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.