Documente Academic
Documente Profesional
Documente Cultură
GUARATINGUETÁ
Fuzzy Logic
Lógica Fuzzy
Adiel Lemos
Bruno Michael S. Santos
Eliphas L. G. de Siqueira
Pedro Campos
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
1.2.Lógica difusa
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.
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
<http://www.nce.ufrj.br/labic/downloads/ricim_out_2000.pdf> Acesso
em: 20 de março de 2009.
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
<http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0608_0657.pdf
> Acesso em: 20 de março de 2009.