Sztuczna inteligencja : Zbiory rozmyte cz. III
Transkrypt
Sztuczna inteligencja : Zbiory rozmyte cz. III
Sztuczna inteligencja : Zbiory rozmyte cz. III Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 4 marzec 2012 Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Notacja Zadeha: symboliczny zapis zbioru rozmytego dla przestrzeni dyskretnej. Dla X jest przestrzenią o skończonej liczbie elementów X = {x1 , x2 , ..., xn }: Pn A = µAx(x1 1 ) + ... + µAx(xn n ) = i=1 µAx(x) Załóżmy : X = {1, 2, 3, 4, 5, 6, 7, 8} 0.7 1 0.7 0.3 A = { 02 , 01 , 0.3 3 , 4 , 5, 6 , 8 } Teraz: liczba 7, liczby bliskie 7 (w jakimś stopniu będące siódemką). Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Przypomnijmy kilka definicji: nośnik zbioru rozmytego A: supp(A) = {x ∈ X : µA (x) > 0} jądro zbioru rozmytego A: core(A) = {x ∈ X : µA (x) = 1} α-cięcie zbioru rozmytego A: Aα = {x ∈ X : µA (x) α} dla α ∈ [0, 1] Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Przykład: X = {1, 2, ..., 10} A= 0 0.3 0.8 0 0 1 1 0.6 { 01 , 0.1 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 } 0.3 0.8 1 1 0.6 A = { 0.1 2 , 4 , 5 , 8 , 9 , 10 } Wybrane α-przekroje: A0 = {1, 2, ..., 10} A0.1 = {2, 4, 5, 8, 9, 10} A0.3 = {4, 5, 8, 9, 10} A0.7 = {5, 8, 9} Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Przykład: X = {1, 2, ..., 10} A= 0 0.3 0.8 0 0 1 1 0.6 { 01 , 0.1 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 } 0.3 0.8 1 1 0.6 A = { 0.1 2 , 4 , 5 , 8 , 9 , 10 } Wybrane α-przekroje: A0 = {1, 2, ..., 10} A0.1 = {2, 4, 5, 8, 9, 10} A0.3 = {4, 5, 8, 9, 10} A0.7 = {5, 8, 9} core(A) = {8, 9} supp(A) = {2, 4, 5, 8, 9, 10} Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Zadanie Dla podanego zbioru: 0.5 0.8 1 0.7 0.4 A = { 10 , 02 , 30 , 04 , 05 , 0.2 6 , 7 , 8 , 9 , 10 , 11 } Określ: nośnik zbioru A; jądro(rdzeń) liczność zbioru (card(A)) α-przekroje : 0.5 i 0.8. Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Załóżmy : X = {1, 2, 3, 4, 5, 6, 7} 1 0.6 A = { 0.9 3 , 4, 6 } 0.7 1 0.4 B = { 3 , 5, 6 } Teraz mamy: 0.24 A· B = { 0.63 3 , 6 } Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Załóżmy : X = {1, 2, 3, 4, 5, 6, 7} 1 0.6 A = { 0.9 3 , 4, 6 } 0.7 1 0.4 B = { 3 , 5, 6 } Teraz mamy: 0.24 A· B = { 0.63 3 , 6 } Załóżmy : X = {1, 2, 3, 4, 5, 6} 1 0.7 0.9 A = { 0.3 2 , 3, 5 , 6 } więc: 1 0.3 0.1 Á = { 11 , 0.7 2 , 4, 5 , 6 } Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Koncentracja zbioru: µCON(A) (x) = (µA (x))2 Rozcieńczenie zbioru: µDIL(A) (x) = (µA (x))0.5 Rysunek: Koncentracja i rozcieńczenie zbioru X = {1, 2, 3, 4} 0.7 1 A = { 0.4 2 , 3 , 4} 0.16 0.49 1 CON(A) = { 2 , 3 , 4 } 0.84 1 DIL(A) = { 0.63 2 , 3 , 4} Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Zadanie 2 Dwa zbiory rozmyte reprezentują obraz samochodu i ciężarówki, i są zdefiniowane następująco: 0.4 0.3 0.9 0.1 0.5 , motor , boat , car , house } Car = { truck 1 0.1 0.4 0.4 0.2 Truck = { truck , motor , boat , car , house } Car S Truck not(Car) S Car not(Car) T Car Truck T Car not(Truck) T Car not(Car) Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Rysunek: Przykładowy wykres Zadanie 3 Zaznacz na wykresie następujące wartości: nie małe i nie duże; małe lub średnie; średnie i duże. Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Dany jest system rozmyty z następującymi zmiennymi: wiek kierowcy ∈ (20, 60) moc samochodu ∈ (20, 220) ryzyko ∈ (0, 10) W systemie znajdują się następujące reguły: IF kierowca = młody AND moc = duża THEN ryzyko = wysokie IF kierowca = młody AND moc = średnia THEN ryzyko = średnie IF kierowca = średni AND moc = duża THEN ryzyko = średnie IF kierowca = średni AND moc = średnia THEN ryzyko = niskie Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Dla każdej zmiennej lingwistycznej : kierowca, moc samochodu, ryzyko określono wartości zmiennych lingwistycznych. 1 kierowca młody średni dojrzały 2 moc samochodu mała średnia duża 3 ryzyko małe średnio-niskie średnie średnio-wysokie wysokie Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Dla każdej wartości podanych zmiennych lingwistycznych przygotowana została funkcja przynależności: Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Wyznacz ryzyko towarzystwa ubezpieczeniowego dla klienta (zaznaczając na wykresie obszar będący rezultatem wnioskowania): Wiek = 35 i Moc samochodu = 145 KM Reguła 1 : min {0.45; 0.35} = 0.35 Reguła 2 : min {0.45; 0.6} = 0.45 Reguła 3 : min {0.25; 0.35} = 0.25 Reguła 4 : min {0.25; 0.6} = 0.25 Maksimum z reguły 2 i 3 : max {0.45; 0.25} = 0.45 Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Przykład: Przygotowanie systemu Mamdani dla zdolności kredytowej: Zarobki małe średnie wysokie Umowa o pracę krótka średnia długa Prawdopodobieństwo przyznania kredytu małe średnie duże Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III Sprawozdanie Budowa systemu rozmytego opartego o wnioskowanie Mamdani: 1 Określenie zmiennych i ich zakresów ( 2 zmienne wejściowe + 1 zmienna wyjściowa); 2 Podanie wartości zmiennych lingwistycznych ( 3 przedziały dla każdej zmiennej); 3 Zdefiniowanie funkcji przynależności ( dla każdej wartości zmiennej linwistycznej - funkcje trójkątne ); 4 Przedstawienie zmiennych lingwistycznych na wykresie; 5 Przygotowanie reguł postaci IF THEN ( 4 reguły ); 6 Podanie 3 przykładowych wartości dla zmiennych wejściowych; 7 Zaznaczenie na wykresie obszaru będącego rezultatem wnioskowania. Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. III