Dis Pens A Fuzzy Spec

Sistemi Intelligenti Corso di Laurea Specialistica in Ingegneria Informatica Corso di Laurea Specialistica in Ingegneria Informatica per la Gestione dAzienda
Introduzione agli Insiemi Fuzzy e alla Logica Fuzzy

Prof. Beatrice Lazzerini Dipartimento di Ingegneria dellInformazione Via Diotisalvi, 2 56122 PISA
Prof. Beatrice Lazzerini
Introduzione agli insiemi fuzzy e alla logica fuzzy
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
supporto: {x X | A ( x ) > 0} (insieme crisp)

core: {x X | A ( x ) =1} altezza: h (A ) = sup A ( x ) xX
(insieme crisp)
A normale se h ( A) =1
A subnormale 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
A insieme fuzzy subnormale convesso B insieme fuzzy normale non convesso
Come si denota un insieme fuzzy
Universo discreto X = {x1, x2, }:
A ( x1) A ( x 2 ) A (xi ) A= + + ... = x2 xi x1 i
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.
UNIONE di insiemi fuzzy
AB
A
0
B
x
AB ( x ) = max ( A ( x ), B ( x ))
INTERSEZIONE di insiemi fuzzy
AB
0 x
A B ( x ) = min ( A ( x ), B ( x ))
COMPLEMENTO di un insieme fuzzy
1 A A
0 x
A ( x ) =1 A ( x )
INCLUSIONE di insiemi fuzzy
1 A B
0 X
A B A (x) B (x)
Non vale la legge del mezzo escluso
1 A
AA X
A
Non vale la legge di contraddizione
1 A
A A
A
10
Definizioni alternative di intersezione fuzzy

Ogni definizione deve essere unestensione dellintersezione di insiemi tradizionali: intersezione standard:
(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]
In generale, ( A B)( x ) = T [ A ( x ), B( x )] con T = norma triangolare.
NORMA TRIANGOLARE (t-norma)

Una norma triangolare una funzione T :[0,1][0,1] [0,1] tale che
1. T (a ,1) = a a [0,1] 2. T (a , b) T( u, v) se a u, b v 3. T (a , b) = T (b, a ) 4. T (T (a , b), c) = T (a , T ( b, c))
monotonicit commutativit associativit
I primi 3 assiomi assicurano che lintersezione fuzzy coincide con
lintersezione classica se applicata ad insiemi classici.

11
Definizioni alternative di unione fuzzy

Ogni definizione deve essere unestensione dellunione di insiemi tradizionali: unione standard:
(A B)( x ) = max [A ( x ), B( x )]
somma algebrica:
(A B)( x ) = A ( x ) + B( x ) A( x )B( x )
bounded sum:
(A B)( x ) = min [A ( x ) + B( x ) ,1]
In generale, ( A B)( x ) = S[ A ( x ), B( x )] con S = conorma triangolare.
CONORMA TRIANGOLARE (t-conorma o s-norma)

Sia T una t-norma. Allora S:[0,1][0,1] [0,1] definita da
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
I primi 3 assiomi assicurano che lunione fuzzy coincide con
lunione classica se applicata ad insiemi classici.

12
PROPRIET DI INTERSEZIONE E UNIONE FUZZY STANDARD

Tra tutte le possibili intersezioni ed unioni fuzzy, le operazioni standard possiedono le seguenti propriet: lintersezione fuzzy standard (operatore di minimo) produce linsieme fuzzy pi grande fra quelli prodotti da tutte le possibili intersezioni fuzzy (maggiore incertezza); lunione fuzzy standard (operatore di massimo) produce linsieme fuzzy pi piccolo fra quelli prodotti da tutte le possibili unioni fuzzy (minore incertezza).
13
Definizioni alternative di complemento fuzzy

complemento standard:
A ( x ) =1 A ( x )
round complement:
A( x ) = 1 [A( x )]2
Yager:
A( x ) = (1 [A( x )]p )1 p , p(0, )

Sugeno:
A( x ) =
1 x , s(1, ) 1+ sx
In generale, A( x ) = C( A( x )) dove C :[0,1] [0,1] tale che valgono le seguenti propriet:

1. (C C)( x ) = x (involutiva) 2. C strettamente decrescente 3. C continua 4. C(0) =1, C(1) = 0
14
PRODOTTO CARTESIANO CONVENZIONALE
A, B insiemi classici (crisp)
A B = {( x , y) | x A e yB}
Y B
A X
15
RELAZIONE TRA INSIEMI CLASSICI

(RELAZIONE CRISP) un sottoinsieme del prodotto cartesiano.
Rappresentazione di relazioni crisp
funzione caratteristica
1 se ( x , y)R R ( x , y) = 0 se ( x, y)R
Diagramma
Matrice di relazione (numero dimensioni = numero insiemi)
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
COMPOSIZIONE DI RELAZIONI CRISP
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
con W funzione caratteristica; composizione max-product (o max-dot) W = R S: X Z
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
R R E , con E relazione completa R R O , con O relazione nulla

1 1 1 E = 1 1 1 1 1 1 0 0 0 O = 0 0 0 0 0 0
18
PRODOTTO CARTESIANO DI INSIEMI FUZZY
Dati A : X [0,1], B: Y [0,1] , il prodotto cartesiano A B una relazione fuzzy:

A B : X Y [0,1]
X Y ( x, y) = min (A( x ), B( y))
A x
19
RAPPRESENTAZIONE DI RELAZIONI FUZZY

Sia R la relazione che rappresenta il concetto molto lontano tra gli insiemi X ={New York, Parigi} e Y ={Pechino,New York, R om a} . R pu essere rappresentata come segue: matrice
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
R (X, Y) =1 ( New York, Pechino) + 0 ( New York, New York) + ...
20
Esempio di relazione (prodotto cartesiano di insiemi fuzzy)

A= 0.2 0.5 1 + + x1 x 2 x 3
B= 0.3 0.9 + y1 y 2
y1 y 2 x1 0.2 0.2 A B = R = x 2 0.3 0.5 x 3 0.3 0.9

COMPOSIZIONE di relazioni fuzzy
R relazione fuzzy su X Y , S relazione fuzzy su Y Z , e W = R S relazione fuzzy su X Z : composizione max-min fuzzy (o composizione standard):
W ( x , z) = max min R ( x , y), S( y, z)

yY
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
ESEMPIO DI COMPOSIZIONE STANDARD
y1
y2
z1
z2
=
z1
z2
x1 0.3 0.8 x 2 0.6 0.9 P
y1 0.5 0.9 y 2 0.4 1 Q
x1 0.4 0.8 x 2 0.5 0.9 PQ
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
Questa generalizzazione approssimato.
importante
per
il
ragionamento
22
Estensione di una funzione crisp

Una funzione crisp f : X Y pu essere estesa in f : P(X) P(Y) come segue:
A P(X) : f (A) = {y | y = f ( x ), x A}.
P(X) linsieme potenza (cio linsieme dei sottoinsiemi) di X.

Y f(x)
La funzione inversa f segue:
pu essere estesa in f 1 : P(Y ) P(X ) come
BP(Y) : f 1 (B) = {x | f ( x )B}
23
Fuzzificazione di una funzione crisp

Una funzione crisp pu essere fuzzificata estendendola ad operare su insiemi fuzzy.
PRINCIPIO DI ESTENSIONE
f : X Y induce due funzioni: f : F(X ) F(Y )
[f (A)] ( y) =
sup
x | y =f ( x )
A( x ) AF(X)
f 1 : F(Y) F(X)
[f 1(B)] ( x ) = B(f ( x )) B F(Y)
F(X) linsieme potenza fuzzy di X.

Se X e Y sono finiti, sup sostituito da max.
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) =
sup min A ( x1), A ( x 2 ), ..., A ( x n ) 1 2 n y =f ( x1 , x 2 ,..., x n )
{ [
]}
NUMERI FUZZY
I numeri fuzzy sono insiemi fuzzy definiti sui reali con funzione di appartenenza normale e convessa.
Il numero fuzzy uno pu essere rappresentato, ad esempio, come segue:

.2 1 .2 1= + + 0 1 2
oppure ~
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
ANCORA SUL PRINCIPIO DI ESTENSIONE

Una relazione binaria generalizza una funzione. Si pu applicare il principio di estensione
Y R crisp B
B = {yY | ( x , y)R e x A}
quindi
B( y) = sup min[ A ( x ), R ( x , y)] . xX
Se R una relazione fuzzy ed A un insieme fuzzy, linsieme fuzzy B definito da

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
VALORI LINGUISTICI REGOLA SEMANTICA
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,
2 2 ( y ) "int ensifica" = 1 2[1 ( y)]2
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)
Siano P e Q due proposizioni sullo stesso universo di definizione X:
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) = max (T(P), T(Q)) P Q : x A and x B. Quindi T (P Q) = min (T(P), T(Q))

Se T (P) =1 , allora T (P) = 0 . Se T (P) = 0 , allora T (P) =1
(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)
Quindi T ( P Q) = T ( P ) T (Q) Considerando gli insiemi si ha

P Q A B= A B
per cui
T (P Q) = T (P Q) = max (T (P), T (Q))

Abbiamo ottenuto una formula per calcolare il valore di verit dellimplicazione nel caso in cui gli insiemi A e B sono contenuti nello stesso universo.
35
Rappresentazione grafica (diagramma di Venn) dellimplicazione nel caso in cui A, B X :
A A-B B
La regione grigia quella in cui limplicazione vera.
36
Supponiamo che limplicazione coinvolga due universi X e Y: P proposizione descritta dallinsieme A X ,
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
Le regioni grigie del diagramma di Venn rappresentano il dominio di verit dellimplicazione.

37
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
R ( x, y) = max [( A ( x ) B( y)), ((1 A ( x )) 1] = max [( A ( x ) B( y)), (1 A ( x )]
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
PROPOSIZIONI FUZZY CONDIZIONALI

Le proposizioni fuzzy condizionali sono relazioni tra variabili linguistiche: p : if X is A then Y is B dove X e Y sono variabili definite, rispettivamente, su U e V, A e B sono insiemi fuzzy su U e V, rispettivamente. Una proposizione condizionale rappresentata da una relazione R, che un insieme fuzzy su U V cos definito:
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)
T (P Q) = max (T(P), T (Q)) T (P Q) = min (T (P), T(Q))

Esistono pi modi per definire limplicazione fuzzy
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
ALTRE ESPRESSIONI PER LOPERATORE DI IMPLICAZIONE FUZZY

R ( x, y) = max{1 A ( x ), B( y)}
Kleene-Dienes Lukasiewicz Mamdani
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 =
0.1 0.8 1 0.5 1 + + e B= + . x1 x 2 x 3 y1 y 2
Consideriamo limplicazione di Lukasiewicz: I(x,y) = min(1, 1-x+y) Allora
AB =
1 1 0.7 1 0.5 1 + + + + + x1, y1 x1, y 2 x 2 , y1 x 2 , y 2 x 3 , y1 x 3 , y 2
Questo significa, ad esempio, che
T (A B) =1 quando x = x1 e y = y1 T (A B) = 0.7 quando x = x 2 e y = y1
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
Sia dato un fatto espresso dalla proposizione X is A ' con
A' =
0.6 0.9 0.7 . + + x1 x 2 x 3
Usando limplicazione di Lukasiewicz I = min(1, 1-x+y), abbiamo
R=
1 0.9 1 0.4 1 0.8 . + + + + + x1, y1 x1, y 2 x 2 , y1 x 2 , y 2 x 3 , y1 x 3 , y2
Applicando il modus ponens generalizzato con T=min otteniamo
B' ( y1) = sup min [A' ( x ), R ( x , y1)]

xU
= max [min (0.6,1), min(0.9,1), min(0.7,1)] = 0.9

B' ( y 2 ) = sup min [A' ( x ), R ( x , y 2 )]
xU
= max [min (0.6, 0.9), min(0.9, 0.4), min(0.7, 0.8)] = 0.7

Si pu concludere Y is B' dove B' =
0.9 0.7 . + y1 y 2
46
SISTEMI FUZZY CON PI REGOLE

Re gola 1: IF X is A1 THEN Y is B1
Re gola 2: IF X is A 2 THEN Y is B2
... Re gola n : IF X is A n THEN Y is Bn Fatto : X is A' Y is B'
______________________________
Conclusione :
Ogni regola produce una conclusione.
Esistono due possibili strategie per combinare le n conclusioni:

FITA (First Infer Then Aggregate) FATI (First Aggregate Then Infer)
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
REGOLE SISO (Single-Input Single-Output)

Sono regole con un solo antecedente: IF X is A THEN Y is B
REGOLE MISO (Multi-Input Single-Output)

Sono regole con pi antecedenti:
IF X1 is A1 AND X 2 is A 2 ... AND X m is A m THEN Y is B1
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
TECNICHE GRAFICHE DI INFERENZA

Un sistema fuzzy con m ingressi ed una singola uscita descritto da una collezione di n regole IF-THEN: Regola 1: IF X1 is A11 AND ... AND X m is A1m THEN Y is B1 Regola 2: IF X1 is A 21 AND ... AND X m is A 2m THEN Y is B2
.............
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
A12 min X1 Regola 2 X2
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
Metodo del centroide (o centro di gravit): il pi usato:
z *=
C(z) z dz C(z) dz
dove
denota integrazione algebrica.
1 C
z*
54
Metodo della media pesata: usato solo per funzioni di appartenenza simmetriche.
z *=
C( z ) z C( z )
dove
pesata con il suo valore di appartenenza massimo. Esempio:
denota somma algebrica. Ogni funzione membro nelluscita
1 .9 .5 C
z *=
(.5a ) + (.9b) .5 + .9
dove a e b sono le medie delle rispettive funzioni.
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 *=
dove a e b sono definiti come segue:
C 1
z*
a = inf {z | C(z) = h (C)} b = sup {z | C(z) = h (C)} con h = altezza di C.
56
SCELTA DEL METODO DI DEFUZZIFICAZIONE

La scelta del metodo dipende dal contesto e dal problema. Possono comunque essere tenuti presenti alcuni criteri per misurare la bont di un metodo, quali 1) continuit: un piccolo cambiamento nellinput di un processo fuzzy non dovrebbe produrre un grande cambiamento nelloutput. 2) Non ambiguit: un metodo di defuzzificazione dovrebbe produrre un solo valore per z*. 3) Plausibilit: per essere plausibile, z* dovrebbe trovarsi approssimativamente nel mezzo del supporto di C ed avere un alto grado di appartenenza a C. 4) Semplicit computazionale: per esempio, il metodo dellaltezza e il metodo della media dei massimi sono pi semplici del metodo del centroide.
57

Dis Pens A Fuzzy Spec

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Dis Pens A Fuzzy Spec

Caricato da

Copyright:

Formati disponibili

Sistemi Intelligenti Corso di Laurea Specialistica in Ingegneria Informatica Corso di Laurea Specialistica in Ingegneria Informatica per la Gestione dAzienda

Introduzione agli Insiemi Fuzzy e alla Logica Fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

supporto: {x X | A ( x ) > 0} (insieme crisp)

A subnormale se h (A) <1

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

A insieme fuzzy subnormale convesso B insieme fuzzy normale non convesso

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Come si denota un insieme fuzzy

Universo discreto X = {x1, x2, }:

A ( x1) A ( x 2 ) A (xi ) A= + + ... = x2 xi x1 i

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

UNIONE di insiemi fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

INTERSEZIONE di insiemi fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

COMPLEMENTO di un insieme fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

INCLUSIONE di insiemi fuzzy

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Non vale la legge del mezzo escluso

Non vale la legge di contraddizione

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Definizioni alternative di intersezione fuzzy

In generale, ( A B)( x ) = T [ A ( x ), B( x )] con T = norma triangolare.

NORMA TRIANGOLARE (t-norma)

monotonicit commutativit associativit

I primi 3 assiomi assicurano che lintersezione fuzzy coincide con

lintersezione classica se applicata ad insiemi classici.

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Definizioni alternative di unione fuzzy

(A B)( x ) = min [A ( x ) + B( x ) ,1]

In generale, ( A B)( x ) = S[ A ( x ), B( x )] con S = conorma triangolare.

CONORMA TRIANGOLARE (t-conorma o s-norma)

I primi 3 assiomi assicurano che lunione fuzzy coincide con

lunione classica se applicata ad insiemi classici.

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

PROPRIET DI INTERSEZIONE E UNIONE FUZZY STANDARD

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

Definizioni alternative di complemento fuzzy

A( x ) = (1 [A( x )]p )1 p , p(0, )

In generale, A( x ) = C( A( x )) dove C :[0,1] [0,1] tale che valgono le seguenti propriet:

Prof. Beatrice Lazzerini

Introduzione agli insiemi fuzzy e alla logica fuzzy

PRODOTTO CARTESIANO CONVENZIONALE

A, B insiemi classici (crisp)

Prof. Beatrice Lazzerini

con W funzione caratteristica; composizione max-product (o max-dot) W = R S: X Z

x1 0.3 0.8 x 2 0.6 0.9 P

x1 0.4 0.8 x 2 0.5 0.9 PQ