x - UCI AGH
Transkrypt
x - UCI AGH
2013-06-12 Modelowanie niepewności Zbiory rozmyte, liczby rozmyte, logika rozmyta Niepewność Losowość Niedokładność Zmienna losowa Przedziały, zbiory rozmyte Rozmyta Zmienna losowa Rodzaje niepewności Logika rozmyta i klasyczna • Niepewność stochastyczna: Np. rzut kostką, wypadek, ryzyko ubezpieczenia - rachunek prawdop. • Niepewność pomiarowa Około 3 cm; 20 punktów - statystyka. • Niepewność informacyjna: Wiarygodny kredytobiorca, spełniający warunki - data mining. • Niepewność lingwistyczna Np. mały, szybki, niska cena - logika rozmyta Przykład zbioru klasycznego Przynależność do zbioru studentów UEk Przykład zbioru rozmytego Przynależność do zbioru „młodzież” Liczba punktów uzyskanych podczas rekrutacji Wiek 1 2013-06-12 Zbiory klasyczne ZBIORY ROZMYTE młody = { x M | wiek(x) 20 } Zbiorem rozmytym A, określonym na przestrzeni X jest zbiór uporządkowanych par : A x, A ( x )| x X młody(x) gdzie A jest funkcją przynależności (funkcją charakterystyczną) zbioru A. A 0,1 =0.8 0 x=20 A=“młody” x [lata] 1 x [lata] ZBIORY ROZMYTE I FUNKCJA PRZYNALEŻNOŚCI Klasyczne i rozmyte pojęcie „młody człowiek” A=“młody” (x) 20 10 :: wiek wiek(x) > 20 młody(x) = 1 0 Przykłady 1 Funkcja charakterystyczna Zbiór rozmyty A=“młody” Funkcja przynależności A 0 x=23 x [lata] „Temperatura wrzenia” ma wartość około 100 stopni (ciśnienie, skład chemiczny). W T e2T 100 2 Inny przykład zbiorów rozmytych. ROZMYWANIE - FUZZIFICATION Na rysunku pokazano przykładowy przebieg funkcji przynależności dla trzech zbiorów rozmytych: • mała liczba • średnia liczba • duża liczba 2 2013-06-12 Nośnik zboru rozmytego i jego jądro OPERATORY LOGIKI ROZMYTEJ zbiory rozmyte osoby niskie LUB średnie osoby NIE średnie Rozmyta relacja osoby średnie I wysokie Jeszcze jeden przykład Liczby rzeczywiste znacznie większe od 10 0 dla x 10 2 1 1 x 10) dla x 10 A~ x x 11 B~ ( x) (1 ( x 11)4 )1 1 0.8 0.6 0.4 0.2 0 -0.2 0 5 10 15 20 25 30 x Jednym z często stosowanych narzędzi sztucznej inteligencji jest logika rozmyta Rozmyta interpretacja określenia „około” 1.2 1 f. przynależności ~ x, ~ x , x R B B 1.2 f. przynależności ~ x, ~ x , x R A A 0.8 0.6 0.4 0.2 0 0 5 10 15 20 25 x W logice tej przynależność określonego obiektu do określonej kategorii opisywana jest funkcją przynależności przyjmującą dowolne wartości z przedziału od 0 do 1 3 2013-06-12 Przykład rozmytego opisu środowiska dla prostego robota Przykład rozmytej kategoryzacji dla sensorów odległości (dla sterowania robota wymijającego przeszkody) Proces tworzenia rozmytego lingwistycznego modelu systemu rzeczywistego Interpretacja i wyznaczanie funkcji przynależności Stopień podobieństwa – miara bliskości elementu x do wzorca (rozmyte grupowanie danych, rozmyte sterowanie Stopień preferencji – A przedstawia zbiór mniej lub bardziej preferowanych obiektów. μA(x) to określenie preferencji dotyczącej obiektu x (rozmyta optymalizacja). Stopień niepewności - μA(x) to stopień możliwości, że zmiennej X przypisujemy wartość x, gdy jedyną wiedzą, jaką posiadamy jest „X jest A” (teoria możliwości) Definicje Support (baza) zbioru rozmytego A: supp(A) = { x X : A(x) > 0 } Core (jądro) zbioru rozmytego A: core(A) = { x X : A(x) =1 } a-cut (a-cięcie) zbioru rozmytego A: Aa = { x X : A(x) > a } a=0.6 Wysokość = max x A(x) 1 Zbiór rozmyty normalny: sup x X A(x) = 1 4 2013-06-12 Typy Funkcji Przynależności Terminologia Trapezoid: <a,b,c,d> (x) 1 MF Gaus/Bell: N(m,s) (x) 1 s 1 0 .5 a 0 Core X a b a - cut 0 d x c x a / 2s 2 2 B x; a, b Support Funkcje Przynależności 1 xa 1 b 2b Zmienne lingwistyczne Singleton: (a,1) i (b,0.5) Trójkątna: <a,b,c> (x) 1 0 x xa d x Trap x; a, b, c, d max min , ,1 , 0 ba d c G x; a e Crossover points c Zmienne lingwistyczne są reprezentowane przez czwórkę (x) danych (x, T(x), U, M~ ), gdzie 1 x jest nazwą zmiennej, a b c x 0 a b x xa cx T x; a, b, c max min , , 0 b a c b T(x) to zbiór wartości zmiennej x, U – uniwersum, M~ – reguła przyporządkowania zmiennej lingwistycznej do zbiorów rozmytych. Zmienna lingwistyczna WIEK x = „wiek” T(x)= (b. stary, stary, w średnim wieku, młody, ...) U=[0,130] ~(stary)={u, (u), u U} M stary dla u 50 0 2 1 u 50 1 5 dla u 50 stary(u ) (x) 1 0 zimno ciepło 20 gorąco 40 x [C] 5 2013-06-12 Iloczyn zbiorów rozmytych ~A ~B ~ Funkcja przynależności zbioru C Na zbiorach rozmytych można wykonywać działania jest mniejszą z wartości funkcji przynależności zbiorów A i B c ( x) min( A ( x), B ( x)) dla x X Uogólnieniem pojęcia iloczynu zbiorów na zbiory rozmyte są tzw. t - normy Operator t-normy (T) określa sposób znalezienia części wspólnej zbiorów rozmytych. Charakteryzuje się następującymi cechami: T:[0,1] [0,1] [0,1] przestrzenie odwzorowania T(0,0) = 0 zerowanie T(A(x), 1) = A(x) tożsamość jedynki T(A(x), B(x)) = T(B(x), A(x)) przemienność t-normy minimum (MIN) AB(x)=MIN(A(x), (B(x)) iloczyn (PROD) AB(x)=A(x)* (B(x) ograniczona różnica AB(x)=MAX(0, A(x)+B(x)-1) T(A(x), T(B(x), C(x))) = T(T(A(x), B(x)), C(x)) łączność A(x) C(x), B(x) D(x) T(A(x), B(x)) T(C(x), D(x)) monotoniczność s-normy Suma zbiorów rozmytych operatory realizujące sumowanie zbiorów rozmytych Cechy operatów s-normy: T: [0,1] [0,1] [0,1] przestrzenie odwzorowania jest większą z wartości funkcji przynależności zbiorów A i B. T(0,0) = 0 zerowanie c ( x) max( A ( x), B ( x)) dla x X T(A(x), 1) = 1 tożsamość jedynki ~B ~ Funkcja przynależności zbioru C~ A T(A(x), B(x)) = T(B(x), A(x)) przemienność T(A(x), T(B(x), C(x))) = T(T(A(x), B(x)), C(x)) łączność A(x) C(x), B(x) D(x) T(A(x), B(x)) T(C(x), D(x)) monotoniczność 6 2013-06-12 Przykłady Operatory sumy zbiorów Suma Iloczyn AB(x)=max{A(x),B(x)} MAX AB(x)=MAX(A(x), B(x)) suma algebraiczna AB(x)=A(x)+B(x)-A(x)B(x) suma ograniczona AB(x)=MIN(1, A(x)+B(x)) 1 A(x) AB(x)=min{A(x),B(x)} B(x) 0 AB(x)=min{1,A(x)+B(x)} 1 B(x) x AB(x)=A(x) B(x) A(x) 1 0 B(x) 0 x A(x) A(x) 1 B(x) 0 x x AB(x)=min{A(x),B(x)} A(x) B(x) 1 0 Przykłady a•b MAX(a,b), min( 0,[1 ( x 11)4 ]1 ) dla x 10 C~ ( x ) -2 1 4 1 min([1 (x - 10) ] ,[1 ( x 11) ] ) dla x 10 ~A ~B ~ C a+b max( 0,[1 ( x 11)4 ]1 ) dla x 10 ~B ~A ~ D D~ ( x ) - 2 1 4 1 max([1 (x - 10) ] ,[1 ( x 11) ] ) dla x 10 1.2 1 f. przynależności MIN(a,b), x 0.8 0.6 iloczyn 0.4 suma 0.2 0 -0.2 0 5 10 15 20 25 x 7 2013-06-12 Czasami użyteczne bywa także dopełnienie zbioru rozmytego ~ (A ~ ) C c ( x) 1 A ( x) dla x X Wybrane T-normy i S-normy T-norma T(z(x), y(x)) Minimum min z ( x), y ( x) S-norma T(z(x), y(x)) Maximum max z ( x), y ( x) Iloczyn algebraiczny z ( x) y ( x) Suma algebraiczna z ( x) y ( x) z ( x) y ( x) Iloczyn silny min z ( x), y ( x) gdy max z ( x), y ( x) 1 Silna suma max z ( x), y ( x) gdy min z ( x), y ( x) 0 0 w przeciwnym przypadku 1 w przeciwnym przypadku AND Łukasiewicza max 0, z ( x) y ( x) 1 OR Łukasiewicza min 1, z ( x) y ( x) Iloczyn Einsteina z ( x) y ( x) 2 z ( x) y ( x) z ( x) y ( x) Suma Einsteina z ( x) y ( x) 1 z ( x) y ( x) Iloczyn Hamachera z ( x) y ( x) Suma Hamachera z ( x) y ( x) 2 z ( x) y ( x) z ( x) y ( x) z ( x) y ( x) T-Operator Yagera 1 b 1 min 1, 1 z ( x) 1 y ( x)b b S-Operator Yagera 1 min 1, z ( x)b y ( x)b b Liczby rozmyte 1 z ( x) y ( x) Dodawanie liczb rozmytych Zwykle wypukłe, unimodalne (jedno maksimum). Liczby: jądro = punkt, x (x)=1 Monotonicznie maleją po obu stronach jądra. Typowy wybór: trójkątne funkcje (a,b,c) lub singletony. 1 2 3 4 5 6 7 8 9 około trzy dodać około pięć to jest około osiem Operacje na liczbach rozmytych Dodawanie: A+B(x) = max{A(y), B(z) | x = y+z} (x) A(y) B(z) A+B(x) 1 Funkcja Jeśli y=f(x), i x=a to y=b. Dla punktów - krzywa dla interwałów - pasmo. y 0 x Iloczyn: AB(x) = min{A(y), B(z) | x = yz} (x) 1 A(y) B(z) y b b y = f(x) y = f(x) AB(x) a x x a 0 x Dla rozmytych zmiennych x ? 8 2013-06-12 Rozmyte funkcje Rozmyte relacje Mamy zbiór rozmyty A i funkcję f : Jak wygląda f(A)? • Relacje klasyczne R X Y def: Dla dowolnej funkcji f: f(A)(y) = max{A(x) | y=f(x)} R(x,y) opisuje stopień powiązania x i y A(x) (x) A max x Inna interpretacja: stopień prawdziwości zdania x R y x Przykłady rozmytych relacji Bliskie: X Y; X zależy od Y; X podobne do Y ... Jeśli zm. lingw-1 = term-1 i zm. lingw-2 = term-2 to zm. lingw-3 = term-3 Y = { opalanie, wrotki, kamping, lektura } kamping lektura deszczowo 0.0 0.2 0.0 1.0 pochmurnie 0.0 0.8 0.3 0.3 1.0 0.2 0.7 0.0 słonecznie wrotki Reguły rozmyte Wiedzę potoczną można często zapisać w naturalny sposób za pomocą reguł rozmytych. X = { deszczowo, pochmurnie, słonecznie } opalanie R {10 iffiff (x,y) (x,y) R • Relacje rozmyte R X Y def: R(x,y) [0,1] f X/Y R(x,y) = Relacje rozmyte związane są z korelacjami. Jeśli Temperatura = zimno i cena ogrzewania = niska to grzanie = mocno Co oznacza reguła rozmyta: Jeśli x jest A to y jest B ? Korelacja A i B, lub implikacja A =>B Zastosowania logiki rozmytej Wszędzie tam, gdzie trudno jest utworzyć matematyczny model ale daje się opisać sytuację w sposób jakościowy, za pomocą reguł rozmytych. Kontrolery rozmyte: jeśli się przewraca to popchnąć. Inteligentne lodówki, pralki, windy, opiekacze do grzanek, aparaty fotograficzne. Metody logiki rozmytej są bardzo często łączone z metodami sieci neuronowych Zastosowania medyczne: nieprecyzyjny język daje się przełożyć na reguły rozmyte. Wiele zastosowań przemysłowych, głównie dotyczących kontroli procesów. 9 2013-06-12 Różne sposoby łączenia zbiorów rozmytych i sieci neuronowych Architektura systemu neuronowo-rozmytego Zbiory rozmyte Siła i atrakcyjność logiki rozmytej bierze się stąd, że zostały opracowane i oprogramowane metody sprawnego wnioskowania na podstawie rozmytych przesłanek i reguł Sieci neuronowe Uczenie parametrów zbioru rozmytego Rozmyta sieć neuronowa Kluczem są tu implikacje rozmyte AB gdzie A i B to zbiory rozmyte określone przez swoje funkcje przynależności Rozmyta implikacja Jeśli korelacja to wystarczy T-norma T(A,B). A=>B ma wiele realizacji Implikacja rozmyta AB(x,y) opisana jest funkcją przynależności zdefiniowaną na zbiorze będącym iloczynem kartezjańskim zbiorów przesłanki i konkluzji. Istnieje wiele reguł obliczania funkcji prawdziwości implikacji rozmytych 10 2013-06-12 W rezultacie często systemy, które oryginalnie dostarczają danych pewnych (a nie rozmytych) są przekształcane do rozwiązań opartych na logice rozmytej Przykładowe funkcje przynależności różnych kategorii związanych ze sterowaniem bezzałogowego samolotu Przykład: www.intelligentsolutionsinc.com Cel: zbudować rozmyty system ekspertowy wspomagający wnioskowanie o operacjach wydobycia na podstawie: • cen ropy • wykazanych rezerw korporacji. Dane są: • zbiory rozmyte dla cen ropy • zbiory rozmyte dla wykazanych rezerw korporacji • zbiory rozmyte zaangażowania w operację wydobycia (wyjcie). • reguły postępowania przy zadanych wejściach. Przykład – rezerwy korporacji Przykład – cena ropy 11 2013-06-12 Przykład – zaangażowanie w zwiększenie wydobycia Przykład – reguły rozmyte Reguła 1: IF cena ropy jest wysoka AND wykazane rezerwy są niskie THEN zwiększenie operacji wydobycia wysoce wskazane. Przykład - fuzzyfikacja Cena ropy $20.00 za baryłkę i zapasy korporacji 9 MMBBLs (million barrels). Przykład – rozmyta wartość wynikowa 12 2013-06-12 Interpretacja graficzna metody wyostrzania średnią geometryczną 1 a b+c+d 0.6 0.4 0.2 0 1 Wyostrzanie metodą średniej parametrycznej przy różnych wartościach parametru p c d a b a=Ywyn up(0), b=Ywyn up (1), c=Ywyn down(1), d=Ywyn down(0) 0.8 u(y) Wyostrzanie wielkości rozmytych y= 2 3 4 y 5 6 7 ROZMYTE SIECI NEURONOWE 1 u(y) 0.8 0.6 0.4 0.2 0 1 2 3 4 y 5 6 7 y = mean(Ywyn up(p), Ywyn down(p)) p – parametr mieszczący się przedziale funkcji przynależności µ [0, 1] określający poziom, na którym zostają obliczone wartości funkcji up i down zbioru Ywyn SKŁADNIKI ROZMYTEJ SIECI NEURONOWEJ SIEĆ NEURONOWA LOGIKA ROZMYTA -APROKSYMACJA DOWOLNEJ FUNKCJI WIELOWYMIAROWEJ -FUNKCJE PRZYNALEŻNOSCI -WNIOSKOWANIE ROZMYTE -- UCZENIE SIĘ NA PRZYKŁADACH RODZAJE INTEGRACJI NN I FS NEURONOWY I ROZMYTY NEURONOWY/ROZMYTY ROZMYTY-NEURONOWY - PROSTA IMPELMENTACJA FNN NEURONO-PODOBNY ROZMYTY ROZMYTO-PODOBNY NEURONOWY 13 2013-06-12 RODZAJE INTEGRACJI NN I FS KOOPERACYJNA SIEĆ ROZMYTA NEURONOWY Z ROZMYTYM WEJŚCIEM/WYJŚCIEM NEURONOWO ROZMYTY ROZMYTY NEURONOWY KOOPERACYJNA FNN WYKORZYSTANIE WYKORZYSTANIE SIECI NEURONOWYCH W CELU TWORZENIA FUNKCJI PRZYNALEŻNOSCI WSPÓŁBIEŻNE SIECI FNN FAM – Fuzzy Associative Memory – Rozmyta Pamięć Skojarzeniowa –macierzowy opis funkcji przynależności WYKORZYSTANIE SIECI NEURONOWEJ DO PRZYGOTOWANIE DANYCH WEJSCIOWYCH DLA CZĘŚCI ROZMYTEJ NEURON KLASYCZNY I ROZMYTY Prosta, klasyczny sieć NEURON ROZMYTY AND OR neuronowa: 14 2013-06-12 NURON ROZMYTY Kwan & Cai REGULARNA SIEĆ FNN HYBRYDOWE SYSTEMU FNN Fuzzy Adaptive Learning Control Network (FALCON) Przykłady hybrydowych sieci FNN: - FALCON - ANFIS - GARIC - Takagi Sugeno - Mamdani - NEFCLASS (Neuro-Fuzzy Classification) Trening sieci FALCON Pierwsza warstwa odpowiada za rozmywanie W drugiej warstwie następuje wyliczenie stopnia spełnianie części IF wnioskowania rozmytego W czwartej warstwie wyliczamy część THEN wnioskowania rozmytego Warstwa trzecia odpowiada zasadom wnioskowania Piąta warstwa odpowiada za wyostrzanie Nienadzorowane tworzenie prototypów funkcji przynależności Wykorzystanie propagacji wstecznej ANFIS (Adaptive Network Based Fuzzy Inference System) Trening sieci opiera się na poszukiwaniu właściwej postaci trzecie warstwy sieci – zasad wnioskowania - jeden z pierwszych hybrydowych FNN (1992) Przy pomocy dostępnych danych tworzymy pary rozmyte wejście rozmyte wyjście w oparciu o ustalone funkcje przynależności - ustalona struktura Warstwa trzecie będzie tworzona tak, aby z każdego węzła wejściowego i wyjściowego połączyć się do wariantu o najwyższej przynależności Waga reguły będzie zależeć od stopnia przynależności węzłów wyjściowych z którymi jest połączona - adaptacja odbywa się tylko w ramach wartości paramentów - podczas treningu zostają ustalone funkcje przynależności 15 2013-06-12 GARIS (Generalized Approximate Reasoning Based Intelligent Control) ASN (Action Selection Network) - sieć FNN 5-cio warstwowa - sieć neuronowa i sieć FNN - ASN (Action Selection Network) - AEN (Action State Evaluation ) - SAM (Stochastic Action Modifier) PRASA WALCOWA HITACHI WENTYLATOR AUTOMATYCZNY SANYO - logika rozmyta szacuje odległość wiatrak – pilot - WCZESNE ZASTOSOWANIE METOD NN+FS (ROK 1992) - sieć neuronowa określa kierunek między osią wiatraka a pilotem - SIEĆ NEURONOWA ODPOWIADA ZA ROZPOZNAWNIE WZORCÓW - lepsze możliwości śledzenia pilota od otrzymanych wprost z danych czujników -LOGIKA ROZMYTA RALIZUJE REAKCJE NA PODSTAWIE STOPNIE DOPASOWANIA DO WZORCÓW BIBLIOGRAFIA - Robert Full´er, Neural Fuzzy Systems, ˚Abo 1995 - Justyna Signerska i Krzysztof Bartoszek, Logika rozmyta - Hideyuki Takagi, Fusion Technology of Neural Networks and Fuzzy Systems: A Chronicled Progression from the Laboratory to Our Daily Lives - Sushmita Mitra, Neuro–Fuzzy Rule Generation: Survey inSoft Computing Framework - Zadeh, Fuzzy Sets, 1965 - Ajith Abraham, Neuro Fuzzy Systems: State-of-the-art Modeling Techniques - HR Berenji, P Khedkar, Learning and tuning fuzzy logic controllers through reinforcements 16