LÓGICA DIFUSA
Transcrição
LÓGICA DIFUSA
LÓGICA DIFUSA Adilson Pereira de Souza Cristiane Zomer Humberto Luiz Locks Marcos Bortolotto Fernandes Natália Jeremias Fernandes Resumo. O artigo apresenta um estudo referente à Lógica Difusa. Descrevendo um breve histórico de seu surgimento, conceitos, características, teoria dos conjuntos fuzzy, funções de pertinência, exemplos, variáveis lingüísticas, sistema fuzzy, áreas de aplicação, aplicações, estudos da área, vantagens e perspectivas. Abstract The article presents a study concerning to the Fuzzy System. Describing a brief history since its emergence, concepts, features, fuzzy theory sets, relevance functions , examples, linguistic variation, fuzzy system, areas of application, applications, studies of the area, benefits and prospects. 1 Introdução Lidar com fatores como ambigüidade, incerteza e informações vagas na resolução de problemas é uma característica do pensamento humano, que usa o conhecimento adquirido e experiências para lidar com esses fatores [Klir,1997] [Mukaidono,2001]. A modelagem computacional convencional não trabalha com ambigüidades, pois utiliza o conceito de verdadeiro ou falso [Mukaidono, 2001]. A precisão computacional também é limitada, deixando sempre uma margem, por mínima que seja, para a incerteza [Klir, 1997]. Em meio a tanta imprecisão e incertezas, foi desenvolvida, por Zadeh, a Teoria dos Conjuntos Fuzzy, ou Conjuntos Nebulosos, onde se permite tratar esses níveis de incertezas e ambigüidade. O artigo pretende, de forma resumida, abordar essa teoria desenvolvida por Zadeh, alguns conceitos e algumas aplicações práticas. Além desses conceitos e aplicações, pretende-se passar um breve histórico do surgimento da Lógica Fuzzy, bem como suas áreas de aplicações, os estudos voltados a essa área, suas vantagens e perspectivas. 2 Histórico Aristóteles foi o fundador da ciência da lógica, e estabeleceu um conjunto de regras rígidas para que conclusões pudessem ser aceitas logicamente válidas. O emprego da lógica de Aristóteles levava a uma linha de raciocínio lógico baseado em premissas e conclusões. Desde então, a lógica Ocidental, assim chamada, tem sido binária, isto é, uma declaração é falsa ou verdadeira, não podendo ser ao mesmo tempo parcialmente verdadeira e parcialmente falsa. Esta suposição e a lei da não contradição, que coloca que "U e não U" cobrem todas as possibilidades, formam a base do pensamento lógico Ocidental. A lógica de Aristóteles trata com valores "verdade" das afirmações, classificando-as como verdadeiras ou falsas. Muitas das experiências humanas não podem ser classificadas simplesmente como verdadeiras ou falsas, sim ou não, branco ou preto. Na verdade, entre a certeza de ser e a certeza de não ser, existem infinitos graus de incerteza. Esta imperfeição à informação representada numa linguagem natural, tem sido tratada matematicamente no passado com o uso da teoria das probabilidades Se a "lógica difusa" tem uma origem, esta reside na tentativa da Lógica de se adaptar aos paradoxos de Russel e à incerteza de Heisenberg. O lógico polonês Jan Lukasiewicz desenvolveu uma lógica "multivalente" nos anos de 1920, refinando a lógica binária do sim-não, da física newtoniana, para permitir estados indeterminados. Em 1965, o matemático Lotfi Zadeh, de Berkeley, aplicou essa nova lógica à teoria dos conjuntos, em seu artigo "Conjuntos Difusos", que depois emprestou seu nome à lógica. 3 Conceitos A Lógica Difusa, ou Fuzzy Logic pode ser definida como sendo uma ferramenta capaz de capturar informações vagas, em geral descritas em uma linguagem natural e convertê-las para um formato numérico, de fácil manipulação pelos computadores de hoje em dia. A Lógica Difusa, com base na teoria dos “Conjuntos Nebulosos (Fuzzy Set)”, tem se mostrado mais adequada para tratar imperfeições da informação do que a teoria das probabilidades. 4 Características • A Lógica Difusa está baseada em palavras e não em números, ou seja, os valores verdades são expressos lingüisticamente. Por exemplo: quente, muito frio, verdade, longe, perto, rápido, vagaroso, médio, etc. • Possui vários modificadores de predicado como por exemplo: muito, mais ou menos, pouco, bastante, médio, etc. • Possui também um amplo conjunto de quantificadores, como por exemplo : poucos, vários, em torno de, usualmente. • Faz uso das probabilidades lingüísticas, como por exemplo : provável, improvável, que são interpretados como números fuzzy e manipulados pela sua aritmética. • Manuseia todos os valores entre 0 e 1, tomando estes, como um limite apenas. • Embora tenham limitações, os sistemas difusos apresentam peculiaridades interessantes cujas principais características são: • Estimam funções entrada-saída; • Estimam funções sem o uso de modelos matemáticos; • Aprendem por experiência, a partir de dados numéricos e/ou de dados lingüísticos; • Processam informações em uma estrutura paralela; • Podem ser implementados em software, em circuitos digitais e analógicos, em hologramas, em dispositivos óticos; • Processam informações de conhecimento estruturado em forma de regras; • Processam informações imprecisas, vagas, nebulosas, incompletas; • São muito robustos; • Sistemas difusos adaptativos podem ser construídos e associados a outras técnicas de busca ou classificação como redes neuronais e algoritmos genéticos, por exemplo. • A construção de um sistema difuso não é, em si, um processo complexo. Mesmo aplicado na modelagem de sistemas reais complexos, envolve algumas tarefas básicas mais ou menos comuns a qualquer aplicação: • Escolha das variáveis antecedentes e conseqüentes (de entrada e de saída); • Definição dos conjuntos difusos (funções de pertinência); • Estabelecimento das relações entre as variáveis (regras); • Interpretação da solução (obtenção de valor determinístico). • Simulação do sistema (ensaios); • Para se chegar aos itens apontados, algumas decisões preliminares precisam ser tomadas. Qualquer modelo de um sistema real, difuso ou de outra natureza, envolve algum tipo de simplificação. Um sistema real complexo pode ser decomposto em múltiplos subsistemas, permitindo a construção de uma estrutura que facilita a análise e o projeto embora possa, algumas vezes, causar a ocultação de alguma característica ou relação importante. Seguindo as técnicas usuais de modelagem, primeiramente procura-se definir qual é a informação que flui para dentro do sistema difuso, quais são as transformações que essa informação sofre e qual o resultado que eventualmente o sistema difuso fornece. Ou seja, uma relação de causa e efeito é estabelecida. 5 Teoria dos Conjuntos Fuzzy O conjunto de números pares e o conjunto de números ímpares são conjuntos precisos. O conjunto de homens e o conjunto de mulheres também, porém a maioria dos conjuntos e proposições não podem ser caracterizados de maneira tão exata. Na lógica fuzzy, a pertinência de um elemento a um conjunto ocorre gradativamente, expressa através de uma função de pertinência. Nos itens a seguir veremos os componentes da teoria dos Conjuntos Fuzzy, a função de pertinência e as variáveis lingüísticas. 6 Funções de Pertinência Cada conjunto fuzzy, A, é definido em termos de relevância a um conjunto universal, X, por uma função denominada de função de pertinência, associando a cada elemento x um número, A(x), no intervalo fechado [0,1] que caracteriza o grau de pertinência de x em A. A função de pertinência tem a forma A: X à [0,1] Na figura a seguir pode-se representar melhor o conceito de função de pertinência dos conjuntos de pessoas de estatura baixa, media e alta pelo método convencional de conjuntos e pelo método fuzzy, no qual são mostradas as funções de pertinência de cada um dos conjuntos. Outro exemplo é o conjunto de pessoas felizes. Pode-se dizer que é difuso, porque muitos de nós somos felizes em um certo grau, talvez em um grau maior ou em um grau menor, mas quase nunca absolutamente felizes ou absolutamente infelizes. Uma pesquisa de opinião com perguntas do tipo: "você está satisfeito com a atuação do presidente? Esse questionamento é falho, já que muitas pessoas estão satisfeitas ou insatisfeitas somente até certo ponto. Usar uma escala de 1 a 10 apenas ajuda um pouco, mas ainda estamos lidando com uma faixa de números precisos para definir uma gama de opiniões. Nem todas as notas "cinco" vão ser iguais. Os conjuntos difusos são a chave para as máquinas difusas. A maioria dos artefatos com os quais se está familiarizado são "burros" — isto é, rigidamente programados. Sua televisão ou está ligada ou não está; o brilho está em 6 e o contraste em 3. Um sistema de aquecimento controlado por termostato é o exemplo clássico da máquina burra. Quando a temperatura cai abaixo de determinado ponto, o calor é ligado; quando ela ultrapassa essa temperatura, o calor é desligado. O mecanismo é binário: o calor está "ligado" ou "desligado", e quando está ligado, está sempre no mesmo grau. Os conjuntos difusos são a chave para as máquinas difusas. A maioria dos artefatos com os quais se está familiarizado são "burros" — isto é, rigidamente programados. Sua televisão ou está ligada ou não está; o brilho está em 6 e o contraste em 3. Um sistema de aquecimento controlado por termostato é o exemplo clássico da máquina burra. Quando a temperatura cai abaixo de determinado ponto, o calor é ligado; quando ela ultrapassa essa temperatura, o calor é desligado. O mecanismo é binário: o calor está "ligado" ou "desligado", e quando está ligado, está sempre no mesmo grau. A famosa máquina de lavar difusa trabalha no mesmo princípio, mantendo um olho eletrônico em uma gama de variáveis, calculando médias ponderadas e ajustando suas instruções em resposta. “Que tipo de tecidos temos aqui?” “Estão muito ou pouco sujos?” “Estamos lidando com graxa, ketchup, café, barro, suor?” “A carga é grande?” Todas essas variáveis se expressam de forma gradativa e a máquina de lavar inteligente calibra suas respostas interativamente. De maneira semelhante, câmeras de vídeo inteligentes ajustam com precisão seu foco e sua abertura; aparelhos de TV inteligentes acompanham e ajustam o brilho e o contraste de uma imagem instável. 7 Variáveis Lingüísticas Uma das grandes vantagens do uso da lógica fuzzy é a possibilidade de transformar linguagem natural em conjuntos de números, manipulação computacional. permitindo a Zadeh definiu variáveis lingüísticas como “variáveis as quais os valores são palavras ou sentenças em linguagem natural ou artificial. As variáveis lingüísticas assumem valores chamados lingüísticos, como por exemplo os valores frio, morna, quente são relativos à variável temperatura da água. 8 Sistema Fuzzy Os sistemas difusos estimam funções com descrição parcial do comportamento do sistema, onde especialistas podem prover o conhecimento heurístico, ou esse conhecimento pode ser inferido a partir de dados de entrada-saída do sistema. Pode-se dizer que os sistemas difusos são sistemas baseados em regras que utilizam variáveis lingüísticas difusas (conjuntos difusos) para executar um processo de tomada de decisão. Um sistema de Inferência pode ser composto de 5 blocos principais: Abaixo segue os blocos que compõem um sistema fuzzy: • Base de Regras: contém um conjunto de regras/proposições fuzzy onde as variáveis antecedentes/conseqüentes são variáveis lingüísticas e os possíveis valores de uma variável lingüística são representados por conjuntos difusos. Uma proposição difusa expressa relações entre variáveis lingüísticas e conjuntos difusos [Oliveira, 1999]. Onde pressão e volume são variáveis lingüísticas, alta é o antecedente (premissa) e volume é o conseqüente. • Base de Dados: Define as funções de pertinência do conjunto difuso nas regras fuzzy. • Unidade de Decisão Lógica: realiza operações de inferência, para obter, a partir da avaliação dos níveis de compatibilidade das entradas com as condições impostas pela base de regras, uma ação a ser realizada pelo sistema. • Interface Fuzzyfication: utilizando as funções de pertinência préestabelecidas, mapeia cada variável de entrada do sistema em graus de pertinência de algum conjunto difuso que representa a variável em questão. • Interface Defuzzyfication: transforma os resultados difusos da inferência em valores de saída. Calcula a saída com base na inferência obtida no módulo Unidade de Decisão Lógica, com as funções de pertinência das variáveis lingüísticas da parte conseqüente das regras para obter uma saída não difusa. Nessa etapa as regiões resultantes são convertidas em valores de saída do sistema. 9 Áreas de Aplicação • Sistemas Especialistas; Computação com Palavras; Raciocínio Aproximado; • Linguagem Natural: Controle de Processos; • Robótica; Modelamento de Sistemas Parcialmente Abertos; Reconhecimento de Padrões; Processos de Tomada de Decisão (decision making). 10 Aplicações Abaixo algumas aplicações dos conceitos fuzzy no controle de sistemas mecânicos: • Aspiradores de pó Matsushita usam controladores de 4 bits rodando algoritmos sensores de pó e ajustam o poder de sucção; • Máquinas de lavar Hitachi usam controladores fuzzy para controle de peso, verificação de tipo de tecido, automaticamente os designam e ciclos sensores de de lavagem sujeira para e uso otimizado de potência, água, e detergente; • Um ar condicionado industrial projetado pela Mitsubishi usa 25 regras de resfriamento e 25 regras de aquecimento. Um sensor de temperatura fornece a entrada, com controle de saída alimentado por um inversor, uma válvula compressora, e um ventilador. Comparado com o projeto anterior, o ar condicionado com controlador fuzzy aqueçe 5 vezes mais rápido, reduz o consumo de potência em 24%, incrementa a estabilidade da temperatura por um fator de 2, e usa menos sensores; • Uma máquina de lavar pratos “inteligente” baseado em um controlador fuzzy e um “one stop sensing module” que combina um teristor (para medida de temperatura), um sensor condutivo (para medir o nível de detergente através dos íons presentes na água), um sensor de turvação que difundi a medida e transmite luz para medir a sujeira na lavagem, e um sensor magnético para ler a taxa de giro. O sistema determina uma otimização no ciclo de lavagem para qualquer carga obter os melhores resultados com o mínimo de energia, detergente, e água; • Utilização de lógica fuzzy em serviços prestado a bibliotecas, gerando indicadores de desempenho dos serviços realizados por essa. São definidas variáveis como “tempo de resposta”, “acesso”, “cortesia” e “confiança”; • Usa-se lógica fuzzy na determinação de parâmetros de controle de altitude e guiamento de aeronaves não tripuladas, onde existem uma série de regras baseadas em variávesi e valores lingüísticos. 11 Estado de Arte A seguir serão mostrados estudos que estão sendo realizados envolvendo lógica fuzzy: • Na área de controle de sistemas, lógica fuzzy tem sido ferramenta útil e alvo de pesquisas. Papa e Wood utilizam lógica fuzzy para avaliar a robustez de um sistema de controle a variações de parâmetros significativos [Papa, 2001]. Rainer e Driankov utilizam fuzzy para melhor suportar o problema de escalonamento [Rainer, 2001]. • Utiliza-se fuzzy no auxílio à extração de conhecimento de sistemas complexos. Campello e Amaral estudam o modelo de relações fuzzy e propõem um algoritmo para a extração de conhecimentos de um sistema complexo [Campello, 2001]. Branco e Dente analisam fatores como a presença de ruídos pode afetar a extração de conclusões de regras fuzzy e a implementação de um modelo Fuzzy de aprendizado [Branco, 2001]. • Krone e Taeger fazem considerações a respeito de erros de abordagem e interpretação de resultados na modelagem de um sistema fuzzy na tentativa de resolver o problema de encontrar a regra fuzzy mais adequada na solução de um problema [Krone, 2001]. • Os sistemas híbridos, envolvendo lógica fuzzy e outras heurísticas são largamente estudados. Pode-se citar Pedrycs e Sosnowski utilizam lógica fuzzy para otimizar a construção de árvores de decisão na resolução de problemas complexos [Pedrycs, 2001]. Castro e Zurita estudam o aprendizado de máquinas, onde fuzzy é utilizado para aumentar a capacidade de formação e interpretação de uma base de conhecimento [Castro, 2001]. Wang e Yeung propõem uma estrutura de dados matricial e um novo algoritmo para aumentar a tolerância a ruídos em relações de sistemas fuzzy [Wang, 2001]. Rao e Rao discutem a utilização conjunta de lógica fuzzy e redes neurais em seu livro [Rao, 1995]. 12 Exemplo de um sistema Fuzzy Especialista Neste tópico será apresentado um exemplo de sistema fuzzy especialista com a tarefa de manter um carro na estrada. Neste exemplo está sendo considerado apenas o fator direção do carro, ou seja, o controle do ângulo da direção. Sendo x o ângulo do carro e y o ângulo da direção, têm-se as seguintes regras fuzzy: Regra 1: Se x é direita, então y é virar para a esquerda Regra 2: Se x é esquerda, então y é virar para a direita Regra 3: Se x é reto, então y é mantido o mesmo Têm-se 6 conjuntos fuzzy, sendo 3 dos ângulos dos carros (direita, esquerda e reto) e os movimentos da direção (virar para a esquerda, virar para a direita e manter o mesmo ângulo). São definidas as funções de pertinência para os conjuntos fuzzy, como mostra as figuras 6 e 7. (a) Direita (b) Esquerda (c) Reto Funções de pertinência para “ângulo do carro” (a) Virar para Esquerda (b) Virar a Direita (c) Manter o Mesmo Funções de pertinência para “movimento da direção” Têm-se o conjunto universal de ângulos de um carro, U, variando de –15° à 15°; o conjunto universal de ângulos da direção, V, consistindo de –45° até 45°. Assim sendo, considera-se que o conjunto U consiste de {-15°, -10°, -5°, 0°, 5°, +10°, +15°} e o conjunto V consiste de {-45°, -30°, -15°, 0°, +15°, +30°, +45°}. Outros graus são linearmente interpolados. Assim sendo tem-se a regra 1 representada na relação fuzzy R1, mostrada na Tabela 1 (a). De acordo com o método de truncagem, escolhido neste exemplo, quando o ângulo do carro é definitivamente direita, a exemplo, o valor de pertinência de “direita” é 10° (Figura 7) é 1 dado o conjunto “Virar para a esquerda” em V. Quando o valor de pertinência é pequeno, como 0,5 com 5º na Figura 7(a), a truncagem do conjunto fuzzy “virar para a esquerda” resulta no valor de 0,5. Da mesma maneira são feitas as relações R2 e R3 na tabela 1 (b) e (c) para as regras 2 e 3, respectivamente. Considera-se que o ângulo do carro é +5°. A relação R2 retorna uma função de pertinência A na Figura 9 e a relação R3 retorna a função de pertinência B. Mas R1 não retorna nada. O resultado da inferência de um sistema fuzzy especialista é definido pelo conjunto formado pela união de todos os conjuntos gerados por cada regra fuzzy. As regras são examinadas independentemente uma a cada vez. Tabela 1: Relações Fuzzy R1, R2, R3 Fazendo uma interpretação verbal da regra fuzzy resultante, quando o carro está virando suavemente para a direita (5°), aplicam-se ambas regras de virar a direção para a esquerda e manter o carro no mesmo ângulo, as quais resultam em um ângulo médio entre “esquerda” e “reto”. 13 Estudo de Caso A região costeira da Praia da Pinheira, em Santa Catarina, foi escolhida para ilustrar a utilização de classificador difuso. Na geração das figuras mostradas no abaixo, foram usadas as imagens das faixas 1, 2, 3 e 4 obtidas por satélite LANDSAT, abrangendo o espectro visível e o infravermelho próximo. As áreas de treinamento foram escolhidas em imagem da faixa 4 fazendo-se um realce para melhor contraste e está mostrada em 256 tons de cinza. Os locais escolhidos como áreas de treinamento são de constituição conhecida e estão ilustradas na mesma figura 2. Praia da Pinheira – SC – Imagem LANDSAT da Banda 4 Na figura 3 mostra-se a classificação feita por verosimilhança, um procedimento dicotômico. Nota-se grandes áreas classificadas como subúrbio mas que são áreas do Parque da Serra do Tabuleiro (em verde claro) e áreas extensas classificadas como lagoa seca (em vermelho) embora esta seja limitada a uma área estreita e bastante menor entre a lagoa (em azul escuro na parte inferior da imagem) e a área escolhida como elemento de rio ou mangue, mais acima. A causa possivelmente está na falta de cuidado na escolha dos locais de treinamento e no reduzido número de classes. Praia da Pinheira – Classificação por Verosimilhança Nas figuras 4 e 5 estão mostradas as classificações por procedimento que utiliza a lógica difusa (em 16 tons de cinza: Pixel Preto=0.0; Pixel Branco=1.0). Os locais de treinamento são os mesmos usados pelo procedimento de máxima verosimilhança. Como as classes constituem conjuntos difusos, objetos poderão estar incluídos em mais de uma classe. Por esta razão é gerada uma imagem para cada classe. As classes não são mutuamente exclusivas como na classificação dicotômica, isto é, não se pode usar diferentes cores para cada classe em uma mesma imagem. Apenas as classes Floresta e Lagoa Seca são mostradas como exemplo. Praia da Pinheira – Classificação Difusa de Floresta Praia da Pinheira – Classificação Difusa de Lagoa Seca Nota-se que muitas áreas são classificadas como Floresta e também como Lagoa Seca, tal como ocorreu na classificação dicotômica. O mesmo ocorreu na classificação difusa relativa às outras classes que não estão mostradas. Na figura 6 mostra-se um mapa de incerteza na classificação difusa na qual as áreas em branco indicam elevado índice de incerteza. Mapa de Incerteza na Classificação Difusa 14 Vantagens e Perspectivas Vantagens: • Requer poucas regras, valores e decisões; • Mais variáveis observáveis podem ser valoradas; • O uso de variáveis lingüísticas nos deixa mais perto do pensamento humano; • Simplifica a solução de problemas; • Proporciona um rápido protótipo dos sistemas; • Simplifica a aquisição da base do conhecimento. Perspectivas: Diversas áreas estão sendo beneficiadas pela tecnologia decorrente da Lógica Difusa. O Controle de processos industriais foi a área pioneira. Hoje em dia, uma grande variedade de aplicações comerciais e industriais estão disponíveis, destacando-se neste cenário o Japão e mais recentemente, os EUA e a Alemanha. Dentre os exemplos típicos incluem produtos de consumo tais como geladeiras (Sharp), ar condicionado (Mitsubishi), câmeras de vídeo (Canon, Panosonic), máquinas de lavar roupa (Sanyo), aspiradores de pó, etc. Na indústria automotiva destacam-se transmissões automáticas (Nissam, Lexus), injeção eletrônica, suspensão ativa, freios antibloqueantes. Sistemas industriais incluem controle de grupo de elevadores (Hitachi, Toshiba), veículos autoguiados e robôs móveis (Nasa, IBM), controle de motores (Hitachi), ventilação de túneis urbanos (Toshiba),Controle de tráfego urbano, controle de parada e partida de trens de metrô (Sendai, Tokio). Estas citações são ilustrativas pois correntemente mais de 1000 patentes envolvendo Lógica Difusa já foram anunciadas. Apesar do uso e da aplicação no Brasil ser incipiente, várias indústrias e empresas vêm desenvolvendo produtos e serviços (Villares, IBM, Klockner & Moeller, Robertshaw, Yokogawa, HI Tecnologia). De fato nos últimos anos o potencial de manuseio de incertezas e de controle de sistemas complexos tornados possíveis pela Lógica Difusa, estão sendo combinados com Redes Neurais artificiais, que por sua vez, possuem características de adaptação e aprendizagem. A palavra certa para isto é simbiose, que vem gerando novas classes de sistemas e de controladores neurodifusos, combinando desta forma os potenciais e as características individuais em sistemas adaptativos e inteligentes. 15 Conclusão A lógica fuzzy foi desenvolvida para o tratamento de fatores como a incerteza e ambigüidade na definição de parâmetros de um sistema que aumentam muito a complexidade da modelagem, e muitas vezes se tornam inviáveis. Este tipo de lógica permite que sejam quantificadas variáveis lingüísticas que se dá através da teoria de conjuntos fuzzy, a qual possibilita ter graus de pertinência entre um elemento e os conjuntos ao qual pode pertencer. Constróise uma base de regras onde os valores podem ser imprecisos, dando flexibilidade e facilitando a compreensão do problema. Nota-se que as características da lógica fuzzy atraíram a atenção de várias linhas de pesquisa, que incorporam conhecimento fuzzy em modelos híbridos e sistemas de controle de processos complexos. heurísticos 16 Referências [Klir, 1997] KLIR, George, CLAIR, Ute H. St., YUAN, Bo. Fuzzy Set Theory – Foundations and Applications, Estados Unidos : ed. Prentice Hall, 1997. [Mukaidono, 2001] MUKAIDONO, Masao. Fuzzy Logic for beginners, Singapore: ed. World Scientific, 2001. [Aguiar, 1999] AGUIAR, Hime, OLIVEIRA, Jr., Lógica Difusa – Aspectos práticos e aplicações, Rio de Janeiro: ed. Interciência, 1999. [Rao, 1995] RAO, Valluru B., RAO, Haygriva V., Neural Networks & Fuzzy Logic, New York: ed. Miss Press, 1995, 2a. edição. [Papa, 2001] Evaluation PAPA, Maurício; WOOD, Jason; SCHENOBI, Controller Robustness Using Cell Mapping. Sujeet.; Fuzzy Sets and Systems, n. 121, p. 3-12, 2001. [Branco, 2001] BRANCO, P. J. C.; DENTE, J. A.; Fuzzy Systems Modeling In Pratice, Fuzzy Sets and Systems, n. 121, p. 73-93, 2001. [Campello, 2001] CAMPELLO, R. J. G. B.; AMARAL, W. C.; Modeling And Linguistic Knowledge Extration From Systems Using Fuzzy Relation Models, Fuzzy Sets and Systems, n. 121, p. 113-126, 2001. [Pedrycz, 2001] PEDRYCZ, Witold; SOSNOWSKI, Zenon A.; The Design Of Decision Trees In The Framework Of Granular Data And Their Application To Software Quality Models, Fuzzy Sets and Systems, n. 123, p. 271-290, 2001. [Wang, 2001] WANG, Generation: X.Z. et alli New Appoach To Fuzzy Rule Fuzzy Extension Matrix, Fuzzy Sets and Systems, n. 123, p. 291-306, 2001. [Castro, 2001] CASTRO, J. L.; CASTRO-SCHEZ, J. J.; ZURITA, J. M.; Use Of Fuzzy Machine Learning Technique In The Knowledge Acquisition Process, Fuzzy Sets and Systems, n. 123, p. 307-320, 2001. [Krone, 2001] KHRONE, Angelika; TAEGER, Heike; Data-Based Fuzzy Rule For Fuzzy Modelling, Fuzzy Sets and Systems, n. 123, p. 343-358, 2001.
Documentos relacionados
Clique Aqui Para Baixar o Arquivo
a partir da avaliação dos níveis de compatibilidade das entradas com as condições impostas pela base de regras, uma ação a ser realizada pelo sistema. • Interface Fuzzyfication: utilizando as funçõ...
Leia maislógica nebulosa
tradicionais de análise de sistemas não serviam para lidar com sistemas em que relações entre variáveis não era preciso algo mais do que somente dois valores de verdade possíveis. Ainda segundo Fer...
Leia mais