Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ESEMPI DI INSIEMI FUZZY persone alte temperature medie numeri grandi terre lontane
INSIEME FUZZY
Un insieme fuzzy caratterizzato dal fatto che il grado di appartenenza di ogni elemento allinsieme pu essere un qualunque numero reale tra 0 e 1. Un insieme fuzzy A definito quindi da una funzione di appartenenza A : X [0,1] , essendo X luniverso di definizione. Luniverso X un insieme convenzionale (o crisp).
Spesso si usa il nome dellinsieme, che tipicamente unetichetta linguistica, per indicare la funzione di appartenenza e si scrive semplicemente A : X [0,1] .
I seguenti tre insiemi fuzzy sono definiti sullo stesso universo:
1 GIOVANE
MEZZA ETA`
VECCHIO
0 30 40 60 70 Anni
(x)
1
core
altezza supporto
x
(insieme crisp)
A normale se h ( A) =1
FUZZY SINGLETON (o FUZZY POINT) = insieme fuzzy il cui supporto un singolo punto.
ALPHA-CUT (o LAMBDA-CUT)
Consideriamo un insieme fuzzy A. Sia 0 1 . Un alpha-cut (o lambda-cut) un insieme crisp A = {x | A ( x ) }.
, 0 , 1, si ha A A , dove A 0 = X .
1 A
= 0.6 = 0.3
0 x
A0.6 A0.3
Un insieme fuzzy (definito su R n ) si dice convesso se tutti i suoi cut , (0,1] , sono insiemi convessi nel senso classico.
(x)
1 B
A 0 X
cio x1 appartiene ad A con grado di appartenenza A ( x1) , x2 con grado di appartenenza A ( x 2 ) , etc. (Osserviamo che la barra orizzontale non indica una frazione, ma semplicemente un delimitatore). (x) In particolare, un fuzzy singleton A = A . x
Universo X continuo:
(x) A= A . x
I simboli +,
indicano unione.
AB
A
0
B
x
AB ( x ) = max ( A ( x ), B ( x ))
AB
0 x
A B ( x ) = min ( A ( x ), B ( x ))
1 A A
0 x
A ( x ) =1 A ( x )
1 A B
0 X
A B A (x) B (x)
1 A
AA X
A
1 A
A A
A
10
(A B)( x ) = min [A ( x ), B( x )]
prodotto algebrico:
(A B)( x ) = A ( x ) * B( x )
bounded difference:
(A B)( x ) = max [A ( x ) + B( x ) 1, 0]
(A B)( x ) = max [A ( x ), B( x )]
somma algebrica:
(A B)( x ) = A ( x ) + B( x ) A( x )B( x )
bounded sum:
S (a , b) =1 T(1 a ,1 b) a , b[0,1]
detta t-conorma. Una t-conorma soddisfa le seguenti propriet:
1. S(a ,0) = a 2. monotonicit 3. commutativit 4. associativit
13
A ( x ) =1 A ( x )
round complement:
A( x ) = 1 [A( x )]2
Yager:
A( x ) =
1 x , s(1, ) 1+ sx
14
A B = {( x , y) | x A e yB}
Y B
A X
15
funzione caratteristica
1 se ( x , y)R R ( x , y) = 0 se ( x, y)R
Diagramma
a b c
X={1,2,3}, Y={a,b,c}
1 1 1 0 R = 2 0 1 1 3 0 1 1
16
Siano date le seguenti due relazioni R : X Y, S: Y Z . La relazione composta W = R S: X Z pu essere ottenuta come segue: composizione max-min
W ( x, z) = max(min( R ( x, y), S ( y, z) ))
yY
W ( x, z) = max ( R ( x, y) S ( y, z) ).
yY
17
RELAZIONE FUZZY
un insieme fuzzy definito sul prodotto cartesiano
R : X Y [0,1]
0 .0 0 .3 R
0 .5
0 .9
A x
19
Ne w Yo r k P e c hino Ne w Yo r k R o ma 1 0 .7
P a rigi .9 .6 .3
20
Analogamente si pu definire la composizione max-product fuzzy. In generale, sia nel caso di composizione crisp sia nel caso di composizione fuzzy, risulta R S S R .
21
y1
y2
z1
z2
=
z1
z2
La composizione coinvolge esattamente le stesse combinazioni di elementi di un prodotto tra matrici. Il prodotto e la somma sono sostituiti, rispettivamente, da min e max.
la composizione standard pu essere composizione sup-T, dove T una t-norma W ( x, y) = sup T [R ( x , y), S( y, z)]
yY
generalizzata
dalla
importante
per
il
ragionamento
22
23
[f (A)] ( y) =
sup
x | y =f ( x )
A( x ) AF(X)
f 1 : F(Y) F(X)
B2
f continua
f(x) B1
1 Bi(x)
0 A1 A2
24
Ai(x) 1
Pi in generale f : P(X1 X 2 ... X n ) P(Y) , dove P indica linsieme potenza crisp. Quindi:
B = f (A1, A 2 , ..., A n )
B ( y) =
{ [
]}
NUMERI FUZZY
I numeri fuzzy sono insiemi fuzzy definiti sui reali con funzione di appartenenza normale e convessa.
Il principio di estensione ci permette di estendere ai numeri fuzzy le operazioni aritmetiche standard sui numeri reali.
25
Sia * una delle 4 operazioni aritmetiche ( +, , , ). Siano I e J due numeri fuzzy. Definiamo un insieme fuzzy su (denotato I*J) come segue
(I * J ) (z) = sup min [I( x ), J( y)] . z = x*y Quindi:
.2 1 .2 .2 1 .2 1 +1= + + + + + = 0 1 2 0 1 2 min (0.2, 0.2) max [min (0.2,1), min(1, 0.2)] + 0 1 max [min (0.2, 0.2), min (1,1), min (0.2 0.2)] + 2 max [min (1, 0.2) min (0.2,1)] min (0.2, 0.2) + + 3 4 .2 .2 1 .2 .2 ~ = + + + + =2 0 1 2 3 4
I numeri fuzzy sono importanti per definire le variabili linguistiche, cio variabili i cui valori sono espressioni del linguaggio naturale.
26
B = {yY | ( x , y)R e x A}
quindi
B( y) = sup min[ A ( x ), R ( x , y)] . xX
Considerando linsieme fuzzy A come una relazione unaria, lespressione precedente analoga alla composizione sup-min.
27
VARIABILI LINGUISTICHE
Una variabile linguistica una variabile i cui valori sono termini linguistici.
Temperatura
VARIABILE LINGUISTICA
bassissima
bassa
media
alta
altissima
10
20
30
40
VARIABILE BASE
v (temperatura)
28
Una variabile linguistica definita in termini di una variabile base (variabile in senso classico), i cui valori sono numeri reali allinterno di un dato intervallo. I termini linguistici, che rappresentano valori approssimati della variabile base, sono interpretati come numeri fuzzy. Una variabile linguistica caratterizzata da una quintupla (v, T, X, g, m) dove v = nome della variabile
T = insieme dei termini linguistici di v; X = universo di definizione della variabile base; g = regola sintattica (una grammatica) per generare i termini linguistici (ad esempio, molto alta, non molto bassa); m = regola semantica che assegna a ciascun termine linguistico t T il suo significato, m(t), che un insieme fuzzy su X (universo di definizione della variabile base), cio m : T F(X) .
Una variabile linguistica definita attraverso i suoi termini primari (rappresentati nella figura precedente). I termini primari sono etichette di insiemi fuzzy: bassissima, bassa, media, alta e altissima.
29
MODIFICATORI LINGUISTICI
I termini atomici (quali medio, alto, buono, bello) del linguaggio naturale possono essere modificati con aggettivi o avverbi come molto, quasi, pi o meno, . Interpretando i termini atomici come insiemi fuzzy, leffetto di un modificatore linguistico quello di modificare la funzione di appartenenza di un termine atomico. Sia un termine atomico
( y) . y Y
2
Si ha, ad esempio:
" molto" =
[ ( y)]2
" leggermente" = =
[ ( y)]0.5
Le espressioni come la prima sono dette concentrazioni, perch riducono il grado di appartenenza di tutti gli elementi che sono parzialmente nellinsieme (riduzione dellincertezza). Pi basso il valore di appartenenza di un elemento ad un insieme fuzzy, pi ridotta la sua appartenenza mediante una concentrazione. Le espressioni come la seconda sono dette dilatazioni, perch incrementano lappartenenza di elementi che sono parzialmente nellinsieme (aumento dellincertezza).
30
1 A Concentrazione di A
0 x
1 Dilatazione di A
A
0 x
31
INTENSIFICAZIONE
Unaltra operazione sugli insiemi fuzzy linguistici lintensificazione. Questa operazione incrementa il grado di appartenenza degli elementi il cui valore di appartenenza originale > 0.5 e diminuisce il grado di appartenenza degli elementi il cui valore di appartenenza originale < 0.5. Lintensificazione pu essere espressa in vari modi, uno dei quali, proposto da Zadeh,
per 0.5 ( y) 1
per 0 ( y) 0.5
Lintensificazione aumenta il contrasto tra gli elementi dellinsieme con > 0.5 e quelli con < 0.5 .
1 A Intensificazione di A
0.5
0 x
32
TERMINI COMPOSTI
Il linguaggio naturale comprende, oltre ai termini atomici (alto, bello, ), anche i termini composti, ottenuti combinando termini atomici, connettivi logici e modificatori linguistici.
33
LOGICA CLASSICA
(LOGICA DEI PREDICATI DEL PRIMO ORDINE)
P : x A e Q : x B , con A, B X .
Quindi Se xA , allora T(P) = 1; altrimenti T(P) = 0, Se xB , allora T(Q) = 1; altrimenti T(Q) = 0. T(P) il valore di verit di P. P e Q possono essere combinate usando i seguenti cinque connettivi logici per formare nuove proposizioni: disgiunzione ( ) congiunzione ( ) negazione () implicazione ( ) equivalenza ( )
(P Q) : x A or x B . Quindi T (P Q) = T (P Q)
1, per T (P) = T (Q) ( P Q) : T ( P Q) = 0, per T (P) T (Q) P e Q sono equivalenti quando sono entrambe vere o entrambe false.
34
IMPLICAZIONE
IMPLICAZIONE CLASSICA
PQ
P antecedente (o ipotesi) Q conseguente (o conclusione)
Esempio: If 2 + 2 = 4, then 10 > 0 If 2 + 2 = 5, then 10 > 0 If 2 + 2 = 5, then 10 < 0 If 2 + 2 = 4, then 10 < 0 proposizione vera (Ipotesi vera Conclusione vera) proposizione vera (Ipotesi falsa Conclusione vera) proposizione vera (Ipotesi falsa Conclusione falsa) proposizione falsa (Ipotesi vera Conclusione falsa)
per cui
A A-B B
36
Q proposizione descritta dallinsieme B Y . Limplicazione P Q pu essere rappresentata in termini di insiemi dalla relazione R, equivalente alla regola linguistica IF A THEN B R = (A B) (A Y) IF A THEN B IF x A dove x X e A X THEN y B dove y Y e B Y Rappresentazione grafica dellimplicazione IF A THEN B:
IF A THEN B X
La regola IF A THEN B (proposizione P definita sullinsieme A nelluniverso X e proposizione Q definita sullinsieme B nelluniverso Y), cio
(P Q) = R = (A B) (A Y)
allora definita in termini di funzioni come
38
LOGICA FUZZY
La logica fuzzy costituisce il fondamento teorico del ragionamento approssimato.
PROPOSIZIONI FUZZY
P : X is A dove X una variabile che assume valori su un universo U ed A un insieme fuzzy su U. Ad esempio, A pu rappresentare un predicato fuzzy, come alto, medio, Il grado di verit di P T ( P) = A ( X )
1 0.7
MOLTO BASSA BASSA MEDIA ALTA MOLTO ALTA
10
20
30 33
40 Temperatura
Il grado di verit, T(P), dipende dal valore effettivo della temperatura e dalla definizione del predicato A (temperatura alta). Se X = 33, allora A(33) = 0.7 e T(P) = 0.7.
39
R ( x , y) = I[A ( x ), B( y)]
dove I denota implicazione fuzzy e A(X) e B(Y) sono i valori di verit delle proposizioni X is A e Y is B , rispettivamente. Quindi il grado di appartenenza R(x,y) della coppia (x,y) alla relazione R rappresenta il valore di verit della proposizione fuzzy condizionale
if X is A then Y is B .
40
Siano P e Q due proposizioni fuzzy. Analogamente al caso crisp abbiamo: negazione: T ( P ) =1 T ( P ) disgiunzione: P Q : x is A or B congiunzione: P Q : x is A and B implicazione: ( P Q)
41
IMPLICAZIONE FUZZY
Limplicazione fuzzy una funzione
I :[0,1][0,1] [0,1]
che, date due proposizioni fuzzy P e Q, definisce il valore di verit della proposizione condizionale IF P THEN Q. Tale funzione dovrebbe essere unestensione dellimplicazione classica, cio I(0,0) = I(0,1) = I(1,1) =1 e I(1,0) = 0 . Nella logica classica limplicazione pu essere definita in vari modi le cui estensioni alla logica fuzzy danno luogo a diversi operatori di implicazione fuzzy. Ad esempio, limplicazione (P Q) pu essere rappresentata sotto forma di regola IF X is A THEN Y is B ed equivalente alla relazione fuzzy R = (A B) (A Y) per cui, risolvendo il prodotto con la funzione min e lunione con la funzione max, una possibile espressione per loperatore di implicazione fuzzy la seguente: R ( x, y) = max{min[ A ( x ), B( y)],1 A ( x )}
(Zadeh)
42
R ( x, y) = min{ , [1 A ( x ) + B( y)]} 1
R ( x, y) = min{ A ( x ), B( y)}
.. Osserviamo che lespressione di Mamdani, bench spesso usata, non unestensione dellimplicazione classica, in quanto I(0,1)=min(0,1)=0. La scelta di un operatore di implicazione dipende dal contesto.
43
Esempio
Siano A =
AB =
44
RAGIONAMENTO APPROSSIMATO
Sia data la regola R : IF X is A THEN Y is B Dato un nuovo antecedente A si pu derivare un nuovo conseguente B mediante la composizione fuzzy B' = A' R Si pu usare la composizione max-min, la composizione max-product, etc. In generale,
B' ( y) = sup T [A ' ( x ), I(A ( x ), B( y))] xU
dove T una t-norma e I un operatore di implicazione fuzzy. Questa regola detta modus ponens generalizzato o regola composizionale di inferenza. Ogni scelta di T e di I genera una regola diversa. In modo analogo si pu ottenere anche il modus tollens generalizzato.
45
Esempio
Siano date le variabili X e Y definite su U ={x1, x 2 , x 3} e V ={y1, y 2 } , rispettivamente. Sia data la proposizione IF X is A THEN Y is B . Siano A =
0.5 1 0.6 + + x1 x 2 x 3
B=
1 0.4 . + y1 y 2
A' =
R=
0.9 0.7 . + y1 y 2
46
Re gola 2: IF X is A 2 THEN Y is B2
______________________________
Conclusione :
47
STRATEGIA FITA
Prima si applica la regola composizionale di inferenza alle singole regole, poi si combinano le conclusioni inferite dalle regole attraverso un operatore di aggregazione.
Sia data una base di n regole I(Ai ( x ), Bi ( y)), i =1, ..., n , ed un fatto A' ( x ) . La conclusione ottenuta con la strategia FITA
' B(1) = h (B1, ..., B'n ) ' dove Bi ( y) = A' ( x ) I(Ai ( x ), Bi ( y)) = sup T[A' ( x ), I(Ai ( x ), Bi ( y))] xU e h un operatore di aggregazione (di solito, il minimo o il massimo). Quindi, lapproccio FITA include nellordine: implicazione composizione aggregazione
48
STRATEGIA FATI
Prima si aggregano tutte le regole generando una relazione fuzzy globale R che laggregazione di tutte le relazioni di implicazione fuzzy corrispondenti alle singole regole, poi si applica la regola composizionale di inferenza al fatto e alla relazione R.
Sia data una base di n regole I(Ai ( x ), Bi ( y)), i =1, ..., n , ed un fatto A' ( x ) . La conclusione ottenuta con la strategia FATI
B(2) = A' ( x ) R ( x, y) = sup T(A' ( x ), R ( x , y)) xU dove R ( x, y) = h (I(A1( x ), B1( y)), ..., I(A n ( x ), Bn ( y))) e h un operatore di aggregazione. Quindi, lapproccio FATI include nellordine: implicazione aggregazione composizione
Risulta
B(2) B(1) .
49
Il connettivo AND interpretato come una congiunzione fuzzy, cio una relazione fuzzy R ( X1, ..., X m ) definita sul prodotto cartesiano X1 ... X m come segue: R (X1, ..., X m ) = i(A1( x1), ..., A m (X m )) dove i una t-norma. Quindi, dato un fatto X1 is A '1 AND ... AND X m is A'm si ha:
B' ( y) = ' sup T i(A1(X1), ..., A 'm (X m )), I(i(A1(X1), ..., A m (X m )), B( y)) x1 ,..., x m
dove T ed i sono t-norme (in generale, pu essere T i ). Di solito, essendo richiesta lidempotenza, i = minimo.
50
Regola n: IF X1 is A n1 AND ... AND X m is A nm THEN Y is Bn Consideriamo un sistema con due ingressi ed una uscita; il sistema descritto dalle seguenti due regole fuzzy: Regola 1: IF X1 is A11 AND X 2 is A12 THEN Y is B1 Regola 2: IF X1 is A 21 AND X 2 is A 22 THEN Y is B2 Supponiamo che i due ingressi crisp al sistema siano x1 e x2. Nella pagina successiva mostriamo graficamente il processo di inferenza fuzzy. Occorre innanzi tutto fuzzificare gli input: tipicamente, si considerano x1 ed x2 come fuzzy singleton. Usiamo poi il minimo per risolvere loperatore AND nellantecedente di ogni regola, e realizziamo anche loperatore di implicazione con il minimo (questo equivale a troncare la funzione di appartenenza dellinsieme conseguente con il minimo dei valori di appartenenza degli input agli insiemi fuzzy antecedenti). Infine usiamo il massimo come operatore di aggregazione degli insiemi fuzzy prodotti da ciascuna regola.
51
Regola 1
A11
B1
A21
A22
min B2
x1
X1
x2
X2
y*
Y
52
DEFUZZIFICAZIONE
Sia C linsieme fuzzy di uscita. In generale, C risulter dallunione di varie funzioni triangolari, trapezoidali, etc. Magari non tutte queste funzioni saranno normali. Occorre defuzzificare C per produrre un numero crisp.
METODI DI DEFUZZIFICAZIONE
Metodo della massima appartenenza (o metodo dellaltezza): usato solo per funzioni di uscita con un picco:
C(z*) C(z) z Z
1 C
z*
53
z *=
C(z) z dz C(z) dz
dove
1 C
z*
54
Metodo della media pesata: usato solo per funzioni di appartenenza simmetriche.
z *=
C( z ) z C( z )
dove
1 .9 .5 C
z *=
(.5a ) + (.9b) .5 + .9
55
Metodo della media dei massimi: simile al primo metodo eccetto il fatto che il valore massimo pu essere assunto in pi di un punto. Si ha a +b 2
z *=
C 1
z*
56
57