You are on page 1of 36

Lgica Difusa

Milena Tpia
milena@inf.ufsc.br
Conceito
Lgica difusa uma lgica multivalorada capaz de
capturar informaes vagas, em geral descritas em uma
linguagem natural e convert-las para um formato
numrico, de fcil manipulao pelos computadores de
hoje em dia.
A representao depende no apenas do conceito, mas
tambm do contexto em que est sendo usada.
A lgica difusa pode ainda ser definida como a lgica
que suporta os modos de raciocnio que so
aproximados, ao invs de exatos, como estamos
acostumados a trabalhar.
Histrico
A Lgica Difusa foi desenvolvida por Lofti A.
Zadeh da Universidade da Califrnia em
Berkeley na dcada de 60 e combina lgica
multivalorada, teoria probabilstica, IA e RNA
para poder representar o pensamento humano,
ou seja, ligar a lingustica e a inteligncia
humana, pois muitos conceitos so melhores
definidos por palavras do que pela matemtica.
Objetivo
A lgica difusa objetiva fazer com que as decises
tomadas pela mquina se aproximem cada vez mais das
decises humanas, principalmente ao trabalhar com
uma grande variedade de informaes vagas e incertas,
as quais podem ser traduzidas por expresses do tipo: a
maioria, mais ou menos, talvez, etc. Antes do
surgimento da lgica fuzzy essas informaes no
tinham como ser processadas.
A lgica difusa vem sendo aplicada nas seguintes reas:
Anlise de dados, Construo de sistemas especialistas,
Controle e otimizao, Reconhecimento de padres, etc.
Caractersticas
Baseia-se em palavras e no em nmeros, ou
seja, os valores verdades so expressos
lingsticamente. Por exemplo: baixo, mdio,
alto, e outros usados para definir estados de
uma varivel.
Possui vrios modificadores de predicado como
por exemplo: muito, mais ou menos, pouco,
bastante, mdio, etc;
Caractersticas
Possui tambm um amplo conjunto de
quantificadores, como por exemplo: poucos,
vrios, em torno de, usualmente;
Faz usos das probabilidades lingsticas, como
por exemplo: provvel, improvvel, que so
interpretados como nmeros fuzzy e
manipulados pela sua aritmtica;
Manuseia todos os valores entre 0 e 1, tomando
estes, como um limite apenas.
Conjuntos Difusos
Conjuntos com limites imprecisos.
Altura
(m)
1.75
1.0
Conjunto Crisp
1.0
Funo de
pertinncia
Altura
(m)
1.60 1.75
.5
.9
Conjunto Difuso
A = Conjunto de pessoas altas.
.8
1.70
Conjuntos Difusos
Definio formal:
Um conjunto difuso A em X expresso como um
conjunto de pares ordenados:

} | )) ( , {( X x x x A
A
e =
Universo ou
Universo de discurso
Conjunto
Difuso
Funo de
pertinncia
(MF)
Um conjunto difuso totalmente caracterizado
por sua funo de pertinncia (MF).
Conjuntos Difusos
Um conjunto difuso A definido no universo de discurso X
caracterizado por uma funo de pertinncia
A
, a
qual mapeia os elementos de X para o intervalo [0,1].

A:X
[0,1]
Desta forma, a funo de pertinncia associa a cada
elemento x pertencente a X um nmero real
A(X)
no
intervalo [0,1], que representa o grau de possibilidade
de que o elemento x venha a pertencer ao conjunto A,
isto , o quanto possvel para o elemento x pertencer
ao conjunto A.
Funo de Pertinncia
Reflete o conhecimento que se tem em relao a intensidade com
que o objeto pertence ao conjunto difuso.
Caractersticas das funes de pertinncia:
Medidas subjetivas;
Funes no probabilsticas monotonicamente crescentes,
decrescentes ou subdividida em parte crescente e parte
decrescente.
MFs
Altura
(m)
alto no Brasil
1.75
.5
.8
.1
alto nos EUA
alto na Itlia
Universo Discreto
X = {SF, Boston, LA} (discreto
e no ordenado)
C = Cidade desejvel para se
viver
C = {(SF, 0.9), (Boston, 0.8),
(LA, 0.6)}

X = {0, 1, 2, 3, 4, 5, 6}
(discreto)
A = Nmero de filhos
A = {(0, .1), (1, .3), (2, .7),
(3, 1), (4, .6), (5, .2), (6, .1)}
0 2 4 6
0
0.2
0.4
0.6
0.8
1
X = Nmero de filhos
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(a) Universo Discreto
Universo Contnuo
X = (Conjunto de
nmeros reais positivos)
(contnuo)

B = Pessoas com idade
em torno de 50 anos

B = {(x,
B
(x)
)| x em X}

B
x
x
( ) =
+

|
\

|
.
|
1
1
50
10
2
0 50 100
0
0.2
0.4
0.6
0.8
1
X = Idade
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(b) Universo Contnuo
Notao Alternativa
Um conjunto difuso A, pode alternativamente
ser denotado por:
x (discreto)
x (contnuo)

Obs.: Os smbolos E e representam o conjunto dos
pares ordenados (x,
A
(x)
).
i i
X x
A
x x A
i
| ) (

e
=
x x A
X
A
| ) (
}
=
}
Variveis Lingsticas
Uma varivel numrica possui valores numricos:
Idade = 65
Uma varivel lingstica possui valores que no so
nmeros, e sim, palavras ou frases na linguagem
natural.
Idade = idoso
Um valor lingstico um conjunto fuzzy.
Todos os valores lingsticos formam um conjunto de
termos:
T(idade) = {Jovem, velho, muito jovem,...
Maduro, no maduro,...
Velho, no velho, muito velho, mais ou menos velho,...
No muito jovem e no muito velho,...}
Partio Difusa
Partio difusa da varivel lingistica Idade, formada
pelos valores lingisticos jovem, maduro e idoso.
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
1.2
X = Idade
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

Jovem Maduro Idoso

A
(x)
= 1
Height
(A)
= Max
x

A
(x)
Supp
(A)
= {x|
A(x)
> 0 e x X}
Core
(A)
= {x|
A(x)
= 1 e x X}

Crossover
(A)
= {x|
A(x)
= 0.5}
A
o
= {x|
A(x)
> o, x X}
A
o+
= {x|
A(x)
> o, x X}
Mais definies
Normalidade
Altura
Suporte
Ncleo

Pontos de Cruzamento
o-cut
strong o-cut


e
e
e
e
Terminologia
MF
X
.5
1
0
Ncleo
Pontos de Cruzamento
Suporte
o - cut
o
A
l
t
u
r
a



Open left or right,
closed
Mais definies
Conjunto nulo
Fora

Convexidade
Simetria

( )
=
n
i
xi A
1

0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(a) Dois conjuntos Fuzzy convexos
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(b) Conjunto Fuzzy no-convexo
Exemplo:
X = {a, b, c, d, e}
A = {1/a, 0.3/b, 0.2/c, 0.8/d, 0/e} (normal)
B = {0.6/a, 0.9/b, 0.1/c, 0.3/d, 0.2/e} (subnormal)

Height
(A)
= 1 e Height
(B)
= 0.9
Supp
(A)
= {a, b, c, d} e Supp
(B)
= {a, b, c, d, e}
Core
(A)
= {a} e Core
(B)
=
Exemplo (o-cut)
A = {0.3/a, 1/b, 0.5/c, 0.9/d, 1/e}

para 0.3 > o > 0 A
o
= {a, b, c, d, e}
para 0.5 > o > 0.3 A
o
= {b, c, d, e}
para 0.9 > o > 0.5 A
o
= {b, d, e}
A c B, se
B(x)
>
A(x)
para cada x X
A = B, se
A(x)
=
B(x)
para cada x X
( A = X - A
(A(x)
= 1 -
A(x)

E(x)
= Max [0,
A(x)
-
B(x)
]

C = A B
c(x)
= max(
A(x)
,
B(x)
)
C =
A(x)
v
B(x)

C = A . B
c(x)
= min(
A(x)
,
B(x)
)
C =
A(x)
.
B(x)
Operaes Bsicas
Subconjunto
Igualdade
Complemento
Complemento
Relativo

Unio


Interseo


e
e
Representao
0
0.2
0.4
0.6
0.8
1
A est contido em B
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

B
A
(a) Conjuntos Fuzzy A e B (b) Conjunto Fuzzy no A
0
0.2
0.4
0.6
0.8
1
A B
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
(c) Conjunto Fuzzy "A ou B"
0
0.2
0.4
0.6
0.8
1
(d) Conjunto Fuzzy "A e B"
Exemplo (Unio|Interseo)
X = {a, b, c, d, e}
A = {1/a, 0.7/b, 0.3/c, 0/d, 0.9/e}
B = {0.2/a, 0.9/b, 0.4/c, 1/d, 0.4/e}

C = {1/a, 0.9/b, 0.4/c, 1/d, 0.9/e}
D = {0.2/a, 0.7/b, 0.3/c, 0/d, 0.4/e}
Formulao da MF
Funo Triangular


Funo Trapezoidal


Funo Gaussiana


Funo Sino Generalizada

trimf x a b c
x a
b a
c x
c b
( ; , , ) max min , , =

|
\

|
.
|
|
\

|
.
| 0
trapmf x a b c d
x a
b a
d x
d c
( ; , , , ) max min , , , =

|
\

|
.
|
|
\

|
.
| 1 0
gbellmf x a b c
x c
b
b
( ; , , ) =
+

1
1
2
2
2
1
) , , ; (
|
.
|

\
|

=
o
c x
e c b a x gaussmf
Formulao da MF
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(a) Triangular
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(b) Trapezoidal
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(c) Gaussiana
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
u

d
e

P
e
r
t
i
n

n
c
i
a

(d) Sino Gerneralizada
Propriedades (Interseo|Unio)
Comutatividade
A v B = B v A
A . B = B . A
Idempotncia
A v A = A
A . A = A
Associatividade
A v (B v C) = (A v B) v C = A v B v C
A . (B . C) = (A . B) . C = A . B . C
Distributividade
A . (B v C) = (A . B) v (A . C)
A v (B . C) = (A v B) . (A v C)
Propriedades (Interseo|Unio)
A v = A A v X = X
A . = A . X = A

A c A v B
A A . B
A . B c A v B

Se A c B ento
B = A v B
A = A . B

Se A c B e B c C ento
A c C
Propriedades (Comp.|Comp. Relativo)
Negao Dupla
( ( (A) = A

Lei de Morgan
( (A v B) = ( A . ( B
( (A . B) = ( A v ( B

( | = X
( X = |

Se A c B ento ( A ( B e A - B = |
A - A = |
| - A = |

A - | = A

Uma caracterstica significante
que distingue os conjuntos difusos
dos conjuntos clssicos :
( A . A = |
( A v A = X
Sistemas Difusos
Fuzificao
das variveis
Atribuir Graus
de pertinncia
Definir Funes
de Pertinncia
Sada Crisp
Defuzificao das
variveis
Aplicao das
regras
Entradas Crisp
Classificao
Estimar uma medida
com maior preciso
Fuzzificao
Etapa na qual os valores numricos so
transformados em graus de pertinncia para um
valor lingstico.
Cada valor de entrada ter um grau de
pertinncia em cada um dos conjuntos difusos.
O tipo e a quantidade de funes de pertinncia
usados em um sistema dependem de alguns
fatores tais como: preciso, estabilidade,
facilidade de implementao...
Determinao das regras
Descrio das situaes nas quais h reaes
atravs de regras de produo (If - then). Cada
regra na sada especifica uma ou vrias
concluses.

Regras If - then
alta
pequeno
mdia
resistncia = 5*velocidade
Estilo Mamdani
Se a presso alta, ento o volume pequeno
Estilo Sugeno
Se a velocidade mdia, ento a resistncia = 5 * velocidade
Sistema de inferncia
Se velocidade baixa ento resistncia = 2
Se velocidade mdia ento resistncia = 4 * velocidade
Se velocidade alta ento resistncia = 8 * velocidade
Regra 1: w1 = .3; r1 = 2
Regra 2: w2 = .8; r2 = 4*2
Regra 3: w3 = .1; r3 = 8*2
Velocidade 2
.3
.8
.1
baixa mdia alta
Resistncia = E(wi*ri) / Ewi
= 7.12
MFs
Avaliao das regras
Cada antecedente (lado if) tem um grau de
pertinncia. A ao da regra (lado then)
representa a sada difusa da regra. Durante a
avaliao das regras, a intensidade da sada
calculada com base nos valores dos
antecedentes e ento indicadas pelas sadas
difusas da regra.
Alguns mtodos de avaliao:
MinMax, MaxMin, MaxProduto, MinMin, MaxMedia, MaxMax
e Soma dos produtos.
Agregao das Regras
So as tcnicas utilizadas na obteno de um
conjunto difuso de sada x a partir da
inferncia nas regras.
Determinam quanto a condio de cada regra
ser satisfeita.

Defuzzificao
Processo utilizado para converter o conjunto
difuso de sada em um valor crisp
correspondente.
Alguns mtodos de defuzzificao:
Centride,
Mdia dos mximos,
Distncia de Hamming,
Barras verticais,
Mtodo da altura, etc.