Zadanie 0 – gdy nie mamy logiki rozmytej…
Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest “gorąco” czy raczej „zimno”. A więc znając wartośd liczbową temperatury chcemy oceniad wartośd funkcji przynależności do klasy „gorąco”. Operując na własności logiki klasycznej, która przypomnijmy pozwoli nam jedynie korzystad z dwóch wartości logicznych: prawdy (1) i fałszu (0), wartośd funkcji przynależności do klasy „GORĄCO” określilibyśmy następująco:
Czyli jeśli temperatura w danym dniu wyniesie 49 stopni stwierdzimy, że „nieprawda, że jest gorąco”. Jeśli zaś będzie 50 stopni, powiemy, że jest „gorąco”. Niezbyt nam się podoba taka klasyfikacja zgodnie z którą jak jest 49 stopni to jeszcze gorąco nie jest, a jak już jest o 1 stopieo więcej zaledwie, a więc 50 stopni to już jest gorąco. Niestety takie ograniczenia stawia nam właśnie logika klasyczna. Aby było możliwe określanie bardziej „rozmyte” takich granic klasyfikacji, możemy użyd logiki rozmytej.
W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru „gorąco”.
Rozwiązanie:
Zadanie 1- gdy już mamy logikę rozmytą…
Załóżmy, że mniej lub bardziej gorąco jest mniej więcej w przedziale od 20 do 100 stopni. A więc chcemy mówid, że zdecydowanie
„jest gorąco” gdy temperatura jest większa niż 100stopni, zdecydowanie nie jest gorąco gdy temperatura jest mniejsza niż 20 stopni, zaś jeśli temperatura jest między 20 a 100 stopniami wartośd powinna byd odpowiednio proporcjonalna i w zakresie od 0 do 1.
Zaproponujmy więc następującą definicję tzw. Funkcji przynależności do klasy „gorąco”:
Funkcje przynależności
Temperatura(°F) Stopieo „gorąca” Stopieo „zimna”
20 0 1
30 0.13 0.87
40 0.25 0.75
50 0.375 0.625
60 0.5 0.5
70 0.625 0.375
80 0.75 0.25
90 0.875 0.125
100 1 0
Zatem dla temperatury np. 30 stopni:
Stopieo przynależności do klasy “gorąco” wynosi wówczas: 0.13
Stopieo przynależności do klasy „zimno” wynosi 0.87.
Możemy też powiedzied, że po prostu gdy temperatura wynosi 30 stopni, w 13% jest gorąco a w 87% jest zimno.
Dlaczego 0,13 ?
Bo podstawiając wartośd “30” do wzoru:
Która jak widad pasuje tylko do środkowego warunku: bo wartośd „30” jest między 20 a 100 stopni, zatem podstawiamy ją do wzoru:
=10/80 = 1/8 = 0.125=0.13
Proszę wyznaczyd wartośd funkcji przynależności do klasy “gorąco” dla temperatury: 20,35,40,50,60,70,80,90,100
Zadanie 2
Dwa zbiory rozmyte reprezentują obraz samochodu i ciężarówki, i są zdefiniowane następująco:
Znajdź:
1. Car ∪ Truck 3. not(Car)
5. Car ∪ not(Car) 2. Car Truck
4. Car not(Truck) 6. Car not(Car)
Zadanie 3
Następująca funkcja rozmyta ma byd użyta do obliczania funkcji przynależności da zbioru osób zdrowych. „1” – zdrowy, „0” – nie zdrowy. Wartośd między 0 a 1 ma określad stopieo przynależności do klasy zdrowych. BMI z przedziału między 20 a 25 to przesłanka do tego by uznad kogoś za zdrowego. BMI większe niż 27 albo mniejsze niż 18 na pewno nie świadczy o stanie zdrowym. Wartości BMI bliskie zakresowi wartości dla osób zdrowych – a więc z od 20 do 25, to wartości z przedziału 0 a 1. Np. BMI = 19.6 to 0.8
1. Narysuj graficznie reprezentację funkcji rozmytej health(x) – reprezentującą zarówno klasę „zdrowy” i „niezdrowy”.
2. Jaki jest stopieo przynależności rozmytego zbioru dla osób zdrowych w przypadku Marka, którego BMI wynosi 26.2 ? A jaki jest stopieo jego przynależności do zbioru „niezdrowych” ?
3. Oblicz swój własny BMI i określ jaki jest stopieo przynależności twojego BMI do klasy zdrowych ?
Zadanie 4
Wiedząc, że dane są następujące reprezentacje Przykład:
wysoki mężczyzna=(0/180, 1/190)
niski mężczyzna=(1/160, 0/170)
średniego wzrostu mężczyzna=(0/165, 1/175, 0/185)
Wyznacz:
a) Dopełnienie zbioru:
wysoki mężczyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190)
NOT wysoki mężczyzna =……….
b) Iloczyn zbiorów:
wysoki mężczyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190)
średni mężczyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190)
wysoki mężczyzna ∩ średni mężczyzna = ……….
c) Zawieranie się zbiorów
wysoki mężczyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190)
bardzo wysoki mężczyzna = ………
d) Sumę zbiorów
wysoki mężczyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190)
średni mężczyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190)
wysoki mężczyzna średni mężczyzna =………..
Zadanie 5
Nie dana będzie następująca interpretacja wzrostu danej osoby:
Wyznacz graficznie funkcje przynależności do zbiorów:
Small ∩Tall
(Small ∪Medium)− Tall
Zadanie 6
Niech: A = 0.5/1 + 0.9/2 + 1/5, i B = 0.7/2 + 0.9/3 + 0.1/4.
Oblicz A∪ B i A∩ B .
Zadanie 7
Załóżmy, że chcemy rozważad liczbę naturalną bliską wartości 9. Jeśli rozważymy następujący zbiór rozmyty A A=0.2/6+0.5/7+0.8/8+1/9+0.7/10+0.4/11 Odpowiedz na następujące pytania:
• jaka będzie wysokośd zbioru rozmytego height(A)=?
• wskaż nośnik zbioru A: support(A)={………}
• wskaż rdzeo zbioru A: core(A)={……….}
• wyznacz licznośd zbioru: card(A)=………
Zadanie 8
Załóżmy, że systemowa baza wiedzy zawiera następujące reguły:
RULE1: IF temperature is hot or warm, THEN the swimming pool is crowded.
RULE2: IF temperature is cold, THEN the swimming pool is quiet.
Funkcje przynależności dla poszczególnych zbiorów niech będą następujące:
1. Co jest tutaj zmienną lingwistyczną a co wartością lingwistyczną ? 2. Narysuj funkcje przynależności dla temperatury i zaludnienia basenu.
3. Zakładając, że temperatura wynosi 21 stopni i że stosujemy regułę typu Mamdani, określ właściwą liczbę osób na basenie. W procesie wyostrzania zastosuj metodę środka ciężkości (centroidu).
Zadanie 9
Załóżmy, że mamy system będący prostym kontrolerem stosującym błąd sygnału e i zmianę błędu sygnału de jako dane wejściowe i zadane są 4 reguły w oparciu o które działa model rozmyty:
RULE 1: IF e = P AND de = P THEN x = N RULE 2: IF e = P AND de = N THEN x = 0 RULE 3: IF e = N AND de = P THEN x = 0 RULE 4: IF e = N AND de = N THEN x = P
Załóżmy, że dane są dwa zbiory rozmyte jako wartości rozmytych zmiennych wejściowych e i de: P (positive) i N (negative). Rozmyta zmienna wyjściowa ma 3 wartości: P (positive), 0 (zero), N (negative) tak jak to
pokazano na rysunku powyżej. Zakładając, że wejściowe zmienne mają następujące wartości funkcji przynależności w zbiorach wejściowych: μN(e) = 0.4; μP(e) = 0.6 i μN(de) = 0.2; i μP(de) = 0.8
a) stosując wnioskowanie typu Mamdani wykaż, że całkowita wartośd rozmyta wyjściowego zbioru jest taka jak pokazano na poniższym rysunku (czerwona linia). Narysuj odpowiednie wykresy.
b) Wyostrz wartośd wyjścia stosując metodę centroidu.
c) Stosując metodę “zero‐order Sugeno” oblicz wartośd wyjścia. Narysuj graficznie.
d) Porównaj rezultaty dla obu metod wnioskowania.
Zadania dodatkowe :
Sprawozdanie z rozwiązaniem poniższych dwóch zadao będzie szansą na podwyższenie oceny z przedmiotu.
Zadanie 10
Załóżmy, że mamy dane cztery reguły:
I że funkcje przynależności do poszczególnych klas dane są następująco:
Wyznacz (korzystad z operatora implikacji Mamdani) ryzyko towarzystwa ubezpieczeniowego dla klienta (zaznaczając na wykresie obszar będący rezultatem wnioskowania) :
a) Wiek = 35 I moc samochodu = 145 KM b) Wiek = 55 I moc samochodu = 145 KM c) Wiek = 35 I moc samochodu = 190 KM
Zadanie 11
Zaprojektuj system rozmyty typu Mamdani, który będzie oceniał prawdopodobieostwo spowodowania wypadku podczas jazdy samochodem.
Zmienne wejściowe:
• prędkośd jazdy (10 − 200km/h ): {mała, średnio, szybko, bardzo szybko}
• widocznośd (0.05 − 4km): {bardzo słaba, średnia, dobra}
Wyjście systemu:
• Prawdopodobieostwo spowodowania wypadku (0 − 1): {bardzo małe, małe, średnie, duże}
Sporządź odpowiednie wykresy zmiennych dla podanych zmiennych lingwistycznych, podaj wzory proponowanych funkcji przynależności oraz przeprowadź wnioskowanie metodą Mandami. Wyostrz rezultat wnioskowania używając metody pierwszego maksimum.
