Métodos de
Inferência Fuzzy
Prof. Paulo Cesar F. De Oliveira,
BSc, PhD
Métodos de Inferência Fuzzy
Seção 1.1
Métodos de Inferência Fuzzy
§ Professor Ebrahim Mamdani da
University of London propôs um
sistema fuzzy para controlar um
dispositivo que combinava uma
caldeira com uma máquina a vapor
§ Ele aplicou um conjunto de regras
fuzzy fornecidos por operadores
humanos experientes
Métodos de Inferência Fuzzy
Fuzzificação das variáveis de entrada Passo 1 Avaliação da regra (inferência) Passo 2 Agregação das saídas das regras(composição) Passo 3
“Desfuzzificação” Passo 4
Passos do Método de Mamdani
Métodos de Inferência Fuzzy
Regra 1
SE x é A3 OU y é B1 ENTAO z é C1Regra 1
SE verba_projeto é adequada OU pessoal_projeto é pequeno ENTAO risco é baixoRegra 2
SE x é A2 E y é B2 ENTAO z é C2Regra 2
SE verba_projeto é marginal E pessoal_projeto é grandeENTAO risco é normal
Regra 3
SE x é A1 ENTAO z é C3
Regra 3
SE verba_projeto é inadequada
Métodos de Inferência Fuzzy
Métodos de Inferência Fuzzy
Passo 2 – Avaliação da Regra
§ Pegar as entradas fuzzificadas
§
µ
(x=A1)= 0.5
µ
(x=A2)= 0.2
µ
(y=B1)= 0.1
µ
(y=B2)= 0.7
§ Aplicá-las aos antecedentes das regras fuzzy
§ Se a regra fuzzy tem múltiplos antecedentes, o operador
fuzzy (OU e E) é usado para obter um número que representa
o resultado da avaliação do antecedente
§ Este número (valor verdade) é então aplicado à função de
Métodos de Inferência Fuzzy
Passo 2 – Avaliação da Regra
Recapitulação
Recap #1
§ Para avaliar a disjunção dos
antecedentes da regra, usa-se a operação fuzzy OU (união) µA∪B(x) = max [µA(x), µB(x)]
Recap #2
§ Para avaliar a conjunção dos
antecedentes da regra, usa-se a operação fuzzy E (interseção)
Métodos de Inferência Fuzzy
Regra 1
SE x é A3 (0.0) OU y é B1 (0.1) ENTAO z é C1 (0.1)Regra 2
SE x é A2 (0.2) E y é B2 (0.7) ENTAO z é C2 (0.2)Regra 3
SE x é A1 (0.5) ENTAO z é C3 (0.5)µC1(z) = max[µA3(x),µB1(y)] = max[0.0, 0.1] = 0.1
µC 2(z) = min[µA2(x),µB2(y)] = min[0.2, 0.7] = 0.2
Métodos de Inferência Fuzzy
Métodos de Inferência Fuzzy
Passo 2 – Avaliação da Regra
Grau de Pertinência Grau de Pertinência
§ Métodos para aplicar o resultado da avaliação do
antecedente à função de pertinência do consequente
Métodos de Inferência Fuzzy
Passo 2 – Avaliação da Regra
Clipping (corte)
§ Corta a função de pertinência do consequente ao nível verdade do antecedente
§ Também chamado de alfa-corte (α–corte) ou correlação mínima
§ É mais popular porque envolve matemática mais rápida e menos complexa
Métodos de Inferência Fuzzy
Passo 2 – Avaliação da Regra
Scaling
(dimensionamento)
§ Melhor abordagem para a
preservação da forma original do conjunto fuzzy
§ Função de pertinência original do consequente da regra é adaptado multiplicando todos os seus graus de pertinência pelo valor verdade do antecedente da regra
§ Geralmente perde menos
informação, por isso pode ser útil em sistemas especialistas fuzzy
Métodos de Inferência Fuzzy
Passo 3 – Agregação dos Consequentes das Regras
§ Agregação – processo de unificação das saídas de todas as regras
§ Toma-se as funções de pertinência de todos os consequentes das
regras previamente cortadas ou dimensionadas e os combina em um único conjunto fuzzy
Métodos de Inferência Fuzzy
Passo 4 – Desfuzzificação
§ Saída final de um sistema fuzzy tem de ser um número crisp e único
§ Entrada para o processo de desfuzzificação é a saída agregada do
Métodos de Inferência Fuzzy
Passo 4 – Desfuzzificação
Métodos
§ Métodos de desfuzzificação
§ Máxima
§ Centroide (Centro de Gravidade)
§ Média Ponderada
§ Meio de Máxima
§ Primeiro de Máxima ou Último de Máxima
Encontra um ponto onde uma linha vertical cortaria o conjunto agregado em duas partes iguais
COG =
aµ
A(x)x dx
b∫
µ
A(x)dx
a b∫
Métodos de Inferência Fuzzy
Passo 4 – Desfuzzificação
Método do Centroide
§ Encontra um ponto que
representa o centro de
gravidade do conjunto fuzzy A, no intervalo [a, b]
§ A estimativa lógica e provável
pode ser obtida através do cálculo sobre os pontos da amostra
COG =
µ
A(x)x
x=a b∑
µ
A( )
x
x=a b∑
Métodos de Inferência Fuzzy
Passo 4 – Desfuzzificação
Método do Centroide
§ COG é calculado sobre uma
série contínua de pontos na saída agregada da função de pertinência
Métodos de Inferência Fuzzy
Passo 4 – Desfuzzificação
Grau de Pertinência COG = (0 +10 + 20) × 0.1+ (30 + 40 + 50 + 60) × 0.2 + (70 + 80 + 90 +100) × 0.5 0.1+ 0.1+ 0.1+ 0.2 + 0.2 + 0.2 + 0.2 + 0.5 + 0.5 + 0.5 + 0.5 COG = 67.4COG =
µ
A(x)x
x=a b∑
µ
A( )
x
x=a b∑
Métodos de Inferência Fuzzy
Seção 1.2
Métodos de Inferência Fuzzy
§ Professor Michio Sugeno considerado o
“Zadeh do Japão” propôs um novo
método juntamente com seus colegas
em 1985
§ Também conhecido como TSK (Takagi,
Sugeno e Kang)
§ Método substitui o consequente da
regra de Mamdani com uma função das
variáveis de entrada
Métodos de Inferência Fuzzy
§ Sugeno sugeriu usar-se um simples
valor (singleton) como a função de
pertinência da regra do consequente
§ Um singleton é um conjunto fuzzy com
uma função de pertinência que é 1
(um) em um determinado ponto no
universo do discurso e 0 (zero) nos
outros pontos
Métodos de Inferência Fuzzy
§ Regra Fuzzy estilo Sugeno
Regra
SE
x é A
E
y é B
ENTAO z é f(x,y)
§ Onde
x
,y
ez
são variáveis linguísticas;A
eB
são os conjuntos fuzzy no universodos discursos
X
eY
, respectivamente; eMétodos de Inferência Fuzzy
§ Modelo Fuzzy de Sugeno de zero ordem mais comumente usado aplica regras fuzzy na
seguinte forma:
Regra
SE
x é A
E
y é B
ENTAO z é k
§ Ondek
é uma constanteMétodos de Inferência Fuzzy
Fuzzificação das variáveis de entrada Passo 1 Avaliação da regra (inferência) Passo 2 Agregação das saídas das regras(composição) Passo 3
“Desfuzzificação” Passo 4
Passos do Método de Sugeno
Métodos de Inferência Fuzzy
Métodos de Inferência Fuzzy
Métodos de Inferência Fuzzy
Métodos de Inferência Fuzzy
Passo 4 – Desfuzzificação
MP = µ(k1) × k1+µ(k2) × k2 +µ(k3) × k3 µ(k1) +µ(k2) +µ(k3) = 0.1× 20 + 0.2 × 50 + 0.5× 80 0.1+ 0.2 + 0.5 = 65Métodos de Inferência Fuzzy
Seção 1.3
Métodos de Inferência Fuzzy
Mamdani
§ Largamente aceito para captura de
conhecimento
§ Permite descrever a especialidade
de uma forma mais intuiitiva (i.e. mais humana)
§ Implica uma carga computacional
pesada
Sugeno
§ Mais eficaz computacionalmente
§ Trabalha bem com técnicas de