[fia] Lógica Difusa (teoria)

FACULDADE DE TECNOLOGIA DE GUARATINGUETÁ

Fuzzy Logic Lógica Fuzzy

Adiel Lemos Bruno Michael S. Santos Eliphas L. G. de Siqueira Pedro Campos

Fundamentos de Inteligência Artificial Professora Camila Martinelli Rocha

Guaratinguetá 2009

2

Conteúdo 1.

Definição................................................................................3 1.1.

Lógica binária...................................................................3

1.2.

Lógica difusa....................................................................3

2.

Aplicação................................................................................3

3.

Exemplos................................................................................4 3.1.

Exemplo 1: Diagnóstico Diferencial de Enfermagem em

Alterações na Eliminação Urinária.....................................................4 3.2.

Exemplo 2: Mineração de Dados......................................5

3.3.

Exemplo 3: Modelo Coppe-Cosenza de Hierarquia Fuzzy. 5

3

1. Definição 1.1.Lógica binária A Lógica Digital, mais tarde conhecida como Lógica Ocidental, ou ainda Lógica Binária, criada por Aristóteles, era baseada em premissas e conclusões. Assim, uma afirmação poderia ser somente Verdadeira ou Falsa, sem poder ser parcialmente verdadeira ou parcialmente falsa.

1.2.Lógica difusa Por volta de 1965, Lofti A. Zadeh começa a contradizer essa lógica, afirmando que as coisas podem e devem coexistir com seu oposto, o que faz da Lógica Difusa uma maneira natural de raciocínio.

2. Aplicação Colocando ambas as Lógicas frente-a-frente, pode-se notar que a lógica ocidental não pode responder a grande parte das experiências humanas, pois grande parte delas não pode ser classificada como sim ou não, ou ainda como verdadeira ou falsa. A

maioria

dessas

experiências

necessitam

de

respostas

não-

quantificáveis, como quando queremos saber se um homem é alto ou baixo, ou se uma taxa de risco é grande ou pequena. Para isso, a Lógica Fuzzy, como também é conhecida, utiliza graus de associação entre as possíveis respostas. Veja o exemplo: ao invés dizermos que a casa é grande, dizemos que ela é 0.8 grande, 0.2 média e 0.0 pequena. Dizendo de outra maneira, temos que a casa tem a probabilidade de 80% de ser grande, 20% de ser média e 0% de ser pequena. Dessa forma podemos incluir em computadores umaa capacidade mais ampla de raciocínio lógico, que passa de binária para estatística. Ou seja, ela continua numérica, mas passa a ser mais abrangente. 4

3. Exemplos Apresentamos agora alguns exemplos da aplicação da lógica difusa em sistemas de inteligência artificial.

3.1.Exemplo 1: Diagnóstico Diferencial de Enfermagem em Alterações na Eliminação Urinária Os diagnósticos de enfermagem relativos a alterações na eliminação urinária requerem diferentes intervenções, e as enfermeiras que não são especialistas necessitam de suporte para o diagnóstico e manejo de pacientes com distúrbios na eliminação de urina. O objetivo deste trabalho foi apresentar um modelo baseado em lógica fuzzy para o diagnóstico

diferencial

de

alterações

na

eliminação

urinária,

considerando os diagnósticos de enfermagem aprovados pela North American Nursing Diagnosis Association - International (NANDA-I), 2001 - 2002. A composição máximo-mínimo fuzzy foi usada para desenvolver esse modelo. Ele foi testado em 195 casos de uma base de dados de um estudo prévio. O modelo foi capaz de determinar o diagnóstico

em

total

concordância

com

um

painel

de

três

especialistas em 79,5% dos casos. O modelo diagnosticou 19% dos casos com concordância parcial com o painel de especialistas. Somente em 3 casos (1.5%) o modelo apresentou diagnósticos diferentes. Conclui-se que o modelo aqui proposto, a despeito de sua simplicidade, apresenta bom desempenho. No entanto, recomendamse mais testes antes de ser amplamente usado como suporte para a decisão clínica. Fonte: LOPES, Maria Helena Baena de Moraes. Modelo Baseado em Lógica Fuzzy para o Diagnóstico Diferencial de Enfermagem em Alterações na Eliminação Urinária. Disponível em < 5

http://www.sbis.org.br/cbis/arquivos/1040.pdf> Acesso em 20 de março de 2009.

6

3.2.Exemplo 2: Mineração de Dados As

empresas

atualmente dispõem

de um grande volume de

informações sobre transações comerciais que podem ser extraídas através do uso de mineradores de dados, com a finalidade de descobrir e associar características e comportamentos relacionados a seus clientes, de maneira a possibilitar melhorias no relacionamento com os mesmos e permitir a sua fidelização. A utilização da Lógica Fuzzy nos algoritmos de data mining evita o comprometimento da confiabilidade dos resultados, caso se trate de termos imprecisos, visto que o retorno de informações da mineração realizada abrangerá dados que seriam desprezados ao empregar a lógica clássica. Este artigo apresenta a comparação dos resultados obtidos entre um minerador de dados utilizando a lógica difusa ou nebulosa e um data mining de algoritmo Apriori. Fonte: AZEVEDO, Denise; DEMASI, Pedro. Consulta a Banco de Dados Utilizando Conceitos Nebulosos. Disponível em Acesso em: 20 de março de 2009.

3.3.Exemplo 3: Modelo Coppe-Cosenza de Hierarquia Fuzzy As aplicações da Lógica Fuzzy se expandiram em várias direções. A interpretação através da lógica fuzzy de uma estrutura de dados é um caminho muito natural e intuitivamente plausível para a formulação e resolução de problemas. O Modelo Coppe-Cosenza de Hierarquia Fuzzy tem a Lógica Fuzzy em suas bases. Os sistemas fuzzy são capazes de utilizar, em sua modelagem, informações imprecisas e ambíguas e tornam este modelo capaz de trabalhar com uma vasta

7

maioria de problemas de hierarquização que têm por característica a sua complexibilidade e a não exigência de precisão. Fonte: TOLEDO, Olga Moraes. Um caso de aplicação da Lógica Fuzzy – o Modelo Coppe-Cosenza de Hierarquia Fuzzy. Out. 2003. Disponível em Acesso em: 20 de março de 2009.

8