Sisteme Fuzzy.pdf

8/18/2019 Sisteme Fuzzy.pdf

1/31

Sisteme Fuzzy

Echipa: Ipate Oana-SimonaLoghin Maria MădălinaPolizu Georgiana LoredanaTeodor Elena-Mădălina


2/31

Cuprins

1. Ce este un sistem fuzzy?2. Logica fuzzy3. Logica fuzzy vs logica naturală4. Teoria mulțumilor fuzzy5. Avantajele și dezavantajele sistemelor fuzzy6. Comparație sisteme fuzzy - rețele neuronale

7. Etapele implementarii unei aplicații cu logică fuzzy8. Structura unui sistem cu logică fuzzy9. Domenii de utilizare a logicii fuzzy

10. Aplicație a logicii fuzzy


3/31

Ce este un sistem fuzzy?

Fuzzy: vag, neclar, imprecis, scămos, pufos, nuanţat

Lofti Zadeh(n.1921)

matematician, om de ştiinţă, profesor

inginer electrician, cercetător al inteligenţei artificiale


4/31

Importanţa relativă a preciziei

“Cât de importantă este precizia când este mulţumitor şi un răsp

aproximativ, dar semnificativ?”


5/31

Sistem expert bazat pe logica fuzzy


6/31

Logica fuzzy

“Pe măsură ce creşte complexitatea, formulările precise pierd din în

formulările pline de înţeles pierd din precizie.”


7/31

Trăsături specifice logicii fuzzy

· Raţionamentul exact este privit ca un caz limită al raţionamentului ap

· Orice situaţie este exprimată gradual;

· Orice sistem logic poate fi reprezentat în logica fuzzy(fuzzyficare);

· Cunoaşterea este interpretată ca o colecţie de restricţii fuzzy elastice

echivalenţă pe o colecţie de variabile;· Mulţimea fuzzy are asociată o funcţie caracteristică care ia valori în i

valorile acesteia descriind gradul de apartenenţă al unui element la acea mu


8/31

Diferenţe dintre logica naturală şi logica fuzz


9/31

Teoria mulțimilor fuzzy se utilizează pentr

● modelarea incertitudinilor - în funcție de cauzele incertitudinii, de cantitatea informațiilor disponibile;

● generalizarea modelelor și metodelor clasice, de caracterul gradua

● simplificare în scopul reduceri complexității datelor;

● procesarea cunoștințelor - motorul de inferență procesează expresiun anume sens.


10/31

Faţă de structurile de reglare clasice, sistemele fuzzy prezintă două mar

• în modul de descriere al procesului – inexactitatea sau chiar lipsa un procesului nu constituie un impediment;

• în modul de proiectare – parametrii acestuia au coresponden

cunoştinţele exprimate lingvistic de experţi.


11/31

Avantaje:

● Principalul avantaj al utilizării unor regulatoare fuzzy este faptul că nucunoaşterea modelului matematic;

● Utilizarea acestora va conduce la scădere semnificativă a timpului de d proiectare şi a implementării;

Dezavantaje:

● Sistemele fuzzy nu pot achiziționa automat regulile pe care le utilizeazdeciziilor;

● Datorită incompletitudinii cunoașterii, sistemele fuzzy se dovedesc a f


12/31

Sisteme hibride inteligente

Sisteme neuro-fuzzy

Rețele neuronale Sisteme cu logică fuzzy

( trăsături neuronale ) ( trăsături simbolice )

omogenitate, interpretare umancapacitate de învățare, control explicit,

efectuarea de sarcini distribuite abstractizarea cun


13/31

Sisteme fuzzy Sisteme neuronale

Avantaje

· Încorporează cunoștiințe predefinite bazate pe

reguli;· Sunt interpretabile (reguli dacă-atunci);· Oferă o implementare simplă;· Cunoștiințele sunt disponibile în orice moment.

· Pot învăța fără nicio informație inițială;

· Există mai multe paradigme de învățarediverselor situații;

· Există o multitudine de algoritmi de învdisponibili în literatura de specialitate.

Dezavantaje

· Nu pot învăța;· Trebuie să dispună de reguli stabilite apriori;

· Nu există metode formale pentru ajustarea regulilor;· Numărul variabilelor de intrare este relativ mic.

· Sunt „cutii negre” simbolice;· Necesită algoritmi de învățare complecș

· Nu există garanția că învățarea convergsoluție;· Prezintă dificultăți în extragerea cunoști

structurale.

Dosoftei, C., Utilizarea inteligenței computaționale în conducerea proceselor, Teză de doctorat, pag. 35

http://www.ace.tuiasi.ro/users/103/2009-Dosoftei%20Catalin%20PhD%202009.pdf


14/31

1. Identificare intrări, ieșiri2. Stabilire univers discuție, variabile/valori lingvistice, funcții de ap

3. Stabilire metode de inferență, defuzzificare

4. Implementare efectivă

5. Testare, evaluare performanțe

6. Revenire la etapele anterioare, dacă este cazul

Etapele implementării unei aplicații cu logică


15/31

Structura unui sistem cu logică fuzzy

Sursa: http://www.bel.utcluj.ro/dce/didactic


16/31

➔ Servește pentru stocarea tuturor elementelor cunoașterii (fapte, regde rezolvare, euristici) specifice domeniului de aplicație, preluate d

umani sau din alte surse.➔ Regulile fuzzy sunt obtinute cu ajutorul operatiilor.

Baza de cunoștințe a SLF

Reguli în logica clasică Reguli în logica fuz

Dacă temperatura este -5 atunci vremea este rece; Dacă temperatura este joasă atunci vreme

Dacă temperatura este 15 atunci vremea este călduţă; Dacă temperatura este medie atunci vrem

Dacă temperatura este 35 atunci vremea este caniculară; Dacă temperatura este ridicată atunci vre

O țiil / t ii SLF


17/31

1. Fuzzificare

Se transformă fiecare dată brută de intrare într-o variabilă lingvistică.

Cum?Pentru o valoare brută dată a unei variabile (care poate aparţine uneia sau mmulţimi fuzzy) se calculează valoarea asociată funcţiei caracteristice coresp

pentru fiecare dintre mulţimile de apartenenţă (folosind funcţia de apartene

Exemplu:Variabilă brută: temperatura TVariabile lingvistice asociate: redusă A1, medie A2, înaltă A3

Operațiile/operatorii SLF

O țiil / t ii SLF


18/31

2. Inferență

- cea mai complexă operaţie dintr-un SLF;- utilizează mulțimile fuzzy de intrare și ieşire ale SLF;- transforma intrările fuzzy în ieşiri fuzzy prin aplicarea regulilor din baza d

Inferenţa trebuie să:

• deducă pe baza valorii fuzzy de intrare și pe baza fiecărei reguli fuzzy, rezde ieșire al regulii Ri.• combine toate rezultatele parţiale fuzzy de ieșire, Yi*, i=1,…, M, într-o si

fuzzy de ieşire Y* - agregarea rezultatelor parțiale.


O țiil / t ii SLF


19/31

3. Compoziție - reprezintă procesul în care toate subseturile fuzzy corespu

unei ieșiri, sunt combinate între ele, rezultând un singur subset fuzzy pentru

4. Defuzzificare

- operație inversă fuzzificării;- fiecare regiune de ieşire trebuie defuzzificată pentru a produce valori c

Cea mai des folosită metodă de defuzzificare – COA (center of area/centroi



20/31

1. Business 4. Armata

- Luarea de decizii - Determinarea ț

- Sisteme de data mining - Sisteme de ghi

2. Chimie 5. Transporturi

- Dozarea substanțelor in reacții - Sisteme de tran

- Reglarea condițiilor de reactie - Controlul sistem

3. Comunicații 6. Finanțe

- QoS - Managementul

- Filtre adaptative - Previziuni la bu

În ce se utilizează logica Fuzzy?


21/31

7. Medical 9. Robotică

- Controlul presiunii arteriale în timpul operației - Controlul efe- Diagnosticarea cancerului, bolii Alzheimer, diabetului - Determinarea

8. Industrie 10. Electronica

- Controlul temperaturii în furnale - Sisteme de cl- Controlul tratamentului apelor curate/uzate - Sisteme de te

- Controlul calitații cuptoare, mașin

În ce se utilizează logica Fuzzy?

Instrumente de modelare


22/31

Instrumente de modelare

Fuzzy Knowledge Builder: este un editor de reguli şi seturi fuzzy în mod g

Judgement Maker: este un soft de asistare a deciziei care descompune un uşor de analizat (şi de descris pentru expertul uman), după care înregistreazcomponente şi alege alternativa optimă.

Fuzzy Engine este un program open source realizat în Java, oferă o serie de permiţând evaluarea regulilor fuzzy (integrarea raţionamentului fuzzy (evalJava (operaţii de intrare-ieşire).

Fuzzy Logic Toolbox suportă proiectarea şi analiza sistemelor bazate pe lo(dezvoltare, documentare, proiectare, simulare, implementare).


23/31

Modulul fuzzy toolbox

Implementarea tehnicilor bazate pe logica fuzzy toolbox

Permite:

● introducerea,

● organizarea,

● prezentarea informațiilor.

Exemplu:

● analiza riscului proiectelor de investiție


24/31

FIS Editor Adăugare va


25/31

Funcțiile de apartenență Incrementarea numapartenen


26/31

Schimbarea formei funcției deapartenență

Configurarea parampentru funcțiile de ap


27/31

Definirea funcțiapartenență pent

Ajustarea profilului funcțieide apartenență


28/31

Editarea bazei de cunoștințe Vizualizarea re


29/31

Exemplul 3D- pentru aplicație cu mașina de sp

CO C


30/31

CONCLUZII

De ce să utilizăm logica fuzzy?1. ușor de înteles și utilizat (intuitivă, concepte matematice simple)

2. flexibilitate3. toleranță la date imprecise4. poate modela funcții complexe, cu nivel ridicat de precizie5. poate utiliza cunoștințele experților 6. se poate combina cu tehnici convenționale de control7. se bazează pe limbaj natural

Nu vom utiliza logica fuzzy dacă...1. există deja o soluție simplă2. există controllere care funcționează foarte bine3. nu este convenabilă din diferite motive


31/31

Sisteme Fuzzy.pdf

Documents