Cw nr 2: Logika rozmyta w medycynie

Zadanie 0
Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest “gorąco” czy raczej „zimno”. A więc znając
wartośd liczbową temperatury chcemy oceniad wartośd funkcji przynależności do klasy „gorąco”. Operując na własności logiki
klasycznej, która przypomnijmy pozwoli nam jedynie korzystad z dwóch wartości logicznych: prawdy (1) i fałszu (0), wartośd funkcji
przynależności do klasy „GORĄCO” określilibyśmy następująco:
Czyli jeśli temperatura w danym dniu wyniesie 49 stopni stwierdzimy, że „nieprawda, że jest gorąco”. Jeśli zaś będzie 50 stopni,
powiemy, że jest „gorąco”. Niezbyt nam się podoba taka klasyfikacja zgodnie z którą jak jest 49 stopni to jeszcze gorąco nie jest, a
jak już jest o 1 stopieo więcej zaledwie, a więc 50 stopni to już jest gorąco. Niestety takie ograniczenia stawia nam właśnie logika
klasyczna. Aby było możliwe określanie bardziej „rozmyte” takich granic klasyfikacji, możemy użyd logiki rozmytej.
W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury
do zbioru „gorąco”.
Zadanie 1
Załóżmy, że mniej lub bardziej gorąco jest mniej więcej w przedziale od 20 do 100 stopni. A więc chcemy mówid, że zdecydowanie
„jest gorąco” gdy temperatura jest większa niż 100stopni, zdecydowanie nie jest gorąco gdy temperatura jest mniejsza niż 20 stopni,
zaś jeśli temperatura jest między 20 a 100 stopniami wartośd powinna byd odpowiednio proporcjonalna i w zakresie od 0 do 1.
Zaproponujmy więc następującą definicję tzw. Funkcji przynależności do klasy „gorąco”:
Funkcje przynależności
Temperatura(°F)
Stopieo
„gorąca”
Stopieo
„zimna”
20
0
1
30
0.13
0.87
40
0.25
0.75
50
0.375
0.625
60
0.5
0.5
70
0.625
0.375
80
0.75
0.25
90
0.875
0.125
100
1
0
Rysunek. Funkcje przynależności do klasy “gorąco” / “zimno”
Zatem dla temperatury np. 30 stopni:



Stopieo przynależności do klasy “gorąco” wynosi wówczas: 0.13
Stopieo przynależności do klasy „zimno” wynosi 0.87.
Możemy też powiedzied, że po prostu gdy temperatura wynosi 30 stopni, w 13% jest gorąco a w 87% jest zimno.
Dlaczego 0,13 ?
Bo podstawiając wartośd “30” do wzoru:
Która jak widad pasuje tylko do środkowego warunku: bo wartośd „30” jest między 20 a 100 stopni, zatem podstawiamy ją
do wzoru:
=10/80 = 1/8 = 0.125=0.13
Proszę wyznaczyd wartośd funkcji przynależności do klasy “gorąco” dla temperatury:
20,35,40,50,60,70,80,90,100
Zadanie 3
Dla dowolnych danych dotyczących wzrostu zaproponuj reprezentację funkcji przynależności, zgodnie z którą będziemy typowad
ludzi wysokich. Zrób to tak, aby w przypadku gdy ktoś ma wzrost mniejszy niż 170 cm funkcja przynależności wynosiła 0, gdy większy
niż 190 cm – wartośd 1, a gdy wzrost jest między 170 a 190 to funkcja niech będzie obliczana jako: (wzrost−170 ) / 20
Zadanie 4
Dwa zbiory rozmyte reprezentują obraz samochodu i ciężarówki, i są zdefiniowane następująco:
Car = {0.5 / truck, 0.4 / motor, 0.3 / boat, 0.9 / car, 0.1 / house}
Truck = {1 / truck, 0.1 / motor, 0.4 / boat, 0.4 / car, 0.2 / house}
Znajdź:
1. Car ∪ Truck
3. not(Car)
5. Car ∪ not(Car)
2. Car ∩Truck
4. Car ∩not(Truck)
6. Car ∩not(Car)
Zadanie 5
Następująca funkcja rozmyta ma byd użyta do obliczania funkcji przynależności da zbioru osób zdrowych. „1” – zdrowy, „0” – nie
zdrowy. Wartośd między 0 a 1 ma określad stopieo przynależności do klasy zdrowych. BMI z przedziału między 20 a 25 to przesłanka
do tego by uznad kogoś za zdrowego. BMI większe niż 27 albo mniejsze niż 18 na pewno nie świadczy o stanie zdrowym. Wartości
BMI bliskie zakresowi wartości dla osób zdrowych – a więc z od 20 do 25, to wartości z przedziału 0 a 1. Np. BMI = 19.6 to 0.8
1. Narysuj graficznie reprezentację funkcji rozmytej health(x) – reprezentującą zarówno klasę „zdrowy” i „niezdrowy”.
2. Jaki jest stopieo przynależności rozmytego zbioru dla osób zdrowych w przypadku Marka, którego BMI wynosi 26.2 ? A jaki jest
stopieo jego przynależności do zbioru „niezdrowych” ?
3. Oblicz swój własny BMI i określ jaki jest stopieo przynależności twojego BMI do klasy zdrowych ?
Zadanie 6
Wiedząc, że dane są następujące reprezentacje
Przykład:
 wysoki mężczyzna=(0/180, 1/190)
 niski mężczyzna=(1/160, 0/170)
 średniego wzrostu mężczyzna=(0/165, 1/175, 0/185)
Wyznacz:
a)


b)



c)


Dopełnienie zbioru:
wysoki mężczyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190)
NOT wysoki mężczyzna =………………………………………….
Iloczyn zbiorów:
wysoki mężczyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190)
średni mężczyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190)
wysoki mężczyzna ∩średni mężczyzna = …………………………………………….
Zawieranie się zbiorów
wysoki mężczyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190)
bardzo wysoki mężczyzna = ……………………………………………………………………
d)



Sumę zbiorów
wysoki mężczyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190)
średni mężczyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190)
wysoki mężczyzna  średni mężczyzna =…………………………………..
Zadanie 7
Nie dana będzie następująca interpretacja wzrostu danej osoby:
Wyznacz graficznie funkcje przynależności do zbiorów:
Compute the graphical representation of the membership function of:
 Small ∩Tall
 (Small ∪Medium)− Tall
Zadanie 8
Stopniowanie zbiorów rozmytych.
Najpierw wyznacz wartości przynależności poszczególnych osób, których wiek będzie podany, do zbioru „stary”. Zastosuj
następujące kryterium dla funkcji przynależności:
Imię
Ewa
Ola
Waldek
Marek
Anna
Mirela
Grzegorz
Marcin
Karol
Kasia
Wiek(x)
33
43
44
51
55
57
61
67
85
88
µwiek(x)
Następnie wiedząc, że można stopniowad zbiory rozmyte oblicz wartośd funkcji przynależności dla każdej osoby do zbioru „bardzo
stary” w oparciu o wartośd funkcji przynależności zbioru „stary”:
1.5
"stary"
1
0.5
"bardzo
stary"
0
33
44 55
61
85
Zadanie 9
Proszę zaproponowad funkcję przynależności, która dla podanej godziny poda odpowiednią porę dnia. Wykorzystaj poniższą
ilustrację rozwiązania:
Zadanie 10
Załóżmy, że mamy dane reguły:
I że funkcje przynależności do poszczególych klas dane są następująco:
Wyznacz ryzyko towarzystwa ubezpieczeniowego dla klienta:
a) Wiek = 35 I moc samochodu = 150 KM
b) Wiek = 55 I moc samochodu = 150 KM
c) Wiek = 35 I moc samochodu = 190 KM
Zadanie 11
Załóżmy, że systemowa baza wiedzy zawiera następujące reguły:
RULE1: IF temperature is hot or warm, THEN the swimming pool is crowded.
RULE2: IF temperature is cold, THEN the swimming pool is quiet.
Funkcje przynależności dla poszczególnych zbiorów niech będą następujące:
1.
2.
Co jest tutaj zmienną lingwistyczną a co wartością lingwistyczną ?
Narysuj funkcje przynależności dla temperatury i liczby sprzedawców na terenie basenu.
Zadanie 12.
Załóżmy, że mamy system będący prostym kontrolerem stosującym błąd sygnału e i zmiana błędu sygnału de jako dane wejściowe i
zadane są 4 reguły w oparciu o które działa model rozmyty:
RULE 1: IF e = P AND de = P THEN x = N
RULE 2: IF e = P AND de = N THEN x = 0
RULE 3: IF e = N AND de = P THEN x = 0
RULE 4: IF e = N AND de = N THEN x = P
Załóżmy, że dane są dwa zbiory rozmyte jako wartości rozmytych zmiennych wejściowych e i de: P (positive) i N (negative). Rozmyta
zmienna wyjściowa ma 3 wartości: P (positive), 0 (zero), N (negative) tak jak to pokazano na rysunku powyżej. Zakładając, że
wejściwe zmienne mają nastpujące wartości funkcji przynależności w zbiorach wejściowych: µN(e) = 0.4; µP(e) = 0.6 i µN(de) = 0.2; i
µP(de) = 0.8
a. stosując wnioskowanie typu Mamdani wykaż, że całkowita wartośd rozmyta wyjściowego zbioru jest taka jak pokazano na
poniższym rysunku (czerwona linia). Narysuj odpowiednie wykresy.
b. Wyostrz wartości wyjścia stosując metodę centroidu.
c. Stosując metodę “zero‐order Sugeno” oblicz wartośd wyjścia. Narysuj graficznie.
d. Porównaj rezyltaty dla obu metod wnioskowania.