Sisteme Expert ID PDF

Sisteme Expert
Sisteme Expert
Cuprins
1.
Prezentarea Sistemelor Expert

1.2 Aplicaiile i domeniile sistemelor expert
1.3 Dezvoltarea unui sistem expert
1.4 Componentele detaliate ale sistemelor expert
1.5 Lucrare de verificare Nr.1
1.6 Bibliografie
3
4
4
5
6
6
2.
Sisteme expert fuzzy

2.1 Conceptul de mulime fuzzy
2.2 Reprezentri ale funciei de apartenen
2.3 Caracterizarea analitic a mulimilor fuzzy
2.4 Variabile i termeni lingvistici
2.5 Propoziii fuzzy
2.6 Operatorii logicii fuzzy
2.8 Bibliografie
7
8
11
15
16
18
19
23
23
3.
Proiectarea sistemelor de control fuzzy

3.1 Structura regulilor fuzzy
3.2 Sisteme tip Mamdani
3.3 Mecanismul de inferen
3.4 Compararea i evaluarea metodelor de defuzificare
3.5 Sisteme de tip Takagi-Sugeno-Kang
3.6 Lucrare de verificare Nr. 3
24
25
25
26
32
35
36
4.
Analiza stabilitii sistemelor de reglare automat cu sisteme

fuzzy de tip Sugeno-Takagi, pentru sisteme neliniare
4.1 Introducere
4.2 Descrierea sistemelor de reglare automat cu sisteme
fuzzy de tip Sugeno-Takagi
4.3 Stabilitatea de tip Lyapunov a sistemelor de reglare
automat cu sisteme fuzzy de tip Sugeno-Takagi
4.4 Exemplul 1 de reglare automat cu sistem fuzzy de tip
Sugeno-Takagi
4.5 Simularea exemplului
4.6 Exemplul 2 de reglare automat cu sistem fuzzy
de tip Sugeno-Takagi
4.8 Algoritmul pentru proiectarea unui sistem fuzzy
stabil, de tip Takagi-Sugeno
4.9 Analiza stabilitii sistemelor de reglare automat
cu sistem fuzzy de tip Mamdani, pentru sisteme neliniare
4.10 Analiza stabilitii sistemelor de reglare automat cu
sistem fuzzy de tip AND-SUM-COG
4.11 Exemplu de reglare automat cu sistem fuzzy de tip Mamdani
4.14 Bibliografie
37
37
38
39
43
45
47
50
52
53
60
62
65
66
66
Sisteme Expert
Introducere
Un sistem expert (SE) este un program care urmre
te un grup de cunotine
pentru obinerea n acelai mod ca i experii umani a rezultatelor despre
activiti dificil de examinat. Principala caracteristic a sistemelor expert este
derivat dintr-o baz de cunotine , mpreun cu un algoritm de cutare specific
metodei de raionare. Un sistem expert trateaz cu succes probleme pentru care o
soluie algoritmic clar nu exist.
Sistemele expert sunt produse ale inteligenei artificiale, ramur tiinei
a
calculatoarelor ce urmrete dezvoltarea de programe inteligente. Ceea ce este
remarcabil pentru sistemele expert este aria de aplicabilitate ce a cuprins multe
domenii de activitate.
Obiectivele cursului
La sfritul acestui curs studentul dobndete:
- Cunotine i abiliti pentru proiectarea i implementarea unor soluii moderne
de conducere automat, bazate pe logica fuzzy si pe sisteme expert.
- Cunotine i abiliti de utilizare a sistemelor de dezvoltare existente dedicate
implementrii sistemelor bazate pe logica fuzzy si a sistemelor bazate pe reguli.
- Abiliti pentru proiectarea unor module software dedicate sistemelor
menionate anterior.
Durata medie de studiu individual - 2 ore
Sisteme Expert
5. Prezentarea Sistemelor Expert

Sistemele expert sunt programe concepute pentru a iona
ra n scopul rezolvrii
problemelor pentru care n mod obinuit se cere o expertiz uman considerabil
Edward Feigenbaum Stanford Univerity
Obiective:
Dup studiul acestui capitol, studentul va avea cunotine suficiente pentru a
fi capabil s neleag tipurile de sisteme expert i structura acestora.
1.1 Structura unui sistem expert

Un sistem expert (SE) este un program care pe baza unui set de cunotine,
raioneaz pentru obinerea rezultatelor ntr-un anumit domeniu. Dac un expert
uman are cunotine ntr-un domeniu specific, un sistem expert utilizeaz
cunotinele ce sunt stocate ntr-o baz de cunotine, baz format din
cunotinele asociate domeniului respectiv. Experii umani raioneaz i ajung la
concluzii pe baza cunotinelor ce le posed, sistemele expert raioneaz utiliznd
cunotinele stocate n baza de cunotine.
Un sistem expert este un program care urmrete un grup de cunotine,
mpreun cu un algoritm de cutare specific metodei de raionare, pentru obinerea
n acelai mod ca i experii umani a rezultatelor despre activiti dificil de
examinat.
Aria de aplicabilitate pentru sisteme expert a cuprins multe domenii de
activitate de la arhitectur,bnci, comer, educaie, ingineria sistemelor, etc.
Un sistem expert este bazat pe dou componente distincte complementare:
tehnici de programare, ce permit utilizarea a foarte multe cunotine;
construcii i metodologii dezvoltate, ce permit utilizarea acestor tehnici

de programare legate cu probleme complexe.
Succesul dezvoltrii sistemelor expert este legat de modul n care sunt
combinate aceste dou obiective. Expertul care nelege necesitatea utilizrii, n
domeniul su de cunoatere, a unui sistem expert, poate obine un ajutor de la
inginerul de cunotine deoarece, n urma discuiilor cu acesta, anumite cunotine
vor fi reformulate.
Sistemele expert marcheaz un mare progres n tiina calculatoarelor i
inteligenei artificiale. ntre instrumentele de lucru ale sistemelor expert se iau n
considerare metodele prin care o baz de cunotine poate fi afiat, captat i
reprezentat.
Principala virtute a calculatoarelor este abilitatea de realizare a unei mari
viteze de calcul. Calculatoarele ncep s se extind la aplicaiile inginereti i
bancare. Calculul matematic, sistemele automate, sunt realizate prin intermediul
unor programe de calcul, ce transpun n main, gndirea omului ce le-a
programat. Problemele ce se solicit rezolvate prin sisteme expert fac apel la
gndire, la abilitatea de raionare cu alte concepte dect numere. Realizarea
3
Sisteme Expert
programelor ce raioneaz pornete de la faptul c simbolurile de prelucrare pot fi
numere, texte sau alte concepte. n urma cercetrilor, utiliznd calculatoare din ce
n ce mai performante, a putut fi rezolvat problema raionrii.
1.2 Aplicaiile i domeniile sistemelor expert
Sistemele bazate pe cunotine se pot aplica, practic, n orice domeniu al
cunoaterii. Principalele domenii de aplicabilitate i cteva exemple de sisteme
expert se prezint n continuare:
Sisteme expert de diagnoz: efectueaz operaii de diagnosticare n domenii
precum cel medical, industrial, financiar. Cel mai cunoscut este MYCIN, sistem
expert de diagnoz pentru depistarea infeciilor bacteriene ale sngelui i pentru
prescrierea tratamentului adecvat.
Sisteme expert de configurare: asambleaz componente ale unui anumit
sistem. Firma DEC folosete sistemul expert XCON pentru configurarea
calculatoarelor firmei.
Sisteme expert de nvare: sisteme de nvare inteligent, n care cei ce se
instruiesc pot pune ntrebri asemntoare celor puse unui instructor uman. Ca
exemplu, SEAMER ( instruire pentru operaiile dintr-o uzin electric),
CADHELP ( instruire pentru proiectarea asistat de calculator).
Sisteme expert de interpretare: sisteme care explic i interpreteaz datele
observate. Astfel de sisteme sunt folosite n special n domeniul chimiei:
CRYSALYS (interpreteaz structura proteinelor), DENDRAL ( interpreteaz
structura molecular).
Sisteme expert de planificare: planific aciunile pentru a produce anumite
rezultate ateptate. Exemplu: SPEX (planific experimentri de biologie
molecular).
Sisteme expert de control: sisteme de reglare i control a unui proces. n
general sunt sisteme complexe ce cuprind interpretare, diagnoz, monitorizare,
planificare, prognoz i remediere. De cele mai multe ori se impune cerina de
sisteme n timp real pentru a putea rspunde n timp util sistemului controlat.
Sisteme expert de monitorizare: compar datele observate cu cele ateptate
pentru a analiza performanele unor sistem. Exemplu: YES/MVS, sistem de
monitorizare i control pentru sistemul de operare IBM MVS.
Sisteme expert de prognoz: prognozeaz rezultatele ntr-o anumit situaie.
Exemplu: PROSPECTOR ( specializat n prospeciuni miniere).
1.3 Dezvoltarea unui sistem expert
Dezvoltarea unui sistem expert necesit mai multe etape precum i o echip
format din mai multe categorii de specialiti care trebuie s coopereze.
Prima etap a dezvoltrii unui sistem expert const n definirea domeniului
sistemului expert. n strns legtura cu aceasta, urmeaz gsirea unui expert din
domeniul respectiv, care va fi folosit la construirea bazei de cunotine a
sistemului expert. Cunotinele din domeniul expertizat sunt captate i codificate
de ctre inginerul de cunotine. Acesta este un specialist n tiina calculatoarelor
i are sarcina de a intervieva expertul domeniului pentru a extrage cunotinele
expert. Operaia de achiziie a cunotinelor se poate realiza att de la experi ct i
4
Sisteme Expert
din cri, manuale de specialitate etc.
O alt operaie important se refer la construirea mainii de inferen.
Maina de inferen implementeaz algoritmii de raionament, cu ajutorul crora
un sistem expert i poate realiza scopurile i n acelai timp trebuie s in seama
de structura intern a bazei de cunotine, deci de modul cum vor fi organizate
informaiile, dup operaia de achiziie de cunotine.
Implementarea mainii de inferen este realizat de ctre inginerii software.
Etapa este complex pentru c se realizeaz un mediu integrat de dezvoltare a
unui sistem expert, mediu care conine i unelte software adaptate la cerinele
specifice sistemului expert.
1.4 Componentele detaliate ale sistemelor expert
a.
Componente principale
a.1. Baza de cunotine este reprezentat ca o structur de date ce conine
ansamblul cunotinelor specializate introduse de ctre expertul uman.
Cunotinele stocate aici sunt n principal descrierile obiectelor i ale relaiilor
dintre acestea. Forma de stocare trebuie s asigure cutarea pieselor de
cunoatere specificate direct prin simboluri identificatoare sau indirect, prin
proprietile asociate. Baza de cunotine face parte din sistemul cognitiv,
cunoaterea fiind memorat ntr-un spaiu special organizat.
a.2. Mecanismul (sau motorul) de inferen preia cunotinele din baza de
cunotine ce sunt utilizate pentru construirea raionamentului, elaboreaz
planul de rezolvare al problemei i execut aciunile prevzute n planul de
rezolvare. Mecanismul de inferen este constituit dintr-un ansamblu de
proceduri, modul n care utilizeaz cunotinele nu este prevzut prin
program, ci depinde de cunotinele pe care le are la dispoziie. Mecanismul
de inferen urmrete o serie de obiective majore, cum ar fi: alegerea
strategiei de control n funcie de problema curent, elaborarea planului de
rezolvare a problemei dup necesiti, comutarea de la o strategie de control
la alta, executarea aciunilor prevzute n planul de rezolvare.
a.3. Baza de fapte este reprezentat de o memorie auxiliar ce conine toate
datele utilizatorului (faptele iniiale ce descriu enunul problemei de rezolvat)
i rezultatele intermediare produse n cursul procedurii de deducie.
Pe lng aceste module un sistem expert mai conine o serie de module ce
asigur comunicarea cu operatorul i expertul uman.
b.
Componente secundare
b.1. Interfaa utilizator este cea care asigur dialogul dintre utilizator i
sistem.
b.2. Modulul de achiziie al cunotinelor preia cunotinele specializate
furnizate de expertul uman sau inginerul de cunotine ntr-o form ce nu este
specific reprezentrii interne (fiiere).
Sisteme Expert
b.3. Modulul de explicaii permite trasarea drumului de urmat n raionare de
ctre sistemul rezolutiv i emiterea justificrilor pentru soluiile obinute,
evideniindu-se n acest mod cauza greelilor sau motivul eecurilor.
n Fig. 1 se prezint structura general a unui sistem expert.
Fig. 1. Structura general a unui sistem expert

n funcie de aplicaia pentru care este construit, structura sistemului expert poate
fi diferit fa de structura standard.
Tem de reflecie
Concepei modulele unui sistem expert ntr-unul din limbajele de programare
nvate. Descriei-le n spaiul liber din chenar.
Test de autoevaluare No. 1

Alegei trei domenii de aplicabilitate a S. E. i descriei cum s-ar putea realiza un
S.E,. n fiecare dintre acestea.
1. Descriei modulele unui S. E.
2. Dai cinci exemple de S. E.
1.6 Bibliografie
1 Russell, S.J., Norvig, P., Artificial Intelligence A Modern Approach, Prentice
Hall, New Jersey, 1996.
2. Brian Schwab, AI Game Engine Programming, Charles River Media, 2004.
3. Giarratano, J., Riley, G., Expert Systems, Principels and Programming, PWS
Kent Publishing Company, Boston
Sisteme Expert
6. Sisteme expert fuzzy

Obiective:
Obiectivul acestui capitol este de a prezenta conceptele care stau la baza
teoriei sistemelor fuzzy. Tot n acest capitol este tratat conceptul de
mulime fuzzy, dndu-se definiia mulimii fuzzy dup H.J Zimmermann. se
dau cteva exemple de mulimi fuzzy mpreun cu expresia lor matematic.
n continuarea sunt definii descriptorii importani pentru caracterizarea
analitic a mulimilor fuzzy. n continuarea acestui capitolul se dau
reprezentrile
celor
mai
folosite
funcii
de
apartenen,
precum
reprezentrile grafice ale acestora.

Noiunile de variabil lingvistic i termeni lingvistici precum i
exemplificri concrete ale acestora sunt prezentate de asemenea n acest
capitol. n finalul capitolului e prezint definiia propoziiilor fuzzy i
exemple ale acestora.
1.
Raionamentul fuzzy reprezint conceptul central care st la baza sistemelor
de conducere cu sistem pe baz de reguli fuzzy. Chiar dac nelesul lexical al
cuvntului fuzzy nseamn vag, imprecis sau confuz, acesta trebuie privit ca un
adjectiv tehnic. Sistemele fuzzy sunt sisteme bine definite iar controlul fuzzy este
un tip special de control neliniar bine definit.
Prima justificare pentru utilizarea sistemelor fuzzy este aceea c procesele
reale sunt prea complexe iar obinerea unui model formal exact al acestora este
dificil i uneori imposibil. Introducerea sistemelor fuzzy este folosit pentru
obinerea unui model formal care s descrie ct mai fidel evoluia sistemului real.
A doua justificare pentru utilizarea sistemelor fuzzy este nevoia unei teorii
care s sistematizeze cunotinele umane i s le pun ntr-un sistem ingineresc
mpreun cu alte informaii cum ar fi modelele matematice i msurtorile din
proces. Problema care se ridic este cum poate fi transformat aceasta informaie
din limbaj natural ntr-o formulare matematic.
Cele dou justificri menionate sunt suficiente pentru a include teoria
sistemelor fuzzy printre celelalte domenii inginereti. De fapt, toate teoriile
inginereti caracterizeaz procesele reale ntr-o manier aproximativ. De
exemplu, cele mai multe sisteme reale sunt neliniare, cu toate acestea s-a pus un
accent foarte mare n studierea sistemelor liniare. Studiile analitice existente n
literatura de specialitate se realizeaz pe
procese liniare simple sau liniarizate, atingnd chiar i n aceste cazuri un grad de
complexitate ridicat i din aceast cauz sunt greu de aplicat i de structurat
metodologic.
Teoria sistemelor fuzzy a fost introdus de Lotfi Zadeh n lucrarea [Zadeh65].
Fundamentele sistemelor fuzzy. Domeniile de modelare matematic i de
raionament logic au un caracter determinist i precis. Datorit faptului c
evenimentele reale au un caracter vag (fuzzy) metodele clasice de modelare nu
7
Sisteme Expert
sunt pe deplin fidele sistemului real modelat. n 1965 Zadeh n lucrarea sa Fuzzy
Sets [Zadeh,1965] propune i dezvolt conceptul de mulime fuzzy (mulime
vag). Teoria mulimilor fuzzy are ca punct de plecare modelarea evenimentelor
reale. Aceast teorie este dezvoltat n continuare de ctre C.V. Negoita, D.
Ralescu n Aplications of Fuzzy Sets to Systems Analysis din 1975 i mai trziu
de ctre H.J Zimmermann n lucrarea Fuzzy Sets Theory and Its Applications
din 1991.
2.1 Conceptul de mulime fuzzy
Deoarece n aceast lucrare un rol important l joac mulimile fuzzy vom
defini n continuare noiunea de mulime fuzzy i vom da cteva exemple pentru a
fi mai bine neleas.
Definiia 2.1 [Zimmermann91]. Dac X este o mulime clasic de obiecte
(denumit i mulime de baz) ale crei elemente sunt notate generic cu x, atunci o
~
~
mulime fuzzy A n X este o mulime de perechi ordonate: A = {(x, A~ ( x )) x X },
unde A~ : X M se numete funcia de apartenen prin care se calculeaz
gradul de apartenen (n unele cazuri gradul de compatibilitate sau gradul de
~
adevr) al lui x la A . Aceast funcie i atribuie fiecrui element x din X o valoare
dintr-un spaiu al valorilor de apartenen notat cu M.
Observaie: Dac M conine numai valorile 0 i 1 atunci A~ va fi funcia
1 daca x A
.
caracteristic A : X {0,1} cu A (x ) =
0 daca x A
n aceast lucrare vom considera intervalul [0,1] spaiul valorilor de apartenen
M.
Dac avem dou mulimi clasice de obiecte X i Y atunci
~
~
A = {(x, A~ ( x )) x X } i B = {( y, B~ ( y )) y Y } vor fi dou mulimi fuzzy,
prima n X iar cea de-a doua n Y. Vom nota cu spaiul universal i cu F
mulimea tuturor funciilor de apartenen, adic F = { : [0,1]}.
Cu ajutorul mulimilor fuzzy vor fi modelate variabilele de stare ale unui proces.
Pentru nelegerea mai bun a conceptului de mulime fuzzy, vom da cteva
exemple.
Exemplul 2.1
Figura 2.1 ilustreaz funcia caracteristic a mulimii vitezelor
care sunt mai mari dect 170 km/h. Aceast mulime nu poate reprezenta un
model adecvat pentru toate vitezele mari. Saltul realizat la valoarea 170 ne arat
c 169.9 km/h nu este o vitez mare pe cnd 170.1 km/h este. Prin urmare,
mulimea fuzzy reprezentat grafic n figura 2.2 ne d o reprezentare adecvat
pentru conceptul de vitez mare.
Sisteme Expert
0.8
( v )
0.6
0.4
0.2
0
100
200
v
Figura 2.1 Funcia caracteristic a mulimii vitezelor care sunt mai mari de
170 km/h.
1
( v) 0.5
50
100
150
200
250
Figura 2.2 Reprezentarea mulimii fuzzy ( v ) a vitezelor mari.
Fie mulimea fuzzy A ={presiune apropiat de 10 bar}.
1
~
Expresia ei matematic este: A = ( x, ~ ( x)) | ~ ( x) =
.
A
A
1+ ( x 10) 2
Exemplul 2.2
( x) 0.5
10
15
20
Figura 2.3 Graficul funciei A~ .

Un alt aspect al modelrii fuzzy este subiectivitatea. Pentru explicarea acesteia se
consider exemplul urmtor [Preitl97] :
Exemplul 2.3
Vom modela fuzzy, relativ la trei subieci A, B,C, temperatura
TS dintr-o saun definit pe domeniul [30, 80]oC. n acest caz temperatura TS
reprezint mrimea fizic creia i se asociaz variabila lingvistic temperatur
care poate fi caracterizat fuzzy pe baza senzaiei de confort n saun prin
urmtorii termeni lingvistici:
- foarte rece (FR),
- cald (C),
- rece (R),
- foarte cald (FC),
9
Sisteme Expert
- potrivit (P),
- deosebit de cald (DC).
Deoarece fiecare subiect percepe senzaiile de FR, , DC n felul su, o
valoare dat T0 a temperaturii este perceput diferit, i deci aceiai termeni
lingvistici folosii de subieci vor acoperi domenii diferite de temperaturi. n
figura urmtoare sunt exemplificate grafic funciile de apartenen asociate
termenilor lingvistici FR, , DC, pentru fiecare subiect n parte:

Figura. 2.4 Funciile de apartenen asociate termenilor lingvistici FR, ,
DC, pentru fiecare subiect n parte.
10
Sisteme Expert
2.2 Reprezentri ale funciei de apartenen
n funcie de tipul de alur al funciilor de apartenen, le vom exemplifica n
continuare pe cele mai folosite:
(a) Funcia de apartenen : X [0,1], de tip clopotul lui Gauss are expresia
matematic:
fie
( x) :=
x0 := 3 a := 2
x x0
1+
a
( x)
0.5
10
10
Figura 2.5 Funcia de apartenen de tip clopotul lui Gauss.

unde : a- dispersia termenului lingvistic modelat de (x) ,
x0 - valoarea centrat pentru care se respect proprietatea ( x ) = 1 .
0
(b)
Funcia de apartenen : X [0,1], de tip cosinus cu flancuri
simetrice are expresia matematic:
fie
( x) :=
a := 80
1
2
0
x1 := 0
x x1 if x1 2a x x1 + 2a
2a
1 + cos
if x < x1 2a
1
( x)
0.5
200
100
100
200
Figura 2.6 Funcia de apartenen de tip cosinus cu flancuri simetrice.
11
Sisteme Expert
(c) Funcia de apartenen : X [0,1], cu flancuri de tip cosinus nesimetrice
i zon superioar (toleran) lrgit are expresia matematic:
fie x1 := 90 x2 := 100 a1 := 90 a2 := 190
1
x x1 if x1 2a1 x x1
( x) :=
1 + cos
2
2a1
1
2
x x2 if x2 x x2 + 2a2
2a2
1 + cos
if x2 + 2a2 < x
if x1 < x < x2
if x < x1 2a1
1
( x)
0.5
Figura 2.7 Funcia de apartenen cu flancuri de tip cosinus nesimetrice i

zon superioar (toleran) lrgit.
(d) Funcia de apartenen de form polinomial cu flancuri formate din
segmente de dreapt. Aceasta form este caracteristic formei fuzzy a mrimilor
de ieire. Graficul unei asemenea funcii este prezentat mai jos :
( x)
0
x
Figura 2.8 Funcia de apartenen de form polinomial cu flancuri formate
din segmente de dreapt.
(e) Funcia de apartenen : X [0,1], de form trapezoidal sau funcia cu
patru parametri, are expresia matematic:
12
Sisteme Expert
:= 2
:= 10
:= 6
(x, , , , ) :=
:= 15
0 if x <
x
if x <
1 if x
x
if < x
0 if x >
( x, , , , )
0.5
10
x
Figura 2.9 Funcia de apartenen de form trapezoidal sau funcia cu

patru parametri.
(f) Funcia de apartenen de tip , : X [0,1], cu doi parametri, are expresia :
( x, , ) :=
0 if x <
(x )
( )
cu
:= 3 := 7
if x
1 if x >
( x, , )
0.5
10
Figura 2.10 Funcia de apartenen de tip cu doi parametri.

(g) Funcia de apartenen de tip Zadeh, S : X [0,1], cu doi parametri, are
expresia:
13
Sisteme Expert
S ( x , , ) :=
( x )
2
( )
1
1
:= 10
cu
if x <
2
:=
if x
(x )
( )
:= 12
( + )
2
if < x
if x >
S (x , , )
0.5
10
10
15
20
Figura 2.11 Funcia de apartenen de tip Zadeh cu doi parametri.

(h) Funcia de apartenen de tip L, L : X [0,1], cu doi parametri, are expresia:
L( x , , ) :=
( x)
( )
0
:= 3 := 7
cu
if x <
if x
if x >
L ( x , , ) 0.5
10
Figura 2.12 Funcia de apartenen de tip L cu doi parametri.

(i) Funcia de apartenen de tip , : X [0,1], cu trei parametri, are
expresia:
14
Sisteme Expert
( x , , , ) :=
cu
if x <
( x )
if x
( )
( x)
+ 1 if x
( + )
0
:= 5
:= 12.5
:= 20
if x >
1
( x , , , ) 0.5
10
15
20
Figura 2.13 Funcia de apartenen de tip cu trei parametri, are expresia

matematic.
2.3 Caracterizarea analitic a mulimilor fuzzy
Pentru caracterizarea analitic a mulimilor fuzzy se asociaz urmtorii
descriptori:
~
Definiia 2.2 [Dubois88] Suportul unei mulimi fuzzy A este definit prin
supp A = x A~ ( x ) > 0 .
~
Definiia 2.3 [Zimmermann91]Dac X i A este o mulime fuzzy n X
atunci mulimea A = x X A~ ( x ) se numete -tietur sau mulime de
nivel iar A' = x X A~ (x ) > se numete -tietur tare.

~
Definiia 2.4 [Driankov93] Nucleul unei mulimi fuzzy A este definit prin
~
nucleus A = {x X A~ ( x ) = 1}.
()
Definiia 2.5 [Driankov93]

nlimea unei mulimi fuzzy este notat cu h() i
definit prin relaia: h( ) = max{ ( x) x X } .
O mulime fuzzy se numete normal pe mulimea
de baz X dac: h( ) = 1 . Dac h( ) < 1 , atunci mulimea fuzzy se numete
subnormal.
O mulime fuzzy se numete nul pe mulimea de
baz X dac: ( x) = 0, x X .
O mulime fuzzy se numete universal pe
mulimea de baz X dac: ( x) = 1, x X .
15
Sisteme Expert
~ ~
Dou mulimi fuzzy sunt egale A = B dac i
numai dac x X : A~ ( x ) = B~ (x ) .
~
~ ~ ~
Definiia 2.10 [Driankov93] A este o submulime fuzzy a lui B A B dac i
numai dac x X : A~ (x ) B~ ( x ) .
2.4 Variabile i termeni lingvistici

Unul dintre elementele de baz pentru modelarea fuzzy a conducerii automate
a proceselor este noiunea de variabil lingvistic.
n [Zadeh65] Zadeh definete variabila lingvistic astfel:
Printr-o variabil lingvistic nelegem o variabil a crei valori sunt cuvinte
sau propoziii ntr-un limbaj natural sau artificial. De exemplu, vrst este o
variabil lingvistic dac valorile sale sunt lingvistice mai degrab dect
numerice, adic, tnr, foarte tnr, mai puin tnr, btrn, foarte btrn, etc.,
n loc de 20, 21, 22, 23, .
n conducerea automat a proceselor, datele de intrare referitoare la procesul
condus sunt, n general, disponibile sub forma unor valori ferme. n conducerea
automat bazat pe logica fuzzy, acestor valori ferme urmeaz a li se ataa o
caracterizare fuzzy. Procesul prin care o mrime ferm este transformat ntr-o
mrime fuzzy se numete fuzificare.
Caracterizarea fuzzy a mrimilor se face printr-o formulare lingvistic
adecvat care permite ulterior definirea clar i inginereasc a regulilor ce vor
forma baza de reguli a unui sistem fuzzy. Pentru caracterizarea lingvistic a
informaiei primare se utilizeaz terminologia de variabile lingvistice (VL) i de
termeni lingvistici (TL) afereni acestora.
Definiia 2.11 [Zimmermann91]. O variabil lingvistic (VL) este caracterizat
~
prin v, TL(v ), X , G, M unde:
- v este numele simbolic al variabilei lingvistice;
- TL(v) reprezint mulimea valorilor lingvistice (termenilor lingvistici-TL) ale
lui v;
- X este o mulime obiecte i reprezint mulimea de baz sau domeniul de
baz al VL;
- G este un algoritm de generare a numelor termenilor lingvistici. G se mai
numete i regula sintactic de generare a numelor termenilor lingvistici. n
general numele termenilor lingvistici sunt definite direct de ctre experii care
concep mecanismul de inferen fuzzy;
~
M este regula semantic care asociaz fiecrui TL mulimea fuzzy (funcia
de apartenen) prin care este reprezentat.
Pentru a nelege mai bine aceast definiie vom da cteva exemple concludente:
16
Sisteme Expert
Tabelul 2.1. Exemple de variabile lingvistice i termenii lingvistici afereni
acestora.
v
oameni
TL(v)
oameni nali
oameni de statur
medie
oameni de statur
mic
temperatur foarte mic
x[0,2]
x [-100 C0,100
C0]
mic
normal
mare
foarte mare
vrst
G
-
~
M
(x,oameni nali )
(x,oameni de statur
medie)
(x,oameni de statur
mic )
(x,foarte mic)
(x,mic )
(x,normal )
(x,mare )
(x,foarte mare)
foarte tnr
tnr
aproape tnr
btrn
foarte btrn
x [0, 120]
(x,foarte tnr)
(x,tnr )
(x,aproape tnr )
(x,btrn )
(x,foarte btrn )
Urmtorul exemplu grafic ilustreaz structura unei variabile lingvistice.

Variabila
lingvistic
Temperatura
(x)
potrivit
rece
cald
Termenii lingvistici
1
0.8
0.6
Funciile de
apartenen
0.4
0.2
-20
80
20
Valori numerice
x-temperatura
Variabila de baz
Figura 2.14 Structura unei variabile lingvistice.

Exemplul 2.4
Fie variabila lingvistic cu numele v=Temperatur care are ca
mulime de baz X = [ 100,100] . Termenii lingvistici ai acestei variabile sunt
TL(Temperatur)={foarte rece, rece, potrivit, cald, foarte cald }. Iar
17
Sisteme Expert
x + 80 2
~
M ( foarte rece ) = {(x, foarte rece ( x )) x X } cu foarte rece (x ) = 1 +

6
x + 40 2
~
M (rece ) = {( x, rece ( x )) x X } cu rece ( x ) = 1 +

6
x 0 2
~
M ( potrivit ) = {(x, potrivit (x )) x X } cu potrivit ( x ) = 1 +

6
~
M (cald ) = {( x, cald ( x )) x X } cu
x 40 2 ~
M ( foarte cald ) = {(x, foarte cald (x )) x X } unde
cald (x ) = 1 +
6
x 80 2
foarte cald (x ) = 1 +
6
Figura 2.15 Funciile de apartenen aferente TL(Temperatur).

2.5 Propoziii fuzzy
Raionamentul aproximativ este folosit pentru a raiona cu informaii
(cunotine) sub form de primitive atomice logice fuzzy. Acestea nu sunt altceva
dect propoziii fuzzy simple care sunt exprimate n limbaj natural cum sunt, de
exemplu:
Eroarea ia o valoare negativ mare
Presiunea este foarte mare
Umiditatea este foarte mic
Temperatur foarte mic
18
Sisteme Expert
Bazndu-ne pe primitivele atomice logice fuzzy i pe conectorii logicii fuzzy
(AND, OR, NOT, IF-THEN) se pot forma propoziii fuzzy compuse cum ar fi:
~
~
x este A AND y este B ,
~
~
x este A OR y este B ,
~
~
x este NOT A AND y este B ,
~
~
IF x este A THEN y este B .
Pentru a putea lucra cu propoziii fuzzy compuse trebuie s definim noiunea de
propoziie fuzzy simpl:
Definiia 2.12 [Driankov93] pag. 76-77. O propoziie fuzzy p este definit
simbolic prin:
~
p: v este A
~
unde v este numele variabilei lingvistice iar A este mulimea fuzzy prin care este
reprezentat un termen lingvistic al variabilei lingvistice v. Expresia matematic a
valorii de adevr a unei propoziii fuzzy p este dat de funcia de apartenen A~ .
Not: Pe ntreg parcursul lucrrii vom folosi expresia funcie de apartenen
~
a mulimii fuzzy A n locul expresiei valoarea de adevr a propoziiei fuzzy
p, i vom considera fiecare mulime fuzzy ca fiind expresia matematic a
unui termen lingvistic.
O propoziie fuzzy condiional sau o regul fuzzy de tip IF-THEN este
reprezentat simbolic astfel:
IF (propoziie fuzzy) THEN (propoziie fuzzy).
2.6 Operatorii logicii fuzzy
Obiectivul acestui paragraf este prezentarea operatorilor logici fuzzy. n
modelarea fuzzy a conducerii automat a proceselor avem, aa cum am artat n
paragrafele anterioare, informaii primare transpuse n variabile lingvistice. Pentru
a putea modela comportamentul unui sistem de conducere automat al proceselor,
este nevoie de conectori logici care modeleaz legturile ntre informaiile de
intrare ct i ntre acestea i informaiile de ieire.
Una dintre cele mai importante teme din teoria sistemelor fuzzy este definirea
operatorilor logici fuzzy. Definirea operatorilor logici fuzzy este fcut n multe
moduri, depinznd de conceptele de la care pleac autorii i de tipul aplicaiei care
va fi modelat. n acest paragraf vom generaliza operaiile logice cu mulimi
fuzzy: complementul (negaia), disjuncia, conjuncia i implicaia. Pentru
definirea negaiei disjunciei i conjunciei fuzzy precum i a implicaiei fuzzy ne
vom baza pe teoria t-conormelor, a t-normelor i pe analogia cu definiiile
operaiilor logice clasice. Operaiile cu mulimile fuzzy sunt o extindere a celor
din logica clasic. Dac mulimile fuzzy implicate au grade de apartenen 0 i 1,
semnificaia operaiilor este aceeai ca n teoria clasic a mulimilor, de aceea i
simbolurile utilizate sunt aceleai. n continuare vor fi descrii operatorii logici
fuzzy.
19
Sisteme Expert
Negaia fuzzy
Fie propoziia fuzzy X este A. Pentru a putea modela fuzzy negarea acestei
propoziii, adic X nu este A, este nevoie de un operator de negaie.
~
Fie X o mulime nevid, A o mulime fuzzy n X i A~ ( x ) gradul de
~
apartenen a unui element x X la A .
Definiia 2.13 (Negaia fuzzy) Se numete negaie fuzzy o funcie A : X [ 0,1] ,
cu proprietatea c A ( x ) = 1 ( x ) .
A
~
Vom nota complementara mulimii fuzzy A prin CA =
x,1 A ( x ) x X .
Disjuncia i conjuncia logic fuzzy

n lucrrile de specialitate [Dumitrescu00], [Fodor93], [Fodor94],
[Michels06] disjuncia respectiv conjuncia fuzzy este definit cu ajutorul tconormelor respectiv al t-conormelor pe [0,1] [0,1] [0,1] pentru mulimi fuzzy
cu aceeai mulime de baz. n aceast lucrare se definete disjuncia respectiv
conjuncia fuzzy pe F F F pentru dou mulimi fuzzy cu mulimea de baz
diferit.
Definiia 2.14 O funcie S : [0,1] [0,1] [0,1] este numit t-conorm (tconorm triunghiular) dac satisface urmtoarele condiii:
1. S ( x,0) = x
2. S ( x, y ) S (x, z ) pentru y z
3. S ( x, y ) = S ( y, x )
4. S ( x, S ( y, z )) = S (S ( x, y ), z )
Fie A, B, C . n cazul mulimilor fuzzy vom defini disjuncia fuzzy astfel:
Definiia 2.15 (disjuncia fuzzy)
Dac avem dou mulimi clasice de obiecte X , Y atunci funcia de
~
~
apartenen a disjunciei (pe scurt disjuncia) a dou mulimi fuzzy A n X i B n
Y este specificat printr-o funcie de forma
OR : F F F
OR( A~ , B~ ) : X Y [0,1]
OR( A~ , B~ )(x, y ) = S ( A~ (x ), B~ ( y ))
unde pe S o vom numi generatoarea disjunciei fuzzy OR.
d
Definiia 2.16 O funcie T : [0,1] [0,1] [0,1] este numit t-norm (norm
triunghiular) dac satisface urmtoarele condiii:
1. T (x,1) = x
2. T ( x, y ) T (x, z ) pentru y z
3. T ( x, y ) = T ( y, x )
20
Sisteme Expert
4. T ( x, T ( y, z )) = T (T ( x, y ), z )
Fie A, B, C . n cazul mulimilor fuzzy conjuncia fuyyz se definete astfel:
Definiia 2.17 (conjuncia fuzzy). Dac avem dou mulimi clasice de obiecte
X , Y atunci funcia de apartenen a conjunciei (pe scurt conjuncia) a dou
~
~
mulimi fuzzy A n X i B n Y, este specificat printr-o funcie de forma
AND : F F F
AND ( A~ , B~ ) : X Y [0,1]
AND ( A~ , B~ )(x ) = T ( A~ ( x ), B~ ( x ))
d
Unde pe T o vom numi generatoarea conjunciei fuzzy AND.

Disjuncia i conjuncia logic fuzzy de mai multe variabile
Este bine tiut c n cazul proceselor reale sunt implicate mai multe variabile
de stare. Prin urmare, construirea unei reguli fuzzy poate depinde de un numr
considerabil de termeni lingvistici (variabile de stare) i prin urmare, este nevoie
de definirea disjunciei respectiv a conjunciei fuzzy de n variabile. Acest lucru se
face inductiv prin folosirea asociativitii:
Definiia 2.18
Disjuncia fuzzy de n variabile este definit prin
OR(1 , 2 ,... n ) = OR(1 , OR( 2 ,... n )) = OR(OR(1 , 2 ,... n1 ), n )n IN , n F .

d
Dac notm cu S : [0,1] [0,1] ,

n
S xi = S ( x1 ,..., xn ) t-conorma de n variabile,

n
i =1
atunci OR(1 , 2 ,... n ) = S (1 , 2 ,... n ) n IN , n F .

d
Definiia 2.19
Conjuncia fuzzy de n variabile este definit prin
AND(1 , 2 ,... n ) = AND(1 , AND( 2 ,... n )) = AND( AND(1 , 2 ,... n1 ), n )n IN , n F

d
Dac notm cu T : [0,1] [0,1] , T xi = T ( x1 ,..., xn ) t-norma de aritate n, atunci

n
i =1
AND(1 , 2 ,... n ) = T (1 , 2 ,... n ) n IN , n F .

d
n tabelul urmtor sunt prezentate cteva clase importante de disjuncii i

conjuncii fuzzy:
21
Sisteme Expert
Tabelul 2. Clase importante de disjuncii i conjuncii fuzzy.
Clasa
1
Schweizer&Sklar 1 max 0, (1 ~ ) p + (1 ~ ) p 1 p
B
A
[1983]
~ , ~ F
A
B
A~ + B~
Domeniul
parametrului
Conjuncia fuzzy
Disjuncia fuzzy
0,
max
~ , ~ F
A B
(2 ) A~ B~
~
A
B~ p
1
1 p
A~ B~
+ (1 )( A~ + B~ A~ B~ )
p ,
Hamacher [1978]
1 (1 ) A~ B~
Frank [1979]
s1 A~ 1 s1 B~ 1
1 log s 1 +
s 1
s A~ 1 s B~ 1
log s 1 +
s 1
Yager [1980]
~w
min
1,
+ ~ w w
B
A
~ , ~ F
A B
w
w w

1
min
~
1, 1 ~ + 1 B
A
~ , ~ F
A B
w (0, + )
Dubois & Prade

[1980]
A~ + B~ A~ B~ min ( A~ , B~ ,1 )
max(1 A~ ,1 B~ , )
A~ B~
max ( A~ , B~ , )
(0,1)
)(
Dombi [1982]
1
1
1
1 +
1
~
~
B
A
Sugeno
min(1, a + b + a b)
)(
1
1
A~
(0, )
s (0, )

~ 1
B
1 min(1,1 a b a b)
Tem de reflecie
Facei o comparaie ntre operatorii logicii clasice i cea fuzzy. Descriei acest
lucru n spaiul liber din chenar.
22
( )
0,1
Sisteme Expert

1. Ce este o mulime fuzzy .
2. Definii operatorii logici fuzzy.
3. Enumerai 4 funcii de apartenen.
4. Dai exemple de cinci mulimi fuzzy.
1. Ce este universul de discurs? Dai un exemplu.
2. S se defineasc noiunea de mulime nuanat (fuzzy).
3. Sa se compare conceptul de funcie de apartenenta cu conceptul de densitate de
probabilitate.
4. Sa se dea o semnificaie pentru a) temperatura (a corpului uman) normala; b)
uoara febra, c) febra (medie), d) febra mare, e) febra foarte mare. Se vor folosi
funcii de apartenenta trapezoidale.
5. Explicati, folosind a) cuvinte, respectiv b) funcii de apartenenta, ce se nelege
prin i) bebelu, ii) copil mic, iii) copil, iv) adolescent, v) matur (adult), vi)
persoana n vrsta.
6. Sa se scrie expresia analitica a reuniunii a doua functii de apartenenta de tip
triunghiular.
7. Sa se dea dou exemple de reguli cu doua premise fuzzy i o concluzie fuzzy.
Se vor defini funciile de apartenenta pentru premise si pentru concluzie.
2.8 Bibliografie
1. H.N. Teodorescu, A. Kandel, and L.C. Jain (Eds.): Fuzzy and Neuro-fuzzy
Systems in Medicine. CRC Press, Florida, USA, 394 pp.+ xxviii, (ISBN0-84939806-1), 1998.
2. Kwang Hyung Lee, First Course on Fuzzy Theory and Applications (Advances
in Intelligent and Soft Computing), Springer; 1 edition (November 23, 2004).
23
Sisteme Expert
2. Proiectarea sistemelor de control fuzzy

Proiectarea sistemelor de reglare automat cu sistem fuzzy (SRA-RF)
depinde, n principal, de experiena expertului de proces i a proiectantului
sistemului de reglare automat. Consecina acestui fapt este concentrarea spre
dezvoltarea sistemelor fuzzy orientate pe aplicaii i acordarea unei atenii reduse
metodelor generale de analiz i proiectare a lor.
Sistemele fuzzy sunt de cele mai multe ori sisteme neliniare. Din aceast
cauz analiza i proiectarea lor este dificil. Schema bloc de principiu aferent
unui SRA-RF este prezentat n figura 3.1.
Intrri
Normalizarea
intrrilor
Baza de
cunotine
Baza de
reguli
Fuzzificare
Inferen
Defuzzificare i
denormalizarea
comenzii
Proces
Normalizarea
ieirilor
Fig. 3.1 Schema bloc de principiu aferent unui SRA-RF.

Funcionarea unui RG-F presupune urmtoarea succesiune de operaii:
1. Informaia ferm de la intrare (mrimi msurate, mrimea prescris,
eroarea de reglare) este transformat, dup normalizare, ntr-o reprezentare
fuzzy; aceast operaie este denumit fuzzificarea (fuzzification)
informaiei ferme;
2. Informaia fuzzificat este prelucrat pe baza unui set de reguli fuzzy (baza
de reguli fuzzy fuzzy rule base). Mecanismul prin care are loc evaluarea
setului de reguli fuzzy se numete mecanism de inferen fuzzy
(inference mechanism). Rezultatul generat de acest mecanism l constituie
forma fuzzy a comenzii u (comanda fuzzy). n multe lucrri de specialitate
se consider c paii 1 i 3 sunt inclui n mecanismul de inferen fuzzy.
Tot la acest pas are loc alegerea tipului de reguli fuzzy, a tipului
operatorilor logici fuzzy precum i al operatorului de agregare al regulilor;
3. Comanda fuzzy trebuie transformat ntr-o valoare ferm, utilizabil la
nivelul elementului de execuie. Operaia care realizeaz aceast
transformare poart denumirea de defuzzificare (defuzzification).
24
Ieiri
Sisteme Expert
n capitolele ce urmeaz vor fi descrise toate modulele unui sistem fuzzy.
3.1 Structura regulilor fuzzy

O regul fuzzy se compune din propoziii fuzzy conectate prin funciile
logicii fuzzy.
Definiia 3.1 O regul fuzzy de tip If-Then este o implicaie logic fuzzy pus sub
urmtoarea form lingvistic:
consecinta
premiza
R: if propozitie fuzzy then propozitie fuzzy
care este echivalent cu

premiza
consecinta
~
~
R: if x este A then y este B
iar din punct de vedere matematic este echivalent cu:

R: if A~ ( x ) then B~ ( y ) I ( A~ ( x ), B~ ( y ))
unde x respectiv y sunt elemente din mulimea de baz a variabilei lingvistice de
~
~
intrare respectiv de ieire, iar A respectiv B sunt mulimi fuzzy prin care este
exprimat un termen lingvistic al variabilei de ieire respectiv al variabilei de
intrare. I ( A~ ( x ), B~ ( y )) se numete implicaia regulii fuzzy. Deci o regul fuzzy
este constituit din trei pri: premiz, consecin i implicaie. Spre deosebire de
o regul if-then clasic pentru care avem implicaia clasic, o regul fuzzy poate
avea diverse tipuri de implicaii fuzzy.
n general premiza este alctuit dintr-o combinaie fuzzy logic de
propoziii fuzzy. Concluzia poate fi o combinaie fuzzy logic de propoziii fuzzy
sau poate fi o funcie a crei argumente sunt datele de intrare.
n practic, premiza va conine proprietile observate (variabilele de
stare), de exemplu temperatura, eroarea, i alte mrimi iar concluzia va conine
proprietile constatate sau comenzile date unui sistem automatizat.
3.2 Sisteme tip Mamdani
Sistemele de tip Mamdani au fost dezvoltate n 1975 de ctre Mamdani n
[Mamdani75] i se bazeaz pe o idee mai general a lui Zadeh publicat n
[Zadeh71], [Zadeh72], [Zadeh73].
25
Sisteme Expert
Sistemele de tip Mamdani se bazeaz pe un set finit de reguli fuzzy de tip if- then
de forma:
k and ... and x este A
k then u este U
Rk : if x1 este A
1
p
p
k
unde:
- Rk reprezint regula cu numrul k IN , k 2 ;
- xi X i reprezint datele (variabilele) de intrare ale sistemului,
i = 1.. p, p IN , i X i mulimea de baz a valorilor variabilei lingvistice i
(VLi);
~
- A ik sunt mulimile fuzzy din cadrul premizei care au asociate funciile de
~
apartenen A~ k , Fiecare mulime fuzzy A ik descrie termenul lingvistic k
i
k
i
( TL ) al variabilei lingvistice (variabilei de stare) i (VLi ) care are

mulimea de baz a valorilor, X i ;
u U reprezint variabila de control iar U mulimea de baz a valorilor
de control.
U k sunt mulimi fuzzy care definesc termenii lingvistici ai concluziei
fiecrei reguli fuzzy i care au asociate funciile de apartenen U .
k
Modul corect de interpretare al regulilor fuzzy este esenial pentru nelegerea

funcionrii sistemului fuzzy. n acest sens se precizeaz faptul c formularea in
termeni de if-then ai regulilor fuzzy nu trebuie neleasa ca implicaie logic
clasic. Dac baza de reguli fuzzy const din R1 , , Rr reguli, aceasta este
interpretat ca o funcie fuzzy definit pe buci, adic
U if x1 este A11 and ... and x p este A 1p
1
f ( x1 , , x p )
r
r
U r if x1 este A1 and ... and x p este Ap
3.3 Mecanismul de inferen
Mecanismul de inferen fuzzy modeleaz matematic cunotinele unui
fenomen studiat i relaiile logice dintre acestea. Modulele ce alctuiesc un
mecanism de inferen fuzzy sunt prezentate schematic n figura 3.2. Prin
mecanismul de inferen fuzzy se determin o relaie ntre mulimea valorilor de
intrare (strile sistemului la moment dat de timp) i valoarea funciei de control u.
26
Sisteme Expert
Fig. 3.2 Structura unui mecanism de inferen fuzzy.

Mecanismul de inferen fuzzy este compus din urmtoarele module:
-
Modulul de fuzificare a datelor de intrare.

Baza de date este compus din mulimea funciilor de apartenen ale
mulimilor fuzzy care reprezint termenii lingvistici de intrare i respectiv
de ieire. Funciile logice fuzzy mpreun cu baza de date alctuiesc baza
de reguli fuzzy. Baza de date, funciile logice fuzzy i baza de reguli
fuzzy alctuiesc baza de cunotine a mecanismului de inferen fuzzy.
- Inferena global definit prin funcia de agregare (de combinare a
regulilior fuzzy).
- Modulul de defuzificare definit prin metodele de defuzificare.
Toate aceste componente ale mecanismului de inferen fuzzy precum i relaiile
dintre ele sunt descrise n continuare.
Fuzificarea datelor de intrare (modulul de fuzzificare). Prin fuzzificarea unei
informaii de intrare care aparine mulimii X 1 ... X p , se definete gradul de
apartenen al acesteia la unul sau mai muli termeni lingvistici definii n
prealabil. Ca efect, valoarea de intrare se apreciaz prin intermediul (valorilor)
funciilor de apartenen a termenilor lingvistici afectai.
Aplicarea operatorilor logici fuzzy pentru determinarea valorii premizei.
Odat ce intrrile au fost fuzzificate, cunoatem gradul cu care fiecare
27
Sisteme Expert
component (TL) a premizei este satisfcut pentru fiecare regul fuzzy n parte.
Dac premiza unei reguli conine mai muli termeni lingvistici conectai prin
operatori fuzzy logici AND atunci operatorii logici fuzzy sunt aplicai pentru a
obine un singur rezultat care reprezint valoarea premizei regulii respective
(nivelul
de
activare
al
regulii
k
definit
astfel:
k ( x1 ,, x p ) =
AND A ( x1 ) ,..., A ( x p ) .
k
1
k
p
Evaluarea fiecrei reguli fuzzy. Concluzia unei reguli fuzzy este o mulime
fuzzy exprimat prin funcia de apartenen asociat. Evaluarea unei reguli fuzzy
se face prin aplicarea operatorului fuzzy implicaie asupra valorii premizei i
funciei de apartenen a fiecrui TL de ieire din regula respectiv. Procesul de
evaluare al unei reguli se numete inferen local.
Cuplarea (combinarea) regulilor fuzzy. La construirea funciei de ieire
(comenzii) trebuie s contribuie toate regulile fuzzy din baza de reguli. Cuplarea
(combinarea) tuturor regulilor reprezint procesul prin care mulimile fuzzy care
reprezint rezultatul implicaiei fiecrei reguli (ieirea fiecrei reguli) sunt
combinate (agregate) ntr-o singur mulime fuzzy.
Procesul de agregare al tuturor regulilor unei baze de reguli se numete inferen
global.
Cele mai frecvente metode de inferen folosite sunt:
1. Inferena MIN-MAX. Evaluarea bazei de reguli se face utiliznd urmtorii
operatori:
- conectori n premiz: AND MIN, OR MAX
- concluzionare: MIN
- conectarea regulilor: MAX
2. Inferena PROD-MAX. Evaluarea bazei de reguli se face utiliznd
urmtorii operatori:
- concluzionare: PROD asupra TL de ieire activat
- conectarea regulilor: MAX
3. Inferena PROD-SUM. Evaluarea bazei de reguli se face utiliznd
urmtorii operatori:
- conectori n premiz: AND PROD, OR SUM
- concluzionare: PROD asupra TL de ieire activat
- conectarea regulilor: SUM
4. Inferena MIN-SUM. Evaluarea bazei de reguli se face utiliznd urmtorii
operatori:
- concluzionare: MIN asupra TL de ieire activat
- conectarea regulilor: SUM
Defuzificarea (modulul de defuzificare). Ultimul pas n procesul de inferen
fuzzy este defuzificarea. Fuzzificarea ne ajut la evaluarea regulilor dar n final
datele de ieire ale mecanismul de inferen fuzzy trebuie s fie valori numerice.
Defuzificarea se folosete numai n cazul regulilor de tip Mamdani, unde
rezultatul inferenei globale este o mulime fuzzy. Enumerm n continuare cteva
dintre metodele de defuzificare folosite ntr-un mecanism de inferen fuzzy.
28
Sisteme Expert
Vom considera vectorul de intrare x = ( x1 , , x p ) , funcia fuzzy rezultat n urma
inferenei globale output : X U [ 0,1] iar rezultatul defuzzificrii l vom nota cu

u deff unde Deff este metoda de defuzificare.
Observaie: u U este variabila de ieire (control) a sistemului, iar valoarea lui

output ( x, u ) pentru x fixat are ca rezultat o funcie de variabil u.
Metoda centroidului (CoG-Centre of Gravity). Aceast metod gsete centrul
de greutate al ariei funciei output ( x, u ) . Matematic acesta se exprim astfel:
u
COG
( x) =
output
( x, u ) dy
output ( x, u ) dy
. Pentru cazul discret u
COG
y ( x, u )
.
( x) =
( x, u )
yY
yY
output
output
output
u COG
Fig. 3.7 Defuzificarea prin metoda COG.

Centre-of-Sums ( CoS). Aceast metod este similar cu metoda COG dar mult
mai eficient n raport cu complexitatea calculului. n aceast metod nu mai este
nevoie de calculul funciei output ( x, u ) . Metoda ia n considerare fiecare mulime
k
fuzzy rezultat din inferena local, output
( x, u ) , k IN , k 2 . Pentru cazul
continuu metoda este exprimat prin formula matematic
n
u COS ( x ) =
k
y output ( x, u )dy
k =1
n
Y k =1
k
output
( x, u )dy
iar pentru cazul discret

n
u COS ( x ) =
k
( x, u )
y output
yY
1
k=
n
k
output
1
yY k =
29
( x, u )
Sisteme Expert
output
u COG
Fig. 3.8 Defuzificarea prin metoda COS.
Metoda nlimilor (HM - Height Method). Metoda ia n considerare fiecare

mulime fuzzy rezultat din inferena local. Se ia n considerare supremul fiecrei
funcii de apartenen a mulimilor U k i supremul funciilor de apartenen a
k
mulimilor fuzzy rezultate din inferena local output
( x, u ) , k IN , k 2 .
sup { ( u )} sup {
n
HM
( x) =
U k
k =1 uU
sup {
n
k =1 uU
Dac notm cu
uU
k
output
k
output
( x, u )}
.
( x, u )}
k
f k = sup { output
( x, u )} i cu hk = sup U k ( u )
uU
uU
urmtoarea reprezentare grafic a metodei
vom avea
output
h1
u HM
h2
Fig. 3.9 Defuzificarea prin metoda HM.
Metoda centrului celei mai mari arii (Centre-of-Largest Area CoLA).

Aceast metod este utilizat n cazul n care output ( x, u ) nu este convex. Aa
cum se tie output ( x, u ) este o combinaie a funciilor de apartenen a mulimilor
fuzzy rezultate n urma inferenei locale. Dac funciile de apartenen a
mulimilor fuzzy rezultate n urma inferenei locale sunt convexe iar output ( x, u )
nu este convex, atunci metoda determin cea mai mare arie convex care intr n
compunerea graficului funciei output ( x, u ) i i calculeaz centrul de greutate.
30
Sisteme Expert
output
u CoLA
Fig. 3.10 Defuzificarea prin metoda CoLA.
Deoarece calculele pentru a gsi centrul de greutate al acestei arii sunt complicate
i pot fi fcute n mai multe moduri, nu putem da o formul de calcul general.
Metoda primului maxim (First-of-Maxima - FoM). Aceast metod alege cea
mai mic valoare din domeniul U pentru care output ( x, u ) este maxim:
u FoM ( x ) =
inf u U output ( x, u ) =
sup { output ( x, u )}
uU
output
u FoM
Fig. 3.11 Defuzificarea prin metoda FoM.
Versiunea alternativ la aceast metod se numete metoda ultimului maxim
(Last-of-Maxima LoM):
u FoM ( x ) =
sup u U output ( x, u ) =
uU
Metoda maximelor mediate (Middle-of-Maxima MoM). Se face media

tuturor u U pentru care output ( x, u ) este maxim. Matematic se definete prin :
MOM
y dy
( x) = Z
unde Z
=
dy
u
( x, u ) } i este
{=
*
output
funciei output ( x, u ) (pentru cazul continuu), i
31
valoarea maxim a
Sisteme Expert
inf y Y output ( x, u ) =
sup { output ( x, u )} +
u MoM ( x ) =
2
uU
+ sup u U output ( x, u ) =
uU
n cazul discret.
output
u MoM
Fig. 3.12 Defuzificarea prin metoda MoM
Cteva dintre metodele descrise mai sus sunt reprezentate grafic n figura de mai
jos, ca rezultat al aplicrii lor pe o baz de cunotine fuzzy:
Fig. 3.14 Reprezentarea rezultatului mai multor metode de defuzificare.

3.4 Compararea i evaluarea metodelor de defuzificare
n acest paragraf vom sugera cteva criterii care ne conduc la alegerea optim
a unei metode de defuzificare. Nu exist nici o metod care s satisfac toate
criteriile prezentate n continuare. Cele mai importante criterii de alegere a
metodei de defuzificare sunt [Driankov93]pag. 140-144 :
1.
Continuitatea. O diferen mic ntre doi vectori de intrare nu

produce o diferen mare ntre vectorii de ieire corespunztori.
Matematic acest lucru se scrie astfel:
Dac x1 , x2 X 1 ... X p sunt dou intrri i u1 , u2 Y sunt ieirile
respectivelor intrri ntr-un mecanism de inferen fuzzy, atunci
> 0 > 0 : u1 u2 < x1 x2 <
32
Sisteme Expert
2.
Dezambiguitatea. n unele cazuri aplicarea unei metode de

defuzificare poate conduce la rezultate nedorite. De exemplu n cazul
controlului unei maini care trebuie s ocoleasc un obstacol frontal,
funciile de apartenen ale mulimilor fuzzy care exprim controlul
direciei (stnga, dreapta) pot avea urmtoarele forme:
1
u CoLA
Fig. 3.15 (a) Defuzificare prin metoda CoLA (funcii de apartenen
triunghiulare)
u CoLA
Fig. 3.15 (b) Defuzificare prin metoda COG (funcii de apartenen
trapezoidale)
n ambele cazuri maina va trebui s fac acelai viraj n acelai timp la
stnga i la dreapta. Prin urmare, n funcie de problema studiat,
metoda de defuzificare trebuie aleas astfel nct s nu conduc la
rezultate ambigue.
3.
Plauzabilitatea.
Rezultatul fiecrei metode de defuzificare are o
u U i
una
vertical
component
orizontal
deff
output ( x, u ) [ 01] pentru un x fixat. Vom spune c valoarea
deff
u deff este plauzibil dac este poziionat ct mai aproape de mijlocul
suportului
mulimii
fuzzy
reprezentat
de
funcia
de
apartenen output ( x, u ) i are un grad de apartenen ct mai mare. n
cazul metodei CoA, de exemplu, aplicat situaiei din Fig. 13 a) nu este
satisfcut acest criteriu.
33
Sisteme Expert
4.
Complexitatea calculului. Acest criteriu este foarte important n

aplicaiile n timp real. n cazul metodelor HM, FoM, LoM i MoM
calcularea ieirii se face mai repede, pe cnd n cazul metodelor CoG
sau SoM calcularea ieirii defuzificate se face mai ncet. n cazul
aplicaiilor n timp real, timpul de calcul al ieirii pentru o intrare dat
trebuie s fie mai mic dect timpul de rspuns al sistemului. O metod
de defuzificare este mai bun cu ct calcularea ieirii se face mai
repede.
5.
Influena ponderilor. S presupunem c ntr-o baz de reguli fuzzy

avem pentru nceput trei reguli fuzzy care au aceeai consecin. Pentru
prima regul gradul de realizare al consecinei este 0.2, pentru a doua
0.4 iar pentru a treia regul 0.6 n raport cu o intrare dat. La aceste trei
reguli fuzzy se mai adaug una cu consecina diferit de consecina
celor trei i cu gradul de realizare al acesteia de 0.7 n raport cu aceeai
deff
intrare dat. Problema este cum vom calcula u . Dac operatorul de

combinare al regulilor este max i folosim metodele de defuzificare
CoG, FoM, MoM i CoLA vom avea un grad de realizare mai mare
pentru concluzia ultimei reguli fuzzy dect pentru concluzia primelor
trei reguli fuzzy, fapt care nu evideniaz influena ponderilor
consecinelor regulilor fuzzy. Pentru a scoate n eviden influena
ponderilor consecinelor regulilor fuzzy trebuie s alegem metodele de
defuzificare n acest sens. De exemplu n cazul metodei HM :
f1 = 0.2, f 2 = 0.4, f 3 = 0.6, f 4 = 0.7 i h1 respectiv h2 supremul
funciei de apartenen a consecinei primelor trei reguli fuzzy
respectiv supremul funciei de apartenen a consecinei celei de-a
patra reguli fuzzy. Atunci conform metodei HM :
U HM =
0.2 h1 + 0.4 h1 + 0.6 h1 + 0.7 h2

0.2 + 0.4 + 0.6 + 0.7
are un grad de realizare mai mic pentru concluzia ultimei reguli fuzzy
dect pentru concluzia primelor trei reguli fuzzy. Metodele de
defuzificare CoS i HM ndeplinesc acest criteriu.
Urmtorul tabel sintetizeaz metodele de defuzificare i criteriile pe care acestea
le ndeplinesc:
Tabelul 3.1. Metodele de defuzificare i criteriile pe care acestea le
ndeplinesc.
CoG
CoS MoM FoM
HM
CoLA
da
da
nu
nu
da
nu
Continuitate
da
da
da
da
da
nu
Dezambiguitate
da
da
nu
nu
da
nu
Plauzabilitate
complicat simpl simpl simpl simpl complicat
Complexitatea
calculului
nu
da
nu
nu
da
nu
Influena
ponderilor
34
Sisteme Expert
3.5 Sisteme de tip Takagi-Sugeno-Kang

Sistemele de tip Takagi-Sugeno-Kang [Sugeno85], [Takagi85] folosesc reguli
care au urmtoarea form:
Regula i:
IF x1 ( t ) este X i ,1 AND x2 ( t ) este X i ,2 ANDAND xn ( t ) este X i ,n THEN
u = u i ( x(t )) , i = 1..r (2)

unde X i ,1 , X i , 2 ,..., X i , n sunt mulimi fuzzy reprezentnd termenii lingvistici care
r
X
=
modeleaz variabilele de intrare n RG-F,
i, j
1..=
X=
r , j 1..n iar
j ,i
i =1
x ( t ) = x1 ( t ) ,.., xn ( t ) reprezint vectorul variabilelor de stare ale sistemului.
u = u i ( x(t )) reprezint concluzia regulii i i este o funcie a crei argumente sunt

variabilele de intrare.
Ideea de baz este ca funcia corespunztoare unei reguli s fie o funcie de
control pentru regiunea fuzzy descris n partea de premis a regulii fuzzy.
Definiia 3.3 Vom defini nivelul de activare al unei reguli prin formula
k ( x ) = AND X
k ,1
( x1 ) ,.., X ( xn ) ) , unde k indic numrul regulii fuzzy.

k ,n
Definiia 3.4
Dac k ( x ) > 0 atunci vom spune c regula k este activ, n caz
contrar vom spune c regula este inactiv.
Semnalul de control generat de RG-F este dat de formula:
r
u=
u
i =1
r
i =1
Tem de reflecie
Facei o comparaie ntre S.E. fuzzy de tip T-S cu diferii operatorii logici.
Descriei acest lucru n spaiul liber din chenar.
35
Sisteme Expert

1. Ce este un sistem fuzzy de tip Takagi-Sugeno ?
2. Ce este un sistem fuzzy de tip Mamdani ?
3. Descriei modulele unui sistem expert fuzzy
4. Descriei mecanismul de inferen la sistemele de tip Mamdani.
1. S se defineasc un sistem de tip Takagi-Sugeno cu o intrare, o ieire, trei
reguli i trei funcii de apartenen la intrare.
2. S se defineasc un sistem de tip Mamdani cu o intrare, o ieire, trei reguli i
trei funcii de apartenen la intrare.
3.7 Bibliografie
1. Fuzzy Expert Systems and Fuzzy Reasoning - by William Siler (Author),
James J. Buckley, Wiley-Interscience; 1 edition (December 13, 2004).
2. Fuzzy Expert Systems - Abraham Kandel, CRC; 1 edition (November 12,
1991).
36
Sisteme Expert
3. Analiza stabilitii sistemelor de reglare automat cu sisteme fuzzy de tip

Sugeno-Takagi, pentru sisteme neliniare.
Obiective:
Dup studiul acestui capitol, studentul va avea cunotine suficiente pentru a
fi capabil s realizeze analiza stabilitii sistemelor de reglare automat cu
regulatoare fuzzy de tip Sugeno-Takagi, pentru procese neliniare.
4.1 Introducere
Proiectarea sistemelor de reglare automat cu sistem fuzzy (SRA RF)
depinde, n principal, de experiena expertului de proces i a proiectantului
sistemului de reglare automat. Consecina acestui fapt este concentrarea spre
dezvoltarea sistemelor fuzzy orientate pe aplicaii, i acordarea unei atenii reduse
metodelor generale de analiz i proiectare a lor.
Sistemele fuzzy sunt de cele mai multe ori sisteme neliniare. Din aceast
cauz analiza i proiectarea lor este dificil. Una dintre cele mai importante
caracteristici ale sistemelor de reglare automat cu sistem fuzzy este stabilitatea
acestora. Asigurarea stabilitii sistemelor de reglare automat cu sistem fuzzy
este important deoarece pe baza ei proiectantul obine informaii necesare
dezvoltrii sistemului fuzzy. Astfel prin modificarea corespunztoare a
parametrilor acestuia (funcii de apartenen, metode de inferen, metode de
agregare, metode de defuzificare), proiectantul obine un sistem de reglare
automat stabil.
Garantarea stabilitii sistemelor de reglare automat cu sistem fuzzy este
deosebit de dificil datorit neliniaritii sistemului fuzzy i a suprapunerii
acesteia peste neliniaritile procesului condus.
n literatura de specialitate sunt abordate urmtoarele metode de analiz i
verificare a stabilitii:
1. abordarea n spaiul strilor ; lucrri semnificative n acest sens pot fi
considerate: [Aracil. J., Ollero A., Garcia-Cerezo, 1989], [Garcia-Cerezo,
Ollero A.], [Driankov D., Hellendoorn H., Reinfrank M., 1993], [Ying H],
2. teoria hiperstabilitii dup Popov: [Opitz H. P., 1993], [Preitl t., Precup
R.]
3. teoria stabilitii dup Lyapunov: [K. Tanaka, M. Sugeno], [L. K.Wong, F.
H. F. Leung, and P. K. S. Tam, 1998], [Jenkins D, Passino K.M., 1999],
37
Sisteme Expert
4. criteriul cercului: [Aracil. J., Ollero A., Garcia-Cerezo, 1989], [Opitz H.

P., 1993], [Driankov D., Hellendoorn H., Reinfrank M., 1993]
5. metoda balansului armonic: [Keindl, H, 1993].
4.2 Descrierea sistemelor de reglare automat cu sisteme fuzzy de tip
Sugeno-Takagi.
Se consider un sistem de reglare automat cu sistem fuzzy (SG-F) de tip
Sugeno-Takagi care const din procesul condus (PC) i sistemul fuzzy, aa cum
este prezentat n figura 1.
x(0) initial
conditions
Reference input
u(t)
output
y(t)
Process
x = f (x ) + b(x )u (t )
state variables
(x1,x2,,xn)
Figura 4.1 Sistem de reglare automat fuzzy (SR-F).
unde:
r(t) este referina,
u(t) reprezint comanda,
y(t) este ieirea,
x(0) condiiile iniiale.
Procesul condus poate fi descris prin urmtoarea ecuaie:
x (t ) = f ( x(t )) + b(x(t ))u (t )

x(t 0 ) = x 0
(1)
unde:
- x(t ) = [x1 (t ), x 2 (t ),..., x n (t )] este vectorul strilor,
T
- f ( x(t )) = [ f 1 ( x(t )), f 2 ( x(t )),..., f n ( x(t ))] i b( x(t )) = [b1 ( x(t )), b2 ( x(t )),..., bn ( x(t ))]
sunt funcii vectoriale continue care descriu dinamica procesului,
- u reprezint semnalul de control generat de sistemul fuzzy.
T
Sistemul fuzzy este alctuit din r reguli fuzzy.

38
Sisteme Expert
Forma unei reguli fuzzy de tip (Sugeno-Takagi) ST este:

Regula i:
IF
x1 (t ) este X i ,1 AND x 2 (t ) este X i , 2 ANDAND x n (t ) este X i ,n THEN u = u i ( x(t )) ,
(2)
i = 1..r
unde X i ,1 , X i , 2 ,..., X i , n sunt mulimi fuzzy reprezentnd termenii lingvistici de
r
intrare n RG-F,
i, j
= X j , j = 1,2,.., n i X 1 X n = X .
i =1
Se presupune n continuare c:
- funcia AND este definit prin funcia MIN,
- funciile de apartenen care descriu TL de intrare sunt considerate continue,
- u = u i ( x(t )) este o funcie continu.
Fiecare
regul
fuzzy genereaz un
grad
de
activare
al
regulei: i [0,1], i = 1,2,..., r , i ( x(t )) = min ( i ,1 ( x1 (t )), i , 2 ( x 2 (t )) i ,n ( x n (t ))) i
are consecina format dintr-o funcie continu ui care depinde de vectorul
strilor, x(t). Se consider c pentru orice x X cel puin o regul este activ,
adic x X , i ( x ) 0 . Semnalul de control rezultat u, care trebuie aplicat PC
este o funcie de i i ui .
Metoda de defuzificare pentru obinerea semnalului de control este dat de:
r
i ui
u = i =r1
i
i =1
(3)
4.3 Stabilitatea de tip Lyapunov a sistemelor de reglare automat cu sisteme

fuzzy de tip Sugeno-Takagi.
n continuare este studiat stabilitatea de tip Lyapunov a sistemelor de reglare
automat cu sistem fuzzy pentru sisteme neliniare, stabilindu-se, n final, cteva
condiii suficiente pentru ndeplinirea acesteia. Rezultate n aceast direcie,
pentru sistem fuzzy de tip Sugeno-Takagi, au fost date de ctre L. K.Wong, F. H.
F. Leung, i P. K. S. Tam, ncepnd din 1998 n lucrrile [L. K.Wong, F. H. F.
Leung, and P. K. S. Tam, 1998], [L. K.Wong, F. H. F. Leung, and P. K. S. Tam,
1997], [L. K.Wong, F. H. F. Leung, and P. K. S. Tam, ISIE97], [L. K.Wong, F.
H. F. Leung, and P. K. S. Tam, 1998, IEEE Conf.], [L. K.Wong, F. H. F. Leung,
and P. K. S. Tam, 2000].
Ideea de baz este aplicarea metodei directe a lui Lyapunov fiecrui
subsistem fuzzy format dinntr-o regul fuzzy i procesul studiat. Se consider
funcia Lyapunov de forma V (x ) = x T Px > 0 , unde P este o matrice pozitiv
39
Sisteme Expert
definit. Stabilitatea ntregului proces poate fi asigurat dac fiecare regul fuzzy,
aplicat procesului neliniar ne d un subsistem stabil n raport cu aceeai funcie
Lyapunov. n continuare se descriu condiiile de realizare concret al acestui tip
de stabilitate.
Din structura unui RG-F de tip Sugeno-Takagi i din modul de funcionare al
mecanismului de inferen, rezult:
Proprietatea 4.1: Pentru orice intrare x 0 X , exist dou reguli p, q astfel nct
u min (x0 ) = u p (x0 ) u (x0 ) u q (x0 ) = u max (x0 ) .
Demonstraie
Fie x 0 X atunci printre toate regulile exist dou reguli p i q astfel nct
u p ( x0 ) = umin ( x0 ) i u q ( x 0 ) = u max (x 0 ) , unde u min (x 0 ) = min (u i ( x 0 )) i
i=1..r
u max (x 0 ) = max(u i (x 0 )) .
i=1..r
Prin urmare rezult:

r
u min (x 0 ) =
(x ) u (x ) (x ) u (x ) (x ) u (x )
i =1
min
(x )
i =1
i =1
(x )
i =1
i =1
max
(x )
i =1
= u max (x 0 ) ,
deci
u min (x 0 ) u (x0 ) u max (x0 ) u min (x ) u (x ) u max (x ), x X .
(4)
n concluzie, pentru orice RG-F de tip Sugeno-Takagi relaia 4 are loc.

Definiia 4.1: O regiune activ a unei reguli fuzzy i este definit prin
X i = {x X i (x ) 0} X .
n continuare se analizeaz un criteriu suficient pentru stabilitatea de tip Lyapunov
a sistemului format din RG-F i PC descris de ecuaia (1).
Pentru demonstrarea stabilitii asimptotice globale se aplic teorema lui
Lyapunov:
Teorema 1 (Lyapunov) [M. Krasnov, A. Kiselev, G. Makarenko, E. Shikin]
pag.247: Presupunem c x e = 0 este un punct de echilibru pentru ecuaia (1) i c
exist o funcie V de variabil x (x variabila de stare a sistemului descris de
ecuaia 1), cu derivatele pariale continue, astfel nct:
1. V ( x ) > 0, x 0 , V (0 ) = 0 ,
2. V ( x ) < 0, x 0 , V (0 ) = 0 ,
3. V ( x ) cnd x ,
atunci punctul de echilibru, care este originea, este global asimptotic stabil.
O funcie care ndeplinete condiiile 1-3 din teorema 1 se numete funcie de tip
Lyapunov.
40
Sisteme Expert
Se consider, n continuare, numai funcii pozitiv definite, V = x T Px , unde P este

o matrice ptratic, simetric i pozitiv definit.
Remarc: n acest caz V este derivabil cu derivatele pariale continue.
Urmtoarea teorem dat de [L. K.Wong, F. H. F. Leung, and P. K. S. Tam, 1998]
asigur stabilitatea sistemului de reglare automat cu sistem fuzzy (SugenoTakagi) descris n figura 4.1:
Teorema 2 : Dac P este o matrice pozitiv definit, x variabila de stare a
sistemului descris de ecuaia 1 i :
V (x ) = x T Px cnd x , V (0 ) = 0 ;
V ( x ) < 0, x 0 , V (0) = 0 ,
n raport cu fiecare regul fuzzy n parte, atunci sistemul format din RG-F i PC
descris de ecuaia (1), este asimptotic stabil n origine.
Demonstraie:
Se consider urmtoarea funcie de tip Lyapunov: V (x ) = x T Px , unde P este
o matrice pozitiv definit.
Din V (x ) = x T Px + x T Px i x = f ( x ) + b(x )u (x ) rezult
T
V ( x ) = ( f ( x ) + b(x )u (x )) Px + x T P( f (x ) + b(x )u (x )) = F (x ) + B(x )u ( x ) unde
F ( x ) = ( f ( x )) Px + x T P( f ( x )) i B( x ) = b( x ) Px + x T Pb( x ) . Deoarece f i b sunt

continue rezult c F i B sunt continue.
Funciile de apartenen care descriu TL de intrare sunt continue i prin urmare
rezult c i sunt continue. Deoarece ntotdeauna exist cel puin o regul activ,
T
rezult c
i =1
> 0 i cum ui sunt continue, rezult c u =
i =1
V este
negativ
V (x ) = F ( x ) + B(x )u i (x ) < 0
Din proprietatea 1 ( u min (x0 ) u (x0 ) u max (x0 ) ) rezult:
41
ui
definit
Dac x0 = 0 F (x0 ) = B(x0 ) = 0 i V ( x0 ) = 0 .

Dac x 0 atunci din ipoteza teoremei rezult:
i =1
Prin urmare V = F + B u este continu.

Rmne de demonstrat c
x (t ) = f ( x(t )) + b( x(t ))u ( x(t )) .
este continu.
raport
cu
Sisteme Expert
i
Se consider trei cazuri:
V (x ) = F ( x ) + B(x )u max (x ) < 0
(4)
V ( x ) = F ( x ) + B(x )u min (x ) < 0
(5)
Cazul 1: dac B( x ) este strict pozitiv, din (4) rezult:

V (x ) = F (x ) + B(x )u max (x ) < 0 V (x ) = F (x ) + B(x )u (x ) < 0, u (x ) u max (x )
(6)
V (x ) < 0, u (x ) (u (x ), u (x ))
min
max
Cazul 2: dac B( x ) este strict negativ, din (5) rezult:

V (x ) = F (x ) + B(x )u min (x ) < 0 V (x ) = F (x ) + B (x )u (x ) < 0, u (x ) u min (x )
(7)
V (x ) < 0, u (x ) (u (x ), u ( x ))
min
max
Cazul 3: dac B( x ) = 0 , din V ( x ) = F ( x ) + B(x )ui (x ) < 0 rezult:

V (x ) = F (x ) < 0 V < 0 pentru oricare u.
Din aceste trei cazuri rezult c pentru orice valoare a lui B( x ) are loc:
V (x ) < 0, u (x ) (u (x ), u ( x ))
min
max
n concluzie V este negativ definit.

Prin urmare, pentru a proiecta un RG-F astfel nct PC asociat acestuia s fie
stabil, se pot stabili condiii de definire a TL de ieire utiliznd teorema 2.
Generalizarea teoremei 2:
Teorema 3: Dac P este o matrice pozitiv definit i
1.
2.
3.
V (0 ) = 0 , V (x ) = x T Px cnd x ;
V ( x ) < 0, x 0 , V (0 ) = 0 n raport cu fiecare regul fuzzy n parte ;
u min (x ) u ( x ) u max (x ), x X 1 ... X n
Atunci sistemul format din RG-F, de tip Mamdani sau Sugeno-Takagi, i PC

descris de ecuaia (1), este asimptotic stabil n origine.
42
Sisteme Expert
4.4 Exemplul 1 de reglare automat cu sistem fuzzy de tip Sugeno-Takagi.
Se consider urmtorul sistem (mass-spring-damper system) ce urmeaz a fi
controlat de ctre un sistem fuzzy euristic:
0
Resort
const.resortului = h
Poziia coordonatei masei: x,

n raport cu lungimea resortului
netensionat
Masa
(m)
F=u(t)
Amortizor
(g funcia de amortizare)
Zid
fix
Figura 4.2. Mass-spring-damper system.

Cu modelul matematic:
(11)
m x + g ( x, x ) + h x = u
unde m=2.0 kg reprezint masa, u este mrimea de comand, h=0.5 Nm-1
elasticitatea resortului i g ( x, x ) = 2 x 3 + 0.5 x este o funcie neliniar care descrie
amortizarea. Expresia (11) poate fi adus la forma urmtoare:
(11)
z = f ( z ) + b(z )u
unde
z
z = 1 ,
z1 = x,
z 2 = x ,
z
2
z2
0
f (z ) =
b( z ) =
3
0.5
0.5 z1 z 2
unde z1 = x, z 2 = x sunt variabilele stare ale sistemului i reprezint poziia
coordonatei masei n raport cu lungimea resortului netensionat i respectiv viteza
acesteia.
n graficul urmtor sunt reprezentate funciile de apartenen care descriu termenii
lingvistici ai variabilelor lingvistice ale lui x i x :
43
Sisteme Expert
1.1
N( x)
Z ( x)
0.5
P( x)
Negativ
Zero
Pozitiv
0
0
0.5
0.5
x apartenen ale lui x i x

Figura 4.3. Funciile de
Tabelul urmtor descrie baza de reguli fuzzy de tip Sugeno-Takagi a RG-F:

Regula
1
2
3
4
5
6
7
8
9
Premiza
z1
z2
P
P
N
N
P
N
N
P
P
Z
N
Z
Z
P
Z
N
Z
Z
Consecina
u
-2
2
0
0
-z1
-z1
-z1
-z1
-z1-z2
Considerm funcia lui Lyapunov definit astfel:

1
V ( x ) = (x 2 + x 2 )
2
Deci V este pozitiv definit i pentru x rezult V ( x ) . Studiem
stabilitatea n punctul de echilibru [0,0] , pentru care avem V = 0 . Derivata lui V
este
V (x ) = xx + xx = xx + x 0.5 x x 3 + 0.5u
z
nlocuind z = 1 , cu z1 = x, i z 2 = x rezult
z2
V (z ) = z1 z 2 + z 2 0.5 z1 z 23 + 0.5u
deci
V (0 ) = 0
n continuare se analizeaz fiecare regul:
)
(12)
Pentru regula 1, z1 este P, z2 este P i u1 = 2 . Deci z1 [0,1], z 2 > 0 . Din (12)

rezult V ( z ) = 0.5( z1 2 )z 2 z 24 < 0 mai puin n punctul z = 0 .
44
Sisteme Expert
Pentru regula 2, z1 este N, z2 este N i u 2 = 2 . Deci z1 [ 1,0], z 2 < 0 . Din (12)
rezult V ( z ) = 0.5( z1 + 2 )z 2 z 24 < 0 mai puin n punctul z = 0 .
Pentru regulile 3 i 4, z1 este P, z2 este N i u 3, 4 = 0 . Deci z1 z 2 0 . Din (12)
rezult V ( z ) = 0.5 z1 z 2 z 24 < 0 mai puin n punctul z = 0 .
Pentru regulile 5,6,7 i 8, u 5, 6, 7 ,8 = z1 . Din (12) rezult V ( z ) = z 24 < 0 mai puin
n punctul z = 0 .
Pentru regula 9, u 9 = z1 z 2 . Din (12) rezult V ( z ) = z 24 0.5 z 22 < 0 mai puin
n punctul z = 0 .

Graficul urmtor prezint rezultatele simulrii pentru z = [1,1]. Graficul
afieaz valorile lui z1 , z 2 i u n funcie de timp.
1.1
0.73
0.37
z 1( t )
z 2( t )
u z 1( t ) , z 2( t )
2.5
7.5
10
12.5
15
17.5
0.37
0.73
1.1
t
Figura 4.4. Rezultatele simulrii pentru z = [1,1].
45
20
22.5
25
Sisteme Expert
0.67
0.33
z 1( t )
z 2( t )
u z 1( t ) , z 2( t )
20
40
60
80
100
120
140
160
180
200
0.33
0.67
1
t
Figura 4.4. Rezultatele simulrii pentru z = [1,1] fr sistem fuzzy.
0.5
z1=1
z2=-1
z1=-0.5 z2=0.5
z1=0.5 z2=-0.5
z1=-1 z2=1
z1=0.5 z2=0.5
z1=-0.5 z2=-0.5
z1=0
z2=-1
z1=1
z2=0
0.5
10
12
14
16
Figura 4.5. Rezultatele simulrii n cazul mai multor valori iniiale.
46
18
timp (t)
20
Sisteme Expert
4.6 Exemplul 2 de reglare automat cu sistem fuzzy de tip Sugeno-Takagi
Pentru exemplificare este prezentat simularea unui SRA cu RG-F aferent
aplicaiei conducerea pendulului invers. Acest sistem const dintr-un pendul
invers poziionat pe un car mobil. RG-F este folosit pentru a calcula fora u
aplicat carului pentru a stabiliza pe vertical pendulul.
Figura 4.6 Sistem de tip pendulul invers.

ntr-o variant simplificat, modelul matematic de intrare-ieire aferent
procesului condus pendul invers este dat de urmtoarea ecuaie:
(m + M ) l 2 + (m + M ) l g sin ( ) = u
(8)
n care:
m masa pendulului;
M masa carului;
2l lungimea pendulului;
g acceleraia gravitaional;
poziia fa de vertical a pendulului (unghiul de deviaie fa de vertical a
pendulului) msurat n sens trigonometric;
u momentul aplicat pendulului n vederea meninerii lui n poziie vertical: are
rol de mrime de comand.
Alegnd ca variabile de stare poziia unghiular x1 = (n grade) i viteza
unghiular x 2 = (n grade pe secund), se obine urmtorul model matematic, cu
timp continuu, de intrare ieire al procesului:
x1 = x 2
x 2 =
g
1
sin ( x1 )
u , x [ 80,80] , x 2 [ 30,30]
l
(m + M ) l 2 1
y = x1
care poate fi pus n forma: x = f ( x ) + b(x )u (x )
0
x2
unde f ( x ) = g
, b( x ) =
sin ( x1 )
(m + M ) l 2
l
47
(9)
Sisteme Expert
Se consider c m=0.5, M=0.5, l=1, g=9.8.

Se definesc funciile de apartenen ale VL de intrare:
1.1
P( x1)
Z ( x1)
0.5
N( x1)
Pozitiv
Zero
Negativ
0
0
80
60
40
20
80
20
40
60
80
x1
80
Figura 4.7 Funciile de apartenen ale VL poziia unghiular (x1).

i
P( x2)
Z ( x2)
0.5
N( x2)
Pozitiv
Zero
Negativ
0
30
20
10
10
20
30
x2
Figura 4.8 Funciile de apartenen ale VL viteza unghiular (x2).

Se definete funcia V de tip Lyapunov:
1
V ( x ) = (x12 + x 22 ), V (0 ) = 0
2
Prin urmare:
g
1
V x1 , x 2 = x1 x 2 + x 2 x 2 = x 2 x1 + sin x1
l
(m + M )l 2
V (0 ) = 0
( )
48
u ,
Sisteme Expert
Avnd dou VL de intrare fiecare cu cte trei TL, numrul maxim de reguli este 9.
Acestea sunt reprezentate n tabelul urmtor:
Regula
Consecina
Premiza
x1
x2
x1 + g
x1 g
x1 g
x1 + g
x1 + x 2 + g sin ( x1 )
x1 + x 2 + g sin ( x1 )
x1 + g
x1 g
x1 + x 2 + g sin ( x1 )
Semnalul de control, u urmnd a fi determinat n urma aplicrii teoremei 2.

Se analizeaz fiecare sistem format dintr-o regul fuzzy (din RG-F) i PC descris
de ecuaia (1):
Regula 1: Dac x1 este P i x2 este P, adic x1 [0,80] , x 2 [0,30] , atunci
u1 = x1 + g , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x 1 < 0
2
1
Regula 2: Dac x1 este N i x2 este N, adic x1 [ 80,0] , x 2 [ 30,0] , atunci
u 2 = x1 g de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
Regula 3: x1 este P i x2 este N, adic x1 [0,80] , x 2 [ 30,0] , atunci

49
( ( ) )
u = x g sin x + 1 < 0
2
1
Sisteme Expert
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
( ( ) )
u = x g sin x + 1 < 0
2
1
pentru x 0 .
Regula 4: Dac x1 este N i x2 este P, adic x1 [ 80,0] , x 2 [0,30] , atunci
u 4 = x1 + g , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x 1 < 0
2
1
Regula 5: Dac x1 este P i x2 este Z, adic x1 [0,80] , x 2 [ 5,5] , atunci

u 5 = x1 + x 2 + g sin ( x1 ) , de unde rezult:
1
g
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u = x 2 < 0 pentru x 0 .
2
Regula 6: Dac x1 este N i x2 este Z, adic x1 [ 80,0] , x 2 [ 5,5] , atunci

1
g
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u = x 2 < 0 pentru x 0 .
2
Regula 7: Dac x1 este Z i x2 este P, adic x1 [ 10,10] , x 2 [0,30] , atunci

u 7 = x1 + g , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x 1 < 0
2
1
Regula 8: Dac x1 este Z i x2 este N, adic x1 [ 10,10] , x 2 [ 30,0] , atunci

g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
50
( ( ) )
u = x g sin x + 1 < 0
2
1
Sisteme Expert
pentru x 0 .
Regula 9: Dac x1 este Z i x2 este Z, adic x1 [ 10,10], x 2 [ 5,5] , atunci
1
g
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u = x 2 < 0 pentru x 0 .
2

Figura de mai jos reprezint simularea procesului pentru m=0.5 Kg, M=0.5 Kg,
90
pozitia unghiular
viteza unghiular
60
30
x1( t )
0
x2( t )
30
60
90
10
15
l=1 m, g=9.8 m/s i x0 = [80,30] :

-1
Figura 4.9. Simularea procesului pentru x0 = [80,30] .
51
20
Sisteme Expert
Reprezentarea evoluiei comenzii u n funcie de timp, pentru x0 = [80,30]:
100
evolutia comenzii u
50
u x1( t ) , x2( t )
50
100
10
15
20
Figura 4.10. Evoluia comenzii u n funcie de timp, pentru x0 = [80,30].
4.8 Algoritmul pentru proiectarea unui sistem fuzzy stabil, de tip TakagiSugeno
Algoritmul pentru proiectarea unui sistem fuzzy stabil, ce va fi descris n

continuare, se bazeaz pe teorema 3.
Definiia 4.1 Un subsistem fuzzy asociat regulei fuzzy i este un sistem compus
dintr-un proces descris de ecuaia (1) controlat numai de ui, care este consecina
regulei fuzzy i.
Ideea de la care se pleac n proiectarea algoritmului este determinarea
fiecrei variabile de control ui astfel nct fiecare subsistem fuzzy asociat regulei i
s fie stabil n raport cu aceeai funcie Lyapunov. innd cont de aceste lucruri
paii algoritmului pentru proiectarea unui sistem fuzzy stabil, de tip TakagiSugeno.sunt:
Pasul 1: Determinarea ecuaiei procesului neliniar i implicit a variabilelor de
stare,
Pasul 2: Determinatea funciilor de apartenen ale termenilor lingvistici,
Pasul 3: Determinarea bazei de reguli fuzzy,
52
Sisteme Expert
Pasul 4: Determinarea funciei de tip Lyapunov i a derivatei sale,
Pasul 5: Analizarea stabilitii fiecrui subsistem fuzzy n parte i determinarea
semnalului de control ui astfel nct fiecare subsistem fuzzy s fie stabil.
Dup ndeplinirea tuturor pailor algoritmului, n baza teoremei 2, rezult c
ntregul sistem de reglare automat cu sistem fuzzy este stabil.
n paragraful 4.3 este dat un exemplu care se bazeaz pe algoritmul enunat mai
sus.
n continuare se generalizeaz exemplul dat n paragraful 4.3, exemplificndu-se
totodat folosirea algoritmului enunat mai sus:
Pasul 1: variabilele de stare (termenii lingvistici de intrare) sunt unghiul
pendulului fa de vertical x1 = (n grade) i viteza unghiular x 2 = (n
grade/secund). ecuaiile care descriu procesul sunt:
x1 = x2
,
g
1
x 2 = sin x1
u
l
(m + M ) l 2
( )
x1 [ 80,80] , x2 [ 30,30] .
Pasul 2: Funciile de apartenen a variabilelor de stare x1 i x2 :
P( x1)
Z ( x1)
0.5
N( x1)
Pozitive
Zero
Negative
0
80
60
40
20
20
40
60
80
x1
Figura 4.11. Funciile de apartenen a variabilei de stare x1.
53
Sisteme Expert
P( x2)
Z ( x2)
0.5
N( x2)
Pozitiv
Zero
Negativ
0
30
20
10
10
20
30
x2
Figura 4.12. Funciile de apartenen
a variabilei de stare x2 .
Pasul 3: Baza de reguli fuzzy:

P
x1
x2
Semnalele de control ui trebuie determinate prin aplicarea teoremei 2.

Pasul 4: Funcia lui Lyapunov este:
V (x ) =
1 2
x1 + x 22 .
2
g
1
Atunci V x1 , x 2 = x1 x 2 + x 2 x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u .
Pasul 5: Se analizeaz stabilitatea fiecrui subsistem fuzzy n parte i se

determin semnalele de control ui astfel nct acestea s fie stabile.
Regula 1: x1 este P i x2 este P, adic x1 [0,80] , x 2 [0,30] , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1
l
(m + M )l 2
( )
u < 0 pentru x 0 .
54
u =< 0 dac
Sisteme Expert
Prin urmare variabila de control trebuie s satisfac condiia:
(
( ))
u = (m + M ) l (x l + g ) > (m + M ) l (x l + g sin (x ))
1
1
1
u > (m + M ) l x l + g sin x . Vom lua

1
1
Regula 2: x1 este N i x2 este N, adic x1 [ 80,0] , x 2 [ 30,0] , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u > 0 pentru x 0 .
Deci, variabila de control trebuie s satisfac condiia:
(
( ))
u = (m + M ) l (x l g ) < (m + M ) l (x l + g sin (x )).
1
1
1
u < (m + M ) l x l + g sin x . Prin urmare vom lua
1
1
Regula 3: x1 este P i x2 este N, adic x1 [0,80] , x 2 [ 30,0] , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u > 0 pentru x 0 .
(
( ))
1
1
1
u < (m + M ) l x l + g sin x . Vom lua

1
1
Regula 4: x1 este N i x2 este P, adic x1 [ 80,0] , x 2 [0,30] , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1
l
(m + M )l 2
( )
Prin
urmare
variabila
u < 0 dac
u < 0 pentru x 0 .
de
( ))
control
trebuie
u > (m + M ) l x l + g sin x . Vom considera

1
1
55
satisfac
condiia:
Sisteme Expert
( ))
u = (m + M ) l x l + g > (m + M ) l x l + g sin x
1
1
1
Regula 5: x1 este P i x2 este Z, adic x1 [0,80] , x 2 [ 5,5] . O soluie ar fi

aducerea
lui
V ( x1 , x 2 ) = x 22 < 0
g
1
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
Acest
lucru
se
la
ntmpl
forma
dac
( )
u = x1 + x2 + sin x1 (m + M ) l 2 .
l
Regula 6: x1 este N i x2 este Z, adic x1 [ 80,0] , x 2 [ 5,5] . Se procedeaz ca
( )
la regula 5, i deci: u = x + x + sin x (m + M ) l 2 .

1
2
1
l
Regula 7: x1 este Z i x2 este P, adic x1 [ 10,10] , x 2 [0,30] de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u < 0 pentru x 0 .
(
( ))
u = (m + M ) l (x l + g ) > (m + M ) l (x l + g sin (x )).
1
1
1
u > (m + M ) l x l + g sin x . Vom considera

1
1
Regula 8: x1 este Z i x2 este N, adic x1 [ 10,10] , x 2 [ 30,0] de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u > 0 pentru x 0 .
(
( ))
1
1
1
u < (m + M ) l x l + g sin x . Vom lua
1
1
56
Sisteme Expert
Regula 9: x1 este Z i x2 este Z, adic x1 [ 10,10], x 2 [ 5,5] . Se procedeaz ca
( )
la regula 5, i deci: u = x + x + sin x (m + M ) l 2 .

1
2
1
l
Fiind analizate toate regulile posibile i determinate expresiile TL de ieire, baza

de reguli are forma urmtoare:
Regula
Consecina
Premiza
x1
x2
(m + M ) l (x1 l + g )
(m + M ) l (x1 l + g )
2
x1 + x2 + sin x1 (m + M ) l
l
2
x1 + x2 + sin x1 (m + M ) l
l
(m + M ) l (x1 l g )
x1 + x 2 + sin x1 (m + M ) l 2
l
(m + M ) l (x1 l g )
(m + M ) l (x1 l g )
( )
( )
(m + M ) l (x1 l + g )
( )
57
Sisteme Expert
n continuare este dat simularea exemplului pentru m=0.5kg, M=1 kg, l=2 m,
g=9.8m/s-1 i condiiile iniiale x0=[-80,30]:
90
pozitia unghiular
viteza unghiular
60
30
x1( t )
0
x2( t )
30
60
90
10
15
20
25
30
35
Figura 4.13. Simularea exemplului pentru valorile iniiale x0=[-80,30]
500
evolutia comenzii u
400
300
200
u x1( t ) , x2( t )
100
0
100
200
300
400
500
10
15
20
25
30
Figura 4.14. Evoluia comenzii pentru valorile iniiale x0=[-80,30]
58
35
Sisteme Expert
4.9 Analiza stabilitii sistemelor de reglare automat cu sistem fuzzy de tip
Mamdani, pentru sisteme neliniare
n acest subcapitol se analizeaz stabilitatea sistemelor de reglare automat cu
sistem fuzzy de tip Mamdani. O baz de reguli fuzzy de tip Mamdani este
alctuit din reguli de forma:
Regula i:
IF x1 este X i ,1 AND x 2 este X i ,2 ANDAND xn este X i ,n
THEN
u este Yi
premiza
concluzia
unde X i ,1 , X i , 2 ,..., X i ,n , i = 1,..r sunt mulimi fuzzy reprezentnd termenii lingvistici

de intrare,
r
i, j
= X j , j = 1,2,.., n .
i =1
i :
r - numrul de reguli fuzzy,
i numrul regulei,
n numrul de VL, de intrare,
u variabila de ieire semnalul de control,
Yi - mulimile fuzzy asociate TL de
ieire.
Cele mai frecvente metode de inferen folosite n cazul sistemelor de reglare

automat cu sistem fuzzy de tip Mamdani sunt:
5. Inferena MIN-MAX. Evaluarea bazei de reguli se face utiliznd urmtorii
operatori:
6.
conectori n premiz: AND MIN, OR MAX
concluzionare: MIN
conectarea regulilor: MAX
Inferena PROD-MAX. Evaluarea bazei de reguli se face utiliznd

urmtorii operatori:
-
concluzionare: PROD asupra TL de ieire activat
conectarea regulilor: MAX

59
Sisteme Expert
7. Inferena PROD-SUM. Evaluarea bazei de reguli se face utiliznd

urmtorii operatori:
-
conectori n premiz: AND PROD, OR SUM
concluzionare: PROD asupra TL de ieire activat
conectarea regulilor: SUM
8. Inferena MIN-SUM. Evaluarea bazei de reguli se face utiliznd urmtorii

operatori:
-
concluzionare: MIN asupra TL de ieire activat
conectarea regulilor: SUM
Conform teoremei 3, dac P este o matrice ptratic, simetric, pozitiv definit i

1. V (0 ) = 0 , V (x ) = x T Px cnd x ;
2. V ( x ) < 0, x 0 , V (0 ) = 0 n raport cu fiecare regul fuzzy n parte ;
3. u min (x ) u ( x ) u max (x ), x X 1 ... X n ,
atunci sistemul format din RG-F, de tip Mamdani i PC descris de ecuaia (1), este
asimptotic stabil n origine.
4.10 Analiza stabilitii sistemelor de reglare automat cu sistem fuzzy de tip
AND-SUM-COG
n continuare se studiaz stabilitatea sistemelor de reglare automat cu sistem
fuzzy de tip AND-SUM-COG:
-
conectori n premiz: AND MIN, PROD, T-NORM
gradul de activare al regulei k este :
k ( x ) = X i ,1 ( x1 )AND...AND X i , n ( x n ) = AND X i ,1 ( x1 ),.., X i , n ( x n )

-
Semnalul
u k (x ) =
de
comand
y c k (x ) dy
Yk
c k (x ) dy
Yk
concluzionare: se calculeaz ck ( x ) = AND k ( x ), Yk ( y ) .
pentru
singur
y c k (x ) dy
Y
c k (x ) dy
conectarea regulilor se va face prin formula:

60
regul
va
fi:
Sisteme Expert
c( x ) = c1 (x ) + c2 (x ) + + cn (x )
-
metoda de defuzificare COG:
y c(x ) dy
u (x ) =
c(x ) dy
i
y AND (x ), Yk ( y ) dy
i =1
AND( (x ), ( y )) dy
n
Y i =1
Yk
Propoziie 5.1: Pentru un sistem fuzzy de tip AND-SUM-COG are loc

urmtoarea relaie:
u min u ( x ) u max ,
u min = min (u k ( x )) i
unde
u max = max(u k ( x )) pentru
k =1r
k =1r
un x X dat.
Demonstraie:
Fie x X . Notm cu Ak = ck ( x ) dy . Prin urmare
Y
uk (x ) =
y c (x ) dy y c (x ) dy
k
ck (x ) dy
Ak
, de unde u k ( x ) Ak = y c k (x ) dy .
Y
Atunci
u (x ) =
y c ( x ) dy
Y
c ( x ) dy
Y
y (c1 (x ) + c 2 (x ) + + c n (x )) dy
Y
(c1 (x ) + c 2 (x ) + + c n (x )) dy
u1 ( x ) Ak + + u n ( x ) An
A1 + + An
Dac u min = min (u k ( x )) i u max = max(u k ( x )) atunci rezult:

k =1n
u (x ) =
k =1n
u k (x ) A1 + + u n (x ) An u max (x ) A1 + + u max (x ) An u max (x ) ( A1 + + An )
=
= u max
A1 + + An
A1 + + An
A1 + + An
u k (x ) A1 + + u n (x ) An u min (x ) A1 + + u min (x ) An u min (x ) ( A1 + + An )
=
= u min
A1 + + An
A1 + + An
A1 + + An
Prin urmare rezult: u min u ( x ) u max pentru un x X dat.
u (x ) =
61
Sisteme Expert
Un caz particular al teoremei 3 este dat de urmtoarea teorem care asigur
stabilitatea sistemului de reglare automat cu sistem fuzzy de tip AND-SUMCOG descris n figura 1:
Teorema 4 : Dac
1. P este o matrice pozitiv definit i V (x ) = x T Px cnd x ,
2. V (x ) este derivabil cu derivatele pariale continue,
3. V ( x ) < 0, x 0 , V (0 ) = 0 n raport cu fiecare regul fuzzy n parte ,
atunci sistemul format din RG-F de tip AND-SUM-COG i PC descris de ecuaia
(1), este asimptotic stabil n origine.
Exemplu de reglare automat cu sistem fuzzy de tip Mamdani.
4.11
Se consider urmtorul sistem (spring-mass-damper system) ce urmeaz a fi

controlat de ctre un sistem fuzzy euristic:
Variabilele de stare suficiente pentru a descrie acest
sistem sunt exprimate de poziia i viteza masei
k
definite prin (x1 , x2 ) , unde:

x1 (t ) = y (t ) i x2 (t ) =
dy (t )
.
dt
Ecuaia diferenial care descrie comportamentul
sistemului este dat de:

y(t)
u(t)
d2y
dy
+ b + ky = u (t )
2
dt
dt
(13)
Figura 4.15. Spring-mass-damper system.

unde :
M masa prins de resort;
k constanta resortului;
b coeficientul de frecare dintre perete i mas;
u comanda.
Pentru a scrie ecuaia (13) n termeni de variabile de stare , se substituie
variabilele de stare definite i se obine:
M
d 2 x2
dx
+ b 2 + kx1 = u (t ) ,
2
dt
dt
62
Sisteme Expert
din care se obine urmtorul sistem de dou ecuaii difereniale de gradul nti:
dx1
= x2
dt
dx2
x
k
1
= b 2
x1 +
u
dt
M M
M
n cazul de fa se ia b=0.1, M=6, k=6.

Considerm funcia de tip Lyapunov:
V (x ) =
1 2
1
0.1 1
k
b
x1 + x22 V (x ) = x1 x2 + x2 x2 x1 + u = x22
+ x2 u (14)
2
6 6
M
M
M
i V (0 ) = 0 , V (0 ) = 0 .
Pentru control se folosete un sistem fuzzy de tip MIN-SUM-COG (Mamdani) cu
urmtoarea structur:
- n graficul urmtor sunt reprezentate funciile de apartenen care descriu
termenii lingvistici ai variabilelor lingvistice ale lui x1 i x2 :
0.5
Negativ
Zero
Pozitiv
0
0.5
0.5
Figura 4.16. Funciile de apartenen ale lui x1 i x2 .

- n graficul urmtor sunt reprezentate funciile de apartenen care descriu
termenii lingvistici ai comenzii u :
63
Sisteme Expert
1.1
Negativ
Zero
Pozitiv
N ( u)
Z ( u)
0.5
P( u)
0
0
4
5
Figura 4.17. Funciile de apartenen care descriu termenii lingvistici ai

comenzii u.
-
baza de reguli fuzzy:

Regula
Premiza
Consecina
x1
x2
Din baza de reguli fuzzy se observ c dac x2 este Z atunci i u este Z, n rest x2
i u sunt de semn contrar. Astfel, innd cont de (14) rezult:
0.1 1
V (x ) = x 22
+ x 2 u < 0, x 0 pentru orice regul fuzzy.
6 6
Prin urmare, conform teoremei 5 sistemul format din RG-F de tip MIN-SUMCOG i PC descris de ecuaia (13), este asimptotic stabil n origine.
64
Sisteme Expert
4.10
Simularea exemplului
Pentru b=0.1, M=6, k=6 i condiiile iniiale x1 (0 ) = 1, x2 (0 ) = 1 :
1.5
cu sistem fuzzy
0.5
x1( t )
x2( t )
10
12
14
16
18
20
0.5
1.5
t
Figura 4.18. Rezultatul simulrii cu RG-F pentru x0=[1,-1].
1.5
fr sistem
0.5
x1( t )
x2( t )
100
200
300
400
500
0.5
timp (t)
1.5
t
Figura 4.19. Rezultatul simulrii fr RG-F pentru x0=[1,-1]
65
600
Sisteme Expert
Tem de reflecie
Cum poate fi aproximat o funcie cu ajutorul S. E. fuzzy de control. Descrie
i
acest lucru n spaiul liber din chenar.

1. Descriei sistemul (RG-F) de tip T-S.
2. Descriei sistemul (RG-F) de tip Mamdani ?
3. Cum se realizeaz stabilitatea de tip Lyapunov cu ajutorul RG-F ?
4.13
Lucrare de verificare Nr. 4
1. S se realizeze un sistem fuzzy de tip Takagi-Sugeno pentru controlul

temperaturii intr-o ncpere cu aer condiionat.
2. S se realizeze n Mathcad sistemele fuzzy pentru procesele descrise n acest
capitol.
4.14
Bibliografie
1. Michels, K., F. Klawonn, R. Kruse and A. Nurnberger. Fuzzy Control :

Fundamentals, Stability and Design of Fuzzy Controllers. Springer Verlag, Berlin,
Heidelberg, New York. 411 pp. 2006.
2. Jenkins D, Passino K.M. An introduction to Nonlinear Analysis of Fuzzy
Control Systems, Journal of Inteligent and Fuzzy Systems, vol. 7, no. 1, pp. 75103, 1999.
3. W. Pedrycz. Fuzzy Control and Fuzzy Systems. Wiley, New York, second
edition, 1993.
4. tefan Preitl, Radu Emil Precup, Introducere n conducerea fuzzy, Ed. Tehnic
1997.
66

Sisteme Expert ID PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Sisteme Expert ID PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Sisteme Expert

Prezentarea Sistemelor Expert

Sisteme expert fuzzy

Proiectarea sistemelor de control fuzzy

Analiza stabilitii sistemelor de reglare automat cu sisteme

Durata medie de studiu individual - 2 ore

5. Prezentarea Sistemelor Expert

1.1 Structura unui sistem expert

tehnici de programare, ce permit utilizarea a foarte multe cunotine;

construcii i metodologii dezvoltate, ce permit utilizarea acestor tehnici

Fig. 1. Structura general a unui sistem expert

Test de autoevaluare No. 1

6. Sisteme expert fuzzy

reprezentrile grafice ale acestora.

Figura 2.2 Reprezentarea mulimii fuzzy ( v ) a vitezelor mari.

Fie mulimea fuzzy A ={presiune apropiat de 10 bar}.

Figura 2.3 Graficul funciei A~ .

termenilor lingvistici FR, , DC, pentru fiecare subiect n parte:

Figura 2.5 Funcia de apartenen de tip clopotul lui Gauss.

Figura 2.6 Funcia de apartenen de tip cosinus cu flancuri simetrice.

Figura 2.7 Funcia de apartenen cu flancuri de tip cosinus nesimetrice i

Figura 2.9 Funcia de apartenen de form trapezoidal sau funcia cu

Figura 2.10 Funcia de apartenen de tip cu doi parametri.

Figura 2.11 Funcia de apartenen de tip Zadeh cu doi parametri.

Figura 2.12 Funcia de apartenen de tip L cu doi parametri.

Figura 2.13 Funcia de apartenen de tip cu trei parametri, are expresia

nivel iar A' = x X A~ (x ) > se numete -tietur tare.

Definiia 2.5 [Driankov93]

2.4 Variabile i termeni lingvistici

temperatur foarte mic

Urmtorul exemplu grafic ilustreaz structura unei variabile lingvistice.

Figura 2.14 Structura unei variabile lingvistice.

M ( foarte rece ) = {(x, foarte rece ( x )) x X } cu foarte rece (x ) = 1 +

M (rece ) = {( x, rece ( x )) x X } cu rece ( x ) = 1 +

M ( potrivit ) = {(x, potrivit (x )) x X } cu potrivit ( x ) = 1 +

Figura 2.15 Funciile de apartenen aferente TL(Temperatur).

Disjuncia i conjuncia logic fuzzy

Unde pe T o vom numi generatoarea conjunciei fuzzy AND.

Disjuncia fuzzy de n variabile este definit prin

OR(1 , 2 ,... n ) = OR(1 , OR( 2 ,... n )) = OR(OR(1 , 2 ,... n1 ), n )n IN , n F .

Dac notm cu S : [0,1] [0,1] ,

S xi = S ( x1 ,..., xn ) t-conorma de n variabile,

atunci OR(1 , 2 ,... n ) = S (1 , 2 ,... n ) n IN , n F .

Conjuncia fuzzy de n variabile este definit prin

AND(1 , 2 ,... n ) = AND(1 , AND( 2 ,... n )) = AND( AND(1 , 2 ,... n1 ), n )n IN , n F

Dac notm cu T : [0,1] [0,1] , T xi = T ( x1 ,..., xn ) t-norma de aritate n, atunci

AND(1 , 2 ,... n ) = T (1 , 2 ,... n ) n IN , n F .

n tabelul urmtor sunt prezentate cteva clase importante de disjuncii i

Dubois & Prade

Test de autoevaluare No. 2

2. Proiectarea sistemelor de control fuzzy

Fig. 3.1 Schema bloc de principiu aferent unui SRA-RF.

3.1 Structura regulilor fuzzy

R: if propozitie fuzzy then propozitie fuzzy

care este echivalent cu

iar din punct de vedere matematic este echivalent cu:

( TL ) al variabilei lingvistice (variabilei de stare) i (VLi ) care are

Modul corect de interpretare al regulilor fuzzy este esenial pentru nelegerea

Fig. 3.2 Structura unui mecanism de inferen fuzzy.

Modulul de fuzificare a datelor de intrare.

inferenei globale output : X U [ 0,1] iar rezultatul defuzzificrii l vom nota cu

Observaie: u U este variabila de ieire (control) a sistemului, iar valoarea lui

. Pentru cazul discret u