Documente Academic
Documente Profesional
Documente Cultură
Capitolul 1
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} ,
133
SISTEME NEURO - FUZZY
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
SISTEME NEURO - FUZZY
singleton
fuzzy
0.5
univers de univers de
discurs discurs
0
nucleu
nucleu şi suport
puncte de
încrucişare
suport
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} .
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
SISTEME NEURO - FUZZY
Funcţie Funcţie
de de
apartenenţă apartenenţă
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 .
- închisă dacă:
lim µ A ( x ) = 0 şi lim µ A ( x ) = 0 .
x →−∞ x →∞
136
SISTEME NEURO - FUZZY
A ⊆ B ⇔ µ A (x) ≤ µ B (x) .
A este inclusă în B
• 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,
În sens mai larg, intersecţia a două mulţimi fuzzy se exprimă printr-o funcţie:
T : [0,1]x[0,1] → [0,1]
137
SISTEME NEURO - FUZZY
• 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,
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 )) .
138
SISTEME NEURO - FUZZY
• 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 ,
139
SISTEME NEURO - FUZZY
140
SISTEME NEURO - FUZZY
141
SISTEME NEURO - FUZZY
1
sig ( x; a , c) = ,
1 + exp{−a ⋅ ( x − c)}
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
142
SISTEME NEURO - FUZZY
|y1 - y2|
y1
y2
(a)
y1⋅y2
y1
y2
(b)
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
143
SISTEME NEURO - FUZZY
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
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].
144
SISTEME NEURO - FUZZY
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
- monotonie:
S ⊆ T ⇒ R oS ⊆ R oT ,
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
SISTEME NEURO - FUZZY
unde x ∈ X , y ∈ Y şi z ∈ Z .
• 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
SISTEME NEURO - FUZZY
1 Tânăr Bătrân
Vârstă mijlocie
Foarte
Foarte bătrân
0.5
tânăr
0
0 20 40 60 80 100
X = vârsta
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 .
147
SISTEME NEURO - FUZZY
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
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
SISTEME NEURO - FUZZY
n
∑ µ t i ( x ) = 1, ∀x ∈ X ,
i =1
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} ,
149
SISTEME NEURO - FUZZY
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
SISTEME NEURO - FUZZY
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
B′
w
x y
Fig. III. 7 Raţionament fuzzy folosind o regulă fuzzy cu o premiză
151
SISTEME NEURO - FUZZY
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} .
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 ,
152
SISTEME NEURO - FUZZY
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
unde C1' şi C2' sunt consecinţele regulilor 1 şi, respectiv, 2 considerate separat,
aşa cum este ilustrat în figura III. 9.
153
SISTEME NEURO - FUZZY
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
154
SISTEME NEURO - 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
155
SISTEME NEURO - FUZZY
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
SISTEME NEURO - FUZZY
µA(Z)
A
µ*
ZSM ZM ZLM Z
ZB ZCG
Fig. III. 11 Metode de defuzzificare
157
SISTEME NEURO - FUZZY
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
158
SISTEME NEURO - FUZZY
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.
159
SISTEME NEURO - FUZZY
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
160
SISTEME NEURO - FUZZY
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