Sztuczna inteligencja: zbiory rozmyte
Transkrypt
Sztuczna inteligencja: zbiory rozmyte
Sztuczna inteligencja: zbiory rozmyte Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego lab 1 Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Każdy element należy do zbioru / nie należy do zbioru. x ∈X µ(x) = 1 0 gdy x ∈ X , Przeciwnie Ćwiczenia Suma dwóch zbiorów A i B Ilocznyn zbiorów A i B A-B B-A Ćwiczenia Zasada niesprzeczności ∼ (p AND ∼ p) - zapisać wartościowanie. prawo Dunsa Szkota (p AND ∼ p) q - wartościowanie. prawo wyłączonego środka p OR ∼ p - wartościowanie. Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Aplikacje do przetestowania: Zapobieganie kołysania ładunkiem - za pomocą rozmytego kontrolera: http://people.clarkson.edu/~esazonov/neural_fuzzy/ loadsway/LoadSway.htm Sterowanie dźwigiem przy transporcie: http://www.fuzzytech.com/e/e_a_pfd.html Sterowanie wentylatorem w zależności od temperatury i wilgotnosci powietrza: http://www.ecst.csuchico.edu/~juliano/Fuzzy/FuzzyFan/ Sterowanie mocą silnika żurawia, w zależności od tego jaki jest dystans kontenera do żurawia, oraz jaki jest kąt kołysania się kontenera: http://wing.comp.nus.edu.sg/pris/FuzzyLogic/ DemoAppIets/CCCApplet/CCC.html Obliczenie poziomu tolerancji ryzyka inwestycji: http://wing.comp.nus.edu.sg/pris/FuzzyLogic/ DemoAppIets/IPApplet/IP.html Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Teoria zbiorów rozmytych µ(x) = f (x) gdy x ∈ X , 0 przeciwnie dowolna funkcja o wartościach z przedziału [0, 1] X uniwersum, zbiór uniwersalny, przestrzeń elementów µ(x) funkcja charakterystyczna (funkcja przynależności) - zamiennie m(x). Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Rysunek: Przykład Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Zmienna lingwistyczna - np. wzrost. „Jaś ma 189 cm wzrostu” - „Jaś jest wysoki”. Zbiór wartości lingwistycznych, które może przyjąć zmienna. Np: {niski,wysoki }. Ćwiczenia Zdefiniuj inną zmienną lingwistyczną. Określ jej przykładowe wartości, a następnie podaj dwa przykłady konwersji : wartość dokładna na wartość zmiennej lingwistycznej (według powyższego przykładu). Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja charakterystyczna µ(x) - nazywana jest funkcją przynależności. Interpretuje się jej wartość dla danego x jako stopień, z jakim x należy do zbioru rozmytego. Każdy element x z obszaru rozważań X należy do zbioru rozmytego F zdefiniowanego na tym obszarze z pewnym stopniem przynależności (stopniem zaufania) określonym przez µ(x). Rysunek: Przykład Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Rysunek: Inne funkcje przynależności Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Rysunek: Przykład Ćwiczenia Na podstawie powyższego rysunku zdefiniować formalnie bazę, jądro i α-cięcie. (Wykorzystać symbole µ, x, X ). Zaznaczyć powyższe pojęcia na trapezowej,sigmoidalnej i trójkątnej funkcji przynależności. Zaznaczyć α-cięcie 0.2 i 0.9. Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Zadanie 1 Dla wybranego pojęcia (np. pogoda, wzrost waga) określ wartości zmiennej lingwistycznej. Następnie zdefiniuj odpowiednie formuły w programie excel, które pozwolą określić wartość zmiennej lingwistycznej na podstawie konretnej wartości. Rysunek: Przykład Rysunek: Przykład Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja trójkątna: Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja trójkątna: Rysunek: Funkcja trójkątna Funkcja przynależności γ (gamma): Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja trójkątna: Rysunek: Funkcja trójkątna Funkcja przynależności γ (gamma): Rysunek: Funkcja γ Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja klasy L: Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja klasy L: Rysunek: Funkcja L Funkcja trapezowa:: Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Funkcja klasy L: Rysunek: Funkcja L Funkcja trapezowa:: Rysunek: Funkcja trapezowa Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte 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 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 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 Iloczyn algebraiczny dwóch zbiorów: C = {(, x, µA (x)· µB (x))|x ∈ X } Rysunek: Iloczyn algebraiczny Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte Dopełnienie zbioru rozmytego: µÁ (x) = 1 − µA (x) Rysunek: Dopełnienie zbioru rozmytego Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte 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 Rysunek: Regułowy system wnioskowania rozmytego Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte 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 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 Rysunek: Wartości obserwacji w tabeli Przemysław Juszczuk Sztuczna inteligencja: zbiory rozmyte 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 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