Sztuczna inteligencja : Zbiory rozmyte cz. 2
Transkrypt
Sztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Funkcja trójkątna: Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Funkcja trójkątna: Rysunek: Funkcja trójkątna Funkcja przynależności γ (gamma): Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Funkcja trójkątna: Rysunek: Funkcja trójkątna Funkcja przynależności γ (gamma): Rysunek: Funkcja γ Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Funkcja klasy L: Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Funkcja klasy L: Rysunek: Funkcja L Funkcja trapezowa:: Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Funkcja klasy L: Rysunek: Funkcja L Funkcja trapezowa:: Rysunek: Funkcja trapezowa Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Zadanie 2 Następująca funkcja rozmyta ma być użyta do obliczania funkcji przynależności dla zbioru osób zdrowych. „1” - zdrowy, „0” - nie zdrowy. Wartość pomiędzy 0 a 1 ma określać stopień przynależności do klasy zdrowych. BMI z przedziału między 20 a 25 to przesłanka do tego, by uznać kogoś za zdrowego. BMI większe niż 27 albo mniejsze niż 18 na pewno świadczy o stanie zdrowym. Wartości BMI bliskie zakresowi wartości dla osób zdrowych - a więc od 20 do 25, to wartości z przedziału 0 a 1. Np. BMI = 19.6 to 0.8. Narysuj graficznie reprezentację funkcji rozmytej health(x). Jaki jest stopień przynależności rozmytego zbioru dla osób zdrowych w przypadku Marka, którego BMI wynosi 26.2? Oblicz swój własny BMI waga BMI = wzrost·wzrost Rysunek: Przykład Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Zadanie 3 Zaproponuj funkcję przynależności dla wartości zmiennej lingwistycznej z zadania 1. Oblicz wartość funkcji przynależności dla 3 wybranych przez siebie wartości. Np. dla wskaźnika BMI 28, 23.2, 26.1. Zadanie 4 Funkcję zdefiniowaną w poprzednim zadaniu zapisz w programie excel w postaci funkcji. W jednej kolumnie powinny znajdować się wartości, nastomiast w kolumnie drugiej wartość funkcji przynależności. Rysunek: Przykład Rysunek: Przykład Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Suma logiczna (ang. union) zbiorow A oraz B, o funkcjach przynależności µA (x), µB (x), to zbior rozmyty C o funkcji przynależności stanowiącej maksimum: µC (x) = µA+B (x) = max(µA (x), µB (x)) Iloczyn logiczny (ang. intersection), to zbiór rozmyty C o funkcji przynależności równej minimum: µC (x) = µA·B (x) = min(µA (x), µB (x)) Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Iloczyn algebraiczny dwóch zbiorów: C = {(, x, µA (x)· µB (x))|x ∈ X } Rysunek: Iloczyn algebraiczny Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Dopełnienie zbioru rozmytego: µÁ (x) = 1 − µA (x) Rysunek: Dopełnienie zbioru rozmytego Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Koncentracja zbioru: µCON(A) (x) = (µA (x))2 Rozcieńczenie zbioru: µDIL(A) (x) = (µA (x))0.5 Rysunek: Koncentracja i rozcieńczenie zbioru Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Rysunek: Regułowy system wnioskowania rozmytego Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przetwarzanie wstępne (ang. preprocessing) polega na przekształceniu danych doprowadzonych do wejścia systemu do formatu akceptowanego przez moduł wnioskowania. Przetwarzanie końcowe (ang. postprocessing) służy do konwersji danych wyjściowych z tego modułu do postaci zgodnej z wymogami układów zewnętrznych. Procedura fuzyfikacji (z ang. fuzzification), polega na transformacji wartości z dziedziny liczb rzeczywistych na wartości z dziedziny zbiorów rozmytych. W tym celu dokonuje się wyznaczenia wartości funkcji przynależności dla kolejnych zmiennych lingwistycznych i dla danej rzeczywistej wartości wejściowej. Defuzyfikacja (ang. defuzzification), zwana również wyostrzaniem, jest przekształceniem odwrotnym do rozmywania, czyli transformacją informacji zawartej w zbiorze rozmytym do postaci pojedynczej wartości (crisp value) Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Usuwanie danych odstających. Gdzie pewna wartość ze zbioru danych wejściowych znacznie odstaje od pozostałych. Może się tak zdarzyć min. na skutek błędnie odczytanych wejściowych, przekłamania w zapisie itp. Rysunek: Dane odstające na wykresie Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Rysunek: Wartości obserwacji w tabeli Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Skalowanie danych do zadanego przedziału. Np: Dane wejściowe należą do przedziału < xmin : xmax > Dane wyjściowe należą do przedziału < ymin : ymax > y = ymin + (x−xmin )·(ymax −ymin ) xmax −xmin Sieci neuronowe < −1, 1 > Rozmyte sieci kognitywne < 0, 1 > Normalizacja danych do przedziału < 0 : 1 > y = x/xmax W przypadku danych ujemnych : przedział < −xmin , xmax > na < 0, ymax > Dyskretyzacja danych wejściowych podział zbioru początkowego na n równych części. podział zbioru w zależności od częstości występowania obiektów. Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2 Projekt Przygotować aplikację - parser, gdzie: Wybór pliku z danymi format wejściowy dancych: „chwila czasu” tab „nazwa pojęcia” tab „wartość pojęcia” 1 Pojecie1 17 1 Pojecie2 12 1 Pojecie3 8 2 Pojecie1 7 2 Pojecie2 5 2 Pojecie3 18 3 Pojecie1 3 3 Pojecie2 12 3 Pojecie3 14 itd. Wybór pomiędzy normalizacją 0:1 oraz skalowaniem danych. W przypadku skalowania danych : wybór nowego zakresu zmiennych. Zapis znormalizowanych/przeskalowanych danych do pliku. Przemysław Juszczuk Sztuczna inteligencja : Zbiory rozmyte cz. 2