P. 1
Logika rozmyta

Logika rozmyta

|Views: 32|Likes:
Wydawca: woooojciech

More info:

Published by: woooojciech on May 11, 2012
Prawo autorskie:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/02/2013

pdf

text

original

Logika rozmyta (ang.

fuzzy logic)
Podstawy teorii zbiorów rozmytych. Teoria zbiorów rozmytych została sformułowana przez prof. Lotfi Zadeha w połowie lat sześćdziesiątych jako alternatywa dla klasycznych pojęć dotyczących teorii zbiorów i logiki pochodzących jeszcze z czasów starożytnej filozofii greckiej. Przesłanki do jej powstania i rozwoju wynikły z potrzeby opisania złożonych zjawisk lub słabo zdefiniowanych pojęć, trudnych do opisania przy pomocy klasycznego aparatu matematycznego. Naturalny język operuje pojęciami niedokładnymi i jakościowymi, na przykład “Jaś jest wysoki” lub “Dzisiaj jest bardzo zimno”. Takie pojęcia jest bardzo przetłumaczyć na język zrozumiały dla maszyn nic nie tracąc z samego ich charakteru. Dla człowieka bardziej naturalny jest opis otaczającego świata za pomocą słów, czyli wielkości jakościowych. Na przykład określanie wzrostu za pomocą słów: mały, średni, wysoki jest bardziej naturalne i prostsze niż oszacowanie go w centymetrach lub calach. Opis jakościowy jest mniej precyzyjny i zależny od osoby opisującej. Nieprecyzyjność ta nie wynika z braku wiedzy o wartości pewnej wielkości, ale właśnie z subiektywnej oceny osoby lub grupy osób. Wzrost równy 165cm. traktowany jest jako niski przez współczesnego Polaka, natomiast przez Pigmeja jako bardzo wysoki. Subiektywne określanie pewnych własności prowadzi do rozmycia granic zbioru obiektów, do których ta własność się odnosi. Człowiek o wzroście 170cm. przez jedną grupę zostanie zaliczony do zbioru osób niskich, a przez inną do zbioru osób o średnim wzroście. Zgodnie z klasyczną teorią zbiorów osoba o takim wzroście. nie mogłaby jednocześnie należeć do zbiorów: osób średnich i niskich. Oczywiście każdy indywidualnie może ustalić ostre granice między określeniami mały, średni i wysoki, ale granice te będą inne się dla różnych osób-ekspertów. W jednej sytuacji wzrost 170cm. może być uznany jako średni a w innej jako niski przez tego samego człowieka. Jest to teoria w szczególny sposób przydatna w przypadku systemów, w których czynnik ludzki odgrywa zasadniczą rolę, takich jak medycyna, ekonomia, socjologia, teoria podejmowania decyzji, ale także w wielu dziedzinach techniki. Podstawą wielu z nich są koncepcje nieokreślone precyzyjnie, a sposób rozumowania i interpretowania pewnych wielkości jest często raczej przybliżony aniżeli ścisły. Ponadto, zastosowanie ilościowych technik objawia swe słabości przy opisie złożonych systemów - wielowymiarowych, hierarchicznych, z wewnętrznymi sprzężeniami zwrotnymi. Można by pomyśleć, że metody teorii zbiorów rozmytych nie powinny znajdować zastosowania w dyscyplinach naukowych związanych z techniką. W rzeczywistości jednak bardzo często mamy do czynienia z zagadnieniami określonymi nie do końca bądź nieprecyzyjnie. Przytoczony jest poniżej jeden przykład procesu projektowania układu regulacji. W procesie takim projektant stara się sprostać wielu ograniczeniom o charakterze nieostrym, takim jak np. czas trwania odpowiedzi układu, bądź wielkość przeregulowania sygnału wyjściowego. Wiele z nich wynika bezpośrednio ze specyfiki procesu, jednak wciąż pozostaje pewna dowolność interpretacji tych ograniczeń, tym bardziej w przypadku słabej znajomości systemu. Wielkość przeregulowania rzędu 10% dla jednego projektanta może być niedopuszczalna, jednak inny uzna tę wielkość za wystarczającą. Innymi słowy jeden uzna ją za “dużą”, a inny za “małą”. Sformułowania tego typu są nieprecyzyjne, jednak wcale nie pozbawione sensu. Metody teorii zbiorów rozmytych próbują nadawać formalny sens semantyce tego rodzaju sformułowań. Historia Matematyka zawdzięcza swój sukces w głównej mierze wysiłkom Arystotelesa oraz jego poprzedników. Starali się oni zbudować zwartą i precyzyjną teorię logiki, a później matematyki. Głosili, że każde stwierdzenie może być jedynie prawdziwe lub fałszywe. Jednakże nawet wtedy były duże obiekcje otoczenia i na przykład Heraklit proponował, że rzeczy mogą być jednocześnie prawdą i nieprawdą. Jako osobę, która położyła podwaliny pod to, co obecnie rozumiemy jako logikę rozmytą, powinniśmy uważać Platona, który wskazywał ma trzeci obszar (coś pomiędzy prawdą a fałszem). Nowożytni filozofowie również próbowali uwzględniać szarą strefę pomiędzy białym (prawda) i czarnym (fałsz). W głównej mierze byli to Hegel ale też Marks i Engels. Ale dopiero Łukasiewicz jako pierwszy zaproponował jakąś systematyczną alternatywę dla dwuwartościowe logiki Arystotelesa. W początku dwudziestego wieku Łukasiewicz przedstawił logikę trójwartościową wraz z wynikającą z niej matematyką. Trzecia wartość jest rozumiana jako możliwy i ma przypisaną wartość numeryczną pomiędzy prawdą i fałszem. Równocześnie zaproponował całościową notację oraz system aksjomatów, który mógł pozwolić na wyprowadzenie nowoczesnej matematyki. Później zajmował się logikami wielowartościowymi i nie widział przeszkód w zbudowaniu zasad logiki o nieskończonej liczbie wartości. W odmiennym kierunku zmierzały prace innego polskiego matematyka, Leśniewskiego. U podstaw stworzonej przez niego teorii, znanej pod nazwą mereologii, leży zmiana aksjomatu przynależności elementu do zbioru. Zakłada on, że dany element nie jest elementem, ale częścią zbioru. Na tej podstawie stworzył on podstawy do budowy odpowiednich zasad logiki i operacji na tych zbiorach. Okazało się, że proponowane przez niego aksjomaty można próbować rozszerzać, aż do momentu uwzględnienia zbiorów rozmytych oraz teorii zbiorów przybliżonych (ang. rough sets) autorstwa prof. Zdzisława Pawlaka. Rozszerzenie te można znaleźć pod nazwą mereologii przybliżonej. Podstawowe założenia Wracając jednak do głównego nurtu logik wielowartościowych, w 1965 roku prof. Lotfi Zadeh opublikował swoją pracę “Fuzzy Sets”, gdzie zawarł opis proponowanej teorii zbiorów rozmytych oraz logiki rozmytej. Zadeh proponuje następujące pojęcie zmiennej lingwistycznej: ”Przez zmienną lingwistyczną rozumiemy zmienną, której wartościami są słowa lub zdania w języku naturalnym lub sztucznym”. Zwykle przyjmuje się następujący szablon związany z pojęciem zmiennej lingwistycznej: á X, L X, X, MXń gdzie:
X L X X MX oznacza symboliczną nazwę zmiennej lingwistycznej np.: wzrost, temperatura, wiek. zbiór wartości lingwistycznych, które może przyjąć X np.: dla zmiennej lingwistycznej wzrost zbiorem wartości może być {niski, średni wysoki}. rzeczywista, ilościowa dziedzina fizyczna zmiennej X. funkcja przeliczająca wartości lingwistyczne, na elementy ilościowe X.

Klasyczny zbiór jest kolekcją obiektów jakiegoś rodzaju z obszaru rozważań. Niech X oznacza pewną przestrzeń rozważań, a A zbiór określony na tej przestrzeni. O każdym z elementów z tej przestrzeni można jednoznacznie powiedzieć, czy należy do zbioru A, czy nie. Jednym ze sposobów definiowania zbioru jest zastosowanie predykatu P(x) oznaczającego, że każdy element x zbioru X ma własność P. Innym sposobem jest zdefiniowanie zbioru A za pomocą funkcji charakterystycznej m A. Można zdefiniować A na obszarze X w następujący sposób: Funkcja m A: X->{0;1} jest funkcją charakterystyczną zbioru A W teorii zbiorów rozmytych własność ta jest uogólniana. W zbiorze rozmytym F na obszarze rozważań X nie jest konieczne, aby albo xÎ F albo xĎ F. Funkcja charakterystyczna dla zbioru rozmytego przyporządkowuje każdemu x z obszaru rozważań X wartość z przedziału [0;1], a nie jak w przypadku zbiorów ostrych z

reprezentującego istotne cechy za pomocą aparatu teorii zbiorów rozmytych. ujemny. Wykorzystuje się również opis funkcji przynależności poprzez tabelę wartości.1]. Funkcja ta nazywana jest funkcją przynależności. Interpretuje się jej wartość dla danego x jako stopień. średni. Każdy element x z obszaru rozważań X należy do zbioru rozmytego F zdefiniowanego na tym obszarze z pewnym stopniem przynależności (stopniem zaufania) określonym przez m F(x). Na rysunku Rys. Każde z pojęć lingwistycznych opisujących pewną własność może być reprezentowane przez zbiór rozmyty. W sterowaniu rozmytym stosuje się pojęcia lingwistyczne niezależne znaczeniowo od poszczególnych obszarów: mały. Osoba o wzroście 167 cm. W praktyce stosuje się tylko kilka typów funkcji. Można zdefiniować prawdopodobieństwo subiektywne. Funkcja: m F:X->[0. 1 Zbiory klasyczne a zbiory rozmyte. aby suma prawdopodobieństw wszystkich możliwości była równa 1. Funkcja przynależności Funkcja przynależności może być dowolną funkcją odwzorowującą obszar rozważań X na przedział domknięty [0. a zdarzenia odpowiadają wartościom zmiennych lingwistycznych. duży. szybki są znaczeniowo zależne od rzeczywistych obszarów rozważań. czy wysoki ? Wyniki tego badania mogą posłużyć do skonstruowania zbiorów rozmytych odpowiadających pojęciom lingwistycznym: niski. niski. 1 przedstawione zostały te zbiory w ujęciu klasycznym i rozmytym. Inne podejście wiąże teorię zbiorów rozmytych z rachunkiem prawdopodobieństwa. Singleton Trójkąt Trapez Sigmoida Schematy wnioskowania Rys. Można przeprowadzić sondaż wśród pewnej grupy ekspertów i zadać pytanie: Czy wzrost x jest niski. Niech przestrzeń X jest wzrostem wyrażonym w centymetrach. ale jest wielkością odzwierciedlającą subiektywne przekonanie. Nie jest wymagane. Funkcję przynależności można potraktować jako rozkład tak określonych prawdopodobieństw. wysoki. Określone zostały trzy zbiory w przestrzeni X: niski. że pewne zdarzenie może zajść. średni. średni.. natomiast w pojęciu zbiorów rozmytych należy do zbioru osób średnich ze stopniem przynależności 0. 2 Schemat wnioskowania rozmytego. jest osobą średniego wzrostu w pojęciu zbiorów ostrych. z jakim x należy do zbioru rozmytego. średni. Pojęcia lingwistyczne takie jak: ciepły. . które nie ma interpretacji częstościowej. dodatni.7 i zbioru osób niskich ze stopniem przynależności 0. duży ujemny.1}.3.dwuelementowego zbioru {0. Prawdopodobieństwo takie obrazuje niepewną wiedzę obserwatora o stanie rzeczy. zerowy. Zastosowanie zbiorów rozmytych umożliwia stworzenie rozmytego modelu systemu. wysoki. Rys. które zostały poniżej.1] m F(x) = f(x) jest funkcją charakterystyczną zbioru rozmytego F. duży dodatni itd.

Jest to podejście najbardziej naturalne z punktu widzenia logiki rozmytej i tym samym jest szeroko stosowane. gdzie reguły dają wyrażenia lingwistyczne strategii sterowania oparte na znajomości eksperckiej systemu i zdrowym rozsądku. które mogą pochodzić z kilku źródeł: wiedzy eksperckiej. a przekształcenie odwrotne . W ten sposób taki model układu za pomocą wnioskowania określa wyjście systemu na jeden krok wprzód.denormalizacją przestrzeni zmiennych. Schemat takiego modelowania znajduje się na poniższym rysunku (Rys. które mają rozmytą część poprzedników i funkcyjny następnik. co umożliwia uogólnienie informacji. w istocie są kombinacją modeli rozmytych i klasycznych . więc w praktyce zakres ich zmienności jest skalowany w większości zastosowań do domkniętego przedziału. a na koniec przetworzeniu wyjść z powrotem na zmienne ilościowe. to .operacja wyznaczania w dziedzinie jakościowej wartości wyjść na podstawie wejść za pomocą zbioru reguł rozmytych. że ich podstawą jest pojęcie kodowania rozmytego informacji. Polega na przetworzeniu zmiennych ilościowych na pojęcia lingwistyczne. najbardziej bliski językowi naturalnemu. gdzie x jest zmienną. Współczynniki takiej normalizacji mogą zapewniać zarówno liniowe jak i nieliniowe odwzorowanie. Pierwszą są Modele Lingwistyczne. takie jak metody Środkowy z Największych (MOM) lub metoda Wysokości (HM). a A jej wartością lingwistyczną. Zmienne wejściowe jak i wyjściowe są wartościami rzeczywistymi.operacja przekształcająca sygnały wejściowe z dziedziny ilościowej na wielkości jakościowe reprezentowane przez zbiory rozmyte na podstawie określających je funkcji przynależności. Wartości rozmyte są więc podzbiorami rozmytymi tych przedziałów. np. spójnik i zastąpić można operatorem Ů .operacja przekształcająca sygnały wyjściowe systemu z dziedziny jakościowej na ilościową. Wyostrzanie (defuzyfikacja) . modelowania jakościowego lub algorytmów automatycznego pozyskiwania wiedzy. Operacja wyostrzania umożliwia następnie wyznaczenie ilościowej wartości dla zmiennej wyjściowej na podstawie znajomości zbioru F. Jedną z najczęściej stosowanych jest metoda Środka Ciężkości (COG) w której wartością wyjścia jest rzut środka ciężkości kształtu tworzonego przez zbiór F: Metoda środka ciężkości Modele wnioskowania dzielą się na dwie zasadnicze kategorie. Poszczególne elementy tego systemu spełniają następujące funkcje: Rozmywanie (fuzyfikacja) . Lingwistyczne jest oznacza przynależność do poszczególnych zbiorów rozmytych.. których podstawą jest zbiór reguł jeśli-to stanowiących jakościowy opis systemu. [-1 . Modele rozmyte z wnioskowaniem typu Mamdani. 1]. Operacja taka nazywana jest normalizacją.reprezentuje wiedzę jakościową o systemie w postaci zbioru reguł rozmytych w postaci wyrażeń jeśli-to. Baza reguł . jeśli u1 jest B11 i … i ur jest B1r to y jest Y1 także … także jeśli u1 jest Bm1 i … i ur jest Bmr to y jest Ym Wyjście każdej reguły opisane jest etykietą lingwistyczną.y*.. która może odzwierciedlać naszą wiedzę o systemie. Reguły mogą opisywać zarówno modele o wielu wejściach i jednym wyjściu (MISO) jak i wielu wyjściach (MIMO).. Lingwistyczne “jest” oznacza przynależność do danego zbioru rozmytego opisanego etykietą “A”. Systemy rozmyte operują na zbiorach rozmytych zamiast na liczbach. następnie modelowaniu systemu na podstawie bazy reguł..”. 4) opierają się na bazie reguł i stosowaniu operatorów lingwistycznych. Konkluzje (następniki) są zazwyczaj pojedynczym wyrażeniem typu “y jest B”. Te modele są tworzone przez reguły logiczne. Przesłanki (poprzedniki) składają się z koniunkcji i/lub alternatyw wyrażeń lingwistycznych typu “x jest A”.liniowych. 2). 4): .Najważniejszą cechą takich systemów jest to. Modele rozmyte oparte na wnioskowaniu typu Mamdaniego (Rys. Można zbudować opis systemu za pomocą reguł postaci “jeśli . W przypadku układu MISO mają one postać: Reguły takie można łatwo zapisać metodami logiki rozmytej przez wyrażenia warunkowe połączone operatorami logicznymi. Wnioskowanie rozmyte . a wyjście całego modelu wyznaczane jest przez superpozycję wyjść poszczególnych reguł w następujący sposób: dla każdej reguły obliczana jest siła jej odpalenia: wyznaczany jest zbiór rozmyty Fi wyprowadzany przez i-tą regułę: przeprowadzana jest agregacja powstałych zbiorów za pomocą operacji max: Prosty przykład dla dwóch zmiennych wejściowych i dwóch reguł można przedstawić graficznie (Rys. Drugą kategorią są modele oparte na wnioskowaniu Takagi-Sugeno. Istnieje kilka strategii obliczania numerycznej wartości wyjścia . Wnioskowanie wg Mamdaniego jest wykorzystywane głównie w układach regulacji.

że pozwala wykorzystać bogaty aparat analizy liniowych układów dynamicznych. Graficzne przedstawienie wnioskowania wg. Wnioskowanie tego typu można zastosować do stworzenia modelu układu dynamicznego. o parametrach b10. Rys. czyli kiedy obiekt czy system traktowany jest jako czarna skrzynka.yk-n oraz wartościami przeszłymi i bieżącymi wejściowymi uk. która to wiedza nie może być często wcielona w ramy zbiorów rozmytych. Jest to proces trudny. 5).Sugeno. pomocą stać się może jedynie wiedza . Model tego rodzaju systemu pokazuje poniższy rysunek (Rys. ur wartościami przeszłymi wyjściowymi yk-1. W takich przypadkach konstrukcja modelu przebiega w dwóch fazach: identyfikacja struktury modelu rozmytego . Łączy więc w sobie zalety klasycznego i rozmytego podejścia. który odznacza się następnikami typu funkcyjnego używanymi w miejsce następników rozmytych jak w modelu lingwistycznym. Modeluje to dyskretny układ dynamiczny SISO. ale także określenia zbiorów rozmytych Bij. Ilość tych zbiorów określa zależy od podziału przestrzeni wejściowej i wyznacza strukturę całego modelu oraz liczbę reguł. przy czym Bij są etykietami lingwistycznymi określonymi jako zbiory rozmyte odniesienia na przestrzeniach wejściowych X1. Sugeno i współpracownicy zaproponowali alternatywny sposób wnioskowania rozmytego. z tym. że podział przestrzeni wejściowej na zbiory rozmyte umożliwia “gładkie” przechodzenie między poszczególnymi funkcjami liniowymi. Następniki są w tym przypadku funkcjami liniowymi zmiennych wejściowych.Xr. Wyjście nierozmyte takiego modelu jest określone przez średnią ważoną wyjść yi poszczególnych modeli: gdzie t t i i jest siłą odpalenia i-tej reguły: ir = m (u1) * … * m i1 (ur) Zawarcie ilościowej wiedzy w części następników reguły nie wymaga stosowania metod defuzyfikacji w celu obliczenia numerycznej wartości wyjścia. W ten sposób uzyskuje się bazę reguł w których następniki są równaniami różnicowymi opisującymi poszczególne podsystemy. Metoda ta oparta jest na bazie reguł specjalnego formatu.…. Jednak prostota modelu Takagi-Sugeno jest pozorna. Tego rodzaju wiedza jest mimo wszystko często dostępna i może stanowić doskonałą podstawę dla modelowania rozmytego. Modele z wnioskowaniem typu Takagi .…. że nie zawierają one w jawnej postaci obiektywnej wiedzy o systemie.…. przez zastąpienie zmiennych wejściowych u1. Mamdaniego. Problem staje się jeszcze bardziej skomplikowany w przypadku konstruowania modelu jakościowego wyłącznie na podstawie danych wejście-wyjście. Wymaga od projektanta najwięcej doświadczenia i intuicji. a u1.Rys. W geometrycznym ujęciu reguły wnioskowania Takagi-Sugeno odpowiadają przybliżeniu odwzorowania X1 ´ … ´ Xr ® Y za pomocą funkcji odcinkami liniowej. 5 Schemat modelu z wnioskowaniem Takagi-Sugeno Interpretacja modeli typu Takagi-Sugeno Modelowanie z wnioskowaniem Takagi-Sugeno ma tę zaletę. podziału zakresów zmienności zmiennych na zbiory rozmyte. …. jednak w prosty sposób można rozszerzyć te metody na układy o wielu wejściach. wyjątkowo źle zdefiniowany i sformalizowany.bmr. gdyż stawia on przed projektantem wymaganie nie tylko określenia współczynników bij pojawiających się w podmodelach liniowych.obejmuje wyznaczanie zmiennych wejściowych i wyjściowych.uk-n. 4.….…. relacji między nimi.ur są zmiennymi wejściowymi. Znaną wadą modeli lingwistycznych jest fakt. jeśli u1 jest B11 i … i ur jest B1r to y1 = b10+b11u1+…+b1rur także … także jeśli u1 jest Bm1 i … i ur jest Bmr to ym = bm0+bm1u1+…+bmrur Baza reguł w tej metodzie ma postać przedstawioną w ramce obok.

6b przedstawiona jest aproksymacja “rozmyta” po jednoczesnym dostrojeniu funkcji przynależności i współczynników a i b funkcji liniowych. Funkcje przynależności dla aproksymacji rozmytej zostały tak wybrane.47.. czyli wprowadzenie funkcji przynależności dla lokalnych modeli liniowych. Granice ostre między poszczególnymi obszarami są w x=5 oraz x=-5 i zostały określone na podstawie wykresu funkcji f(x). doboru algorytmu uczenia i doboru parametrów początkowych. Błąd ten dla aproksymacji “ostrej” równy jest 2. Wyróżniającą cechą jest część konkluzji określająca wyjście jako kombinację liniową nierozmytych (liczbowych wartości) wielkości wejściowych. Niepożądaną cechą jest też niegładkie przełączanie. natomiast dla “rozmytej” 3. ¦ i wartość funkcji w i-tym punkcie. Modelowanie kawałkami liniowe o gładkim przełączaniu z “rozmytymi” granicami między obszarami nazywane jest modelowaniem z wnioskowaniem typu Takagi-Sugeno. Na następnym rysunku Rys.5)× (x+7. Powstaje przy tym problem. Można ulepszyć takie modelowanie poprzez “rozmycie” granic obszarów. Teoria liniowych układów dynamicznych jest bardzo dobrze znana i wykorzystywana od wielu lat do opisu różnych procesów.ilość punktów próbkowania.10] oraz jej najlepszą aproksymację odcinkowo liniową z ostrym granicami między obszarami oraz opartą na niej aproksymację rozmytą. różnica tkwi jedynie w określeniu. nie jest sprawą prostą. . Na podstawie tego przykładu można stwierdzić. że utworzenie dobrego modelu kawałkami liniowego z gładkim przełączaniem. Otaczający świat jest jednak nieliniowy i w wielu rzeczywistych przypadkach teorii tej nie zawsze można używać. jak określić granice obszarów w jakich modele liniowe są odpowiednie. Jedną z nich jest zastosowanie sieci neuronowych w celu uczenia parametrów modelu metodą wstecznej propagacji. W przypadku znacznych nieliniowości można utworzyć wiele różnych lokalnie poprawnych modeli liniowych i posklejać je. ¦ * i wartość aproksymacji funkcji w i-tym punkcie.30. Na tym etapie stosowanych jest wiele metod i algorytmów.5) dla xÎ [-10. 6 Wykres funkcji (czerwony) oraz jej aproksymacje “ostra” (czarny) i “rozmyta” (granatowy). Prosty przykład pozwoli wyjaśnić ideę modelowania rozmytego kawałkami liniowego i problemy z nim związane. Stawia to dodatkowy problem zapisania modelu rozmytego w strukturze sieci neuronowej.. Nie jest zatem potrzebny blok wyostrzania. W przypadku nieliniowości nie wprowadzających jakościowych zmian zachowania się układu oraz przy założeniu niewielkich odchyleń współrzędnych stanu od punktu pracy dokonuje się linearyzacji układu dynamicznego wokół tego punktu pracy. Jeśli dobrze znana jest natura zjawisk zachodzących w układzie. Rys. można stworzyć na podstawie wiedzy teoretycznej model matematyczny. Wskaźnikiem jakości aproksymacji jest błąd średniokwadratowy: gdzie: n . czy granice obszarów są ostre.86. Takie uproszczenie jest często wystarczające do syntezy algorytmu sterowania. W tym przypadku błąd średniokwadratowy równy jest 1. czy nie. Współczynniki a i b aproksymujących funkcji y=ax+b są jednakowe dla aproksymacji “ostrej” i “rozmytej” w odpowiednich obszarach.obejmuje estymację funkcji przynależności i parametrów modeli liniowych.powrót na stronę główną .1× x× (x-7. 6a przedstawiono wykres funkcji: ¦ (x) = 0. Na rysunku Rys. wtedy nieliniowość procesu jest realizowana poprzez przełączanie pomiędzy tymi modelami. aby uzyskać jak najmniejszy błąd. które jest uznawane za szczególny przypadek wnioskowania rozmytego. Stworzenie dobrego modelu procesu nieliniowego nie jest proste.ekspercka o procesie. Rozmycie granic dla dobrego modelu “ostrego” nie musi doprowadzić do lepszego modelu “rozmytego”. identyfikacja parametryczna .

You're Reading a Free Preview

Pobierz
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->