Sunteți pe pagina 1din 31

Sisteme Fuzzy

Echipa: Ipate Oana-Simona


Loghin Maria Mădălina
Polizu Georgiana Loredana
Teodor Elena-Mădălina
Cuprins
1. Ce este un sistem fuzzy?
2. Logica fuzzy
3. Logica fuzzy vs logica naturală
4. Teoria mulțumilor fuzzy
5. Avantajele și dezavantajele sistemelor fuzzy
6. Comparație sisteme fuzzy - rețele neuronale
7. Etapele implementarii unei aplicații cu logică fuzzy
8. Structura unui sistem cu logică fuzzy
9. Domenii de utilizare a logicii fuzzy
10. Aplicație a logicii fuzzy
Ce este un sistem fuzzy?

Fuzzy: vag, neclar, imprecis, scămos, pufos, nuanţat


Lofti Zadeh(n.1921)

matematician, om de ştiinţă, profesor

inginer electrician, cercetător al inteligenţei artificiale


Importanţa relativă a preciziei

“Cât de importantă este precizia când este mulţumitor şi un răspuns


aproximativ, dar semnificativ?”
Sistem expert bazat pe logica fuzzy
Logica fuzzy

“Pe măsură ce creşte complexitatea, formulările precise pierd din înţeles şi


formulările pline de înţeles pierd din precizie.”
Trăsături specifice logicii fuzzy

· Raţionamentul exact este privit ca un caz limită al raţionamentului aproximativ;


· Orice situaţie este exprimată gradual;
· Orice sistem logic poate fi reprezentat în logica fuzzy(fuzzyficare);
· Cunoaşterea este interpretată ca o colecţie de restricţii fuzzy elastice sau de
echivalenţă pe o colecţie de variabile;
· Mulţimea fuzzy are asociată o funcţie caracteristică care ia valori în intervalul [0,1],
valorile acesteia descriind gradul de apartenenţă al unui element la acea mulţime.
Diferenţe dintre logica naturală şi logica fuzzy
Teoria mulțimilor fuzzy se utilizează pentru:

● modelarea incertitudinilor - în funcție de cauzele incertitudinii, de tipul și de


cantitatea informațiilor disponibile;
● generalizarea modelelor și metodelor clasice, de caracterul gradual;
● simplificare în scopul reduceri complexității datelor;
● procesarea cunoștințelor - motorul de inferență procesează expresii lingvistice cu
un anume sens.
Faţă de structurile de reglare clasice, sistemele fuzzy prezintă două mari diferenţe:

• în modul de descriere al procesului – inexactitatea sau chiar lipsa unui model al


procesului nu constituie un impediment;

• în modul de proiectare – parametrii acestuia au corespondenţă clară cu


cunoştinţele exprimate lingvistic de experţi.
Avantaje:

● Principalul avantaj al utilizării unor regulatoare fuzzy este faptul că nu este necesară
cunoaşterea modelului matematic;
● Utilizarea acestora va conduce la scădere semnificativă a timpului de dezvoltare şi
proiectare şi a implementării;

Dezavantaje:

● Sistemele fuzzy nu pot achiziționa automat regulile pe care le utilizează pentru luarea
deciziilor;
● Datorită incompletitudinii cunoașterii, sistemele fuzzy se dovedesc a fi insuficiente.
Sisteme hibride inteligente
Sisteme neuro-fuzzy

Rețele neuronale Sisteme cu logică fuzzy


( trăsături neuronale ) ( trăsături simbolice )

omogenitate, interpretare umană,


capacitate de învățare, control explicit,
efectuarea de sarcini distribuite abstractizarea cunoștiințelor
Sisteme fuzzy Sisteme neuronale

Avantaje

· Încorporează cunoștiințe predefinite bazate pe · Pot învăța fără nicio informație inițială;
reguli; · Există mai multe paradigme de învățare, potrivite
· Sunt interpretabile (reguli dacă-atunci); diverselor situații;
· Oferă o implementare simplă; · Există o multitudine de algoritmi de învățare
· Cunoștiințele sunt disponibile în orice moment. disponibili în literatura de specialitate.

Dezavantaje

· Nu pot învăța; · Sunt „cutii negre” simbolice;


· Trebuie să dispună de reguli stabilite apriori; · Necesită algoritmi de învățare complecși;
· Nu există metode formale pentru ajustarea regulilor; · Nu există garanția că învățarea converge spre
· Numărul variabilelor de intrare este relativ mic. soluție;
· Prezintă dificultăți în extragerea cunoștiințelor
structurale.

Dosoftei, C., Utilizarea inteligenței computaționale în conducerea proceselor, Teză de doctorat, pag. 35
http://www.ace.tuiasi.ro/users/103/2009-Dosoftei%20Catalin%20PhD%202009.pdf
Etapele implementării unei aplicații cu logică fuzzy

1. Identificare intrări, ieșiri


2. Stabilire univers discuție, variabile/valori lingvistice, funcții de apartenență
3. Stabilire metode de inferență, defuzzificare
4. Implementare efectivă
5. Testare, evaluare performanțe
6. Revenire la etapele anterioare, dacă este cazul
Structura unui sistem cu logică fuzzy

Sursa: http://www.bel.utcluj.ro/dce/didactic
Baza de cunoștințe a SLF
➔ Servește pentru stocarea tuturor elementelor cunoașterii (fapte, reguli, metode
de rezolvare, euristici) specifice domeniului de aplicație, preluate de la experții
umani sau din alte surse.
➔ Regulile fuzzy sunt obtinute cu ajutorul operatiilor.

Reguli în logica clasică Reguli în logica fuzzy

Dacă temperatura este -5 atunci vremea este rece; Dacă temperatura este joasă atunci vremea este rece;

Dacă temperatura este 15 atunci vremea este călduţă; Dacă temperatura este medie atunci vremea este călduţă;

Dacă temperatura este 35 atunci vremea este caniculară; Dacă temperatura este ridicată atunci vremea este caniculară;
Operațiile/operatorii SLF

1. Fuzzificare

Se transformă fiecare dată brută de intrare într-o variabilă lingvistică.

Cum?
Pentru o valoare brută dată a unei variabile (care poate aparţine uneia sau mai multor
mulţimi fuzzy) se calculează valoarea asociată funcţiei caracteristice corespunzătoare
pentru fiecare dintre mulţimile de apartenenţă (folosind funcţia de apartenenţă).

Exemplu:
Variabilă brută: temperatura T
Variabile lingvistice asociate: redusă A1, medie A2, înaltă A3
Operațiile/operatorii SLF

2. Inferență

- cea mai complexă operaţie dintr-un SLF;


- utilizează mulțimile fuzzy de intrare și ieşire ale SLF;
- transforma intrările fuzzy în ieşiri fuzzy prin aplicarea regulilor din baza de cunoştinţe.

Inferenţa trebuie să:


• deducă pe baza valorii fuzzy de intrare și pe baza fiecărei reguli fuzzy, rezultatul fuzzy
de ieșire al regulii Ri.
• combine toate rezultatele parţiale fuzzy de ieșire, Yi*, i=1,…, M, într-o singură mulţime
fuzzy de ieşire Y* - agregarea rezultatelor parțiale.
Operațiile/operatorii SLF

3. Compoziție - reprezintă procesul în care toate subseturile fuzzy corespunzătoare câte


unei ieșiri, sunt combinate între ele, rezultând un singur subset fuzzy pentru ieșire.

4. Defuzzificare
- operație inversă fuzzificării;
- fiecare regiune de ieşire trebuie defuzzificată pentru a produce valori crisp.

Cea mai des folosită metodă de defuzzificare – COA (center of area/centroid)


În ce se utilizează logica Fuzzy?

1. Business 4. Armata
- Luarea de decizii - Determinarea țintei
- Sisteme de data mining - Sisteme de ghidare

2. Chimie 5. Transporturi
- Dozarea substanțelor in reacții - Sisteme de transport fără pilot
- Reglarea condițiilor de reactie - Controlul sistemelor de trafic

3. Comunicații 6. Finanțe
- QoS - Managementul fondurilor
- Filtre adaptative - Previziuni la bursa
În ce se utilizează logica Fuzzy?

7. Medical 9. Robotică
- Controlul presiunii arteriale în timpul operației - Controlul efectoarelor
- Diagnosticarea cancerului, bolii Alzheimer, diabetului - Determinarea poziției

8. Industrie 10. Electronica


- Controlul temperaturii în furnale - Sisteme de climatizare
- Controlul tratamentului apelor curate/uzate - Sisteme de temporizare:
- Controlul calitații cuptoare, mașini de spălat
Instrumente de modelare

Fuzzy Knowledge Builder: este un editor de reguli şi seturi fuzzy în mod grafic.

Judgement Maker: este un soft de asistare a deciziei care descompune un scenariu în părţi
uşor de analizat (şi de descris pentru expertul uman), după care înregistrează respectivele
componente şi alege alternativa optimă.

Fuzzy Engine este un program open source realizat în Java, oferă o serie de clase şi metode
permiţând evaluarea regulilor fuzzy (integrarea raţionamentului fuzzy (evaluări) în software
Java (operaţii de intrare-ieşire).

Fuzzy Logic Toolbox suportă proiectarea şi analiza sistemelor bazate pe logica fuzzy
(dezvoltare, documentare, proiectare, simulare, implementare).
Modulul fuzzy toolbox

Implementarea tehnicilor bazate pe logica fuzzy toolbox

Permite:
● introducerea,
● organizarea,
● prezentarea informațiilor.

Exemplu:
● analiza riscului proiectelor de investiție
FIS Editor Adăugare variabile
Funcțiile de apartenență Incrementarea numărului de
apartenență
Schimbarea formei funcției de Configurarea parametrilor
apartenență pentru funcțiile de apartenență
Ajustarea profilului funcției Definirea funcțiilor de
de apartenență apartenență pentru ieșire
Editarea bazei de cunoștințe Vizualizarea regulilor
Exemplul 3D- pentru aplicație cu mașina de spălat
CONCLUZII

De ce să utilizăm logica fuzzy?


1. ușor de înteles și utilizat (intuitivă, concepte matematice simple)
2. flexibilitate
3. toleranță la date imprecise
4. poate modela funcții complexe, cu nivel ridicat de precizie
5. poate utiliza cunoștințele experților
6. se poate combina cu tehnici convenționale de control
7. se bazează pe limbaj natural

Nu vom utiliza logica fuzzy dacă...


1. există deja o soluție simplă
2. există controllere care funcționează foarte bine
3. nu este convenabilă din diferite motive
Vă mulțumim!
Întrebări?