Documente Academic
Documente Profesional
Documente Cultură
In acest caz suportul mulţimii fuzzy A este S(A) = [a, d] , adică mulţimea fermă a numerelor
reale din intervalul continuu cuprins între a şi d.
Observaţii:
1) La mulţimile fuzzy definite pe univers discret, S(A) este o mulţime fermă discretă.
2) O mulţime fuzzy cu suportul format dintr-un singur element se numeşte singleton.
6. Ce este nucleul unei mulţimi fuzzy?
Este mulţimea fermă care conţine toate elementele din A care au gradul de apartenenţă egal 1.
N(A) = {x ∈ X | μ A (x) = 1}
Mulţimea fuzzy cu funcţia de apartenenţă trapezoidală din fig.15 are nucleul N(A) = [b,c],
adică mulţimea fermă a numerelor reale cuprinse între b şi c.
Dacă există un singur punct cu grad de apartenenţă egal cu 1 (ca în cazul funcţiei de
apartenenţă triunghiulare), acest punct se numeşte valoare de vârf a mulţimii fuzzy A .
Toate funcţiile de apartenenţă prezentate până acum au înălţimea h(A) = 1. Vom vedea că
există însă frecvent situaţii când funcţiile de apartenenţă pot avea o înălţime subunitară.
O mulţime fuzzy se numeşte
− normală dacă h(A) = 1
respectiv
− subnormală dacă h(A) < 1
în cazul continuu.
Reamintim încă o data că simbolul integrală nu are semnificaţia din analiză (aspect
relevat şi de faptul ca lipseşte dx).
Pentru a nu complica prea mult prezentarea, în cele ce urmează ne vom limita la cazul
unui univers bi-dimensional pe care îl spe cificăm prin produsul cartezian al numerelor
reale (discrete sau continue) X ⊗Y , caz în care:
unde μA(x) este funcţia de apartenenţă a mulţimii fuzzy A, iar μR(x, y) este matricea
de apartenenţă a relaţiei fuzzy R. Metoda de compunere prezentată se numeşte
compoziţie max-min.
Dacă intersecţia este de tip produs se obţine relaţia:
poate fi evaluată prin intermediul unei relaţii fuzzy R definită pe universul bidimensional X ⊗Y
notată symbolic
R = I(A, B) ,
cu funcţia de apartenenţă
μ (x, y) = I(μ (x),μ ( y)), ∀x∈ X , y ∈Y
R A B
28. Care este diferenţa dintre cele două tipuri de reguli fuzzy?
La inferenţele de tip Sugeno agregarea regulilor şi defuzzificarea se realizează în aceeaşi etapă, cu o
singură relaţie.
Dacă f este o constantă regula fuzzy Sugeno reprezintă un caz particular al sistemelor fuzzy
Mamdami care au în concluzie o mulţime fuzzy singleton.
Neuronul considerat are N intrări pe care le vom nota x1,x2,..., xN. Poderile sinaptice w j .
Prin însumarea semnalelor de intrare ponderate se obţine activarea (excitaţia) totală sau starea
internă a neuronului notată în continuare s , care se determină cu relaţia:
s
Perceptronul reprezintă sâmburele din care s-au dezvoltat toate celelalte tipuri de reţele neuronale.
Arhitectura perceptronului este cea mai simplă configuraţie posibilă a unei reţele neuronale, care se
poate instrui cu un algoritm de asemenea simplu şi eficient. Acest algoritm este reprezentativ pentru
o clasă largă de proceduri de instruire, motiv pentru care i se acordă o atenţie deosebită
41. Pentru ce clasă de probleme sunt adecvate reţelele de tip perceptron? De ce?
Reţelele neuronale prezentate în această secţiune sunt adecvate pentru tratarea problemelor de
clasificare. Intrările reţelei sunt vectorii ce urmează a fi clasificaţi iar ieşirile sunt clasele aferente.
Algoritmii utilizaţi pentru instruire sunt de tipul de învăţare supervizată.
De ce??????