n - WikiZMSI
Transkrypt
n - WikiZMSI
Elementy Sztucznej Inteligencji Logika rozmyta wykład 9 1 Plan 1. 2. 3. 4. 5. Co to jest my lenie rozmyte? Teoria zbiorów rozmytych. Zmienne lingwistyczne. Reguły rozmyte. Wnioskowanie rozmyte: 1. typu Mamdani, 2. typu Sugeno. 2 Co to takiego my lenie rozmyte? Nawet eksperci u ywaj sformułowa : „Metoda X jest znacznie bardziej efektywna ni metoda Y”. Ocen stanów, rzeczy wykonuje si w pewnej skali stopniowania: mały, du y, wielki, niski, wysoki, bardzo wysoki, wolny, rednio wolny, szybki, itd... Trudno jest zatem odró ni element danej klasy od innych. Logika rozmyta to logika u yta by opisywa rozmycie, a nie logika, która jest rozmyta (m tna). 3 Uwaga! 4 My lenie według logiki konwencjonalnej Logika boolowska u ywa ostrego rozró niania: albo co jest elementem klasy, albo nie jest, np.: kabel jest długi > 300 m, albo kabel krótki <=300m Tomek jest wysoki, bo ma 181cm (wysoki > 180cm) Michał jest niski (nie wysoki), bo mierzy 179cm 5 6 Zakresy warto ci 0 – fałsz 1 – prawda Klasyczna logika jest specyficznym przypadkiem logiki wielowarto ciowej jak jest logika rozmyta. 7 Zbiory w uj ciu klasycznym Zbiór - podstawowe poj cie w matematyce. X - zbiór klasyczny, x element zbioru X. (x ∈ X) – x jest elementem zbioru X. Ka dy element, który przynale y do zbioru ma ustawian warto 1. (x ∉ X) – x nie nale y zbioru X. Ka dy element, który nie jest elementem zbioru ma ustawian warto 0. 8 Główna idea zbiorów rozmytych Element nale y do zbioru rozmytego z pewnym stopniem przynale no ci. Zatem stwierdzenie mo e by cz ciowo prawdziwe lub cz ciowo fałszywe. Przynale no jest liczb rzeczywist z przedziału 0 do 1. 9 Klasyczny przykład S to pie przyna le no ci Imi Wyso ko Lo g ika kla syczna Ro zmyta Krzy 208 1 1,00 Marek 205 1 1,00 Jan 198 1 0,98 Tomek 181 1 0,82 Dawid 179 0 0,78 Michał 172 0 0,24 Bartek 167 0 0,15 S ta 158 0 0,06 P iotr 155 0 0,01 P aweł 152 0 0,00 10 !" # $# % ! !" # $# % ! Przynale no klasyczna kontra rozmyta do zbioru „wysoki m czyzna” & 11 Zbiór rozmyty X – uniwersum, zbiór uniwersalny, przestrze . x – element uniwersum. Klasyczna logika definiuje funkcj charakterystyczn zbioru A: fA(x) X →0,1, gdzie: f A ( x) = 1, if x ∈ X 0, if x ∉ X Logika rozmyta definiuje funkcj przynale no ci zbioru A z uniwersum X: µA(x) X →[0,1], gdzie: µ A ( x) = 1 if x na pewno jest w A µ A ( x) = 0 if x nie jest w A 0 < µ A ( x ) < 1if x czesciowo jest w A 12 Sk d wiadomo jakie stosowa funkcje przynale no ci? Od pojedynczego eksperta. Zbieraj c dane od wielu ekspertów. Sztuczne sieci neuronowe ucz si na dost pnych dla systemu danych i okre laj zbiór rozmyty. 13 Typy funkcji przynale no ci 14 ' # $# % ! Przykład – funkcja przynale no ci % #! ! $# % ! !" #! ! & !" # ' #! ! % #! ! ( ! #! ! #! # & $# %) * 15 Definicje Support (baza) zbioru rozmytego A: supp(A) = { x ∈ X : µ A(x) > 0 } Core (j dro) zbioru rozmytego A: core(A) = { x ∈ X : µ A(x) =1 } α-cut (α-ci cie) zbioru rozmytego A: Aα = { x ∈ X : µ A(x) > α } Wysoko = max x µ A(x) ≤ 1 Zbiór rozmyty normalny: sup x ∈ X µ A(x) = 1 MF 1 .5 α 0 www.phys.uni.torun.pl/~duch/Wyklady/CI/CIZ-2.ppt J dro Punkty przegi cia α - ci cie Baza X 16 Reprezentacja zbioru rozmytego Niech X jest to zbiór par: {xi, µA(x) } {element , jego funkcja przynale no ci}. A jest podzbiorem X. Sposoby reprezentowania podzbioru A: A = {x1 , µ A ( x1 )}, {x2 , µ A ( x2 )}, , {xn , µ A ( xn )} A = {µ A ( x1 ) / x1 }, {µ A ( x2 ) / x2 }, , {µ A ( xn ) / xn } Przykład: wysoki m czyzna=(0/180, 1/190) niski m czyzna=(1/160, 0/170) redniego wzrostu m czyzna=(0/165, 1/175, 0/185) 17 Zmienne lingwistyczne Zmienne lingwistyczne: Jan jest wysoki. Jan przyjmuje lingwistyczna warto wysoki. [Wzrost jest zmienn lingwistyczn ] (term) Przykłady reguł rozmytych: IF wiatr jest silny THEN aglowanie jest dobre IF czas projektu jest długi THEN ryzyko uko czenia wysokie IF pr dko wolna THEN droga hamowania krótka 18 & Operacje na zmiennych lingwistycznych Przykład zbioru zmiennych lingwistycznych dla zmiennej pr dko : {wolno, rednio, szybko} Operacje mo na podzieli na grupy: uniwersalne: bardzo, całkiem, ekstremalnie; dla warto ci prawda, fałsz: prawie prawdziwe, w wi kszo ci fałszywe; prawdopodobie stwo: prawdopodobnie, niezbyt prawdopodobnie; typu: wi kszo , kilka, niewiele; mo liwo ci: prawie niemo liwe, całkiem mo liwe. Ich zadanie to koncentracja lub rozszerzanie warto ci funkcji przynale no ci (np. mniej wi cej wysoki m czyzna ma szersze znaczenie ni wysoki m czyzna). 19 Przykład #! ! # $# % ! ! % ! #! !" #! ! & Osoba o wzro cie 184cm przynale y do zbioru wysoki w stopniu 0.4, natomiast do zbioru bardzo wysoki w stopniu 0.1. 20 o pe ra cja w yra e nie ma te ma tyczne re pre ze nta cja g ra ficzna [ µ A ( x)] 1.3 mało [ µ A ( x)]1.7 niewiele [ µ A ( x)]2 bardzo [ µ A ( x)]3 nadzwyczaj bardzo bardzo mniej wi cej troch is totnie [ µ A ( x)]4 µ A (x) µ A (x) 2[ µ A ( x)]2 1 − 2[1 − µ A ( x)]2 if 0 ≤ µ A ≤ 0.5 if 0.5 ≤ µ A ≤ 1 21 Przykład Tomek nale y do zbioru o pe ra cja m czyzna wysoki w mało niewiele stopniu 0,86. bardzo W tabeli zaprezentowano nadzwyczaj bardzo bardzo odpowiednie warto ci mniej wi cej przynale no ci do troch zaw onych lub is totnie rozszerzonych zbiorów. Przykła d 0,82 0,77 0,74 0,64 0,55 0,93 0,93 0,96 22 Operacje i cechy zbiorów rozmytych Operacje: dopełnienie, zawieranie si , przeci cie, unia. Cechy: przemienno , ł czno , rozdzielno OR wzgl dem AND i AND wzgl dem OR, podwójne zaprzeczenie, przechodnio , prawo de Morgana. 23 Operacje na zbiorach klasycznych +,-. B A A B A A B 24 Dopełnienie Zbiór klasyczny: Kto/co nie nale y do zbioru? Zbiór rozmyty: Jak bardzo element nie przynale y do zbioru? µ ¬A ( x ) = 1 − µ A ( x ) Przykład: wysoki m czyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190) NOT wysoki m czyzna = (1/180. 0.75/182.5, 0.5/185, 0.25/187, 0/190) 1 1 µA(x) µA(x) +,-. . 0 0 x x 25 Zawieranie si Zbiór klasyczny: Który zbiór nale y do innych zbiorów? Zbiór rozmyty: Który zbiór rozmyty nale y do innych zbiorów rozmytych? Przykład: wysoki m czyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190) bardzo wysoki m czyzna = (0/180, 0.06/182.5, 0.25/185, 0.56/187, 1/190) 1 µ(x) / . 0 x 26 Iloczyn Zbiór klasyczny: Który element nale y do obu zbiorów? Zbiór rozmyty: Jak bardzo element przynale y do obu zbiorów rozmytych? µ A∩ B ( x) = min[ µ A ( x), µ B ( x)] = µ A ( x) ∩ µ B ( x) Przykład: wysoki m czyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190) redni m czyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190) wysoki m czyzna∩ redni m czyzna = (0/180, 0.25/182.5, 0/185) 1 1 µ (x) µ(x) . / 0 . ∩/ 0 x x 27 Suma Zbiór klasyczny: Który element nale y do jednego z, lub obu zbiorów? Zbiór rozmyty: Jak bardzo element przynale y do jednego z, lub obu zbiorów? Przykład: µ A∩ B ( x) = max[ µ A ( x), µ B ( x)] = µ A ( x) ∪ µ B ( x) wysoki m czyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190) redni m czyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190) wysoki m czyzna∪ redni m czyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0.5/185, 1/190 ) 1 1 µ (x) µ(x) . 0 / x . 0 ∪/ x 28 Cechy zbiorów rozmytych Przemienno : wysoki OR niski = niski OR wysoki Ł czno : A∪ B = B ∪ A A∩ B = B ∩ A A ∪ ( B ∪ C ) = ( A ∪ B) ∪ C A ∩ ( B ∩ C ) = ( A ∩ B) ∩ C wysoki OR (niski OR redni) = (wysoki OR niski) OR redni Rozdzielno : A ∪ ( B ∩ C ) = ( A ∪ B) ∩ ( A ∪ C ) A ∩ ( B ∪ C ) = ( A ∩ B) ∪ ( A ∩ C ) 29 Cechy zbiorów rozmytych cd. Inne: A∪ A = A A∩ A = A A∪0 = A A∩ X = A A∩0 = 0 A∪ X = X gdzie X – zbiór ze stałym stopniem przynale no ci 1 gdzie 0 – zbiór pusty 30 Cechy zbiorów rozmytych cd. Podwójne zaprzeczenie: ¬ (¬ A ) = A Przechodnio : ( A ⊂ B )( B ⊂ C ) = A ⊂ C Prawo de Morgana ¬( A ∩ B) = ¬A ∪ ¬B ¬( A ∪ B) = ¬A ∩ ¬B 31 Reguły rozmyte IF pr dko du a (logika klasyczna: >100km/h) THEN droga hamowania długa IF pr dko mała (logika klasyczna: <40km/h) THEN droga hamowania krótka IF x jest A THEN y jest B x,y – zmienne lingwistyczne, A,B – warto ci lingwistyczne (termy), X,Y – uniwersa 32 Wnioskowanie z reguł Logika klasyczna: Je eli przesłanka (IF) jest prawd to i implikacja jest prawdziwa. Logika rozmyta: Je eli przesłanka jest w pewnym stopniu prawdziwa, to i konsekwencja jest w pewnym stopni prawdziwa. 33 Przykład działania reguły # !" $# % ! # !" $# % ! IF wzrost wysoki THEN waga ci ka ' & 0 0 34 ' Reguły zło one Wiele przesłanek: IF czas projektu długi AND liczba pracowników du a AND fundusze s nieodpowiednie THEN ryzyko du e IF jedzenie dobre OR obsługa miła THEN napiwek wysoki Wielokrotna konsekwencja: IF temperatura powietrza wysoka THEN temperatura wody jest obni ona; zwi kszana jest zimna woda. 35 Wnioskowanie rozmyte 36 Etapy w modelu rozmytym (Wnioskowanie rozmyte) 1. Czynno ci wst pne: 1. Okre lenie reguł rozmytych. 2. Okre lenie funkcji przynale no ci do warto ci wej wyj . i 2. Główne kroki: 1. Rozmycie wej poprzez u ycie funkcji przynale no ci (fuzyfikacja). 2. Ł czenie rozmytych przesłanek (wej ) poprzez rozmyte reguły by uzyska rozmyte konsekwencje (z wielu reguł). 3. Ł czenie wniosków (konsekwencji), by otrzyma ostateczny rozkład wyj cia. 4. Defuzyfikacja wyj cia (wyostrzenie) – tylko, gdy musimy uzyska jednoznaczn odpowied . 37 Przykład Cel: zbudowa rozmyty system ekspertowy wspomagaj cy wnioskowanie o operacjach wydobycia na podstawie: cen ropy i wykazanych rezerw korporacji. Dane s : zbiory rozmyte dla cen ropy (wej cie 1), zbiory rozmyte dla wykazanych rezerw korporacji (wej cie 2), Zbiory rozmyte zaanga owania w operacj wydobycia (wyj cie). Reguły post powania przy zadanych wej ciach. 1 2 ! # #! 3 ! 0# !# ! # 38 & Przykład cd. 39 Przykład cd. 40 Przykład cd. 41 Przykład cd. – reguły rozmyte Reguła 1: IF cena ropy jest wysoka AND wykazane rezerwy s niskie THEN zwi kszenie operacji wydobycia wysoce wskazane. 42 Cechy wnioskowania rozmytego W procesie wnioskowania kilka reguł jest odpalanych jednocze nie, co bardziej przypomina sposób analizy prowadzony przez człowieka. Informacje wykorzystywane s w pełni symultanicznie. 43 Fuzyfikacja Podane s jednoznaczne (liczbowe, ostre) wej cia do systemu wnioskowania. Dane mog mie ró ne pochodzenie i st d warto ci. Ka de wej cie jest zamieniane na warto rozmyt poprzez funkcj przynale no ci. Przykład: Cena ropy $20.00 za baryłk i zapasy korporacji wielko ci 9 MMBBLs (million barrels). 44 45 Odpalenie reguł Wykorzystuje si , w zale no ci od reguły, operatory zdefiniowane dla zbiorów rozmytych takie jak: suma (MAX), iloczyn (MIN) do składania wej . W wyniku oblicze powstaje zbiór rozmyty, tzw. konsekwencja. Ró norodno operatorów sum i iloczynów prowadzi do ró nych rozwi za . 46 47 Agregacja reguł (akumulacja) Jest to proces ł czenia wszystkich reguł wyj ciowych w jeden zbiór rozmyty. Najcz ciej wykorzystuje si operator max. 48 Defuzyfikacja Proces uzyskiwania jednoznacznej (ostrej) warto ci jako wyniku wnioskowania. Metody defuzyfikacji: metoda rodka ci ko ci (Center of Gravity) – najpopularniejsza, metoda rodka maximum (Mean Of Maximum) , metoda pierwszego maximum (First of Maxima). 49 COG Dla funkcji ci głej: b YCOG = a µ A ( x) xdx b a µ A ( x)dx $# % ! Dla próbkowanego przedziału zmiennej: b !" # YCOG = . x =a b µ A ( x) x x =a µ A ( x) 50 !" # $# % ! COG – przykład ' (0 + 10 + 20) × 0.1 + (30 + 40 + 50 + 60) × 0.2 + (70 + 80 + 90 + 100) × 0.5 = 67.4 0.1 + 0.1 + 0.1 + 0.2 + 0.2 + 0.2 + 0.2 + 0.5 + 0.5 + 0.5 + 0.5 51 MOM Wyj cie przyjmuje warto : # $# % ! YMOM = Y ( µ max term ) !" YCOG = & . 52 Ró ne wej cia - liczbowe #0 4 5 # 678 9:;;< =>'> 53 Ró ne wej cia - rozmyte 54 #0 4 5 # 678 9:;;< =>'> ' Wnioskowanie typu Segueno Wnioskowanie typu Mamdani nie jest korzystne obliczeniowe, poniewa nale y wyznacza centra dwuwymiarowych figur. Wnioskowanie typu Segueno stosuje pojedyncze warto ci (singletony) jako funkcje przynale no ci znalezionych konsekwencji. Maj one warto ci ró ne od zera tylko w jednym punkcie. 55 ? #! 56 @0 # ' 57 Zalety Segueno Efektywny obliczeniowo Pracuje poprawnie z technikami liniowymi Jest wydajny dla technik optymalizacji i adaptacji. Gwarantuje ci gło płaszczyzny wyj ciowej. Dopasowany do analiz matematycznych. Mamdani Jest intuicyjny. Metoda szeroko wykorzystywana i akceptowana. Dobrze dopasowana do wej opisywanych przez człowieka. 58 & Zastosowanie Wsz dzie tam, gdzie trudno jest utworzy matematyczny model, ale daje si opisa sytuacj w sposób jako ciowy, za pomoc reguł rozmytych. Kontrolery rozmyte. Cz sto w przemy le – kontrola procesów. Inteligentne lodówki, pralki, windy, opiekacze do grzanek, aparaty fotograficzne. Zastosowania medyczne: nieprecyzyjny j zyk daje si przeło y na reguły rozmyte. 59 Zastosowania techniczne Synteza j drowa. Ustalanie drogi przelotu samolotu. Sterowanie procesem spalania paliw w elektrowniach. Kontrola pr dko ci ci arówki. Sterowanie procesem produkcji penicyliny. Kontrola ruchu ulicznego. Mikrokontrolery (68HC12 MCU ). 60 Przykład 1 Sterowanie d wigiem dopasowuj c ci by elementy nie hu tały si na linach. ar i drog , tak 61 Przykład 2 ABS (Antilock-Bracking System) Dynamika pojazdu i hamowanie jest zło onym systemem i zachowuje si silnie nieliniowo. Logika rozmyta jest zatem wietnym rozwi zaniem. Główne komponenty ABS: Electronic control units (ECUs) – przetwarza informacj z sensora i reguluje odpowiednio hamulcami; sensor pr dko ci kół – wysyła impulsy do ECU z cz stotliwo ci proporcjonaln do pr dko ci kół; modulator hamulców. 62 Zastosowanie w biznesie i finansach Inwestycje bankowe. Ocena ryzyka kredytowego. Ocena ryzyka ubezpieczenia. Okre lenie strategii inwestycyjnych. Okre lenie profilu klienta. Kontroler jako ci. Przewidywanie długo ci pobytu w szpitalu. Wyszukiwanie powtarzaj cych si danych w bazach. Prognozowanie giełdowe. Wyznaczanie ramówek dla reklam telewizyjnych. 63