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.