1
SYSTEMY
SYSTEMY
ROZMYTE
ROZMYTE
2
ZBIORY ROZMYTE ZBIORY ROZMYTE
I I
WNIOSKOWANIE WNIOSKOWANIE
PRZYBLIŻONE
PRZYBLIŻONE
3
Metoda reprezentacji wiedzy
wyrażonej w języku naturalnym:
• „Temperatura wynosi 29oC” – informacja liczbowa - naturalna dla systemów komputerowych.
• „Jest dość ciepło” – informacja opisowa - naturalna dla człowieka.
1965 – Lotfi A. Zadeh: „Fuzzy sets”
Klasyczna teoria zbiorów: dowolny element należy lub nie należy do danego zbioru.
Teoria zbiorów rozmytych: element może częściowo należeć do pewnego zbioru.
4
sposób rozmyty
A=„młody”
x [lata]
1
0 30
µ
Np.: „młody człowiek”:
Zamiast dwóch wartości logicznych (prawda i fałsz) nieskończenie wiele wartości [0,1].
Umożliwiają formalne określenie pojęć nieprecyzyjnych i wieloznacznych:
- „wysoki hałas”, - „małe zarobki”,
- „niskie zużycie paliwa”.
klasycznie
A=„młody”
x [lata]
1
0 30
0.8
5
Zbiór rozmyty w pewnej przestrzeni (niepustej)
X
-zbiór par :
Obszar rozważań
X
(the universe of discourse) - zbiór nierozmyty (np. płaca w Niemczech i w Polsce).Funkcja przynależności – przypisuje każdemu ele- mentowi
x
∈X
stopień jego przynależności do zbioru rozmytegoA
{ ( ,
A( )); }
A = x µ x x ∈ X ∧
xµ
A(x)
– funkcja przynależności zbioru rozmytego A.6
•
µ
A(x) = 1
– pełna przynależność elementux
do zbiorurozmytego
A
;•
µ
A(x) = 0
– brak przynależnościx
do zbioru rozmy- tegoA
;• 0 ≤
µ
A(x)
≤1
– częściowa przynależnośćx
do zbiorurozmytego
A
.Symboliczny zapis zbioru rozmytego o skończonej liczbie elementów:
1 2
1 2 1
( ) ( ) ( ) ( )
...
nA A A n A i
n i i
x x x x
A x x x x
µ µ µ µ
=
= + + + = ∑
suma mnogościowa przyporządkowanie
7
Np. „Ciepła woda na basenie”:
• Obszar rozważań:
X = [20, 21, ..., 29]
• Zbiór rozmyty
A
(subiektywnie!):0.1 0.3 0.4 0.6 0.8 1 0.9 0.8 0.75 0.7 20 21 22 23 24 25 26 27 28 29
A = + + + + + + + + +
Jeśli
X
- przestrzeń o nieskończonej liczbie elementów, to zapis symboliczny:A
( )
x
A x
x
= ∫ µ
8
Np. „Zbiór liczb bliskich liczbie 7”:
a) 2
( ) 1
1 ( 7)
A
x
µ = x
+ −
2 -1
1 ( - 7)
x
A x
x
⎡ + ⎤
⎣ ⎦
=
∫
⇒
0 1
-1 7 15 x
µ (x )
9
Np. „Zbiór liczb bliskich liczbie 7”:
|x-7|
1 jeżeli 4 10
( )= 3
0 w przeciwnym razie
A
x x µ
⎧ − ≤ ≤
⎪⎨
⎪⎩
0 1
0 7 x 14
µ (x )
10
STANDARDOWE STANDARDOWE
FUNKCJE FUNKCJE
PRZYNALEŻNOŚCI
PRZYNALEŻNOŚCI
11
F. PRZYNALEŻNOŚCI KLASY s
2
2
0 dla
2 - dla
( ; , , ) -
1 2 - dla
-
1 dla
x a
x a b x a
s x a b c c a
x c b x c
c a
x c
⎧ ≤
⎪ ⎛ ⎞
⎪ ⎜ ⎟ ≤ ≤
⎪⎪ ⎝ ⎠
= ⎨⎪ −⎪⎪ ⎛⎜⎝ ⎞⎟⎠ ≤ ≤
⎪⎩ ≥
0 0.5 1
0 x 10
µ (x )
a b c
12
F. PRZYNALEŻNOŚCI KLASY π
(zdef. poprzez klasę s)
( ; - , - / 2, ) dla ( ; , )
1- ( ; , / 2, ) dla
s x c b c b c x a x b c
s x c c b c b x c
π
= ⎨⎧ ≤+ + ≥
⎩
0 0.5 1
0 x 16
µ(x )
c-b c-b/2 c c+b/2 c+b
13
F. PRZYNALEŻNOŚCI KLASY γ
(alternatywa dla s )
0 dla ( ; , ) dla a1 dla
x a
x a b x a x b
b a
x b γ
⎧ ≤
⎪ −⎪
= ⎨ −⎪ ≤ ≤
⎪⎩ ≥
0 1
0 x 10
µ (x )
a b
0 0.5 1
0 x 10
µ (x )
a b c
14
F. PRZYNALEŻNOŚCI KLASY t
(alternatywa dla π )
0 1
0 x10
µ (x )
a b c
0 dla dla ( ; , , )
dla 1 dla
x a
x a a x b
t x a b c b a
c x b x c
c b
x c
⎧ ≤
⎪ −⎪ ≤ ≤
= ⎨⎪ −⎪ − ≤ ≤
⎪ −⎪ ≥
⎩
0 0.5 1
0 x16
µ (x )
c-b c-b/2 c c+b/2 c+b
15
F. PRZYNALEŻNOŚCI KLASY L
1 dla ( ; , )= - dla
-
0 dla
x a
L x a b b x a x b b a
x b
⎧ ≤
⎪⎪ ≤ ≤
⎨⎪
⎪⎩ ≥
0 1
0 x 10
µ (x )
a b
16
F. PRZYNALEŻNOŚCI KLASY singleton
1 jeżeli ( ) ( - )=
0 jeżeli
A
x x
x x x
x x
µ = δ ⎧⎨⎩ ≠=
0 0.5 1
0 x 10
µ (x )
x '
Singleton
Singleton charakteryzuje charakteryzuje jednoelementowyjednoelementowy zbizbióór rozmyty.r rozmyty.
Funkcja ta jest wykorzystywana g
Funkcja ta jest wykorzystywana głłóównie do operacji wnie do operacji rozmywania w systemach wnioskuj
rozmywania w systemach wnioskująących.cych.
17
1
0.5
40 60 80 x
• Mała prędkość samochodu
(A) –
typL
• Średnia prędkość samochodu
(B) –
typt
•
Duża prędkość samochodu(C) –
typγ
Np.: prędkość samochodu: X: [0, xmax]
µA(x) µB(x) µC(x)
xmax
x=50 ⇒ µA(x) = µB(x)=0.5, µC(x)=0
18
µ(x)
x
1
0
Baza
Nośnik (baza) zbioru rozmytego
A
:zbiór elementów ZR, dla których
µ (x) >0
{ }
supp ; A = x ∈ X µ
A( ) 0 x >
19
µ(x)
x
1
0
Baza Jądro
Jądro zbioru rozmytego
A
:zbiór elementów ZR, dla których
µ (x) = 1
( ) { :
A( ) 1 }
core A = x X ∈ µ x =
20
µ(x)
x
1
0
Baza Jądro α - przekrój α
α -przekrój zbioru rozmytego
A
:zbiór nierozmyty taki, że:
{ :
A( ) } ( [0,1]
A
α= x ∈ X µ x ≥ α ∀ ∈ α
21
Np.:
X={1, ..., 10}
A
0= X = {1, ..., 10}, A
0.1= {2, 4, 5, 8, 10}, A
0.3= {4, 5, 8, 10},
A
0.6= {5, 8}, A
0.7= {5}.
0.1 0.3 0.7 0.6 0.3
2 4 5 8 10
A = + + + +
22
Wysokość zbioru rozmytego
A:
( ) sup ( )
Ax A
h A µ x
=
∈Zbiór normalny:
Normalizacja zbioru:
( ) 1 h A =
( ) ( )
( )
N
A
A x X
x x
h A µ µ
= ∈∧
Np.: - przed normalizacją:
- po normalizacji:
0.2 0.5 0.4
3 5 7
A = + +
0.4 1.0 0.8
3 5 7
AN = + +
23
Inkluzja (zawieranie sie ZR
A
w ZRB
):µ A(x)
µ B(x)
x
µ (x)
x
µ (x)
x
µ (x)
ZR wypukły: ZR wklęsły:
24 x
µ (x)
1
0
OPERACJE NA ZBIORACH ROZMYTYCH
µ B(x)
µ A(x)
Suma µA∨B(x)=min{1, µA(x)+µB(x)} :
µ A(x) ∨ µ B(x)
lub µA∨B(x)=max{µA(x),µB(x)} :
x
µ (x) 1
0
µ B(x)
µ A(x)
µ A(x) ∨ µ B(x)
25 x
µ (x)
1
0
µ B(x)
µ A(x)
Iloczyn µA∧B(x)=min{µA(x),µB(x)} :
µ A(x) ∧ µ B(x)
lub µA∧B(x)=µA(x)•µB(x) :
x
µ (x)
1
0
µ B(x)
µ A(x)
µ A(x) ∧ µ B(x)
26 x
µ (x) 1
0
µ A(x) µ Â(x)
Dopełnienie zbioru rozmytego:
Równość dwu ZR
A
iB
:A( )x B( ) x x
µ
=µ
∀ ∈ X27 x
µ (x) 1
0 x
1
LICZBY ROZMYTE:
Wymagania:
Zbiory rozmyte, zdefiniowane na osi liczb rzeczywistych.
• zbiór normalny: h(A)=1;
• zbiór wypukły;
• funkcja przynależności przedziałami ciągła.
np.:
28 x
µ (x) 1
0
x
LICZBY ROZMYTE:
• dodatnie
• ujemne;
• ani dodatnie ani ujemne
29
Dodawanie liczb rozmytych:
{ }
A A B
( ) max
µ
+B x =µ
( ),yµ
( ) z x = +y zx
µ 1
0
x
µA+B(x) µA(y) µB(z)
30 x
µ
0
x
1 µA(y) µB(z)
Mnożenie liczb rozmytych:
{ }
A A B
( ) min
µ
•B x =µ
( ),yµ
( ) z x = ⋅y zµA•B(x)
31
PRZYBLIŻONE PRZYBLIŻONE
WNIOSKOWANIE
WNIOSKOWANIE
32
REGUŁY WNIOSKOWANIA W LOGICE ROZMYTEJ Reguły, których przesłanki lub wnioski wyrażone są w języku zbiorów rozmytych.
• Reguły pochodzące od ekspertów zwykle wyrażone są w języku nieprecyzyjnym.
• Zbiory rozmyte pozwalają przełożyć ten język na konkretne wartości liczbowe.
Praca systemu decyzyjnego opartego na logice rozmy- tej zależy od definicji reguł rozmytych w bazie reguł.
33
Reguły mają postać IF...AND...THEN. np.:
IF a is A1 AND b is B1 THEN c is C1
IF a is A2 AND b is NOT B2 THEN c is C2 gdzie:
a, b, c – zmienne lingwistyczne, A1, ..., C2 – zbiory rozmyte.
Zmienne lingwistyczne:
zmienne, które przyjmują jako wartości słowa lub zdania wypowiedziane w języku naturalnym.
(również wartości liczbowe).
34
STEROWNIKI STEROWNIKI
ROZMYTE
ROZMYTE
35
• Nie wymagają tworzenia modelu rozważanego procesu (co często jest trudne);
• Należy jedynie sformułować zasady postępowania w postaci rozmytych reguł (IF..THEN).
Np.: Schemat układu klimatyzacji:
czujnik wilgotności STEROWNIK
ROZMYTY
pomieszczenie
czujnik temperatury KLIMATYZATOR
36
– zmierzone wartości wejściowe;
– sygnał sterujący (intensywność chłodzenia).
czujnik wilgotności
STEROWNIK ROZMYTY
pomieszczenie
czujnik temperatury
KLIMATYZATOR
x1 x2
y
1
,
2x x
y
37
Zastosowania praktyczne:
• sprzęt AGD (pralki, lodówki, odkurzacze);
• kamery (autofokus);
• nadzór wentylacji w tunelach;
• sterowanie światłami na wjeździe na autostradę;
• klimatyzacja;
• automatyka przemysłowa;
• sterowanie robotów;
• ...
38
STEROWNIK ROZMYTY:
Baza reguł (model lingwistyczny):
zbiór rozmytych reguł w postaci:
1
1
1 2 2
1 2 2
( ) ( )
( )
k k k
n n
k
m k
k k
m
x A x A x A
y B y B
R
y B
: is is is
is is is
…
…
IF AND AND
THEN AND AND
BLOK
ROZMYWANIA
BLOK
WNIOSKOWANIA
BLOK
WYOSTRZANIA BAZA
REGUŁ
x A'⊆X B' y
39
x1Np. Sterowanie ogrzewaniem:
drogo średnio
tanio
chłodno zimno
mróz
Temperatura Cena
ogrzewania
40
x1Np. Sterowanie ogrzewaniem:
wcale słabo
średnio drogo
słabo średnio
mocno średnio
średnio mocno
mocno tanio
chłodno zimno
mróz
Temperatura Cena
ogrzewania
(1) ( _ )
( )
Temperatura mróz Cena ogrz tanio Grzać mocno
R : is is
is
IF AND
THEN
(2) ( _ )
( )
Temperatura chłodno Cena ogrz drogo Grzać wcal
R
e
: is is
is
IF AND
THEN
41
x
1ROZMYWANIE (fuzzyfikacja)
• Przejście od pomiarów (konkretna wartość ) do
funkcji przynależności przez określenie stopni przyna- leżności zmiennych lingwistycznych do każdego ze
zbiorów rozmytych.
T 1
0
µchłodno(T)=0.5
Np.: • Temperatura: T =15°C
• Cena_ogrz: p =48zł/MBTU
(3) ( )
( )
_ Temperatura chłodno Cena
R ogrz tanio
Grzać średnio
: is is
is
IF AND
THEN
1
0 p
µtanio(p)=0.3
48zł/MBtu 0.3
15°C 0.5
42
T 1
0
µchłodno(T)=0.5 1
0 p
µtanio(p)=0.3
48zł/MBtu 0.3
15°C 0.5
Stopień spełnienia reguły dla wszystkich przesłanek:
( ) min{ ( ),
ch( )}
całe
x µ
łodnoT µ
taniop
µ =
min{0.5,0 .3} = 0 3 .
=
„poziom zapłonu reguły”
43
µśrednio(h)
h
1
0
WNIOSKOWANIE
Obliczanie stopnia prawdziwości wniosku:
• Wnioskowanie MIN:
µwniosku(h) µcałe=0.3
min{
ca, }
wniosku
µ
łeµ
średnioµ =
44
µśrednio(h)
h
1
0
• Wnioskowanie •:
µcałe=0.3
śre ca
wniosku
µ
łeµ
dnioµ = i
µwniosku(h)
45 h
1
0
wniosku
µ
AGREGACJA
Jeżeli więcej niż jedna reguła ma niezerowy poziom zapłonu, wyniki (zbiory rozmyte) sumuje się.
is
is
is
Grzać słabo Grzać średnio Grzać mocno THEN
THEN THEN
mocno średnio
słabo
46
WYOSTRZANIE (defuzzyfikacja)
Jeżeli na wyjściu wymagana jest wartość liczbowa, stosuje się jedną z metod wyostrzania:
Metoda pierwszego maksimum:
47
WYOSTRZANIE (defuzzyfikacja)
Jeżeli na wyjściu wymagana jest wartość liczbowa, stosuje się jedną z metod wyostrzania:
Metoda środka maksimum:
48
Metoda środka ciężkości (COG):
WYOSTRZANIE (defuzzyfikacja)
Jeżeli na wyjściu wymagana jest wartość liczbowa, stosuje się jedną z metod wyostrzania:
49
Tu:
h 1
0
wniosku
µ
mocno średnio
słabo
57°
COG
COG dla zbiorów ciągłych: i i i
i
i i i
Ac
h A
µ
=
∑ µ
∑
A
i – powierzchnia zbiorui
µ
i – stopień przynależności do zbiorui
c
i – środek ciężkości zbiorui
.50
STEROWNIK ROZMYTY TAKAGI-SUGENO
• Baza reguł sterownika ma charakter rozmyty tylko w części IF.
• W części THEN występują zależności funkcyjne.
Reguły Mamdaniego: wynikiem jest zbiór rozmyty
B
:Reguły Takagi-Sugeno: wynikiem jest funkcja
f (x
i)
:Zwykle są to funkcje liniowe :
IF
x
1=A
1 ANDx
2=A
2 …x
n=A
n THENy
=B
IF
x
1=A
1 ANDx
2=A
2 …x
n=A
n THENy
=f (x
1, x
2,..x
n)
f (x
i)
=y = a
0+a
1x
1+a
nx
n51
R(1): IF prędkość is niska THEN hamowanie = prędkość
R(2): IF prędkość is średnia THEN hamowanie = 4·prędkość R(3): IF prędkość is wysoka THEN hamowanie = 8·prędkość
Prędkość
niska średnia wysoka
µ
2 0.3
0.8
0.1
Np.:
R(1): w1 = 0.3; r1 = 2 R(2): w2 = 0.8; r2 = 4·2 R(3): w3 = 0.1; r3 = 8·2
Hamowanie = i i
7.12
i
w r w
⋅ =
∑ ∑
52
Indywidualne funkcje Siatka
PROJEKTOWANIE BAZ REGUŁ
Informacja niezbędna do zaprojektowania sterownika:
• numeryczna (ilościowa) – z czujników pomiarowych;
• lingwistyczna (jakościowa) – od eksperta.
Stworzenie bazy wiedzy dla układu rozmytego – zadanie nietrywialne...
53
Siatki:
• proste i skuteczne;
• łączenie danych numerycznych i nienumerycznych poprzez uzupełnianie istniejącej bazy reguł o nowe reguły (na podstawie danych uczących);
• N
k obszarów dlak
wymiarów iN
funkcji;- często słaba aproksymacja.
Funkcje indywidualne:
• dokładniejsze, lepsza aproksymacja, mniej funkcji;
• trudniejsze w implementacji.
54
x2 1
0 µ(x2)
x1 1
0 µ(x1)
1. Określ. zakresu zmienności danych WE i WY
[x
i-, x
i+]
x1- x1+ x2- x2+
y 1
0 µ(y)
y- y+
Zadanie:
Ustalenie reguł rozmytych tak, by sterownik generował właściwe sygnały wyjściowe.
55
2. Podział zakresów na podobszary, np.:
n = 2N+1 M
N, ..., M
1, S, D
1, ..., D
Ni przyjęcie funkcji przynależności (np. trójkątnej) dla każdego z podobszarów.
x2 1
0 µ(x2)
x1 1
0 µ(x1)
x1- x1+ x2- x2+
yd 1
0 µ(y)
y- y+
M3 M2 M1 S D1 D2 D3 M2 M1 S D1 D2
M2 M1 S D1 D2
56
3. Określenie stopnia przynależności każdego z sygna- łów WE i WY do każdego z podobszarów.
x2 1
0 µ(x2)
x1 1
0 µ(x1)
x1- x1+ x2- x2+
y 1
0 µ(y)
y- y+
M3 M2 M1 S D1 D2 D3 M2 M1 S D1 D2
M2 M1 S D1 D2
x1(2) x1(1) x2(1) x2(2)
y(1) y(2)
57
x2 1
0 µ(x2)
x1 1
0 µ(x1)
x1- x1+ x2- x2+
y 1
0 µ(y)
y- y+
M3 M2 M1 S D1 D2 D3 M2 M1 S D1 D2
M2 M1 S D1 D2
x1(2) x1(1) x2(1) x2(2)
y(1) y(2)
tu: - StPrzyn x1 do D1 = 0.8, do D2 = 0.2, do innych = 0;
- x1 ma największy StPrzyn do D1, x2 do M1
- Dla każdej pary danych uczących można napisać jedną regułę.
58
4. Przyporządkowanie stopni prawdziwości (SP) do każdej reguły.
x2 1
0 µ(x2)
x1 1
0 µ(x1)
x1- x1+ x2- x2+
y 1
0 µ(y)
y- y+
M3 M2 M1 S D1 D2 D3 M2 M1 S D1 D2
M2 M1 S D1 D2
x1(2) x1(1) x2(1) x2(2)
y(1) y(2)
59
x2 1
0 µ(x2)
x1 1
0 µ(x1)
x1- x1+ x2- x2+
y 1
0 µ(y)
y- y+
M3 M2 M1 S D1 D2 D3 M2 M1 S D1 D2
M2 M1 S D1 D2
x1(2) x1(1) x2(1) x2(2)
y(1) y(2)
Np. dla reguły: IF (x1 is A1 AND x2 is A2) THEN y is B
( )
(1) D1( )
1 M1( )
2 S( ) 0.8 0.6 0.9 0.432 SP R = µ x ⋅ µ x ⋅ µ y = ⋅ ⋅ =
( )
(2) S( )
1 S( )
2 D1( ) 0.7 1 0.7 0.49
SP R = µ x ⋅ µ x ⋅ µ y = ⋅ ⋅ =
60
Jeśli pewne reguły okazują się sprzeczne – wybiera się regułę o największym stopniu prawdziwości.
5. Utworzenie bazy reguł rozmytych na podstawie tablicy:
DD22 DD11
SS MM11
MM22 MM33
MM22 MM11
SS DD11 DD22 DD33
x
2x
1(1)
1 1 2 1
: ( is x D x is M ) is S
R IF AND THEN y
S