Documente Academic
Documente Profesional
Documente Cultură
NOTIE DE CURS
Grif H., t.
CUPRINS
Logica fuzzy..................................................................................................................40
1.
1 INTRODUCERE
Reelele neuronale artificiale (RNA) sunt modele simplificate ale reelelor de neuroni naturali,
neuronii fiind conectai prin sinapse artificiale (numite ponderi) artificiale.
RNA mai sunt cunoscute i sub numele de:
- modele conexioniste,
- modele de prelucrare paralel distribuit,
- sisteme neuromorfe,
- sisteme neurodinamice,
- calculatoare neuronale.
Modelele de reele neuronale sunt formate din elemente simple (uniti de procesare) de calcul
interconectate printr-o reea dens de conexiuni. Fiecare unitate de procesare este capabil s
execute calcule simple dar reeaua, ca ntreg, poate avea caliti remarcabile n rezolvarea
problemelor pentru care nu posedm un algoritm, deoarece posed capacitatea de nvare din
exemple sau experien.
RNA fiind modele ale reelelor de neuroni biologici vor avea la rndul lor aceleai caracteristici
fundamentale, i anume:
- paralelismul nalt,
- capacitatea de nvare.
Pentru o nelegere mai bun reelelor neuronale se va studia n continuare elementul de baz
dintr-o reea neuronal i anume neuronul.
2 NEURONUL BIOLOGIC
Punctele de interconectare ntre neuroni poart numele de jonciuni sinaptice (sau simplificat
sinapse), prin intermediul lor realizndu-se schimbul de informaii. La nivelul unei sinapse
anumite substane chimice vor modifica permeabilitatea (starea de polarizare electrostatic)
membranelor celulelor presinaptic i postsinaptic, favoriznd difuzia anumitor specii de ioni
spre interiorul celulei postsinaptice. n funcie de semnul ionilor va aprea un efect excitator sau
inhibitor al conexiunii dintre cele dou celule neuronale. Aceste efecte sunt n realitate poteniale
electrice, de diferite nivele, ce se transmit prin dendrite spre corpul celulei neuronale
postsinaptice, i mai departe spre axon. Potenialele electrice transmise se vor nsuma la rdcina
axonului i dac aceast sum este mai mare dect un anumit prag atunci va fi generat un
potenial de aciune.
3 NEURONUL ARTIFICIAL
Modelul general al unui neuron artificial este prezentat n Figura 2, iar semnificaiile prilor
componente sunt urmtoarele:
- xi i = 1, n reprezint intrrile n neuron. Aceste intrri n cazul integrrii neuronului ntro reea de neuroni vor reprezenta activrile tuturor neuronilor conectai la acest neuron n
cauz. Setul celor n intrri x=(x1 x2 xn) mai este cunoscut i sub numele de vector de
intrare
- wi i = 1, n reprezint ponderarea intrrii i. Aceast pondere determin efectul pe care l
are semnalul oferit de intrarea i asupra ieirii neuronului. Ponderile reprezint echivalentul
jonciunilor sinaptice ntlnite la reelele de neuroni biologici.
- Neuronul vede toate intrrile ca o intrare general (total) y care este calculat folosind
o funcie de intrare la care se adaug o valoare de offset sau bias (). n majoritatea
cazurilor funcia de intrare utilizat este funcia sum ponderat a tuturor intrrilor xi.
Expresia matematic de calcul a intrrii generale n acest caz este dat de relaia:
n
y = Fin (x ) + = xi wi +
(1)
i =1
1 daca y 0
Fa ( y ) =
1 daca y < 0
(2)
1 daca y > 1
Fa ( y ) = y daca y 1
1 daca y < 1
(3)
Figura 4 Funcie de activare liniar
Fa ( y ) =
1
1 + ey
(3)
Figura 5 Funcie de activare sigmoid
unipolar
Fa ( y ) =
2
1
1 + ey
(4)
Figura 6 Funcie de activare sigmoid
bipolar
Fa ( y ) = tanh( y ) =
e y e y
e y + ey
(5)
Figura 7 Funcie de activare tangent
hiperbolic
Fa ( y ) = arctg ( y )
(6)
(7)
Din punct de vedere topologic se disting dou tipuri de reele neuronale artificiale:
- reele neuronale feed-forward
- reele neuronale recurente
RNA feed-forward sunt reele de neuroni care nu conin conexiuni inverse, adic conexiuni de la
ieiri ctre intrrile neuronilor din acelai strat sau ctre intrrile unor neuroni din straturile
anterioare. Astfel transmisia de date se face ntr-un singur sens, de la neuronii din stratul de
intrare spre neuronii din stratul de ieire. n contrast cu reelele feed-forward, reelele neuronale
recurente conin conexiuni inverse de la neuronii din stratul de ieire la neuronii din straturile
anterioare (conexiuni feed-back).
Intr-o RNA feed-forvard multistrat neuronii sunt organizai pe straturi, astfel c reeaua neuronal
prezint urmtoarele tipuri de straturi:
- un strat de intrare,
- unul sau mai multe straturi ascunse
- un strat de ieire
Structura general a unei RNA multistrat feed-forward este prezentat n Figura 9.
Dup cum se poate vedea din Figura 9 fiecare strat este compus din neuroni care au ca intrri
ieirile neuronilor din stratul imediat inferior iar ieirile neuronilor sunt trimise n stratul imediat
superior. Astfel un vector x de intrare este prezentat reelei neuronale prin intermediul stratului de
intrare cu N0 neuroni, ieirile neuronilor din acest strat sunt prezentate primului strat ascuns (cu
N1 neuroni), ieirile neuronilor din acest strat sunt prezentate celui de-al doilea strat ascuns (cu
N2 neuroni), s.a.m.d. pn la ultimul strat ascuns (cu NL neuroni) ale crui ieiri sunt prezentate
stratului de ieire cu NL+1 Ieirile neuronilor din acest strat reprezentnd ieirile ntregii RNA.
Not: Vom considera urmtoarea convenie: n neuronii din stratul de intrare nu se efectueaz
nici un fel de procesare, adic se consider c neuronii din acest strat au o singur intrare fiecare,
7
iar ca funcie de activare au funcia liniar. Cu alte cuvinte intrarea fiecrui neuron (din stratul de
intrare) este trimis la ieirea sa fr nici o modificare i distribuit intrrilor neuronilor din
primul strat ascuns.
Existena stratului ascuns confer RNA caliti superioare. n cazul RNA cu dou straturi (au un
strat de intrare i un strat de ieire) exist restricii severe: ele sunt capabile s proiecteze forme
de intrare similare n forme de ieire similare, ceea ce poate duce la o instabilitate n ce privete
nvarea de ctre RNA a unor funcii. Astfel sunt situaii n care structurile de similaritate ale
formelor de intrare i acelor de ieire sunt foarte diferite. n aceast situaie o RNA care nu
construiete o reprezentare intern, deci nu are straturi ascunse, va fi incapabil s realizeze
funcia respectiv. Stratul ascuns realizeaz o extindere a formelor de intrare, n sensul c exist
ntotdeauna o recodificare, adic o reprezentare intern convenabil a formelor n unitile
ascunse. Prin aceast recodificare similaritatea formelor n raport cu unitile ascunse permite
realizarea oricrei funcii de la cmpul de intrare la cel de ieire. Astfel Hornik i White n 1989
au artat c o reea neuronal feed-forward - n cazul creia neuronii au ca funcie de activare
funcia sigmoid - poate s aproximeze cu orice precizie orice funcie msurabil n sens Borel.
4.2. Regula de nvare Delta generalizat
strat de intrare;
strat ascuns;
strat de ieire.
Not: n continuare se va defini ca vector de nvare (sau model de antrenare) cuplul (x,d),
unde x reprezint vectorul de nvare de intrare n RNA, iar d reprezint vectorul de ieire, de
nvare, dorit (corespunztor lui x) al RNA.
Eroarea global de nvare (de antrenare, de instruire) este dat de relaia:
P
E = E < p>
(8)
p =1
unde:
P - numrul vectorilor de antrenare;
E<p> reprezint eroare medie ptratic de nvare, atunci cnd reelei neuronale i se
prezint vectorul de nvare (x<p>,d<p>) i este dat de relaia:
8
E < p> =
1 < p>
d
a < p>
2
1 N2 < p>
d i ai< p>
2 i =1
1 N2 < p>
d i Fa yi< p>
2 i =1
))
(9)
unde:
N2 numrul de neuroni din stratul de ieire
di ieirea dorit pentru neuronul i din stratul de ieire
ai activarea neuronului i din stratul de ieire (ieirea curent (real) a neuronului i)
yi intrarea total a neuronului i din stratul de ieire care conform relaiei (1) se poate
exprima prin:
N1
N1
j =1
j =1
yi = ij x j + i = ij a j + i
(10)
unde:
N1 numrul de neuroni din stratul ascuns;
ij reprezint ponderea dintre neuronul j din ultimul strat ascuns i neuronul i din
stratul de ieire;
ij< p > (k + 1) = ij< p > (k ) + ij< p > = ij< p > (k ) + grad E < p > =
E < p >
= ij< p > (k ) +
ij
ij
(11)
Expresia derivatei erorii n funcie de ponderi va avea diferite expresii n funcie de poziia
ponderilor i j, adic, ntre ce straturi de neuroni se afl ponderile respective.
Not: Pentru a simplifica exprimarea se va face urmtoarea convenie: ponderile dintre dou
straturi consecutive se vor considera ca aparinnd stratului de neuroni pe care-l preced ponderile.
De exemplu, ponderile dintre neuronii dintre ultimul strat ascuns i cel de ieire vor fi referite ca
ponderile stratului de ieire.
E < p >
= a <j p > i< p > ,
ij
i = 1, N 2 , j = 1, N1
(12)
Variaia erorii n funcie de intrarea total (yi<p>) a neuronului i din stratul de ieire se poate scrie:
i< p >
(13)
i< p > =
E < p > E < p > ai< p > ai< p > 1 N 2 < p >
d k ak< p >
= < p> < p> = < p>
< p>
yi
ai yi
yi ai 2 k =1
i< p >
) =
2
< p>
(ai )
ai< p > 1
< p>
< p>
< p>
< p > a i
=
2
i
i
i
i
ai
y i< p >
y i< p > 2
di< p >
ai< p >
ai< p >
yi< p >
(14)
(15)
unde aj reprezint activarea neuronului j din stratul ascuns (strat ce precede stratul de ieire).
Astfel ponderile stratului de ieire vor fi actualizate adugnd la vechea valoare, valoarea dat de
relaia:
ij< p > = gradij E < p > =
E < p >
= a <j p > i< p > =
ij
ai< p >
) y
< p>
i
10
(16)
E < p >
= a <j p > i< p > ,
ij
i = 1, N1 , j = 1, N 0
(17)
Variaia erorii n funcie de intrarea total (yi<p>) a neuronului i din stratul ascuns se poate scrie:
i< p >
E < p >
y i< p >
< p>
E < p > ai
=
(18)
=
=
=
yi< p > ai< p > yi< p > k =1 y k< p > ai< p > yi< p >
N 2 E < p >
a < p > a < p > N 2 E < p >
a < p > N 2
= < p > ki i< p > = i< p > < p > ki = i< p > k< p > ki
y i
y i
k =1
k =1 y k
k =1 y k
y i
i< p > =
i< p > =
(19)
unde
11
k< p > =
=
E < p > E < p > a k< p > a k< p > 1 N 2 < p >
d h ah< p >
=
=
y k< p > ak< p > y k< p > y k< p > a k< p > 2 h=1
a
y
< p>
k
< p>
k
< p>
k
< p>
k
(a
1
2 d k< p > ak< p >
a
2
)ay
< p>
k
< p>
k
) ay
) =
2
< p>
k
< p>
k
(20)
Astfel ponderile stratului L vor fi actualizate adugnd la vechea valoare, valoarea dat de relaia:
ij< p > = grad ij E < p > =
E < p >
= a <j p > i< p >
ij
(21)
unde
x<p> = (x1<p> , , xN 0<p> )
d<p> = (d1<p> , , dN e<p> ),
p[1,P]
Ne - numrul de neuroni din stratul de ieire
Pas 1 Se alege valoarea pentru factorul de nvare 0 < < 1, valoarea admisibil a erorii > 0
precum i funcia de activare (Fa(.)) a neuronilor din stratul ascuns i cel de ieire.
Pas 2 Ponderile i j sunt iniializate cu valori mici aleatoare, se seteaz k = 1, i se iniializeaz
eroarea global E = 0.
Pas 3 Antrenarea ncepe din acest pas. Un model (vector) intrare/ieire de antrenare (x<p>, d<p>)
este prezentat RNA i se calculeaz ieirea
unde
ai< p >
Fa yi< p >
= Fa i j a j + i =
j =1
= Fa ij Fa j ,k a k + j + i
j =1
k =1
i = 1,, Ne,
Ne numrul de neuroni din stratul de ieire,
12
E=E+E
< p>
1 Ne < p>
= E + di
ai< p >
2 i =1
Pas 5 Pornind de la stratul de ieire spre stratul de intrare se actualizeaz ponderile dintre straturi.
Indicele h lund valori descresctoare de la valoarea L+1 spre valoarea 1 se calculeaz
ij< p > (k + 1) = ij< p > (k ) + ij< p > = ij< p > (k ) + a <j p > i< p >
< p>
unde i
ai< p >
Ne
)ay
< p>
i
< p>
i
Pas 6 Dac k <P atunci k= k + 1 salt la pasul Pas 3, altfel se continu cu pasul Pas 7
Pas 7 Este complet un ciclu de antrenare (cunoscut n literatura de specialitate i sub denumirea
de epoc). Dac E < atunci se ncheie antrenarea. Dac E > atunci E este setat la valoarea 0
i se iniiaz o nou epoc de antrenare printr-un salt la pasul Pas 3.
13
5 MEMORII ASOCIATIVE
5.1. Definiii
5.1.1. Distana Hamming
(2)
(xi yi )2 =
(3)
(5)
sau
h=
d2
4
(7)
Fie setul de perechi de vectori {(x1,y1),( x2,y2),( xN,yN)} (xiRn, yiRm) care exprim o asiciere
corect. Aceti vectori poart numele de vectori exemplari (similari cu vectorii de antrenare
folosii n cazul reelelor neuronale feedforward).
Se disting trei tipuri de memorii asociative:
-
(8)
memoria autoasociativ n cazul acestui tip de memorie, intre vectori de intrare i ieire
exist relaia xi = yi, astfel memoria asigur transformarea (xi) = xi cu proprietatea: dac
vectorul x se afl la distana cea mai mic de vectorul xi fa de toi ceilali vectori xj,
j = 1, N , atunci (x)=xi.
O reea neuronal de tip MAB (Figura 1) const din dou straturi (x i y) de neuroni (artificiali)
cu interconectare total, fiecare neuron (unitate de procesare) putnd s aib sau nu o conexiune
sau legtur de la ieirea la intrarea sa. Legturile dintre cele dou straturi sunt bidirecionale.
O caracteristic important a reelelor neuronale de tip MAB este dat de faptul c matricea de
ponderi poate fi calculat a priori dac sunt cunoscui vectorii exemplari (vectorii memorai de
15
MAB). Astfel, dac se consider un set de N perechi de vectori exemplari care se doresc a fi
memorai, se poate construi matricea:
w = y 1 x 1 t + y 2 x 2 t + + y Nx Nt
(9)
(10)
16
17
18
19
20
21
22
23
24
25
26
27
28
1
E=
2
j
i j
1
Tij vi v j +
2
1
Ri
vi
gi1 (v )dv I i vi
i
i
0
29
(4.25)
30
REEAUA CARPENTER-GROSSBERG
1. Prezentare general
Reeaua Carpenter-Grossberg mai este cunoscut sub denumirea de ART (Adaptive Resonance
Theory) i este o reea de clasificare cu antrenare nesupervizat. Vectorii de intrare sunt
clasificai n funcie de forma stocat cu care seamn cel mai bine.
Reeau ART poate crea adaptiv un nou neuron corespunztor unui vector de intrare dac s-a
determinat c acest vector de intrare este suficient de diferit fa de grupurile de vectori
memorai de RNA. Acest mecanism de determinare a asemnrii unui vector de intrare cu o
form memorat, numit test de vigilen este ncorporat n reeaua neuronal. Astfel, arhitectura
ART permite utilizatorului s controleze gradul de similaritate al formelor plasate n acelai grup
de forme.
n Figura 1 este prezentat configuraia simplificat a arhitecturii ART.
2. Dilema stabilitate-plasticitate
Creierul uman are abilitatea de a nva i memora multe lucruri noi fr a fi necesar s fie uitate
informaii deja memorate (de exemplu: tiu s ma dau pe biciclet; dac nv s m car nu
nseamn c trebuie s uit cum m dau pe biciclet). Pentru a proiecta o main cu adevrat
inteligent pentru recunoaterea formelor, compatibil cu creierul uman, va fi de dorit s prezinte
aceast abilitate a creierului uman.
Multe din metodele ntlnite n cazul reelor neuronale tind s uite informaia anterioar dac
ncearc s stocheze noi pattern-uri n mod incremental. Odat antrenate aceste reele nu permit
modificarea parametrilor sau a ponderilor.
Capacitatea unei RNA de a nva bine o nou form n orice stadiu al operrii (funcionrii) este
numit plasticitate.
31
Exist dou tipuri de arhitecturi ART: ART1 i ART2. Intrrile reelei ART2 au valori reale (ex.
nivele de gri ale pixelilor unei imagini). Intrrile reelei ART1 au valori binare. n continuare se
va prezenta arhitectura i funcionarea reelei ART1.
Dup cum se poate observa i din Figura 2, reeaua ART este alctuit din 2 subsisteme:
subsistmul atenionare i subsistemul de orientare. Subsistemul atenional determin dac forma
de intrare se potrivete cu una dintre formele nvate de RNA. Dac apare o potrivire, se
stabilete rezonana. Subsistemul de orientare este responsabil de sesizarea diferenelor dintre
formele ce sosesc ascendent i descendent pe stratul de comparaie.
Arhitectura ART1 are n componena sa dou straturi de neuroni: stratul de comparaie i stratul
de recunoatere. Decizia de clasificare este indicat de activarea unui singur neuron din stratul de
recunoatere. Neuronii din stratul de comparaie rspund la trsturile formei de intrare analog
grupurilor de celule dintr-o zon a cortexului cerebral. ntre cele dou straturi (de comparaie i
de recunoatere) exist dou seturi de ponderi. Primul set de ponderi ce leag ieirile tuturor
neuronilor din stratul de comparaie de intrrile tuturor neuronilor din stratul de recunoatere.
Aceste ponderi au valori reale. Cel de-al doilea set de ponderi leag ieirile neuronilor din stratul
de recunoatere de intrrile neuronilor din stratul de comparaie. Aceste ponderi au valori binare.
Pentru modificarea celor dou seturi de ponderi se utilizeaz 2 reguli diferite de antrenare.
Neuronii din stratul de recunoatere sunt interconectai prin intermediul unor conexiuni inhibitorii
permind astfel implementarea mecanismului de competiie ntre neuoni.
32
y j = bij a yi
r
(1)
i =1
a yj
(2)
Pi = t ji a yi , pentru i = 1,...,m
r
(3)
j =1
unde ayjr este ieirea celui de-al j-lea neuron al stratului de recunoatere.
n = numrul de neuroni din stratul de recunoatere.
n Figura 4, Tj este vectorul de ponderi asociat cu neuronul j din stratul de recunoatere. Vectorul
ayC reprezint ieirea stratului de comparaie, ay c reprezentnd ieirea neuronului i.
i
Ctigul 1 (G1) este 1 atunci cnd vectorul ayr este zero i atunci cnd SAU- logic ntre
componentele vectorului de intrare X este 1, dup cum se poate vedea n ecuaia:
r
G1 = (a y1 a y 2 K a yn )( x1 x 2 K x m )
(4)
Ctigul 2 (G2) este 1 cnd SAU- logic ntre componentele vectorului de intrare X este 1,
dup cum se poate vedea n ecuaia:
G2 = ( x1 x 2 K x m )
34
(5)
Stratul de comparaie utilizeaz o regul de genul dou treimi care susine c, dac dou din trei
intrri sunt 1, atunci ieirea este 1. Altfel rezultatul este 0. Ecuaia urmtoare arat regula dou
treimi:
0, pentru G1 + x j + Pj < 2
C
a yj =
1, pentru G1 + x j + Pj 2
(6)
Procesul ART apare n mai multe faze. La nceput nu este nici o intrare, deci din ecuaia (5)
putem observa c G2 este zero. Cnd un vector de intrare care apare n Figura 4 i n Figura 5. ca
X este prezentat pentru prima dat reelei, reeaua intr n faza de recunoatere. Vectorul ayrde
feedback din stratul de recunoatere, este ntotdeauna pus pe zero la nceputul fazei de
recunoatere. Bazndu-ne pe ecuaiile (4) i (5), putem observa c prezentarea vectorului X n
aceast faz pune att pe G1 ct i pe G2 pe 1. Aa cum se poate vedea din condiiile iniiale ale
fazei de recunoatere, ieirea ayC a stratului de comparaie va fi vectorul de intrare X
nemodificat. Deci stratul de comparaie trece vectorul X prin el spre stratul de recunoatere, aa
cum se observ n Figura 5.
Dup aceea, fiecare neuron din stratul de recunoatere calculeaz un produs ntre vectorul su de
ponderi Bj (ce are o valoare real) i vectorul ayC (care este ieirea stratului de comparaie).
Vectorul ctigtor inhiba toi ceilali neuroni ai stratului de recunoatere (a se ine cont de
inhibiiile laterale din Figura 3). Aadar o singur component ayjr a vectorului ayr va fi 1 i
toate celelalte componente ale acestui vector vor fi 0. Acest lucru iniiaz faza de comparaie.
Cu alte cuvinte, faza de recunoatere are ca efect compararea fiecrui neuron din stratul de
recunoatere, de fapt a prototipului su (stocat n ponderile de jos n sus) cu forma aplicat la
intrare (produsul dintre Bj i ayC ). Mecanismul de inhibare mutual determin ca cel cu potrivirea
cea mai bun s se activeze.
n timpul fazei de comparaie trebuie determinat dac o form aplicat la intrare este suficient de
asemntoare cu nvingtorul(winner-ul) stocat, pentru a fi asimilat prototipului acestuia. n
timpul acestei faze este fcut, practic, testul de vigilen.
n faza de comparaie, vectorul ayr nu mai este zero, deci G1 va fi zero. Dup regula 2/3, numai
neuronii care au simultan 1 n vectorul X i n vectorul P se vor activa. Am reinut faptul c
ponderile tij sunt valori binare. Acest feedback de sus n jos foreaz apoi componentele lui ayC s
fie zero de fiecare dat n care vectorul de intrare X nu se potrivete cu forma memorat.
35
Figura 5 Operaiile ART: pasul 1. G1 = 1.Vectorul de intrare este trecut prin intermediul stratului de
comparaie, stratului de recunoatere
Figura 6 Operaiile ART: pasul 2. Cel mai bun neuron al stratului de recunoatere
a fost ales ctigtor. El trimite semnalul su napoi prin stratul de comparaie, prin
intermediul ponderilor sus-jos
36
n acest caz nu avem un semnal de reset. De aceea atunci cnd ncepe faza de cutare, ponderile
pentru acest vector de intrare sunt actualizate. n acest moment, funcionarea reelei este
complet.
Dac S este mai mic dect un prag prestabilit, nivelul de vigilen , atunci forma P nu este
suficient de asemntoare cu centrul clusterului neuronului ctigtor i neuronul va trebui
inhibat. Inhibarea neuronului o realizeaz blocul de reset, care reseteaz ieirea /activarea
neuronului curent pe tot parcursul clasificrii curente (vezi Figura 7). Astfel se ncheie faza de
comparaie.
Se ncepe faza de cutare i dac nu a fost generat nici un semnal de reset, potrivirea e
considerat ca fiind adecvat i procesul de clasificare e complet. Astfel, cu neuronul stratului R
care fusese activat, acum fiind dezactivat, vectorul R (ayr) este nc o dat pus pe zero. Drept
urmare, G1 trece n 1 deci X apare nc o dat pe stratul C (ayC) i un alt neuron al stratului de
recunoatere va iei nvingtor. Noul ctigtor este supus testului de vigilen ca mai nainte i
procesul se repet pn cnd fie este gsit un neuron care s se potriveasc intrrii X cu o
asemnare mai mare dect nivelul de vigilen (S > ). Vectorii de pondere Tj i Bj ai neuronului
ctigtor sunt actualizai, fie au fost ncercate toate formele stocate. Apoi un nou neuron anterior
nealocat este asociat cu forma de la intrare i Tj i Bj sunt setate astfel nct s se potriveasc
formei de la intrare.
37
Figura 8 Operaiile ART: pasul 4. nvingtorul anterior rmne dezactivat. Vectorul de intrare este
prezentat din nou stratului de recunoatere (G1 = 1) i un nou ctigtor va fi selectat.
La nceput ponderile bij sunt iniializate la aceeai valoare mic calculat astfel:
bij < L / (L - 1 + m)
(7)
y j = bij a yi
(8)
i =1
Pasul 2. Se face testul de vigilen. Un neuron j a trecut testul dac i numai dac:
n
y j / xi > ,
(9)
i =1
39
aykc)
(10)
(11)
LOGICA FUZZY
1. NOIUNI DE LOGIC FUZZY
1.1. Introducere
40
1.2. Definiii
41
42
43
44
Structura general a unui sistem fuzzy cu n intrri i m ieiri este prezentat n Figura 1.
Din Figura 1 se observ c un sistem fuzzy este format din patru blocuri principale: blocul de
fuzzyficare, blocul de decizie, baza de reguli i blocul de defuzzyficare.
Blocul de fuzzificare este responsabil de transformarea intrrilor crisp n mulimi fuzzy.
Baza de legi conine setul de legi lingvistice de forma DAC...ATUNCI... definite pe variabilele
lingvistice fuzzy. Ea conine informaii despre universul de discurs al variabilelor precum i,
informaii despre mulimile fuzzy ataate valorilor lingvistice ale variabilelor fuzzy.
Blocul de decizie este rspunztor de, determinarea influenei fiecrei legi n concluzia final
precum, i de generarea concluziei finale a sistemului fuzzy. Concluzia final va fi o valoare
fuzzy n cazul n care sistemul fuzzy are o singur ieire i, va fi un vector de valori fuzzy, dac
sistemul fuzzy va avea mai multe ieiri (fiecare element al acestui vector va corespunde unei
singure ieiri a sistemului fuzzy).
Blocul de defuzzificare are rolul de a converti concluzia fuzzy final ntr-o valoare real (crisp)
sau ntr-un vector de valori reale n funcie de numrul de ieiri pe care le are sistemul fuzzy.
Valoarea/vectorul de valori crisp obinut/obinut va reprezenta comanda/vectorul de comand
pentru procesul condus.
2.1 Variabile, valori i reguli lingvistice
Intrrile sistemul fuzzy sunt notate cu xi ( i = 1, n ), unde xi Xi, iar ieirile sunt notate cu yj
( j = 1, m ), unde yj Yj. Intrrile i ieirile sunt valori crisp (numere reale) i nu mulimi fuzzy.
Mulimile Xi ( i = 1, n ) respectiv Yj ( j = 1, m ) reprezint domeniile de variaie pentru variabilele xi
respectiv yj. n literatura de specialitate domeniul de variaie al unei variabile mai poart numele
de universul de discurs al variabilei respective. n practic, universul de discurs al unei variabile
este mulimea numerelor reale dar din considerente tehnice el se restricioneaz la intervale
continue finite.
45
Dup cum se va vedea mai trziu, n aceast seciune, expertul uman va utiliza o descriere
lingvistic a regulilor ce vor forma baza de reguli. Din aceast cauz, pentru descrierea intrrilor
i ieirilor sistemului fuzzy, se vor utiliza variabile lingvistice. O variabil lingvistic ataat
unei intrri sau ieiri a sistemului fuzzy este o descriere simbolic (folosind cuvinte ale limbajului
uman) a ceea ce reprezint valorile reale variabile n timp ce apar la intrarea/ieirea respectiv a
sistemului fuzzy.
Pentru descrierea intrrii xi a sistemului fuzzy din Figura 1 se va utiliza variabila lingvistic
xi iar, pentru ieirea yj se va utiliza variabila lingvistic notat cu ~
yj .
notat cu ~
Exemplu:
Pentru regulatorul fuzzy, utilizat de un sistem de reglare automat a iluminrii pe suprafaa unui birou
(planul de lucru), s-au ales ca intrri eroarea de reglare, notat cu e, i variaia erorii de reglare, notat
cu e. Pentru aceste dou intrri sau ataat variabilele lingvistice ~
e = eroarea de reglare i
~
e =variaia erorii de reglare. Ieirea regulatorului fuzzy este variaia comenzii u. Pentru ieire s-a
ataat variabila lingvistic u~ = variaia comenzii.
Exemplu:
Pentru cazul unui sistem de estimare a preului unui laptop se consider intrrile: anul de fabricaie,
notat cu a, i dotrile laptopului, notate cu d. Ieirea sistemului fuzzy este preul laptopului notat cu p.
~ = anul de fabricaie,
Pentru aceste variabile de intrare/ieire se pot ataa variabilele lingvistice: a
~
d = dotri laptop i ~
p = pre laptop.
Simiar cu variabilele crisp xi i yj, care iau diferite valori din domeniile de variaie Xi i Yj, i
xi i ~
y j vor lua diferite valori lingvistice ce vor fi utilizate pentru a
variabilele lingvistice ~
descrie caracteristicile variabilelor.
~
Se va nota cu X ik valoarea lingvistic k a variabilei lingvistice ~
xi definit pe domeniul X i . Dac
se consider c exist mai multe valori lingvistice definite pe X i atunci variabila ~
xi va lua valori
din mulimea de valori lingvistice notat cu:
~
~
X i = X ik : k = 1, 2, ..., N i ,
~
~
~
~
~ ~ ~
X 11 =slab, X 12 =standard, X 13 =mare atunci ~
x1 va avea valori n mulimea X 1 = X 11 , X 12 , X 13 .
Exemplu:
n cazul sistemului fuzzy de estimare a preului unui laptop considerm c, lingvistic, preul laptopului
poate fi caracterizat prin: mic, rezonabil i mare. Astfel putem ataa valorile lingvistive: P1 =
~
~
p va avea valori n
mic, P 2 = rezonabil i P 3 = mare. n acest caz variabila lingvistic ~
~
{~
~
P = {Mi, R, Ma} .
Funcia ce leag intrrile de ieirile sistemului fuzzy este caracterizat de un set de reguli de
tipul condiieaciune sau n forma modus ponens (DAC...ATUNCI...)
(1)
De obicei, intrrile sistemului fuzzy sunt asociate cu premize, iar ieirile, sunt asociate cu
consecine. Aceste reguli DAC...ATUNCI... pot fi reprezentate n multe forme. n continuare
vor fi prezentate doar dou forme standard:
- forma multe-intrri multe-ieiri cunoscut n literatura de specialitate sub denumirea de forma
MIMO (Multi-Input Multi-Output)
~
~
~
DAC ~
x1 este X 1j i ~
x2 este X 2k i ... i ~
xn este X nl
~
~
~
ATUNCI ~
y1 este Y1 p i ~
y 2 este X 2r i ... i ~
xm este X ms ;
(2)
(3)
Pentru a fi n concordan cu notaiile din seciunile precedente vom considera urmtoare form
de definire a unei mulimi fuzzy.
~
xi cu valoarea lingvistic X ik definit pe universul de
Dac se consider variabila lingvistic ~
discurs X i , i funcia de apartenen X k (xi ) definit pe X i cu valori n [0,1], atunci, mulimea
i
k
i
(4)
Exemplu:
Se consider variabila crisp iluminarea msurat n planul de lucru notat cu x1 . Se va ataa variabila
Diferitele cerine de tratare a informaiei vagi necesit existena unor conectori lingvistici
(cuplori) ai termenilor lingvistici prin care se caracterizeaz mulimile fuzzy. Rezolvarea
matematic (evaluarea) a conexiunilor se bazeaz pe utilizarea unor operatori adecvat definii;
corespunztor, regulile de aciune a operatorilor sunt specifice teoriei mulimilor fuzzy.
Conectorul I (operatorul I)
Dup cum s-a vzut anterior intersecia i reuniunea sunt definite pentru mulimi fuzzy pe acelai
univers de discurs. Produsul Cartezian fuzzy este utilizat pentru a cuantifica operaiile pe mai
multe universuri de variaie. Dac X 1j , X 2k ,..., X nl sunt mulimi fuzzy definite pe universurile de
discurs X 1 , X 2 ,..., X n atunci produsul lor Cartezian este mulimea fuzzy (uneori numit relaie
fuzzy) notat cu X 1j X 2k ... X nl i cu funcia de apartenen definit prin
j
k
l
1 X 2 L X n
( x1 , x2 ,..., xn ) = X j ( x1 ) X k ( x2 ) L X l ( xn )
2
48
(5)
2.2 Fuzzyficarea
Mulimile fuzzy sunt utilizate pentru a cuantifica informaiile n baza de reguli, iar mecanismul
de decizie opereaz cu mulimi fuzzy pentru a produce mulimi fuzzy. Astfel, este necesar a
specifica mecanismul prin care un sistem (n mod general) sau un sistem (n mod particular)
fuzzy va converti intrrile sale numerice xi X i n mulimi fuzzy proces numit fuzzyficare
astfel ca acestea s poat fi utilizate de sistemul sau sistemul fuzzy.
Se va nota cu X i* mulimea tuturor mulimilor fuzzy ce pot fi definite pe universul de discurs
X . Fie x X , blocul de fuzzyficare va transforma x ntr-o mulime fuzzy notat cu X fuz
i
unde
F( xi ) = X i fuz .
(6)
b) nonsingleton.
Astfel, denumirea metodei de fuzzyficare va fi dat de numele funciei de apartenen ataat
mulimii fuzzy X i fuz . De exemplu funcia de apartenen Gaus va implica fuzzificare gausian,
funcia de apartenen triunghi va implica fuzzyficare triunghiular.
n multe aplicaii practice din domeniul reglrii fuzzy este utilizat fuzzyficarea singleton.
Motivele pentru care metodele de fuzzyficare nonsingleton nu sunt prea utilizate, sunt: aduc
procesului de decizie o complexitate de calcul suplimentar; nevoia utilizrii lor nu afost destul
de bine justificat; practica a dovedit faptul c utilizarea fuzzyficrii singleton confer o foarte
bun funcionare sistemelor fuzzy de reglare automat. Totui utilizarea fuzzyficrii nonsingleton
nu a fost exclus definitiv din teoria general a sistemelor fuzzy, fiind totui propus de unii
autori (dar nu i utilizat de ei) pentru aplicaiile n care semnalele de intrare n sistemul fuzzy
sunt perturbate de zgomot.
2.3 Mecanismul de decizie
Fie xi , i = 1, n intrrile la un moment dat de timp. n urma fuzzyficrii se obin mulimile fuzzy
X fuz , ce vor reprezenta intrrile fuzzy.
i
X ( xi ) = X ( xi ) X ( xi )
p
i
unde
p
i
fuz
(7)
i = 1, n ;
p = 1, N i ;
X ( xi ) = X ( xi ) ,
p
i
(8)
p
i
unde:
i = 1, n ;
p = 1, N i ;
Dac se utilizeaz toate valorile posibile ale variabilelor de intrare x1 , x2 ,..., xn atunci se poate
obine o funcie de apartenen multidimensional pentru premiza fiecrei reguli utiliznd
urmtoarea relaie
premiza
( x1 , x2 ,..., xn ) = X j ( x1 ) X k ( x2 ) L X l ( xn ) , (9)
1
unde:
50
i = 1, R ;
R numrul de reguli din baza de reguli.
Dac se utilizeaz fuzzyficare singleton atunci relaia (4.29) devine
premiza
( x1 , x2 ,..., xn ) = X j ( x1 ) X k ( x2 ) L X l ( xn ) . (10)
n
Pentru realizarea acestei etape exist dou variante standard: prima variant, presupune utilizarea
mulimilor fuzzy implicate iar, cea de-a doua variant presupune utilizarea mulimii fuzzy
implicat total.
n acest caz, etapa de decizie presupune calcularea pentru regula (j,k,...,l;p,q)i, a mulimii fuzzy
implicate Yqi cu funcia de apartenen
Y ( yq ) = i
i
q
premiza
( x1 , x2 ,..., xn ) Y p ( y q ) . (11)
q
n acest caz este determinat mulimea fuzzy implicat total Yq cu funcia de apartenen
Y ( yq ) = Y ( yq ) Y ( yq ) ... Y ( yq ) ,
q
1
q
2
q
R
q
(12)
care reprezint concluzia obinut considernd toate regulile din baza de reguli.
2.4 Defuzzyficarea
Defuzzificarea este operaia care produce valori non-fuzzy asociate unor mulimi fuzzy. Altfel
spus o reuniune de mulimi fuzzy obinut n urma evalurii legilor
~
~
~
~
R <i > : DACA x1 este X 1j i x2 este X 2k ... i xn este X nl ATUNCI y este Yq p , i = 1, N , active, va fi
transformat ntr-o valoare crisp.
51
crisp
q
c
i =1
R
q
i
yq
i =1
yq
Y ( y q )dy q
i
q
(13)
Y ( y q )dy q
i
q
unde:
R - numrul de reguli;
ciq - centrul ariei funciei de apartenen corespunztoare mulimii fuzzy Yqp asociat cu mulimea
fuzzy implicat Y i corespunztoare regulii i;
q
yq
i
q
52
SAU
53
Se consider c:
-
1 = A ( x0 )I B ( y0 )
1
2 = A ( x0 )I B ( y0 )
2
1 z1* + 2 z 2*
1 + 2
Dac baza de reguli are n reguli atunci valoarea crisp a ieirii sistemului se calculeaz cu:
n
z0 =
z
i =1
n
*
i i
i =1
Exemplu:
Fie sistemul fuzzy Takag-Sugeno cu urmtoarea baz de reguli:
54
55