Sistema de Inferência Fuzzy: Visão Geral, Aplicações, Características, Estrutura e Vantagens

Um sistema de inferência fuzzy é a unidade chave de um sistema de lógica fuzzy. A estrutura típica de um sistema de inferência fuzzy consiste em vários blocos funcionais. Ele usa novos métodos para resolver problemas cotidianos.

Um sistema de inferência fuzzy pode ser um paradigma computacional suportado pela teoria dos conjuntos fuzzy, regras fuzzy if-then e raciocínio fuzzy. Um mapeamento não linear que deriva sua saída do raciocínio difuso e de um grupo de regras difusas se-então. O domínio e o intervalo de mapeamento podem ser conjuntos ou pontos fuzzy espaçados multidimensionais.

Um sistema de inferência fuzzy é um sistema que usa uma teoria de conjuntos fuzzy para mapear entradas para saídas.

Aplicações do FIS

Um sistema de inferência fuzzy é usado em diferentes campos, por exemplo, ordem de informações, exame de escolha, sistema mestre, previsões de arranjo de tempo, mecânica avançada e reconhecimento de exemplo. É também chamado de sistema baseado em regras fuzzy, modelo fuzzy, controlador de lógica fuzzy, sistema especialista fuzzy e memória associativa fuzzy.

É a unidade vital de um sistema de lógica fuzzy que lida com a tomada de decisões e a escolha de tarefas essenciais. Ele utiliza o “IF… . Nesse ponto” leva ao lado dos conectores “AND” “OR” para desenhar padrões de escolha fundamentais.

Características do sistema de Inferência Fuzzy

• O rendimento do FIS é consistentemente um conjunto fuzzy, independentemente de sua entrada, que pode ser fuzzy ou crisp.
• É necessário ter uma saída fuzzy quando este for utilizado como controlador.
• Uma unidade de defuzzificação acompanharia o FIS para converter a variável fuzzy em uma variável crisp.

Estrutura do Sistema de Inferência Fuzzy

A estrutura essencial de um sistema de inferência fuzzy compreende três entidades:

• Uma base de regras contendo regras difusas
• Um banco de dados (ou dicionário), contendo as funções de participação utilizadas nas regras fuzzy.
• Um mecanismo de raciocínio que executa a indução feita com base nas diretrizes e nos fatos fornecidos para inferir uma saída ou conclusão razoável.

Fonte

O que é Defuzzificação?

A defuzzificação é a extração de um valor que representa um conjunto fuzzy.

Métodos de defuzzificação:

1. Centroide de área
2. Bissetriz de área
3. Média de máx.
4. O menor do máximo
5. Maior de máx.

É obrigatório ter uma saída nítida em alguns casos em que usamos um sistema de interferência como controlador.

Leia também: Ideias de projetos de aprendizado de máquina

Entradas e Saídas do Sistema de Inferência Fuzzy

• O sistema de inferência fuzzy fundamental pode receber entradas fuzzy ou entradas nítidas, mas o rendimento que ele produz é muitas vezes de conjuntos fuzzy.
• Às vezes é importante ter uma saída nítida, particularmente em uma situação em que um sistema de inferência fuzzy é utilizado como controlador.
• Portanto, precisamos de uma técnica de defuzzificação para extrair um valor crisp para representar um conjunto fuzzy.

Diagrama de blocos para um sistema de inferência fuzzy com saída nítida

Sistemas de Inferência Fuzzy Populares (Modelos Fuzzy)

1. Modelos Fuzzy Mamdani
2. Modelos Fuzzy Sugeno

A principal diferença entre esses sistemas de inferência fuzzy está nos conseqüentes de suas regras fuzzy e em seus procedimentos distintivos de conglomeração e defuzzificação.

1. Modelo Fuzzy de Ebrahim Mamdani

Este é o sistema de inferência fuzzy mais utilizado.

O professor Mamdani fabricou um dos principais sistemas difusos para controlar um motor a vapor e uma mistura de chaleira. Ele aplicou regras difusas apresentadas por operadores humanos experientes.

Etapas para calcular a saída

Os seguintes avanços devem ser seguidos para calcular a saída deste FIS

Passo 1: Decidindo um monte de princípios difusos

Passo 2: Fuzzificando as entradas com os elementos da info-participação

Etapa 3: Amalgamando as entradas fuzzificadas de acordo com as diretrizes fuzzy para descobrir uma força padrão

Etapa 4: Encontrar o efeito colateral do padrão resumindo a força do padrão com o trabalho de participação no rendimento

Etapa 5: Combinando os resultados para obter o transporte de rendimento

Passo 6: Realizando a defuzzificação da dispersão de saída

Duas Regras Mamdani com Operadores Min e Max

O Mamdani FIS usando min e max para T-norms e S-norms, sujeito a duas entradas nítidas xey.

Portão de Pesquisa

Duas Regras Mamdani FIS com Max e Operadores de Produto

O Mamdani FIS usando product e max para T-norms e S-norms, sujeito a duas entradas nítidas xey.

Portão de Pesquisa

Composição Mamdani de três saídas fuzzy SISO

2. Modelo Sugeno Fuzzy

Este modelo foi proposto por Takagi, Sugeno e Kang.

Para desenvolver uma abordagem científica para gerar regras difusas a partir de um determinado conjunto de dados de entrada-saída.

O formato desta regra é dado como:

SE x é A e y é B; Z= f(x,y)

Aqui, AB são conjuntos fuzzy em antecedentes, e z = f(x, y) é uma função crisp dentro do consequente.

O modelo fuzzy Sugeno de ordem zero mais comumente usado aplica regras fuzzy na seguinte forma:

SE x é A E y é B; z é k

onde k é uma constante

Neste caso, a saída de cada regra fuzzy é constante, e cada função de pertinência conseqüente é representada por picos singleton.

Assim,

• Modelo fuzzy Sugeno de primeira ordem: f(x, y) – polinômio de primeira ordem
• Modelo fuzzy Sugeno de ordem zero: f - constante

Procedimento de raciocínio fuzzy para um modelo sugeno fuzzy de primeira ordem

O sistema de inferência fuzzy sob o método Sugeno Fuzzy funciona da seguinte maneira:

Passo 1: Fuzzificando as entradas - as entradas do sistema são tornadas difusas.

Passo 2: Aplicando o operador fuzzy - os operadores fuzzy devem ser aplicados para obter a saída.

Formato da regra

O formato de regra do formulário Sugeno

Se 7 = x e 9 = y; a saída é z = ax+by+c

O sistema de inferência fuzzy Sugeno é muito semelhante ao método Mamdani.

Mude apenas uma regra conseqüente: em vez de um conjunto fuzzy, use uma função matemática da variável de entrada.

Como decidir se aplicar - Mamdani ou Sugeno Fuzzy Inference System?

• A técnica Mamdani é amplamente reconhecida por capturar conhecimento e informações especializadas. Isso nos permite descrever a habilidade de uma maneira mais instintiva, mais humana.

No entanto, a inferência fuzzy do tipo Mamdani envolve uma carga computacional considerável.

• Por outro lado, o método de Sugeno é computacionalmente viável. Funciona de forma eficaz com procedimentos avançados e versáteis, tornando-o excepcionalmente atraente em questões versáteis, especialmente para estruturas não lineares dinâmicas.

Vantagens dos Sistemas de Inferência Fuzzy

Conclusão

Um sistema de inferência fuzzy facilita a mecanização de qualquer tarefa. É por isso que o sistema de inferência fuzzy encontrou aplicações bem-sucedidas em vários campos, como robótica, reconhecimento de padrões, previsão de séries, etc.

Aprenda Sistemas de Inferências Fuzzy com o upGrad

O upGrad oferece um extenso curso de Mestrado em Ciência da Computação, onde você pode aprimorar suas habilidades e impulsionar sua carreira no desenvolvimento de software.

Um candidato pode escolher uma das seis especializações exclusivas relevantes para o setor. Implica que o candidato em potencial:

• Tenha o posicionamento garantido
• Seja orientado por especialistas do setor
• Acesse oportunidades de emprego globalmente
• Trabalhe em projetos e tarefas ao vivo
• Aprenda o assunto de ponta a ponta

Aprenda ML Course das melhores universidades do mundo. Ganhe Masters, Executive PGP ou Advanced Certificate Programs para acelerar sua carreira.