55711198-curs1-2-sf[1]
TRANSCRIPT
1
Universitatea Tehnică “Ghe. Asachi” Iaşi Facultatea de Electronică şi Telecomunicaţii Catedra de Electronică Aplicată Curs: Sisteme Fuzzy şi Reţele Neuronale
CURSURILE NR.1,2 (SF)
SISTEME FUZZY. NOTIUNI GENERALE
Teoria sistemelor fuzzy s-a dezvoltat o dată cu introducerea teoriei nuanţate de
către Grigore Moisil [Moisil, 1966] şi Lofti Zadeh [Zadeh, 1965], începând cu deceniul al VII-
lea al acestui secol. Sistemele fuzzy reprezintă o alternativă naturală pentru modelarea
proceselor complexe printr-o reprezentare lingvistică faţă de o reprezentare matematică
clasică (deterministă).
Teoria mulţimilor şi a sistemelor fuzzy a permis o nouă abordare în multe probleme
ştiinţifice si tehnice, legate în special de inteligenţă artificială, permiţându-se o înţelegere
dintr-o perspectiva mai largă a proceselor de cunoaştere umană.
Teoria mulţimilor fuzzy împreună cu logica fuzzy formalizează un mod de gândire în
care noţiunile cu care se operează conţin o anume nedeterminare şi în care propoziţiile şi
raţionamentele au un anumit grad de imprecizie, putând fi nici perfect adevarate, nici cu
totul false, comparativ cu logica deterministă, uzuală (de tip crisp). Această teorie încearcă
să modeleze mai aproape de realitate indeterminismul gândirii aproximative, intuitiv umane
[Negoiţă, 1975].
Subordonarea teoriei probabilitaţii (de exemplu) este evidentă în cazul în care
realizarea unei statistici este imposibilă practic sau principial de realizat. Multe evenimente
reale sunt unice, irepetabile sau din motive practice nu pot fi repetate. În acest caz este mai
corect să se vorbească de posibilitatea de realizare a respectivului eveniment, ori de
încrederea noastră ca evenimentul să se producă, decât de probabilitatea de realizare ce
reprezintă o extrapolare de la o populaţie de evenimente ce se consideră că au aceleaşi
condiţii.
Se propune o analiză selectivă a aspectelor dinamice a două mari clase de sisteme
fuzzy – sistemele fuzzy de tip Mamdani şi sistemele fuzzy de tip Sugeno, precum şi a
2
posibilităţilor de aplicare a acestora în ingineria biomedicală. Punerea în evidenţă a
fenomenelor de auto-organizare la nivelul reţelelor de sisteme fuzzy deschide direcţia
aplicaţiilor de modelare a sistemelor biologice a căror principală caracteristică este tocmai
adaptarea şi auto-organizarea. Aplicaţiile sistemelor fuzzy în ingineria biomedicală sunt
concretizate prin realizarea de modele fuzzy de tip predictiv pentru generarea unor clase de
semnale biologice şi prin realizarea de filtre cu sisteme fuzzy cu caracteristici performante.
1. MULŢIMI FUZZY
Raţionamentele clasice operează cu mărimi precis determinate (de exemplu în
limbajul ştiintific - numere), iar rezultatul operatiilor sunt propoziţii ale căror valori de adevăr
pot fi doar "adevărat" sau "fals".
Modul de gândire uman este nuanţat, inferenţele (rezultatele) realizându-se pe
baza unor mărimi cunoscute doar aproximativ, sau care au un sens vag, imprecis.
Deşi la prima vedere acest mod de inferenţă cu mărimi vagi, imprecise ar trebui să
determine o imprecizie mare în rezultate, s-a constatat că, de cele mai multe ori este mai
eficient decât modul clasic (determinist) de inferenţă, în special în aplicaţiile de
complexitate ridicată.
Reprezentarea mărimilor fuzzy ca mulţimi fuzzy
O mărime fizică oarecare ce poate fi descrisă calitativ prin noţiuni vagi cum ar fi mic,
mediu, mare etc., se numeşte variabilã lingvistică în teoria mulţimilor fuzzy. Atributele
utilizate pentru descrierea unei variabile lingvistice se numesc valori (grade) lingvistice. De
exemplu mic, mediu, mare sunt grade lingvistice pentru variabila lingvistică temperatura
unei camere. O mãrime fizică măsurabilă, cu valori într-un interval real cunoscut, se poate
transforma într-o variabilă lingvistică prin definirea unor submulţimi fuzzy care să joace rolul
valorilor lingvistice.
Între mărimile de tip lingvistic şi mărimi de aceeaşi natură fizică dar deterministe se
stabileşte o corespondenţă prin intermediul unei funcţii specifice. Corespondenţa este
realizată în sensul că unui grad lingvistic (de exemplu înalt) i se asociază un interval dat de
valori. Mărimea fuzzy determinată de gradul lingvistic “mare” poate lua orice valoare din
3
intervalul specificat cu observaţia că unele dintre valori sunt "mai justificate" decât celelalte
sau au un grad de adevăr mai mare [Negoiţă, 1987].
Justificarea "mai mare", sau "mai mică" a unor seturi de valori din intervalul
specificat poate fi de orice natură, uzual bazându-se pe experienţa celui care asociază
gradul de justificare.
În aceeasi idee se convine ca justificării maxime a valorii mărimii fuzzy să i se
ataşeze valoarea 1. În acest caz, oricarui grad de justificare i se ataşează un număr în
intervalul [0; 1].
Realizăm astfel asocierea următoare:
]1,0[:)(;)( AxAxx (1)
unde A reprezintă mulţimea valorilor:
- posibile: μ(x) > 0,
- nejustificate: μ(x) = 0.
Gradul nostru de justificare, de a ne gândi la o anumită valoare numerică “x” a
gradului lingvistic, variază cu “x” după o anumită “alură”, care poate fi exprimată printr-o
funcţie specifică.
Imprecizia din limbajul nostru este modelată de gradul de adevăr pe care îl
stabileşte funcţia ce caracterizează “alura” corespondenţei mărimii fuzzy cu valorile
deterministe. Acest tip de funcţie poartă denumirea de funcţie de apartenenţă.
Evident, funcţia μ(x) generalizează funcţia caracteristică a unei mulţimi clasice, în
acest sens mulţimea fuzzy extinzând sensul clasic de mulţime deterministă. Reuniunea
intervalelor funcţiilor de apartenenţă ataşate gradelor lingvistice ale unei aceleaşi variabile
lingvistice determină universul de discurs caracteristic.
Referitor la funcţiile de apartenenţă acestea sunt de mai multe tipuri, utilizatorul
având libertatea de alegere funcţie de aplicaţia dată. Forma funcţiei de apartenenţă cel mai
des utilizată este cea triunghiulară, dar întâlnim în practică şi alte tipuri (trapezoidal,
sigmoidal, gaussian, "mai mare", etc..)
4
Operaţii cu mulţimi fuzzy
Atât operaţiile cu mulţimi fuzzy, cât şi raţionamentele în care intervin mărimi fuzzy
se pot reprezenta prin operaţii corespunzatoare mulţimilor fuzzy, respectiv cu funcţiile lor de
apartenenţă. Această afirmaţie este justificată de reprezentarea mărimilor fuzzy prin mulţimi
fuzzy. Se sistematizează aceste operaţii, exprimate prin intermediul funcţiilor de
apartenenţă.
Se extind în primul rând operaţiile şi relaţiile cunoscute în cadrul teoriei mulţimilor
uzuale. Se notează cu U mulţimea totală, deterministă, precizată anterior şi sub denumirea
de univers de discurs, la care se raportează toate mulţimile fuzzy considerate.
Exemplificăm operaţia de reuniune a două mulţimi fuzzy A şi B, care este o mulţime fuzzy
notată A B, definită prin:
μA B(x) = max ( μA(x) ; μB(x) ), x U
pentru cazul operaţiilor fuzzy obţinute prin extrapolarea celor clasice şi operaţia de sumă
algebrică, notată A + B, definită prin:
μA+B(x) = μA(x) + μB(x) -μA(x) * μB(x), x U
pentru cazul operaţiilor strict caracteristice operaţiilor cu mulţimi fuzzy.
Un set extins al operaţiilor cu mulţimi fuzzy este descris în [Teodorescu, 1991-1].
Implicaţie şi inferenţă fuzzy
Există un număr mare de definiţii ale implicaţiei fuzzy, fiecare în parte fiind utilă în
aplicaţii specifice.
Considerăm implicaţia definită în modul următor:
0
,,
xx
micesteyAtuncimareestexDaca (2)
5
Considerăm gradul lingvistic "mare" al variabilei lingvistice x cu funcţia de
apartenenţă μA(u) : A → [0,1], iar gradul lingvistic "mic" având funcţia de apartenenţă μB(v) :
B → [0,1]. Concluzia rezultată din cele două antecedente enunţate este:
y este mic cu μy(v) = μmare -> mic(xo;v)
In acest caz x = xo va corespunde unei valori de adevăr μA(u = xo) a premizei "x
este mare", iar gradul de adevăr al concluziei "y este mic" va fi o funcţie de μA(u = xo) şi
μB(v).
Definirea implicaţiei revine la precizarea următoarei funcţii:
f : [0,1] x [0,1] → [0,1]; μA -> B(u = xo,v) = f(μA(u = xo); μB(v)),
Folosind implicaţie in sensul lui Mamdani relaţia de definiţie este:
μA -> B(u = xo,v) = μA(u = xo) μB(v) ,
unde operatorul " " este folosit în sens de minim. Obţinem:
μA -> B(u = xo,v) = min (xo ; μB(v))
Folosind implicaţie în sens Boolean relaţia de definiţie este următoarea:
μA -> B(u,v) = (1 - μA(u = xo)) μB(v) = μ A(u = xo) μB(v)
unde operatorul " " este utilizat în sens de maxim. În cazul acestui tip de implicaţie
obţinem:
μA -> B(u = xo,v) = max (1 - xo; μB(v))
Se observa diferenţa rezultatului implicaţiei fuzzy funcţie de tipul de implicaţie folosit
ceea ce explică adoptarea unui anume tip de implicaţie funcţie de aplicaţie.
Cazul uzual de inferenţă fuzzy este cel în care intervin mai multe implicaţii, numite
reguli elementare, legate între ele prin conectivul De Asemenea.
6
Sensul acestui conectiv se defineşte pentru fiecare aplicaţie în parte. Nu putem
vorbi de un criteriu global de alegere al conectivului, alegerea sa justificându-se numai
experimental, prin utilitatea sa în aplicaţia respectivă.
Facem observaţia că o alegere a unui anume conectiv defineşte automat si o
anume logică fuzzy, ceea ce implică căutarea unui conectiv optim pentru fiecare aplicaţie în
parte.
Considerăm cazul unei inferenţe cu două reguli elementare:
22
11
,:2
,,:1
CesteyAtunciAestexDacaR
asemeneaDe
CesteyAtunciAestexDacaR
(3)
Notam cu X, respectiv Y universul de discurs pentru variabilele x, respectiv y.
Funcţiile de apartenenţă corespunzătoare sunt:
μ1(x) : A1 → [0,1]; μ2(x) : A2 → [0,1]; μ3(y) : C1 → [0,1]; μ4(y) : C2 → [0,1]
Gradul de adevăr al regulilor R1, R2 sunt date respectiv de relaţiile următoare:
ψ1(x,y): X x Y → [0,1]; ψ2(x,y): X x Y → [0,1];
Notăm prin " " operaţia definită de conectivul “De asemenea”, iar rezultatul
inferenţei este caracterizat de funcţia de apartenenţă μr(x,y) dată de:
μr(x,y) = ψ1(x,y) ψ2(x,y)
care ne precizează gradul de adevăr al rezultatului.
Definiţiile uzuale ale operatorului " " sunt:
- intersecţie: μr(x,y) = (ψ1 ψ2)(x,y) = MIN (ψ1(x,y) ; ψ2(x,y))
- reuniune: μr(x,y) = (ψ1 ψ2)(x,y) = MAX (ψ1(x,y) ; ψ2(x,y))
- produs algebric: μr(x,y) = ψ1(x,y) * ψ2(x,y)
7
- sumă algebrică: μr(x,y) = ψ1(x,y) + ψ2(x,y) - ψ1(x,y) * ψ2(x,y)
- produs legat: μr(x,y) = MAX (0 ; ψ1(x,y) + ψ2(x,y) - 1)
- sumă legată: μr(x,y) = MIN (1 ; ψ1(x,y) + ψ2(x,y))
Rezultatul inferenţei diferă funcţie de tipul conectivului ales.
2. SISTEME FUZZY
Un sistem fuzzy logic cu o intrare şi o ieşire - SISO (single input / single output) este
un triplet (I, R, O) în care:
- I reprezintă clasa mulţimilor fuzzy corespunzătoare intrării (caracterizate de
asemenea de etichete lingvistice);
- O reprezintă clasa mulţimilor fuzzy corespunzătoare ieşirii (caracterizate şi
de etichete lingvistice);
- R reprezintă mulţimea regulilor fuzzy care descriu în termeni lingvistici
dependenţele intrare - ieşire.
Regulile fuzzy au la bază o implicaţie fuzzy, de tipul Dacă-Atunci (IF-THEN), legate
între ele prin conectivul De asemenea:
Rk: Dacă intrarea x este Ii, Atunci ieşirea y este Oj i {1..N}, j {1…M}, k {1…L} (4)
unde N reprezintă numărul mulţimilor fuzzy (etichetelor lingvistice) corespunzătoare intrării,
M corespunde numărului mulţimilor fuzzy a ieşirii iar L este numărul de reguli fuzzy. Se
precizează că intrări diferite (grade lingvistice), pot corespunde la aceaşi ieşire (grad
lingvistic). Această definiţie poate fi uşor extinsă şi pentru sisteme fuzzy cu intrări şi ieşiri
multiple.
Pentru a face utilă în aplicaţii o astfel de reprezentare se impune corelarea gradelor
lingvistice cu numere sau mulţimi de numere, astfel noţiunea de mulţime fuzzy
reprezentând o generalizare a conceptului clasic de mulţime.
Un sistem fuzzy este complet determinat când cunoaştem tabelul de reguli care îl
descrie, semnificaţia valorilor lingvistice pentru variabilele care intervin în tabel (mai exact
8
funcţiile de apartenenţă ataşate respectiv gradelor lingvistice), tipul de implicaţie fuzzy
folosit precum şi valoarea particulară a conectivului De Asemenea folosit pentru
compunerea regulilor.
Sistemul fuzzy, privit ca sistem ce lucrează cu variabile lingvistice nu este
compatibil cu sistemele deterministe, fiind imposibil să primească mărimi de intrare uzuale
(deterministe) şi în acelaşi timp să genereze semnale deterministe, necesare conectării
sistemului fuzzy cu alte sisteme obişnuite.
Interfaţarea sistemului fuzzy cu variabilele deterministe se relizează prin
"fuzzificare" pentru variabilele de intrare şi prin "defuzzificare" pentru variabilele de ieşire.
Fuzzificarea unei mărimi deterministe reprezintă atribuirea valorilor funcţiilor de apartenenţă
ale mărimii respective la unul sau mai multe grade lingvistice. Defuzzificarea reprezintă
atribuirea (în mod convenţional) unei valori deterministe mulţimii fuzzy rezultată în urma
operaţiilor fuzzy. Ca observaţie, nu se poate defini o aplicaţie bijectivă între clasele de
mulţimi fuzzy şi clase de numere reale. Un sistem fuzzy, asemanător unui sistem
determinist este descris de mărimi de intrare în sistem, de mărimi de ieşire, precum şi de
dependenţele existente între aceste mărimi.
Caracteristic unui sistem fuzzy este faptul că mărimile de intrare şi de ieşire sunt
variabile de tip lingvistic iar dependenţa intrare - ieşire este descrisă de un set de reguli -
corespondentul funcţiei de transfer a sistemelor deterministe.
Sisteme fuzzy Mamdani
Considerând un sistem fuzzy cu două variabile de intrare x1 şi x2 şi cu variabila de
ieşire y (variabile de tip lingvistic) setul de reguli ce caracterizează sistemul fiind de forma:
jpik CesteyAtunciBestexsiAestexDacaR
asemeneaDe
CesteyAtunciBestexsiAestexDacaR
asemeneaDe
CesteyAtunciBestexsiAestexDacaR
,21:
,21:
,21:
2222
1111
(5)
în care simbolurile au următoarea semnificaţie:
9
- Ai, i = 1…N sunt gradele lingvistivtice ale intrării “x1”;
- Bp, p = 1…P sunt gradele lingvistivtice ale intrării “x2”;
- Cj, j = 1…M sunt gradele lingvistivtice ale ieşirii “y”;
- Rk, k = 1…L sunt regulile lingvistice.
Conectivul “De asemenea” folosit are sens general, valoarea lui concretă fiind
stabilită funcţie de aplicaţie. Uzual setul de reguli caracteristice unui sistem fuzzy se
exprimă sub forma unui tabel de reguli.
Dacă intrarea “x1” a sistemului este caracterizată de N valori lingvistice, iar intrarea
x2 este caracterizată de P valori lingvistice, sistemul poate avea N x P reguli, de forma din
relaţiei (5). Valorilor lingvistice Ai, Bp, Cj ale intrărilor şi ieşirii le corespund funcţii de
apartenenţă notate cu μAi, μBp şi respectiv μCj.
Într-o implementare clasică a unui sistem logic fuzzy cu reguli de forma (5) se
efectuează următoarele operaţii:
- calcularea gradului de adevăr al afirmaţiilor (x1 este Ai), (x2 este Bp), proces
denumit fuzzificarea intrărilor x1, x2, şi care constă în calcularea valorilor funcţiilor de
apartenenţã ale valorilor lingvistice Ai, respectiv Bp, pentru oricare două valori de intrare x1,
respectiv x2; pentru fiecare regulă se obţin valorile funcţiilor de apartenenţă μAi(x1) şi
respectiv, μBp(x2).
- calcularea gradului de adevăr al condiţiei regulii, adică a gradului de adevăr tr al
premizei regulii, cu relaţia:
))2(),1(( xBp
xAi
MINr
t (6)
unde MIN denotă funcţia de minim dintre numerele μAi(x1) μBp(x2)..
- calcularea implicaţiei regulilor care constă în determinarea, pentru fiecare regulă,
a unui set fuzzy descris de funcţia de apartenenţă:
rty
rty
rty
CkMINy
r)());(),(()( (7)
- cuplarea tuturor regulilor sistemului fuzzy, care constă în calcularea unei mulţimi
fuzzy de ieşire cu funcţia de apartenenţă:
10
))(()( yr
r
MAXyY
(8)
unde operaţia de maximum, notată prin MAX, se realizează după indexul r al regulilor.
- calcularea ieşirii y ca fiind centrul de greutate al poligonului descris de funcţia de
apartenenţã a ieşirii μY(y).
Operaţia de calculare a valorii crisp a ieşirii, din funcţia de apartenenţă a setului
fuzzy de la ieşire, se numeşte defuzzificare. Referitor la operaţia de defuzzificare, aceasta
este mai puţin naturală decât operaţia de fuzzificare, în acest caz (al defuzzificării)
modalitatea de ataşare a unei valori deterministe pentru un rezultat de tip fuzzy este
convenţională. Existînd câteva metode aşa-zise clasice de defuzzificare, alegerea uneia
sau a alteia în aplicaţii se bazează strinct pe criterii empirice, ţânând de aprecierea
rezultatelor obţinute în fiecare aplicaţie dată, în acelaşi timp posibilitatea implementării unor
noi metode de defuzzificare rămânând deschisă. Prezentăm câteva dintre metodele mai
des utilizate:
- metoda centrului de greutate;
- metoda mediei maximelor;
- metoda punctului mediu;
- metoda înălţimii;
- metoda ariei maxime.
Cea mai utilizată metodă de defuzzificare este aceea a centrului de greutate care
generează ca valoare crisp centrul de greutate a suprafeţei funcţiei de apartenenţă a ieşirii,
rezultată în urma operaţiunilor fuzzy, relaţia de calcul a centrului de greutate (în variantă
discretă) fiind:
)(
)(
y
yy
y (9)
în care μ(y) reprezintă valoarea funcţiei de apartenţă corepsunzătoare unei valori y.
11
Pentru cazul sistemelor fuzzy care utilizează funcţii de apartenenţă triunghiulare şi
centru de greutate ca metodă de defuzzificare, funcţia caracteristică a sistemului este
descrisă pe intervale de funcţii raţionale [Teodorescu, 1990] între un polinom de grad trei
P(y) şi un polinom de grad doi Q(y):
)(
)(
yQ
yPy (10)
Acest tip de sistem fuzzy, numit şi sistem fuzzy de tip Mamdani, este utilizat pe larg în
aceasta teză.
Schematic operaţiile unui sistem fuzzy pot fi reprezentate ca în Figura 1.
Figura 1. Reprezentarea operaţiilor unui sistem fuzzy
Există numeroase posibilităţi de implementare a regulilor unui sistem fuzzy
carcaterizate din o relaţie de tipul cei descrise de ecuaţia (5). O tratare generală a relaţiilor
(6) - (10) se poate face prin intermediul normelor triunghiulare t-norme şi co-normelor s-
norme [Negoiţă, 1987].
Sisteme fuzzy Sugeno
Ca alternativă la sistemele fuzzy de tip Mamdani sunt utilizate în această teză şi
sisteme fuzzy de tip Sugeno. Acest tip de sistem fuzzy (Sugeno) este caracterizat de reguli
care prezintă valori deterministe (numere) în partea de ieşire, în locul variabilelor fuzzy
(gradelor lingvistice) utilizate în consecventul regulilor care caracterizează un sistem de tip
Mamdani. Un sistem fuzzy de tip Sugeno este caracterizat după cum urmează:
Rk: Dacă x1 esteAki1, x2 este Ak
i2, xN este AkiN , Atunci yk = fk(x1, x2,…,xN)
12
i1 {1..N1}, i2 {1..N2},…, iN {1..NN}, k {1…L}
reductibilă în cazul unui dependeţe funcţionale polinomială la expresia următoare:
Rk: Dacă x1 esteAki1, x2 este Ak
i2 ,…., xN este AkiN , .
Atunci yk = ak0 + ak
1 * x1 + …+ akN * xN) (11)
i1 {1..N1}, i2 {1..N2},…, iN {1..NN}, k {1…L} .
în care x1, x2, …, xN sunt intrările, Akij sunt gradele lingvistice cu funcţiile de apartentenţă
ataşate respectiv fiecarei intrări, iar yk reprezintă ieşirea pentru fiecare regulă “k” în parte.
Considerând intrarea (x1, x2, …, xN) ieşirea unui sistem fuzzy de tip Sugeno se calculează
cu următoarea relaţie:
L
k
k
L
k
kk
w
yw
y
1
1 (12)
unde yk reprezintă ieşirea calculată utilizând dependenţa funcţională a consecventului
regulei “k”. Valoarea wk reprezintă gradul de încredere al premisei regulei “k” pentru
intrarea dată, calculat cu expresia:
N
i
iAk xw kij
1
)( (13)
unde operatorul " " poate fi folosit în sens de minim sau în sens de produs.
Considerând cazul cel mai simplu al unui sistem fuzzy Sugeno, cu 1 intrare – 1 ieşire,
regulile sistemului Sugeno se reduc la expresia:
Rk: Daca x este Ak, Atunci y = k : k = 1. ..L, k R (14)
iar ieşirea se calculează cu relaţia:
13
L
k
k
L
k
kk
w
w
y
1
1 (15)
unde gradul de încredere wk este calculat ca valoarea fuzzificată a intrării x: wk = μAk(x).
Sinteza unui sistem fuzzy Sugeno se face prin definirea funcţiilor de apartenenţă a
valorilor lingvistice ale intrărilor şi a coeficienţilor consecventului regulilor.
Acest tip de sistem fuzzy prezintă avantajul unui calcul mai simplu şi mai rapid al
ieşirii, precum şi eliminarea operaţiei de defuzzificare în sensul descris pentru metoda
centrului de greutate, de exemplu. Sistemele fuzzy de tip Sugeno sunt utilizate în această
teză în studiul reţelelelor de sisteme fuzzy cu topologie complexă, ca urmare a reducerii
timpului de calcul necesar unei defuzzificări prin metoda centrului de greutate şi pentru
studiul sistemelor fuzzy adaptive. Din punct de vedere al teoriei sistemelor neliniare
diferenţele între sistemele fuzzy de tip Mandani şi sistemele fuzzy de tip Sugeno sunt
nesemnificative, ambele tipuri de sisteme având funcţii caracteristice exprimabile prin funcţii
raţionale pe porţiuni (pentru cazul utilizării de funcţii de apartenenţă de tip triunghiular). Faţă
de cazul sistemelor Mamdani, sistemele Sugeno nu mai permit introducerea în ieşire a
informaţiei de tip lingvistic, extrasă de la experţi umani.
Clase derivate de sisteme fuzzy
Sistemele fuzzy care utilizează defuzzificare prin metoda centrului de greutate şi
inferenţă de tip produs pot fi descrise în forma următoare [Wang, 1994], [Klement, 1991]:
M
1=l
n
1=iF
M
1=l
n
1=iF
l
))((
))((y
)(
li
li
i
i
x
x
xf (16)
unde yl este ieşirea sistemului datorată regulii Rl , l = 1... M, iar Fil(xi), i=1..n, reprezintă
funcţiile de apartenenţă corepsunzătoare regulii Rl.
Sistemele fuzzy care utilizează defuzzificare prin metoda centrului de greutate şi
inferenţă de tip MIN, pot fi descrise în forma următoare:
14
f x( )
(
y (MIN( (x ),..., (x )))
(MIN( (x ),..., (x )))
l
F 1 F n
l=1
M
F 1 F n
l=1
M
1
l
n
l
1
l
n
l
(17)
Sisteme fuzzy care uitilizează defuzzificare prin metoda centrului de greutate,
inferenţă de tip produs şi funcţii de apartenenţă de tip Gaussian pot fi descrise în forma
următoare:
f x
x x
x x
i i
l
i
l
i i
l
i
l
( )
exp( ( ) )
( exp( ( ) ))
y ( a )
a
l
i
l
i=1
n
l=1
M
i
l
i=1
n
l=1
M
2
2
(18)
unde funcţiile de apartenenţă de tip gaussian au parametri ail, xi
l, il.
In acelaşi mod în care este descris sistemul fuzzy cu funcţii de apartenenţă de tip
gaussian din (18), pot fi utilizate şi funcţii de apartenenţă triunghiulare descrise de:
restin
bcbcxb
cx
xl
i
l
i
l
i
l
iil
i
l
ii
i
,0
];[,1)(l
iF
(19)
unde cil şi bi
l reprezintă parametri ajustabili.
Formalizările precizate anterior pentru diferite tipuri de sisteme fuzzy sunt necesare
pentru utilizarea lor în procese de adaptare.
O descriere exhaustivă a altor tipuri de sisteme fuzzy este prezentată în [Zadeh,
1988], [Pedrycz, 1989], [Kosko, 1992], [Cox, 1994], [Wang, 1994] în această secţiune fiind
prezentate doar clasele de sisteme fuzzy de tip Mamdani şi Sugeno utilizate în această
teză.
15
Sisteme fuzzy - aproximatori universali
Teorema prezentată arată că sistemele fuzzy descrise de relaţii de tipul (16) sunt
capabile să aproximeze uniform orice funcţie neliniară pe spaţiul de intrare U, la orice grad
de precizie impus, în condiţia în care spaţiul de intrare U este compact.
Teorema aproximatorului universal [Wang, 1994]
Pentru orice funcţie reală g definită pe un spaţiu compact U Rn şi orice valoare
>0, există un sistem fuzzy f, descris de relaţia (16) pentru care supx U f(x) - g(x) < .
C1: Această teoremă justifică aplicarea sistemelor fuzzy în problemele de modelare
de funcţii neliniare.
C2: Deoarece sistemele fuzzy descrise de (17), (18) reprezintă cazuri particulare
ale sistemelor fuzzy descrise de (16), rezultă că şi acestea sunt aproximatori universali.
C3: Teorema descrisă este o teoremă de existenţă şi nu una constructivă, ceea ce
înseamnă că este asigurată existenţa unui sistem fuzzy care să aproximeze uniform cu o
precizie dată o funcţie neliniară, teorema nu spune nimic despre cum poate fi determinat
(construit) sistemul fuzzy respectiv.
C4: Importanţa acestei teoreme nu trebuie văzută numai în proprietatea de
aproximator universal a sistemlor fuzzy - aceeaşi proprietate fiind caracteristică reţelelor
neuronale, funcţiilor B-spline, [Brown, 1994], cât în aceea că această proprietate este
valabilă în condiţiile în care sistemul fuzzy poate încorpora informaţie lingvistică, aspect
suplimentar faţă de celelalte cazuri de aproximatori universali.