Professional Documents
Culture Documents
Isd 04
Isd 04
Opracowanie:
dr inŜ. Piotr Suchomski
1. Cel ćwiczenia
Celem ćwiczenia jest zapoznanie studentów z podstawowymi zagadnieniami
projektowania systemów logiki rozmytej.
2. Podstawy fuzzy logic
Klasyczne wnioskowanie oparte na dwuwartościowej logice Arystotelesa oraz na
klasycznej definicji zbioru według Cantora, stwarza wiele problemów zwłaszcza w procesie
projektowania systemów sterowania, przetwarzających często rzeczywiste parametry nie
dające się jednoznacznie zinterpretować i wskazujące na wzajemnie wykluczające się
decyzje. W klasycznej teorii zbiorów stopień przynaleŜności danego elementu do zbioru
moŜna określić za pomocą jednej z dwóch wartości: 0 – gdy element nie naleŜy do danego
zbioru i 1 – gdy element naleŜy do danego zbioru. W tym przypadku trudny do
jednoznacznego określenia jest stopień przynaleŜności w przypadku wartości parametrów
rzeczywistych, znajdujących w pobliŜu granicy sąsiednich zbiorów [6].
Rozwinięciem dwuwartościowej logiki jest logika wielowartościowa, zaproponowana w
1965 roku przez Zadeha jako tzw. logika rozmyta (ang. fuzzy logic) [8]. Logika rozmyta
znalazła szerokie zastosowanie w szeroko rozumianej technice, zwłaszcza w systemach
sterowania [3][6]. Systemy logiki rozmytej charakteryzują się duŜą prostotą i elastycznością
struktury, zachowując wysoką skuteczność. Intuicyjna, lingwistyczna struktura opisu
przetwarzanego zjawiska, prosta baza reguł oparta o formuły typu IF... THEN znacznie
upraszcza proces projektowania [1][5][7].
W teorii zbiorów rozmytych element moŜe naleŜeć częściowo do pewnego zbioru.
Stopień przynaleŜności elementów do danego zbioru rozmytego opisuje funkcja
przynaleŜności µ(x):U⇒[0,1] (ang. membership function, zaleŜność (2.1)).
f ( x), x ∈ X
∀ µ ( x) = (2.1)
x∈U X
0, x ∉ X
Zbiory z funkcją przynaleŜności określoną na podstawie zaleŜności 8.5 dla zawartych w
nich elementów są nazywane zbiorami rozmytymi (ang. fuzzy sets). Dwa zbiory rozmyte X1 ,
X2⊂U są sobie równe, gdy spełniona jest zaleŜność 2.2.
∀ µ X 1 ( x ) = µ X 2 ( x) (2.2)
x∈U
Nośnikiem zbioru rozmytego (ang. support) jest zbiór elementów, których stopień
przynaleŜności do danego zbioru jest róŜny od 0.
Punktem rozgraniczającym zbioru rozmytego jest taki element x zbioru, dla którego
wartość funkcji przynaleŜności µ(x)=1/2. Zbiór rozmyty moŜe nie posiadać punktu
rozgraniczającego lub moŜe posiadać jeden punkt i wiele punktów rozgraniczających.
Jądrem zbioru rozmytego ker(A) (ang. kernel) jest zbiór tych elementów x, których
stopień przynaleŜności do danego zbioru rozmytego A wynosi 1. W przypadku, gdy tylko
jeden element naleŜy do jądra zbioru, to element ten nazywany jest wartością szczytową
zbioru.
Wysokość zbioru rozmytego A określa supremum wartości funkcji przynaleŜności
hgt(A) = sup µA(x). Gdy wysokość zbioru wynosi 1, to jest to zbiór rozmyty normalny. Często
w procesie projektowania systemów logiki rozmytej dokonuje się normalizacji zbiorów
rozmytych poprzez dzielenie wartości funkcji przynaleŜności danego zbioru przez jego
wysokość.
Z punktu widzenia przetwarzania rozmytego najwaŜniejsze są następujące operacje na
zbiorach rozmytych:
• suma zbiorów rozmytych A i B na tym samym uniwersum U jest zbiór rozmyty
A∪ B określony funkcją przynaleŜności (2.3)
0 dla x ≤ a
x − a
Γa ,b ( x) = dla a < x ≤ b (2,6)
b − a
1 dla x > b
0 dla x ≤ a i x ≥ d
x − a
dla a < x ≤ b
b − a
Π a ,b,c ,d ( x) = (2.9)
1 dla b < x ≤ c
d − x
dla c < x < d
d − c
dla a < x ≤
b − a 2
s a ,b ( x ) = (2.10)
x−b a+b
2
1 − 2 ⋅ b − a dla 2 < x < b
1 dla x ≥ b
s c −b , c ( x ) dla x < c
π b ,c ( x ) = (2.11)
1 − sc ,c +b ( x) dla x ≥ c
IF przesłanka1 AND przesłanka2 AND ... AND przesłankan THEN decyzja (2.12)
Kiedy wynikowy zbiór rozmyty jest juŜ wyznaczony następuje ostatni etap przetwarzania
rozmytego, zwany wyostrzaniem lub z języka angielskiego defuzyfikacją. Proces wyostrzania
jest odwrotny do procesu rozmywania, jego zadaniem jest transformacja wyniku
przetwarzania rozmytego z dziedziny zbiorów rozmytych do dziedziny liczb rzeczywistych.
Proces wyostrzania moŜna przeprowadzić na kilka sposobów:
• Metoda największej wartości funkcji przynaleŜności (ang. mean of maximum).
Wynikiem tego typu wyostrzania jest wartość punktu x0, będącego środkiem
przedziału, w którym wyznaczona funkcja przynaleŜności przyjmuje maksymalną
wartość (2.7a). Jest to najprostszy sposób defuzyfikacji, sprowadza się on do
wyboru tej reguły, której moc była największa. Wadą tego rozwiązania jest
nieuwzględnianie pozostałych reguł.
• Metoda centrowego środka cięŜkości (ang. center average). Wartość wyjściową x0
oblicza się według zaleŜności (2.13) (rys. 2.7b). Wartość ci określa środek
przedziału x, dla którego i-ta funkcja przynaleŜności µ(x) przyjmuje wartość
maksymalną. Parametr N określa liczbę wszystkich wyjściowych zbiorów
rozmytych. W metodzie tej brane są pod uwagę wszystkie aktywowane reguły.
Wadą tej metody jest nieuwzględnianie informacji o kształcie funkcji
przynaleŜności.
∑c i ⋅ µ i (ci )
x0 = i =1
N
(2.13)
∑ µ (c )
i =1
i i
∫ µ ( x) ⋅ xdx
x0 = X
(2.14)
∫ µ ( x)dx
X
Rys. 2.7. Ilustracja metod wyostrzania: a) metoda największej wartości funkcji przynaleŜności, b) metoda
centrowego środka cięŜkości, c) metoda wyznaczania środka cięŜkości [2]
temperatura powietrza
1
0,9
0,8
0,7
0,6 chłodno
0,5 ciepło
0,4 gorąco
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80
°C
wilgotność gleby
1
0,9
0,8
0,7
0,6 mała
0,5 średnia
0,4 duŜa
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80 90 100
%
intensywność zraszania
1
0,9
0,8
0,7
0,6 słabe
0,5 średnie
0,4 intensywne
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80 90 100
%
Kolejny etap projektowania systemu logiki rozmytej to definiowanie reguł rozmytych.
Przykładowa reguła systemu sterowania zraszaczem moŜe być następująca:
IF temperatura is gorąco AND wilgotność is mała THEN zraszanie = intensywne
Po obliczeniu mocy reguł dokonujemy agregacji reguł. Tym razem dla reguł związanych z
tą samą decyzją wybieramy wartość maksymalną mocy reguł. W przypadku decyzji
dotyczącej zraszanie średniego mamy dwie reguły jedna o mocy równej 0,2 i druga o mocy
0,5. W procesie wyznaczania wyjściowego zbioru rozmytego pod uwagę bierzemy wartość
maksymalną czyli 0,5.
Wyjściowy zbiór rozmyty moŜna wyznaczyć graficznie. Na wykresie odpowiednich
wyjściowych funkcji przynaleŜności odznaczamy moce reguł. Złączenie powierzchni
powstałych po zaznaczeniu mocy reguł tworzą wyjściową figurę, której środek cięŜkości
wyznacza wartość regulacji stopnia zraszania. Dla analizowanych danych wejściowych
zaprojektowany system ustawi stopień zraszania równy ok. 57,2.
intensywność zraszania
1
0,9
0,8
0,7
słabe
0,6
średnie
0,5
intensywne
0,4
0,3 wyjściowy zbiór rozmyty
0,2
0,1
0
0 10 20 30 40 50 60 70 80 90 100
%
57,2
4. Zadania
Zaproponować proste zadanie do realizacji za pomocą systemu logiki rozmytej (lub
wykonać projekt zadany przez prowadzącego laboratorium). System powinien mieć
przynajmniej dwa parametry wejściowe. KaŜdy parametr wejściowy powinien być opisany za
pomocą co najmniej trzech etykiet. Projekt systemu moŜna wykonać wykorzystując dostępne
w laboratorium narzędzia MS Office lub Matlab.
5. Opracowanie
Sprawozdanie powinno zawierać:
• treść rozwiązywanego zadania,
• definicję parametrów wejściowych i wyjściowych projektowanego systemu,
• wykresy funkcji przynaleŜności,
• bazę reguł z krótkim wyjaśnieniem sposobu konstrukcji,
• uzasadnienie wyboru sposobu wyostrzania
• przykłady ilustrujące działania zaprojektowanego systemu (minimum trzy
przykłady, reprezentujące zróŜnicowanie parametrów wejściowych,
• wnioski.
6. Literatura
[1] Czogała E., Pedrycz W., Elementy i metody teorii zbiorów rozmytych, PWN, Warszawa
1982.
[2] CzyŜewski A., Dźwięk cyfrowy. Podstawy teoretyczne, technologia, zastosowania,
Akademicka Oficyna Wydawnicza, Warszawa, 1998.
[3] Driankov D., Hellendoom H., Reinfrank M., Wprowadzenie do sterowania rozmytego,
WNT, Warszawa, 1996.
[4] Kosko B., Fuzzy Engineering, Prentice-Hall, 1997.
[5] Kostek B., Soft Computing in Acoustics, Applications of Neural Networks, Fuzzy Logic
and Rough Sets to Musical Acoustics, Studies in Fuzziness and Soft Computing, Physica
Verlag, Heilderberg, New York, 1999.
[6] Łachwa A., Rozmyty świat zbiorów, liczb, relacji, faktów, reguł I decyzji, Akademicka
Oficyna Wydawnicza, Warszawa, 2001.
[7] Mendel J.M., Fuzzy Logic Systems for Engineering: A Tutorial, IEEE, 1995.
[8] Zadeh L.A., Fuzzy Sets, Information and control, pp. 338-353, 1965.