You are on page 1of 45

Processadores Fuzzy

Gilmar Cao Ribeiro Maxweel S. Carmo

Conceitos
Processadores Fuzzy Aplicaes

Lgica Clssica
Utilizao de valores definidos
Verdadeiro, Falso 0, 1 Sim, No 0V, 5V Etc.

Lgica Fuzzy
Rompimento com a rigidez da lgica clssica
Utilizao de valores intermedirios entre os dois extremos
{0,1} -> [0,1]

O porque da lgica fuzzy


Impreciso do mundo real -Dificuldade de modelamento utilizando a lgica tradicional

Histrico
Surgiu na dcada de 60
Desenvolveu-se notavelmente no Japo
Omron

Primeiro experimento de sucesso


Controle de uma mquina a vapor em 1974

Caractersticas
Intenso uso de palavras ao invs de nmeros
Termos lingusticos: frio, quente, morno, alto, longe, ligeiro, devagar, lento, etc.

Modificadores de predicado
Muito rpido, pouco elevado, mais ou menos, etc.

Uso de probabilidades lingusticas


Provvel, improvvel, etc.

Manipulao de infinitos valores entre 0 e 1

Vantagens
Poucas regras, valores e decises Observao de um maior nmero de variveis Variveis lingusticas
Aproximao da forma de pensar dos seres humanos Interfaces mais amigveis com as mquinas

Vantagens
Sua utilizao simplifica a soluo de problemas
Fcil implementao

Conjuntos Fuzzy
Lgica clssica
elemento pertence ou no
a um conjunto. Conjunto => alto Ex.: Joo alto / Joo no alto

Lgica fuzzy

elemento pertence, no pertence ou est parcialmente presente em um conjunto


Ex.: Joo um pouco alto

x
(Todos os membros de uma equipe)

.
X5

.
x6

.
x7

.
x8

.
x9

.
x10

A(Mulheres) B
(Menores de 20 anos)

.
x3 20 anos

.
x4 35 anos

x1 x2 18 anos 19 anos

Fuzificao
Valores crisp
Fuzificao

Valores fuzzy

Funo de pertinncia
Ex.: Temperatura, x = 37 (valor crisp) Conjuntos fuzzy = frio, morno, quente mT(x) Funo de pertinncia de x em T

mT(37) = 0.2/frio, 0.4/morno, 0.8/quente

Funo de Pertinncia
mt(23) a mt(27) = 1
Temperatura ambiente
mT
1

mt(21) ou mt(29)
Temperatura quase ambiente

0 23 27 50

T C

mt(0) ou mt(50)
Temperatura no ambiente

Funo de Pertinncia
mV 1 Lenta Mdia Rpida

0 60 80 120 Velocidade

T(velocidade) = {lenta, mdia, rpida} Varivel lingustica = velocidade Termos (conj.fuzzy) = lenta, mdia, rpida

Operaes com Conjuntos Fuzzy


A e B => Conjuntos fuzzy
mA(x) mB(x) = max{mA(x), mB(x)} mA(x) mB(x) = min{mA(x), mB(x)} mcA(x) = 1 mA(x) Varivel X = 1, 2, 3 Conjunto A = 0.3/1 + 0.5/2 + 0.8/3 Conjunto B = 0.1/1 + 0.7/2 + 0.6/3 A 0.3/1+0.7/2+0.8/3 A 0.1/1+0.5/2+0.6/3 cA 0.7/1+0.3/2+0.2/3

Operaes com Conjuntos Fuzzy


mA 1 0

mB
1 0

(Conjunto A)

(Conjunto B)

mA

1 0
A B

A B

1 0

(Unio / Interseo de A e B)

(Complemento de A)

Regras Fuzzy
Formam a base de conhecimento
IF x A THEN y B
(antecedente) (consequente)

ou A => B

IF presso alta THEN volume pequeno Inferncia


Procedimento para se chegar a concluses a partir de regras IF-THEN (Raciocnio fuzzy)

Inferncia - Exemplo
Controle fuzzy de frenagem
Entradas => Velocidade, Distncia Sada (controle) => Intensidade da frenagem

Regra 1: IF a distncia entre os dois carros curta e a velocidade do carro alta, THEN a frenagem forte
Regra 2: IF a distncia entre os dois carros moderadamente longa e a velocidade do carro alta, THEN a frenagem moderadamente forte
Distncia entre os carros: X1
Regra 1: IF X1 = S e X2 = H, THEN Y = L Regra 1: IF X1 = M e X2 = L, THEN Y = M

Intensidade da frenagem: Y Labels (peq., mdio, grande) : P, M, G

R1: IF a distncia entre os dois carros curta e a velocidade do carro alta, THEN a frenagem forte
R2: IF a distncia entre os dois carros moderadamente longa e a velocidade do carro alta, THEN a frenagem moderadamente forte

1. Grau de pertinncia das entradas


Mapeamento da distncia e velocidade no intervalo de 0 a 1 para cada conjunto fuzzy => uso das funes de pertinncia
Ex.: conjunto S (distncia curta) = 0.4, para uma distncia de 30m conjunto H (velocidade alta) = 0.2, para uma velocidade de 40Km/h

2. Grau de pertinncia da parte antecedente


Operaes com as variveis . Por exemplo: determinao do mnimo (MIN)
Ex.: distncia curta (0.4) E velocidade alta (0.2) = 0.2 (MIN)

3. Ajuste da parte consequente


Operadores de implicao (Mandani, Larsen) Concluses de cada regra

4. Determinao da quantidade de controle (intensidade da frenagem)


Combinao das concluses de todas as regras => determinao do mximo (MAX) R1 = 0.2 Concluso = 0.6 R2 = 0.6 Defuzificao (sada em forma de valores crisp)

Defuzificao
mT 1 mT 1 0.6 0 mT 1 0.2 0 mT 1

0
Mtodo do mximo critrio (MAX) Mtodo da mdia dos mximos (MOM) Mtodo do centro de massa (COA)

0 COA MAX

MOM

Projeto de um Sistema Fuzzy


Seleo das variveis de entrada e sada
Definio das regras e conjuntos fuzzy Mecanismo de inferncia (MIN-MAX) Escolha da estratgia de defuzificao

Processadores Fuzzy
Hardware de propsito geral
Processadores dedicados
Ganhos de desempenho

Processadores digitais
Processadores analgicos

Organizao
Trs estgios
Entrada
Mapeamento de entradas externas (sensores, chaves) em valores fuzzy
Mecanismo Fuzificao de Inferncia Fuzzy
Variveis do processo

Processo

Variveis de controle

Defuzificao

Processamento
Invoca as regras, executa inferncia, gera resultados

Sada
Converso dos resultados para valores compreendidos pelo sistema (controle)

Termos fuzzy

Mecanismo de Inferncia Fuzzy

Termos fuzzy

Base de conhecimento Processador Fuzzy

Processadores Fuzzy
Simplicidade da lgica fuzzy
Menor nmero de regras, valores e decises

Facilidade de implementao
Melhor desempenho Menor consumo de energia Custos reduzidos
O porque dos Processadores dedicados

FZ-1000 primeiro processador de propsito especfico com tecnologia fuzzy Popularizao da lgica fuzzy FP-3000
Processador digital Principal processador fuzzy da Omron
-24MHz -Compatvel com vrias CPUs -Um nico chip para as operaes fuzzy -128 regras por inferncia -Monitoramento de resultados parciais -Execuo das operaes em tempo fixo -Input/output =>famlia TTL/CMOS

Grande aceitao comercial

FP-3000

CPU

Funes de pertinncia e regras

Resultados

Velocidade de operao
Inferncia -1 condio: 23 ciclos -1 concluso: 13 ciclos Defuzificao -C.gravidade: 169 ciclos Altura mxima: 89 ciclos

FP-3000

Execuo das inferncias (IF-THEN) (regras com at 8 condies e 2 concluses)

A defuzificao consome muito mais recursos de processamento

Diagrama de blocos
Bloco de operao Lgica e aritmtica Bloco de controle Decodificao de instrues Bloco de memria Regras fuzzy, graus de pertinncia, resultados

Conjunto de Instrues
Instruo Funo
IF THEN Processamento antecedente Processamento consequente

MAXH COG RWIT NOP


SKIP END

Mtodo da altura mxima Mtodo do centro de gravidade Processamento de ponderao Proc. pesos da parte antecedente e salto prxima regra Saltar regras Fim do processamento

Mapa de memria

Processadores Fuzzy IC
Processador analgico
A natureza contnua da lgica fuzzy facilita a implementao de processadores analgicos

Vantagens
Trabalham diretamente com sinais contnuos Estrutura simples (utilizao de componentes analgicos) Paralelismo Altas taxas de inferncia

Chip de Inferncia
Regras com 3 condies e uma concluso Sada analgica, usando um barramento de 25 vias Diodos e resistores para ajuste das funes de pertinncia

Chip de Defuzificao
Soma lgica das concluses Defuzificao

Chip de Inferncia TG005MG

Chip de defuzificao TB0101PL


Consiste de dois blocos
Bloco de entrada
Soma dos resultados parciais de 2 ou mais chips de inferncia

Bloco de sada
Defuzificao do resultado, gerando uma sada analgica Inferncia: mtodo da altura mxima (MAX) Defuzificao: mtodo do centro de gravidade

FZ-5000
Kit para desenvolvimento de aplicaes fuzzy.

Duas ou mais placas contendo 4 chips de inferncia cada uma.


Uma placa contendo um chip de defuzificao. Programao.
Na prpria interface da placa atravs de jumpers. Por software, atravs de um PC.

Processadores GMD
Utilizam elementos analgicos Trs geraes 1 gerao
Vrias funes de pertinncia (tringulo, retngulos, sinos, etc.) em um mesmo circuito Bloco de inferncia e defuzificao em um mesmo circuito Alta velocidade Alto grau de paralelismo Desvantagem: pouca flexibilidade

Processadores GMD
2 gerao
Aumento de flexibilidade Mecanismos de inferncia reconfigurveis
Utilizao de diferentes bases de conhecimento
Configurao via pinos externos

3 gerao
Maior flexibilidade Inferncia e defuzificao analgico Carregamento da base de conhecimento

digital

Mecanismo de Inferncia Fuzzy


Processadores da 2 gerao
Pinos de controle Si

3 gerao
Utilizao de registradores

A regra Ri pode mudar de


Ri: IF x Ai e y Bi THEN z NL (C1) Para: Ri: IF x Ai e y Bi THEN z Z (Ck)

Processador Fuzzy GMD de 3 gerao

Utilizao de uma interface digital


Configurao da base de conhecimento

Conexo com o PC
I/O padro

Sistemas Inteligentes
Inteligncia

Alta adaptabilidade

Definida em termos do grau de flexibilidade obtido em nvel de hardware

Baixa adaptabilidade
Ex.: sistema de sensoriamento inteligente
Obteno de medidas externas => extrao de informaes =>envio de informaes substanciais ao sistema de controle central

Sistemas Inteligentes
Mdia adaptabilidade
Ex.: sistema nico para controle robs com diferentes caractersticas
=> peso, motor, tamanho,etc.

Alta adaptabilidade
Ex.: Controle de uma plataforma mvel com braos, mdulos de viso, etc.
Cada sub-sistema possui seu prprio processador e regras Todos os sub-sistemas controlados por uma CPU CPU define funes de pertinncia, entrada/sada e regras para cada processador

Banco de Dados Fuzzy


Oracle e Omron Consultas SQL
Select nome, idade, salario from pessoas where (idade >= 20 and idade <= 30) and (salario >= R$ 50.000) Select nome, idade, salario from pessoas where (idade = jovem) and (salario = alto)

Interpretador SQL e um processador fuzzy Disponibilidade: Verso Oracle, Unix IBM

Processamento de Imagens
Justificativa
Necessidade de uma base de conhecimento eficiente (reconhecimento de objetos, anlise de cenas, etc.) Ambigidade dos dados da imagem
(cor de um pixel, localizao exata dos limites de uma imagem, etc.)

Exemplo
Varivel cor descrita em funo dos sub-conjuntos:
cor = {yellow, orange, red, violet, blue} Limites entre as cores so representadas de maneira no rgida