Sisteme Fuzzy Echipa: Ipate Oana-Simona Loghin Maria Mădălina Polizu Georgiana Loredana Teodor Elena-Mădălina
Cuprins 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.. 10
Ce est estee un un sist sisteem fu fuzzy zzy? Logica fuzzy Logi Logica ca fuzz fuzzyy vs vs log logic icaa nat natur ural alăă Teo Teoria ria mu mulțum lțumil iloor fu fuzzy zzy Avan Av anta taje jele le și dez dezav avan anta taje jele le sist sistem emel elor or fuz fuzzy zy Comp Compar araț ație ie sis sistem temee fuzz fuzzyy - rețe rețele le neu neuro rona nale le Etapel Etapelee impl impleme ementa ntarii rii unei unei apli aplicaț cații ii cu cu logi logică că fuzzy fuzzy Stru Struct ctur uraa unu unuii sist sistem em cu logi logică că fuzz fuzzyy Dome Do meni niii de de util utiliz izar aree a logi logici ciii fuz fuzzy zy Aplic plicaț ație ie a log logic icii ii fuz uzzy zy
Cuprins 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.. 10
Ce est estee un un sist sisteem fu fuzzy zzy? Logica fuzzy Logi Logica ca fuzz fuzzyy vs vs log logic icaa nat natur ural alăă Teo Teoria ria mu mulțum lțumil iloor fu fuzzy zzy Avan Av anta taje jele le și dez dezav avan anta taje jele le sist sistem emel elor or fuz fuzzy zy Comp Compar araț ație ie sis sistem temee fuzz fuzzyy - rețe rețele le neu neuro rona nale le Etapel Etapelee impl impleme ementa ntarii rii unei unei apli aplicaț cații ii cu cu logi logică că fuzzy fuzzy Stru Struct ctur uraa unu unuii sist sistem em cu logi logică că fuzz fuzzyy Dome Do meni niii de de util utiliz izar aree a logi logici ciii fuz fuzzy zy Aplic plicaț ație ie a log logic icii ii fuz uzzy zy
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
Importanţa relativă a preciziei “Cât de importantă este precizia când este mulţumitor şi un răspuns aproximativ, dar semnificativ?”
Sistem expert bazat pe logica fuzzy
Logica fuzzy “Pe măsură ce creşte complexitatea, formulările precise pierd din înţeles şi formulările pline de înţeles pierd din precizie.”
Trăsături specifice logicii fuzzy ·
Raţionamentul exact este privit ca un caz limită al raţionamentului aproximativ;
·
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 sau de
echivalenţă pe o colecţie de variabile; ·
Mulţimea fuzzy are asociată o funcţie caracteristică care ia valori în intervalul [0,1],
valorile acesteia descriind gradul de apartenenţă al unui element la acea mulţime.
Diferenţe dintre logica naturală şi logica fuzzy
Teoria mulțimilor fuzzy se utilizează pentru: ● modelarea incertitudinilor - în funcție de cauzele incertitudinii, de tipul și de cantitatea informațiilor disponibile; ●
generalizarea modelelor și metodelor clasice, de caracterul gradual;
● simplificare în scopul reduceri complexității datelor; ●
procesarea cunoștințelor - motorul de inferență procesează expresii lingvistice
un anume sens.
cu
Faţă de structurile de reglare clasice, sistemele fuzzy prezintă două mari diferenţe:
• în modul de descriere al procesului – inexactitatea sau chiar lipsa unui model al procesului nu constituie un impediment; • în modul de proiectare – parametrii acestuia au corespondenţă clară cu cunoştinţele exprimate lingvistic de experţi.
Avantaje: ● Principalul avantaj al utilizării unor regulatoare fuzzy este faptul că nu este necesară cunoaşterea modelului matematic; ● Utilizarea acestora va conduce la scădere semnificativă a timpului de dezvoltare şi proiectare şi a implementării;
Dezavantaje: ● Sistemele fuzzy nu pot achiziționa automat regulile pe care le utilizează pentru luarea deciziilor; ● Datorită incompletitudinii cunoașterii, sistemele fuzzy se dovedesc a fi insuficiente.
Sisteme hibride inteligente Sisteme neuro-fuzzy
Rețele neuronale ( trăsături neuronale ) omogenitate, capacitate de învățare, efectuarea de sarcini distribuite
Sisteme cu logică fuzzy ( trăsături simbolice ) interpretare umană, control explicit, abstractizarea cunoștiințelor
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 învățare, potrivite diverselor situații; · Există o multitudine de algoritmi de învățare disponibili 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 complecși; · Nu există garanția că învățarea converge spre soluție; · Prezintă dificultăți în extragerea cunoștiințelor structurale.
Dosoftei, C., Utilizarea inteligenței computaționale în conducerea proceselor, Teză de doctorat, pag. 35
Etapele implementării unei aplicații cu logică fuzzy 1. Identificare intrări, ieșiri 2. Stabilire univers discuție, variabile/valori lingvistice, funcții de apartenență 3. Stabilire metode de inferență, defuzzificare 4. Implementare efectivă 5. Testare, evaluare performanțe 6. Revenire la etapele anterioare, dacă este cazul
Structura unui sistem cu logică fuzzy
Baza de cunoștințe a SLF ➔
Servește pentru stocarea tuturor elementelor cunoașterii (fapte, reguli, metode de rezolvare, euristici) specifice domeniului de aplicație, preluate de la experții umani sau din alte surse.
➔
Regulile fuzzy sunt obtinute cu ajutorul operatiilor. Reguli în logica clasică
Reguli în logica fuzzy
Dacă temperatura este -5 atunci vremea este rece;
Dacă temperatura este joasă atunci vremea este rece;
Dacă temperatura este 15 atunci vremea este călduţă;
Dacă temperatura este medie atunci vremea este călduţă;
Dacă temperatura este 35 atunci vremea este caniculară;
Dacă temperatura este ridicată atunci vremea este caniculară;
Operațiile/operatorii SLF 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 mai multor mulţimi fuzzy) se calculează valoarea asociată funcţiei caracteristice corespunzătoare pentru fiecare dintre mulţimile de apartenenţă (folosind funcţia de apartenenţă). Exemplu: Variabilă brută: temperatura T Variabile lingvistice asociate: redusă A1, medie A2, înaltă A3
Operațiile/operatorii SLF 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 de cunoştinţe. Inferenţa trebuie să: • deducă pe baza valorii fuzzy de intrare și pe baza fiecărei reguli fuzzy, rezultatul fuzzy de ieșire al regulii Ri. • combine toate rezultatele parţiale fuzzy de ieșire, Yi*, i=1,…, M, într-o singură mulţime fuzzy de ieşire Y* - agregarea rezultatelor parțiale.
Operațiile/operatorii SLF 3. Compoziție - reprezintă procesul în care toate subseturile fuzzy corespunzătoare câte
unei ieșiri, sunt combinate între ele, rezultând un singur subset fuzzy pentru ieșire. 4. Defuzzificare
- operație inversă fuzzificării; - fiecare regiune de ieşire trebuie defuzzificată pentru a produce valori crisp. Cea mai des folosită metodă de defuzzificare – COA (center of area/centroid)
În ce se utilizează logica Fuzzy? 1. Business
4. Armata
- Luarea de decizii - Sisteme de data mining
- Determinarea țintei - Sisteme de ghidare
2. Chimie
5. Transporturi
- Dozarea substanțelor in reacții - Reglarea condițiilor de reactie
- Sisteme de transport fără pilot - Controlul sistemelor de trafic
3. Comunicații
6. Finanțe
- QoS - Filtre adaptative
- Managementul fondurilor - Previziuni la bursa
În ce se utilizează logica Fuzzy? 7. Medical
9. Robotică
- Controlul presiunii arteriale în timpul operației - Diagnosticarea cancerului, bolii Alzheimer, diabetului
- Controlul efectoarelor - Determinarea poziției
8. Industrie
10. Electronica
- Controlul temperaturii în furnale - Controlul tratamentului apelor curate/uzate - Controlul calitații
- Sisteme de climatizare - Sisteme de temporizare: cuptoare, mașini de spălat
Instrumente de modelare Fuzzy Knowledge Builder: este un editor de reguli şi seturi fuzzy în mod grafic. Judgement Maker: este un soft de asistare a deciziei care descompune un scenariu în părţi uşor de analizat (şi de descris pentru expertul uman), după care înregistrează respectivele componente şi alege alternativa optimă. Fuzzy Engine este un program open source realizat în Java, oferă o serie de clase şi metode permiţând evaluarea regulilor fuzzy (integrarea raţionamentului fuzzy (evaluări) în software Java (operaţii de intrare-ieşire). Fuzzy Logic Toolbox suportă proiectarea şi analiza sistemelor bazate pe logica fuzzy (dezvoltare, documentare, proiectare, simulare, implementare).
Modulul fuzzy toolbox Implementarea tehnicilor bazate pe logica fuzzy toolbox Permite: ● introducerea, ● organizarea, ● prezentarea informațiilor. Exemplu: ● analiza riscului proiectelor de investiție
FIS Editor
Adăugare variabile
Funcțiile de apartenență
Incrementarea numărului de apartenență
Schimbarea formei funcției de Configurarea parametrilor apartenență pentru funcțiile de apartenență
Ajustarea profilului funcției de apartenență
Definirea funcțiilor de apartenență pentru ieșire
Editarea bazei de cunoștințe
Vizualizarea regulilor
Exemplul 3D- pentru aplicație cu mașina de spălat
CONCLUZII De ce să utilizăm logica fuzzy? 1. ușor de înteles și utilizat (intuitivă, concepte matematice simple) 2. flexibilitate 3. toleranță la date imprecise 4. poate modela funcții complexe, cu nivel ridicat de precizie 5. poate utiliza cunoștințele experților 6. se poate combina cu tehnici convenționale de control 7. se bazează pe limbaj natural Nu vom utiliza logica fuzzy dacă... 1. există deja o soluție simplă 2. există controllere care funcționează foarte bine 3. nu este convenabilă din diferite motive