Inteligência Artificial - Sistemas de Lógica Fuzzy

Os Sistemas Lógicos Fuzzy (FLS) produzem uma saída aceitável, mas definida em resposta a uma entrada incompleta, ambígua, distorcida ou imprecisa (fuzzy).

O que é Fuzzy Logic?

Fuzzy Logic (FL) é um método de raciocínio que se assemelha ao raciocínio humano. A abordagem da FL imita a forma de tomada de decisão em humanos que envolve todas as possibilidades intermediárias entre os valores digitais SIM e NÃO.

O bloco lógico convencional que um computador pode entender recebe uma entrada precisa e produz uma saída definida como VERDADEIRO ou FALSO, que é equivalente ao SIM ou NÃO humano.

O inventor da lógica fuzzy, Lotfi Zadeh, observou que, ao contrário dos computadores, a tomada de decisão humana inclui uma gama de possibilidades entre SIM e NÃO, tais como -

CERTAMENTE SIM
POSSIVELMENTE SIM
NÃO POSSO DIZER
POSSIVELMENTE NÃO
CERTAMENTE NÃO

A lógica fuzzy atua nos níveis de possibilidades de entrada para atingir a saída definida.

Implementação

  • Ele pode ser implementado em sistemas com vários tamanhos e recursos, desde pequenos microcontroladores a grandes sistemas de controle em rede baseados em estações de trabalho.

  • Ele pode ser implementado em hardware, software ou uma combinação de ambos.

Por que Fuzzy Logic?

A lógica difusa é útil para fins comerciais e práticos.

  • Pode controlar máquinas e produtos de consumo.
  • Pode não fornecer um raciocínio preciso, mas um raciocínio aceitável.
  • A lógica fuzzy ajuda a lidar com a incerteza na engenharia.

Arquitetura de sistemas de lógica difusa

Tem quatro partes principais, conforme mostrado -

  • Fuzzification Module- Ele transforma as entradas do sistema, que são números nítidos, em conjuntos fuzzy. Ele divide o sinal de entrada em cinco etapas, como -

LP x é grande positivo
MP x é médio positivo
S x é pequeno
MN x é médio negativo
LN x é grande negativo
  • Knowledge Base - Ele armazena regras IF-THEN fornecidas por especialistas.

  • Inference Engine - Simula o processo de raciocínio humano fazendo inferência difusa sobre as entradas e regras IF-THEN.

  • Defuzzification Module - Transforma o conjunto fuzzy obtido pelo mecanismo de inferência em um valor crisp.

o membership functions work on conjuntos difusos de variáveis.

Função de membro

As funções de associação permitem quantificar termos linguísticos e representar um conjunto difuso graficamente. UMAmembership functionpara um conjunto fuzzy A no universo do discurso X é definido como μ A : X → [0,1].

Aqui, cada elemento de X é mapeado para um valor entre 0 e 1. Ele é chamadomembership value ou degree of membership. Ele quantifica o grau de pertinência do elemento no X ao conjunto fuzzy A .

  • O eixo x representa o universo do discurso.
  • O eixo y representa os graus de pertinência no intervalo [0, 1].

Pode haver várias funções de pertinência aplicáveis ​​para difundir um valor numérico. Funções de associação simples são usadas, pois o uso de funções complexas não adiciona mais precisão à saída.

Todas as funções de associação para LP, MP, S, MN, e LN são mostrados como abaixo -

As formas de função de pertinência triangular são mais comuns entre várias outras formas de função de pertinência, como trapezoidal, singleton e gaussiana.

Aqui, a entrada para o difusificador de 5 níveis varia de -10 volts a +10 volts. Portanto, a saída correspondente também muda.

Exemplo de um sistema de lógica difusa

Vamos considerar um sistema de ar condicionado com sistema de lógica difusa de 5 níveis. Este sistema ajusta a temperatura do ar condicionado comparando a temperatura ambiente e o valor de temperatura alvo.

Algoritmo

  • Defina variáveis ​​e termos linguísticos (início)
  • Construa funções de associação para eles. (começar)
  • Construir base de conhecimento de regras (iniciar)
  • Converta dados nítidos em conjuntos de dados difusos usando funções de associação. (fuzzificação)
  • Avalie as regras na base de regras. (Motor de inferência)
  • Combine os resultados de cada regra. (Motor de inferência)
  • Converta os dados de saída em valores não difusos. (defuzificação)

Desenvolvimento

Step 1 − Define linguistic variables and terms

As variáveis ​​linguísticas são variáveis ​​de entrada e saída na forma de palavras ou frases simples. Para temperatura ambiente, frio, quente, quente, etc., são termos linguísticos.

Temperatura (t) = {muito frio, frio, quente, muito quente, quente}

Cada membro deste conjunto é um termo linguístico e pode abranger alguma parte dos valores gerais de temperatura.

Step 2 − Construct membership functions for them

As funções de associação da variável de temperatura são mostradas -

Step3 − Construct knowledge base rules

Crie uma matriz de valores de temperatura ambiente versus valores de temperatura alvo que se espera que um sistema de ar condicionado forneça.

Temperatura ambiente. /Alvo Muito frio Frio Caloroso Quente Muito quente
Muito frio No_Change Calor Calor Calor Calor
Frio Legal No_Change Calor Calor Calor
Caloroso Legal Legal No_Change Calor Calor
Quente Legal Legal Legal No_Change Calor
Muito quente Legal Legal Legal Legal No_Change

Construir um conjunto de regras na base de conhecimento na forma de estruturas IF-THEN-ELSE.

Sr. Não. Doença Açao
1 SE temperatura = (Frio OU Muito_frio) E alvo = Quente ENTÃO Calor
2 SE temperatura = (Quente OU Muito_quente) E alvo = Quente ENTÃO Legal
3 SE (temperatura = quente) E (alvo = quente) ENTÃO No_Change

Step 4 − Obtain fuzzy value

As operações de conjunto difuso realizam a avaliação das regras. As operações usadas para OR e AND são Max e Min, respectivamente. Combine todos os resultados da avaliação para formar um resultado final. Este resultado é um valor difuso.

Step 5 − Perform defuzzification

A defuzzificação é então realizada de acordo com a função de pertinência para a variável de saída.

Áreas de Aplicação da Lógica Fuzzy

As principais áreas de aplicação da lógica fuzzy são as fornecidas -

Automotive Systems

  • Caixas de câmbio automáticas
  • Direção nas quatro rodas
  • Controle do ambiente do veículo

Consumer Electronic Goods

  • Sistemas Hi-Fi
  • Photocopiers
  • Câmeras fotográficas e de vídeo
  • Television

Domestic Goods

  • Fornos de microondas
  • Refrigerators
  • Toasters
  • Aspirador de pó
  • Máquinas de lavar roupas

Environment Control

  • Condicionadores de ar / secadores / aquecedores
  • Humidifiers

Vantagens dos FLSs

  • Os conceitos matemáticos dentro do raciocínio nebuloso são muito simples.

  • Você pode modificar um FLS apenas adicionando ou excluindo regras devido à flexibilidade da lógica fuzzy.

  • Os sistemas de lógica difusa podem receber informações de entrada imprecisas, distorcidas e com ruído.

  • FLSs são fáceis de construir e entender.

  • A lógica difusa é uma solução para problemas complexos em todos os campos da vida, incluindo a medicina, pois se assemelha ao raciocínio humano e à tomada de decisões.

Desvantagens dos FLSs

  • Não existe uma abordagem sistemática para o projeto de sistemas difusos.
  • Eles são compreensíveis apenas quando simples.
  • Eles são adequados para os problemas que não requerem alta precisão.