/0 para .
B. Base de Regras
A base de regras do sistema de inferncia fuzzy tipo-2
permanece a mesma do tipo-1. A diferena entre o SIF tipo-
1 e tipo-2 est na natureza das funes de pertinncia. Para o
SIF tipo-2 feita a mesma considerao dos SIF tipo-1.
A base de regras composta por M regras, p entradas,
sendo , e uma sada . A l-sima
regra representada a seguir:
(70)
.
C. Inferncia
O bloco de inferncia realiza o clculo do sistema fuzzy
tipo-2 com base no bloco de regras, a partir de conjuntos
fuzzy tipo-2 nos antecedentes e conseqentes. Seja
, com , pode-se repre-
sentar a equao (70) na forma:
(71)
A funo de pertinncia pode ser representada
na forma:
(72)
De acordo com Mendel [5], tem-se:


(73)
Onde o operador meet (podendo-se utilizar o operador
t-norma mnimo ou produto) e p o nmero de variveis de
entrada.
A funo de pertinncia do conjunto fuzzy tipo-2 , dada
pela entrada p-dimensional da regra R
l
, representada por:
(74)
Onde representam os conjuntos fuzzy tipo-2
das entradas , respectivamente.
Cada regra determina o conjunto fuzzy tipo-2 dado por
. Desta forma, para o SIF tipo-2, a funo de
pertinncia dada por:
(75)
Onde o operador join (podendo utilizar o operador t-
conorma mximo) e o operador meet (podendo utilizar o
operador t-norma mnimo ou produto)
Substituindo as equaes (73) e (74) na equao (75),
tem-se:




(76)

Sistema de Inferncia Fuzzy tipo-2 Singleton
Quando um conjunto fuzzy tipo-2 singleton, a equa-
o (75) simplificada, pois zero em todo o seu
domnio ( =1/0 , exceto no ponto onde a fun-
o de pertinncia dada por =1/1. Desta forma,
tem-se:







(77)
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
Onde o operador meet (que pode utilizar tanto o ope-
rador t-norma mnimo quanto o produto).
Este trabalho apresenta somente os mtodos de inferncia
tipo-2 proposto por Mamdani e Larsen. Entretanto, existem
outros mtodos de inferncia, que podem ser encontrado na
seguinte referncia [5].
A implementao do sistema de inferncia fuzzy tipo-2
requer grande complexidade computacional, pois a operao
meet executada a cada regra ativa. Alm disso, a execuo
do processo tipo-redutor bastante complexo computacio-
nalmente [25].
A complexidade computacional pode ser reduzida signifi-
cativamente quando os sistemas de inferncia fuzzy tipo-2
intervalares so utilizados, pois o grau de pertinncia secun-
drio do SIF tipo-2 intervalar uniforme. Desta forma, o
clculo das operaes meet, join e a operao tipo-redutor
so simplificados.
Sistema de Inferncia Fuzzy tipo-2 Intervalar
No sistema de inferncia fuzzy tipo-2 intervalar com en-
tradas singleton, o resultado das operaes de entrada e dos
antecedentes um conjunto fuzzy tipo-1 intervalar contido
no conjunto ativado [5, 25], dado por:
(78)
Onde e so representados por:
(79)
(80)
Onde o operador t-norma, que pode ser mnimo
(Mamdani) ou produto (Larsen), o conjunto inter-
valar ativado, grau de ativao inferior resultante da
operao de entrada e antecedente da regra, grau de
ativao superior resultante da operao de entrada e ante-
cedente da regra, o grau de pertinncia de na
funo de pertinncia inferior e o grau de perti-
nncia de na funo de pertinncia superior.
O conjunto conseqente de sada referente a l-sima regra
ativada das equaes (22) e (77), um conjunto fuzzy
tipo-1 intervalar dado por:
(81)
Onde:
representa o grau de pertinncia superior de ,
representa o grau de pertinncia inferior de ,
,
).
Admitindo que N das M regras presentes em um SIF tipo-
2 intervalar esto ativas, com N M, e que os conjuntos
fuzzy tipo-1 intervalares de sada so obtidos combi-
nando os conjuntos de sada conseqente ativos ,
com y Y, dado por:
(82)

Onde, o operador t-conorma mximo, e o opera-
dor t-norma mnimo ou produto.
A prova da equao (82) ser apresentada a seguir. De
acordo com as equaes (77) e (78), tem-se:
(83)
onde: ,

e
).
Utilizando as equaes (82) e (83), tem-se:

(84)
Onde: e
.
Exemplo
As Figuras 20 e 21 apresentam um exemplo de operao
do SIF tipo-2 intervalar com entradas singleton para os ope-
radores de t-norma mnimo e produto, respectivamente. A
operao do SIF tipo-2 intervalar composta de duas regras
( , com dois antecedentes e um conseqente cada uma
realizada de acordo com as equaes (82), (83) e (84).
Primeiro feito o clculo do grau de ativao superior e
inferior da regra ( e . A funo de pertinncia superior
( ) e inferior ) em x
1
so obtidas por meio da
interseo entre a linha vertical do antecedente x
1
com a
funo de pertinncia superior e inferior ,
respectivamente. As funes de pertinncia de x
2
e da regra
so obtidas da mesma forma. Os graus de ativao supe-
rior e inferior da regra ( e so obtidos com o operador
t-norma entre a entrada fuzificada e os antecedentes da
regra superior e interior
. O operador t-norma pode ser
mnimo (tambm conhecido por Mamdani), como pode ser
visto nas equaes (85) e (86) para o grau de ativao infe-
rior e superior, respectivamente:
(85)
(86)
Entretanto, o operador t-norma produto, tambm conhe-
cido por Larsen, como pode ser visto nas equaes (87) e
(88), para o grau de ativao inferior e superior, respectiva-
mente:
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.


Figura 20. SIF tipo-2 intervalar utilizando o operador t-norma mnimo (Mamdani).



Figura 21. SIF tipo-2 intervalar utilizando o operador t-norma produto (Larsen).


RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.

(87)
(88)

Em seguida, feito o clculo de utilizando o ope-
rador t-norma entre grau de ativao superior resultantes
da regra ( e a funo de pertinncia do superior do con-
seqente da mesma regra ), [ , para
todos os y Y.
E o clculo da curva inferior obtido da mesma forma,
utilizando o operador t-norma entre grau de ativao infe-
rior ( e a funo de pertinncia inferior do conse-
qente da regra , [ , para todos os y
Y. Obtendo-se assim, para funes de pertinncia
superior e inferior ceifadas, quando o operador de t-norma
mnimo utilizado (Figura 20), ou uma funes de pertinn-
cia superior e inferior minimizadas, quando o operador de t-
norma produto utilizado (Figura 21). A funo resultante
obtida, utilizando o operador t-conorma v (mximo), repre-
sentado pela equao (89).


(89)
D. Tipo-redutor
O bloco tipo-redutor tem funo de transformar um con-
junto fuzzy tipo-2 em conjunto fuzzy tipo-1 [5, 10, 11, 26];
ou seja, procura o melhor conjunto fuzzy tipo-1 que repre-
senta o conjunto fuzzy tipo-2 e que deve satisfazer a seguinte
premissa:
Quando toda a incerteza desaparecer, o resultado do sis-
tema de lgica fuzzy tipo-2 reduzido em um sistema de
lgica fuzzy tipo-1 [5].
O tipo-redutor obtido, aplicando-se o princpio da ex-
tenso proposto por Zadeh na defuzificao dos conjuntos
tipo-1. Desta forma, existe um mtodo de tipo-redutor equi-
valente para cada mtodo de defuzificao. Neste trabalho
foram apresentados os principais mtodos de tipo-redutor:
centride, centro dos conjuntos e altura.
O clculo do tipo-redutor centro de rea (centride) ob-
tido estendendo a operao de defuzificao centride, dada
pela equao (64), a partir do princpio da extenso dado
pela equao (37). O tipo-redutor centro de rea ,
calcula o centro de rea do conjunto fuzzy tipo-2 , e pode
ser representado na forma:
(90)
onde Di= e e com .
Para conjuntos fuzzy tipo-2 intervalares com entradas sin-
gleton, o clculo do tipo-redutor apresentado na equao
(89) simplificada, pois o grau de pertinncia secundrio
unitrio.
(91)
Onde e com . e so os graus
de pertinncia superior e inferior e e so os pontos
esquerdo e direito do centride do conseqente da regra.
O mtodo tipo-redutor da Altura obtido estendendo a
equao (66) a partir do princpio da extenso. A expresso
para o tipo-redutor Altura pode ser calculada da se-
guinte forma:
(92)
onde Di= e e com .
Para conjuntos fuzzy tipo-2 intervalares com entradas sin-
gleton, a equao (92) pode ser simplificada:
(93)
onde e com . E e so os graus
de ativao superior e inferior. e so os pontos es-
querdo e direito do centride do conseqente da regra.
No mtodo tipo-redutor Centro dos conjuntos, captura-se
o valor do centride de cada um dos conseqentes , repre-
sentado pelo conjunto fuzzy tipo-1 , e o nvel de ativao
dado pelo conjunto fuzzy tipo-1 . O clculo do
tipo-redutor Centro dos conjuntos obtido estendendo a
equao (67) a partir do princpio de extenso:


(94)
Para conjuntos fuzzy tipo-2 intervalares com entradas sin-
gleton o conjunto tipo-reduzido um conjunto intervalar
dado por [y
l
, y
r
]. A sada do processo de reduo de tipo
centro dos conjuntos Y
cos
, dada por:


(95)
onde e so a soma do grau de pertinncia superior e
inferior e e so os pontos esquerdo e direito do cen-
tride do conseqente da regra.
Em geral, no existe uma forma fechada para determinar
e [18]. Entretanto, Karnik e Mendel desenvolveram
dois algoritmos para calcular exatamente os valores de e
. Estes algoritmos podem ser executados em paralelo e
so monotonicamente e exponencialmente convergentes
[18].
-Algoritmo KM
Os valores de e podem ser calculados utilizando o
mtodo iterativo proposto por Karnik e Mendel [5, 11, 26],
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
conhecido como Algoritmo KM ou mtodo iterativo KM.
Este algoritmo utilizado em todos os mtodos de tipo-
redutores com conjuntos fuzzy tipo-2 intervalares. A seguir,
so apresentados os algoritmos KM para determinar e :
Algoritmo KM para :
(96)
1 passo: Inicialize cada com: [
2 passo: Calcule ;
3 passo: Encontre o valor de k (k=1, ...., N-1), tal que
y
k
c y
k+1
;
4 passo: Conjunto
5 passo: Atribuir c c no Passo 2 utilizando o valor de
do passo 4;
6 passo: Se c= c ento FIM, atribuir o valor c = .
Se-no ir para o passo 7;
7 passo: Se c= c, ir para o passo 3.
Algoritmo KM para :
(97)
1 passo: Inicialize cada como: [
2 passo: Calcule ;
3 passo: Encontre o valor de k (k=1, ...., N-1), tal que
y
k
c y
k+1
;
4 passo: Conjunto
5 passo: Atribuir c c no Passo 2 utilizando o valor de
do passo 4;
6 passo: Se c= c FIM, atribuir o valor de c = .
Se no ir para o passo 7;
7 passo: Se c= c, ir para o passo 3.
Os algoritmos KM determinam os pontos de chaveamento
da funo de pertinncia resultante , esquerda L e di-
reita R. Uma vez determinados estes pontos, possvel de-
terminar os valores de e
(98)
(99)
O mtodo iterativo KM calcula a reduo do tipo exata;
ou seja, determina o conjunto fuzzy tipo-1 exato.
Em 2002, Wu e Mendel apresentaram um mtodo para
aproximar o clculo do tipo-redutor utilizando limites
incertos, tambm conhecido como mtodo WM dos limites
incertos. Neste mtodo o clculo realizado por meio de
diversas expresses fechadas [13, 18, 26]. E desta forma,
evita a complexidade computacional associada com o clcu-
lo exato da reduo de tipo, e, obtm sadas muito seme-
lhantes aos SIF tipo-2 Intervalar usando o mtodo KM para
o calculo do tipo-redutor, como mostrado em [27]. A seguir,
ser apresentado o mtodo WM de limites incertos.
-Mtodo WM de limites incertos
A Figura 22 apresenta um conjunto tipo-reduzido e seus
limites internos e externos obtidos atravs do mtodo WM
de limites incertos. Os quatro limites incertos
( e so obti-
dos a partir do clculo do centro de rea dos conjuntos fuzzy
tipo-1 intrnsecos, utilizando as seguintes frmulas:
(100)
(101)
(102)
(103)
O clculo dos limites internos so apresentados, a seguir:
(104)
(105)
Os limites externos so calculados como segue:

(106)

(107)
O resultado do clculo do mtodo WM de limites incertos
pertence aos intervalos [ ] e [ ]. Os valores de e
so obtidos a partir das seguintes aproximaes:
(108)

(109)


Figura 22. Conjunto tipo-reduzido utilizando o mtodo WM de limites
incertos.

E. Defuzificador
O bloco defuzificador obtm a partir de um conjunto fuzzy
RIZOL, P. M. S. Rocha ; MESQUITA, L. ; SAOTOME, O. LGICA FUZZY TIPO-2.Revista SODEBRAS, v. 6, p. 27-46, 2011.
tipo-1, um nmero crisp. No sistema fuzzy tipo-2 a entrada
do bloco defuzificador o conjunto fuzzy tipo-1, resultante
do tipo-redutor. A sada defuzificada do sistema fuzzy tipo-2
intervalar singleton dada pela mdia dos pontos limites
e .
(110)
VII. CONCLUSES
Este trabalho apresenta os principais fundamentos teri-
cos sobre a lgica fuzzy tipo-2 e do sistema de inferncia
fuzzy tipo-2 Intervalar. O sistema de inferncia fuzzy tipo-2
pode ser utilizado para construo de sistemas baseados em
conhecimento para controle de processos, tambm chama-
dos de controladores fuzzy tipo-2 intervalares.
O sistema de controle baseados na lgica fuzzy tipo-2 so
capazes de trabalhar com incerteza e quando comparados
aos sistemas de controle fuzzy tipo-1, apresentam as seguin-
tes vantagens [28]:
A funo de pertinncia fuzzy tipo-2 contm a man-
cha de incerteza (FOU), que capaz de trabalhar com in-
certezas nas entradas e sadas do controlador fuzzy;
A utilizao de funes de pertinncia fuzzy tipo-2 na
entrada de controladores fuzzy pode resultar na diminuio
do nmero de regras da base de regras quando comparado
com sistema fuzzy tipo-1;
O controlador fuzzy tipo-2 capaz de responder a sis-
temas que no podiam ser controlados pelo sistema fuzzy
tipo-1 com o mesmo nmero de funes de pertinncia [29].
Em suma, o controlador fuzzy tipo-2 utilizado nos se-
guintes casos [25]:
Em aplicaes onde existe incerteza na determinao
exata do grau de pertinncia, como por exemplo, em casos
de dados ruidosos.
Em aplicaes onde no existe alta confiana no mode-
lo ou quando difcil determinar o modelo adequado em
funo da no linearidade, no estacionariedade ou varincia
no tempo.
Existem ferramentas computacionais para o MATLAB
para criao de um sistema de controle baseado na lgica
fuzzy tipo-2 , tais como:
O Toolbox Type-2 Fuzzy Logic, desenvolvido pelo Prof.
Dr. Oscar Castillo e sua equipe do grupo de pesquisa do
Instituto de Tecnologia de Tijuana (Tijuana Institute of Te-
chnology, Mexico) [2, 30].
E o programa Type-2 Fuzzy Logic desenvolvido pelo Prof.
Dr. Jerry Mendel e tambm por: N Karnik, Q. Liang, F. Liu,
D. Wu e J. Joo, da USC - University of Southern California.
Este programa foi desenvolvido em arquivo (M-Files) para
MATLAB. E est disponvel on-line na pagina:
http://sipi.usc.edu/~mendel/software/.
VIII. REFERNCIAS BIBLIOGRFICAS

[1] G. J. Klir J. M. Wierman, Uncertainty-Based Information, Physica-
Verlag, Heidelberg, Germany, 1998.
[2] O. Castillo, P. Melin, Type-2 fuzzy logic: Theory and applications,
Springer, ISBN: 978-3-540-76283-6, 2008.
[3] H. Hagras, "A hierarchical type-2 fuzzy logic control architecture for
autonomous mobile robots," IEEE Transactions on Fuzzy Systems,
vol. 12, pp. 524-539, 2004.
[4] P. Smets, " Imperfect information: Imprecision-uncertainty," UMIS -
Var Unc. p.135, 1999.
[5] J. M. Mendel, Uncertain Rule-Based Fuzzy Logic Systems: Introduc-
tion and New Directions, Prentice-Hall, Upper-Saddle River, NJ,
2001.
[6] S. Sandri and C. Correa, "Lgica Nebulosa," in Proc. V Escola de
Redes Neurais, pp.c073-c090, 1999.
[7] C. Dualibe, M. Verleysen, P. Jespers, Design of Analog Fuzzy Logic
controllers in CMOS Technologies: Implementation, Test and Appli-
cation, Kluwer Academic Publishers, New York, 2003.
[8] K. Tanaka, An Introduction to Fuzzy Logic for Practical Applications,
Springer, 1996.
[9] L. A. Zadeh, " The concept of a linguistic variable and its application
to approximate reasoning - I," Information Science, vol. 8, n. 3, pp.
199-249, 1975.
[10] N. Karnik and J. Mendel, " Introduction to Type-2 Fuzzy Logic Sys-
tems," in Proc.: IEEE-FUZZ CONFERENCE. Proceedings of IEEE-
FUZZ Conference, p. 915-920, Maio, 1998.
[11] N. Karnik and J. Mendel, " Type-2 Fuzzy Logic Systems: Type Re-
duction," in Proc. of Conference on Systems, Man and Cybernetics, p.
2046-2051, Outubro, 1998.
[12] Q. Liang, J. Mendel, " Interval Type-2 Fuzzy Logic Systems: Theory
and Design," IEEE Transaction on Fuzzy Systems, vol. 8, pp. 535-
550, 2000.
[13] H. Wu, J. Mendel, " Uncertainty bounds and their use in the design of
interval type-2 fuzzy logic systems," IEEE Transactions on Fuzzy
systems, v. 10, 2002.
[14] T. Dereli, A. Baykasoglu, K. Altun, A. Durmusoglu, B. Tksen, "
Industrial applications of type-2 fuzzy sets and systems: A concise re-
view," Journal Computers in Industry, v. 62, p. 125137, 2011.
[15] J. Mendel, R. Jonh, F. T. Liu, " Interval type-2 Fuzzy Logic Systems
Made Simple," IEEE Transactions on Fuzzy systems, v. 14, n. 6,
2006.
[16] J. Mendel, " Type-2 Fuzzy Sets and Systems: an overview," IEEE
Computational Intelligence Magazine, 2007.
[17] H. Hagras, " A hierarchical type-2 fuzzy logic control architecture for
autonomous mobile robots," IEEE Transactions on Fuzzy Systems,
2004.
[18] J. Mendel, H. Hagras, R. Jonh " Standard backgrounds material about
interval type-2 fuzzy logic systems that can be used by all authors,"
http://ieee-cis.org/_files/standards.t2.win.pdf.
[19] E. M. El-Hawary, Electric Power Applications of Fuzzy Systems,
IEEE Press Series on Power Engineering, ISBN:0-7803-1197-3, 1998.
[20] W. Pedrycz, F. Gomide, An introduction to fuzzy sets: analysis and
design, MIT Press, ISBN: 0-262-16171-0, 1998.
[21] D. Driankov, H. Hellendoorn, M. Reinfrank, An Introduction to
Fuzzy Control, Second Edition, Springer, ISBN: 3-540-60691-2,
1996.
[22] J. Jang, C. Sun, E. Mizytani, Neuro-fuzzy and Soft Computing: A
Computational Approach to Learning and Machine Intelligence, Pren-
tice-Hall, ISBN: 0-13-261066-3, 1997.
[23] H. Hellendoorn, C. Thomas, "Defuzzification in fuzzy controllers,"
Journal of Intelligent and Fuzzy Systems, v. 1, p.109-123, 1993.
[24] S. Coupland, J. Wheeler, M. Gongora, " A generalized type-2 fuzzy
logic system embedded board and integrated development environ-
ment," in Proceedings of FUZZ-IEEE Conference, p. 681687, 2008.
[25] R. J. Conteras, Modelos Neuro-Fuzzy Hierrquicos BSP do Tipo-2,
Tese de Doutorado apresentada no Programa de Ps-graduao em
Engenharia Eltrica da PUC RIO, 2007.
[26] M. Melgarejo, C. Pea-Reyes, , " Hardware Architecture and FPGA
implementation of type-2 fuzzy systems," in Proceedings of
GLVLSI04 ACM, p. 458461, Abril, 2004.
[27] C. Lynch, H. Hagras, M. Callaghan, " Embedded type-2 FLC for
real-time speed control of marina and traction diesel engines," Pro-
ceedings of IEEE-FUZZ Conference 2005, p. 347-332, Reno, USA,
Maio, 2005.
[28] H. Hagras, Type-2 fuzzy logic controllers: Towards a new approach
for handling uncertainties in real word. IEEE expert now transcript
(http://www.ieee.org/education_careers/education/expert_now/index.
html ), Setembro, 2008.
[29] D. Wu, W. Tan, Type-2 FLS modeling capability analysis. Proceed-
ings of IEEE International Conference on Fuzzy Systems, p. 242253,
2005.
[30] J. R. Castro, O. Castillo, L. G. Martnez, Interval Type-2 Fuzzy
Logic Toolbox. Engineering Letters, 15:1, August, 2007.