p3 Cap1 Web

SISTEME NEURO - FUZZY
Capitolul 1
Mulţimi fuzzy. Sisteme fuzzy
1.1 Mulţimi fuzzy
1.1.1 Noţiuni de bază
Fie X o colecţie de obiecte şi fie x un elemente generic al mulţimii X. O

mulţime în sens clasic, A, inclusă în X ( A ⊆ X ) se defineşte ca fiind o colecţie
de elemente x ∈ X astfel încât fiecare element x poate fie să aparţină, fie să nu
aparţină mulţimii A. Definind o funcţie caracteristică pentru fiecare element din
X, funcţie ce poate avea doar valorile 0 sau 1, atunci mulţimea A poate fi
reprezentată printr-un şir de perechi ordonate de tipul (x,1) sau (x,0) care indică
faptul că x ∈ A sau, respectiv, x ∉ A .
În contrast cu mulţimea în sens clasic, o mulţime fuzzy exprimă gradul în care

un element aparţine unei anumite colecţii de obiecte. În felul acesta, funcţia
caracteristică ataşată elementelor unei mulţimi fuzzy poate avea valori în întreg
intervalul [0,1], indicând gradul de apartenenţă al fiecărui element la acea
colecţie [Jang and Sun, 1995; Jang, et al., 1997].
Definiţie:
Fie X o colecţie de obiecte notate generic prin x. O mulţime fuzzy A peste
mulţimea X se defineşte printr-un set de perechi ordonate de forma:
A = {( x , µ A ( x )) / x ∈ X} ,
unde µ A ( x ) se numeşte funcţie de apartenenţă a mulţimii fuzzy A.
Funcţia de apartenenţă atribuie fiecărui element al mulţimii X un anumit grad de
133
apartenenţă la mulţimea A ce are o valoare cuprinsă în intervalul [0,1]. Dacă

valoarea funcţiei de apartenenţă este 0 sau 1, atunci mulţimea fuzzy A devine o
mulţime în sens clasic, µ A ( x ) fiind funcţia caracteristică ataşată mulţimii A.
Mulţimea X se numeşte univers de discurs şi ea poate fi discretă (cu elemente
ordonate sau neordonate) sau continuă (izomorfă cu mulţimea numerelor reale).
Construirea unei mulţimi fuzzy depinde de stabilirea universului de discurs şi a

funcţiei de apartenenţă. Alegerea funcţiei de apartenenţă este subiectivă, în
sensul că persoane diferite pot alege funcţii de apartenenţă diferite pentru a
exprima acelaşi concept. Acest subiectivism decurge din diferenţele care există
între indivizi relativ la modul de a percepe şi exprima concepte abstracte.
În practică, în cazul unui univers de discurs continuu (mulţimea numerelor reale

sau un interval al ei), de regulă se definesc mai multe mulţimi fuzzy a căror
funcţie de apartenenţă acoperă întreaga mulţime X într-un mod mai mult sau mai
puţin uniform. Aceste mulţimi fuzzy care, de regulă, se asociază unor adjective
uzuale din vorbirea curentă cum ar fi "mare", "mediu", "mic", se numesc valori
lingvistice.
Definiţii:
Suportul (limba engleză: “support”) unei mulţimi fuzzy A este dat de
mulţimea elementelor x ∈ X pentru care µ A ( x ) > 0 :
sup port (A) = {x ∈ X / µ A ( x ) > 0} .
Nucleul (limba engleză: “core”) unei mulţimi fuzzy A este dat de mulţimea
elementelor x ∈ A pentru care µ A ( x ) = 1 :
core(A) = {x ∈ X / µ A ( x ) = 1} .
mulţime fuzzy A este normală dacă nucleul său este o mulţime nevidă (există
cel puţin un element x ∈ A astfel încât µ A ( x ) = 1 ).
Un punct de încrucişare (limba engleză: “crossover point”) al unei mulţimi
fuzzy A este reprezentat de un element x ∈ X pentru care µ A ( x ) = 0.5 :
crossover(A) = {x ∈ X / µ A ( x ) = 0.5} .
134
mulţime fuzzy A al cărei suport este format dintr-un singur element x ∈ X

pentru care µ A ( x ) = 1 se numeşte singleton.
În figura III. 1 sunt ilustrate definiţiile de mai sus.
funcţie de
apartenenţă funcţie de
apartenenţă
1 1
singleton
fuzzy
0.5
univers de univers de
discurs discurs
0
nucleu
nucleu şi suport
puncte de
încrucişare
suport
Fig. III. 1 Noţiuni de bază ale mulţimilor fuzzy
Definiţii:
Tăietura-α a unei mulţimi fuzzy A este mulţimea în sens clasic formată din
elementele x ∈ X pentru care µ A ( x ) ≥ α :
A α = {x ∈ X / µ A ( x ) ≥ α} .
Tăietura-α puternică a mulţimii fuzzy A este dată de:

A 'α = {x ∈ X / µ A ( x ) > α} .
O mulţime fuzzy A este convexă dacă şi numai dacă, pentru orice x1 , x 2 ∈ X

şi orice λ ∈ [0,1] are loc relaţia:
µ A (λ ⋅ x1 + (1 − λ ) ⋅ x 2 ) ≥ min{µ A ( x1 ), µ A ( x 2 )} .
Altfel spus, mulţimea fuzzy A este convexă dacă toate tăieturile-α ale sale
sunt mulţimi convexe (fig. III. 2).
Un număr fuzzy A este o mulţime fuzzy ce are ca univers de discurs axa
numerelor reale şi care satisface condiţiile de normalitate şi convexitate
enunţate anterior.
135
Funcţie Funcţie
de de
apartenenţă apartenenţă
(a) Două mulţimi fuzzy convexe (b) O mulţime fuzzy non-convexă
Fig. III. 2 Mulţimi fuzzy convexe (a) şi non-convexe (b)
Pentru o mulţime fuzzy normală şi convexă se defineşte lărgimea sa (limba

engleză: “width”) ca fiind distanţa dintre cele două puncte de încrucişare (unice)
ale sale:
width (A) = x1 − x 2 ,
unde µ A ( x1 ) = µ A ( x 2 ) = 0.5 .
O mulţime fuzzy A este simetrică dacă funcţia sa de apartenenţă este simetrică
în jurul unui punct c ∈ X :
µ A (c + x ) = µ A (c − x ), ∀x ∈ X .
O mulţime fuzzy A este:

- deschisă la stânga dacă:
lim µ A ( x ) = 1 şi lim µ A ( x ) = 0 ;
x →−∞ x →∞
- deschisă la dreapta dacă:

lim µ A ( x ) = 0 şi lim µ A ( x ) = 1 ;
x →−∞ x →∞
- închisă dacă:
lim µ A ( x ) = 0 şi lim µ A ( x ) = 0 .
x →−∞ x →∞
1.1.2 Operatori fuzzy
136
Operatorii de bază definiţi în cazul mulţimilor în sens clasic sunt reuniunea,

intersecţia şi complementul. Corespunzător acestora, se pot defini operatori
fuzzy similari. Fie două mulţimi fuzzy A şi B definite peste acelaşi univers de
discurs X. Atunci se pot enunţa următoarele definiţii [Jang, et al., 1997].
• Incluziunea fuzzy
Mulţimea fuzzy A este inclusă în mulţimea fuzzy B dacă şi numai dacă
µ A ( x ) ≤ µ B ( x ), ∀x ∈ X . Simbolic, aceasta se reprezintă prin:
A ⊆ B ⇔ µ A (x) ≤ µ B (x) .
În figura III. 3 este ilustrat conceptul de incluziune fuzzy.
A este inclusă în B
Fig. III. 3 Conceptul de "incluziune fuzzy"
• Intersecţia fuzzy
Intersecţia a două mulţimi fuzzy A şi B este tot o mulţime fuzzy, C,
simbolizată prin:
C = A ∩ B sau C = A "ŞI" B,
a cărei funcţie de apartenenţă este:

not
µ C ( x ) = min{µ A ( x ), µ B ( x )} = µ A ( x ) ∧ µ B ( x ) .
În sens mai larg, intersecţia a două mulţimi fuzzy se exprimă printr-o funcţie:
T : [0,1]x[0,1] → [0,1]
care combină funcţiile de apartenenţă corespunzătoare mulţimilor fuzzy A şi

B (operanzi):
µ A∩B ( x ) = T(µ A ( x ), µ B ( x )) .
137
Această clasă de operatori de tip intersecţie fuzzy numiţi şi operatori de tip

norma-T satisface următoarele cerinţe de bază:
- T(0,0) = 0, T(a,1) = T(1,a) = a;
- T(a , b) ≤ T(c, d ) dacă a ≤ c şi b ≤ d ;
- T(a,b) = T(b,a);
- T(a, T(b,c)) = T(T(a,b), c).
Cei mai folosiţi operatori norma-T sunt:

not
- minimum: Tmin (a , b) = min{a , b} = a ∧ b ;
- produs algebric: Tpa (a , b) = a ⋅ b ;
- produs mărginit: Tpm (a , b) = 0 ∧ (a + b − 1) ;
 a , daca b = 1
- produs extrem: Tpd (a , b) =  b, daca a = 1 .
0, daca a , b < 1

• Reuniunea fuzzy
Reuniunea a două mulţimi fuzzy A şi B este tot o mulţime fuzzy, C notată:
C = A ∪ B sau C = A "SAU" B,

not
µ C ( x ) = max{µ A ( x ), µ B ( x )} = µ A ( x ) ∨ µ B ( x ) .
Mai general, reuniunea fuzzy poate fi descrisă prin intermediul unei funcţii:
S : [0,1]x[0,1] → [0,1]
care combină funcţiile de apartenenţă ale celor două mulţimi fuzzy (operanzi)
după cum urmează:
µ A∪B ( x ) = S(µ A ( x ), µ B ( x )) .
Această clasă de operatori de tip reuniune fuzzy numiţi şi operatori de tip

conorma-T satisface următoarele cerinţe de bază:
138
- S(1,1) = 1, S(0,a) = S(a,0) = a;

- S(a , b) ≤ S(c, d) dacă a ≤ c şi b ≤ d ;
- S(a,b) = S(b,a);
- S(a, S(b,c)) = S(S(a,b), c).
Cei mai folosiţi operatori conorma-T sunt:

not
- maxim: Smax (a , b) = max{a , b} = a ∨ b ;
- sumă algebrică: Ssa (a , b) = a + b − a ⋅ b ;
- sumă mărginită: Ssm (a , b) = 1 ∧ (a + b) ;
a , daca b = 0
- sumă extremă: Sse (a , b) = b, daca a = 0 .
 1, daca a , b > 0

• Complementul fuzzy
Complementul mulţimii fuzzy A, notat A sau NOT(A), se defineşte ca fiind
mulţimea fuzzy a cărei funcţie de apartenenţă este:
µ A ( x ) = 1 − µ A ( x ), ∀x ∈ X ,
unde µ A ( x ) este funcţia de apartenenţă a mulţimii fuzzy A şi X este universul

de discurs pe care aceasta a fost definită. Mai general, operatorul de
complementare fuzzy poate fi descris prin intermediul unei funcţii:
N : [0,1] → [0,1]
care satisface următoarele cerinţe:

- N(0) = 1 şi N(1) = 0;
- N(a ) ≥ N(b) dacă a ≤ b .
O altă cerinţă suplimentară impusă complementului fuzzy este:

N(N(a)) = a,
în acest fel complementul fuzzy al complementului fuzzy al unei mulţimi
fuzzy fiind tot o mulţime fuzzy.
139
Un tip de complement fuzzy ce satisface cele trei cerinţe enunţate anterior

este complementul Sugeno definit prin:
1− a
N S (a ) = ,
1+ s ⋅ a
unde s este un parametru real mai mare decât –1.
Un alt tip de complement fuzzy este complementul Yager definit prin:

N w (a ) = (1 − a w )1/ w ,
unde w este un parametru real pozitiv.
1.1.3 Funcţii de apartenenţă
O mulţime fuzzy este complet definită de către funcţia sa de apartenenţă.

Majoritatea mulţimilor fuzzy folosite în diverse aplicaţii au ca univers de discurs
mulţimea numerelor reale. Din acest motiv, cea mai convenabilă exprimare a
funcţiei de apartenenţă ataşată unei mulţimi fuzzy este cea folosind funcţiile
analitice de variabilă reală.
• Funcţii de apartenenţă unidimensionale
a) Funcţii de apartenenţă triunghiulare

O funcţie de apartenenţă triunghiulară este definită cu ajutorul a trei parametri
{a, b, c} după cum urmează:
 0, x≤a
x − a
 , a≤x≤b
triunghi( x; a , b, c) =  b − a ,
c−x
 , b≤x≤c
c−b
 0, c≤x
sau, folosind funcţiile min şi max:
x−a c−x
triunghi( x; a , b, c) = max{min{ , },0} .
b−a c−b
În figura III. 4 (a) este ilustrată o funcţie de apartenenţă triunghiulară.

b) Funcţia de apartenenţă trapezoidală
140
O funcţie de apartenenţă trapezoidală se defineşte cu ajutorul a patru parametri

{a, b, c, d} după cum urmează:
 0, x≤a
x − b
 , a≤x≤b
 b − a
trapez( x; a , b, c, d ) =  1, b≤x≤c ,
d − x
d −c , c≤x≤d
 0, d≤x

sau, folosind funcţiile min şi max:
x−a d−x
trapez( x; a , b, c, d) = max{min{ ,1, },0} .
b−a d−c
În figura III. 4 (b) este ilustrată o funcţie de apartenenţă trapezoidală.
c) Funcţie de apartenenţă gaussiană
Funcţia de apartenenţă gaussiană se defineşte prin intermediul a doi parametri
{c, σ} astfel:
 1  x − c  2 
gauss( x; c, σ) = exp− ⋅   .
 2  σ  
Parametrul c se numeşte centrul funcţiei de apartenenţă, iar σ determină

lărgimea funcţiei de apartenenţă, aşa cum este ilustrat în figura III. 4 (c).
d) Funcţia de apartenenţă de tip "clopot generalizat"
Funcţia de apartenenţă de tip "clopot generalizat" se defineşte cu ajutorul a trei
parametri reali {a, b, b} astfel:
1
clopot( x; a , b, c) = 2⋅ b
,
x−c
1+
a
unde b este, de regulă, un parametru real pozitiv. Acest tip de funcţie de

apartenenţă reprezintă o generalizare a distribuţiei Cauchy folosită în teoria
probabilităţilor. Din acest motiv, ea se întâlneşte în literatură şi sub denumirea
de funcţie de apartenenţă Cauchy. În figura III. 4 (d) este ilustrată grafic acest
tip de funcţie de apartenenţă.
e) Funcţie de apartenenţă sigmoidală
Funcţia de apartenenţă sigmoidală se defineşte astfel:
141
1
sig ( x; a , c) = ,
1 + exp{−a ⋅ ( x − c)}
unde a şi c sunt doi parametri reali. În funcţie de semnul lui a, funcţia de

apartenenţă sigmoidală este fie deschisă la dreapta (a > 0), fie deschisă la stânga
(a < 0). De regulă, acest tip de funcţie se foloseşte pentru a reprezenta concepte
ca "foarte mare" sau "foarte mic".
(a) Triunghiulară (b) Trapezoidală
1 1
0.5 0.5
0 0
20 40 60 80 100 0 20 40 60 80 100
0
(c) Gaussiană (d) Clopot generalizat
1 1
0.5 0.5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Fig. III. 4 Tipuri de funcţii de apartenenţă
f) Funcţii de apartenenţă închise şi asimetrice construite pe baza funcţiei

sigmoidale
Dacă y1 şi y 2 sunt două funcţii de apartenenţă sigmoidale de acelaşi tip
(deschise la dreapta sau la stânga), atunci se poate obţine, pe baza lor, o funcţie
de apartenenţă închisă şi asimetrică, y 3 , astfel:
y 3 =| y1 − y 2 | ,
aşa cum este prezentat în figura III. 5 (a).

Dacă y1 şi y 2 sunt două funcţii de apartenenţă sigmoidale de tipuri diferite (una
deschisă la dreapta şi una deschisă la stânga), atunci se poate obţine, pe baza lor,
o funcţie de apartenenţă închisă şi asimetrică, y 3 , astfel:
y 3 = y1 ⋅ y 2 ,
aşa cum este prezentat în figura III. 5 (b).
142
|y1 - y2|
y1
y2
(a)
y1⋅y2
y1
y2
(b)
Fig. III. 5 Funcţii de apartenenţă închise şi asimetrice bazate pe funcţii sigmoidale
• Funcţii de apartenenţă bidimensionale

De multe ori este avantajos sau necesar să se folosească funcţii de apartenenţă
cu două variabile (bidimensionale), fiecare din ele fiind definită pe un alt
univers de discurs. O modalitate de a extinde o funcţie de apartenenţă
unidimensională la una bidimensională se realizează prin intermediul extensiei
cilindrice.
Definiţie:
Fie A o mulţime fuzzy peste universul de discurs X, având funcţia de
apartenenţă µ A ( x ) . Extensia sa cilindrică peste X x Y este o mulţime fuzzy c(A)
definită prin:
c(A) = {(( x, y), µ A ( x )) /( x , y) ∈ X × Y}
,
µ c( A ) ( x , y) = µ A ( x ), ∀( x , y) ∈ X × Y
unde Y este universul de discurs corespunzător variabilei y, iar µ c( A ) ( x, y) este

funcţia de apartenenţă corespunzătoare mulţimii fuzzy c(A). Mulţimea fuzzy A
se numeşte mulţime de bază pentru mulţimea c(A).
În contrast, operaţia de proiecţie descreşte dimensiunea unei funcţii de

apartenenţă multidimensionale.
143
Definiţie:
Fie R o mulţime fuzzy bidimensională peste X x Y. Proiecţia mulţimii R pe X
sau Y este definită prin:
R X = {( x , max (µ R ( x, y))) / x ∈ X}
y
şi, respectiv, prin:

R Y = {( y, max (µ R ( x, y))) / y ∈ Y} ,
x
unde µ R ( x, y) este funcţia de apartenenţă a mulţimii fuzzy bidimensionale R.
1.2 Reguli şi raţionamente fuzzy
1.2.1 Principiul extinderii şi relaţii fuzzy
Principul extinderii este un element de bază al teoriei mulţimilor vagi care oferă
cadrul general de stabilire a unei corespondenţe între mulţimi fuzzy. Acest
principiu extinde expresiile matematice cu domenii de definiţie exacte la
expresii matematice cu domenii de definiţie de tip fuzzy [Jang, et al., 1997].
Se consideră o funcţie f de forma:

f : X1 × X 2 × K × X n → Y, y = f ( x 1 , x 2 , K, x n )
şi fie A1, A2, …, An mulţimi fuzzy definite, respectiv, pe universurile de discurs

X1, X2, …, Xn. Conform principiului extinderii, mulţimea fuzzy B definită pe
mulţimea Y, indusă de funcţia f are funcţia de apartenenţă:

( x ,K,max ( min (µ Ai ( x i ))), daca f −1 ( y) ≠ 0
µ B ( y) =  1 x n ) = f ( y ) i =1, n
−1
.
 −1
0, daca f ( y) = 0
Relaţiile binare fuzzy sunt mulţimi fuzzy cu funcţie de apartenenţă

bidimensionale definite pe produsul cartezian al două universuri de discurs, X x
Y, care ataşează fiecărui element din X x Y un grad de apartenenţă cu valoare
cuprinsă în intervalul [0,1]. Astfel, relaţiile binare fuzzy sunt, de fapt, mulţimi
fuzzy cu funcţie de apartenenţă bidimensională.
144
Relaţiile fuzzy pot fi combinate prin intermediul operaţiei de compunere. Au

fost propuse mai multe modalităţi de compunere a relaţiilor fuzzy, cea mai
folosită fiind compunerea max-min [Jang, et al., 1997].
Definiţie :
Fie R1 şi R2 două relaţii fuzzy binare definite pe X x Y şi, respectiv, pe Y x Z.
Compunerea max-min a relaţiilor R1 şi R2 este o mulţime fuzzy definită astfel:
R 1 o R 2 = {(( x , z), max min{µ R1 ( x , y), µ R 2 ( y, z)}) / x ∈ X, y ∈ Y, z ∈ Z}
y∈Y

µ R1oR 2 ( x, z) = max min{µ R1 ( x , y), µ R 2 ( y, z)} .
y∈Y
Compunerea max-min a relaţiilor fuzzy are următoarele proprietăţi:

- asociativitate:
R o (S o T) = (R o S) o T ;
- distributivitate faţă de reuniune:

R o (S ∪ T) = (R o S) ∪ (R o T) ;
- distributivitate parţială faţă de intersecţie:

R o (S ∩ T) ⊆ (R o S) ∩ (R o T) ;
- monotonie:
S ⊆ T ⇒ R oS ⊆ R oT ,
în care R, S şi T sunt relaţii fuzzy.
Un alt tip de compunere a două relaţii fuzzy este compunerea max-produs.
Definiţie :
Fie R1 şi R2 două relaţii fuzzy binare definite pe X x Y şi, respectiv, pe Y x Z.
Compunerea max-produs a relaţiilor R1 şi R2 este o mulţime fuzzy a cărei
funcţie de apartenenţă este:
145
µ R1oR 2 ( x , z) = max (µ R1 ( x , y) ⋅ µ R 2 ( y, z)) ,

y∈Y
unde x ∈ X , y ∈ Y şi z ∈ Z .
1.2.2 Variabile lingvistice şi relaţii fuzzy de tip “dacă – atunci”
• Variabile lingvistice
O variabilă lingvistică este caracterizată de un cvintuplu (x, T(x), X, G, M) ale
cărui elemente au următoarele semnificaţii [Jang and Sun, 1995]:
- x reprezintă numele variabilei;
- T(x) este mulţimea valorilor lingvistice ale variabilei x;
- X este universul de discurs al variabilei;
- G este regula sintactică ce generează termenii din mulţimea T(x);
- M este regula semantică care asociază fiecărei valori lingvistice A din T(x)
înţelesul ei M(A) care este exprimat printr-o mulţime fuzzy definită pe
universul de discurs X.
Exemplu:
Dacă x = "vârsta" este interpretată ca fiind o variabilă lingvistică, atunci
mulţimea valorilor sale , T(x) poate fi formată din:
T(x)={tânăr, nu tânăr, foarte tânăr, nu foarte tânăr, …
de vârstă mijlocie, nu de vârstă mijlocie, …
bătrân, nu bătrân, foarte bătrân, mai mult sau mai puţin bătrân, nu foarte
bătrân,…
nu foarte tânăr şi nu foarte bătrân,…}
unde fiecare termen al mulţimii T(x) este caracterizat de o mulţime fuzzy peste
un univers de discurs X = [0,100], aşa cum este prezentat în figura III. 6. Regula
sintactică se referă la modul în care se generează valorile lingvistice din
mulţimea T(x), iar regula semantică defineşte o funcţie de apartenenţă fiecărei
valori lingvistice (fig. III. 6).
146
1 Tânăr Bătrân
Vârstă mijlocie
Foarte
Foarte bătrân
0.5
tânăr
0
0 20 40 60 80 100
X = vârsta
Fig. III. 6 Exemplu de variabilă lingvistică
Din exemplul dat, se poate observa că mulţimea valorilor lingvistice, T(x),

cuprinde o serie de termeni primari (tânăr, de vârstă mijlocie, bătrân) care,
modificaţi prin negare ("nu") şi / sau prin folosirea descriptorilor ("foarte", "mai
mult sau mai puţin", "aproape", "extrem de", etc.) şi apoi asociaţi prin conective
("şi", "sau", "oricare", "niciunul", etc.), generează restul termenilor mulţimii
T(x). Conectivele, descriptorii şi negarea se consideră a fi operatori ce
acţionează asupra valorilor lingvistice schimbându-le înţelesul într-un anumit
mod.
Definiţie:
Fie A o valoare lingvistică caracterizată de o mulţime fuzzy definită pe
universul de discurs X, având funcţia de apartenenţă µ A ( x ) . Atunci Ak este o
valoare lingvistică ce se obţine prin modificarea valorii lingvistice A şi care
este caracterizată de o mulţime fuzzy cu funcţia de apartenenţă:
µ A k ( x ) = (µ A ( x ) )k , ∀x ∈ X .
Particularizând, pentru k = 2 se obţine operatorul de concentrare, CON(A):

CON(A) = A2,
iar pentru k = 0.5 se obţine operatorul de dilatare, DIL(A):
DIL(A) = A0.5.
Se consideră că operatorii CON(A) şi DIL(A) corespund descriptorilor "foarte"
şi, respectiv, "mai mult sau mai puţin" aplicaţi valorii lingvistice A.
147
Negarea şi conectivele "ŞI" şi "SAU" se pot defini astfel:

NOT(A) = {( x ,1 − µ A ( x )) / x ∈ X}
not
A "ŞI" B = A ∩ B = {( x, µ A ( x ) ∧ µ B ( x )) / x ∈ X}
not
A "SAU" B = A ∪ B = {( x, µ A ( x ) ∨ µ B ( x )) / x ∈ X}
în care A şi B sunt două valori lingvistice ale aceleiaşi variabile lingvistice ale
căror înţeles este determinat de funcţiile de apartenenţă µ A ( x ) şi µ B ( x ) .
Folosind operatorii CON(A), DIL(A), negarea şi conectivele "ŞI" şi "SAU" se

pot construi valori lingvistice compuse.
Definiţie:
Operatorul de intensificare a contrastului aplicat unei valori lingvistice A
definită pe universul de discurs X este dat de:
2 ⋅ A 2 , 0 ≤ µ A ( x ) ≤ 0.5
INT(A) =  .
 NOT(2 ⋅ ( NOT(A)) 2 ), 0.5 ≤ µ A ( x ) ≤ 1
Acest operator creşte valoarea funcţiei de apartenenţă corespunzătoare valorii

lingvistice A, µ A ( x ) , dacă aceasta este mai mare decât 0.5 şi o scade dacă ea
este mai mică de 0.5. Astfel, efectul acestui operator este de reducere a gradului
de incertitudine al valorii lingvistice A. Operatorul invers celui de intensificare a
contrastului este operatorul de diminuare a contrastului, DIM, care satisface la:
DIM(INT(A)) = A.
Se recomandă ca atunci când se generează mulţimea valorilor lingvistice
corespunzătoare unei variabile lingvistice, funcţiile de apartenenţă ataşate
acestora să satisfacă la condiţia de ortogonalitate.
Definiţie :
O mulţime de valori lingvistice T={t1, …, tn}, corespunzătoare unei variabile
lingvistice x definită pe universul de discurs X, este ortogonală dacă este
satisfăcută condiţia:
148
n
∑ µ t i ( x ) = 1, ∀x ∈ X ,
i =1
unde valorile lingvistice t i , i = 1, n sunt caracterizate de mulţimi fuzzy convexe şi

normale definite pe X, având funcţiile de apartenenţă µ t i ( x ) , i = 1, n .
• Relaţii fuzzy "dacă – atunci"

O relaţie (regulă) fuzzy "dacă – atunci" are forma:
dacă x este A atunci y este B,
unde A şi B valori lingvistice caracterizate de mulţimi fuzzy definite pe
universurile de discurs X şi, respectiv, Y. De regulă, faptul "x este A" se
numeşte antecedent sau premiză a regulii, iar faptul "y este B" este numită
consecinţa sau concluzia regulii.
O regulă fuzzy "dacă – atunci" se poate defini ca fiind o relaţie fuzzy binară R
definită pe produsul cartezian al universurilor de discurs X şi Y, fiind posibile
două moduri de interpretare:
a) "A cuplat cu B" şi atunci relaţia fuzzy ce defineşte regula este:
not
R = A × B = {[( x , y), µ A ( x ) ∗ µ B ( y)] /( x , y) ∈ X × Y} ,
în care µ A ( x ) şi µ B ( y) sunt funcţiile de apartenenţă ale mulţimilor fuzzy ce

caracterizează valorile lingvistice A şi, respectiv, B, iar ' ∗ ' este un operator de
tip norma-T;
b) "A impune B" şi atunci relaţia fuzzy ce defineşte regula poate fi de una din
formele:
- R = NOT(A) ∪ B ;
- R = NOT(A) ∪ (A ∩ B) ;
- R = [ NOT(A) ∩ NOT(B)] ∪ B ;
- µ R ( x, y) = sup{c / µ A ( x ) ∗ c ≤ µ B ( y), 0 ≤ c ≤ 1} , în care ' ∗ ' este operator de tip
norma-T.
149
1.2.3 Raţionamente fuzzy
Raţionamentul fuzzy (aproximativ) este o procedură de inferenţă care furnizează

concluzii pe baza unui set de reguli fuzzy "dacă - atunci" şi a unui set de fapte
cunoscute [Jang and Sun, 1995; Jang, et al., 1997]. În logica binară tradiţională,
raţionamentele au la bază regula "modus ponens" conform căreia se poate
deduce valoarea de adevăr a unei propoziţii B cunoscând valoarea de adevăr a
propoziţiei A care implică B ( A ⇒ B ):
fapt: "x este A"
regula: dacă "x este A" atunci "y este B"
concluzia: "y este B"
În raţionamentul uman, regula "modus ponens" este aplicată într-o manieră

aproximativă:
fapt: "x este A' "
regula: dacă "x este A" atunci "y este B"
concluzia: "y este B' "
unde A' este apropiat de A şi B' este apropiat de B. Dacă A, B, A' şi B' sunt
mulţimi fuzzy definite pe anumite universuri de discurs, atunci acest tip de
raţionament se numeşte raţionament fuzzy sau raţionament "modus ponens"
generalizat.
Definiţie :
Fie A, A' două mulţimi fuzzy definite pe universul de discurs X şi B, B' două
mulţimi fuzzy definite pe Y. Se consideră că regula fuzzy:
dacă "x este A" atunci "y este B (III. 1)
se exprimă sub forma unei relaţii fuzzy R definită pe X x Y. Atunci mulţimea
fuzzy B' indusă de faptul "x este A' " şi regula fuzzy (III. 1) are funcţia de
apartenenţă:
150
µ B' ( y) = max min[µ A ' ( x ), µ R ( x , y)] ⇔ B' = A'oR , (III. 2)

x ∈X
unde µ A ' ( x ), µ R ( x, y) sunt funcţia de apartenenţă a mulţimii fuzzy A' şi, respectiv,
funcţia de apartenenţă a relaţiei fuzzy binare R.
O regulă fuzzy cu o premiză
O regulă fuzzy cu o premiză este de forma celei din expresia (III. 1). Funcţia de
apartenţă a mulţimii fuzzy B' indusă de regula (III. 1) şi de faptul "x este A'"
dată de relaţia (III. 2) se poate rescrie sub forma:
µ B' ( y) = max[µ A ' ( x ) ∧ µ A ( x )] ∧ µ B ( y) = w ∧ µ B ( y) . (III. 3)
x ∈X
Din relaţia (III. 3) se observă că mai întâi se determină gradul de suprapunere,

w, al mulţimilor fuzzy A şi A'. Apoi, funcţia de apartenenţă a mulţimii B' se
obţine trunchiind funcţia de apartenenţă a mulţimii fuzzy B corespunzător
gradului de suprapunere w. Intuitiv, w reprezintă măsura încrederii acordate
premizei regulii fuzzy activată de faptul "x este A'". Acesta se propagă mai
departe prin intermediul regulii fuzzy "dacă – atunci" rezultând gradul de
încredere acordat consecinţei regulii ce nu poate depăşi valoarea w (fig. III. 7).
µ A µ B
A′
B′
w
x y
Fig. III. 7 Raţionament fuzzy folosind o regulă fuzzy cu o premiză
O regulă fuzzy cu mai multe premize

O regulă fuzzy "dacă – atunci" cu două premize are forma generală:
dacă "x este A" şi "y este B" atunci "z este C".
Raţionamentul fuzzy care foloseşte acest tip de regulă poate fi formulat astfel:
fapt: "x este A' " şi "y este B' "
regula: dacă "x este A" şi "y este B" atunci "z este C" (III. 4)
concluzia: "z este C' "
151
Această regulă fuzzy poate fi privită ca o relaţie fuzzy ternară, Rm dată de:
R m = {[( x , y, z), µ A ( x ) ∧ µ B ( y) ∧ µ C (z)] /( x, y, z) ∈ X × Y × Z} .
Funcţia de apartenenţă a mulţimii C':

C' = (A'×B' ) o R m ,
care reprezintă concluzia raţionamentului fuzzy, este:

µ c' ( Z) = ∨ [µ A ' ( x ) ∧ µ B' ( y)] ∧ [µ A ( x ) ∧ µ B ( y) ∧ µ C (z)] =
x∈X
y∈Y
= ∨ [µ A ' ( x ) ∧ µ B' ( y) ∧ [µ A ( x ) ∧ µ B ( y)] ∧ µ C (z) = ,
x∈X
y∈Y
= { ∨ [µ A ' ( x ) ∧ µ A ( x )]} ∧ { ∨ [µ B' ( y) ∧ µ B ( y)]} ∧ µ C (z) = ( w 1 ∧ w 2 ) ∧ µ C (z)
x∈X y∈Y
unde w1 şi w2 reprezintă maximele funcţiilor de apartenenţă ale A ∩ A' şi,

respectiv, B ∩ B' . În general, w1 şi w2 exprimă gradul de compatibilitate dintre A
şi A' şi, respectiv, B şi B'. " w 1 ∧ w 2 " se numeşte putere de activare sau grad de
îndeplinire a regulii fuzzy şi reprezintă măsura în care partea de premiză a
regulii este satisfăcută de faptul "x este A' şi y este B'" (fig. III. 8).
Mulţimea fuzzy C' este dată de:

C' = [A'oR 1 ] ∩ [B'oR 2 ] ,
unde R1 şi R2 sunt reguli fuzzy cu o singură premiză ce provin din regula (III. 4)
considerând, pe rând, câte o premiză:
R1: dacă "x este A" atunci "z este C";
R2: dacă "y este B" atunci "z este C".
Astfel, mulţimea fuzzy C' se poate exprima ca fiind intersecţia a două mulţimi
fuzzy C1' şi C2' date de:
C1 ' = A'oR 1 ; C 2 ' = B'oR 2 ,
care reprezintă concluziile regulilor fuzzy R1 şi R2.
152
µ A µ B µ C
A′ B′
w1 C′
w2 w
x x y
w = min(w1,w2)
Fig. III. 8 Raţionament fuzzy folosind o regulă fuzzy cu două premize
Dacă o regulă fuzzy se enunţă astfel:

dacă "x este A" sau "y este B" atunci "z este C", (III. 5)
atunci puterea de activare a regulii este dată de maximul gradelor de
compatibilitate corespunzătoare celor două premize. În felul acesta, regula (III.
5) devine echivalentă cu reuniunea a două reguli fuzzy de forma:
dacă "x este A" atunci "z este C",
dacă "y este B" atunci "z este C".
Reguli fuzzy multiple cu premize multiple
Regulile fuzzy multiple cu premize multiple sunt formate din două sau mai
multe reguli fuzzy cu premize multiple. Un exemplu este următorul:
fapt: "x este A' " şi "y este B' "
regula1: dacă "x este A1" şi "y este B1" atunci "z este C1"
concluzie: "z este C' "
Notând cu R1 prima regulă şi cu R2 cea de a două regulă, acestea fiind exprimate
prin relaţii fuzzy, atunci mulţimea fuzzy C', care reprezintă concluzia
raţionamentului, este dată de:
C' = (A'×B' ) o (R 1 ∪ R 2 ) = [A'×B' ) o R 1 ] ∪ [(A'×B' ) o R 2 ] = C1 '∪C 2 ' ,
unde C1' şi C2' sunt consecinţele regulilor 1 şi, respectiv, 2 considerate separat,
aşa cum este ilustrat în figura III. 9.
153
min
µ A1 µ B1 µ C1
A′ B′
C 1′
x y z
min
µ A2 µ B2 B′ µ C2
A′
C2′
x y z
max
µ
C′
z
Fig. III. 9 Raţionament fuzzy folosind două reguli fuzzy cu două premize
În esenţă, raţionamentul fuzzy parcurge patru etape referitoare la determinarea:

1) gradelor de compatibilitate: se compară faptele cunoscute cu premizele
regulilor fuzzy pentru a se determina gradelele de compatibilitate în raport
cu fiecare premiză;
2) puterii de activare: se combină gradele de compatibilitate cu funcţiile de
apartenenţă ale premizelor fiecărei reguli folosind operatorii fuzzy “ŞI”
sau “SAU” în scopul determinării puterii de activare a fiecărei reguli în
parte;
3) funcţiilor de apartenenţă ale concluziilor-candidat: se trunchiază funcţia de
apartenenţă a părţii de concluziei a fiecărei reguli în concordanţă cu
puterea sa de activare obţinându-se funcţiile de apartenenţă ale
concluziilor-candidat;
4) funcţiei de apartenenţă a concluziei finale: se combină toate funcţiile de
apartenenţă ale concluziilor-candidat rezultând funcţia de apartenenţă a
concluziei finale.
154
1.3 Sisteme fuzzy
Structura de bază a unui sistem fuzzy constă din următoarele trei componente
[Frank and Marcu, 1999; Mendel, 1995]:
- baza de reguli ce conţine o colecţie de reguli fuzzy "dacă – atunci";
- baza de date (dicţionar) în care sunt definite funcţiile de apartenenţă ale
părţilor de premiză şi de concluzie corespunzătoare regulilor fuzzy din
baza de reguli;
- mecanismul de inferenţe care este procedura prin care se aplică raţionamente
fuzzy regulilor din baza de reguli activate de faptele ce constituie intrările
sistemului fuzzy în scopul deducerii unor concluzii (ieşirile sistemului
fuzzy).
Sistemele fuzzy pot avea atât intrări fuzzy cât şi intrări exacte considerate a fi
mulţimi fuzzy de tip singleton. Ieşirile furnizate de un sistem fuzzy sunt, de cele
mai multe ori, mulţimi fuzzy. Uneori este necesar ca sistemul fuzzy să producă
ieşiri exacte, în acest caz fiind necesară o metodă de defuzzificare pentru a
extrage valoarea exactă ce reprezintă cel mai bine mulţimea fuzzy obţinută ca
ieşire a sistemului fuzzy. În figura III. 10 este prezentată structura generală a
unui sistem fuzzy.
Regula 1
Fuzzy
w1
x este A1 y este B1
Regula 2
Fuzzy Fuzzy Y
w2 Combinare Defuzzificare
X x este A2 y este B2
Număr
M
Număr M
sau Regula r
mulţime fuzzy Fuzzy
wr
x este Ar y este Br
Fig. III. 10 Sistem fuzzy – schema bloc
Defuzzificarea se referă la modul în care se asociază unei mulţimi fuzzy o

mărime exactă, reprezentativă pentru acea mulţime fuzzy. Există cinci
modalităţi, des aplicate în practică , de defuzzificare a unei mulţimi fuzzy A,
155
definită pe un univers de discurs Z, având funcţia de apartenenţă µ A (z) (fig. III.

11) şi anume:
a) calculul centrului de greutate, zC:
∫ µ A (z) ⋅ z ⋅ dz
Z
zC = ;
∫ µ A (z) ⋅ dz
Z
b) calculul bisectoarei zB care satisface la:

zB β
∫ µ A (z) ⋅ dz = ∫ µ A (z) ⋅ dz ,
α zB
unde α = min{z / z ∈ Z} şi β = max{z / z ∈ Z} . Astfel, linia verticală ce trece prin zB

împarte suprafaţa delimitată de z = α , z = β , y = 0 şi y = µ A (z) în două
suprafeţe egale.
c) media maximului, zM:
∫ z ⋅ dz
Z'
zM = ,
∫ dz
Z'
unde Z' = {z ∈ Z / µ A (z) = µ*} , µ * fiind valoarea maximă a funcţiei de

apartenenţă µ A (z) . Dacă µ A (z) are un singur punct de maxim atins în z*,
atunci zM = z*. Dacă µ A (z) atinge valoarea maximă pentru z ∈ [z s , z d ] , atunci
zs + zd
zM = .
2
d) cel mai mic maxim, zSM: cea mai mică valoare a lui z care maximizează
funcţia de apartenenţă µ A (z) ;
e) cel mai mare maxim, zLM: cea mai mare valoare a lui z care maximizează
funcţia de apartenenţă µ A (z) .
156
µA(Z)
A
µ*
ZSM ZM ZLM Z
ZB ZCG
Fig. III. 11 Metode de defuzzificare
Un sistem fuzzy cu intrări şi ieşiri exacte realizează o transformare neliniară a

spaţiului de intrare către spaţiul de ieşire. Această transformare este obţinută ca
urmare a aplicării unui număr de reguli fuzzy "dacă – atunci", fiecare din aceste
reguli descriind comportarea locală a respectivei transformări. Astfel, premiza
unei reguli defineşte o regiune fuzzy din spaţiul de intrare, în timp ce consecinţa
regulii defineşte o regiune fuzzy din spaţiul de ieşire.
Trei tipuri de sisteme fuzzy au fost folosite intens în aplicaţii şi anume:

sistemele fuzzy Mamdani, sistemele fuzzy Sugeno şi sistemele fuzzy
Tsukamoto.
1.3.1 Sisteme fuzzy Mamdani
Sistemele fuzzy Mamdani au fost dezvoltate ca o primă încercare de a controla

ansamblul format din motor cu aburi şi boiler utilizând reguli lingvistice
obţinute de la operatorii umani cu experienţă. În figura III. 12 este ilustrat,
principial, modul în care un sistem fuzzy Mamdani cu două reguli de forma:
prelucrează două mărimi de intrare exacte, x şi y, furnizând mărimea de ieşire z.
Operatorii de compunere folosiţi în acest exemplu sunt de tip minimum pentru
norma-T şi maximum pentru conorma-T.
157
O altă variantă de implementare a unui sistem fuzzy Mamdani, des folosită,

utilizează drept operatori de compunere funcţiile minimum (pentru norma-T) şi
produs (pentru conorma-T). Ieşirea astfel obţinută este exprimată printr-o
mulţime fuzzy. Dacă este necesară obţinerea unei mărimi exacte de ieşire, atunci
se utilizează o metodă de defuzzificare din cele prezentate anterior.
min
µ A1 µ B1 µ C1
C 1′
X Y Z
min
µ A2 µ B2 µ C2
C 2′
x X y Y Z
max
µ
C′
Z
Fig. III. 12 Raţionament fuzzy într-un sistem fuzzy Mamdani cu două reguli
Pentru a avea o imagine completă a modului de operare a sistemului fuzzy

Mamdani, trebuie atribuită o anumită funcţie pentru fiecare din următorii
operatori:
- operatorul “ŞI” (uzual norma-T) necesar pentru calculul puterii de activare a
unei reguli cu premize multiple conectate prin "şi";
- operatorul “SAU” (uzual conorma-T) necesar pentru calculul puterii de
activare a unei reguli cu premize multiple conectate prin "sau";
158
- operatorul "implică" (uzual norma-T) necesar pentru calculul funcţiilor de a

apartenenţă ale concluziilor-candidat;
- operatorul de compunere (uzual conorma-T) necesar pentru compunerea
funcţiilor de apartenenţă ale concluziilor-candidat în scopul obţinerii
funcţiei de apartenenţă a concluziei finale;
- operatorul de defuzzificare necesar pentru a transforma ieşirea sistemului
Mamdani din mulţime fuzzy într-o mărime exactă.
1.3.2 Sisteme fuzzy Sugeno
Sistemele fuzzy Sugeno au fost propuse din dorinţa de a obţine reguli fuzzy pe
baza unui set de date de intrare-ieşire dat [Takagi and Sugeno, 1985; Sugeno and
Kang, 1988]. O regulă fuzzy tip dintr-un sistem fuzzy Sugeno are forma:
dacă "x este A" şi "y este B" atunci "z = f(x,y)",
unde A şi B sunt mulţimi fuzzy, în partea de premiză a regulii, în timp ce z =
f(x,y) este o funcţie exactă în partea de concluzie a regulii.
Uzual, f(x,y) este un polinom, dar poate fi orice alt tip de funcţie. Dacă f(x,y)
este o constantă, atunci sistemul fuzzy se numeşte sistem fuzzy Sugeno de ordin
zero. Acesta este un caz particular al sistemului fuzzy Mamdani în care
consecinţa fiecărei reguli este exprimată printr-un singleton fuzzy. Dacă f(x,y)
este polinom de gradul întâi, atunci sistemul fuzzy se numeşte sistem fuzzy
Sugeno de ordin întâi, ş.a.m.d.
În figura III. 13 este prezentat, intuitiv, raţionamentul fuzzy realizat de un sistem

Sugeno de ordin întâi cu două reguli, două intrări şi o ieşire. Deoarece fiecare
regulă are în partea de concluzie o valoare exactă, ieşirea sistemului se poate
obţine prin intermediul medierii ponderate sau a sumării ponderate, aşa cum este
prezentat în figura III. 13.
159
µ A1 µ B1 min sau produs
w1
z1 = p1 x + q1 y + r1
X Y
µ A2 µ B2
z 2 = p 2 x + q 2 y + r2
w2
x X y Y
w1 z1 + w2 z 2
z= sau z = w1 z1 + w2 z 2
w1 + w2
Fig. III. 13 Raţionament fuzzy într-un sistem Sugeno de ordin întâi
1.3.3 Sisteme fuzzy Tsukamoto
În cazul sistemelor fuzzy Tsukamoto, consecinţa fiecărei reguli fuzzy este o

mulţime fuzzy cu funcţie de apartenenţă monotonă. În consecinţă, concluziile –
candidat obţinute prin aplicarea regulilor sunt valori exacte determinate de
puterea de activare a regulilor. Ieşirea sistemului fuzzy Tsukamoto reprezintă
media ponderată a concluziilor-candidat obţinute. Figura III. 14 ilustrează modul
în care se realizează raţionamentul într-un sistem fuzzy Tsukamoto cu două
intrări şi două reguli.
160
min sau
µ A1 µ B1 produs µ C1
w1
X Y z1 Z
µ A2 µ B2 µ C2
w2
x X y Y z2 Z
w1 z1 + w2 z 2
z=
w1 + w2
Fig. III. 14 Raţionament fuzzy într-un sistem fuzzy Tsukamoto cu două reguli
161

p3 Cap1 Web

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

p3 Cap1 Web

Încărcat de

Drepturi de autor:

Formate disponibile

SISTEME NEURO - FUZZY

Mulţimi fuzzy. Sisteme fuzzy

1.1 Mulţimi fuzzy

1.1.1 Noţiuni de bază

Fie X o colecţie de obiecte şi fie x un elemente generic al mulţimii X. O

În contrast cu mulţimea în sens clasic, o mulţime fuzzy exprimă gradul în care

unde µ A ( x ) se numeşte funcţie de apartenenţă a mulţimii fuzzy A.

Funcţia de apartenenţă atribuie fiecărui element al mulţimii X un anumit grad de

apartenenţă la mulţimea A ce are o valoare cuprinsă în intervalul [0,1]. Dacă

Construirea unei mulţimi fuzzy depinde de stabilirea universului de discurs şi a

În practică, în cazul unui univers de discurs continuu (mulţimea numerelor reale

 mulţime fuzzy A al cărei suport este format dintr-un singur element x ∈ X

Fig. III. 1 Noţiuni de bază ale mulţimilor fuzzy

 Tăietura-α puternică a mulţimii fuzzy A este dată de:

 O mulţime fuzzy A este convexă dacă şi numai dacă, pentru orice x1 , x 2 ∈ X

(a) Două mulţimi fuzzy convexe (b) O mulţime fuzzy non-convexă

Fig. III. 2 Mulţimi fuzzy convexe (a) şi non-convexe (b)

Pentru o mulţime fuzzy normală şi convexă se defineşte lărgimea sa (limba

O mulţime fuzzy A este:

- deschisă la dreapta dacă:

1.1.2 Operatori fuzzy

Operatorii de bază definiţi în cazul mulţimilor în sens clasic sunt reuniunea,

În figura III. 3 este ilustrat conceptul de incluziune fuzzy.

Fig. III. 3 Conceptul de "incluziune fuzzy"

a cărei funcţie de apartenenţă este:

care combină funcţiile de apartenenţă corespunzătoare mulţimilor fuzzy A şi

Această clasă de operatori de tip intersecţie fuzzy numiţi şi operatori de tip

Cei mai folosiţi operatori norma-T sunt:

a cărei funcţie de apartenenţă este:

Această clasă de operatori de tip reuniune fuzzy numiţi şi operatori de tip

- S(1,1) = 1, S(0,a) = S(a,0) = a;

Cei mai folosiţi operatori conorma-T sunt:

unde µ A ( x ) este funcţia de apartenenţă a mulţimii fuzzy A şi X este universul

care satisface următoarele cerinţe:

O altă cerinţă suplimentară impusă complementului fuzzy este:

Un tip de complement fuzzy ce satisface cele trei cerinţe enunţate anterior

unde s este un parametru real mai mare decât –1.

Un alt tip de complement fuzzy este complementul Yager definit prin:

unde w este un parametru real pozitiv.

1.1.3 Funcţii de apartenenţă

O mulţime fuzzy este complet definită de către funcţia sa de apartenenţă.

a) Funcţii de apartenenţă triunghiulare

În figura III. 4 (a) este ilustrată o funcţie de apartenenţă triunghiulară.

O funcţie de apartenenţă trapezoidală se defineşte cu ajutorul a patru parametri

Parametrul c se numeşte centrul funcţiei de apartenenţă, iar σ determină

unde b este, de regulă, un parametru real pozitiv. Acest tip de funcţie de

unde a şi c sunt doi parametri reali. În funcţie de semnul lui a, funcţia de

Fig. III. 4 Tipuri de funcţii de apartenenţă

f) Funcţii de apartenenţă închise şi asimetrice construite pe baza funcţiei

aşa cum este prezentat în figura III. 5 (a).

aşa cum este prezentat în figura III. 5 (b).

Fig. III. 5 Funcţii de apartenenţă închise şi asimetrice bazate pe funcţii sigmoidale

• Funcţii de apartenenţă bidimensionale

unde Y este universul de discurs corespunzător variabilei y, iar µ c( A ) ( x, y) este

În contrast, operaţia de proiecţie descreşte dimensiunea unei funcţii de

şi, respectiv, prin:

1.2 Reguli şi raţionamente fuzzy

1.2.1 Principiul extinderii şi relaţii fuzzy

Se consideră o funcţie f de forma:

şi fie A1, A2, …, An mulţimi fuzzy definite, respectiv, pe universurile de discurs

Relaţiile binare fuzzy sunt mulţimi fuzzy cu funcţie de apartenenţă

Relaţiile fuzzy pot fi combinate prin intermediul operaţiei de compunere. Au

a cărei funcţie de apartenenţă este:

mulţime fuzzy A al cărei suport este format dintr-un singur element x ∈ X

Tăietura-α puternică a mulţimii fuzzy A este dată de:

O mulţime fuzzy A este convexă dacă şi numai dacă, pentru orice x1 , x 2 ∈ X

unde Z' = {z ∈ Z / µ A (z) = µ} , µ fiind valoarea maximă a funcţiei de