LOGICA FUZZY

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

Exemplul 1.1: Pentru A   2,0.3 ,  1,0.4  ,  0,0.8 , 1,1 ,  2,0.7  şi f :  , f ( x)  x 2 .

Să se determine B  f ( A) .
Se calculează f (2)  f (2)  4 , f (1)  f (1)  1 şi f (0)  0
B (4)  max  A (2),  A (2)  max 0.3,0.7  0.7 ,
B (1)  max  A (1),  A (1)  max 0.4,1  1,
B (0)   A (0)  0.8 .
Astfel, rezultă B   0,0.8 , 1,1 ,  4,0.7  . ♦
Logica fuzzy 4

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

 dacă X   x1, x2 , , xn  , Y   y1, y2 , , ym  ,

nm
R   rij   0,1 , rij   ( xi , yi ), i  1, n, j  1, m

Exemplul 2.1. X  1,2,3 , Y  1,2,3,4 .

 1 23 13 0 
 ”x este aproximativ egal cu y” R  2 3 1 2 3 1 3 
 
1 3 2 3 1 2 3
Dacă X  Y  , pentru  " x esteaproximativegalcu y " se utilizează
 x y  ( x  y )2
 ( x, y)  e sau  ( x, y)  e . ♦
Logica fuzzy 5

Dacă Y  X , o relaţie fuzzy de la X la X este:

 reflexivă: dacă  ( x, x)  1 şi  ( x, y)  1, pentru x  y ;
 antireflexivă: dacă  ( x, x)  0 şi  ( x, y)  1, pentru x  y ;
 simetrică: dacă  ( x, y)   ( y, x) , pentru orice x, y  X ;
 antisimetrică: dacă  ( x, y)   ( y, x) , pentru x  y .

2.2. Operaţii cu relaţii fuzzy

 incluziunea: 1  2 dacă  1 ( x, y)   2 ( x, y), x  X , y Y
 intersecţia, 1 2:  1 2

( x, y)  min  1 ( x, y),  2 ( x, y) 
 reuniunea, 1 2:  1 2
( x, y)  max  1
( x, y),  2
( x, y)
 complementul, :  ( x, y)  1   ( x, y)
(sau definiţii cu T-norme sau T-conorme definite în mod adecvat)
Logica fuzzy 6

 X  Y relaţie binară
 proiecţia relaţiei pe X :  1 : X  [0,1],  1 ( x)  max  ( x, y) ,
yY
 proiecţia relaţiei pe Y :  : Y  [0,1],  2 ( y)  max  ( x, y) .
2
xX
 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)

(a) Fuzzy Relation F on X and Y (b) Cylindrical Extension of A

Membership Grades

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

(c) Minimum of (a) and (b) (d) Projection of (c) onto Y

Membership Grades

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

Compunerea a două relaţii fuzzy

1  X Y , 2 Y Z 1  2  X Z
 max-min 1 2 (Zadeh):
 1 2
: X  Z  [0,1] ,  1 2
yY
 
( x, z )  max min  1 ( x , y ),  2

(y, z ) .

 max-product 1 2:
 1 2
: X  Z  [0,1] ,  1* 2
yY

( 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 yY

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

Exemplul 2.2: X   x1, x2 , x3 , Y   y1, y2 , Z   z1, z2

 0.1 0.2 
 0.4 0.5  ,  0.9 0.8
 X  Y , R 
1  şi  Y  Z , R  0.7 0.6 .
1  2 2
 
0.7 0.8 
(i) compunerea max-min : 1  1 2  X Z

   
 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

3. Calcul propoziţional în logica fuzzy

Operatori logici: conjuncţie (  AND), disjuncţie (  OR), negaţie (  NOT) şi implicaţie (  ):
(i) valorile de adevăr 0, 1 şi variabilele a [0,1] sunt expresii fuzzy;
(ii) dacă a este expresie fuzzy, atunci a este expresie fuzzy;
(iii) dacă f şi g sunt expresii fuzzy, atunci f  g şi f  g sunt expresii fuzzy.
AND: T-normă ; OR: T-conormă şi NOT: complement .

Implicaţie fuzzy = operator :[0,1]  [0,1]  [0,1] :

 monotonicitate în primul argument:
dacă a  c atunci (a, b)  (c, b) pentru orice b[0,1] ;
 monotonicitate în al doilea argument:
dacă b  d atunci (a, b)  (a, d ) pentru orice a [0,1] ;
 (0, b)  1, b [0,1] ; (a,1)  1, a [0,1] ; (1,0)  0 .
Logica fuzzy 10

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}

Sistemul logic fuzzy de tip Łukasiewicz

bp (a, b)  max{0, a  b  1} , bs (a, b)  min{1, a  b} , bp (a) 1 a, bp (a, b)  min{1,1  a  b}

Sistemul logic fuzzy de tip Gödel

 1, a  0,  1, a  b,
G (a, b)  min{a, b} , G (a)   G ( a, b)  
 0, a  0,  b , a  b.
Sistemul logic fuzzy de tip Goguen
 1, a  0,  1 , a  b,
( a , b )  a  b , ( a )   ( a , b )  
 0, a  0,  b a , a  b.
ap G ap
Logica fuzzy 11

(a) Min (b) Algebraic Product (c) Bounded Product (d) Drastic Product
1 1 1 1

0.5 0.5 0.5 0.5

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

0.5 0.5 0.5 0.5

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

0.5 0.5 0.5 0.5

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

0.5 0.5 0.5 0.5

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

4. Variabile şi termeni lingvistici

Variabilă lingvistică X , T ( X ), X ,  :
 X – numele variabilei (eticheta acesteia)
 T ( X ) - mulţimea termenilor lingvistici care pot reprezenta valori ale variabilei X
 X – mulţimea în care termenii lingvistici pot lua valori (universul de discurs)
 o valoare lingvistică A (termen lingvistic) din T ( X ) este o mulţime fuzzy definită pe X prin
 A : X  [0,1] .

Exemplu: variabila lingvistică „viteză” (a unui automobil) caracterizată prin termenii „mică”,
„mijlocie” şi „mare” definiţi pe X  [0,160]
Logica fuzzy 14

Termenii lingvistici constau din două părţi:

 termenul primar – predicat fuzzy de forma „X este A” (mare, mic, cald, rece)
o termenul lingvistic A este o mulţime fuzzy.
o funcţia de apartenenţă  A reprezintă gradul în care variabila X satisface proprietatea A.
 un modificator fuzzy (foarte, extrem de, aproape) utilizat pentru a schimba înţelesul predicatului.
o din A se obţine termenul lingvistic de forma Ak cu funcţia de apartenenţă  Ak ( x)    A ( x) 
k

o k  1 2: „X este A1/2 ” pentru „X este mai mult sau mai puţin A”

k  2: „X este A2 ” pentru „X este foarte A”
k  1 3: „X este A1/3 ” pentru „X este aproape A”
k  3: „X este A3 ” pentru „X este extrem de A”
„X este exact A”: lim   A ( x)  .
k
k 
„X este într-adevăr A”:
 2   ( x) 2 , dacă  ( x)  0.5,
 A A
 A ( x)  
1  2 1   A ( x)  , dacă  A ( x)  0.5.
2

Exemplu:
 A ( x)  fgauss  x ; 3,0 
B ( x)  ftri  x ;  7, 1,9  .
Logica fuzzy 15

5. Relaţii fuzzy IF-THEN

: IF X este A THEN Y este B
premisa (antecedent)  concluzia (consecinţa)
unde A şi B sunt termeni lingvistici definiţi pe spaţiile X şi Y, ce caracterizează variabilele X şi Y

( x, y) : A( x)  B( y) , cu  ( x, y)  (  A ( x), B ( y))

 ( x, y) este valoarea de adevăr a propoziţiei fuzzy pxy : IF X  x THEN Y  y

implicaţia Mamdani: M (a, b)  min{a, b} ,

implicaţia Larsen: L (a, b)  a b.
Logica fuzzy 16

6. Sisteme de inferenţă fuzzy

6.1. Sisteme de inferenţă fuzzy de tip Mamdani şi Larsen

m
Agregarea regulilor fuzzy:  i operator de agregare de tip T-conormă, :[0,1]m  [0,1]
i1
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

ipoteza X  x  concluzia este mulţimea fuzzy C x cu C x : Y  [0,1]

C x ( y)  
   A ( x), B ( y)  ,   A ( x), B ( y) ,...,   A ( x), B ( y)  , y Y
1 1 2 2 m m
Logica fuzzy 17

Sistemul de inferenţă de tip Mamdani:

 operatorul de implicaţie: M (a, b)  min{a, b}
 operatorul de agregare: M (a1, a2 ,..., am )  max{a1, a2 ,..., am}
concluzia  
C x : Y  [0,1], C x ( y )  max min  Ai ( x),  Bi ( y) .
i 1,m

Sistemul de inferenţă de tip Larsen:
 operatorul de implicaţie: L (a, b)  a  b
 operatorul de agregare: M (a1, a2 ,..., am )  max{a1, a2 ,..., am}
concluzia  
C x : Y  [0,1], C x ( y )  max  Ai ( x)   Bi ( y) .
i 1,m
Logica fuzzy 18

Defuzzificarea extrage o valoare y care reprezintă mulţimea fuzzy de ieşire C.

Metoda centroidului (eng. center of area – COA) returnează abscisa centrului de greutate al
suprafeţei situate între axa absciselor şi graficul funcţiei de apartenenţă C .
c2
c yC ( y)dy
yCOA (C )  c 1
,
c C ( y)dy
2

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.

Metodele de defuzzificare minimul maximelor (eng. smallest of maxima – SOM) şi maximul

maximelor (eng. largest of maxima – LOM) returnează marginea inferioară, respectiv cea
superioară, a mulţimii M a punctelor în care funcţia de apartenenţă C îşi atinge valoarea maximă
ySOM (C )  inf(M ) , yLOM (C )  sup(M ) .
În cazul discret, dacă yCOM (C ) , ySOM (C ) sau yLOM (C ) nu aparţine mulţimii Y, se alege
elementul cel mai apropiat de această valoare.

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 .

Prin defuzzificarea mulţimilor CM şi CL prin cele cinci metode se obţin valorile:

 metoda centrului de greutate al ariei: zCOA  CM   2.778 , zCOA  CL   2.667 ;

 metoda bisectoarei ariei: z BOA  CM   2.75 , z BOA  CL   2.55 ;

 metoda mediei maximelor: zMOM  CM   2.50 , zMOM  CL   2 ;

 metoda minimului maximelor: zSOM  CM   1, zSOM  CL   2 ;

 metoda maximului maximelor: z LOM  CM   4 , z LOM  CL   2 .

Logica fuzzy 24

6.2. Sisteme de inferenţă fuzzy de tip Takagi-Sugeno-Kang

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 .

În practică, X şi Y sunt intervale sau mulţimi discrete de numere reale.

Logica fuzzy 25

În ipoteza X  x , valoarea de adevăr a propoziţiei din antecedentul regulii j, w j   A j ( x) ,

reprezintă „tăria” (eng. firing strength) regulii j în ansamblul sistemului de reguli considerat.

Această valoare caracterizează contribuţia pe care, în ipoteza considerată, ieşirea regulii j

y j  f j ( x) , o are la formarea ieşirii y a sistemului de inferenţă TSK.

Pentru a obţine ieşirea y se utilizează una din următoarele metode:

 suma ponderată (eng. weighted sum – WS) a ieşirilor individuale ale regulilor:
m m
yWS    Aj ( x)  y j    Aj ( x)  f j ( x) ;
j 1 j 1

 media ponderată (eng. weighted average – WA) a ieşirilor regulilor:

m m
1 1
yWA  m   A j ( x)  y j  m   A j ( x)  f j ( x) .
 j 1  Aj ( x) j 1  j 1  Aj ( x) j 1
Logica fuzzy 26

Exemplul 6.2.:
1 : IF ( X 1 este A1,1 AND X 2 este A1,2 ) THEN y  1

2 : IF ( X 1 este A2,1 AND X 2 este A2,2 ) THEN y  1

unde  A1,1 ( x)   A2,2 ( x)  f trap  x ;0,0,1,6  ,  A1,2 ( x)   A2,1 ( x)  f trap  x ;0,5,6,6 .

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

Cu operatorul min pentru conjuncţie:

 
 valoarea de adevăr pentru „2 este A1,1 AND 4 este A1,2 ” este w1  min  A1,1 (2),  A1,2 (3)  0.6


 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

Reprezentare grafică yWS ( x1, x2 )