Documente Academic
Documente Profesional
Documente Cultură
1. Principiul extensiei
2. Relaţii fuzzy
2.2. Operaţii cu relaţii fuzzy
3. Calcul propoziţional în logica fuzzy
4. Variabile şi termeni lingvistici
5. Relaţii fuzzy IF-THEN
6. Sisteme de inferenţă fuzzy
6.1. Sisteme de inferenţă fuzzy de tip Mamdani şi Larsen
6.2. Sisteme de inferenţă fuzzy de tip Takagi-Sugeno-Kang
Logica fuzzy 2
1. Principiul extensiei
A ( x1 ) A ( x2 ) A ( xn )
A mulţime fuzzy definită pe X : A x, A ( x) | x X , A
x1 x2 xn
o funcţie f : X Y
A ( x1 ) A ( x2 ) A ( xn )
o dacă f este injectivă B f ( A) ,
y1 y2 yn
unde yi f xi , i 1,2, n
o dacă f nu este injectivă B f ( A) y, B ( y) | y Y
sup A ( x) , dacă f 1 ( y ) ,
B ( y ) x f 1 ( y )
1
( y ) .
0, dacă f
generalizare:
pentru Ai x, Ai ( x) | x X i , i 1,2, n , şi f : X1 X 2 Xn Y
B f ( A1,..., An ) y, B ( y ) / y Y ,
sup min A ( x1 ), A ( x2 ),
, An ( xn ) , dacă f 1 ( y ) ,
B ( y ) x f 1 ( y )
1 2
dacă f 1 ( y ) .
0,
Logica fuzzy 3
2. Relaţii fuzzy
O relaţie fuzzy între elementele din X şi cele din Y este o mulţime fuzzy
x, y , ( x, y ) ( x, y) X Y , : X Y [0,1]
( x, y) 0,1 caracterizează „tăria” legăturii dintre elementele x şi y .
A Crisp Relation A Fuzzy Relation
40 40
30 30
20 20
Y
10 10
0 0
0 5 10 0 5 10
X X
X Y relaţie binară
proiecţia relaţiei pe X : 1 : X [0,1], 1 ( x) max ( x, y) ,
yY
proiecţia relaţiei pe Y : : Y [0,1], 2 ( y) max ( x, y) .
2
xX
X relaţie unară pe X şi un spaţiu oarecare Y
extensia cilindrică a relaţiei pe X Y : C : X Y [0,1], C
( x, y) ( x)
Membership Grades
1 1
0.5 0.5
0 0
40 40
20 20
10 10
Y 5 Y 5
0 0 X 0 0 X
Membership Grades
1 1
0.5 0.5
0 0
40 40
20 20
10 10
Y 5 Y 5
0 0 X 0 0 X
Logica fuzzy 7
max-product 1 2:
1 2
: X Z [0,1] , 1* 2
yY
( x, z ) max 1 ( x, y ) 2
( y, z ) ;
max-average 1 2:
1 2
: X Z [0,1] ,
1 2
( x , z )
1
2 yY
max 1 ( x, y ) 2 ( y , z ) .
dacă X, Y şi Z au număr finit de elemente:
1 R1 , 2 R2 1 2 R1R2 ca produs max-min // max-product // max-sum
proprietăţi:
asociativitatea: 1 ( 2 3) ( 1 2) 3;
distributivitatea faţă de reuniune: 1 ( 2 3) ( 1 2) ( 1 3) ;
distributivitatea faţă de intersecţie: 1 ( 2 3) ( 1 2) ( 1 3) ;
monotonicitatea: dacă 1 2 atunci 1 3 2 3.
Logica fuzzy 8
1 ( xi , zk ) max min 1 ( xi , y1), 2 ( y1, zk ) , min 1 ( xi , y2 ), 2 ( y2 , zk ) ,
(ii) compunerea max-product : 2 1 2 X Z
2 ( xi , zk ) max 1 ( xi , y1) 2 ( y1, zk ), 1 ( xi , y2 ) 2 ( y2 , zk ) ,
(iii) compunere max-average : 3 1 2 X Z
3 ( xi , zk ) 12 max 1 ( xi , y1) 2 ( y1, zk ), 1 ( xi , y2 ) 2 ( y2 , zk ) , i 1,3, k 1,2 .
0.2 0.2 0.14 0.12 0.50 0.45
S1 0.5 0.5 , S2 0.36 0.32 , S3 0.65 0.60 . ♦
0.7 0.7 0.63 0.56 0.80 0.75
Logica fuzzy 9
definiţii posibile:
a b a b (a, b) ( (a), b)
a b a ( a b) , (a, b) ( (a), (a, b))
a b (a b ) b , (a, b) ( (a), (b)), b
cu şi duali în raport cu ( ( a, b) (a), (b) ).
operatori standard: a b min{a, b}, a b max{a, b}, a 1 a ,
implicaţia Kleene-Dienes // max-min (Zadeh)
a b max{1 a, b} mm (a, b) (1 a) (a b) max 1 a,min{a, b}
(a) Min (b) Algebraic Product (c) Bounded Product (d) Drastic Product
1 1 1 1
0 0 0 0
1 1 1 1
0.5 0.5 0.5 0.5
0.5 1 0.5 1 0.5 1 0.5 1
Y=b 0 0 Y=b 0 0 Y=b 0 0 Y=b 0 0
X= a X= a X= a X= a
1 1 1 1
0 0 0 0
20 20 20 20
10 10 10 10
10 20 10 20 10 20 10 20
Y=y 0 0 Y=y 0 0 Y=y 0 0 Y=y 0 0
X= x X= x X= x X= x
Logica fuzzy 12
(a) Zadeh's Arithmetic Rule (b) Zadeh's Max-Min Rule (c) Boolean Fuzzy Implication (d) Goguen's Fuzzy Implication
1 1 1 1
0 0 0 0
1 1 1 1
0.5 0.5 0.5 0.5
0.5 1 0.5 1 0.5 1 0.5 1
Y=b 0 0 Y=b 0 0 Y=b 0 0 Y=b 0 0
X= a X= a X= a X= a
1 1 1 1
0 0 0 0
20 20 20 20
10 10 10 10
10 20 10 20 10 20 10 20
Y=y 0 0 Y=y 0 0 Y=y 0 0 Y=y 0 0
X= x X= x X= x X= x
Logica fuzzy 13
Exemplu: variabila lingvistică „viteză” (a unui automobil) caracterizată prin termenii „mică”,
„mijlocie” şi „mare” definiţi pe X [0,160]
Logica fuzzy 14
Exemplu:
A ( x) fgauss x ; 3,0
B ( x) ftri x ; 7, 1,9 .
Logica fuzzy 15
( x, y) : A( x) B( y) , cu ( x, y) ( A ( x), B ( y))
m
Agregarea regulilor fuzzy: i operator de agregare de tip T-conormă, :[0,1]m [0,1]
i1
1: IF X este A1 THEN Y este B1
2 : IF X este A2 THEN Y este B2
………
m : IF X este Am THEN Y este Bm
unde [c1, c2 ] este un interval ce conţine suportul lui C sau, dacă acesta este nemărginit, [c1, c2 ] este
intervalul de interes pentru aplicaţia considerată.
Dacă Y este mulţime discretă, Y { y1, y2 ,..., yk } , abscisa centroidului este dată de
k
yi C ( yi )
i 1
yCOA (C ) k
.
C ( yi )
i 1
Dacă yCOA (C ) nu aparţine mulţimii Y, se alege elementul cel mai apropiat de această valoare.
Logica fuzzy 19
Metoda bisectoarei ariei (eng. bisector of area – BOA) returnează abscisa yBOA (C )
corespunzătoarei dreptei de ecuaţie y yBOA (C ) ce împarte suprafaţa situată între axa absciselor şi
graficul funcţiei de apartenenţă C în două arii egale.
Dacă Y este mulţime continuă, yBOA (C ) se alege astfel încât
yBOA (C ) c2
c1
C ( y)dy
yBOA (C )
C ( y )dy .
În cazul în care Y { y1, y2 ,..., ym}, considerând punctele ordonate în ordine crescătoare,
y1 y2 ... yk , yBOA (C ) este dat de
yBOA (C ) yk
C ( y ) C ( y ) .
y y1 y yBOA (C )
Dacă yBOA (C ) nu aparţine mulţimii Y, se alege elementul cel mai apropiat de această valoare.
Logica fuzzy 20
Metoda centrului maximelor (eng. center of maxima – COM) consideră mulţimea punctelor în
care funcţia de apartenenţă C îşi atinge valoarea maximă (care reprezintă înălţimea mulţimii fuzzy
C, h(C ) ), M y [c1, c2 ] C ( y) h(C ) , şi returnează media aritmetică a extremelor sale
1
yCOM (C ) inf( M ) sup( M ) .
2
În cazul discret, pentru Y { y1, y2 ,..., yk } , rezultatul defuzzificării este
1
yCOM (C ) min{ y j | y j M } max{ y j | y j M }
2
unde
M y j Y C ( y j ) h(C ) .
Logica fuzzy 21
Metoda mediei maximelor (eng. mean of maxima – MOM) este definită numai în cazul discret
şi furnizează media aritmetică a tuturor punctelor în care funcţia de apartenenţă C îşi atinge
valoarea maximă h(C ) :
1
yMOM (C ) yk
| M | yk M
unde M y j Y C ( y j ) h(C ) şi | M | notează cardinalul (numărul de elemente al) mulţimii M.
Toate aceste metode de defuzzificare sunt implementate în pachetul de programe Fuzzy Logic
Toolbox pentru MATLAB. În practică însă, metodele SOM şi LOM sunt mai puţin utilizate decât
celelalte metode de defuzzificare prezentate.
Logica fuzzy 22
Exemplul 6.1. Se consideră un sistem de inferenţă cu două intrări şi o ieşire, şi o singură regulă:
: IF ( X 1 este A1 AND X 2 este A2 ) THEN Y este B
unde A1 ( x) f tri x ;0,2,4 , A2 ( x) f tri x ;3,4,5 , B ( x) f tri x ;0,2,6 , definite pe intervalul
[0,6].
În acest sistem de inferenţă se consideră operatorul standard pentru conjuncţie (min).
La intrarea sistemului de inferenţă se aplică X 1 3 şi X 2 4 .
Cu A1 (3) 0.5 şi A2 (4) 1, se obţine că valoarea de adevăr a propoziţiei
„3 este A1 AND 4 este A2 ” este i min A1 (3), A2 (4) 0.5 .
Aplicând implicaţia Mamdani M (i, c) min{i, c} pentru i 0.5 , concluzia corespunzătoare
regulii se obţine ca fiind mulţimea fuzzy CM cu funcţia de apartenenţă:
CM :[0,6] [0,1] , CM ( z ) min min A1 (3), A2 (4) , B ( z ) .
Aplicând implicaţia Larsen L (i, c) i c pentru i 0.5 se obţine concluzia corespunzătoare
regulii ca fiind mulţimea fuzzy CL cu funcţia de apartenenţă:
CL :[0,6] [0,1] , CL ( z ) min A1 (3), A2 (4) C ( z ) .
Logica fuzzy 23
zCOA CM funcţie de X 1 şi X 2 .
Baza de reguli :
1 : IF X este A1 THEN y f1 ( x)
2 : IF X este A2 THEN y f 2 ( x)
………
m : IF X este Am THEN y f m ( x)
unde f1, f 2 ,..., f m : X Y .
Exemplul 6.2.:
1 : IF ( X 1 este A1,1 AND X 2 este A1,2 ) THEN y 1
Pentru X 1 2 şi X 2 3: A1,1 (2) 0.8 , A1,2 (3) 0.6 , A2,1 (2) 0.4 şi A2,2 (3) 0.6 .
Ieşirile celor două reguli sunt y1 1 şi y2 1
Logica fuzzy 27
valoarea de adevăr pentru „2 este A2,1 AND 4 este A2,2 ” este w2 min A2,1 (2), A2,2 (3) 0.4 .
ieşirile sistemului TSK sunt:
weighted sum: yWS w1 y1 w2 y2 0.6 (1) 0.4 1 0.2 ,
w y w2 y2 0.6 (1) 0.4 1
weighted average: yWA 1 1 0.2 .
w1 w2 0.6 0.4
Cu operatorul produsul algebric pentru conjuncţie:
ponderile regulilor 1 şi 2 sunt w1 A1,1 (2) A1,2 (3) 0.48 , w2 A2,1 (2) A2,2 (3) 0.24
ieşirile sistemului TSK sunt:
weighted sum:
yWS w1 y1 w2 y2 0.48 (1) 0.24 1 0.24 ,
weighted average:
w y w2 y2 0.48 (1) 0.24 1 1
yWA 1 1 .
w1 w2 0.48 0.24 3