You are on page 1of 12

DESMISTIFICANDO A LGICA FUZZY

Paloma Maria Silva Rocha Rizol paloma@feg.unesp.br


UNESP Univ. Estadual Paulista, Faculdade de Engenharia de Guaratinguet,
Departamento de Engenharia Eltrica
Av. Dr Ariberto Pereira da Cunha, 333, Guaratinguet S.P.
Rubens Alves Dias rubdias@feg.unesp.br
UNESP Univ. Estadual Paulista, Faculdade de Engenharia de Guaratinguet,
Departamento de Engenharia Eltrica
Av. Dr. Ariberto Pereira da Cunha, 333, Guaratinguet S.P.

Resumo: Ensinar algo no uma atividade trivial, na qual basta o docente realizar a
colagem dos contedos presentes nas referncias, colocando-os numa determinada sequncia
que faz sentido para o entendimento de quem o elabora, pois do outro lado, nas salas de
aulas e laboratrios, existem os alunos e suas formas de aprender, entender, estudar e
aplicar. A proposta educacional desenvolvida resultado das experincias vivenciadas no
ensino da lgica fuzzy na disciplina Introduo Inteligncia Artificial. Inicialmente, os
conceitos sobre a lgica fuzzy eram apresentados por meio de slides, com alguns exemplos
gerais e observou-se que os alunos estavam encontrando dificuldades para aplicar a teoria
nas aulas de laboratrio. Nos anos subsequentes, foi proposto um exemplo prtico de como
funciona o sistema de inferncia fuzzy. Ao dotar o contedo de significado, a lacuna existente
entre a aula terica e a aula prtica foi preenchida, favorecendo o processo de
aprendizagem. O resultado positivo observado no processo de ensino-aprendizagem
justificado pela abordagem histrico-cultural proposta por Vygotsky, a qual assume a
condio de referencial terico educacional, permitindo uma melhor articulao entre
contedo, ensino, didtica e aprendizagem.
Palavras-chave: lgica fuzzy, raciocnio fuzzy. sistema de inferncia fuzzy.

1.

INTRODUO
O desenvolvimento deste trabalho relata a experincia em sala de aula da disciplina
optativa Introduo Inteligncia Artificial, que ministrada para os alunos do quarto e
quinto ano do curso de Engenharia Eltrica.
Esta disciplina apresenta os principais conceitos de Inteligncia Artificial, e a lgica
fuzzy um dos tpicos desta disciplina. Os conceitos sobre a lgica fuzzy desta disciplina so
apresentados da seguinte forma: primeiro so apresentados slides com os principais conceitos
sobre a lgica fuzzy, com alguns exemplos gerais e em seguida era solicitado para que os
alunos implementassem um controlador fuzzy utilizando o toolbox fuzzy do software Matlab
no laboratrio.

Nas atividades em sala de aula, observou-se que os alunos estavam encontrando


dificuldades nesta transio, para aplicar a teoria vista em sala de aula em exemplos prticos
no laboratrio. Demorando muito tempo para que as atividades pudessem ser realizadas.
Desta forma, nos anos subseqentes, foi proposto um exemplo prtico para que os
alunos pudessem entender passo a passo como funciona o sistema de inferncia fuzzy. Para
isso, foi utilizado um exemplo do cotidiano de todas as pessoas, que amplamente discutido
nos meios de comunicao, que seria o clculo do IMC ndice de Massa Corprea.
Este exemplo foi utilizado porque o modelo fuzzy elaborado poderia ser facilmente
comparado com o valor esperado IMC = Peso / altura2. E tambm, porque a lgica fuzzy
utiliza variveis lingsticas, estes termos lingsticos poderiam ser facilmente compreendidos
pelos alunos, bem como a base de regras para determinao dos valores do IMC. E uma vez
bem compreendido como elaborar o modelo fuzzy, os alunos puderam facilmente aplicar a
lgica fuzzy em problemas da rea de controle como controle do motor DC, levitador
magntico ou at mesmo outros problemas mais complexos.
E aps a elaborao deste exemplo em sala de aula, observou-se que a lacuna existente
entre a aula terica e a aula prtica foi preenchida, facilitando o entendimento dos alunos.
O objetivo deste artigo apresentar um guia rpido de como funciona o raciocnio
fuzzy utilizando o mtodo mais popular de raciocnio fuzzy: Mamdani (TANAKA, 1996). Os
exemplos apresentados neste trabalho foram elaborados utilizando a ferramenta
computacional Matlab.
2.

ASPECTOS CONCEITUAIS
Para a compreenso deste trabalho ser apresentado neste item um resumo dos
principais aspectos conceituais sobre a lgica fuzzy, mas para aprofundar o estudo neste
assunto, as seguintes referncias (TANAKA, 1996; SANDRI, 1999; NEGNEVITSKY, 2001)
devem ser estudadas.
Dispondo do contedo, a prxima etapa consiste em adotar um referencial terico
educacional que permita favorecer os processos de ensino-aprendizagem.
2.1. Lgica Fuzzy
A lgica fuzzy, tambm conhecida por lgica difusa ou lgica nebulosa, foi baseada na
teoria dos conjuntos fuzzy introduzido por Lofti Zadeh em 1965 (TANAKA, 1996). Na teoria
de conjuntos clssicos, possvel dizer que um objeto no pertence ou pertence a um
conjunto; e por isso possui apenas dois graus de pertinncia em relao ao conjunto [0 ou 1]
(EL-HAWARY, 1998). J os conjuntos fuzzy, possuem diferentes graus de pertinncia que
varia suavemente no intervalo de 0 1.
Seja, por exemplo, um conjunto de pessoas adultas com ndice de Massa Corprea
(IMC) normal. Pode-se representar este conjunto tanto por conjuntos clssicos quanto por
conjuntos fuzzy. A funo de pertinncia N (x) do conjunto clssico N representada na
Equao (1):

1
N ( x)
0

x N
x N

(1)

Nos conjuntos clssicos, o elemento x membro do conjunto N quando N ( x) 1 ou


no, quando N ( x) 0 . Graficamente, um exemplo de funo de pertinncia do conjunto
clssico para o IMC normal mostrado na Figura 1 (a).

Nos conjuntos fuzzy, a transio abrupta substituda por uma funo de pertinncia
suave (EL-HAWARY, 1998). O conjunto fuzzy de adultos com IMC normal apresentado na
Figura 1(b) e representado por funo de pertinncia trapezoidal N(x) detalhado na Equao
(2). O universo de discurso I deste conjunto varia de 18 25,5.

x 18
0
2 x 36
18 x 18,5

N x 1
18,5 x 25
(2)
51 2 x
25 x 25,5

x 25.5
0
Matematicamente, o conjunto fuzzy N, definido em um universo de discurso I pode ser
representado pela Equao (3):

x,

x | x I

(3)

Quando o universo de discurso discreto, o conjunto fuzzy N pode ser representado


pela Equao (4).
n

N N xi / xi

(4)

i 1

(a)
(b)
Figura 1 - Conjunto representando IMC de pessoa adulta (a) Clssico e (b) Fuzzy.
No conjunto clssico, quando a pessoa tem IMC igual a 18,4, no pertence ao conjunto
de pessoas com peso normal, N ( x) 0 . Mas quando tem um ndice de massa corprea igual
a 18,5, esta pertence a este grupo, N ( x) 1 . Utilizando o mesmo exemplo com base na
lgica fuzzy, o conjunto de pessoas com peso normal representado por uma funo de
pertinncia trapezoidal. Quando a pessoa tem um IMC igual a 18,4, ela pertence ao conjunto
de pessoas com peso normal, com grau de pertinncia 0,8 e se o IMC igual a 18,5 o grau de
pertinncia ao conjunto de pessoas com peso normal igual 1 ( N ( x) 1 ).
As funes de pertinncia fuzzy so representadas por variveis lingsticas que podem
ser expressas por palavras ou sentenas usadas na lngua (ZADEH, 1975, ELHAWARY,1998). Uma varivel lingstica definida por trs elementos principais: (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 2), tem-se:

T(IMC)={Subnutrio, Saudvel, Obeso}


Onde cada termo em T(IMC) caracterizado por um conjunto fuzzy em um universo
de discurso I = [10,40].

Figura 2 Variveis lingsticas T(IMC).


2.2. Sistema de Inferncia Fuzzy
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 lgica fuzzy para controlar uma mquina a vapor (DUALIBE et al., 2003;
TANAKA, 1996). A lgica fuzzy continuou a ser utilizada principalmente na indstria
japonesa, que nos anos 1980 e 1990 produziu um grande nmero de eletrodomsticos e
solues industriais utilizando controladores fuzzy. Essas aplicaes industriais colocaram a
lgica fuzzy em foco na comunidade cientfica (DUALIBE et al., 2003).
O sistema de inferncia fuzzy, apresentado na Figura 3, constitudo por trs blocos
principais: o fuzificador, a inferncia e o defuzificador (MENDEL, 1995).

Figura 3 Representao de um Sistema de Inferncia Fuzzy.


O fuzificador tem a funo de transformar o valor de entrada real (tambm conhecida
como crisp) em seu valor fuzzy correspondente. Nesta etapa so atribudos valores lingsticos
as variveis de entrada para que essas possam ser trabalhadas pelo sistema de inferncia fuzzy.
A base de regras contm o conjunto de regras que ir realizar todo o raciocnio fuzzy
por meio das variveis lingusticas. E composta por regras condicionais do tipo SE-ENTO;
sendo as entradas 1 , , os antecedentes da regra e a sada o conseqente da regra. A
regra representada pela Equao (5).
: 1 1 ,

(5)

O mdulo de inferncia realiza o clculo de todo o sistema fuzzy, de acordo com a


base de regras. Neste trabalho ser apresentado o sistema de inferncia Mamdani, tambm

conhecido como Mximo e Mnimo, que o mtodo de raciocnio fuzzy mais utilizado
(TANAKA, 1996). Para o clculo de um sistema de inferncia fuzzy composto de duas regras,
com dois antecedentes e um conseqente cada.
Primeiro, feito o clculo do mnimo entre os graus de ativao das entradas
fuzificadas. Em seguida, realizado o mnimo entre os conseqentes das regras e os graus de
ativao obtidos, obtendo-se assim, uma funo de pertinncia ceifada. A funo resultante
obtida, utilizando o operador mximo das funes resultantes, conforme apresentado na
Figura 4.

Figura 4 Exemplo do Sistema de Inferncia Fuzzy Mamdani.


O defuzificador translada a informao do domnio fuzzy para o domnio real, ou seja,
realiza a operao inversa do fuzificador. O mtodo de defuzificao centro de rea (Figura
5), tambm conhecido como centride, o mtodo de defuzificao mais conhecido
(DRIANKOV, D.; HELLENDOORN, H.; REINFRANK, M., 1996). No caso discreto, o
resultado obtido pela Equao (6).

=1

=1

(6)

Sendo N o nmero de pontos, U a unio da rea das funes de pertinncia e u o


valor de ativao da respectiva regra fuzzy armazenada na base de regras existente no sistema.

Figura 5 Mtodo de defuzificao centro de rea.

2.3. Referencial Terico Educacional


Ensinar um contedo consiste em um processo planejado cuja organizao de suas
partes deve ser plenamente justificada e, para tanto, a adoo de um referencial terico
educacional contribui consideravelmente nesta elaborao (MORAES & DIAS, 2012; DIAS
& SAMPAIO, 2011). Caso contrrio, normalmente, a atividade educacional recai no que se
chama de transposio de conhecimentos, na qual a conscincia da forma de ensinar muito
limitada e os resultados nos ambientes de ensino dependem das qualidades pessoais de quem
ensina, tais como, empatia e oratria.
Felder & Brent (2005) defendem que os estudantes possuem diferentes nveis de
motivao, diferentes percepes sobre ensinar e aprender e diferentes respostas em certos
ambientes e prticas instrucionais. Diante de tal condio, o docente deve estar atento quanto
aos estilos de aprendizagem dos estudantes (como percebem, interagem e respondem no
ambiente de aprendizado), tirar proveito das abordagens para o aprendizado e formas de
estudo (superficial, aprofundada e estratgica) e entender que nem todos possuem o mesmo
nvel intelectual.
Dotar os contedos de significado, ou seja, contextualizar o ensino, constitui em
estratgia que tem se mostrado bastante eficaz do ponto de vista didtico-pedaggico, pois
promove a discusso conceitual e desenvolve o senso crtico, tendo como cenrio os
elementos que fazem parte do cotidiano das pessoas (HUDSON et al., 2008). Em sntese, para
que se crie condies favorveis nos processos de ensino-aprendizado, devem ocorrer: o
contedo a ser aprendido seja potencialmente significativo para a formao profissional e o
estudante manifeste uma disposio de relacionar o novo saber de maneira substantiva e noarbitrria a sua estrutura cognitiva (MOREIRA & MASINI, 1982).
A discusso desenvolvida neste trabalho adota como referencial terico educacional a
abordagem histrico-cultural proposta por Vygotsky, tambm chamada por alguns autores de
sociointeracionista. Neste contexto, o nvel de desenvolvimento em que se encontra um grupo
de indivduos (nvel de desenvolvimento real) o ponto de partida para a ao do docente
(parceiro mais capaz), o qual cria situaes para que o grupo em questo atinja um nvel de
desenvolvimento potencial (decorrente da aprendizagem dos contedos); a transio de um
nvel para o outro ocorre numa regio psicolgica conhecida como zona de desenvolvimento
proximal, sendo esta totalmente individual, mesmo dentro de um processo interpessoal
(OLIVEIRA, 1993). Uma das contribuies de relevncia do trabalho de Vygotsky diz
respeito ao aperfeioamento das habilidades de utilizao dos signos (smbolos dotados de
significado; por exemplo, as palavras), os quais, quando internalizados, so responsveis por
representaes mentais que substituem os objetos do mundo real (OLIVEIRA, 1993).
A REALIDADE DA SALA DE AULA RACIOCNIO FUZZY
No desenvolvimento dos contedos da disciplina Introduo Inteligncia Artificial
foi proposto aos alunos o seguinte exemplo:
Implementar um modelo fuzzy para estimar a obesidade. Neste sistema possui como
variveis de entrada o peso e a altura e a sada o IMC. O universo de discurso das variveis
so apresentadas a seguir: Peso 40 at 120 kg; Altura 1,50 at 2,00 metros; Sada: Risco de
Obesidade - IMC= peso/altura2. A classificao da sada que indica o grau de obesidade do
indivduo (IMC) apresentada na Tabela 1. Apresentar todas as etapas para elaborao do
sistema de inferncia fuzzy Mamdani, para determinao do ndice de massa corprea (IMC).
3.

Tabela 1 Classificao de sada do IMC ndice de massa corprea (WHO, 2014).


IMC
Classificao
16 a < 17
Magreza moderada
17 a < 18,5
Magreza leve
18,5 a < 25
Saudvel
25 a < 30
Sobrepeso
30 a < 35
Obesidade Grau I
35
Obesidade Grau II (severa)
Nos itens a seguir, so apresentadas as etapas para a soluo do problema, sob o ponto
de vista do docente, respeitando-se o referencial terico educacional, a fim de dotar de
significado a proposta de atividade aos alunos.
3.1. Fuzificao
A fuzificao engloba as seguintes etapas: anlise do problema, definio das
variveis de entrada e sada, definio do intervalo do universo de discurso, definio do
nmero de funes de pertinncia por varivel, a definio do tipo de funo de pertinncia
por varivel de entrada e sada e por fim, a definio das variveis lingusticas. Nesta etapa as
variveis lingsticas so definidas de forma subjetiva pelo especialista, bem como suas
funes de pertinncia.
Para realizar a fuzificao necessrio fazer a anlise do problema. Primeiro, deve-se
determinar qual vai ser o universo de discurso das variveis de entrada (Peso e Altura), estas
variveis devem ser determinadas com base no clculo da varivel de sada (IMC).
O universo de discurso da varivel de sada apresentado na Tabela 1 varia entre 16 e
40, ou seja um valor maior que 35. E os universos de discurso das variveis de entrada variam
entre 1,4 at 2 metros para Altura e de entre 40 at 120 kg para varivel peso.
Conforme apresentado anteriormente, a definio do nmero e tipo de funes de
pertinncia por entrada e sada so elaboradas de forma subjetiva, de acordo com a opinio do
especialista e da necessidade do problema.
A varivel de sada IMC foi subdividida e renomeada, a partir da Tabela 1, nas
seguintes variveis ligusticas: muito magro, magro, normal, acima do peso, obesidade 1 e
obesidade 2, sendo que o universo de discurso IMC que varia de 16 a 40. A Figura 6
apresenta a varivel de sada IMC, composta por seis funes de pertinncia, sendo quatro
triangulares e duas trapezoidais (extremidades). Foram escolhidas seis funes de pertinncia
para a sada, porque quanto maior o nmero de funes de pertinncia de sada, maior a
preciso do modelo.

Figura 6 Representao da funo de pertinncia de sada (IMC).

Os intervalos das funes de pertinncia so elaborados de acordo com a opinio do


especialista. Seja por exemplo dois especialistas, um do Brasil e outro da Alemanha, a
distribuio dos intervalos das funes de pertinncia elaborada de acordo com a realidade
de cada local, uma pessoa com 1,78 metros considerada alta no Brasil, e na Alemanha
considerada de altura mdia.
A primeira varivel de entrada do modelo desenvolvido o peso. Esta varivel foi
subdividida em quatro funes de pertinncias: leve, mdio, alto e muito alto. Sendo duas
triangulares e duas trapezoidais (extremidades). O universo de discurso desta varivel varia
entre 40 e 120 kg. A Figura 7 apresenta as funes de pertinncias da varivel de entrada
peso.

Figura 7 Representao da funo de pertinncia de entrada (peso).


A segunda varivel de entrada do modelo desenvolvido a altura. Esta varivel foi
subdividida em quatro funes de pertinncias: baixo, mdio, alto e muito alto. Sendo duas
triangulares e duas trapezoidais (extremidades). O universo de discurso desta varivel varia
entre 1,5 e 2 metros. A Figura 8 apresenta as funes de pertinncias da varivel de entrada
altura.

Figura 8 Representao da funo de pertinncia de entrada (altura).


Seja por exemplo, uma pessoa com 74,9kg e 1,76 metros, estas entradas crisp so
fuzificadas para os conjuntos fuzzy lingsticos apropriados (NEGNEVITSKY, 2001). A
entrada crisp (Peso= 74,9kg) corresponde as funes de pertinncia mdio e alto, com grau de
pertinncia, 0,35 e 0,3, respectivamente (Figura 7). E a entrada crisp (Altura= 1,76m)
corresponde as funes de pertinncia mdio e alto, com grau de pertinncia, 0,4 e 0,15,
respectivamente (Figura 8). Uma vez realizada a operao de fuzificao, deve-se elaborar a
base de regras.
3.2. Base de Regras
A base de regras elaborada de acordo com a opinio do especialista, combinando
todas as entradas possveis (4 funes de pertinncia da entrada Peso x 4 funes de

pertinncia da entrada Altura), totalizando 16 regras (Tabela 2). Para facilitar a visualizao,
a base de regras tambm pode ser representada no formato de tabela, conforme mostrado na
Tabela 3.
Tabela 2 Base de Regras do Sistema de Inferncia Fuzzy IMC.
Regra 01:
Regra 02:
Regra 03:
Regra 04:
Regra 05:
Regra 06:
Regra 07:
Regra 08:
Regra 09:
Regra 10:
Regra 11:
Regra 12:
Regra 13:
Regra 14:
Regra 15:
Regra 16:

SE (Peso Leve)
SE (Peso Leve)
SE (Peso Leve)
SE (Peso Leve)
SE (Peso Mdio)
SE (Peso Mdio)
SE (Peso Mdio)
SE (Peso Mdio)
SE (Peso Alto)
SE (Peso Alto)
SE (Peso Alto)
SE (Peso Alto)
SE (Peso Muito Alto)
SE (Peso Muito Alto)
SE (Peso Muito Alto)
SE (Peso Muito Alto)

E (Altura Baixa)
E (Altura Mdia)
E (Altura Alta)
E (Altura Muito Alta)
E (Altura Baixa)
E (Altura Mdia)
E (Altura Alta)
E (Altura Muito Alta)
E (Altura Baixa)
E (Altura Mdia)
E (Altura Alta)
E (Altura Muito Alta)
E (Altura Baixa)
E (Altura Mdia)
E (Altura Alta)
E (Altura Muito Alta)

ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO
ENTO

( IMC Normal);
( IMC Magro);
( IMC Muito Magro);
( IMC Muito Magro);
( IMC Acima do Peso);
( IMC Normal);
( IMC Magro);
( IMC Muito Magro);
( IMC Obesidade 1);
( IMC Acima do Peso);
( IMC Normal);
( IMC Magro);
( IMC Obesidade 2);
( IMC Obesidade 1);
( IMC Acima do Peso);
( IMC Normal).

Tabela 3 Base de Regras do Sistema de Inferncia Fuzzy IMC.


Peso
Leve

Mdio

Alto

Muito
Alto

Baixo

AP

OB1

OB2

Mdio

AP

OB1

Alto

MM

AP

Muito
Alto

MM

MM

Altura

Voltando ao exemplo apresentado anteriormente, as entradas crisp (Peso= 74,9kg e


Altura= 1,76m) fuzificadas, = = 0,35, = = 0,30, = =
0,4 e = = 0,15 so aplicadas aos antecedentes das regras, e desta forma as
regras: 6, 7, 10 e 11 so ativadas, de acordo com as Tabelas 2 e 3, dando incio ao processo de
inferncia.
3.3.Inferncia
Na primeira etapa do processo de inferncia (Mamdani) realizada a operao tnorma (mnimo) dos graus de ativao dos antecedentes de todas as regras ativadas. Seja, por
exemplo, a regra 6: SE (Peso Mdio) E (Altura Mdia) ENTO (IMC Normal). Primeiro

realizado o operador mnimo entre os graus de ativao do Peso ( = = 0,35) da


Altura ( = = 0,4), ( = min 0,35 , 0,4 = 0,35), conforme apresentado na Figura 9.
Em seguida, realizado o operador t-norma (mnimo) entre grau de ativao resultante
da regra ( ) e a funo de pertinncia do conseqente da mesma regra. Continuando o
exemplo anterior, o conseqente da regra 6 IMC Normal. Ento realizada operao
mnimo entre o grau de ativao resultante ( = 0,35) e a funo de pertinncia triangular
do conseqente da regra IMC Normal. Obtendo-se assim, uma funo de pertinncia ceifada,
conforme apresentado na Figura 9, em relao Regra 6.

Figura 9 Exemplo do Sistema de Inferncia Fuzzy para calculo do IMC.


Por fim, os conseqentes ponderados de todas as regras pertinentes so combinadas
em um nico conjunto fuzzy de sada. A funo resultante obtida, utilizando o operador tconorma (mximo), conforme apresentado na Figura 9.
3.4.Defuzificao
O processo de defuzificao converte a informao do domnio fuzzy para o domnio
real, no mtodo de defuzificao centro de rea, calcula-se o centride da funo resultante,
de acordo com a Equao (6) e as Figuras 9 e 10, obtendo-se a Equao (7).
=

17 0+ 18+19 0,15+ 20+21+22+23+24 0,35+250,1+ 26+27+28+29 0,35+300,15+ 30,50


0+0,152+0,355+0,1+0,354+0,15+0

= 24.2kg/m2

(7)

O clculo do centro de gravidade para determinar o IMC apresentado na Equao


(7). O valor do IMC obtido foi 24,2 kg/m2. E o valor calculado do IMC utilizando a frmula
IMC= peso/altura2 foi 24,18 kg/m2, que mostra que o modelo fuzzy respondeu conforme
esperado.

Figura 10 Exemplo do processo de defuzificao para o calculo do IMC.


4.

CONCLUSO
A mudana de estratgia de ensino favoreceu o processo de aprendizagem, visto que a
ao do docente foi coerente com a aplicao do referencial terico educacional, ao dotar o
contedo de significado, ou seja, ocorreu a contextualizao. Diante do exposto, ao justificar
a ao do docente dentro de uma teoria educacional permite classificar as aes que so
eficazes e estud-las, permitindo a realizao de um ciclo virtuoso no aprimoramento da
atividades didtico-pedaggicas e, conseqentemente, conduzir os alunos atravs da zona de
desenvolvimento proximal de forma consciente.
5.

REFERNCIAS BIBLIOGRFICAS

DIAS, R. A., SAMPAIO, D. J. B. S. O uso racional da energia atravs da eletrnica: uma


abordagem scio-interacionista. Anais: XXXIX Congresso Brasileiro de Educao em
Engenharia. Blumenau: FURB, 2011.
DRIANKOV, D.; HELLENDOORN, H.; REINFRANK, M. Na Introduction to Fuzzy
Control, Springer, 316p., 1996.
DUALIBE, C.; VERLEYSEN, M.; JESPERS, P. Design of analog fuzzy logic controllers in
CMOS Technologies: implementation, test and application. New York: Kluwer Academic
Pub., 2003.
EL-HAWARY, M. E. Electric power applications of fuzzy systems. IEEE Press Series on
Power Engineering, 1998.
FELDER, Richard M.; BRENT, Rebecca. Understanding student differences. Journal of
Engineering Education, v.94, n.1, p.57-72, 2005.
HUDSON, T. A.; GOLDMAN, M.; SEXTON, S. M. Using behavioral analysis to improve
student confidence with analog circuits. IEEE Transactions on Education, v. 51, n. 3, p.370377, ago. 2008.
MENDEL, J. M.. Fuzzy logic systems for engineering: a tutorial. Proceedings of the IEEE,
1995.

MOREIRA, M. A.; MASINI, E. F. S. Aprendizagem significativa: a teoria de David Ausubel.


So Paulo: Moraes, 1982. 112 p.
MORAES, R. S., DIAS, R. A. Polarizao de transistores: uma abordagem sciointeracionista. Anais: XL Congresso Brasileiro de Educao em Engenharia. Belm: UFPA,
2012.
NEGNEVITSKY, Michael. Artificial Intelligence: a guide to intelligent systems. AddisonWesley, 2001. 394 p.
OLIVEIRA, M. K. Vygotsky: aprendizado e desenvolvimento um processo scio-histrico.
So Paulo: Scipione, 1993. 111 p.
SANDRI, Sandra; CORREA, Cludio. Lgica nebulosa. Escola de redes neurais: Conselho
Nacional de Redes Neurais, v. 5, p. 73-90, 1999.
TANAKA, Kazuo. An Introduction to Fuzzy Logic for Practical Applications. Springer, 1996.
136 p.
WHO. BMI Classification. World Health Organization. Disponvel em:
http://apps.who.int/bmi/index.jsp?introPage=intro_3.html > Acesso em: 10 mai. 2014.

<

ZADEH, L. A. The concept of a linguistic variable and its application to approximate


reasoning I. Information Sciences, v. 8, n. 3, p.199-249, Jul, 1975.

DEMYSTIFYING FUZZY LOGIC


Abstract: Teaching something is not a trivial activity, in which just the teacher make the
collage of content present in the references, placing them in a particular sequence that makes
sense to the understanding of who prepares, for the other side, in classrooms and
laboratories, there are students and their ways of learning, understanding, studying and
applying. The developed educational proposal is the result of experiences in the teaching of
fuzzy logic in the course Introduction to Artificial Intelligence. Initially, the concepts of fuzzy
logic were presented through slides, with some general examples and observed that students
were finding difficult to apply the theory in lab classes. In subsequent years, we proposed a
practical example of how the fuzzy inference system works. By providing meaningful content,
the gap between lecture and practical session was completed, favoring the learning process.
The positive results observed in the teaching-learning process is justified by the historicalcultural approach proposed by Vygotsky, which assumes the condition of educational
theoretical framework, allowing for better articulation between content, teaching, teaching
and learning.
Key-words: fuzzy logic, fuzzy reasoning, fuzzy inference system.