Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii.

Prezentacja na temat: "Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii."— Zapis prezentacji:

1 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Systemy rozmyte są modelami przetwarzającymi informację za pomocą zbioru reguł rozmytych „jeżeli – to” Systemy/modele rozmyte – podstawy i struktury Rozmytość jest sposobem reprezentowania niejednoznaczności (niepewności) określeń lingwistycznych (n.p. wysoka temperatura)

2 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania2 Definicja: - przestrzeń rozważań, uniwersalny zbiór będący przedmiotem naszego zainteresowania 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 Wszystkie zbiory definiujemy w przestrzeni rozważań Inne nazwy: obszar rozważań, przestrzeń, zbiór, domena rozważań, domena, zakres podstawowy, zbiór odniesienia

3 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania3 Przykłady: chłopcy uczniowie klas pierwszych w liceach dodatnie liczby rzeczywiste temperatura powietrza latem w Polsce miasta wojewódzkie w Polsce Zwykły albo klasyczny zbiór jest definiowany jako zestaw elementów w X posiadający pewną specyficzną cechę Definicja: zbiór zwykły (1)

4 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania4 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 μ A (x)) jest odwzorowaniem z X w zbiór dwuelementowy {0,1}: μ A (x):X  {0,1} takim, że

5 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania5 Niech X, dziedzina rozważań, będzie zbiorem pewnych elementów x. Zbiorem zwykłym 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 zwykłego A, przy czym: Definicja: zbiór zwykły (2)

6 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania6 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:

7 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania7 Przykład: Funkcja przynależności zbioru zwykłego Funkcja przynależności zbioru rozmytego

8 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania8 Funkcja przynależności realizuje odwzorowanie dziedziny rozważań X danej zmiennej do przedziału [0,1]: Funkcja przynależności (membership function) i stopień przynależności (grade of membership) 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

9 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania9 Funkcja przynależności i stopień przynależności - porównanie Zbiór zwykły Zbiór rozmyty

10 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania10 Funkcje przynależności i stopień przynależności elementu przestrzeni rozważań do różnych zbiorów

11 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania11 Definicja zbioru rozmytego jest subiektywna (zależy od osądów autora) i zależna od kontekstu Wysoki w Chinach Wysoki w Europie Wysoki w NBA

12 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania12 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

13 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania13  zbiór rozmyty na dziedzinie dyskretnej uporządkowanej Niech X zbiór liczby dzieci, jaką rodzina może mieć A – rozsądna liczba dzieci w rodzinie

14 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania14  zbiór rozmyty na dziedzinie ciągłej Niech X możliwy wiek ludzi A – ludzie w wieku około 50 lat gdzie:

15 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania15 Funkcja przynależności może być wyrażona w postaci:  diagramu ciągłego lub dyskretnego,  wzoru matematycznego,  tabeli,  wektora przynależności,  sumy lub całki Ciągła (a) i dyskretna (b) graficzna forma (diagram) funkcji przynależności liczby rozmytej „około zera” Przykłady:

16 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania16 Funkcja przynależności w postaci wzoru dla liczby rozmytej „około zera” Dyskretna funkcja przynależności w postaci tabeli dla liczby rozmytej „około zera” xiXxiXx 1 =-ax 2 =-0.75ax 3 =-0.5a x 4 =-0.25a x 5 =0 x 6 =0.25a x 7 =0.5a x 8 =0.75ax 9 =a  (x)00.250.50.751 0.50.250 Elementami x i w tabeli mogą być nie tylko liczby xiXxiXFirma1Firma2.....Firma (n-1)Firman  (x)0.40.5.....1.0

17 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania17 Dyskretna funkcja przynależności w postaci wektora dla liczby rozmytej „około zera”

18 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania18 Ciągła funkcja przynależności w postaci całki dla liczby rozmytej „około zera” Dyskretna funkcja przynależności w postaci sumy dla liczby rozmytej „około zera”

19 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania19 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

20 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania20 Pozioma reprezentacja zbioru rozmytego Pozioma reprezentacja zbioru rozmytego A polega na przedstawianiu tego zbioru za pomocą tzw.  - przekrojów A  tego zbioru.  - przekrój A α zbioru rozmytego A jest nierozmytym podzbiorem przestrzeni rozważań X, którego elementy wszystkie posiadają stopień przynależności równy lub większy   - przekrój A α jest nazywany ścisłym jeżeli Oznaczenia (inne):  - przekrój(A), przekrój(A,  ), A  α, A >α Wartość  nazywana jest  - poziomem

21 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania21 Przykładowe  - przekroje zbioru rozmytego A Ilustracja graficzna

22 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania22 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

23 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania23 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

24 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania24 Wysokość zbioru rozmytego A (height): Wysokością zbioru rozmytego A nazywamy supremum funkcji przynależności elementów zbioru A w całej dziedzinie rozważań zbioru X

25 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania25 Wypukłość zbioru rozmytego A: Zbiór rozmyty zdefiniowany w przestrzeni rozważań R n jest wypukły jeżeli każdy jego  - przekrój jest zbiorem wypukłym

26 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania26 Przykład: wiek kierowcy wysokiego ryzyka dla ubezpieczeń samochodów

27 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania27 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

28 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania28 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: Charakterystyczne zbiory rozmyte

29 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania29 Normalny zbiór rozmyty Zbiór A, którego funkcja przynależności  A (x) przyjmuje wartości pomiędzy 0 a 1, łącznie z 1, nazywany jest zbiorem normalnym rozmytym

30 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania30 Normalny zbiór rozmyty A (trochę inaczej): Zbiór rozmyty A jest normalny, jeżeli  x  X taki, że μ A (x)=1. Zbiór rozmyty, który nie jest normalny nazywany jest subnormalnym Operator normalizacji: Operator jest nazywany operatorem normalizacji, tzn.

31 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania31 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

32 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania32 Rodzaje funkcji przynależności zbiorów rozmytych - jednowymiarowe - funkcje przynależności złożone z odcinków prostych Kształty najczęściej stosowanych odcinkowo – liniowych funkcji przynależności

33 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania33 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

34 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania34 Trójkątna funkcja przynależności: Przykład: triangle(x;20,60,80)

35 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania35 Trapezowa funkcja przynależności: Przykład: trapezoid(x;10,20,60,95)

36 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania36 - intuicyjne funkcje przynależności Aksjomaty: A1. Intuicyjne funkcje przynależności  (x) są ciągłe w całym zakresie dziedziny rozważań A2. Pierwsza pochodna (nachylenie) intuicyjnej funkcji przynależności  (x) jest ciągła w całym zakresie dziedziny rozważań A3. Druga pochodna (krzywizna) intuicyjnej funkcji przynależności  (x) jest ciągła w całym zakresie dziedziny rozważań A4. Zakrzywienia intuicyjnej funkcji przynależności  (x) są minimalne

37 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania37 Matematyczne reprezentacje intuicyjnych funkcji przynależności: 1. Symetryczna funkcja Gaussa 2. Sigmoidalne funkcje przynależności 3. Harmoniczne funkcje przynależności 4. Wielomianowe funkcje przynależności

38 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania38 Gaussowska funkcja przynależności: Przykład: gaussian(x;50,20)

39 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania39 Dzwonowa funkcja przynależności: Przykład: bell(x;20,4,50)

40 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania40 Dzwonowa funkcja przynależności – znaczenie parametrów:

41 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania41 Dzwonowa funkcja przynależności – wpływ zmian wartości parametrów na kształt FP:

42 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania42 Sigmoidalna funkcja przynależności: Przykłady Dwie prawe FP sigmoidalne Prawa i lewa FP sigmoidalne

43 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania43 Poza jednowymiarowymi przestrzeniami rozważań możemy mieć do czynienia z wielowymiarowymi przestrzeniami rozważań, które są iloczynem kartezjańskim X przestrzeni składowych X 1, X 2,...., X n wielkości o różnym charakterze Przykład: X 1 – zbiór obywateli X 2 – zbiór banków Definiowanie zbiorów rozmytych dla wielowymiarowych przestrzeni rozważań Bezpośrednio

44 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania44 Modyfikatory lingwistyczne zbiorów rozmytych Weźmy zmienną lingwistyczną wiek Dziedzina rozważań lingwistyczna tej zmiennej (wartości zmiennej) może być podana w następujący sposób: X wiek = {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,..)

45 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania45 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

46 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania46 Przykładowe inne i podane wcześniej modyfikatory mocy

47 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania47 Przykładowe inne i podane wcześniej modyfikatory mocy

48 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania48 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

49 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania49 Operacja przecięcia (intersection) zbiorów rozmytych

50 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania50 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)

51 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania51 Operatory T – normy dzielą się na nastawialne (sparametryzowane) i nienastawialne Niektóre nienastawialne operatory T – normy

52 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania52 Niektóre nastawialne operatory T – normy

53 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania53 Uwagi: Największe wartości funkcji przynależności daje operator MIN, inne operatory T – normy dają wartości mniejsze Do realizacji operacji przecięcia zbiorów rozmytych stosuje się nie tylko operatory będące T - normami Twierdzenie: Wszystkie operatory T – normy są ograniczone od dołu przez operator iloczynu drastycznego a od góry przez operator MIN

54 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania54 Operacja połączenia (union) zbiorów rozmytych

55 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania55 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)

56 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania56 Operatory S – normy dzielą się na nastawialne (sparametryzowane) i nienastawialne Niektóre nienastawialne operatory S – normy

57 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania57 Niektóre nastawialne operatory S – normy

58 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania58 Uwagi: Najmniejsze wartości funkcji przynależności daje operator MAX, operatory S – normy dają wartości większe Do realizacji operacji połączenia zbiorów rozmytych stosuje się nie tylko operatory będące S - normami Twierdzenie: Wszystkie operatory S – normy są ograniczone od dołu przez operator MAX a od góry przez operator sumy drastycznej

59 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania59 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)

60 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania60 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:

61 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania61 Inne operacje negacji 1. Negacje Sugeno (parametryzowane) gdzie 2. Negacje Yager’a (parametryzowane) gdzie

62 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania62 Dla wyróżnienia operatory: są nazywane klasycznymi lub standardowymi operatorami rozmytymi przecięcie połączenie negacja

63 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania63 Jak realizować operacje na zbiorach rozmytych zdefiniowanych w różnych przestrzeniach rozważań? Operacje na zbiorach możemy przeprowadzać na zbiorach zdefiniowanych w jednej przestrzeni 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

64 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania64 Definicja: Rozszerzenie cylindryczne  Jeżeli X 1 i X 2 są przestrzeniami rozważań, a zbiór rozmyty A zdefiniowany jest na X 1 to rozszerzeniem cylindrycznym zbioru A na przestrzeń rozważań X = X 1 x X 2 nazywamy odwzorowanie dla wszystkich dwójek x=(x 1,x 2 )  X 1 x X 2 określone wzorem dla przestrzeni dyskretnej (skończonej) i dla przestrzeni ciągłej

65 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania65 Przykład: rozszerzenie cylindryczne z R do R 2

66 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania66 Definicja: Projekcja  Jeżeli X 1 i X 2 są dziedzinami rozważań, a zbiór rozmyty A zdefiniowany jest na przestrzeni iloczynowej X=X 1 xX 2 to projekcją tego zbioru na dziedzinę X 1 jest odwzorowanie: określone zależnością: dla przestrzeni dyskretnej (skończonej) i dla przestrzeni ciągłej

67 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania67 Przykład: projekcja z R 2 do R

68 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania68 Przykład: Zbiór A określony na przestrzeni X 1 xX 2 dyskretnej. Należy określić projekcje tego zbioru na przestrzeń X 1 Zbiór A(x 1,x 2 ) - dyskretny Projekcja zbioru A(x 1,x 2 ) na przestrzeń X 1

69 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania69 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 Definiowanie zbiorów rozmytych dla wielowymiarowych przestrzeni rozważań Operacje na zbiorach rozmytych

70 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania70 Iloczyn kartezjański zbiorów rozmytych Niech A i B będą zbiorami rozmytymi w przestrzeniach X i Y odpowiednio, określonymi w nich funkcjami przynależności μ A (·) i μ B (·). Iloczyn kartezjański zbiorów A i B, oznaczony AxB, jest zbiorem rozmytym w przestrzeni X x Y mającym funkcję przynależności mającym funkcję przynależności np.

71 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania71 Przykład: C = A 1 xA 2

72 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania72 Suma kartezjańska zbiorów rozmytych Niech A i B będą zbiorami rozmytymi w przestrzeniach X i Y odpowiednio, określonymi w nich funkcjami przynależności μ A (·) i μ B (·). Suma kartezjańska zbiorów A i B, oznaczona A+B, jest zbiorem rozmytym w przestrzeni X x Y mającym funkcję przynależności np.

73 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania73 Przykład:

74 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania74 Przykład:

75 Metody sztucznej inteligencji – technologie rozmyte i neuronoweSystemy rozmyte – podstawy i struktury  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania75 Dziękuję – koniec materiału prezentowanego podczas wykładu