Professional Documents
Culture Documents
Predavanje 9 Slajdovi
Predavanje 9 Slajdovi
Predavanje 9 Slajdovi
Dinko Osmankovic
Kurs: Matemati
cka logika i teorija izra
cunljivosti
Ak. godina: 2015./2016.
etf-logo.png
Sadrzaj predavanja
1 Fuzzy logika
Osnovni pojmovi fuzzy logike
Fuzzy logicki operatori
T- i S-norm operatori
Fuzzy implikacija
2 Fuzzy skup
Operacije sa fuzzy skupovima i osobine fuzzy skupova
4 Aproksimativno rezonovanje
Generalizirani modus ponens
Mamdani rezonovanje
Defuzzyfikacija
etf-logo.png
etf-logo.png
etf-logo.png
Definicija
Fuzzy konjunkcija, fuzzy disjunkcija i fuzzy negacija su definirane na
sljedeci nacin:
x y = min{x, y }
x y = max{x, y }
x = 1x
etf-logo.png
Mreza (resetka)
Definicija
Algebarska struktura (L, , ) koja se sastoji iz skupa L i dvije operacije
i nad L se naziva mreza (resetka) ako vrijede sljedeci aksiomi za
svako a, b, c L:
komutativnost - a b = b a, a b = b a
asocijativnost - a (b c) = (a b) c, a (b c) = (a b) c
apsorpcija - a (a b) = a, a (a b) = a
etf-logo.png
T- i S-norm operatori
t(x, y ) = 1s(1x, 1y )
etf-logo.png
Koristeni komplementi:
Zadehov - x = 1 x
Sugenov - c (x) = (1 x)/(1 + x)
Yagerov - cp (x) = (1x p )1/p gdje je p > 0
Od komplemenata se u fuzzy logici, pored zahtjeva da bude 0 = 1 i 1 = 0, jos
zahtijeva da budu involutivni, tj. da vrijedi (x ) = x, da su monotoni u smislu da
x < y x > y i da preslikavanje x x bude neprekidna funkcija.
etf-logo.png
Fuzzy implikacija 1
Generalno je prihva
ceno da neku operaciju mo
zemo zvati implikacijom samo
ukoliko za svaku vrijednost x vrijedi 0 x = 1 (iz potpune la
zi se mo
ze izvesti bilo
sta), x 1 = 1 (potpuna istina se mo
ze izvesti iz bilo
cega) i 1 0 = 0 (apsolutno
je neta
cno da se potpuna la
z mo
ze izvesti iz potpune istine), kao i da za sve
vrijednosti x, y i z iz pretpostavke x < y slijedi z x z y (pri porastu stepena
istine zaklju
cka, stepen ta
cnosti zaklju
civanja se ne smanjuje) i x z y z (pri
porastu stepena istine pretpostavke, stepen ta
cnosti zaklju
civanja se ne pove
cava).
etf-logo.png
Fuzzy implikacija 2
etf-logo.png
Fuzzy skup
Klasi
cni skup se mo
ze zadati specikacijom A = {x|P(x)}, gdje je P(x) neki
otvoreni uvjet (predikat)
Fuzzy skup dobijamo ukoliko predikat P zamijenimo nekom funkcijom
cije
vrijednosti le
ze unutar segmenta [0..1]
Vrijednost (x) = 0 zna
ci da element x sigurno ne pripada skupu, vrijednost
(x) = 1 zna
ci da element x sigurno pripada skupu, dok za 0 < x < 1 je
pripadnost skupu nejasnu, pri
cemu ve
ca vrijednost (x) zna
ci izvjesniju
pripadnost.
Denicija
Fuzzy skup se denira kao ureden par (U, ), gdje su U univerzalni skup i
preslikavanje : U [0..1].
Funkciju pripadnosti mo
zemo denirati tako sto
cemo uzeti da je (x) = 0 za
sve ljude koji su ni
zi od 160 cm, (x) = 1 za sve ljude vise od 200 cm, dok za
zemo uzeti da (x) raste linearno
ljude visoke izmedu 160 cm i 200 cm mo
etf-logo.png
Ukoliko umjesto fuzzy disjunkcije i fuzzy konjunkcije uzmemo neku drugu s-normu odnosno t-normu,
mo
zemo dobiti brojne druge operacije sa fuzzy skupovima
Uzmemo li umjesto fuzzy disjunkcije algebarski zbir, a umjesto fuzzy konjunkcije algebarski proizvod,
dobijamo algebarski zbir A + B odnosno algebarski proizvod fuzzy skupova A B
etf-logo.png
Denicija
Fuzzy Dekartov proizvod dva fuzzy skupa A = {x|A (x)} i B = {x|B (x)} se denira
kao A B = {(x, y )|A (x) B (y )}
Denicija
Koncentracija i dilatacija fuzzy skupa A = {x|A (x)}, u oznakama con(A) i dil(A),
deniraju se kao con(A) = {x|(x)2 } odnosno dil(A) = {x|(x)1/2 }.
Denicija
Za fuzzy skup A = {x|A (x)} se ka
ze da je podskup fuzzy skupa B = {x|B (x)}
ukoliko vrijedi A (x) B (x), odnosno pravi podskup ukoliko je pri tome barem za
jednu vrijednost domena A (x) 6= B (x). Sli
cno kao kod klasi
cnih skupova, ove
odnose ozna
cavano kao A B odnosno A B.
etf-logo.png
Denicija
Za fuzzy skup A = {x|A (x)} ka
zemo da je normaliziran ukoliko je barem negdje
A (x) = 1, tj. ukoliko im barem jedan element u potpunosti pripada, a suprotnom je
fuzzy skup subnormalan.
Denicija
Skup svih vrijednosti x za koje je (x) 6= 0, u oznaci supp(A), naziva se nosa
c (engl.
support) fuzzy skupa A, dok se skup svih vrijednosti x za koje je (x) = 1, u oznaci
core(A), naziva tolerancija (engl. core) fuzzy skupa A. Dakle, skup je normaliziran
ukoliko mu tolerancija nije prazna.
Denicija
Fuzzy skup A = {x R|(x)} kod kojeg je (x) = 1 samo za jednu ksnu broj
canu
vrijednost x = x0 i kod kojeg (x) monotono opada kada se x udaljava od x0 naziva
fuzzy broj.
etf-logo.png
xj U
(xi )/xi
A=
(xi )/xi
xj U
etf-logo.png
Primjer
Fuzzy skup A koji sadrzi 3 elementa x1 , x2 i x3 ciji su stepeni pripadnosti
respektivno 0.3, 1 i 0.75 (tj. A (x1 ) = 0.3, A (x2 ) = 1 i A (x3 ) = 0.75),
u teoriji fuzzy skupova se zapisuje kao:
X
A=
(xi )/xi = 0.3/x1 + 1/x2 + 0.75/x3
xj U
etf-logo.png
Fuzzy relacija 1
Fuzzy relacije formaliziraju intuitivne odnose poput pribli
zno jednako, skoro
isto, principijelno ve
ce, mnogo manje, itd.
ciji je stepen ispunjenja stvar
subjektivne procjene
Denicija
N-arna fuzzy relacija R izmedu (obi
cnih) skupova A1 , A2 , ..., An jeste ma kakav fuzzy
podskup Dekartovog proizvoda A1 A2 ... An , odnosno
R = {(x1 , x2 , ..., xn )|(x1 , x2 , ..., xn )} pri
cemu je funkcija pripadnosti (x1 , x2 , ..., xn )
denirana nad domenom A1 A2 ... An .
Primjer
Neka su dati skupovi X = {zelena,
zuta, crvena } i Y = { nezrela, poluzrela, zrela }
koji respektivno opisuju mogu
ce boje neke vo
cke, kao i mogu
ca stanja njene zrelosti.
Izmedu skupova X i Y mogu
ce je uspostaviti fuzzy relaciju koja povezuje boju vo
cke sa
njenim stanjem zrelosti:
R = 1/(zelena, nezrela) + 0.5/(zelena, poluzrela) + 0.25/(
z uta, nezrela) +
+1/(
z uta, poluzrela) + 0.25/(
z uta, zrela) + 0.5/(crvena, poluzrela) + 1/(crvena, zrela)
etf-logo.png
Fuzzy relacija 2
Primjer
M
zeleno
zuto
crveno
nezrelo
1
0.25
0
1
M = 0.25
0
poluzrelo
0.5
1
0.5
0.5
1
0.5
zrelo
0
0.25
1
0
0.25
1
etf-logo.png
U slu
caju kada je skup B beskona
can, mo
ze se dogoditi da skup
ciji se
maksimum tra
zi nema maksimuma (npr. interval (0..1) nema maksimuma u
skupu R) pa se operacija maksimuma mo
ze se zamijeniti operacijom
supremuma (u odnosu na klasi
cni poredak dat relacijom ) i tada govorimo o
sup-min kompoziciji
Za slu
caj kona
cnog skupa B, operacije maksimuma i supremuma daju isti
rezultat
etf-logo.png
Primjer
Date su dvije fuzzy relacije R1 i R1 ,
cije su relacijske matrice M1 i M2 prikazane
ispod. Odrediti relacione matrice M1 M2 , M1 M2 i M1 < + > M2 koje odgovaraju
redom njihovim max-min, max-proizvod i max-prosjek kompozicijama.
0.1
M1 = 0.3
0.8
0.2
0.5
0
0
0
1
1
0.2
0.4
0.7
1
0.3
0.9
0.2
M2 = 0.8
0.4
0
0
1
0
0.2
1
0.3
0.8
0.7
0.3
0
0.4
0
1
0
0.8
Za slu
caj matice M1 M2 vrijedi:
c1,1 = max{min{a1,k , bk,1 |k = 1..n}} =
max{min{0.1, 0.9}, min{0.2, 0.2}, min{0, 0.8}, min{1, 0.4}, min{0.7, 0}} =
max{0.1, 0.2, 0, 0.4, 0} = 0.4
Analogno se odreduju i ostali koecijenti, te i matrice M1 M2 i M1 < + > M2
etf-logo.png
Primjer
Date su dvije fuzzy relacije R1 i R1 ,
cije su relacijske matrice M1 i M2 prikazane
ispod. Odrediti relacione matrice M1 M2 , M1 M2 i M1 < + > M2 koje odgovaraju
redom njihovim max-min, max-proizvod i max-prosjek kompozicijama.
0.1
M1 = 0.3
0.8
0.2
0.5
0
0
0
1
1
0.2
0.4
0.7
1
0.3
0.9
0.2
M2 = 0.8
0.4
0
0
1
0
0.2
1
0.3
0.8
0.7
0.3
0
0.4
0
1
0
0.8
etf-logo.png
Denicija
Neka je data neka fuzzy relacija R na skupu X Y sa funkcijom pripadnosti R (x, y )
i neka je A neki fuzzy podskup skupa X sa funkcijom pripadnosti A (x). Tada je
kompozicija fuzzy skupa A i fuzzy relacije R (odnosno slika fuzzy skupa A pomo
cu
relacije R) novi fuzzy skup, u oznaci A R ,
cija je funkcija pripadnosti AR (y ) data
kao:
AR (y ) = {max{A (x) R (x, y )|x X }}
etf-logo.png
Primjer
Neka je data fuzzy relacija R koja uspostavlja vezu izmedu mogu
cih boja i stanja
zrelosti neke vo
cke, kakva je opisana ranije u predavanju. Neka sada imamo vo
cku
koja je sarena, i za koju subjektivna procjena ka
ze da je zelena u iznosu 0.2,
zuta u
na osnovu ove procjene i relacije R mo
iznosu 0.7 i crvena u iznosu 0.5. Sta
zemo re
ci
o stanju zrelosti ove vo
cke?
Boja ove vo
cke o
cigledno se mo
ze modelirati kao fuzzy podskup A skupa X = {zelena,
crvena,
zuta} dat kao A = 0.2/zelena + 0.7/
zuta + 0.5/crvena. Odgovor na tra
zeno
pitanje dobi
cemo ako nademo fuzzy podskup B = A R univerzalnog skupa Y =
nezrela, poluzrela, zrela. Vrijedi:
B (y ) = max{min{A (x), R (x, y )}|x X , y Y }
B = 0.25/nezrela + 0.7/poluzrela + 0.5/zrela
Analogno se denira i kompozicija fuzzy relacije i fuzzy skupa.
etf-logo.png
Aproksimativno rezonovanje
etf-logo.png
cinjenica
Neka je sada umjesto jedne
cinjenice oblika ako je x A onda je y B poznato n
cinjenica oblika:
ako je x A1 onda je y B1
ako je x A2 onda je y B2
...
ako je x An onda je y Bn
Ovaj skup
cinjenica mo
zemo shvatiti kao skup implikacija od kojih vrijede sve
zajedno
etf-logo.png
Ako umjesto pravila prostog oblika ako je x A onda je y B pravilo ima oblik
ako je x1 A1 i ako je x2 A2 i ... i ako je xm Am , onda je y B, tada je neki
zaklju
cak mogu
ce izvesti samo u prisustvu m
cinjenica oblika x1 je A1 , x2 je
A2 , ..., xm je Am
Smatra se da zadano pravilo uspostavlja fuzzy relaciju izmedu Dekartovog
proizvoda A1 A2 ... Am i fuzzy skupa B, odnosno m+1-arnu relaciju R sa
funkcijom pripadnosti:
R (x1 , x2 , ..., xm , y ) = (A1 (x1 ) A2 (x2 ) ... Am (xm ), B (y ))
Zaklju
cak je fuzzy skup B sa funkcijom pripadnosti:
B (y ) = max{(A (x1 ) A (x2 ) ... Am (xm )) (A1 (x1 ) A2 (x2 )
1
2
... Am (xm ), B (y ))|x1 X1 , x2 X2 , ..., xm Xm }
U slu
caju da su xi = ai , i = 1..m precizne
cinjenice, vrijedi:
B (y ) = (DOFA1 ,A2 ,...,Am (a1 , a2 , ..., am ), B (y ))
gdje je DOF veli
cina koja se naziva stepen paljena (en. degree of ring) pravila
etf-logo.png
etf-logo.png
Primjer
Pretpostavimo da imamo skup (nepreciznih) pravila koja povezuju visinu i te
zinu neke
osobe sa njenim zdravstvenim stanjem, poput sljede
cih:
ako je osoba osrednje visine i veoma mrsava tada je ona prili
cno nezdrava;
ako je osoba visoka i prosje
cne te
zine tada je ona sasvim zdrava;
ako je osoba visoka i mrsava, tada je ona prili
cno zdrava;
ako je osoba veoma niska i veoma debela, tada je ona sasvim nezdrava;
Pretpostavi
cemo da visina osobe mo
ze uzeti sljede
ce vrijednosti: veoma niska (VN),
niska (N), osrednje visine (OV), visoka (V) i veoma visoka (VV). Dalje,
pretpostavimo da te
zina osobe mo
ze uzeti sljede
ce vrijednosti: veoma mrsava (VM),
mrsava (M), prosje
cne te
zine (PT), debela (D) i veoma debela (VD).
Kona
cno, pretpostavimo da zdravstveno stanje osobe mo
ze uzeti vrijednosti sasvim
nezdrava (SN), prili
cno nezdrava (PN), prili
cno zdrava (PZ) i sasvim zdrava
(SZ)
etf-logo.png
etf-logo.png
=V (183) VM (56)
etf-logo.png
Defuzzyfikacija 1
etf-logo.png
Defuzzyfikacija 2
Tipovi defuzzykacije:
Sredina maksimuma (en. Mean of Maximum - MoM) - kao rezultat
defuzzykacije se prosto uzima onaj element fuzzy skupa koji ima najve
ci stepen
pripadnosti, a ako takvih elemenata ima vise, uzima se njihova srednja vrijednost
Metod te
zista (en. centroid method ili Center of Area - CoA) - gdje se rezultat
defuzzykacije ra
cuna kao:
R
P
xi (xi )
xi (xi )
xc = P
odnosno xc = R
(xi )
(xi )
Metod centra suma (en. Center of Sums, Center of Gravity - CoS, CoG) - gdje
se rezultat ra
cuna kao:
P
xci Pi
xc = P
Pi
etf-logo.png
Defuzzyfikacija - primjer
etf-logo.png
Q&A