Predavanje 9

Neizrazita (fuzzy) logika

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

3 Fuzzy relacije i kompozicija fuzzy relacija

Fuzzy relacije
Kompozicija fuzzy relacija

4 Aproksimativno rezonovanje
Generalizirani modus ponens
Mamdani rezonovanje
Defuzzyfikacija

etf-logo.png

Zasto fuzzy logika?

Fuzzy - nejasno? razmrljano? neodredeno? neprecizno?
Fuzzy - neizrazito?
Fuzzy logika se bavi proucavanjem iskaza nejasne ili neprecizne
istinitosti

I1 = Gospodin Peric je visok covjek.

ukoliko je gospodin Peric visok 205 cm, a sta ukoliko je visok 150
Sta
ukoliko je visok 175 cm?
cm? Sta
Vecina zakljucivanja u stvarnom zivotu se odvija u prisustvu
nepotpunih ili neprecizno specificiranih informacija
Fuzzy logika dobija sve veci znacaj, narocito u primjenama metoda
vjestacke inteligencije i mekog racunarstva

etf-logo.png

Otkud fuzzy logika?

Lotfi Zadeh nejasnim iskazima je pripisivao opisne (lingvisticke)

istinite vrijednosti poput veoma tacno, sasvim tacno, prilicno
tacno, donekle netacno, itd. koje se dalje strogo modeliraju
pomocu tzv. neizrazitih ili fuzzy skupova
Moguce je formalizirati fuzzy logiku iz visevrijednosne logike, sa
slicnim operatorima, inferencijom i domenom djelovanja
Iskazu se dodjeljuje istinitosna vrijednost iz segmenta
[0..1] = {x R|0 x 1}
Za razliku od vjerovatnoce, koja je nesporna cinjenica koja se
pripisuje nekom dogadaju, fuzzy istinitosna vrijednost je subjektivno
uvjerenje
etf-logo.png

Fuzzy logika i Boole-ova algebra

Neka je f ma kakva bijekcija sa segmenta [0..1] na skup P(N).
Takva bijekcija postoji, jer skupovi [0..1] i P(N) imaju isti
kardinalni broj.
Ukoliko sada uvedemo definicije x y = f 1 (f (x) f (y )) i
x y = f 1 (f (x) f (y )) pri cemu su i klasicne operacije
presjeka i unije, posve je lako pokazati da se dobija Booleova
algebra sa komplementom definiranim izrazom x = f 1 (P(N) x).
Bez obzira sto razlicitih bijekcija izmedu skupova [0..1] i P(N) ima
beskonacno mnogo i sto razliciti izbori bijekcija f daju razlicite
definicije konjunkcije i disjunkcije, niti jedan izbor bijekcije f ne daje
definicije konjunkcije i disjunkcije koje bi se mogle logicki opravdati.
Zbog toga je prirodno odustati od zahtjeva da fuzzy logika bude
Booleova algebra i traziti prirodnije (tj. logicki opravdanije)
definicije konjunkcije i disjunkcije.

etf-logo.png

Fuzzy logicki operatori

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

([0..1], , , , 0, 1) sa prethodno definiranim operatorima nije

Boole-ova algebra
Ne vrijede niti zakon neprotivrjecnosti, niti zakon iskljucenja treceg
Vrijedi zakon apsorpcije x (x y ) = x, x (x y ) = x

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

Svaka Booleova algebra je mreza, dok je mreza Booleova algebra

samo ukoliko jos vrijede i zakoni distributivnosti i postojanja
komplementarnog elementa
Moze se pokazati da za operacije fuzzy konjunkcije i fuzzy
disjunkcije vrijedi i distributivni zakon

etf-logo.png

T- i S-norm operatori

T-norm i S-norm operacije predstavljaju apstrakcije prethono deniranih operatora.

Denicija
Neka operacija fuzzy logike je t-norma ukoliko je komutativna, asocijativna, ima
jedinicu kao neutralni i nulu kao apsorbiraju
ci element (tj. x 1 = x i x 0 = 0) i
monotono je rastu
ca u smislu da iz x1 x2 i y1 y2 slijedi x1 y1 x2 y2 .
Denicija
Neka operacija fuzzy logike je s-norma ukoliko je komutativna, asocijativna, ima
jedinicu kao apsorbiraju
ci i nulu kao neutralni element (tj. x 0 = x i x 1 = 1) i
monotono je rastu
ca u smislu da iz x1 x2 i y1 y2 slijedi x1 y1 x2 y2 .
Teorem
Neka su t(x, y ) i s(x, y ) t- i s-norm operatori. Vrijedi:
s(x, y ) = 1t(1x, 1y )

t(x, y ) = 1s(1x, 1y )
etf-logo.png

Primjeri T- i S- norm operatora

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

Iz bilo koje t-norme mo

zemo dobiti neku operaciju implikacije pomo
cu formule
x y = 1t(x, 1y ) (ili x y = s(1x, y ) gdje je s(x, y ) odgovaraju
ca
odnosno dualna s-norma)
Tako dobijene implikacije nazivaju se S-implikacije
Kleene-Dienesova, Lukasiewiczeva i Reichenbachova implikacija S-implikacije
izvedene redom iz fuzzy konjunkcije, ograni
cene razlike i algebarskog proizvoda
Iz bilo koje t-norme mo
zemo neku operaciju implikacije dobiti i pomo
cu formule
x y = sup{x|t(x, z) y }
Tako izvedene implikacije nazivaju se rezidualne odnosno R-implikacije
G
odelova i Goguenova implikacija su R-implikacije izvedene respektivno iz fuzzy
konjunkcije i algebarskog proizvoda
Zadehova implikacija denirana kao x y = max{1x, min{x, y }}, koja ne
zadovoljava sve uvjete koji se postavljaju na implikaciju; ne zadovoljava zahtjev
da mora vrijediti x 1 = 1

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

Fuzzy skupovne operacije i osobine 1

Denicija
Fuzzy operacije unije, presjeka i komplementa za skupove A = {x|A (x)} i B = {x|B (x)} se deniraju kao:
A B = {x|A (x) B (x)} = {x| max{A (x), B (x)}}
A B = {x|A (x) B (x)} = {x| min{A (x), B (x)}}

A = {x|A (x) = 1 A (x)}

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

Fuzzy skupovne operacije i osobine 2

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

Fuzzy skupovne operacije i osobine 3

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

Fuzzy skupovne operacije i osobine 4

Denicija
Fuzzy skup A = {x R|(x)} kod kojeg je (x) = 1 unutar nekog intervala
x (x1 ..x2 ) i kod kojeg (x) monotono opada kada se x smanjuje ispod x1 odnosno
raste iznad x2 naziva se fuzzy interval.
Denicija
Fuzzy skup koji sadr
zi samo jedan element x0 sa stepenom pripadnosti 0 obilje
zava se
sa 0 /x0 i naziva se singlton.
Denicija
Fuzzy skup A = {x U|(x)}, u ovisnosti da li je diskretan ili kontinualan, mo
ze
zapisivati na sljede
ci na
cin:
A=

xj U

(xi )/xi

A=

(xi )/xi

xj U

etf-logo.png

Fuzzy skupovne operacije i osobine 5

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

Kompozicija fuzzy relacija 1

Za potrebe aproksimativnog rezonovanja potrebno je definirati i
proizvod (produkt) odnosno kompoziciju fuzzy relacija (govori se
jos i o vezivanju fuzzy relacija), odnosno potrebno je uopciti pojam
proizvoda sa obicnih na fuzzy relacije
Najcesce koristeno uopcenje je tzv. max-min kompozicija (odnosno
max-min vezivanje)
Definicija
Neka su R i S dvije fuzzy relacije definirane na skupovima A B i B C
respektivno, tj. neka su R = {(x, y ) A B|R (x, y )} i
S = {(x, y ) B C |S (x, y )}, tada je njihova max-min kompozicija
relacija R S na skupu A C definirana kao:
R S = {(x, y ) A C |RS (x, y )}
etf-logo.png

Kompozicija fuzzy relacija 2

Denicija
Funkcija pripadnosti RS (x, y ) je denirana izrazom:
RS (x, y ) = max{R (x, z) S (z, y )|z B.}
Operacija u ovoj formuli je fuzzy konjunkcija, odnosno operacija min, tako da ovu
funkciju pripadnosti mo
zemo zapisati i na sljede
ci na
cin (iz kojeg vidimo odakle poti
ce
naziv max-min vezivanje):
RS (x, y ) = max{min{R (x, z), S (z, y )}|z B}

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

Kompozicija fuzzy relacija 3

Druge vrste uop

cenja mogu
ce je dobiti ukoliko se umjesto fuzzy konjunkcije
(odnosno operacije min) upotrijebi bilo koja druga t-norma
U tom slu
caju dobijamo tzv. max-zvijezda (engl. max-star) ili max-t
kompoziciju (ukoliko je umjesto operacije maksimuma koristena operacija
supremuma, govorimo o sup-zvijezda odnosno sup-t kompoziciji)
Ukoliko se kao t-norma upotrijebi klasi
cni algebarski proizvod, dobijamo
max-proizvod (engl. max-product) kompoziciju (odnosno sup-proizvod
kompoziciju ukoliko je koristena operacija supremuma) koja se obi
cno obilje
zava
oznakom R S
U praksi se susre
ce jos i max-prosjek (engl. max-average) kompozicija (odnosno
sup-prosjek kompozicija ukoliko je koristena operacija supremuma) u kojoj se
umjesto operacije min koristi ra
cunanje srednje vrijednosti, odnosno
min{R (x, z), S (z, y )} je zamijenjeno sa (R (x, z) + S (z, y ))/2 i ova
kompozicija se obi
cno obilje
zava oznakom R < + > S
Za slu
caj fuzzy relacija nad kona
cnim skupovima, kompozicije fuzzy relacija
mogu se jednostavno odrediti pomo
cu relacijskih matrica
etf-logo.png

Kompozicija fuzzy relacija 5

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

Kompozicija fuzzy relacija 5

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

Kompozicija fuzzy skupa i fuzzy relacije 1

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

Kompozicija fuzzy skupa i fuzzy relacije 2

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

Dopusta se da mnoge promjenljive uzimaju neprecizne, opisne vrijednosti poput

nisko, jako brzo, prili
cno toplo, izrazito tesko itd.
ciji se ta
can smisao
zadaje putem odgovaraju
cih fuzzy skupova - lingvisti
cke promjenjive
Njihova suprotnost su jasne ili krisp (engl. crisp) promjenljive, za koje se
pretpostavlja da uzimaju precizno denirane broj
cane ili neke sli
cne vrijednosti.
Neka nam je na raspolaganju skupina nepreciznih pravila koja imaju oblik ako
je x Ai onda je y Bi pri
cemu Ai i Bi predstavljaju neke neprecizno zadane
(lingvisti
cke) pojmove, koje se mogu modelirati fuzzy skupovima
Cilj aproksimativnog rezonovanja je da na osnovu ovakvih pravila i na osnovu
nekakvih bilo preciznih bilo nepreciznih (lingvisti
ckih) informacija o tome kakav
je x donesemo nekakav zaklju
cak o tome kakav je y, ili obrnuto
Potrebno je generalizirati modus ponens - P, P Q |= Q

etf-logo.png

Generalizirani modus ponens 1

Da bismo generalizirali pravilo modus ponens, iskaz tipa ako je x A onda je y
B trebamo pretvoriti u neku fuzzy relaciju R koja povezuje fuzzy skupove A i B
Iz pretpostavke oblika x je A mo
zemo izvesti zaklju
cak tipa y je B pri

cemu fuzzy skup B nalazimo kompozicijom kao B = A R.

Vrijedi:
B (y ) = max{A (x) (A (x), B (y ))|x X } = max{A (x) (A (x)
B (y ))|x X }
Kvalitet aproksimativnog rezonovanja osjetno raste ukoliko je poznato vise

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

Generalizirani modus ponens 2

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

Generalizirani modus ponens 3

Ukoliko koristimo Mamdani implikaciju (min), tada funkcija pripadnosti postaje:

B (y ) = min{A (x) A (x) B (y )|x X } = min{A (x) A (x)|x
X } B (y ) = DOFA (A ) B (y )
Analogno se za pravilo oblika ako je x1 A1 i ako je x2 A2 i ... i ako je xm Am ,
onda je y B, dobije funkcija pripadnosti:
B (y ) = DOFA1 ,A2 ,...,Am (A1 , A2 , ..., Am ) B (y )

etf-logo.png

Aproksimativno rezonovanje - primjer

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

Aproksimativno rezonovanje - primjer

mozemo zakljuciti o zdravlju osobe cija je visina h = 183 cm i masa

Sta
m = 56 kg?

etf-logo.png

Aproksimativno rezonovanje - primjer

1 Vrijednosti funkcija pripadnosti u ta
cki (183,56):
VN (183) = 0, N (183) = 0, OV (183) = 0.7, V (183) = 0.3, VV (183) = 0
VM(56) = 0.8, M (56) = 0.2, PT (56) = 0, D (56) = 0, VD(56) = 0
2 Ra
cunaju se stepeni paljenja DOFX ,Y (h, m) = X (h) Y (m) (samo za
(OV,VM), (OV, M), (V, VM) i (V, M)):
DOFOV ,VM (183, 56)

=OV (183) VM (56)

= min{0.7, 0.8} = 0.7

DOFOV ,M (183, 56)

=OV (183) M (56)

= min{0.7, 0.2} = 0.2

DOFV ,VM (183, 56)

=V (183) VM (56)

= min{0.3, 0.8} = 0.3

DOFV ,M (183, 56)

=V M (56)
= min{0.3, 0.2} = 0.2
3 Primijeni se Mamdani rezonovanje sa Mamdani implikacionim operatorom:
1 (x) = min{0.7, PN (x)}, 2 (x) = min{0.2, SZ (x)}, 3 (x) =
min{0.3, SN (x)}i 4 (x) = min{0.2, PZ (x)} i
(x) = max{1 (x), 2 (x), 3 (x), 4 (x)}

etf-logo.png

Defuzzyfikacija 1

Kako dobiti konkretnu vrijednost izlazne varijable iz ako je poznat

rezultat Mamdani rezonovanja?
Potrebno je izvrsiti defuzzyfikaciju dobijenog zakljucka iskazanog
fuzzy skupom, sto znaci pretvoriti nepreciznu informaciju iskazanu u
vidu fuzzy skupa u neku konkretnu, precizno iskazanu vrijednost.
Formalno receno, defuzzyfikacija predstavlja operaciju pomocu koje
se iz nekog fuzzy skupa izdvaja jedan njegov reprezentativni
element, koji u nekom smislu najbolje predstavlja citav fuzzy skup.

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

gdje su xci koordinata te

zista na apscisi za funkciju pripadnosti i (x), a Pi
povrsina izmedu i (x) i apscise

etf-logo.png

Defuzzyfikacija - primjer

Za prethodni primjer se dobivaju sljede

ce vrijednosti izlaza:
MoM: za fuzzy skup iz prethodnog primjera, maksimalnu pripadnost imaju svi
elementi iz segmenta [34..46], tako da se kao rezultat defuzzykacije mo
ze uzeti
njihova srednja vrijednost xmm = 40
R 100
x(xi )dx
CoA: xc = R0 100
44.41
(xi )dx
0
CoS: xc1 = 40, xc2 = 80, xc3 = 20, xc4 = 60 i
P1 = 18.2, P2 = 7.2, P3 = 10.2, P4 = 7.2 pa se dobiva:
xcm =

40 18.2 + 80 7.2 + 20 10.2 + 60 7.2

45.33
18.2 + 7.2 + 10.2 + 7.2

etf-logo.png

Q&A