Académique Documents
Professionnel Documents
Culture Documents
7
Sistemas Fuzzy
– Lotfi Zadeh (quando perguntado sobre o futuro após a criação da lógica fuzzy)
O termo em língua inglesa “fuzzy” pode ter diversos significados, de acordo com
o contexto de interesse, mas o conceito básico captado por este adjetivo passa
sempre pelo vago, indistinto, incerto. As tentativas de tradução para o português
ainda não são uma unanimidade: nebuloso e difuso são os exemplos mais populares na
área de engenharia.
Uma abordagem completa de todas as aplicações que podem ser desenvolvidas a partir
da teoria de conjuntos fuzzy seria material suficiente para um livro. Este capítulo dis-
cute os conceitos básicos da lógica fuzzy e o funcionamento das principais ferramentas
que utilizam este paradigma. Inicialmente, os conceitos da teoria de conjuntos fuzzy são
apresentados a partir de elementos da teoria clássica de conjuntos. São mostradas as téc-
nicas mais usadas de representação e processamento de conhecimento através de sistemas
fuzzy, quando são introduzidas as idéias de variáveis lingüísticas e de modelos de inferên-
cia fuzzy. São apresentados e ilustrados através de exemplos os modelos de Mamdani e de
Takagi-Sugeno-Kang para definição e processamento de regras de produção fuzzy.
As principais aplicações da teoria de conjuntos fuzzy na engenharia são discutidas
em detalhes. Sistemas de apoio à decisão, algoritmos para aproximação de funções e
sistemas de controle baseados em lógica fuzzy estão entre as formas mais populares de
utilização destes conceitos. Finalmente, são tecidas considerações sobre as perspectivas
futuras de evolução e aplicação de sistemas fuzzy e comentadas as principais referências
bibliográficas sobre o tema, como uma forma de auxiliar o leitor na escolha de fontes mais
aprofundadas ou específicas na área de sistemas fuzzy.
7.1 Introdução
A teoria clássica de conjuntos permite o tratamento de classes de objetos e suas inter-
relações em um universo definido. Este universo de discurso pode ser discreto ou contínuo,
dependendo da natureza dos objetos que o compõem. Por exemplo, pode-se definir um
universo U discreto que reúne todos os números entre -10 e 10 do conjunto Z dos números
inteiros. Algebricamente, esta definição pode ser expressa por:
113
114 Sistemas Fuzzy
Os objetos de uma mesma classe ou que possuem características semelhantes são agru-
pados em conjuntos. Neste contexto, um conjunto consiste de uma coleção de objetos ou
elementos do universo de discurso. Existem três formas de se definir um conjunto na teo-
ria clássica de conjuntos (Causey 1994). Por exemplo, pode-se definir um conjunto A, que
reúne os elementos de U positivos, pela enumeração de todos os seus elementos:
A : {x ∈ U / x > 0} (7.3)
O teorema da separação relaciona a teoria clássica de conjuntos e a lógica clássica
booleana através de 7.3, onde um conjunto é definido por um predicado da lógica clássica
que caracteriza os elementos que pertencem ao conjunto. Desta forma, se um elemento
x do universo de discurso U pertence a um dado conjunto, então este elemento satisfaz
um predicado associado a este conjunto. Pode-se definir este conjunto através de uma
função, dita função característica χA : U → {0, 1} que associa a cada elemento do universo
de discurso U , um valor binário. Esta função é expressa por:
0 , se x ∈
/A
χA (u) = (7.4)
1 , se x ∈ A
Finalmente, a terceira forma de representação de um conjunto é a expressão de sua
função característica. O gráfico desta função no plano cartesiano, como mostrado na
Figura 7.1, é uma forma usual de visualização deste tipo de representação. Neste caso,
o eixo x representa o universo de discurso e o eixo y representa os valores da função carac-
terística χA para os elementos deste universo.
4∈A ou χA (4) = 1
−6 ∈
/B ou χB (−6) = 0
Nota-se, agora, que não existe mais um limite abrupto que define os elementos que
pertencem ou não ao conjunto P , como no caso dos conjuntos clássicos A e B. Por outro
lado, os graus de pertinência dos elementos de U no conjunto P possuem variações suaves
no intervalo real [0, 1], como mostrado na Figura 7.2.
Figura 7.3: Diagrama de H-E representando o conjunto fuzzy F no universo real U :[-10,10]
Figura 7.4: Diagrama de H-E dos conjuntos fuzzy “Pequeno”, “Médio” e “Grande”
1. Complemento:
O complemento de um conjunto fuzzy A do universo de discurso U pode ser denotado
por ¬A, com uma função de pertinência definida por
2. União:
Teoria de Conjuntos Fuzzy 117
Esta é uma definição particular da operação de união proposta por Zadeh na década
de 60 (Zadeh 1965b). Na verdade, pode-se definir de uma forma mais geral a operação
de união entre conjuntos fuzzy através das normas S, ou seja, através de uma família
de funções com as seguintes propriedades:
Assim, qualquer função da família das normas S pode ser utilizada como um operador
generalizado da união entre conjuntos fuzzy. Alguns trabalhos apontam, inclusive,
vantagens desta substituição de operadores para certos tipos de aplicações (Pedrycz
1993a). De qualquer forma, a união corresponde sempre ao conectivo “OU”. Assim,
a partir dos conjuntos mostrados em 7.7 e da definição para união de 7.9, resulta a
operação de união mostrada graficamente na Figura 7.6.
3. Interseção:
A interseção entre dois conjuntos fuzzy A e B do universo de discurso U é definida de
diversas formas. Por exemplo, pode-se representar A ∩ B ou A.B através da seguinte
função de pertinência:
118 Sistemas Fuzzy
Como no caso da união, a operação de interseção entre conjuntos fuzzy pode ser
generalizada através de famílias específicas de funções, chamadas de normas T , com
as seguintes propriedades:
Um termo primário de uma dada variável lingüística pode ser representado por um
conjunto fuzzy existente no universo de discurso onde esta variável está definida. Assim,
cada conjunto fuzzy definido neste universo é associado a um conceito lingüístico que
classifica ou define um valor impreciso para a variável em questão. Para um dado elemento
x do universo de discurso, o valor de pertinência µA (x) representa o quanto este elemento
satisfaz o conceito representado pelo conjunto fuzzy A.
Os termos primários definidos para uma dada variável lingüística formam a sua es-
trutura de conhecimento. Esta estrutura é chamada de partição fuzzy desta variável. Na
Figura 7.8, é mostrado um exemplo de partição fuzzy de uma variável lingüística chamada
“Temperatura”. O universo de discurso utilizado é um segmento da escala Celsius de tem-
peratura, entre 0 e 50 graus.
Em 7.12, xi são as entradas do sistema, A1 , ..., Aj , são termos primários definidos nas
partições fuzzy de cada variável de entrada, y1 e y2 são variáveis de saída e B1 , ..., Bm os
termos primários definidos em suas partições fuzzy.
Durante o processo de conversão escalar→fuzzy, os antecedentes de cada regra são
processados através da intersecção fuzzy entre os graus de pertinência das entradas atuais
nos termos primários definidos em cada uma. Este processo gera um grau de pertinência
de disparo para cada regra de produção. Em outras palavras, é calculado para a k-ésima
regra da Base de Conhecimento um coeficiente de disparo D(k) segundo 7.13, onde os
índices k nos conjuntos fuzzy denotam os termos primários que compõem a regra k na
Base de Conhecimento. Este processamento transformou informações quantitativas em
informações qualitativas, sendo considerado um processo de generalização. Em inglês, ele
é comumente chamado de fuzzification.
h i h i
D(k) = T µAk (x1 ), µAk (x2 ), ..., µAkp (xp ) = min µAk (x1 ), µAk (x2 ), ..., µAkp (xp ) (7.13)
1 2 1 2
Todas as regras para as quais o coeficiente de disparo for maior que zero são ditas
regras que dispararam para as entradas atuais. Isto quer dizer que elas vão contribuir
para o cálculo da saída correspondente do sistema de inferência. Estes coeficientes de
disparo, por sua vez, vão limitar os valores máximos dos conjuntos fuzzy de saída gerados
por estas regras. Finalmente, uma operação global de união vai compor um conjunto fuzzy
para cada variável de saída, contendo informações sobre todas as regras disparadas para
as entradas atuais. Em 7.14, é mostrada a composição deste conjunto para o caso da saída
y2 da regra mostrada em 7.12. O universo de discurso desta variável de saída é composto
pelos elementos y ∈ Uy2 .
h i h i
µBi0 (y) = S T D(k) , µBi (y) = max min D(k) , µBi (y) , ∀ y ∈ Uy2 (7.14)
k=1..n k=1..n
P
y.µBi0 (y)
y∈Uy2
yˆ2 = P (7.15)
µBi0 (y)
y∈Uy2
A saída numérica é calculada diretamente pela soma das saídas das regras, ponderada
pelos valores de ativação D(k) de cada uma delas (7.19). Um modelo TSK com múltiplas
saídas sempre pode ser transformado em múltiplos modelos de saída única.
ŷ = i=1..k P (7.19)
D(i)
i=1..k
a ser modelado, os parâmetros P dos conseqüentes destas regras são estimados segundo
algum índice de desempenho definido pelo usuário. A minimização do erro quadrático en-
tre a saída do modelo de Sugeno e os dados de saída disponíveis é normalmente utilizada
como medida do desempenho. Neste caso, um algoritmo de mínimos-quadrados recursivo
(MQR) pode ser utilizado para realizar esta estimação.
Uma vez que as partições fuzzy e os parâmetros de saída estão otimizados segundo o
índice escolhido pelo usuário, o modelo está pronto para substituir o modelo convencional
existente. Em 7.20, a expressão que relaciona as entradas e as saídas de um modelo TSK
de primeira ordem, utilizando um conjunto de k regras de produção fuzzy e p entradas. Ela
é consistente com a regra de produção genérica mostrada na Equação 7.17.
k
X
y(x1 , x2 , ..., xp ) = βi .(Pi0 + Pi1 .x1 + ... + Pip .xp ) (7.20)
i=1
onde
T µAi1 (x1 ), ..., µAip (xp )
βi = k (7.21)
P
T µAj1 (x1 ), ..., µAjp (xp )
j=1
O conjunto de parâmetros P dos conseqüentes das regras fuzzy pode ser estimado por
MQR. Considerando uma matrix X de dimensões m x k.(p+1), um vetor Y de dimensão m
e um vetor P de parâmetros de dimensão k.(p+1), tem-se:
β11 ... βk1 x11 .β11 ... x11 .βk1
xp1 .β11
X= ... ... ...
β1m
(7.22)
x1m .β1m
... xp1 .β1m ... xp1 .βkm
Y = [y1 , ..., ym ]T P = [P10 , ..., Pk0 , P11 , ..., Pk1 , ..., Pkp ]T
Então os parâmetros P podem ser calculados por:
P = (X T .X)−1 .X T .Y (7.23)
Ou, alternativamente, podem ser estimados de forma recursiva através de um filtro de
Kalman em regime permanente do tipo
P0 = 0
(7.25)
S0 = α.I
Um exemplo prático de aplicação do método aqui descrito é mostrado em detalhes na
Seção 7.6, para o caso de aproximação de funções.
124 Sistemas Fuzzy
T
P = 0.8953 −0.1813 0.9642 (7.27)
Figura 7.15: Aproximação de função por um modelo TSK de ordem zero (curva tracejada)
0.4584 −0.8857
P0 = 0.0540 ; P1 = 0.7988 (7.28)
−0.8355 1.8430
Figura 7.16: Aproximação de função por um modelo TSK de primeira ordem (curva trace-
jada)
2. O operador freqüentemente responde não somente a uma única medida, mas a mode-
los complexos de medidas e observações de variáveis não mensuráveis, tais como cor,
consistência, etc.
Pode-se reescrever esta regra em termos das variáveis criadas e seus termos
primários da seguinte forma:
• Partição dos universos de discurso definidos, ou seja, criação dos termos primários
envolvidos e graus de pertinência dos conjuntos fuzzy que representam cada termo;
• Definição de parâmetros semânticos tais como: escolha das operações fuzzy ade-
quadas, forma de conversão de variáveis de entrada e saída, tipo de atuação do con-
trolador (tipicamente, posicional ou incremental), método de aprendizado, etc.
forem o número de regras e termos primários vezes o universo de discurso das variáveis
definidas no controlador. Em arquiteturas paralelas, as regras podem ser processadas
simultaneamente.
As regras devem ser avaliadas em intervalos regulares, do mesmo modo que em um
sistema de controle digital convencional. A escolha do intervalo de amostragem depende
do processo sob controle e deve seguir as regras válidas para o projeto de sistemas de
controle amostrados convencionais.
Uma Base de Conhecimento fuzzy deve ser testada de alguma forma antes de uma im-
plementação prática. A utilização de um modelo matemático do processo pode facilitar
esta etapa de validação do conhecimento. Durante estes testes, é aconselhável a visual-
ização da forma do conjunto fuzzy de saída do processo de inferência, para avaliação das
regras utilizadas. A análise do conjunto resultante pode determinar a qualidade das regras
utilizadas.
Por exemplo, o conjunto “A” da Figura 7.18 a seguir mostra um pico único forte, indi-
cando uma regra dominante nesta região. O conjunto “B”, com dois picos, mostra que no
mínimo duas regras fortes e contraditórias estão presentes, enquanto o conjunto fuzzy “C”
mostra um resultado que indica a falta de um bom conjunto de regras na região mostrada.
Nos dois últimos casos, é necessário o ajuste do controlador para se obter um desempenho
de qualidade do sistema (King & Mamdani 1977).
Figura 7.19: Diagrama equivalente do sistema de controle fuzzy baseado no modelo TSK
R(j) : se P O = Pequeno,
então u = W0_j + WP O_j .P O + KP _j .ER + KI _j .IE + KD_j .DE