Dlaczego potrzebujemy systemo w opartych na logice rozmytej typu 2
Transkrypt
Dlaczego potrzebujemy systemo w opartych na logice rozmytej typu 2
Dlaczego potrzebujemy systemow opartych na logice rozmytej typu 2 Jerry Mendel, będący ekspertem w dziedzinie systemów opartych na logice rozmytej wyjaśnia dlaczego potrzebujemy systemów bazujących na logice rozmytej typu 2 w celu modelowania oraz minimalizowania negatywnych efektów szerokiego zakresu niepewności, który może pojawić się w systemach wykorzystujących logikę rozmytą. Logika rozmyta w swojej oryginalnej postaci (ang. Fuzzy Logic), zaproponowanej przez Lotfi Zadeh’a, istnieje od ponad trzydziestu pięciu lat i wciąż nie posiada odpowiedniego wsparcia dla niepewności. Jako wsparcie rozumie się modelowanie oraz minimalizowanie negatywnego wpływu niepewności. Brak wspomnianego wsparcia ze strony oryginalnej logiki rozmytej (typu 1) może wydawać się paradoksalny, jako że już sama nazwa (logika rozmyta) stanowi konotację dla słowa niepewność. Rozszerzona logika rozmyta (typu 2) posiada takie wsparcie, ponieważ umożliwia modelowanie oraz minimalizowanie efektów stosowania niepewności. Jeżeli wyeliminujemy wszelkie niepewności, logika rozmyta typu 2 redukuje się do logiki rozmytej typu 1, tak jak prawdopodobieństwo redukuje się do determinizmu gdy wyeliminujemy losowość. Powstało wiele aplikacji wykorzystujących logikę rozmytą typu 1, jednak dopiero zastosowanie jej w systemach opartych o reguły miało największy wpływ na pokazanie jak duże znaczenie ma ona jako metodologia projektowania systemów. Rysunek 1. System bazujący na logice rozmytej System bazujący na logice rozmytej (ang. Fuzzy Logic System), oparty na regułach, pokazany jest na rysunku 1. Jego moduł rozmywający (ang. Fuzzifier), mechanizm wnioskujący (ang. Inference mechanism) (powiązany z regułami, będącymi sercem systemu) oraz generator wyjścia (ang. Output processor) wykonują operacje na zbiorach rozmytych, scharakteryzowanych przez funkcje przynależności. System bazujący na logice rozmytej, wykorzystujący jedynie zbiory rozmyte typu 1, nazywany jest systemem opartym na logice rozmytej typu 1 (ang. Type-1 Fuzzy Logic System). Analogicznie, system zdefiniowany z użyciem przynajmniej jednego zbioru rozmytego typu 2 nazywany jest systemem opartym na logice rozmytej typu 2 (ang. Type-2 Fuzzy Logic System). Generatorem wyjścia dla systemu typu 1 jest mechanizm wyostrzający (ang. Defuzzifier); jego zadaniem jest przekształcenie zbioru rozmytego typu 1 do postaci liczbowej (zbioru rozmytego typu 0). Generator wyjścia dla systemu typu 2 składa się z dwóch komponentów. Po pierwsze, zbiór rozmyty typu 2 przekształcany jest do postaci zbioru rozmytego typu 1 za pomocą redukcji typu. Następnie, zredukowany zbiór przekształcany jest do postaci liczbowej za pomocą mechanizmu wyostrzania. Systemy typu 1 nie posiadają bezpośredniego wsparcia dla niepewności zawartych w regułach, ponieważ korzystają wyłącznie ze zbiorów rozmytych typu 1, które posiadają ostre definicje. Z drugiej strony, systemy typu 2 są przydatne gdy ciężko jest zdefiniować w dokładny sposób funkcję przynależności dla zbioru rozmytego; stąd wynika możliwość wykorzystania ich do zdefiniowania niepewności zawartych w regułach lub niepewności pomiarów. Systemy typu 2 nadały systemom bazującym na logice rozmytej nowy, niezwykle ważny kierunek rozwoju. Co to jest za nowy kierunek i dlaczego jest on tak ważny? Żeby odpowiedzieć na to pytanie w możliwie jak najjaśniejszy sposób, niezbędna jest dygresja w celu omówienia kilku aspektów, które bez wątpienia są znane. Teoria prawdopodobieństwa używana jest w celu modelowania losowych niepewności i w ramach tej teorii zaczniemy od omówienia funkcji gęstości prawdopodobieństwa (ang. Probability density function), która ucieleśnia wszelkie informacje dotyczące losowych niepewności. W rzeczywistych aplikacjach niemożliwe jest wyznaczenie funkcji gęstości prawdopodobieństwa, zatem jest ona możliwa do scharakteryzowania jedynie za pomocą wszystkich jej istniejących momentów. Jeżeli funkcja gęstości prawdopodobieństwa jest funkcją Gaussa, wówczas dwa momenty – środek i zmienność – wystarczają do jej wyznaczenia. Dla większości funkcji gęstości prawdopodobieństwa, potrzeba nieskończonej liczby momentów. W praktyce obliczana jest taka liczba momentów, która powinna zagwarantować jak największej ilości informacji z danych. Na końcu używamy środka oraz zmienności. W niektórych przypadkach używa się momentów wyższych niż drugiego rzędu. Wykorzystywanie momentów pierwszego rzędu nie byłoby zbyt pożyteczne, ponieważ losowa niepewność wymaga zrozumienia dyspersji względem środka a ta informacja jest dostarczana poprzez zmienność. Akceptowalne modelowanie probabilistyczne losowych niepewności, w większości korzysta z metod, które używają przynajmniej dwóch momentów funkcji gęstości prawdopodobieństwa. Z tego powodu popularne są projekty bazujące na minimalizowaniu błędu średniokwadratowego. Czy moglibyśmy oczekiwać więcej od systemów opartych o logikę rozmytą dla niepewności zawartych w regułach lub jakiegokolwiek innego typu niepewności? Możemy przyjąć efekt wyjściowy systemu opartego na logice typu 1 – wynik defuzyfikacji – jako analogię do środka funkcji gęstości prawdopodobieństwa. (Bez wchodzenia w dyskusję na temat równorzędności pomiędzy prawdopodobieństwem obiektowym i zbiorami rozmytymi typu 1, analogia pomiędzy wynikiem defuzyfikacji systemu bazującego na logice rozmytej typu 1 a środkiem funkcji gęstości prawdopodobieństwa ma być rozumiana jedynie w taki sposób.) Tak samo jak zmienność jest miarą dyspersji względem środka i jest używana do zdobycia większej ilości informacji na temat niepewności probablistycznej w systemach rzeczywistych, tak systemy oparte na logice rozmytej również potrzebują miary rozproszenia, żeby zdobyć więcej informacji na temat niepewności niż jedną, konkretną liczbę (jest to wcześniej wspomniany nowy kierunek rozwoju systemów). Logika rozmyta typu 2 zapewnia taką miarę dyspersji i wydaje się być podstawą do projektowania systemów, zawierających niepewności lingwistyczne lub numeryczne, które tak mają się do reguł oraz niepewności wejściowych jak zmienność do środka funkcji gęstości prawdopodobieństwa. Tak jak losowe niepewności przechodzą przez system i ich efekty mogą być oceniane używając środka oraz zmienności, losowe niepewności lingwistyczne przepływają przez system bazujący na logice rozmytej typu 2 a efekty mogą być mierzone za pomocą wyniku defuzyfikacji oraz wartości wyjściowych zredukowanego typu. Tak jak zmienność zapewnia miarę dyspersji względem środka i jest często używana w standardowych interwałach, tak zredukowane dane wyjściowe mogą być interpretowane jako zapewnienie miary dyspersji względem zdefuzyfikowanych danych wyjściowych. Może być to rozumiane jako lingwistyczny interwał pewności. Tak jak wraz ze wzrostem losowej niepewności, wzrasta zmienność, tak zbiór zredukowany wzrasta wraz ze wzrostem niepewności losowej lub lingwistycznej. System bazujący na logice rozmytej typu 2 jest analogiczny do systemu probabilistycznego w pierwszym i drugim momencie, podczas gdy system bazujący na logice rozmytej typu 1 jest analogiczny jedynie w pierwszym momencie. Systemy wykorzystujące logikę typu 2 posiadają więcej stopni swobody niż systemy oparte na logice rozmytej typu 1, ponieważ zbiory rozmyte typu 2 opisane są za pomocą większej liczby parametrów niż zbiory typu 1. Jest to analogiczne do funkcji gęstości prawdopodobieństwa opisanej za pomocą większej liczby parametrów (na przykład Gaussowska funkcja gęstości prawdopodobieństwa opisana jest za pomocą jej środka i odchylenia standardowego) niż jej odpowiednik deterministyczny (na przykład zdegenerowana Gaussowska funkcja gęstości prawdopodobieństwa jest jednym z przypadków, gdzie odchylenie standardowe wynosi 0 i jest definiowana jedynie za pomocą środka). To sugeruje, że systemy oparte na logice rozmytej typu 2 mają potencjał, żeby przewyższyć systemu oparte na logice typu 1, z uwagi na ich większą liczbę stopni swobody. Obecnie nie istnieją żadne dowody matematyczne na poparcie tej teorii, jednakże zdaniem autora, w każdej aplikacji z wykorzystaniem logiki rozmytej typu 2, zaobserwowano większą wydajność niż z użyciem logiki rozmytej typu 1. Podsumowując, potrzebujemy systemów opartych na logice rozmytej typu 2 w celu modelowania niepewności oraz minimalizowaniu ich efektów, z wykorzystaniem systemu bazującego na regułach.