IA08 Fuzzy

Inteligen artificial
8. Logica vag (fuzzy)

Florin Leon
Universitatea Tehnic Gh. Asachi Iai
Facultatea de Automatic i Calculatoare
http://florinleon.byethost24.com/curs_ia.htm
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Logica vag
1.
2.
3.
4.
5.
6.
Logica clasic i logica vag

Operaii cu mulimi vagi
Tipuri de inferen
Sistem expert fuzzy
Controlere fuzzy
Concluzii
Logica vag
1.
2.
3.
4.
5.
6.

Tipuri de inferen
Sistem expert fuzzy
Controlere fuzzy
Concluzii
Incompletitudinea
Logica clasic consider valoarea de adevr a

propoziiilor n termeni de adevrat sau fals
Legea terului exclus
Viaa de zi cu zi: cerul este albastru
Civa nori?
Oamenii gndesc mai flexibil, n condiii de
incompletitudine
Incertitudine i imprecizie
Incompletitudinea unei informaii se exprim

pe dou scri:
Scara incertitudinii
ncrederea care i se acord informaiei (informaie cert)
Scara impreciziei
Coninutul informaional (informaie precis,

cu o singur valoare)
Exemplu: opinii despre rezultatele

recensmntului din 2011
Institutul Naional de Statistic a precizat c la 20 octombrie

2011, populaia stabil a Romniei era de 19.043.767 locuitori.
Populaia Romniei este n mod sigur sub 20 milioane de

locuitori.
Informaie incert, dar precis (chiar dac este incorect)
Am impresia c rezultatul era n jur de 19 de milioane.
Informaie cert, dar imprecis (valoarea aparine intervalului

0 20.000.000)
Cred c populaia Romniei este de 19.000.000 locuitori.
tire sigur i precis (complet)
Informaie incert i imprecis
N-am nici cea mai vag idee.
Non-informaie, toate valorile sunt egal probabile

Grad maxim de incertitudine i imprecizie
Logica clasic i bunul sim
Logica clasic praguri stricte
Limit de nlime 1,80 m

Ion are 1,81 m este nalt
Vasile are 1,79 m nu este nalt
Nuane lingvistice greu de reprezentat
Chiar dac transformatorul este uor

suprancrcat, mai putem menine puin
aceast ncrcare
Iaul este un ora destul de mare
Mainile electrice nu sunt foarte rapide
Limitri
Filosoful cretan spune c toi cretanii mint

Frizerul satului i tunde pe toi cei care nu se
tund singuri
n logica clasic acestea sunt paradoxuri sau
contradicii
Ar putea fi considerate ns parial adevrate
Scurt istoric
Jan ukasiewicz (1930): teoria posibilitii
De exemplu, posibilitatea ca un om de 1,81 m

s fie foarte nalt este 0,86
Max Black (1937): imprecizia este o form de

probabilitate
Cnd un scaun nu mai este considerat scaun ci buturug
Procentul de persoane care ar denumi obiectul scaun
Definirea unei mulimi vagi simple i a unor operaii
Lotfi Zadeh (1965): Fuzzy Sets (Mulimi vagi)
Sistem formal de logic matematic

Includerea termenilor din limbajul natural
Exemplu
Degree of Membership
Crisp
Fuzzy
1
1.00
1
1.00
Name
Height, cm
Chris
Mark
208
205
John
Tom
198
181
1
1
0.98
0.82
David
Mike
179
172
0
0
0.78
0.24
Bob
Steven
Bill
Peter
167
158
155
152
0
0
0
0
0.15
0.06
0.01
0.00
10
Comparaie
0 1
(a) Boolean Logic.
0 0
0.2
0.4
0.6
0.8
1 1
(b) Multi-valued Logic.
11
Logica vag
1.
2.
3.
4.
5.
6.

Tipuri de inferen
Sistem expert fuzzy
Controlere fuzzy
Concluzii
12
Noiuni de baz
Universul de discurs
Axa X: domeniul tuturor valorilor posibile

aplicabile unei variabile
n exemplul anterior: nlimea
Gradul de apartenen
Axa Y
Valori n intervalul [0,1]
13
Formalizare
14
Mulimi multiple
Degree of
Membership
1.0
Crisp Sets
Short
0.8
Average
Short
Tall
Tall Men
0.6
0.4
0.2
0.0
150
160
170
Degree of
Membership
1.0
180
190
200
210
Height, cm
200
210
Fuzzy Sets
0.8
Short
0.6
Tall
Average
0.4
Tall
0.2
0.0
150
160
170
180
190
15
Suport
16
nlimea
17
Nucleu
18
Incluziuni. Egalitate
19
Numere fuzzy
De multe ori, oamenii nu pot caracteriza precis

informaiile numerice, folosind formulri precum
aproape 0, n jur de 100 etc.
n teoria mulimilor fuzzy, aceste numere pot fi
reprezentate ca submulimi fuzzy ale mulimii
numerelor reale
Un numr fuzzy A este o mulime fuzzy a
mulimii numerelor reale, cu o funcie de
apartenen convex i continu i suport
mrginit
20
Numr fuzzy triunghiular
21
Numr fuzzy triunghiular
22
Numr fuzzy trapezoidal
23
Numr fuzzy trapezoidal
24
Funcia gaussian
cvasi-numr fuzzy
25
Funcia Bell generalizat
26
Funcia S
27
Funcia (simetric)
28
Funcia (asimetric)
29
Tietura alfa
30
Funcii aritmetice fuzzy
Pentru 2 numere interval fuzzy [a,b] i [d,e]:

Adunarea
Scderea
[a,b] - [d,e] = [a-e, b-d]
nmulirea
[a,b] + [d,e] = [a+d, b+e]
[a,b] [d,e] = [min(ad,ae,bd,be), max(ad,ae,bd,be)]
mprirea
[a, b] / [c, d] = [a, b] [1/d, 1/c] =

[min(a/c, a/d, b/c, b/d), max(a/c, a/d, b/c, b/d)]
31
Restrictori
engl. hedge, gard viu

Mulimile fuzzy pot reprezenta n mod cantitativ
termeni lingvistici vagi
n vorbirea curent, oamenii folosesc o serie de
adverbe pentru nuanarea acestora, precum
foarte, aproape, oarecum etc.
Teoria mulimilor fuzzy face posibil
reprezentarea lor cu ajutorul unor restrictori care
modific matematic funcia de apartenen a
mulimii fuzzy considerate
32
Concentrarea
Concentrarea (foarte) are ca efect

reducerea valorilor de apartenen ale
elementelor cu grad de apartenen mici
33
Puterea
Puterea (foarte foarte) este o extensie a

concentraiei
34
Dilatarea
Dilatarea (oarecum) dilat elementele fuzzy

prin mrirea valorilor de apartenen ale
elementelor cu grade de apartenen mici
35
Intensificarea
Intensificarea (ntr-adevr) are ca efect

mrirea gradelor de apartenen de peste 0,5
i micorarea celor sub 0,5
36
Operaii cu mulimi fuzzy
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
37
Norme triunghiulare
Aceste operaii pot fi definite cu ajutorul unor funcii numite

t-norm (T) i t-conorm (S)
38
Exemple
Exist foarte multe familii de norme !
39
Intersecia
40
Reuniunea
41
Complementul
42
Exemple
Mulimi cu doar 2 elemente
43
Logica vag
1.
2.
3.
4.
5.
6.

Tipuri de inferen
Sistem expert fuzzy
Controlere fuzzy
Concluzii
44
Reguli fuzzy
Lotfi Zadeh (1973)
Reprezentarea cunotinelor umane sub form de

reguli fuzzy
DAC x este A ATUNCI y este B
x i y sunt variabile lingvistice

A i B sunt valori lingvistice determinate de
mulimile fuzzy n universurile de discurs X i Y
45
Exemplu
Regula 1
Regula 2
DAC Viteza este nceat

ATUNCI Distana-de-oprire este Mic
Universuri de discurs
DAC Viteza este Rapid

ATUNCI Distana-de-oprire este Mare
Viteza (n km/h)
Distana-de-oprire (n m)
Mulimi fuzzy
Vitez nceat, Vitez Rapid

Distan Mic, Distan Mare
46
Selecia monoton
IF Height is Tall THEN Weight is Heavy
Degree of
Membership
1.0
Degree of
Membership
1.0
Tall men
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
160
180
190
200
Height, cm
Heavy men
70
80
100
120
Weight, kg
47
Antecedeni i consecveni
multipli
48
Modus Ponens generalizat
49
Tipuri de implicaie
50
Inferena Mamdani (max-min)
51
Inferena Mamdani (II)
52
Inferena Mamdani (III)
53
Inferena Larsen (max-produs)
54
Inferena Larsen (II)
55
Inferena Larsen (III)
56
Defuzzificarea
Reprezint obinerea unei valori stricte dintr-o

mulime fuzzy, ca valoare reprezentativ
Exist mai multe metode:
Centrul de greutate
Media maximului
Cel mai mic maxim
Cel mai mare maxim
57
Centrul de greutate
Numit i centroid
58
Inferena Mamdani cu
reguli multiple
Inferena presupune 4 pai:
Fuzzificarea variabilelor de intrare

Evaluarea regulilor
Agregarea ieirilor regulilor
Defuzzificarea
59
Exemplu
O problem cu 2 intrri i 1 ieire, 3 reguli
Regula 1
Regula 2
Regula 3
IF
x is A3
OR
y is B1
THEN z is C1
Regula 1
IF
project-funding is adequate
OR
project-staffing is small
THEN risk is low
IF
x is A2
AND y is B2
THEN z is C2
Regula 2
IF
project-funding is marginal
AND project-staffing is large
THEN risk is normal
IF
x is A1
THEN z is C3
Regula 3
IF
project-funding is inadequate
THEN risk is high
60
Pasul 1. Fuzzificarea
Pentru intrrile stricte date x1 i y1 (project

funding i project staffing) se determin gradele
de apartenen n mulimile corespunztoare
61
Pasul 2. Evaluarea regulilor
Intrrile fuzzificate se aplic

antecedenilor (premiselor) regulilor
Dac o regul are antecedeni multipli,
se aplic operatorii fuzzy de intersecie
sau reuniune
62
Evaluarea de tip Mamdani
63
Pasul 3. Agregarea ieirilor
Agregarea presupune reunirea ieirilor tuturor

regulilor, rezultnd cte o mulime fuzzy
pentru fiecare variabil de ieire
64
Pasul 4. Defuzzificarea
Mulimile fuzzy agregate sunt transformate n

valori stricte dup o metod de defuzzificare
(de exemplu metoda centrului de greutate)
65
Inferena TSK
Inferenele de tip Mamdani sau Larsen presupun

integrarea funciilor de apartenen pentru
defuzzificare, ceea ce nu este foarte eficient din
punct de vedere computaional
Inferena de tip Takagi-Sugeno-Kang este de forma:
DAC x este A I y este B ATUNCI z este f(x,y)

f este o funcie matematic
66
Inferena Sugeno
67
Exemplu
Presupunem nite funcii

de apartenen oarecare
68
Exemplu
69
Modelul de ordin zero
Cel mai utilizat model de inferen TSK

este modelul Sugeno de ordin zero, n
care ieirea fiecrei reguli fuzzy este o
constant
DAC x este A I y este B ATUNCI z este k
70
Evaluarea de tip
Sugeno de ordin zero
71
Agregarea ieirilor i
defuzzificarea
Media ponderat
72
Mamdani sau Sugeno?
Metoda Mamdani
Utilizat pe scar larg pentru reprezentarea cunotinelor

expert
Permite descrierea mai intuitiv a cunotinelor
Are ns dezavantajul unui efort de calcul mai mare
Metoda Sugeno
Eficient computaional
Rezultate bune n probleme de optimizare i tehnici adaptive
Mai potrivit pentru probleme de control, n special pentru
sisteme neliniare dinamice
73
Logica vag
1.
2.
3.
4.
5.
6.

Tipuri de inferen
Sistem expert fuzzy
Controlere fuzzy
Concluzii
74
Studiu de caz
Un centru de service pstreaz componente de

schimb i repar componente defecte
Clienii aduc un component defect i primesc o
pies de schimb de acelai tip
Componentele defecte sunt reparate i repuse n
circuit
Obiectivul sistemului expert este de a ajuta
managerul n luarea deciziilor astfel nct clienii
s rmn mulumii
75
Procesul de dezvoltare al unui

sistem expert fuzzy
Specificarea problemei i definirea variabilelor

lingvistice
Determinarea mulimilor fuzzy
Construirea regulilor fuzzy
Codarea mulimilor, regulilor i procedurilor
de inferen
Evaluarea i rafinarea sistemului
76
Specificarea problemei i
definirea variabilelor lingvistice
Exist 4 variabile lingvistice:
Timpul mediu de ateptare (ntrzierea

medie) m
Factorul de utilizare a reparaiilor
= nr. clieni venii / nr. clieni plecai
Numrul de angajai s
Numrul iniial de piese de schimb n
Aceasta este ieirea sistemului, trebuie

determinat: n = f(m, , s)
77
78
Determinarea mulimilor fuzzy
De obicei se utilizeaz numere fuzzy

triunghiulare sau trapezoidale pentru
cunotinele expert
n general sunt reprezentri adecvate i suficiente

pentru cunotine
Se simplific i procesul de calcul: formule simple
pentru determinarea gradelor de apartenen
79
ntrzierea medie m
O ntrziere mai mare nu este acceptabil

80
Numrul de angajai s
81
Factorul de utilizare a
reparaiilor
82
Numrul de piese de schimb n
83
Construirea regulilor fuzzy
Expertul trebuie s furnizeze cunotinele

privind regulile
Expertul poate fi orice surs de cunoatere:
cri, baze de date, scheme logice,
comportamente umane observate etc.
84
Reprezentarea regulilor prin

memorii asociative fuzzy
Valorile lui n
s
L
VS
RL
RS
VL
VS
85
Baza de reguli 1
1. If (utilisation_factor is L) then (number_of_spares is S)
2. If (utilisation_factor is M) then (number_of_spares is M)
3. If (utilisation_factor is H) then (number_of_spares is L)
4. If (mean_delay is VS) and (number_of_servers is S) then (number_of_spares is VL)
5. If (mean_delay is S) and (number_of_servers is S) then (number_of_spares is L)
6. If (mean_delay is M) and (number_of_servers is S) then (number_of_spares is M)
7. If (mean_delay is VS) and (number_of_servers is M) then (number_of_spares is RL)
8. If (mean_delay is S) and (number_of_servers is M) then (number_of_spares is RS)
9. If (mean_delay is M) and (number_of_servers is M) then (number_of_spares is S)
10.If (mean_delay is VS) and (number_of_servers is L) then (number_of_spares is M)
11.If (mean_delay is S) and (number_of_servers is L) then (number_of_spares is S)
12.If (mean_delay is M) and (number_of_servers is L) then (number_of_spares is VS)
86
Baza de reguli 2: tabela de reguli

Rule
Rule
Rule
VS
VS
10
VS
19
VS
VL
VS
11
VS
20
VS
12
VS
21
VS
VS
13
VS
RS
22
VS
VS
14
23
VS
15
VS
24
VS
16
VS
25
VS
RL
17
RS
26
VS
18
27
RS
87
s
L
M
S
VS VS VS
VS VS VS
S
S
VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
H
VS VS VS
M
L
VS
S
M
RL
RS
VL
VS
s
M
RS
RS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
m
Baza de reguli 2: memoria asociativ fuzzy
88
Implementarea sistemului
Folosind un limbaj de programare
De exemplu: C#, Java, C++ etc.
Folosind un instrument de dezvoltare

specializat
De exemplu: Matlab Fuzzy Toolbox,

Fuzzy Knowledge Builder etc.
89
Evaluare i rafinare
Este cea mai laborioas faz

Reprezint validarea sistemului n raport cu
cerinele specificate
Unele instrumente pot genera suprafee de
decizie care ajut la analizarea
performanelor sistemului
90
Baza de reguli 1
number_of_spares
0.6
0.5
0.4
0.3
0.2
0
1
0.2
0.8
0.6
0.4
0.4
0.6
mean_delay
0.2
0
number_of_servers
91
Baza de reguli 1
number_of_spares
0.6
0.5
0.4
0.3
0.2
0
1
0.2
0.8
0.6
0.4
0.4
0.6
mean_delay
0.2
0
utilisation_factor
92
Baza de reguli 2
number_of_spares
0.35
0.3
0.25
0.2
0.15
0
1
0.2
0.8
0.6
0.4
0.4
0.6
mean_delay
0.2
0
number_of_servers
93
Baza de reguli 2
number_of_spares
0.5
0.4
0.3
0.2
0
1
0.2
0.8
0.6
0.4
0.4
0.6
mean_delay
0.2
0
utilisation_factor
94
Rafinarea
Dac performanele nu sunt

satisfctoare, se pot include n
model mulimi suplimentare
De exemplu Rather Small i Rather Large

pe universul de discurs al numrului de
angajai s
Se extinde i baza de reguli
95
Mulimile modificate pentru s
96
Baza de reguli 3: memoria asociativ fuzzy

s
s
L
RL
M
RS
S
VS VS VS
VS VS VS
S
S
VS
VS VS VS
VS VS VS
S
S
VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
VS VS VS
H
VS VS VS
M
L
VS
S
M
L
RL
S
S
RS
RS
RS VL
RL
RS
S VL
VS
s
L
RS
RL
RS
m
M RS
RL RL
m
s
VS
RS
VS
VS
VS
VS
VS
VS
VS
m
M VS
VS
VS
RS VS
VS
VS
S VS
VS
VS
VS
m
97
Baza de reguli 3
0.35
number_of_spares
0.3
0.25
0.2
0.15
0
1
0.2
0.8
0.6
0.4
0.4
0.6
mean_delay
0.2
0
number_of_servers
98
Baza de reguli 3
number_of_spares
0.5
0.4
0.3
0.2
0
1
0.2
0.8
0.6
0.4
0.4
0.6
mean_delay
0.2
0
utilisation_factor
99
Rafinarea sistemelor fuzzy (I)
Se analizeaz variabilele de intrare i ieire i dac

este nevoie se redefinesc domeniile de definiie
Se analizeaz mulimile fuzzy i dac este nevoie
se adaug mulimi suplimentare pe universul de
discurs
Mulimile mari conduc la un comportament nenuanat al

sistemului
Trebuie s existe o suprapunere suficient n

mulimile vecine
Se recomand o suprapunere de 25%-50% din baze

(pentru numerele triunghiulare i trapezoidale)
100
Rafinarea sistemelor fuzzy (II)
Se analizeaz regulile existente i dac este nevoie

se adaug noi reguli n baza de reguli
Se examineaz baza de reguli n vederea aplicrii de
restrictori pentru anumite cazuri
Se pot modifica formele unor mulimi
De obicei, sistemele fuzzy sunt tolerante la aproximrile de

form
101
Logica vag
1.
2.
3.
4.
5.
6.

Tipuri de inferen
Sistem expert fuzzy
Controlere fuzzy
Concluzii
102
Exemple
Sistem de control fuzzy pentru stabilizarea

pendulului inversat
Sistem de control fuzzy pentru simularea
funcionrii unei macarale
Sistem de control fuzzy pentru conducerea
unei mainue de golf
103
Pendulul inversat
Pentru detalii,
vezi suportul de curs
104
Pendulul inversat
Intrri
Unghiul
Viteza unghiular d/dt
Ieire
Viteza bazei u
Mulimile fuzzy
d/dt
Abordarea fuzzy
Mulimea minim de reguli pentru stabilizarea

pendulului inversat (Yamakawa, 1989)
d/dt
107
Exemplu: fuzzificare
(cu o alt mulime de reguli)
= 1 (x1)
d/dt = -4 (x2)
Consecvenii fuzzy i
reuniunea lor
Centroidul reuniunii (-2)
este ieirea strict
110
Alt exemplu de implementare
http://www.erudit.de/erudit/demos/cartball/index.htm
111
Macaraua
http://www.intelligent-systems.info/neural_fuzzy/loadsway/LoadSway.htm
112
Macaraua - reguli
113
Mainua de golf
Pentru detalii,
vezi suportul de curs
114
Alte aplicaii din lumea real
Subsisteme de
autovehicule, transmisie
automat, ABS
Control automat al
trenului monorail din
Tokyo
Aparate de aer condiionat
Motorul de animaie
Massive
Aparate de fotografiat
Prelucrarea imaginilor
(de ex. detecia muchiilor)
Recunoaterea modelelor
Lifturi
Maini de splat vase
Maini de splat, alte
electrocasnice
Filtre de limbaj pe
forumuri i camere de
discuii
Jocuri video
Microcontrolere i
microprocesoare
(de ex. Freescale 68HC12)
115
Mulimile fuzzy i probabilitile
Probabilitile se ocup de situaii care ar putea s

apar
Mulimile fuzzy modeleaz situaii care exist sigur,
ns nu pot fi ncadrate exact ntr-o categorie
O sticl conine o otrav mortal cu probabilitatea 10%

Alt sticl are otrav cu o concentraie de 10%
Concentraia maxim admis de otrav, care poate fi
but fr probleme, este de 20%
Din care sticl ai bea?
116
Concluzii
Logica fuzzy ofer posibilitatea de a reprezenta i

raiona cu cunotine comune, formulate n mod
obinuit i de aceea i-a gsit aplicabilitatea n
numeroase domenii
Logica fuzzy are o valoare deosebit i n aplicaiile
de control automat unde este dificil sau imposibil de
dezvoltat un sistem de control tradiional
Dificultile apar la determinarea funciilor de
apartenen i la reglarea parametrilor
117

IA08 Fuzzy

Încărcat de

Informații document

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

IA08 Fuzzy

Încărcat de

Drepturi de autor:

Formate disponibile

Inteligen artificial

8. Logica vag (fuzzy)

Logica clasic i logica vag

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Logica clasic i logica vag

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Logica clasic consider valoarea de adevr a

Legea terului exclus

Viaa de zi cu zi: cerul este albastru

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Incompletitudinea unei informaii se exprim

ncrederea care i se acord informaiei (informaie cert)

Coninutul informaional (informaie precis,

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Exemplu: opinii despre rezultatele

Institutul Naional de Statistic a precizat c la 20 octombrie

Populaia Romniei este n mod sigur sub 20 milioane de

Informaie incert, dar precis (chiar dac este incorect)

Am impresia c rezultatul era n jur de 19 de milioane.

Informaie cert, dar imprecis (valoarea aparine intervalului

Cred c populaia Romniei este de 19.000.000 locuitori.

tire sigur i precis (complet)

Informaie incert i imprecis

N-am nici cea mai vag idee.

Non-informaie, toate valorile sunt egal probabile

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Logica clasic i bunul sim

Logica clasic praguri stricte

Limit de nlime 1,80 m

Nuane lingvistice greu de reprezentat

Chiar dac transformatorul este uor

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Filosoful cretan spune c toi cretanii mint

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Jan ukasiewicz (1930): teoria posibilitii

De exemplu, posibilitatea ca un om de 1,81 m

Max Black (1937): imprecizia este o form de

Cnd un scaun nu mai este considerat scaun ci buturug

Procentul de persoane care ar denumi obiectul scaun

Definirea unei mulimi vagi simple i a unor operaii

Lotfi Zadeh (1965): Fuzzy Sets (Mulimi vagi)

Sistem formal de logic matematic

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

(a) Boolean Logic.

(b) Multi-valued Logic.

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Logica clasic i logica vag

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Axa X: domeniul tuturor valorilor posibile

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

De multe ori, oamenii nu pot caracteriza precis

Numr fuzzy triunghiular

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Numr fuzzy triunghiular

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Numr fuzzy trapezoidal

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Numr fuzzy trapezoidal