22
Zpracování neurčitosti Fuzzy přístupy RNDr. Jiří Dvořák, CSc. [email protected]

Zpracování neurčitosti Fuzzy přístupy

  • Upload
    conley

  • View
    36

  • Download
    0

Embed Size (px)

DESCRIPTION

Zpracování neurčitosti Fuzzy přístupy. RNDr. Jiří Dvořák, CSc. [email protected]. Fuzzy množiny. Fuzzy množina A v univerzu U : U   … klasická množina … funkce příslušnosti (charakteristická funkce) … stupeň příslušnosti prvku x k fuzzy množině A - PowerPoint PPT Presentation

Citation preview

Page 1: Zpracování neurčitosti Fuzzy přístupy

Zpracování neurčitostiFuzzy přístupy

RNDr. Jiří Dvořák, [email protected]

Page 2: Zpracování neurčitosti Fuzzy přístupy

Fuzzy množinyFuzzy množina A v univerzu U :

U … klasická množina … funkce příslušnosti (charakteristická funkce)

… stupeň příslušnosti prvku x k fuzzy množině A

Prázdná fuzzy množina

),( AUA

A

1;0: UA

)(xA

0)( x

Page 3: Zpracování neurčitosti Fuzzy přístupy

Fuzzy čísla

Fuzzy číslo A je fuzzy množina na universu reálných čísel, která je určena čtveřicí bodů

( a(1), a(2), a(3), a(4) ) a po částech souvislou funkcí příslušnosti s následujícími vlastnostmi: a(1) a(2) a(3) a(4)

je rovna nule pro x a(1) a x a(4) je rovna jedné pro a(2) x a(3) je rostoucí na a(1), a(2) a klesající na a(3), a(4)

Page 4: Zpracování neurčitosti Fuzzy přístupy

Speciální případy fuzzy čísel

Lichoběžníkové fuzzy číslo: A = ( a(1), a(2), a(3), a(4) )

Trojúhelníkové fuzzy číslo: A = ( a(1), a(2), a(3) )

0,1,,minmax

)4()3(

)4(

)1()2(

)1(

aa

ax

aa

axxA

0,,minmax

)3()2(

)3(

)1()2(

)1(

aa

ax

aa

axxA

A(x)

1

0a(3) a(4)a(2)a(1)

x

A(x)

1

0a(3)a(2)a(1)

x

Page 5: Zpracování neurčitosti Fuzzy přístupy

Základní operace s fuzzy množinami

Nechť , .

Doplněk fuzzy množiny A:

Sjednocení fuzzy množin A a B:

Průnik fuzzy množin A a B:

),( AUA ),( BUB

),( AUA )(1)( xx AA

),( BAUBA )(),(max)( xxx BABA

),( BAUBA )(),(min)( xxx BABA

Page 6: Zpracování neurčitosti Fuzzy přístupy

Kartézský součin a fuzzy relace

Nechť , .

Kartézský součin fuzzy množin A a B:

Fuzzy relace:

jsou klasické množiny

Kartézský součin fuzzy množin je zvláštním případem fuzzy relace.

),( AUA ),( BVB

),( BAVUBA )(),(min),( yxyx BABA

),...( 21 RnUUUR

nUUU ,...,, 21

1,0...: 21 nR UUU

Page 7: Zpracování neurčitosti Fuzzy přístupy

Cylindrické rozšíření a silná kompoziceNechť m < n, , .

Cylindrické rozšíření fuzzy relace R na :

Cyl(R) = R*

Nechť ,

Silná kompozice relací R a S

niii m ...1 21 ),...(21 Riii m

UUUR

nUUU ...21

),...,,(),...,,(21

* 21 miiiRnR xxxxxx

),( RVUR ),( SWVS

),( SRWUSR

),(),,(minsup),( zyyxzx SRVy

SR

Page 8: Zpracování neurčitosti Fuzzy přístupy

Lingvistická proměnnáLingvistická (slovní, jazyková) proměnná je taková proměnná, jejíž

hodnotami jsou slova. Významy těchto slov jsou reprezentovány jako fuzzy množiny v nějakém univerzu.

Strukturovaná lingvistická proměnná:

X … jméno proměnné, T … množina termů (tj. slovních hodnot proměnné), U … univerzum (neprázdná klasická množina), G … množina syntaktických pravidel pro generování hodnot z T M … množina sémantických pravidel interpretujících hodnoty z T jako fuzzy množiny s univerzem U.

Nestrukturovaná lingvistická proměnná:

T … konečná množina fuzzy množin s univerzem U.

),,,,( MGUTXX

),,( UTXX

Page 9: Zpracování neurčitosti Fuzzy přístupy

Vícehodnotová logikaMnožina logických (pravdivostních) hodnot

C = 0 představuje pravdu a 1 nepravdu.

Logická proměnná je proměnná nabývající hodnot z množiny C. Nechť W je konečná množina logických proměnných.

Množina logických spojek L = {, , , }

(disjunkce, konjunkce, odvážná konjunkce, implikace).Formule je konečný řetězec, definovaný těmito pravidly:

Je-li C, pak je formule. Je-li W, pak je formule.Jestliže a jsou formule a L, pak ( ) je formule.

Interpretace formule je dosazení logických konstant za logické proměnné.

Page 10: Zpracování neurčitosti Fuzzy přístupy

Pravdivostní ohodnocení

Nechť Q je množina všech formulí a (Q) množina všech jejich interpretací. Pravdivostním ohodnocením nazveme zobrazení V: (Q)  C, splňující následující požadavky:

V() =

Operace negace je definována takto: = 0

Pro pravdivostní ohodnocení negace pak dostaneme:

)(),(max)( VVV

1)()(,0max)&( VVV

)()(1,1min)( VVV

)(),(min)( VVV

)(1)(1,1min)0()( VVVV

Page 11: Zpracování neurčitosti Fuzzy přístupy

Příklady implikací

Lukasiewiczova:

Kleene-Dienesova:

Zadehova:

Gödelova:

)(),(1max)( VVV

)(),(min),(1max)( VVVV

jinak)(

)()( pro1)(

V

VVV

)()(1,1min)( VVV

Page 12: Zpracování neurčitosti Fuzzy přístupy

Kompoziční pravidlo usuzování

Uvažujme pravidlo

IF X = A THEN Y = B

Nechť , . Pak toto pravidlo můžeme chápat jako fuzzy relaci

Ve fuzzy systémech se charakteristická funkce této relace často definuje vztahem

a relace se nepřesně označuje názvem Mamdaniho implikace.

),( AUA ),( BVB

),( RVUR

)(),(min),( yxyx BAR

Page 13: Zpracování neurčitosti Fuzzy přístupy

Kompoziční pravidlo usuzování

Pravidlo fuzzy modus ponens:

Nechť . Pak fuzzy množina může být určena takto:

Je-li univerzum U konečná množina, můžeme operátor sup nahradit operátorem max.

BYBYAXAX

THENIF,

),( AUA ),( BVB

),(),(minsup)( yxxy RAUx

B

Page 14: Zpracování neurčitosti Fuzzy přístupy

Báze fuzzy pravidel

Předpokládejme , že znalostní báze je tvořena m pravidly tvaru

IF X1 = Ai1 AND X2 = Ai2 AND … AND Xn = Ain THEN Y = B

kde , .

Těmto pravidlům odpovídají fuzzy relace

Podmínku na levé straně i-tého pravidla můžeme vyjádřit ve tvaru

X = Ai , kde ,

Báze fuzzy pravidel může být reprezentována relací

),(ijAjij UA ),(

iBi VB

),...( 21 iRni VUUUR

),...,,( 21 nXXXX iniii AAAA ...21

i

m

i

RR 1

Page 15: Zpracování neurčitosti Fuzzy přístupy

Zodpovězení dotazu

Nechť nyní je položen dotaz

X1 = A01 AND X2 = A02 AND … AND Xn = A0n

Odpovědí systému je fuzzy množina

Při použití Mamdaniho interpretace relací Ri můžeme tento vztah

převést do tvaru umožňujícího efektivnější výpočet:

),(00 BVB

),(max),(minminsup)(

,...,1,...,1 00yxy

ij Rmi

jAnjU

B xx

)(),(minsupmin),(minmax)(00 ,...,1,...,1

jAjAUxnj

Bmi

B xxyyijj

jj

i

Page 16: Zpracování neurčitosti Fuzzy přístupy

Příklad tvorby odpovědi

Page 17: Zpracování neurčitosti Fuzzy přístupy

Systém LMPS

LMPS (Linguistic Model Processing System) je systém pro slovní modelování funkcí a relací.

Slovní model je formule, ve které jsou nahrazeny logické proměnné charakteristickými funkcemi fuzzy množin, které sémanticky interpretují slovní hodnoty lingvistických proměnných.

Systém LMPS rozlišuje dva typy slovních proměnných:• slovní proměnná s reálným univerzem • slovní proměnná s univerzem slovních hodnot V systému LMPS se používají tři typy slovních modelů: • CCD-model (vhodný pro relace, které nejsou funkcemi) • CIC-model • CI&-model

Page 18: Zpracování neurčitosti Fuzzy přístupy

CCD-model

CCD-model je tvořen CC-prohlášeními, která jsou propojena spojkou disjunkce.

CC-prohlášení má tvar

X1 je A1 a X2 je A2 a … a Xn je An a Y = B

kde Xj a Y jsou lingvistické proměnné a Aj a B jsou jejich slovní hodnoty.

CC-prohlášení je vlastně sémantickou interpretací IF-THEN pravidla při použití Mamdaniho „implikace“.

CCD-model interpretuje pravdu tak, že pravdivé je to, co tvrdí alespoň jedno prohlášení.

Model není citlivý na spory mezi prohlášeními a nebere v úvahu redundantní informace.

Page 19: Zpracování neurčitosti Fuzzy přístupy

Modely CIC a CI&

CIC-model a CI&-model jsou tvořeny CI-prohlášeními tvaru

X1 je A1 a X2 je A2 a … a Xn je An pak Y = BCI-prohlášení je sémantickou interpretací IF-THEN pravidla při

použití Lukasiewiczovy implikace. V CIC-modelu jsou prohlášení propojena pomocí konjunkce, kdežto

v CI&-modelu je k tomuto účelu použita odvážná konjunkce.V těchto modelech se za pravdivé považuje to, co není v rozporu

s žádným prohlášením. Oba modely jsou citlivé na spory (absolutní spor v prohlášeních

vede k úplné ztrátě informace) a berou v úvahu redundantní informace.

Vlastnosti CIC-modelu redundantní informace obecně zhoršují, kdežto u CI&-modelu je tomu naopak (pokud tyto informace nejsou vzájemně sporné).

Page 20: Zpracování neurčitosti Fuzzy přístupy

Zpracování dotazu v systému LMPS

Systému LMPS jsou zadávány dotazy tvaru

Jaká je hodnota Y, jestliže X1 je H1 a X2 je H2 a … a Xn je Hn ?

Každé CC-prohlášení je nahrazeno formulí

a každé CI-prohlášení je nahrazeno formulí

pro každé y V, kde pro reálné univerzum

a pro univerzum slovních hodnot

Tyto formule spojeny logickými spojkami , resp. , resp. &.

Pravdivostní ohodnocení výsledné formule určuje stupeň příslušnosti hodnoty y k fuzzy množině, která je odpovědí na zadaný dotaz.

)(...21 yn

)(...21 yn

)(),(minmax xxjj

j

AHUx

j

)()( yy B

jj

jjj AH

AH

li-je0

li-je1

By

Byy

li-je0

li-je1)(

Page 21: Zpracování neurčitosti Fuzzy přístupy

Defuzzifikace

Defuzzifikace je proces, v němž nějaké fuzzy množině přiřazujeme ostrou hodnotu, která ji v jistém smyslu nejlépe reprezentuje.

Nejčastěji používané metody defuzzifikace: • Metoda těžiště (COA, center of area):

• Metoda maxima:

Pokud je takových bodů více, může se použít některá z následujících metod.

• Metoda prvého maxima (FOM, first of maxima).• Metoda průměrného maxima (MOM, mean of maxima).

V B

V B

dyy

dyyyy

)(

)(

0

0

0

)(maxarg00 yy B

Vy

Page 22: Zpracování neurčitosti Fuzzy přístupy

Defuzzifikace v systému LMPS

Defuzzifikace odpovědi v systému LMPS probíhá následovně. Pokud charakteristická funkce odpovědi nabývá svého

maxima v jediném prvku univerza V, pak tento prvek představuje nejpravdivější možnou odpověď na zadaný dotaz.

Je-li takových prvků více, pak v případě reálného univerza je vybrán ten prvek, který leží nejblíže těžišti plochy, shora ohraničené charakteristickou funkcí odpovědi.