Systemy/modele rozmyte – podstawy i struktury

Slides:



Advertisements
Podobne prezentacje
Teoria układów logicznych
Advertisements

Metody badania stabilności Lapunowa
System lingwistyczny - wnioskowanie
Metody Sztucznej Inteligencji 2012/2013Zastosowania systemów rozmytych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Zastosowania.
Sieć jednokierunkowa wielowarstwowa
Systemy/modele rozmyte – podstawy i struktury
Mechanizm wnioskowania rozmytego
Sztuczna Inteligencja Reprezentacja wiedzy I Logika przybliżona
Modele hydrauliki elementów SW
Modele systemu wodociągowego ciśnieniowego
Inteligencja Obliczeniowa Zbiory rozmyte, modelowanie wiedzy.
Badania operacyjne. Wykład 2
KNW- Wykład 8 Wnioskowanie rozmyte.
Sztuczna Inteligencja Reprezentacja wiedzy I Logika rozmyta
Czy potrafimy obliczyć wartość wyjścia sieci znając wartości jej wejść? Tak, przy założeniu, że znamy aktualne wartości wag i progów dla poszczególnych.
Etapy modelowania matematycznego
Komputerowe wspomaganie decyzji 2010/2011Wprowadzenie – mapa pojęć Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Określenie.
Systemy rozmyte Systemami rozmytymi nazywamy systemy (statyczne lub dynamiczne) w których wykorzystujemy zbiory rozmyte i właściwy im aparat matematyczny.
Model lingwistyczny – wnioskowanie Mamdani’ego
Model Takagi – Sugeno – Kang’a - TSK
Nieliniowa metoda najmniejszych kwadratów
Liniowe modele decyzyjne – rozwiązania i analiza post-optymalizacyjna
Teoria sterowania SNSchematy analogowe i blokowe, realizowalność modeli stanu Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Podstawy układów logicznych
Systemy dynamiczne – przykłady modeli fenomenologicznych
Metody Lapunowa badania stabilności
Systemy/modele rozmyte – podstawy i struktury
Wykład 25 Regulatory dyskretne
Stabilność Stabilność to jedno z najważniejszych pojęć teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym praktycznego zastosowania.
Modelowanie i identyfikacji SN 2013/2014Modele fenomenologiczne - linearyzacja Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Wybrane modele rozmyte i schematy wnioskowania
Modelowanie i podstawy identyfikacji 2012/2013Schematy analogowe i blokowe, realizowalność modeli stanu Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii.
I. Informacje podstawowe
Elementy Rachunku Prawdopodobieństwa i Statystyki
Wybrane zadania automatyka, w których stosuje on modele:
Modelowanie i podstawy identyfikacji 2012/2013Modele fenomenologiczne - dyskretyzacja Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Systemy/modele rozmyte – podstawy i struktury
Etapy modelowania matematycznego
Modelowanie i podstawy identyfikacji 2009/2010Modele fenomenologiczne - przykłady Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Metody sterowania – sterowanie rozmyte
II. Matematyczne podstawy MK
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
FUNKCJE Pojęcie funkcji
Modele dyskretne – dyskretna aproksymacja modeli ciągłych lub
Wybrane zadania automatyka, w których stosuje on modele:
Systemy/modele rozmyte – podstawy i struktury
Sterowanie rozmyte i neuronowe I
Zagadnienia AI wykład 4.
Teoria sterowania SNSchematy analogowe i blokowe, realizowalność modeli stanu  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Zagadnienia AI wykład 2.
Zagadnienia AI wykład 6.
Zagadnienia AI wykład 5.
Teoria sterowania SNUpraszczanie schematów blokowych transmitancyjnych – znajdowanie transmitancji zastępczej  Kazimierz Duzinkiewicz, dr hab. inż.Katedra.
Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii.
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Metody Sztucznej Inteligencji – technologie rozmyte i neuronowe Wnioskowanie Mamdani’ego - rozwinięcia  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii.
Modelowanie i identyfikacja 2014/2015Modele rozmyte  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Systemy rozmyte są modelami.
 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modelowanie rozmyte – podstawy,
Etapy procesu sterowania rozmytego
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego I © Kazimierz Duzinkiewicz, dr hab.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego II © Kazimierz Duzinkiewicz, dr hab.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie formalne © Kazimierz Duzinkiewicz, dr hab. inż.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – podstawy i struktury © Kazimierz Duzinkiewicz, dr hab. inż.
Podstawowe rodzaje modeli rozmytych
Pojęcia podstawowe Algebra Boole’a … Tadeusz Łuba ZCB 1.
Systemy neuronowo – rozmyte
Jednorównaniowy model regresji liniowej
Metody sztucznej inteligencji
Zapis prezentacji:

Systemy/modele rozmyte – podstawy i struktury Systemy rozmyte są modelami przetwarzającymi informację za pomocą zbioru reguł rozmytych „jeżeli – to” Rozmytość jest sposobem reprezentowania niejednoznaczności (niepewności) określeń lingwistycznych (n.p. wysoka temperatura)

Przedstawimy w tym przedmiocie lingwistyczny model Mamdani’ego Czy istnieje jeden rodzaj modeli rozmytych? Nie Wymienimy najczęściej stosowane w sterowaniu i podejmowaniu decyzji:  lingwistyczny model rozmyty  Takagi-Sugeno model rozmyty (TS)  Tsukamoto model rozmyty Przedstawimy w tym przedmiocie lingwistyczny model Mamdani’ego

Jak wygląda model rozmyty i jak działa? Przykład: lingwistyczny model rozmyty Mechanizm/system wnioskowania rozmytego + y* Baza reguł rozmytych zmienna rozmyta wartość zmiennej rozmytej x* Aktualna wartość wejścia x*, ani Small, ani Medium na pewno nie Large – jaka powinna być odpowiadająca takiej aktualnej wartości wejścia, aktualna wartość wyjścia y * ?

W modelach rozmytych zależności pomiędzy zmiennymi modelu są reprezentowane za pomocą reguł IF-THEN mających ogólną następującą postać Przykłady reguł nazywanych regułami rozmytymi

Rozmyta reguła IF – THEN – możliwa postać Inne nazwy: reguła rozmyta (fuzzy rule), rozmyta implikacja (fuzzy implication), rozmyte zdanie warunkowe (fuzzy conditional statement) Forma: gdzie x, y – zmienne rozmyte/lingwistyczne A, B – wartości zmiennych rozmytych/lingwistycznych, odpowiednio x i y, zdefiniowane jako zbiory rozmyte na przestrzeniach rozważań X i Y Określenia: x is A – poprzednik, przesłanka y is B – następnik, konkluzja, rezultat,

Stwierdzenie przesłanki ma zawsze postać: Stwierdzenie konkluzji może mieć różną postać w zależności od typu modelu rozmytego W modelach lingwistycznych Mamdani’ego konkluzja ma postać:

Podstawowe pojęcie systemów rozmytych – ZBIÓR ROZMYTY Zbiory rozmyte są powszechnie stosowane przez ludzi do jakościowej oceny wielkości fizycznych, stanów obiektów i systemów oraz do ich porównywania wartość rozmyta/lingwistyczna (zmiennej rozmytej/lingwistycznej) = zbiór rozmyty zdefiniowany funkcją przynależności na przestrzeni rozważań zmienna rozmyta/lingwistyczna

uczniowie klas pierwszych w liceach liczby rzeczywiste Wszystkie zbiory definiujemy w przestrzeni rozważań Definicja:    - przestrzeń rozważań, uniwersalny zbiór będący przedmiotem naszego zainteresowania Inne nazwy: obszar rozważań, przestrzeń, zbiór, domena rozważań, domena, zakres podstawowy, zbiór odniesienia Przykłady: uczniowie klas pierwszych w liceach liczby rzeczywiste temperatura powietrza w Polsce miasta w Polsce Przestrzeń rozważań może być zbiorem dowolnej natury (dziedzina zbioru może być dowolnej natury) – w szczególności może to być dziedzina numeryczna

Definicja: zbiór zwykły (1) Zwykły albo klasyczny zbiór jest definiowany jako zestaw elementów w X posiadający pewną specyficzną cechę Przykłady: chłopcy uczniowie klas pierwszych w liceach dodatnie liczby rzeczywiste temperatura powietrza latem w Polsce miasta wojewódzkie w Polsce

Można inaczej definiować zbiory zwykłe korzystając z pojęcia funkcji przynależności (funkcji charakterystycznej, funkcji wskaźnikowej) Definicja: funkcja przynależności zbioru zwykłego Funkcja przynależności zbioru zwykłego A w przestrzeni rozważań X (oznaczana μA(x)) jest odwzorowaniem z X w zbiór dwuelementowy {0,1}: μA(x):X  {0,1} takim, że

Niech X , dziedzina rozważań, będzie zbiorem pewnych elementów x Niech X , dziedzina rozważań, będzie zbiorem pewnych elementów x. Zbiorem zwyklym A dziedziny rozważań X , nazywamy zbiór par: gdzie: A jest funkcją przynależności zbioru zwykłego A, która każdemu elementowi xX przypisuje dwuwartościowy stopień jego przynależności A(x) do zbioru rozmytego A, przy czym: Definicja: zbiór zwykły (2)

Definicj: Zbiór rozmyty (fuzzy set) Niech X , dziedzina rozważań, będzie zbiorem pewnych elementów x. Zbiorem rozmytym A dziedziny rozważań X , nazywamy zbiór par: gdzie: A jest funkcją przynależności (membership function) zbioru rozmytego A, która każdemu elementowi xX przypisuje stopień jego przynależności (grade of membership) A (x) do zbioru rozmytego A, przy czym:

Przykład:

Funkcja przynależności (membership function) i stopień przynależności (grade of membership) Funkcja przynależności realizuje odwzorowanie dziedziny rozważań X danej zmiennej do przedziału [0,1]: Funkcja przynależności przyporządkowuje każdemu elementowi xX pewną wartość z przedziału [0,1]: Wartość ta, zwana stopniem przynależności informuje, w jakim stopniu element xX należy do zbioru rozmytego A

Funkcja przynależności i stopień przynależności - porównanie Zbiór zwykły Zbiór rozmyty

Funkcje przynależności i stopień przynależności elementu przestrzeni rozważań do różnych zbiorów

Ocena prawdziwości stwierdzeń w logice klasycznej „Jan jest wysoki” Prawda czy fałsz? Wzrost Jana:

Ocena prawdziwości stwierdzeń w logice rozmytej „Jan jest wysoki” Prawda w jakim stopniu? Wzrost Jana:

Wysoki w Chinach Wysoki w Europie Wysoki w NBA Definicja zbioru rozmytego jest subiektywna (zależy od osądów autora) i zależna od kontekstu Wysoki w Chinach Wysoki w Europie Wysoki w NBA

Przykłady zbiorów rozmytych:  zbiór rozmyty na dziedzinie dyskretnej nieuporządkowanej Niech X zbiór miast, spośród których ktoś może wybrać miejsce zamieszkania A – miasto pożądane do zamieszkania

 zbiór rozmyty na dziedzinie dyskretnej uporządkowanej Niech X zbiór liczby dzieci, jaką rodzina może mieć A – rozsądna liczba dzieci w rodzinie

 zbiór rozmyty na dziedzinie ciągłej Niech X możliwy wiek ludzi A – ludzie w wieku około 50 lat gdzie:

 zbióry rozmyte dla sterowania wahadłem odwróconym Obiekt Struktura systemu sterowania

Odchylenie od położenia pożądanego Położenie pożądane Wejścia regulatora: Odchylenie od położenia pożądanego Położenie pożądane Położenie aktualne Wyjście regulatora: Zmiana odchylenia od położenia pożądanego Siła przyłożona do wózka – u(t)

Zmienne lingwistyczne: Pożądane położenie: „Odchylenie” – e(t) r(t) = 0 „Zmiana odchylenia” – Zależności: „Siła” – u(t) Konwencja: Położenie  +  Odchylenie - ; Położenie  -  Odchylenie + Zmiana położenia  +  Zmiana odchylenia - ; Zmiana położenia  -  Zmiana odchylenia + Siła  +

Wartości lingwistyczne (dla wszystkich zmiennych):  ujemna, duża co do wartości – „neglarge”  ujemna, mała co do wartości – „negsmall”  zero – „zero”  dodatnia, mała co do wartości – „possmall”  dodatnia, duża co do wartości – „poslarge”

Wahadło odwrócone w różnych pozycjach Położenie pożądane Odchylenie dodatnie Odchylenie ujemne Odchylenie zerowe Zmiana odchylenia dodatnia Zmiana odchylenia ujemna Siła dodatnia

Zdefiniowanie wartości rozmytych dla poszczególnych zmiennych rozmytych

Funkcja przynależności może być wyrażona w postaci:  diagramu ciągłego lub dyskretnego,  wzoru matematycznego,  tabeli,  wektora przynależności,  sumy lub całki Przykłady: Ciągła (a) i dyskretna (b) graficzna forma (diagram) funkcji przynależności liczby rozmytej „około zera”

Elementami xi w tabeli mogą być nie tylko liczby Funkcja przynależności w postaci wzoru dla liczby rozmytej „około zera” Dyskretna funkcja przynależności w postaci tabeli dla liczby rozmytej „około zera” xiX x1=-a x2=-0.75a x3=-0.5a x4=-0.25a x5=0 x6=0.25a x7=0.5a x8=0.75a x9=a (x) 0.25 0.5 0.75 1 Elementami xi w tabeli mogą być nie tylko liczby xiX Firma1 Firma2 ..... Firma (n-1) Firman (x) 0.4 0.5 1.0

Dyskretna funkcja przynależności w postaci wektora dla liczby rozmytej „około zera”

Dyskretna funkcja przynależności w postaci sumy dla liczby rozmytej „około zera” Ciągła funkcja przynależności w postaci całki dla liczby rozmytej „około zera”

Pionowa reprezentacja zbioru rozmytego Pionowa reprezentacja zbioru rozmytego jest A jest formą przedstawiania zbioru rozmytego jako zbioru par (element x zbioru A, stopień przynależności elementu x do zbioru A) Przykłady pionowej reprezentacji zbioru rozmytego

Pozioma reprezentacja zbioru rozmytego Pozioma reprezentacja zbioru rozmytego A polega na przedstawianiu tego zbioru za pomocą tzw.  - przekrojów A tego zbioru.  - przekrój Aα zbioru rozmytego A jest nierozmytym podzbiorem przestrzeni rozważań X , którego elementy wszystkie posiadają stopień przynależności równy lub większy   - przekrój Aα jest nazywany ścisłym jeżeli Wartość  nazywana jest  - poziomem Oznaczenia (inne):  - przekrój(A), przekrój(A,), Aα , A>α

Ilustracja graficzna Przykładowe  - przekroje zbioru rozmytego A

Charakterystyczne parametry zbioru rozmytego: Nośnik zbioru rozmytego A (support): Nośnik zbioru rozmytego A jest to podzbiór nierozmyty dziedziny rozważań X, którego wszystkie elementy mają niezerowy stopień przynależności do zbioru A

Jądro zbioru rozmytego A (core, kernel): Jądro zbioru rozmytego A jest to podzbiór nierozmyty dziedziny rozważań X złożony ze wszystkich elementów o stopniu przynależności równym 1

Wysokość zbioru rozmytego A (height): Wysokością zbioru rozmytego A nazywamy supremum funkcji przynależności elementów zbioru A w całej dziedzinie rozważań zbioru X

Wypukłość zbioru rozmytego A: Zbiór rozmyty zdefiniowany w przestrzeni rozważań Rn jest wypukły jeżeli każdy jego  - przekrój jest zbiorem wypukłym

Przykład: wiek kierowcy wysokiego ryzyka dla ubezpieczeń samochodów

Liczba kardynalna zbioru rozmytego A: Mocą zbioru rozmytego A, A lub liczbą kardynalną card(A) tego zbioru określonego na przestrzeni dyskretnej X nazywamy a w przypadku przestrzeni ciągłej

Charakterystyczne zbiory rozmyte Pusty zbiór rozmyty Zbiór A, którego funkcja przynależności A(x) posiada wartość zero dla wszystkich elementów dziedziny rozważań X nazywa się zbiorem pustym i oznaczany jest symbolem : Uniwersalny zbiór rozmyty Zbiór A, którego funkcja przynależności A(x) posiada wartość jeden dla wszystkich elementów dziedziny rozważań X nazywa się zbiorem uniwersalnym i oznaczany jest symbolem U:

Normalny zbiór rozmyty Zbiór A, którego funkcja przynależności A(x) przyjmuje wartości pomiędzy 0 a 1, łącznie z 1, nazywany jest zbiorem normalnym rozmytym

Normalny zbiór rozmyty A (trochę inaczej): Zbiór rozmyty A jest normalny, jeżeli xX taki, że μA(x)=1. Zbiór rozmyty, który nie jest normalny nazywany jest subnormalnym Operator normalizacji: Operator jest nazywany operatorem normalizacji, tzn.

Liczba rozmyta: Pojęcie liczby rozmytej jest używane (czasem) dla wskazania zbioru rozmytego normalnego i wypukłego określonego na R Singleton (jednoelementowy zbiór rozmyty): Singleton jest to taki zbiór rozmyty A, którego nośnik S(A) zawiera tylko jeden element o stopniu przynależności różnym od zera

Rodzaje funkcji przynależności zbiorów rozmytych - jednowymiarowe - funkcje przynależności złożone z odcinków prostych Kształty najczęściej stosowanych odcinkowo – liniowych funkcji przynależności

Zalety wielokątnych funkcji przynależności:  mała liczba danych potrzebna do zdefiniowania funkcji przynależności  łatwość modyfikacji parametrów funkcji przynależności w oparciu o dane pomiarowe wejście – wyjście systemu Wady wielokątnych funkcji przynależności:  są nieróżniczkowalne

Trójkątna funkcja przynależności: Przykład: triangle(x;20,60,80)

Trapezowa funkcja przynależności: Przykład: trapezoid(x;10,20,60,95)

- intuicyjne funkcje przynależności Aksjomaty: A1. Intuicyjne funkcje przynależności (x) są ciągłe w całym zakresie dziedziny rozważań A2. Pierwsza pochodna intuicyjnej funkcji przynależności (x) jest ciągła w całym zakresie dziedziny rozważań A3. Druga pochodna intuicyjnej funkcji przynależności (x) jest ciągła w całym zakresie dziedziny rozważań A4. Zakrzywienia intuicyjnej funkcji przynależności (x) są minimalne

Przykłady matematycznych reprezentacji intuicyjnych funkcji przynależności: 1. Funkcja przynależności Gaussa 2. Dzwonowa funkcja przynależności 3. Sigmoidalne funkcje przynależności

Gaussowska funkcja przynależności: Przykład: gaussian(x;50,20)

Dzwonowa funkcja przynależności: Przykład: bell(x;20,4,50)

Dzwonowa funkcja przynależności – znaczenie parametrów:

Dzwonowa funkcja przynależności – wpływ zmian wartości parametrów na kształt FP:

Sigmoidalna funkcja przynależności: Przykłady Dwie prawe FP sigmoidalne Prawa i lewa FP sigmoidalne

Poza jednowymiarowymi przestrzeniami rozważań możemy mieć do czynienia z wielowymiarowymi przestrzeniami rozważań, które są iloczynem kartezjańskim X przestrzeni składowych X1, X2, ...., Xn wielkości o różnym charakterze Przykład: X1 – zbiór obywateli X2 – zbiór banków Definiowanie zbiorów rozmytych dla wielowymiarowych przestrzeni rozważań Bezpośrednio

Definicja – składana i nieskładana dwuwymiarowa FP Dwuwymiarowe i n-wymiarowe funkcje przynależności mogą jedną z dwóch kategorii: 1. składaną funkcją przynależności 2. nieskładaną funkcją przynależności Ograniczymy się do przypadku dwuwymiarowego Definicja – składana i nieskładana dwuwymiarowa FP Dwuwymiarowa FP jest nazywana składaną FP, jeżeli może być ona analitycznie wyrażona za pomocą dwóch jednowymiarowych FP, w przeciwnym przypadku jest ona nieskładana

Przykład: Niech w przestrzeni X x Y  R2 określony jest zbiór rozmyty A funkcją przynależności

Funkcja przynależności może być przedstawiona jako

Przykład: Niech w przestrzeni X x Y  R2 określony jest zbiór rozmyty A funkcją przynależności FP dwuwymiarowa nieskładana

Modyfikatory lingwistyczne zbiorów rozmytych Weźmy zmienną lingwistyczną wiek Dziedzina rozważań lingwistyczna tej zmiennej może być podana w następujący sposób: Xwiek = {młody, nie młody, bardzo młody, nie bardzo młody, ... średniego wieku, nie średniego wieku, ... ......... stary, nie stary, bardzo stary, mniej więcej stary, nie bardzo stary, .... nie bardzo młody i nie bardzo stary, ... } W tej dziedzinie możemy wyróżnić: podstawowe (pierwotne) wartości lingwistyczne zmiennej – primary term (młody, średniego wieku, stary) zmieniane przez negację - negation (nie) (nie stary) i/lub modyfikatory – hedges (bardzo, mniej więcej, całkiem, krańcowo, ...) i następnie powiązane łącznikami – connectives (i, lub albo ... albo, ani ... ani,..)

Modyfikatory umożliwiają tworzenie pochodnych zbiorów rozmytych na bazie zbiorów podstawowych bez ponownego definiowania funkcji przynależności Wyróżnia się przy tym - modyfikatory mocy (powered hedges) -modyfikatory przesunięcia (shifted hedges) Modyfikatory mocy są realizowane za pomocą funkcji, które działają na stopniach przynależności i mają ogólną postać Modyfikatory przesunięcia przemieszczają funkcję przynależności w jej dziedzinie

Powszechnie stosowane modyfikatory mocy: Bardzo, Mniej więcej Bardzo: (operator koncentracji) Mniej więcej: (operator rozcieńczania – dylatacji) Definicja: Bardzo, Mniej więcej

Przykład: zastosowanie modyfikatora mocy „very” w definiowaniu zbiorów rozmytych w przestrzeni „wzrost mężczyzny”

Przykładowe inne spotykane modyfikatory

Przykładowe inne spotykane modyfikatory

Operacje (logiczne, mnogościowe) na zbiorach rozmytych Główne operatory logiczne: 1. Operacja przecięcia (intersection) zbiorów rozmytych 2. Operacja połączenia (union) zbiorów rozmytych 3. Operacja negacji (complement) zbioru rozmytego

Operacje na zbiorach klasycznych

Definicja: Zawieranie (containment) lub podzbiór  Zbiór rozmyty A jest zawarty w zbiorze rozmytym B (lub, równoważnie, A jest podzbiorem B, lub A jest mniejszy lub równy B) wtedy i tylko wtedy, gdy dla wszystkich x Przykład:

Operacja przecięcia (intersection) zbiorów rozmytych Własności: W logice nierozmytej: Przemienność: Łączność: Idempotentność: Absorbcja: Identycznność: Wyłączna sprzecznność: Nie wszystkie te własności przenoszą się na operacje na zbiorach rozmytych

Definicja: Przecięcie (intersection) zbiorów rozmytych  Przecięcie dwóch zbiorów rozmytych A i B jest zbiorem rozmytym C, co zapisuje się jako C = A  B lub C = A AND B, którego funkcja przynależności (FP) jest związana z FP zbiorów A i B zależnością: Przykład:

Operator min nie jest jedynym stosowanym do realizacji operacji przecięcia zbiorów – opracowano wiele realizacji operacji przecięcia Najczęściej stosowanymi operatorami przecięcia zbiorów rozmytych AB są tak zwane T-normy (triangular norm) Definicja uogólniona : Przecięcie (intersection) zbiorów rozmytych  Przecięcie dwóch zbiorów rozmytych A i B jest określane przez funkcję T:[0,1]x[0,1][0,1], która agreguje dwa stopnie przynależności w następujący sposób: gdzie jest operatorem binarnym określonym dla funkcji T. Ta klasa operatorów rozmytego przecięcia, która zwykle kojarzona jest jako operatory T-normy spełnia podane niżej podstawowe wymagania

Definicja: T - norma  Operator T – normy jest funkcją dwuargumentową spełniającą następujące warunki: 1. dziedziny odwzorowania 2. zerowanie (boudary) 3. tożsamość jedynki (boundary) 4. monotoniczność (monotonicity) 5. przemienność (commutativity) 6. łączność (associativity)

Operatory T – normy dzielą się na nastawialne (sparametryzowane) i nienastawialne Niektóre nienastawialne operatory T – normy

Niektóre nastawialne operatory T – normy

Uwagi:  Największe wartości funkcji przynależności daje operator MIN, inne operatory T – normy dają wartości mniejsze Twierdzenie: Wszystkie operatory T – normy są ograniczone od dołu przez operator iloczynu drastycznego a od góry przez operator MIN  Do realizacji operacji przecięcia zbiorów rozmytych stosuje się nie tylko operatory będące T - normami

Operacja połączenia (union) zbiorów rozmytych Własności: W logice nierozmytej: Przemienność: Łączność: Idempotentność: Połączenie ze zbiorem Ø: Absorpcja: Poł. ze zbiorem komplem.: Nie wszystkie te własności przenoszą się na operacje na zbiorach rozmytych

Definicja: Połączenie (union) zbiorów rozmytych  Połączenie dwóch zbiorów rozmytych A i B jest zbiorem rozmytym C, co zapisuje się jako C = A  B lub C = A OR B, którego funkcja przynależności (FP) jest związana z FP zbiorów A i B zależnością: Przykład:

Operator max nie jest jedynym stosowanym do realizacji operacji połączenia zbiorów – opracowano wiele realizacji operacji połączenia Najczęściej stosowanymi operatorami połączenia zbiorów rozmytych AB są tak zwane S-normy Definicja uogólniona : Połączenie (union) zbiorów rozmytych  Połączenie dwóch zbiorów rozmytych A i B jest określane przez funkcję S:[0,1]x[0,1][0,1], która agreguje dwa stopnie przynależności w następujący sposób: gdzie jest operatorem binarnym określonym dla funkcji S. Ta klasa operatorów rozmytego połączenia, która zwykle kojarzona jest jako operatory S-normy spełnia podane niżej podstawowe wymagania

Definicja: S - norma  Operator S – normy jest funkcją dwuargumentową spełniającą następujące warunki: 1. dziedziny odwzorowania 2. zerowanie (boudary) 3. tożsamość zera (boundary) 4. monotoniczność (monotonicity) 5. przemienność (commutativity) 6. łączność (associativity)

Operatory S – normy dzielą się na nastawialne (sparametryzowane) i nienastawialne Niektóre nienastawialne operatory S – normy

Niektóre nastawialne operatory S – normy

Uwagi:  Najmniejsze wartości funkcji przynależności daje operator MAX, operatory S – normy dają wartości większe Twierdzenie: Wszystkie operatory S – normy są ograniczone od dołu przez operator MAX a od góry przez operator sumy drastycznej  Do realizacji operacji połączenia zbiorów rozmytych stosuje się nie tylko operatory będące S - normami

Komplementarne pary T – norm i S - norm Operatory T – normy i S – normy tworzą pary komplementarne spełniające warunek: Komplementarne pary T – norm i S - norm T – norma (S – konorma) S – norma (T – konorma)

Operacja negacji (complement, negation) zbioru rozmytego W logice nierozmytej: Definicja: Negacja (complement) zbioru rozmytego  Negacja zbioru rozmytego A jest zbiorem rozmytym A, określonym zależnością: Przykład:

Inne operacje negacji 1. Negacje Sugeno (parametryzowane) gdzie 2. Negacje Yager’a (parametryzowane) gdzie

Dla wyróżnienia operatory: przecięcie połączenie negacja są nazywane klasycznymi lub standardowymi operatorami rozmytymi

Rozszerzenie cylindryczne zbioru rozmytego Operacje na zbiorach możemy przeprowadzać na zbiorach zdefiniowanych w jednej przestrzeni rozważań Jak realizować operacje na zbiorach rozmytych zdefiniowanych w różnych przestrzeniach rozważań? Rozszerzenie cylindryczne zbioru rozmytego Każdy n-wymiarowy zbiór rozmyty może być rozszerzony do wymiaru n+1 za pomocą rozszerzenie cylindrycznego Projekcja zbioru rozmytego Każdy n+1 - wymiarowy zbiór rozmyty może być ścieśniony do wymiaru n za pomocą projekcji

Definicja: Rozszerzenie cylindryczne  Jeżeli X1 i X2 są przestrzeniami rozważań, a zbiór rozmyty A zdefiniowany jest na X1 to rozszerzeniem cylindrycznym zbioru A na przestrzeń rozważań X = X1 x X2 nazywamy odwzorowanie określone wzorem dla przestrzeni dyskretnej (skończonej) i dla przestrzeni ciągłej dla wszystkich dwójek x=(x1,x2)X1 x X2

Przykład: rozszerzenie cylindryczne z R do R2

Definicja: Projekcja  Jeżeli X1 i X2 są dziedzinami rozważań, a zbiór rozmyty A zdefiniowany jest na przestrzeni iloczynowej X=X1xX2 to projekcją tego zbioru na dziedzinę X1 jest odwzorowanie: określone zależnością: dla przestrzeni dyskretnej (skończonej) i dla przestrzeni ciągłej

Przykład: projekcja z R2 do R

Przykład: Zbiór A określony na przestrzeni X1xX2 dyskretnej. Należy określić projekcje tego zbioru na przestrzeń X1 Zbiór A(x1,x2) - dyskretny Projekcja zbioru A(x1,x2) na przestrzeń X1

Operacje takie jak połączenie lub przecięcie zastosowane do zbiorów rozmytych zdefiniowanych w różnych przestrzeniach rozważań prowadzą do wielowymiarowych zbiorów rozmytych na iloczynach kartezjańskich tych przestrzeni W istocie operacje takie realizowane są poprzez, najpierw realizację rozszerzenia cylindrycznego a dopiero potem samej wymaganej operacji na rozszerzeniach zbiorów

Iloczyn kartezjański zbiorów rozmytych Niech A i B będą zbiorami rozmytymi w przestrzeniach X i Y odpowiednio, określonymi w nich funkcjami przynależności μA(·) i μB(·). Iloczyn kartezjański zbiorów A i B, oznaczony AxB, jest zbiorem rozmytym w przestrzeni X x Y mającym funkcję przynależności mającym funkcję przynależności np.

Suma kartezjańska zbiorów rozmytych Niech A i B będą zbiorami rozmytymi w przestrzeniach X i Y odpowiednio, określonymi w nich funkcjami przynależności μA(·) i μB(·). Suma kartezjańska zbiorów A i B, oznaczona A+B, jest zbiorem rozmytym w przestrzeni X x Y mającym funkcję przynależności np.

Przykład:

Przykład: