You are on page 1of 53

MODELAGEM NEURO-FUZZY COM APOIO DO MATLAB

LUIZ CARLOS BENINI E MESSIAS MENEGUETTE JUNIOR

Presidente Prudente
maio de 2008

SUMRIO
Pgina
1. Introduo............................................................................................................................ 03
2. Conceitos e fundamentos sobre conjuntos e lgica fuzzy ................................................... 05
3. Operadores e operaes dos conjuntos fuzzy ...................................................................... 11
4. Relaes fuzzy..................................................................................................................... 17
5. Composio de relaes fuzzy ............................................................................................ 20
6.Variveis lingsticas............................................................................................................ 23
7. Operaes com variveis lingsticas.................................................................................. 25
8. Relaes de implicaes...................................................................................................... 26
9. Inferncia de regras fuzzy.................................................................................................... 27
10. Sistema de inferncia fuzzy............................................................................................... 32
11. Agregao.......................................................................................................................... 33
12. Modelo de Mamdani.......................................................................................................... 35
13. Modelo de Takagi-Sugeno ................................................................................................ 39
14. Defuzzyficao .................................................................................................................. 40
15. Mtodo do centro de rea (centride)................................................................................ 41
16. Mtodo da mdia dos mximos ......................................................................................... 41
17. Sistema de Inferncia Fuzzy Neuro Adaptatativo (ANFIS).............................................. 42
18. Arquitetura do modelo ANFIS .......................................................................................... 43
19. Algoritmo de aprendizagem da estrutura ANFIS .............................................................. 48
20. Referncias Bibliogrficas................................................................................................. 52

1. INTRODUO
A reproduo de caractersticas inteligentes em mquinas construdas pelo homem
um dos objetivos mais perseguidos pela comunidade cientfica e tecnolgica j h muito
tempo. Desde ento, muitos paradigmas simblicos de aprendizagem surgiram, e muitos se
desenvolveram como mtodos computacionais poderosos, incluindo aquisio indutiva de
conceitos, sistemas classificadores, e aprendizagem baseada em explicaes.
A Lgica Fuzzy pode ser aceita como a melhor ferramenta para modelar o raciocnio
humano, que aproximado e parcial em sua essncia. A teoria dos conjuntos fuzzy e a lgica
fuzzy objetivam modelar os modos de representao e raciocnio imprecisos que tm um papel
essencial na tomada de decises racionais em ambientes de impreciso e incerteza. Alm
disso, a diversificao de tecnologias advindas da lgica fuzzy tem tambm permitido sua
aplicao em diversas reas do conhecimento.
Tcnicas de sistemas fuzzy so especialmente utilizadas nos casos onde no existem
modelos matemticos capazes de descrever precisamente o processo estudado. Estas tcnicas
fornecem uma estrutura poderosa para manipular informaes aproximadas. Assim, o processo
analisado pode ser controlado a partir de um conjunto de regras fuzzys do tipo se ... ento,
capaz de tratar conhecimentos incompletos, incertos ou mesmo conflitantes. A teoria de
modelagem e identificao fuzzy trata do relacionamento entre entradas e sadas, agregando
vrios parmetros de processo e de controle. Os sistemas resultantes proporcionam resultados
mais precisos, alm de um desempenho estvel e robusto.
Advinda do conceito de conjuntos fuzzy, a lgica fuzzy constitui a base para o
desenvolvimento de mtodos e algoritmos de modelagem e controle de processos, permitindo
a reduo da complexidade de projeto e implementao, tornando-se a soluo para problemas
de identificao at ento intratveis por tcnicas clssicas.
Nas teorias de identificao clssica e moderna, o passo inicial para implementar a
identificao de um processo definir o modelo matemtico que o descreve. Esta metodologia
requer que se conhea detalhadamente o processo a ser identificado, o que nem sempre
factvel se o processo muito complicado ou nas situaes onde um volume considervel de
informaes essenciais s conhecido a priori de forma qualitativa, ou ainda quando critrios

de desempenho s esto disponveis em termos lingsticos. Este panorama leva a imprecises


e falta de exatido que inviabilizam a maioria das tcnicas tradicionais.
A modelagem fuzzy, por outro lado, so tcnicas para se manusear informaes
qualitativas de uma maneira rigorosa. Tais tcnicas consideram o modo como a falta de
exatido e a incerteza so descritas e, por isso, tornam-se suficientemente poderosas para
manipular de forma conveniente o conhecimento. A sua utilizao em sistemas que operam
em tempo real, em computadores ou micro-controladores, tambm das mais convenientes,
pois geralmente no envolvem nenhum problema computacional srio.
Para expressar conceitos ou aes fuzzys muito comum o uso de elementos
qualitativos ao invs de valores quantitativos. Elementos tpicos incluem termos alto,
mdio, pequeno, mais ou menos, em torno de, etc. Estas idias so capturadas pela
definio de varivel lingstica. Uma varivel lingstica tem por caracterstica assumir
valores dentro de um conjunto de termos lingsticos, ou seja, palavras ou frases. Assim, ao
invs de assumir instncias numricas, uma varivel lingstica assume instncias lingsticas.
Como exemplo, uma varivel lingstica Temperatura poder assumir como valor um dos
membros do conjunto de termos {muito baixa, baixa, mdia, alta, muito alta}. Para se atribuir
um significado aos termos lingsticos, associado cada um destes a um conjunto fuzzy
definido sobre um universo de discurso comum que fornece a faixa de variao da varivel
lingstica.
Uma das formas mais comum de expressar este conhecimento por meio de regras do
tipo condio-ao, onde um conjunto de condies descrevendo uma parcela observvel das
sadas do processo associado com uma ao de controle que ir manter ou levar o processo
s condies de operao desejadas. Normalmente, uma condio uma proposio
lingstica (envolvendo variveis lingsticas) sobre os valores de algumas das variveis de
entrada; e uma ao simplesmente uma descrio lingstica. Assim, todo o conhecimento
representado por meio de um conjunto de regras nas quais as condies so dadas a partir de
um conjunto de termos lingsticos associados s variveis de sada/entrada do processo. As
respostas do sistema de controle ou as sadas fuzzys so expressas de modo similar para cada
varivel de controle (sada).

Aps o processo de inferncia da ao fuzzy, a determinao da ao de estimao


no-fuzzy que melhor represente a deciso fuzzy calculada e enviada efetivamente ao
sistema de identificao.
2. CONCEITOS E FUNDAMENTOS SOBRE CONJUNTOS E LGICA FUZZY
Na teoria de conjuntos clssica, segundo algum critrio, um elemento pertence ou no
a um dado conjunto, estando a pertinncia do elemento baseado na funo caracterstica, dada
pela definio;
Definio 1. (Funo caracterstica)
Seja U um conjunto universo de discurso, A um subconjunto de U ( A U ), e x um
elemento particular de U. Define-se a funo caracterstica como sendo uma funo

A : U {0 , 1} com
1 , se x A
0 , se x A

A ( x) =

(1)

Pode-se observar que a funo caracterstica, assim definida, um mapeamento do


conjunto universo U, para os elementos do conjunto {0 , 1} , assumindo deste modo apenas
valores discretos e dividindo o conjunto universo em duas partes com fronteiras bem
definidas.
A teoria dos conjuntos fuzzy, introduzida por Zadeh (1965), surgiu como um meio de
representao e manipulao de dados imprecisos, e so conjuntos que no possuem fronteiras
bem definidas como na teoria usual de conjuntos. Estes foram propostos pelo fato dos
conjuntos clssicos apresentarem limitaes para lidar com problemas onde transies
(passagem de pertinncia para a no pertinncia) de uma classe para outra acontecem de forma
lenta e gradual.
Zadeh (1973) props uma caracterizao mais ampla, generalizando a funo
caracterstica de maneira que esta pudesse assumir um nmero infinito de valores no intervalo
[0,1], sugerindo que alguns elementos so mais membros de um conjunto do que outros. Neste
caso, o grau de pertinncia pode assumir qualquer valor no intervalo fechado [0, 1], sendo o
valor 0 usado para representar no-pertinncia completa, o valor 1 usado para representar

pertinncia completa, e os valores entre 0 e 1 usados para representar os graus intermedirios


de pertinncia do subconjunto A. Esta generalizao, faz com que a funo caracterstica passa
a ser contnua no seu domnio, aumentando o poder de expresso da funo caracterstica.
Na teoria dos conjuntos fuzzy, a idia da funo da incluso flexibilizada, a qual
indica que um determinado elemento pertence mais ao conjunto do que outros elementos
pertencentes ao mesmo conjunto, ou seja, os elementos podem pertencer parcialmente ao
conjunto.
A funo que define o grau de pertinncia de um determinado elemento em um
conjunto fuzzy, levando em considerao o seu universo de discurso, definida como funo
de pertinncia. Formalmente, temos a seguinte definio:
Definio 2. (Funo de pertinncia) (Zadeh, 1965)
Seja U um conjunto universo no vazio ( U ). Um conjunto fuzzy A em U
caracterizado por sua funo de pertinncia

A : U [ 0 , 1]
x a A ( x)

(2)

sendo A (x) interpretado como o grau de pertinncia do elemento x no conjunto fuzzy A para
cada x U .
Pode ser observado, da definio 2, que um conjunto fuzzy A em um conjunto universo
U um conjunto de pares ordenados de um elemento genrico x e seu respectivo grau de
pertinncia A (x) , e este completamente determinado pelo conjunto de n-uplas

A = {(x, A ( x) ) x U }

(3)

A famlia de todos os conjuntos fuzzy em U denotado por Y (U). Subconjuntos fuzzy


da reta real so chamados de variveis fuzzy.
A terminologia usada para denotar um conjunto fuzzy pode ser feita das seguintes
formas, para o caso quando se tem conjuntos fuzzy discretos ou contnuos:
a) Conjuntos Fuzzy Discretos
Seja um conjunto fuzzy A discreto e finito, tendo elementos definido no universo de
discurso finito U = {x1 , x 2 , K, x n } . Neste caso, o conjunto fuzzy A, com suporte em U, pode

ser determinado enumerando os seus elementos juntamente com os seus graus de pertinncias,
e denotado por:
N

A = A ( x1 ) / x1 + A ( x 2 ) / x 2 + L + A ( x N ) / x N = A ( xi ) / xi

(4)

i =1

sendo que a somatria se refere a operao unio, e o termo A ( xi ) / xi , i = 1, 2, ..., N,


significa que A ( xi ) o grau de pertinncia de xi em A.
b) Conjuntos Fuzzy Contnuos
Seja um conjunto fuzzy A contnuo, tendo elementos definidos no universo de discurso
U. No caso contnuo, o conjunto fuzzy A representado por:
A = A ( xi ) / xi

(5)

onde o sinal da integral se refere unio de conjuntos unitrios fuzzy.


Quanto ao formato das funes de pertinncias, este restrito a certa classe de funes,
representadas por alguns parmetros especficos. Os formatos mais comuns so: linear por
partes (triangular, trapezoidal), gaussiana, sigmide e singleton (conjuntos unitrios).
1. Funo Triangular: Parmetros (a,m,b), com a m b

A (x ) =

0
; se x a
xa
; se x [ a , m ]
ma
bx
; se x [ m , b ]
bm
0
; se x b

A ( x)
1

(6)

Figura 1. Funo de pertinncia triangular


onde a, b, m e x pertencem ao conjunto universo de discurso U.

2. Funo Trapezoidal: Parmetros (a,m,n,b), com a m, n b e m n

A (x ) =

A ( x)

; se x < a

xa
; se x [ a , m ]
ma
1
; se x [ m , n ]
bx
; se x [ n , b ]
bn
0
; se x > b

(7)
0

Figura 2. Funo de pertinncia trapezoidal


onde a, b, m, n e x pertencem ao conjunto universo de discurso U.

3. Funo Gaussiana:

A ( x)

A ( x) = e

k ( x m )2

; (k > 1)

(8)

Figura 3. Funo de pertinncia gaussiana

4. Funo Sigmide

A (x)
0

2
2 x a

ba
A (x ) =
2
xb

1 2 b a

; se x a

; se x [ a , m ]
(9)
; se x [ m , b ]
; se x b

0
a

Figura 4. Funo de pertinncia sigmide


onde m =

a+b
2

5. Conjunto Unitrio ( Funo singleton): Parmetros (m,h)

A ( x)

h , se x = m
A ( x) =
0 , caso contrrio

(10)

Figura 5. Conjunto unitrio


A escolha do formato da funo de pertinncia mais adequada nem sempre bvia,
podendo inclusive no estar ao alcance do conhecimento para uma determinada aplicao
(DELGADO, 2002). No entanto, existem sistemas fuzzy cujos parmetros das funes de
pertinncias podem ser completamente definidos por especialistas. Nestes casos, a escolha de
funes triangulares e trapezoidais mais comum, pois a idia de se definir regies de
pertinncias total, mdia e nula mais intuitiva do que a especificao do valor mdio e de
disperso, conceitos estes ligados s funes gaussianas.
Outro conceito importante na teoria de conjuntos fuzzy o de conjunto suporte de um
conjunto fuzzy A. O conjunto suporte de um conjunto fuzzy A o subconjunto dos pontos x de
U tal que a funo de pertinncia seja positiva, isto , A ( x) > 0 . Formalmente, tem-se a
seguinte definio:
Definio 3. (Conjunto Suporte)
Seja U um conjunto universo no vazio ( U ), e A um subconjunto de U ( A U ).
O suporte Sup(A) do conjunto fuzzy A o conjunto de todos os elementos x U tal que a
funo de pertinncia tem valor maior que zero, ou seja,

Sup( A) = {x U A ( x) > 0} .

(11)

Definio 4. (Conjunto unitrio fuzzy)


Seja U um conjunto universo no vazio ( U ), e A um subconjunto
de U ( A U ), ento um conjunto fuzzy A cujo conjunto suporte Sup(A) um nico ponto de
U com A ( x) = 1 chamado de conjunto unitrio fuzzy.

10

Da definio 4, observa-se que o conjunto A um conjunto unitrio, e equivale a um


conjunto unitrio convencional, e ainda, por esta definio, os conjuntos clssicos passam a
ser um caso especfico na teoria dos conjuntos fuzzy.
Definio 5. (Igualdade de conjuntos fuzzy)
Sejam A e B subconjuntos fuzzy de um conjunto clssico U. Os conjuntos fuzzy A e B
so iguais, e denotados A = B se, somente se, A ( x) = B ( x) para todo x U .
Definio 6. (Conjunto fuzzy vazio)
Um conjunto fuzzy de um universo de discurso U , definido um conjunto vazio se
para cada x U , ( x) = 0
Definio 7. (Conjunto universal)
O maior subconjunto fuzzy no universo de discurso U, chamado de conjunto fuzzy
universal em U, denotado por 1U , definido por 1U ( x) = 1 , para todo x U .
Definio 8. (Centro de um conjunto fuzzy)
Seja U um conjunto universo no vazio ( U ), e A um subconjunto de U ( A U ).
O centro de um conjunto fuzzy definido como o conjunto de elementos x U , nos quais

A (x) alcana seu valor mximo.


Definio 9: (Altura de um Conjunto Fuzzy)
Seja U um conjunto universo no vazio ( U ), e A um subconjunto de U ( A U ).
A altura de um conjunto fuzzy A corresponde ao maior grau de pertinncia assumido por um
de seus elementos, ou seja, simbolicamente, Alt ( A) = max A ( xi ) , i = 1, 2, ...
xi U

A
1

Figura 6. Altura de um conjunto fuzzy

11

Definio 10: (Conjunto Fuzzy Normalizado)


Seja U um conjunto universo no vazio ( U ), e A um subconjunto de U ( A U ).
Um conjunto fuzzy A normalizado se pelo menos um de seus elementos possuir grau de
pertinncia igual a 1, ou seja, A ( xi ) = 1 , com xi U .

0
(Normalizado)

0
(No-Normalizado)

Figura 7. Conjunto fuzzy normalizado e no normalizado

3. OPERADORES E OPERAES DOS CONJUNTOS FUZZY


Para os sistemas que utilizam a lgica fuzzy, o processamento de informaes fuzzy
normalmente consistido de operaes que so realizadas sobre os seus conjuntos fuzzy.
Como na lgica clssica, algumas propriedades foram definidas por Zadeh (1965) a
respeito dos operadores de conjuntos fuzzy.
Sejam A e B dois conjuntos fuzzy definidos em um universo de discurso U com
funes de pertinncias A (x) e B (x) , respectivamente. As operaes fuzzy bsicas de
unio, interseco e complemento so definidas por Zadeh, (1965):
Definio 11: (Conjunto Unio)
A unio entre dois conjuntos fuzzy A e B, pertencentes a um mesmo
universo de discurso U, formado por todos os valores mximos entre A (x) e B (x) , para
todo x U . Formalmente, tem-se:

A B = A ( x) B ( x) = ( A B )( x) = max( A ( x), B ( x) )

(12)

12

A
A

A B

x2

x1

x1

(a)

x2

(b)

Figura 8. (a) Diagrama dos conjuntos A e B (b) Diagrama da unio A B

Definio 12. (Conjunto Interseco)


A interseco entre dois conjuntos fuzzy A e B, pertencentes a um mesmo universo de
discurso U, formado por todos os valores mnimos entre A (x) e B (x) , para todo x U ,
ou seja,

A B = A ( x) B ( x) = ( A B )( x) = min( A ( x), B ( x) )

(13)

A B

0
x1

x2

(a)

x1

x2

(b)

Figura 9. (a) Diagrama dos conjuntos A e B (b) Diagrama da interseco A B

13

Definio 13. (Conjunto Complemento)


O complemento de um conjunto fuzzy A, pertencente a um universo de discurso U,
formado pela subtrao de A ( x) do valor unitrio 1, ou seja,

&A&& ( x) = 1 A ( x) ; x U .

(14)

A
A

0
x2

x1

Figura 10. Diagrama do complemento ( A ) do conjunto A

De modo geral, uma coleo de conjuntos fuzzy Ai, todos definidos em um mesmo
universo de discurso U, tem as seguintes operaes:
Unio Total:
m

(15)

(16)

U Ai ( x) = max A1 ( x), A2 ( x),K, Am ( x)

i =1

Interseco Total:
m

I Ai ( x) = min A1 ( x), A2 ( x),K , Am ( x)

i =1

Como na teoria de conjuntos clssica, tambm se define propriedades para conjuntos


fuzzy como segue:
i) Propriedade Comutativa:

A B = A ( x ) B ( x ) = B ( x ) A ( x ) = B A

(17)

A B = A ( x ) B ( x ) = B ( x ) A ( x ) = B A

(18)

14

ii) Propriedade Associativa

A ( B C ) = A ( x ) ( B ( x ) C ( x ) ) =
= ( A ( x ) B ( x ) ) C ( x) = ( A B )C

(19)

A ( B C ) = A ( x ) ( B ( x ) C ( x ) )
= ( A ( x ) B ( x ) ) C ( x) = ( A B )C

(20)

iii) Propriedade Distributiva

A ( B C ) = A ( x ) ( B ( x ) C ( x ) ) =
= ( A ( x) B ( x) ) ( A ( x) C ( x) ) = ( A B )( AC )

(21)

A ( B C ) = A ( x ) ( B ( x ) C ( x ) ) =
= ( A ( x) B ( x) ) ( A ( x) C ( x) ) = ( A B )( AC )

(22)

iv) Idempotncia

A A ( x ) = A ( x )

(23)

A A ( x ) = A ( x )

(24)

A ( x ) = A ( x )

(25)

A ( x ) = ( x )

(26)

AU ( x) = U ( x)

(27)

AU ( x) = A ( x)

(28)

( x) = A B ( x)

(29)

( x) = A B ( x)

(30)

v) Identidade

vi) Lei de Morgan


_______

( A B )

_______

( A B )

Uma conseqncia da definio de conjunto fuzzy em contraste com os conjuntos


clssicos a Lei do Meio Excludo e a Lei da Contradio (ORTEGA, 2003). Na teoria de

15

conjuntos clssica, os conjuntos usuais satisfazem: A A = U e A A = . Na teoria de


conjuntos fuzzy isto no satisfeito devido flexibilizao da funo caracterstica, como
pode ser visto nas propriedades abaixo:
vii) Contradio: A A U
viii) Meio excludo: A A
Alm das operaes mostradas, outras podem ser usadas para definir operaes para
unio e interseco de conjuntos fuzzy. Para estas classes de operaes foram criadas duas
famlias de operadores denominadas normas triangulares ou T-normas e Co-normas
triangulares ou S-normas, formalmente, definidas a seguir (FULLR, 1995).
Definio 14 (Norma triangular)
Um operador T: [0, 1] [0, 1] [0, 1] chamado um operador Norma Triangular (Tnorma) se, e somente se, T um operador comutativo, associativo, no-decrescente em cada
um dos seus pontos e T(x, 1) = x, para todo x [0,1].
Em outras palavras, da definio 14, tem-se que qualquer T-norma satisfaz as
propriedades:

T(x, y) = T(y, x) (comutatividade)


T(x, T(y, z)) = T(T(x, y), z) (associatividade)
T(x, y) T(z, w) se x z e y w (monotonicidade)
T(x, 1) = x, para todo x [0,1] (identidade)
De maneira similar, um operador Co-norma Triangular definido como segue:
Definio 15 (Co-norma triangular)
Um operador S: [0, 1] [0, 1] [0, 1] chamado um operador Co-norma Triangular
(T-conorma) se S comutativo, associativo, no-decrescente ponto a ponto (em cada
argumento) e S(x, 0) = 1, para todo x [0,1].

16

Em outras palavras, qualquer T-conorma S deve satisfazer as seguintes propriedades:

S(x, y) = S(y, x) (comutatividade)


S(x, S(y, z)) = S(S(x, y), z) (associatividade)
S(x, y) S(z,w) se x z e y w (monotonicidade)
S(x, 0) = x, para todo x [0,1] (identidade)
Definio 16. (T-norma baseada na interseco)
Seja T uma T-norma. A T-interseco de dois conjuntos fuzzy A e B, em um conjunto
de discurso U, definida como:

AB ( x) = min( A ( x), B ( x)) = T ( A ( x), B ( x) )

(31)

para todo x U .
A operao unio pode ser definida por meio do operador co-norma triangular:
Definio 17 (T-conorma baseada na unio)
Seja S uma T-conorna. A S-unio de dois conjuntos fuzzy A e B, em um conjunto de
discurso U, definida como:

A B ( x) = max( A ( x), B ( x) ) = S ( A ( x), B ( x) )

(32)

para todo x U .
Em geral, a lei do meio excludo e o princpio da contradio no satisfazem as
propriedades de T-norma e T-conorma, definidas as operaes de interseco e a unio, como
descritas a seguir:

A A ( x ) = min ( A ( x), A ( x ) ) = T ( A ( x), A ( x ) ) e, portanto, A A


A A ( x ) = max ( A ( x ), A ( x ) ) = S ( A ( x ), A ( x) ) U e, portanto, A A U
O emprego do operador mnimo representando a T-norma e do operador mximo
representando a S-norma foram propostos por Zadeh (1965), destarte, existem outras T-normas

17

(tais como: mnimo, produto algbrico, produto limitado, produto drstico) e S-conormas (tais
como: mximo, soma algbrica, soma limitada, soma drstica) que podem ser empregadas na
definio dos sistemas fuzzy (PEDRYCZ; GOMIDE, 1998).

4. RELAES FUZZY
As relaes fuzzy so generalizaes das relaes usuais utilizadas na teoria clssica
dos conjuntos, e por serem mais gerais do que funes, estas permitem que as dependncias
entre as variveis envolvidas sejam capturadas sem que nenhuma caracterizao direcional
particular seja fixada, ou seja, no h domnio e contradomnio (PEDRYCZ; GOMIDE, 1998).
Relaes fuzzy entre conjuntos fuzzy podem ser construdas a partir do produto cartesiano dos
mesmos, sendo o produto cartesiano fuzzy a interseco entre conjuntos fuzzy de universos de
discurso diferentes (SHAW; SIMES,1999).
Definio 18 (Produto cartesiano de conjuntos fuzzy)
Sejam U e V dois universos de discurso. O produto cartesiano de dois conjuntos fuzzy

A Y (U) e B Y (V) definido (FULLR, 1995) por:

AB ( x, y ) = min{ A ( x), B ( y )},

(33)

com ( x, y ) U V
Pela definio, observa-se que o produto cartesiano de dois conjuntos fuzzy A Y (U) e

B Y (V) uma relao fuzzy binria em U V , ou seja, A B Y ( U V ).


Sejam U e V dois universos de discursos quaisquer. Uma relao fuzzy, definida em
um espao bidimensional, qualquer conjunto fuzzy do universo de discurso, definido no
produto cartesiano U V , que associa cada elemento (x, y) em U V um grau de pertinncia,
denotado por R ( x, y ) , definido no intervalo unitrio, ou seja, R : U V [0,1] . Neste caso, a
funo caracterstica definida como

1 , se ( x, y ) R
0 , caso contrrio

R ( x, y ) =

(34)

18

e a relao fuzzy vista como uma generalizao do produto cartesiano clssico

U V {0,1} e dada por:


R = {(( x, y ), R ( x, y ) ) ( x, y ) U V }
Generalizando as relaes bidimensionais fuzzy, podem ser obtidas

(35)
relaes

multidimensionais fuzzy, denominadas de relaes fuzzy n-ria, dadas por:

R : U 1 U 2 L U n [0,1]
sendo U1, U2, ... , Un conjuntos universos de discurso.
De acordo com Lee (1990) uma relao n-ria um conjunto fuzzy em

U 1 U 2 L U n dado por:

R = {(( x1 , x 2 ,K, x n ), R ( x1 , x 2 , K, x n ) ) ( x1 , x 2 , K, x n ) U 1 U 2 K U n }
sendo ( x1 , x 2 ,K , x n ) elementos dos conjuntos nos universos de discurso.
Se os valores x1 , x 2 , K, x n so discretos, a relao fuzzy R, definida em (35), pode ser
expressa em forma matricial, relacionando os elementos pertencentes aos diferentes conjuntos
fuzzy.
Como exemplo, suponha que se queira expressar a relao fuzzy de um sistema de
conceito ambiente confortvel em termos de temperaturas e umidades. Considere o universo
de discurso para temperatura dado por: U = {x1 , x 2 , x3 } = {18, 20, 22}, e o universo de discurso
para os graus de umidade dado por: V = {y1 , y 2 , y 3 } = {30, 50, 70} . Pode-se estabelecer o grau
de relao entre cada valor de temperatura com cada valor da umidade e, desta forma, o
conceito de ambiente confortvel pode ser representado pelas funes de pertinncias:

R (18,30) = R (18,70) = R (22,30) = R (22,70) = 0,2


R (18,50) = R (22,50) = 0,6
R (20,30) = R (20,70) = 0,5
R ( 20,50 ) = 1
e, deste modo, podendo ser elaborada uma matriz de relao fuzzy, onde as colunas so as
umidades, as linhas so as temperaturas consideradas e os valores so os graus com que as
temperaturas se relacionam com as umidades, dada por:

19

0,2 0,6 0,2

R = 0,5 1,0 0,5


0,2 0,6 0,2

Como no caso de conjuntos fuzzy, as relaes fuzzy podem ser combinadas e definidas
as operaes de unio, interseco e complemento, como dadas nas definies a seguir. Estas
operaes so importantes porque elas podem descrever interaes existentes entre as
variveis. Sejam R e S duas relaes fuzzy binrias em U V , dadas por

R = {(( x, y ), R ( x, y) ) ( x, y ) U V }
S = {(( x, y ), S ( x, y ) ) ( x, y ) U V }
Definio 19 (Interseco de relaes fuzzy)

Sejam R e S duas relaes fuzzy binrias U V . A interseco das relaes fuzzy R e S


definida por:

( R S ) ( x, y ) = min{ R ( x, y ), S ( x, y )} , ( x, y ) U V .
Definio 20. (Unio de relaes fuzzy)

Sejam R e S duas relaes fuzzy binrias U V . A unio das relaes fuzzy R e S


definida por:

( R S ) ( x, y ) = max{ R ( x, y ), S ( x, y )} , ( x, y ) U V .
Definio 21. (Complemento de relaes fuzzy)

Sejam R e S duas relaes fuzzy binrias U V . O complemento de uma relao fuzzy


R definido por:

R ( x, y ) = 1 R ( x, y ) , ( x , y ) U V .

20

5. COMPOSIO DE RELAES FUZZY

As relaes fuzzy definidas em diferentes conjuntos de discurso podem ser combinadas


utilizando-se de diferentes operadores de composio, sendo a composio mais conhecida
dada como na definio a seguir:
Definio 22. (Composio de Relaes Fuzzy)

Sejam U, V e W trs universos de discurso. Seja R uma relao fuzzy em U V e S


uma relao fuzzy em V W . A composio das relaes R e S uma relao fuzzy sup-T,
representada por R o S , definida como:
RoS =

sup{T ( R ( x, y ), S ( y, z ) )}/( x, z ) .

(36)

U W yV

As composies mais usadas, definidas sobre as relaes fuzzy, so


aquelas que utilizam o operador mnimo e mximo sendo, respectivamente, denominadas
composio sup-min e sup-max, que combinam relaes fuzzy de produtos de espaos
diferentes. Fazendo a notao:

Ro S ( x , z ) = sup{T ( R ( x , y ), S ( y , z ))} ,
yV

(37)

a funo de pertinncia da composio de relaes fuzzy, no caso discreto, a composio supmin denominada max-min, podendo esta ser representada em forma matricial, sendo cada
um dos termos da matriz, Ro S ( x, z ) , dado por:

Ro S ( x, z ) = max{min( R ( x, y), S ( y, z ) )}
yV

(38)

e, portanto, a composio max-min entre R e S o seguinte conjunto fuzzy:

R o S = (( x, z ), max{min[ R ( x, y ), S ( y, z )]}) x U , y V , z W .
yV

(39)

Pelo que foi visto, se R e S so duas relaes fuzzy em U V e V W , com


U = {x1 , x 2 ,K , x n } , V = { y1 , y 2 ,K , y m } e W = {z1 , z 2 ,K, z t } , respectivamente, conjuntos

21

fuzzy finitos, a forma matricial da relao R o S , considerando a composio max-min,


obtida como na multiplicao de matrizes usual, substituindo a operao produto pelo mnimo
e a operao soma pelo mximo. Deste modo, se R uma relao fuzzy em U V e S uma
relao fuzzy em V W , ento, R e S podem ser representadas, respectivamente, por:

x1
R = x2
M
xn

y1
r11
r21
M
rn1

y2
r12
r22

L ym
L r1m
L r2 m

rn 2 L rnm

y1
S = y2
M
ym

z1
s11
s 21
M
s m1

z2
s12
s 22

L zt
L s1t
L s 2t

s m 2 L s mt

e, portanto, usando a definio 22, a relao fuzzy Q = R o S dada pela composio max-min,
tem a forma matricial
x1
Q = x2
M
xn

z1
q11
q 21
M
q n1

z2
q12
q 22

L zt
L q1t
L q 2t

q n 2 L q nt

onde,

qij = Ro S ( x, y ) = max{min[ R ( xi , y k ), S ( y k , z j )]} = max{min(rik , sij )}


yk

De modo anlogo, pode ser definida uma composio inf-S de relaes fuzzy R e S,
com os elementos da composio definida como:

Ro S ( x, z ) = inf {S ( R ( x, y ), S ( y, z ) )}
yV

que para o caso discreto, com a utilizao do operador mximo, tem-se a composio minmax, expressa como:

R o S = (( x, z ), min{max[ R ( x, y ), S ( y, z )]}) x U , y V , z W
yV

22

Como exemplo de composio de relaes fuzzy sejam R e S duas relaes fuzzy


discretas, dadas por:
1,0
0,3
R=
0,9

0,0

0,3
1,0
0,8
1,0

0,9
0,8
1,0
0,8

0,0
1,0
0,8

1,0

1,0 1,0 0,9


1,0 0,0 0,5

S=
0,3 0,1 0,0

0,2 0,3 0,1

Para melhor compreender a composio de relaes fuzzy, construdo um grafo,


explicitando a composio das variveis (x2, z3), com x2 correspondendo aos valores da
segunda coluna em R e os valores de z3 correspondentes terceira coluna em S, e para os
demais pares de variveis o raciocnio anlogo.
U

x1

0,3

x2
x3
x4

y1

1,0
0.8

y2

1,0

y3
y4

W
0,9

z1

0,5

z2

0,0

z3

0,1

Figura 11. Composio das variveis (x2,z3)

Considerando o operador mnimo (min) como T-norna, a composio R o S para as


variveis (x2, z3) torna-se:

Ro S ( x2 , z 3 ) = max{min( R ( x, y ), S ( y, z ) )} =
yV

= max{min(0,3;0,9); min(1,0;0,5); min(0,8;0,0); min(1,0;0,1)} =


yV

= max{0,3;0,5;0,0;0,1} = 0,5
yV

23

Para todos os outros pares de variveis envolvidas, de modo anlogo, tem-se a matriz
de composio dada por:
1,0
0,3
RoS =
0,9

0,0

0,3
1,0
0,8
1,0

0,9
0,8
1,0
0,8

0,0 1,0 1,0 0,9 1,0


1,0 1,0 0,0 0,5 1,0
o
=
0,8 0,3 01 0,0 0,9


1,0 0,2 0,3 0,1 1,0

1,0
0,3
0,9
0,3

0,9
0,5
0,9

0,5

6. VARIVEIS LINGSTICAS

As variveis lingsticas so variveis que permitem a descrio de informaes que


esto normalmente disponibilizadas de forma qualitativa, ou seja, so variveis cujos possveis
valores so palavras ou frases, ao invs de nmeros (PEDRYCZ; GOMIDE, 1998), podendo
ser representadas mediante um conjunto fuzzy. Estas so expressas qualitativamente atravs de
termos lingsticos, fornecendo um conceito varivel, e quantitativamente por uma funo de
pertinncia.
Cada varivel lingstica tem um conjunto de termos fuzzy associados (denominados
termos primrios) que o conjunto de valores que a varivel fuzzy pode tomar. Por exemplo, a
varivel fuzzy compactao do solo pode ter o conjunto de termos primrios {baixa, mdia,
alta}, sendo que cada termo primrio representa um conjunto fuzzy especfico.
Zadeh (1975) definiu, formalmente, a varivel lingstica fuzzy atravs da quntupla: <
X, T(X), UX, G, M >, com X representando o nome da varivel lingstica (rtulo associado a
uma varivel lingstica); T(X) representa o conjunto de termos lingsticos, com cada
elemento de T(X) representando um rtulo l (tamanho da base) dos termos que a varivel X
pode assumir; UX o universo de discurso da varivel lingstica X ; G representa a gramtica
para a gerao dos termos ou rtulos; M a regra que associa a cada rtulo (l), um conjunto
fuzzy no universo UX, representando o seu significado M(l).
Como exemplo, considere como varivel lingstica a resistncia do solo penetrao
(RP). Admitindo valores lingsticos: baixa, mdia e alta, para a varivel resistncia do solo
penetrao, cada um destes valores lingstico admite valores numricos num intervalo [0,
RPmax], e assim, podendo projetar os valores lingsticos sobre o intervalo [0, RPmax] atravs

24

de funes de pertinncias. atribuio de um significado para os termos lingsticos,


associado a cada um destes termos um conjunto fuzzy definido sobre um universo de discurso
comum. Assim, desde que uma varivel lingstica tem por caracterstica assumir valores
dentro de um conjunto de termos lingsticos (cada termo da varivel resistncia do solo
penetrao), cada valor fuzzy da resistncia do solo penetrao, que so elementos de
T(RP), caracterizado por um conjunto fuzzy, digamos; baixa: [0,0 , 2,5], mdia: [2,6 , 5,0] e
alta: [5,1 , 15,0] , em um universo de discurso, por exemplo [0,0 , 15,0]. Na Figura 12
mostrado como os elementos da varivel fuzzy resistncia do solo penetrao podem ser
dispostos pela quntupla < X, T(X), UX, G, M >.

Resistncia do solo
penetrao

Baixa

2,0

0,6

0,2

2,2

0,8 0,6

Valores Fuzzy

Alta

Mdia

0,4
1,0

Varivel Fuzzy

0,2

0,4

0,8

1,0

2,9

3,0

Graus de
Pertinncias

1,0

0,0

2,4

2,5

2,7

Universo
15,0 de discurso

Figura 12. Varivel lingstica resistncia do solo penetrao


e um conjunto fuzzy de valores discretos

Pela Figura 12 pode-se citar a varivel lingstica com rtulo

X = resistncia do

solo penetrao, com conjunto de termos T(resistncia do solo penetrao) = {baixa,


mdia, alta}, universo de discurso U = [0,0 , 15,0] e um dos valores M(X) escrito como:

M (baixa ) = {( x, baixa ( x)) x [0,0 MPa , 1,50 MPa ]} .

25

Na Figura 13 so ilustrados trs possveis termos lingsticos para a varivel


representando a resistncia do solo penetrao.

Rp (x)

BAIXA

MDIA

ALTA

1,0
0,8
0,6
0,4
0,2
0,0
0,0

1,0

2,0

3,0

4,0

RP (MPa)

Figura 13. Representao da varivel lingstica resistncia do solo penetrao.


Supondo uma medida do universo de discurso e tendo em conta que foram definidas
trs funes: duas retangulares (baixa e alta) e uma triangular (mdia), que qualquer valor da
resistncia penetrao, por exemplo 2,2 MPa, tem um nico grau de pertinncia a cada valor:

baixa (2,2) = 0,6


mdia (2,2) = 0,4
alta (2,2) = 0,0
e, pode ser observado sobre o eixo RP (x) a fuzzyficao da medida, ou seja, a converso da
medida, de valor 2,2 MPa do universo de discurso, em valores compreensveis para fuzzy,
dada por:
2,2 MPa = 0,6 baixa + 0,4 mdia + 0,0 alta.

7. OPERAES COM VARIVEIS LINGSTICAS

As principais operaes entre variveis lingsticas so realizadas por meio da


utilizao dos conectivos e, ou e no, e por meio desses conectivos podem ser
realizadas composies lgicas entre os termos das variveis lingsticas. Assim, dados dois

26

termos A e B de uma determinada varivel lingstica, as operaes compostas A e B e A


ou B so definidas, respectivamente, em funo de seus graus de pertinncias por:

A e B A (x) e B (x) = min( A ( x), B ( x) )


A ou B A (x) ou B (x) = max( A ( x), B ( x) )
Para a operao de complemento no de uma varivel lingstica A, tem-se a
expresso:
no A 1 A (x)
8. RELAES DE IMPLICAES

Sejam A e B dois conjuntos fuzzy, com suas funes de pertinncias A (x) e B ( y) ,


em U V , respectivamente. A implicao fuzzy entre os conjuntos fuzzy A e B um novo
conjunto fuzzy C, representado por C = A B , se define como um tipo especial de relao
fuzzy em U V , definida mediante a funo de pertinncia A B : U V [0,1] , tal que

A B ( x, y ) = I ( A ( x), B ( y ) ) , x U , y V
onde,

(40)

I : [0,1] [0,1] [0,1] um operador de implicao obedecendo as seguintes

propriedades, para x, x, y, y [0,1] :

se y y ento I ( x, y ) I ( x, y )

I (0, y ) = 1

I (1, y ) = y

Uma interpretao simples consiste em definir a implicao fuzzy atravs de uma


funo de pertinncia particular mediante o operador mnimo (min), representando a
implicao fuzzy pela funo de pertinncia:

A B ( x, y ) = min{ A ( x), B ( y )} .

27

9. INFERNCIA DE REGRAS FUZZY

O processo de inferncia fuzzy ou raciocnio aproximado permite que sistemas fuzzy


sejam elaborados por um conjunto de regras fuzzy atravs de proposies condicionais, do
tipo se (condio) ... ento (ao), baseadas nas variveis lingsticas para executar um
processo de tomada de deciso.
As regras fuzzy descrevem situaes especficas que podem ser submetidas anlise
de especialistas, e cuja inferncia conduz a algum resultado desejado (ORTEGA, 2001). A
inferncia baseada em regras fuzzy pode ser compreendida como um funcional que mapeia um
conjunto de uma ou mais variveis de entrada associadas a um conjunto fuzzy, denominadas
premissa ou antecedentes, para um conjunto de uma ou mais variveis de sada, tambm,
associadas a conjuntos fuzzy, denominadas conseqentes ou concluso, de um dado sistema.
Segundo Lee (1990) e Ortega (2001), cada regra fuzzy composta por uma parte antecedente
ou premissa, parte se, e uma parte conseqente ou concluso, parte ento, resultando em
uma estrutura do tipo:
Se < proposio fuzzy antecedente > Ento < proposio fuzzy conseqente >.

Uma proposio fuzzy simples, representada por x A, onde x um valor do domnio


e A uma varivel lingstica, estabelece uma relao entre um valor x do domnio e o espao
fuzzy (COX, 1992). Dessa maneira, modelos fuzzy representam um sistema atravs de um
conjunto do tipo:
Se x A Ento y B
sendo a proposio x A o antecedente e a proposio y B o conseqente da regra fuzzy.
As proposies podem tambm ser estabelecidas atravs de composio de proposies
simples, denominadas proposies fuzzy compostas, utilizando conectivos lgicos e, ou e
no representando, respectivamente, a interseco, unio e complemento fuzzy. Assim, se x
e y so variveis lingsticas nos universos de discurso U e V, e A e B so conjuntos fuzzy,
respectivamente, em U e V, tem-se:

a proposio fuzzy composta dada por:


x A e y B

28

uma relao fuzzy A B em U V definida por seu grau de pertinncia:

AB ( x, y) = t ( A ( x), B ( y ) ) = min( A ( x), B ( y ) )


com t : [0,1] [0,1] [0,1] uma T-norma;

a proposio fuzzy composta dada por:


x A ou y B

uma relao fuzzy A B em U V definida por seu grau de pertinncia

AB ( x, y ) = s( A ( x), B ( y ) ) = max( A ( x), B ( y) )


com s : [0,1] [0,1] [0,1] uma S-norma;

a proposio fuzzy composta dada por:


x no A

uma relao fuzzy A em U definida por seu grau de pertinncia

A ( x) = 1 A ( x) .
As variveis de entrada so conectadas entre si por intermdio dos operadores lgicos
fuzzy, e estas se associam a valores lingsticos (conjuntos fuzzy), em todo universo de
discurso por meio de funes de pertinncias.
Na utilizao de regras composicionais de inferncia possvel definir procedimentos
para se obter uma concluso fuzzy a partir de uma ou mais regras, representadas por uma
relao fuzzy R, e de um fato fuzzy (DELGADO, 2002). Assim, se x e y so variveis
lingsticas compostas respectivamente por um conjunto de termos {A1,A2,...,An} e
{B1,B2,...,Bn} ento o problema bsico do processo de inferncia encontrar uma funo de
B

pertinncia B que represente a conseqncia da aplicao simultnea de regras da forma


se ... ento.
Formalmente, dado um fato observvel (x A ), o qual representado por um conjunto
fuzzy A , e uma base de regras dada por uma relao fuzzy R, um conjunto fuzzy induzido
pelo fato x A e pela regra R, dado por:

29

Fato: x A
Regra 1: se x A1 ento y B1;
B

Regra 2: se x A2 ento y B2
B

M
M
M
Regra n: se x An ento y Bn

Conseqncia:

y B

O processo de inferncia fuzzy aplicado nas regras acima, em geral, baseado na regra
modus ponens generalizada explicitada por:
Fato: x A
Regra: se x A ento y B
Conseqncia:

y B

onde A, A , B e B so conjuntos fuzzy associados aos valores das variveis lingsticas x e y.


Simbolicamente:

Fato: A
Regra: A

B_

Concluso: B = A o ( A B )
Isto significa que a regra modus ponens generalizada permite inferir o valor fuzzy B ,
dado um valor de entrada A e uma relao de implicao R A B ( x, y ) relacionando ambas
variveis. O valor inferido B calculado atravs da composio do valor A com a relao
de implicao R:
B = A o R A B ( x, y ) = A o ( A B )

(41)

com funo de pertinncia (Arnould e Tano,1995) dada por:

B ( y ) = sup{min[ A ( x); I ( A ( x), B ( y ) )]},


x

onde I : [0,1] [0,1] [0,1] o operador implicao.

(42)

30

Como um exemplo da regra modus ponens, dado um fato observvel (densidade


muito alta) e uma base de regras (se densidade alta ento solo compactado), um conjunto
fuzzy induzido pelo fato e pela regra, dado por:
Fato: densidade muito alta
Regra: se densidade alta ento solo compactado
Conseqncia:

solo muito compactado

Vrios tipos de inferncia fuzzy podem ser utilizados para relacionar as entradas e
sadas de um conjunto finito de regras, e estas inferncias diferem pelo tipo de operador e
pelos tipos de proposies antecedentes e conseqentes utilizados. O mtodo de inferncia
determina a forma operacional do modelo fuzzy, e este um mapeamento que define uma
transformao do valor fuzzy de entrada em um valor de sada.
As bases de regras fuzzy podem ser constitudas de vrias formas, de acordo com o
nmero de variveis lingsticas apresentadas na entrada e na sada dos sistemas,
determinando e classificando os modelos lingsticos como: modelo SISO (SingleInput/Single-Output), modelo MISO (Muliple-Input/Single-Output) e modelo MIMO
(Muliple-Input/Multiple-Output).
O modelo SISO (Single-Input/Single-Output), apresenta regras constitudas por uma
nica entrada e uma nica sada. Neste caso o conhecimento expresso por meio de um
conjunto de regras possuindo a seguinte estrutura:
Regra 1: Se x A1 Ento y B1;
B

ou
Regra 2: Se x A2 Ento y B2;
B

ou
...
ou
Regra n: Se x An Ento y Bn
B

onde x a varivel lingsticas de entrada (antecedentes), y a varivel lingsticas de sada


(conseqentes) e Ai e Bi so valores fuzzy (subconjuntos fuzzy dos conjuntos U e V, universos
B

31

de discurso das variveis) das entradas e sadas, em geral, os conjuntos fuzzy Ai e Bi esto
B

associados a algum termo lingstico, tais como, pequeno, mdio, muito alto, baixo, rpido.
O modelo MISO (Muliple-Input/Single-Output) caracteriza-se por sistemas que
consistem de mltiplas entradas e uma nica sada (LEE,1990). Uma base de regras para o
modelo MISO com m regras e n variveis fuzzy de entradas e uma varivel fuzzy de sada tem
a seguinte forma:
Regra 1: Se x1 A1,1 e x2 A2,1 e ... e xn An,1, Ento y B1;
B

ou
Regra 2: Se x1 A1,2 e x2 A2,2 e ... e xn An,2, Ento y B2;
B

ou
...
ou
Regra m: Se x1 A1,m e x2 A2,m e ... e xn An,m, Ento y Bm
B

onde x1, x2, ...,xn so as variveis lingsticas de entrada e y a varivel de sada e An,m , e Bm,
B

subconjuntos de um universo de discurso U e V, respectivamente, os valores fuzzy de entrada


e sada do modelo.
Um exemplo para a base de regras possuindo a estrutura MISO dado como:
Regra 1: Se (densidade do solo alta) e (textura argilosa) e
(resistncia penetrao mdia)
Ento (solo muito compactado);
ou
Regra 2: Se (densidade do solo baixa) e (textura siltosa) e
(resistncia penetrao baixa)
Ento (solo compactado)
As regra 1 e regra 2 formam um modelo fuzzy com trs variveis e dois valores
lingsticos para cada varivel, tendo ento 12 regras, para se chegar concluso do tipo de
compactao que o solo pode ter, a partir dos atributos que so as variveis lingsticas de
entrada, densidade do solo (alta/baixa), textura do solo (argilosa/arenosa) e resistncia

32

penetrao (mdia/alta). As variveis de sada muito compactado e compactado


representam os conjuntos fuzzy da parte conseqente do sistema de regras de dois tipos de
compactao de solo segundo uma classificao fuzzy adotada.
O modelo MIMO (Muliple-Input/Multiple-Output) apresenta mltiplas variveis fuzzy
de entrada e mltiplas variveis fuzzy de sada, com as regras possuindo a seguinte forma:
Regra 1: Se x1 A1,1 e x2 A2,1 e ... e xn An,1
Ento y1 B1,1 , y2 B2,1 , ... , ys Bs,1
B

ou
Regra 2: Se x1 A1,2 e x2 A2,2 e ... e xn An,2
Ento y1 B1,2 , y2 B2,2 , ... , ys Bs,2
B

ou
...
ou
Regra m: Se x1 A1,m e x2 A2,m e ... e xn An,m
Ento y1 B1,m , y2 B2,m , ... , ys Bs,m
B

onde as variveis de entrada x1,x2,...,xn e os termos lingsticos Ai,j, com i = 1,2,...,n e


j = 1,2,...,m , so definidos como no modelo MISO, y1, y2,..., ys so as variveis de sada e Bi,j ,
B

com i = 1,2,...,n, j = 1,2,...,m, so subconjuntos fuzzy definidos no universo de discurso


V1, V2,...,Vm das variveis de sada.
10. SISTEMA DE INFERNCIA FUZZY

Os sistemas de inferncia fuzzy so sistemas que mapeiam as entradas advindas de um


conjunto de dados resultante de medies ou observaes experimentais em sadas precisas, y
= f(x), onde x entrada e y a sada do sistema de inferncia fuzzy e f uma representao
quantitativa do mapeamento.
A estrutura de um sistema de inferncia baseada em um conjunto de regras fuzzy
incluindo quatro componentes bsicos principais (JANG et al.,1997 apud DELGADO,2002):

um fuzzyficador, que traduz a informao de entrada em conjuntos fuzzy. A cada


varivel de entrada so atribudos termos lingsticos que so os estados da varivel, e

33

cada termo lingstico associado a um conjunto fuzzy traduzido por uma funo de
pertinncia;

uma base de conhecimento, que consiste de um conjunto de regras fuzzy e de uma base
de dados. No conjunto de regras fuzzy (conhecido como base de regras) esto as
declaraes lingsticas do tipo se...ento, definidas por especialistas ou retiradas de
um conjunto de dados numricos. Na base de dados esto as variveis lingsticas, as
definies dos respectivos universos de discursos e o conjunto de funes de
pertinncias;

um mtodo de inferncia, que aplica um raciocnio fuzzy para obter uma sada fuzzy;

um defuzzyficador, que traduz a sada por um valor numrico.


As relaes entre as variveis de entrada e sada em um sistema fuzzy , como j visto,

representado atravs da forma geral: se < antecedente > ento < conseqente > , e
dependendo da forma da parte ento (parte conseqente), existem dois tipos de sistema de
inferncia fuzzy: sistema de inferncia fuzzy Mamdani (onde as proposies do antecedente e
do conseqente so proposies fuzzy) e sistema de inferncia fuzzy Takagi-Sugeno (onde o
antecedente uma proposio fuzzy e o conseqente uma expresso funcional das variveis
lingsticas definidas no antecedente).
11. AGREGAO

Em uma base de regras, quando mais de uma regra acionada, as contribuies das
diversas regras aps a inferncia so combinadas pelo operador de agregao. Para uma nica
regra R: AB, o processo de inferncia de B a partir do fato A, e da regra fuzzy R, dado
por :
B = Ao R = A o ( A B ).
No caso em que o operador lgico a conjuno fuzzy, a relao

R: AB = A x B

um ponto fuzzy.
Quando so apresentadas mais de duas regras, o raciocnio fuzzy realizado sobre um
conjunto de m regras fuzzy na forma:
Regra i = Ri : Se x Ai ento y Bi , i = 1,2,...,m
B

34

Cada regra individual Ri (i = 1,2,...,m) induzida por uma relao fuzzy diferente.
Assim, o conjunto de regras, por sua vez, resulta numa relao fuzzy obtida pela agregao de
todas as relaes individuais, atravs da operao unio:
m

i =1

i =1

B = U Bi = U ( A o R ) .
Utilizando a regra de inferncia composicional de Zadeh (ZADEH,1973) para uma
relao do tipo R Ai Bi , onde Ai U e Bi V , e dado um conjunto fuzzy de U denotado por
A e um conjunto fuzzy B de V, a inferncia B dada pela funo de pertinncia, atravs do
operador max-min, por:

B ( y ) = max{min ( A ( x), R ( x, y ) )} ; x U , y V
x A

(43)

Em geral, o operador agregao, representado pelo smbolo U , caracterizado por uma


S-norma, podendo ainda ser utilizado as T-normas.
Um exemplo de funo para o operador agregao o operador unio, ou seja, a
agregao do conjunto de regras realizada atravs do operador unio sobre todas as relaes
individuais (Ortega,2002). Por exemplo, supondo B1 ,K , Bn todos os resultados derivados das
diversas regras acionadas, todos relacionados a uma mesma varivel lingstica, o resultado da
implicao de todas as regras B dada por:
m

B = U Bi
i =1

onde o smbolo U representa o operador agregao.


Para a agregao do conjunto de regras, vrios mtodos podem ser utilizados, na
maioria dos casos o antecedente (parte se) formado por proposies lingsticas e a
distino entre os modelos se d no conseqente (parte ento) das regras fuzzy. Entre os
modelos mais conhecidos podem ser destacados:

modelo de Mamdani (MAMDANI; ASSILIAN, 1975, apud DELGADO, 2002): utiliza


conjuntos fuzzy tanto no antecedente como no conseqente das regras fuzzy. A sada
final representada por um conjunto fuzzy resultante da agregao da sada inferida de

35

cada regra. Para se obter uma sada final no fuzzy adota-se um dos mtodos de
transformao da sada fuzzy em no-fuzzy descritos na desfuzzyficao dos dados.

modelo de Takagi-Sugeno (TAKAGI ; SUGENO, 1983, apud DELGADO, 2002): no


qual o antecedente uma proposio fuzzy e o conseqente representado por uma
funo das variveis de entrada. A sada final obtida pela mdia ponderada das sadas
inferidas de cada regra. Os coeficientes da ponderao so dados pelos graus de ativao
das respectivas regras.
A seguir, sero detalhados os dois modelos mais comuns: Mamdani e Takagi-Sugeno.

12. MODELO DE MAMDANI

No modelo de Mamdani as sadas so construdas pela superposio dos conseqentes


das regras individuais do tipo:
Regra i: Se x Ai ento y Bi
B

onde i = 1,2,...,n, n o numero de regras, x a varivel lingstica de entrada, y a varivel


lingstica de sada e Ai e Bi so subconjuntos fuzzy, respectivamente, dos universos de
B

discursos U e V.
Cada uma das regras acima, pode ser expressa atravs de uma relao fuzzy Ri
interpretada como o produto cartesiano dos conjuntos fuzzy Ai e Bi,
B

Ri = Ai Bi
ou seja, a relao Ri um subconjunto de U V , com funo de pertinncia dada por:

R ( x, y ) = min ( A ( x), B ( y ) )
i

onde min (operador mnimo) o operador de conjuno fuzzy.


A agregao dos conjuntos de regras realizada atravs do operador unio sobre todas
as relaes individuais e, desta maneira, denotando por R a unio de todas estas relaes temse:
n

R = U Ri
i =1

e a funo de pertinncia R ( x, y ) da relao fuzzy R dada por

R ( x, y ) = U R ( x, y ) = max{min ( A ( x), B ( y ) )}
n

i =1

onde max (operador mximo) um operador de disjuno fuzzy.

(44)

36

Dessa forma, dado um conjunto fuzzy de entrada A, o conjunto fuzzy de sada B(y)
ento obtida atravs da regra de inferncia max-min
B ( y ) = A( x ) o R ( x, y )

onde o um operador de composio, cuja funo de pertinncia dada por

B ( y ) = U x { A ( x) R ( x, y )} = U x A ( x) U R ( x, y ) = U x U ( A ( x) R ( x, y ) )
n

i =1

i =1

onde o smbolo U representa o operador agregao e o operador T-norma.


Em resumo, o modelo de Mamdani de inferncia fuzzy baseado em composio
max-min e dado pela definio a seguir.

Definio 23

Sejam A, A e B conjuntos fuzzy em U, U e V respectivamente.


Supondo a implicao fuzzy A B expressa pela relao fuzzy R sobre U V , ento o
conjunto fuzzy B induzido por x A e pela regra fuzzy se x A ento y B definido
por:

B = A o R = A o ( A R )
com funo de pertinncia dada por

B ( y ) = { A ( x) R ( x, y )} = max{min ( A ( x), R ( x, y ) )}
xU

xU

onde o operador S-norma e o operador T-norma.


Sem perda de generalidade, podem ser consideradas bases com mltiplas regras fuzzy
com mltiplos antecedentes da forma:
Regra i: Se x1 A1,i e x2 A2,i e ... e xn An,i ento y Bi , i = 1,2,...,m
B

onde m o nmero de regras, x1,x2,...,xn so variveis lingsticas e A1,i,A2,i,...,An,i so


conjuntos fuzzy, respectivamente, nos universos de discursos U1,U2,...,Un, e Bi so
B

subconjuntos de um universo de discurso V, de valores fuzzy de sada do modelo.

37

A Figura 14 ilustra o processo de inferncia maxmin quando existem duas regras,


A1 B1 e A2 B2, A o fato de entrada, representado como um conjunto fuzzy.
B

B1

A1

B1
V

Agregao

B2

A2

B 2
U

Figura 14. Mecanismo de inferncia fuzzy de Mamdani


Cada uma destas regras interpretada atravs de uma implicao fuzzy:
Regra i : A1,i ( x1 ) A2 ,i ( x 2 ) L An ,i ( x n ) Bi ( y ) , i = 1,2,...,m
onde denota uma T-norma, A1,i ( x1 ) A2 ,i ( x 2 ) L An ,i ( x n ) uma relao fuzzy das
entradas lingsticas entre si, sobre o universo de discurso U 1 U 2 LU n e Bi ( y ) a sada
definida sobre o universo de discurso V . Neste caso, cada uma das regras expressa por uma
relao fuzzy Ri como o produto cartesiano dos conjuntos fuzzy A1,i, A2,i,..., An,i e Bi,
B

Ri = A1,i A2,i L An ,i Bi

ou seja, a relao Ri um subconjunto de U 1 U 2 LU n V com funo de pertinncia dada


por:

R ( x1 , x2 ,K, x n , y ) = A ( x1 ) A ( x2 ) K A ( xn ) B ( y) .
i

1, i

2 ,i

n ,i

O conjunto de todas estas implicaes corresponde a uma nica relao fuzzy em


U 1 U 2 LU n V , obtida pelo operador unio fuzzy mximo (max) sobre todas as relaes
individuais Ri, da forma:

38

i =1

i =1

R( x1 , x 2 , K , x n , y ) = U Ri = U A1,i ( x1 ) A2 ,i ( x 2 ) L An ,i ( x n ) Bi ( y

e a funo de pertinncia R ( x1 , x 2 ,K , x n , y ) da relao fuzzy R dada por:


m

R ( x1 , x 2 ,K, x n , y ) = U R ( x1 , x 2 ,K, x n , y )
i

i =1
m

= U A1,i ( x1 ) A2 ,i ( x 2 ) K An ,i ( x n ) Bi ( y )
i =1

com o smbolo U denotando uma S-norma.


Dessa forma, para um dado conjunto de variveis de entrada fuzzy A1,i, A2,i,...,An,i, o
conjunto fuzzy de sada B(y) ento obtida atravs da regra de inferncia max-min:

B ( y ) = U A1,i ( x1 ) A2 ,i ( x 2 ) K An ,i ( x n ) o R( x1 , x 2 ,K , x n , y )
i =1

onde o um operador de composio, o smbolo U representa o operador agregao,


o operador T-norma e a funo de pertinncia dada por:
n

B ( y ) = U A ( x1 ) A ( x 2 ) K A ( x n ) R ( x1 , x 2 ,K, x n , y )
i =1

1, i

2 ,i

n ,i

Nesta expresso tem-se representado um sistema de inferncia fuzzy de Mamdani para


um sistema MISO, podendo esta ser estendida para um sistema MIMO com m sadas para um
conjunto de n bases de sub-regras MISO agrupadas (Serra, 2005) da seguinte forma:
n

B (y) = U A1,i ( x1 ) A2 ,i ( x 2 ) K An ,i ( x n ) o RMIMO ( x1 , x 2 ,K , x n , y )


i =1

onde, B (y ) um vetor

B(y ) = [B ( y1 ) B ( y 2 ) L B ( y n )]

m
n

R MIMO ( x1 , x 2 , K , x n , y ) = U U A1,i ( x1 ) A2 ,i ( x 2 ) K An ,i ( x n ) B ( y j )
j =1i =1

com U o operador unio representando a coleo de todas as relaes fuzzy de um sistema


j =1

MISO associadas a cada uma das sadas yj, j = 1,2,...,m.

39

13. MODELO DE TAKAGI-SUGENO

O sistema de inferncia fuzzy Takagi-Sugeno, representa um sistema dinmico ou um


controle que associa um conjunto de regras lingsticas no antecedente (parte se) com
proposies fuzzy, e no conseqente (parte ento) so apresentadas expresses funcionais,
do tipo y = f ( x ) , das variveis lingsticas do antecedente, ao invs de conjuntos fuzzy como
usados no modelo de Mamdani.
A base de regras fuzzy para o modelo de Takagi-Sugeno, da forma:
Regra i: Se x1 A1,i e x2 A2,i e ... e xn An,i ento yi = fi(x) , i = 1,2,...,m
onde m o nmero de regras, x1,x2,...,xn so as variveis de entrada, A1,i,A2,i,..,An,i so
conjuntos fuzzy no antecedente das regras de um sistema MISO, nos universos de discursos
U1,U2,...,Un, respectivamente, e fi(x), i=1,2,...,m, so funes lineares ou no-lineares das
variveis numricas de entrada.
No caso em que x = [x1

x 2 L x n ] um vetor de dimenso n, as regras fuzzy para

o modelo de Takagi-Sugeno podem ser escritos na forma:


Regra i: Se x1 A1,i e x2 A2,i e ... e xn An,i ento yi = fi(x1,x2,...,,xn) , i = 1,2,...,m
onde os n conjuntos fuzzy A1,i, A2,i,...,An,i do antecedente da regra i (i = 1,2,...,m) formam uma
regio A1,i A2 ,i L An,i no espao de entrada de x1,x2,...,xn, respectivamente, denominada
de superfcie fuzzy entrada-sada.
A sada do modelo de Takagi-Sugeno (ORTEGA,2002) definida como a soma
ponderada dos conseqentes yi, (i = 1,2,...,m), de cada subsistema linear, de forma anloga
realizada no modelo de Mamdani, dada por:
m

y = i yi

(45)

i =1

onde,

i ( x) =

hi (x)
m

h (x)
j =1

(46)

40

o grau de ativao normalizado para a regra i (i = 1,2,...,m), com o grau de ativao hi para a
regra i dada por:

hi (x) = A1,i ( x1 ) A2 ,i ( x 2 ) K An ,i ( x n ) , i = 1,2,...,m

(47)

onde xj um ponto do universo de discurso Uj (j = 1,2,...,n).


A Figura 15 ilustra o processo de inferncia de Takagi-Sugeno quando existem duas
regras definidas por:
Regra 1: Se x1 A1,1 e x2 A2 ,1 ento y1 = f1(x1,x2)
Regra 2: Se x1 A1,2 e x2 A2 ,2 ento y2 = f1(x1,x2)
onde yi = fi(x1,x2) = pi x1+ qi x2+ ri, i = 1, 2.
min

A2,1

A1,1

w1

A1,2

A2,2

w2
U
x1

y1 = p1 x1 + q1 x2 + r1

V
x2

y2 = p2 x1 + q2 x2 + r2
Mdia
ponderada

y =

w1 y1 + w2 y 2
w1 + w2

Figura 15. Mecanismo de inferncia fuzzy de Takagi-Sugeno

14. DEFUZZYFICAO

A ao de controle consiste da unio de todas as funes fuzzy ativadas. O valor final,


ou seja, aquele que ser apresentado pelas sadas do sistema fuzzy, ser determinado pelo
processo de defuzzificao.
A defuzzyficao consiste em determinar o valor da estimao no-fuzzy, ou seja,
obter a melhor representao para o conjunto de sada fuzzy, aplicando um mtodo de

41

defuzzyficao no conjunto B = U Bi resultante da agregao de todos os conjuntos fuzzy da


i =1

sada Bi , i =1,2,...,m. Desta forma, defuzzyficaco consiste em converter os dados fuzzy em


valores numricos precisos, utilizando vrios mtodos para encontrar a sada do sistema, sendo
os principais: mtodo do centro de rea (centride), mtodo do mximo e o mtodo da mdia
dos mximos. No mtodo centride, procura-se encontrar o ponto de domnio associado ao
centro de massa da regio de sada. No mtodo do mximo, a sada o ponto no domnio com
o maior grau de pertinncia. E o mtodo do centro dos mximos calcula a mdia das sadas
com alto grau de pertinncia.

15. MTODO DO CENTRO DE REA

O mtodo do centro de rea (CDA), ou mtodo centride, a tcnica de defuzzificao


mais comumente usada (KLIR, YUAN,1995; YEN, LANGARI,1999 apud ORTEGA,2001).
Neste caso, o valor de sada aquele que divide ao meio a rea da funo de pertinncia
gerada pela combinao das conseqentes das regras. Ainda, o mtodo do centro de rea pode
ser compreendido como uma mdia ponderada, onde A(x) funciona como o peso do valor x. A
defuzzyficao da concluso fuzzy A dada por:

( x) x
( x)
A

; se x discreto

CDA =

(48)

( x) xdx
( x)dx
x

; se x contnuo

16. MTODO DA MDIA DOS MXIMOS

O mtodo de defuzzificao da mdia dos mximos (MM) calcula a mdia de todos os


valores de sada que tenham os maiores graus de pertinncias. Supondo que y B uma

42

concluso fuzzy que deve ser defuzificada, o mtodo de defuzificao pode ser expresso
como:
M

MM =
i =1

y i
m

(49)
m

onde y i so os valores do universo de discurso de B = U Bi que contm graus de


i =1

pertinncias mximos e m a quantidade deles.

5. SISTEMA DE INFERNCIA FUZZY NEURO ADAPTATIVO (ANFIS)

Os sistemas de inferncia fuzzy permitem que sistemas fuzzy sejam elaborados por um
conjunto de regras fuzzy atravs de proposies condicionais, do tipo se ... ento, baseadas
nas variveis lingsticas para executar um processo de tomada de deciso.
Takagi e Sugeno (1985) esto entre os pesquisadores pioneiros a proporem estruturas
de sistemas de inferncia fuzzy prprio agregao, ou seja, sistemas de inferncia fuzzy
baseada em um conjunto de padres de ajuste para a sua definio. Ainda, segundo os mesmos
autores, o sistema fuzzy paramtrico se baseia no espao das variveis de entradas onde
realizada uma partio fuzzy, e em cada subespao fuzzy, que corresponde a uma regra, se
estabelece uma relao linear entre a varivel de entrada e a varivel de sada.
Sistemas de inferncia fuzzy tem sido utilizados para modelar processos complexos,
no lineares e vagos, com base em um conjunto regras do tipo se ... ento, que representam
as entradas e sadas do modelo, que combinadas com mtodos de redes neurais artificiais, do
origem a um novo mtodo classificado como hbrido. Deste modo, os sistemas neuro-fuzzy
combinam a capacidade de aprendizado das redes neurais artificiais, atravs de dados de
treinamento, com o poder de interpretao lingstico dos sistemas de inferncia fuzzy. Neste
caso, uma rede adaptativa baseada em um sistema de inferncia fuzzy implementa um sistema
de inferncia fuzzy do tipo Takagi-Sugeno e redes neurais.
Uma rede neural adaptativa se caracteriza por um grafo formado por ns e conexes,
onde os ns representam entradas e sadas, e cada um destes ns representa uma unidade de
processamento, tendo associado a ele uma funo. Cada arco do grafo indica uma relao
entre os ns conectados. O conjunto de ns pode ser dividido em dois subconjuntos: os ns

43

adaptativos, cujas sadas dependem no s de suas entradas, mas tambm de parmetros


modificveis, internos ao modelo; e, em caso contrrio, os ns, cuja funo depende somente
das entradas, denominados no adaptativos. Em geral, para se representar as redes neurais
adaptativas, so utilizados retngulos para os ns adaptativos e crculos para os ns no
adaptativos.
Dentre as abordagens que usam mtodos hbridos destaca-se o sistema de inferncia
fuzzy neuro adaptativo (ANFIS), do ingls Adaptive-Network-based Fuzzy Inference System,
proposto por Jang (1993). O modelo ANFIS funciona de modo equivalente aos sistemas de
inferncia fuzzy, e suas capacidades adaptativas as fazem aplicveis a uma grande quantidade
de reas de estudos como, por exemplo, em classificao de dados e extrao de caractersticas
a partir de modelos. Uma propriedade do modelo ANFIS que o conjunto de parmetros pode
ser decomposto para utilizar uma regra de aprendizagem hbrida mais eficiente que os
mecanismos tradicionais encontrados na literatura.
O modelo ANFIS uma ferramenta disponvel no entorno tcnico do programa
MATLAB que suporta apenas sistema de Takagi-Sugeno de ordem zero ou um, e permite
vrias variveis de entrada, porm, com somente uma varivel sada que o faz ser identificado
como um modelo MISO, e os pesos entre as regras so iguais unidade.

18. ARQUITETURA DO MODELO ANFIS

Diferentes sistemas de inferncia fuzzy proporcionam diferentes arquiteturas para o


modelo ANFIS. O sistema de inferncia fuzzy construdo do tipo Takagi-Sugeno, definido
por um conjunto de regras da forma:
se x A e y B, ento z = f(x,y)

onde x e y so variveis fuzzy, A e B so conjuntos fuzzy e f uma funo de x e y que


aproxima o valor de z. Usualmente a funo f uma combinao linear das variveis de
entradas, cujos coeficientes so estimados usando mnimos quadrados.
A funcionalidade do modelo neuro-fuzzy com base no modelo do tipo de TakagiSugeno de primeira ordem (combinaes lineares das entradas) e no algoritmo ANFIS,
considerando, por exemplo, um sistema de inferncia fuzzy de duas entradas, x1 e x2, uma
sada, f, e composto por duas regras fuzzy:

44

Regra 1: Se x1 A11 e x2 A 12 , ento f1 = p1 x1 + q1 x2 + r1


Regra 2: Se x1 A 12 e x2 A 22 , ento f2 = p2 x1 + q2 x2 + r2
pode ser representada pela Figura 16.
x1
11 ( x1 )

A 11

x1

w1

w1

x2

p1;q1;r1

1
2

w1f1

12 ( x 2 )

12 ( x1 )

2
1

x2

A 22

w2

w2

p2;q2;r2

w2 f 2

22 ( x 2 )

x1
camada 1

camada 2

camada 3

x2

camada 4

camada 5

Figura 16. Arquitetura tpica de um modelo ANFIS


A arquitetura do ANFIS composta por 5 camadas, os ns da camada 1 e 4 so
adaptativos sendo seus valores os parmetros das partes antecedentes e conseqentes da regra,
respectivamente. A Figura 16 apresenta a arquitetura ANFIS equivalente ao mecanismo do
raciocnio utilizado para o modelo do tipo de Takagi-Sugeno, onde os ns situados na mesma
camada desempenham tarefas similares.
Cada camada da rede neural realiza um processo especfico na inferncia da sada do
sistema, com os ns das camadas adjacentes conectadas entre si conforme descrito a seguir:
Camada 1: Os ns desta camada so representados por:
Oi1 = i j ( xi )

(50)

onde, i = 1, 2 o nmero de variveis e j = 1, 2 o nmero regras. Os ns so constitudos


pelos conjuntos fuzzy A ij , i, j = 1,2, associados s variveis de entrada xi, i = 1, 2. A sada de

45

cada n o grau de pertinncia do valor xi ao conjunto fuzzy A ij . Todos os ns so


adaptativos, possuem parmetros que podem ser ajustados, e as funes de pertinncias

i j ( x i ) podem ser definidas de vrias maneiras; triangulares, trapezoidais, gaussianas,


sigmides e outras, com a restrio de que estas funes devem ser diferenciveis. A funo
de pertinncia do tipo gaussiana possui formato do tipo de sino, com imagem no intervalo
[0,1], definida por:
1 x c j
i j = exp i j i
2 i

1 x c
i ji

2 i
= e

(51)

onde, i = 1, 2 o nmero de variveis e j = 1, 2 o nmero regras, xi a varivel de entrada e


cij e i j so os parmetros ajustveis das funes de pertinncias, e denominados parmetros

antecedentes, os quais so coeficientes no lineares, e correspondem ao centro e a


variabilidade da funo de pertinncia.
Camada 2: Cada n desta camada no adaptativo, no tem parmetros para serem ajustados,

e tem como sada w j = w j (1j , 2j ) , j = 1,2 , o produto dos sinais de entrada de suas entradas:
2

O 2j = w j = i j = 1j 2j , j = 1,2 .

(52)

i =1

Cada sada wj corresponde intensidade de disparo de uma regra, ou seja, calcula com que
grau de pertinncia o conseqente da regra est sendo atendido. Os neurnios desta camada
simbolizam a operao de T-norma e, em geral, se pode utilizar outro operador, em lugar do
produto. Para regras que empregam o conectivo e, os operados mais usados so o produto,
e o operador mnimo dado por:

O 2j = w j = i j = min (1j ; 2j ) , j = 1,2 .


2

(53)

i =1

Camada 3: Os ns desta camada no so adaptativos. A sada deste n definida por

w j = w j (1j , 2j ) como a razo entre a intensidade de disparo da j-sima regra e a soma dos

46

disparos de todas as outras regras, denominada de intensidade de disparo normalizado, dada


por:

O 3j = w j =

wj
2

=
i

wj
w1 + w2

; j = 1,2 .

(54)

i =1

A normalizao utilizada como um pr-processamento para a defuzzificao do sistema.


Camada 4: Cada n desta camada adaptativo e seus parmetros, pj, qj, e rj, j = 1,2 ,

correspondem parte do conseqente de cada regra do modelo. As sadas so calculadas pelo


produto entre os nveis de disparos normalizados e o valor do conseqente da regra. Assim, a
sada f j = f j ( w j , x1 , x 2 , p j , q j , r j ) corresponde sada parcial da j-sima regra, dada por:

O 4j = f j = w j ( p j x1 + q j x 2 + r j ))

(55)

onde, w j , j = 1,2 , a sada da camada 3 e { pj, qj, rj } o conjunto de parmetros do


conseqente de cada regra, ou seja, os valores pj, qj, e rj correspondem aos conseqentes
singletons ou aos conseqentes do modelo de Takagi-Sugeno de primeira ordem
(combinaes lineares das entradas).
Camada 5: Esta camada constituda por um nico n, no adaptativo. O n desta ltima

camada da arquitetura calcula a sada do sistema e, juntamente com os ns das camadas 3 e 4,


promove a defuzzificao do sistema. A sua sada f = f ( f1 , f 2 ) , que a sada global do
modelo, definida como a soma de todas as sadas parciais fj, j = 1,2 :
2

O 5j = f = f j .

(56)

j =1

A aprendizagem do sistema ANFIS tem dois conjuntos de parmetros que devem ser
treinados: os parmetros do antecedente, que so as constantes que caracterizam as funes de
pertinncias, e os parmetros do conseqente, que so os parmetros lineares da sada do
modelo de inferncia. A aprendizagem do modelo ANFIS emprega algoritmos do gradiente
descendente para otimizar os parmetros do antecedente e o algoritmo de mnimos quadrados

47

para determinar os parmetros lineares do conseqente, ou seja, o aprendizado realizado em


duas etapas, dadas a seguir, que se repetem at que o critrio de parada seja alcanado:
Etapa 1 os parmetros do antecedente permanecem fixos, e se utiliza do algoritmo de
estimao de mnimos quadrados sobre os parmetros do conseqente para cada
regra. Uma vez identificado os parmetros do conseqente, o erro calculado
como a diferena entre a sada da rede e a sada desejada apresentada nos pares de
treinamento. Uma das medidas mais usuais para o erro de treinamento a soma de
erros quadrticos, definido por:
N

SEQ = ( y k y k )

(57)

k =1

onde, N o nmero de pares observados, yk correspondem aos dados de


treinamento proporcionados (sadas desejadas) e y k a correspondente sada da
rede;
Etapa 2 os parmetros dos conseqentes permanecem fixos, e se utiliza o algoritmo de
retropropagao (backpropagation) sobre os parmetro do precedente para cada
regra.
Estas etapas so executadas at que o nmero de pocas (interaes) de treinamento ou
o valor do erro, ambos pr-fixados, sejam atingidos primeiro pela rede, Ressalta-se que um
nmero grande de pocas de treinamento pode levar a uma deformidade das funes de
pertinncias.
O modelo ANFIS ajusta atravs do algoritmo backpropagation os parmetros das
funes de pertinncias, as quais sero de um tipo nico (todas triangulares, todas gaussianas,
etc), dependendo da escolha realizada. O mtodo dos mnimos quadrados usado para
encontrar os coeficientes das funes lineares, que formam o conseqente das regras fuzzy.
A aprendizagem da rede obtida combinando o algoritmo de backpropagation e o
mtodo dos mnimos quadrados. Para cada poca de treinamento o mtodo realizado atravs
de uma passagem frente (forward step) e uma passagem para trs (backward step). Na
passagem frente, para cada vetor de entrada, a rede avaliada at camada 4, e os parmetros

48

do conseqente so estimados usando o mtodo de mnimos quadrados. Em seguida, so


calculados os erros para cada par do conjunto de treinamento, ou seja, os erros so estimados
pela soma dos quadrados das diferenas entre o valor estimado e o observado. No passo para
trs, os erros so propagados e os parmetros dos antecedentes so modificados pelo
mecanismo do algoritmo de backpropagation.

19. ALGORITMO DE APRENDIZAGEM DA ESTRUTURA ANFIS

A aprendizagem da estrutura ANFIS envolve a seleo de variveis, a determinao do


nmero de funes de pertinncias por varivel e a obteno de um conjunto de regras fuzzy.
Para se obter um conjunto de regras fuzzy Chiu (1996) desenvolveu uma tcnica de
agrupamento fuzzy denominada agrupamento subtrativo, utilizada para particionar o espao de
entrada e sada de um conjunto de dados.
Quando no se conhece a priori quantos agrupamentos deve haver para um
determinado conjunto de dados, o agrupamento subtrativo um algoritmo rpido e robusto
para saber este nmero. Ainda, esta tcnica permite a localizao do centro do agrupamento,
sendo as funes de pertinncias e as regras obtidas a partir destes centros de agrupamento e,
portanto, com estas informaes possvel gerar um sistema de inferncia fuzzy do tipo
Takagi-Sugeno que modela o comportamento dos dados.
O procedimento do mtodo do algoritmo de agrupamento subtrativo desenvolvido por
Chiu (1994, apud CHIU,1996) considera um conjunto de N amostras (vetores de observaes)
de dados, x1,x2,...,xN, definidas em um espao de dimenso m + n (no problema da
identificao do sistema, m o nmero de entradas e n o nmero de sadas) e que so
normalizados em cada uma das dimenses, de modo que os dados estejam limitados por um
hipercubo unitrio.
Como se referiu, cada uma das observaes define um eventual candidato a centro de
um agrupamento e uma medida potencial associada ao ponto xi, i = 1,2, K , N , para servir
como centro do agrupamento, dado por:
N
2
4
pi = exp 2 xi x j
j =1

ra

(58)

49

onde i = 1,2, K , N , ra > 0 uma constante que define o raio de vizinhana de cada centro de
agrupamento e || . || denota a norma euclidiana.
Da expresso dada por (44) pode ser observado que os pontos xj localizados fora do
raio de ao de xi iro ter influncia pequena no potencial do ponto. Em caso contrrio, quanto
mais prximo estiverem os pontos na vizinhana de xi maior ser a influncia no potencial.
Assim, o potencial associado a cada ponto vai depender de sua distncia a todos os outros, o
que faz com que pontos com uma vizinhana densa ir originar um potencial elevado para o
seu centro.
Aps o clculo do potencial de cada um dos pontos, aquele com maior potencial
selecionado como o primeiro centro de agrupamento. Para x1 , a localizao do primeiro
centro, e p1 , seu valor potencial, encontrados, o potencial de cada ponto xi revisado por:
2
4
pi pi p1* exp 2 xi x1*

rb

(59)

onde i = 1,2, K , N , rb > 0 uma constante que define o raio de vizinhana de cada centro ou
a distncia onde os pontos sero afetados pela reduo de potencial.
Deste modo, feita uma subtrao do potencial de cada ponto em funo da distncia
do centro do primeiro agrupamento. Os pontos prximos ao centro do primeiro agrupamento
tm potencial muito reduzido e, portanto, pouca possibilidade de serem escolhidos como o
prximo centro de agrupamento. Em geral, o valor atribudo a rb deve ser um pouco superior a
ra, para se obter grupos espaados. De acordo com Chiu (1996) define-se o valor do raio de

vizinhana rb por: rb = 1,25 ra .


Efetuada a reduo de potencial de cada ponto, pela ltima expresso, aquele que
apresentar o maior potencial escolhido para ser o local do segundo centro de agrupamento e,
assim sucessivamente, efetuando-se a reduo de potencial de maneira anlogo para todos os
pontos restantes. De modo geral, aps ser obtido o k-simo centro de agrupamento o potencial
de cada ponto reduzido por:
2
4
pi pi p*k exp 2 xi x*k

rb

(60)

50

onde x i , i = 1, 2, ..., N, a localizao do centro do k-simo agrupamento, p k o seu valor


potencial e rb uma constante positiva que define o raio de vizinhana de cada centro.
O processo de seleo de novos centros e a reduo de potencial se repete de modo
iterativo at que todos os pontos estejam abaixo de uma frao de potencial do primeiro centro
de agrupamento p1 ; como critrio de parada do processo toma-se p k < (1,5) p1 .
Esta frao de potencial um parmetro que especifica o limiar entre a aceitao ou
rejeio do potencial de um ponto como centro de agrupamento, isto , se a relao entre o
potencial do ponto e o do primeiro centro superior a , ento ele aceito como candidato a
centro; em caso contrrio, especifica o limiar oposto segundo o qual o ponto rejeitado como
candidato ao centro, pondo fim ao processo de procura. Recomenda-se o parmetro = 0,5 um
limiar para o qual o ponto aceito e = 0,15 o limiar no qual o ponto rejeitado.
Para um conjunto {x1 , x 2 , K , x k } de k centros de agrupamentos em um espao mdimensional, se as n primeiras dimenses correspondem s variveis de entrada e as ltimas

m n dimenses correspondem s variveis de sada, cada vetor x i pode ser decomposto em


dois vetores componentes: y i n e z i m n tal que xi = [ y i | z i ] . Cada centro de
agrupamento x i representa uma regra fuzzy da forma:
se a entrada est prxima de y i , ento a sada est prxima de z i
onde y i a localizao do centro de agrupamento no espao de entrada e z i a localizao
do centro de agrupamento no espao de sada.
Para um vetor de entrada y, o grau no qual a regra i ativada definido por:
2
4
g i = exp 2 yi y *i

ra

(61)

onde, i = 1,2, K , N , ra o raio de vizinhana de cada centro de agrupamento e o vetor de


sada z calculado por:
k

z=

g z
i =1
k

i i

g
i =1

(62)

51

O modelo neuro-fuzzy obtido pode ser visto em termos de um sistema de inferncia


atravs de uma base de regras fuzzy do tipo se ... ento ..., sendo cada uma das regras da
forma:
se y1 Ai1 e y2 Ai 2 e ... e yn Ain ento z Bi
onde yi a i-sima varivel de entrada, z a varivel de sada, Aij uma funo de pertinncia
da i-sima regra associada com j-sima entrada e Bi uma funo de pertinncia
(singleton) na i-sima regra associada varivel de sada.
A i-sima regra tem funo de pertinncia, cujo centro do agrupamento representado
por x i , dada por:
1 y y

i
ij
Aij ( y i ) = exp

2 ii

(63)

onde y ij o j-simo elemento de y i e ij = 1 2 , com = 4 ra2 .


O algoritmo descrito por Chiu (1994), utilizado na estimao do nmero de regras
necessrias definio de um modelo fuzzy baseado em um conjunto de dados, e no
necessita de ser especificado previamente o nmero de agrupamentos no modelo. No entanto,
importante notar que o parmetro ra, raio de vizinhana do agrupamento, est diretamente
relacionado com o nmero de regras e/ou agrupamentos encontrados. Assim, um raio pequeno
gera um nmero elevado de regras e/ou agrupamentos, o que, no caso de ser excessivo, pode
redundar em problemas de sobre ajustamento, no dando boas generalizaes. Por outro lado,
um raio grande produz um nmero menor de regras e/ou agrupamentos, o que poder gerar
modelos com capacidades de aproximao reduzidas, no caso do nmero de regras se mostrar
pequeno. Deste modo, em aplicaes prticas necessrio o teste de diversos valores para ra e
selecionar o mais adequado em funo dos resultados obtidos. Quanto ao parmetro rb, este
tem uma relao constante com ra, e por definio, rb afeta igualmente o nmero de centros
obtidos, sendo necessrio tambm experimentar valores diferentes em algumas ocasies.

52

REFERNCIAS BIBLIOGRAFICAS

ARAJO, A.G. Estimativa e classificao da compactao do solo pelo trfego de


mquinas agrcolas atravs da modelagem fuzzy. 2004. 224f. Tese (Doutorado em
Engenharia Eltrica) Escola Politcnica, Universidade de So Paulo, So Paulo, 2004.
ARNOULD, T.; TANO, S. Interval-Valued Fuzzy Backward Reasoning. IEEE Transactions
on Fuzzy Systems, v.3, n. 4, p. 425-437, nov. 1995.
BABUSKA, R. Neuro-fuzzy methods for modeling and identification. In: Abraham, A.; Jain,
L.C.; Kacprzyk, J.(Org.) Recent advances in intelligent paradigms and applications.
Heidelberg, Springer-Verlag, 2002. p.161186.
CHIU, S.L. Fuzzy model identification based on cluster estimation. Journal of Intelligent an
Fuzzy Systems, v.2, 267-278, 1994.
CHIU, S.L. Selecting input variables for fuzzy models. Journal of Intelligent and Fuzzy
Systems, v.4, n.4, 243-256, 1996.
CHIU, S.L An efficient method for extracting fuzzy classification rules from high dimensional
data. Advanced Computational Intelligence, v.1, n.1, 1-7, 1997.
COX, E. Fuzzy fundamentals. IEEE Spectrum, p. 58-61, 1992.
DELGADO, M.R.B S. Projeto automtico de sistemas nebulosos: uma abordagem coevolutiva. 2002. 186f. Tese (Doutorado em Engenharia Eltrica/Engenharia de Computao)
Faculdade de Engenharia Eltrica e de Computao, Universidade Estadual de Campinas,
Campinas, 2002.
DUBOIS. D.; PRADE, H. Fuzzy sets and systems: theory and applications. New York:
Academic Press, 1980. 393p.
FULLR, R. Neural Fuzzy Systems. Abo Akademi University, Finlandia. 1995. 249p
GREENWOOD, K.L.; MCKENZIE, B.M. Grazing effects on soil physical properties and the
consequences for pastures: a review. Australian Journal of Experimental Agriculture, v.41,
p.1231 1250, 2001.
GUILLAUME, S. Designing fuzzy inference systems from data: An interpretability review.
IEEE Transactions on Fuzzy Systems, v. 9, n. 3, p. 426-443, 2001.
HAYKIN, S. Redes neurais: princpios e prtica. 2.ed. Porto Alegre: Bookman, 2001. 900 p.
JANG, J.S. ANFIS: Adaptive-network based fuzzy inference systems. IEEE Transactions on
Systems, Man and Cybernetics, v.23, n.3:665-685, 1993.

53

JANG, J.S.; SUN, C.T.; MIZUTANI, E. Neuro-Fuzzy and Soft Computing. New Jersey,
Prentice Hall. 1997.
KLIR, G.J. ; YUAN, B. Fuzzy sets and fuzzy logic: theory and applications. New Jersey ,
Prentice Hall, 1995. 574p.
KOSKO, B. Fuzzy engeneering, New Jersey: Prentice-Hall, 1997. 549p.
LEE, C.C. Fuzzy in control systems: fuzzy logic controller-part I. IEEE Transactions on
Systems, Man, and Cybernetics. V.20, n.2, mar-abr. 1990.
ORTEGA, N.R.S. Aplicao da teoria de conjuntos fuzzy a problemas da biomedicina.
2001.152 f. Tese (Doutorado em Cincias) Instituto de Fsica. Universidade de So Paulo,
So Paulo, 2001.
PEDRYCZ, W; GOMIDE, F.A.C. An Introduction to Fuzzy Sets Analysis and Design,
MIT Press, 1998.
SHAW, I.S.; SIMES, M.G. Controle e modelagem fuzzy. So Paulo, Edgard Blucher,
1999. 165 p.
TSOUKALAS, L. H.; UHRIG, R. E. Fuzzy and neural approaches in engineering. New
York: John Willey, 1997. 587p.
TURKMEN, I. ; GUNEY, K. Tabu search tracker with adaptive neuro-fuzzy inference system
for multiple target tracking. Progress In Electromagnetics Research, PIER 65, 169185,
2006.
WANG, L. X. Adaptive fuzzy systems and control. Englewood Cliffs: Prentice Hall, 1994.
232p.
ZADEH, L. A. Fuzzy sets. Information and control, v.8, p.29-44,1965.
ZADEH, L. A. Outline of a new approach to the analysis of complex systems and decision
processes. IEEE Transactions on Systems, Man, and Cybernetics, v.3:29, n.1, 28-44, jan.
1973.
ZADEH, L. A. A fuzzy-algorithmic approach to the definition of complex or imprecise
concepts. Int. J. Man-Machine Studies, v.8, 249-291, 1976.
ZADEH, L. A. Fuzzy logic, neural networks and soft computing. Proc. of the 2nd Int. Conf.
on Fuzzy Logic and Neural Networks. Iizuka, Japan, p.13-14, 1992.