I2: x≤z ⇒I(x, y)≥I(z, y)(antitonicidade no primeiro argumento); e I3: y ≤z ⇒I(x, y)≤I(x, z)(isotonicidade no segundo argumento);
Tais propriedades das implicações fuzzy provêm suporte para modelagem do com- portamento das regras e composição de métodos de inferência em sistemas de to- mada de decisões baseadas na abordagem fuzzy.
• Unidade de decisão lógica, realizando operações de inferência para obter, a partir da avaliação dos níveis de compatibilidade das entradas, com as condições impostas pela BR, uma ação a ser realizada pelo sistema;
• Interface de fuzzificação, utilizando as funções de pertinência pré- estabelecidas mapeia cada variável de entrada do sistema em graus de perti- nência de cada conjunto fuzzy que representa a variável em questão;
• Interface de defuzzificação, transformando os resultados fuzzy produzidos pela saída da inferência obtidos no módulo da unidade de decisão lógica, com o em- prego das funções de pertinência das VL da parte consequente das regras, ob- tém uma saída não fuzzy; E, nesta etapa, as regiões resultantes são convertidas em valores de saída do sistema.
3.4.2 Componentes da Arquitetura
Esta seção descreve, brevemente, os componentes da arquitetura de sistemas baseados na lógica fuzzy, e suas possíveis extensões, como a T2FL (Lógica Fuzzy Tipo-2) e a IT2FL (Lógia Fuzzy Tipo-2 Intervalar) também denominada IVFL (Lógica Fuzzy Valorada Intervalarmente). A Figura 8 apresenta um esquema gráfico de sis- temas abrangendo regras fuzzy tipo-2 que manipulam dados de T2FS. Os sistemas baseados em regras fuzzy tipo-1 podem ter estrutura análoga ao fuzzy tipo-2, exceto pelo módulo de redução de tipo, que atua na saída da inferência sobre IVFS reduzindo um IT2FS para um T1FS.
Figura 8 – Arquitetura de um Sistema de Inferência Fuzzy Adaptada de: Mendel (2007)
Fuzzificação
O processo de fuzzificação é um mapeamento de subconjuntos de números re- ais, em geral discretizados, para o domínio fuzzy. A fuzzificação também indica que
há atribuição de valores linguísticos, descrições vagas ou qualitativas, definidas por funções de pertinência às variáveis de entrada.
A fuzzificação também pode indicar uma espécie de pré-processamento de ca- tegorias ou classes dos sinais de entrada, reduzindo o número de valores a serem processados. Uma menor quantidade de valores processados significa menos com- plexidade das computações. As funções de pertinência também podem ser descritas por tabulação de valores numéricos, e consultas via tabelas podem acelerar a etapa de fuzzificação.
Resumindo, são utilizadas duas sub etapas:
• (i) a entrada é um valor numérico; e
• (ii) a saída correspondendo a um número do intervalo real [0,1].
E ambas são dependentes dos graus de pertinência na definição dos conjuntos fuzzy. Para cada valor de entrada é aplicada uma função de pertinência, a qual retor- nará o valor da avaliação lógica da proposição.
Regras e Inferência
As regras podem ser fornecidas por especialistas, em forma de sentenças linguís- ticas, e se constituem em um aspecto fundamental no desempenho de um sistema de inferência fuzzy.
No caso de controlador fuzzy, o bom desempenho está condicionado às regras que descrevem a estratégia de controle de forma consistente. Extrair regras de especia- listas na forma de sentenças condicionais é uma tarefa difícil, por mais conhecedores que eles sejam do problema em questão.
Alternativamente ao uso de especialistas para a definição da base de regras, exis- tem métodos de extração de regras de dados numéricos úteis em problemas de clas- sificação e previsão de séries temporais (KLIR, 2005).
No estágio de inferência, ocorrem as operações com conjuntos fuzzy propriamente ditas: combinação dos antecedentes das regras, implicação e modus ponens gene- ralizado. Os conjuntos fuzzy de entrada, relativos aos antecedentes das regras, e o de saída, referente ao consequente, podem ser definidos previamente ou, alternativa- mente, gerados automaticamente a partir dos dados.
Nesta etapa, tem-se a aplicação dos operadores fuzzy, sendo que a entrada consta de dois ou mais valores, resultantes da fuzzificação. No caso da aplicação do operador de implicação, há uma remodelação nos dados de entrada pela aplicação de uma implicação fuzzy.
Na sequência, tem-se a agregação dos resultados das inferências, onde são justa- postas todas as saídas fuzzy em um único conjunto fuzzy.
Para a elaboração dessas regras é importante ter em mente alguns conceitos im- portantes. São eles:
• Variáveis Linguísticas: elas são o centro da técnica de modelagem de siste- mas fuzzy. Com elas é possível nomear os conjuntos, e ainda, qualificá-los utilizando os qualificadores tais como muito (High), regular (Average) e pouco (Low). Dessa forma, a modelagem do sistema se torna mais próxima do mundo real.
• Conexões lógicas: do tipo AND/OR, para criar a relação entre as variáveis.
• Implicações do tipo: Se “x1 éA1”E “x2 éA2”E “x3 éA3” então “yéB”
Os principais sistemas de inferência fuzzy estão baseados em dois operadores.
Para tal, sejam A e B conjuntos fuzzy: Existem dois tipos básicos de implicações fuzzy (SHAW, 1999):
1. Modus Ponens (Modo Afirmativo), operando frequentemente em controladores fuzzy e sistemas especialistas.
Premissa 1: X =A
modus ponens: Premissa 2: se X =A ent˜ao Y =B Consequência: Y =B
ondeA⊂X e B ⊂Y.
2. Modus Tollens: (Modo Negativo), operam com base em premissas ou condições, as quais geram uma determinada consequência. Tal tipo está sendo utilizado somente em sistemas especialistas.
Premissa 1: Y =n˜ao−B
modus tollens: Premissa 2: se X =A ent˜ao Y =B Consequência: X=n˜ao−A
O mapa de regras fuzzy relaciona as entradas fuzzy entre si, gerando as saídas fuzzy correspondentes, formando assim a base de conhecimento do sistema. As en- tradas do mapa são preenchidas durante a identificação do sistema fuzzy quando um operador humano, ou ainda, um sistema especialista auxilia na identificação da ope- ração e controle do processo.
Na inferência fuzzy, também se indicam como as regras são agregadas e combi- nadas, provendo a construção da região resultante da aplicação das regras.
Na agregação, ou seja, na composição dos vários conjuntos fuzzy de entrada em uma regra, ast-normas (TM e TP) são mais comuns, enquanto que na combinação,
ou composição das saídas fuzzy de cada regra, a t-conormas Sm e SP têm sido as mais praticadas (ROSS, 2010a).
Assim, definem-se as estruturas max-min ou max-produto para controladores fuzzy. Produto (P) e min (M) são ambos operadores de interseção fuzzy, referidos como conectivosAND(BELIAKOV; PRADERA; CALVO, 2009).
Defuzzificador
No defuzzificador, o valor da VL de saída inferida pelas regras fuzzy será traduzido num valor discreto, ou seja, geometricamente as regiões resultantes do processo de inferência são convertidas em valores precisos para a variável de saída do sistema.
O objetivo é obter um único valor numérico discreto (crisp) que melhor represente os valores fuzzy inferidos da VL de saída (ROSS, 2010c).
A defuzzificação é uma transformação inversa que traduz a saída do domínio fuzzy para o domínio discreto. Para selecionar o método apropriado de defuzzificação, pode- se utilizar um enfoque baseado no centroide ou nos valores máximos que ocorrem da função de pertinência resultante.
Existem diversas técnicas de defuzzificação, as principais delas são: centro da área, centro do máximo e média do máximo (SHAW, 1999), resumidas na sequência desta seção.
(i) Centro da Área (CoA - Center of Area) O método centro da área, também co- nhecido como centro de gravidade, calcula o centroide da área composta que representa o termo de saída fuzzy (µOU T), esse termo é composto pela união de todas as contribuições de regras. O centroide é um ponto que divide a área de µOU T em duas partes iguais. O cálculo do CoA se dá da seguinte forma:
x = PN
i=1xiµOU T(xi) PN
i=1µOU T(xi) (2)
ondeµOU T(xi)é a área de uma função de pertinência modificada pelo resultado da inferência fuzzy, e xi é a posição do centroide da função de pertinência in- dividual. Tal equação calcula o centroide composto, para o qual contribuem as funções de pertinência indicadas.
(ii) Centro do Máximo (CoM -Center of Maximum)
Neste método, os picos das funções de pertinência representados no universo de discurso da variável de saída são usados, enquanto ignoram-se as áreas das funções de pertinência, as contribuições múltiplas de regras são consideradas por esse método.
Os valores não nulos do vetor de possibilidades de saída são posicionados nos correspondentes picos. Assumindo que tais valores representam pesos, o valor de saída defuzzificado (discretizado) é determinado pelo ponto de apoio onde os pesos ficam equilibrados. Assim, as áreas das funções de pertinência não desempenham papel relevante, apenas os máximos são utilizados. A saída dis- creta é calculada como uma média ponderada dos máximos, cujos pesos são os resultados da inferência. O cálculo do valor defuzzificado é realizado por meio da seguinte equação:
x = PN
i=1xiPn
k=1µO,k(xi) PN
i=1
Pn
k=1µO,k(xi) (3)
onde µO,k(ui) indicam os pontos em que ocorrem os máximos (alturas) das fun- ções de pertinência de saída.
Essa abordagem representa um melhor compromisso entre possíveis saídas com multiplicidade de disparo de conjuntos fuzzy, ou seja, se três regras forem acionadas, duas impondo uma saída e uma impondo outra saída, por exemplo.
(iii) Média do Máximo (MoM - Mean of Maximum) O método Média do Máximo é utilizado em casos onde a função de pertinência tenha mais de um máximo, pois a abordagem CoM não funcionaria bem, devido à necessidade de escolher qual máximo utilizar. E, a média de todos os máximos (MoM), é dada pela expressão:
x =
M
X
m=1
xm
M (4)
onde um é o m-ésimo elemento no universo do discurso, pressupõe que a fun- ção µOU T(ui) tenha um máximo e M é o número total desses elementos. Esse método também é conhecido como solução mais plausível, pelo fato de descon- siderar o formato das funções de pertinência de saída.