Logika rozmyta (ang.

fuzzy logic)
Podstawy teorii zbiorw rozmytych. Teoria zbiorw rozmytych zostaa sformuowana przez prof. Lotfi Zadeha w poowie lat szedziesitych jako alternatywa dla klasycznych poj dotyczcych teorii zbiorw i logiki pochodzcych jeszcze z czasw staroytnej filozofii greckiej. Przesanki do jej powstania i rozwoju wyniky z potrzeby opisania zoonych zjawisk lub sabo zdefiniowanych poj, trudnych do opisania przy pomocy klasycznego aparatu matematycznego. Naturalny jzyk operuje pojciami niedokadnymi i jakociowymi, na przykad Ja jest wysoki lub Dzisiaj jest bardzo zimno. Takie pojcia jest bardzo przetumaczy na jzyk zrozumiay dla maszyn nic nie tracc z samego ich charakteru. Dla czowieka bardziej naturalny jest opis otaczajcego wiata za pomoc sw, czyli wielkoci jakociowych. Na przykad okrelanie wzrostu za pomoc sw: may, redni, wysoki jest bardziej naturalne i prostsze ni oszacowanie go w centymetrach lub calach. Opis jakociowy jest mniej precyzyjny i zaleny od osoby opisujcej. Nieprecyzyjno ta nie wynika z braku wiedzy o wartoci pewnej wielkoci, ale wanie z subiektywnej oceny osoby lub grupy osb. Wzrost rwny 165cm. traktowany jest jako niski przez wspczesnego Polaka, natomiast przez Pigmeja jako bardzo wysoki. Subiektywne okrelanie pewnych wasnoci prowadzi do rozmycia granic zbioru obiektw, do ktrych ta wasno si odnosi. Czowiek o wzrocie 170cm. przez jedn grup zostanie zaliczony do zbioru osb niskich, a przez inn do zbioru osb o rednim wzrocie. Zgodnie z klasyczn teori zbiorw osoba o takim wzrocie. nie mogaby jednoczenie nalee do zbiorw: osb rednich i niskich. Oczywicie kady indywidualnie moe ustali ostre granice midzy okreleniami may, redni i wysoki, ale granice te bd inne si dla rnych osb-ekspertw. W jednej sytuacji wzrost 170cm. moe by uznany jako redni a w innej jako niski przez tego samego czowieka. Jest to teoria w szczeglny sposb przydatna w przypadku systemw, w ktrych czynnik ludzki odgrywa zasadnicz rol, takich jak medycyna, ekonomia, socjologia, teoria podejmowania decyzji, ale take w wielu dziedzinach techniki. Podstaw wielu z nich s koncepcje nieokrelone precyzyjnie, a sposb rozumowania i interpretowania pewnych wielkoci jest czsto raczej przybliony anieli cisy. Ponadto, zastosowanie ilociowych technik objawia swe saboci przy opisie zoonych systemw - wielowymiarowych, hierarchicznych, z wewntrznymi sprzeniami zwrotnymi. Mona by pomyle, e metody teorii zbiorw rozmytych nie powinny znajdowa zastosowania w dyscyplinach naukowych zwizanych z technik. W rzeczywistoci jednak bardzo czsto mamy do czynienia z zagadnieniami okrelonymi nie do koca bd nieprecyzyjnie. Przytoczony jest poniej jeden przykad procesu projektowania ukadu regulacji. W procesie takim projektant stara si sprosta wielu ograniczeniom o charakterze nieostrym, takim jak np. czas trwania odpowiedzi ukadu, bd wielko przeregulowania sygnau wyjciowego. Wiele z nich wynika bezporednio ze specyfiki procesu, jednak wci pozostaje pewna dowolno interpretacji tych ogranicze, tym bardziej w przypadku sabej znajomoci systemu. Wielko przeregulowania rzdu 10% dla jednego projektanta moe by niedopuszczalna, jednak inny uzna t wielko za wystarczajc. Innymi sowy jeden uzna j za du, a inny za ma. Sformuowania tego typu s nieprecyzyjne, jednak wcale nie pozbawione sensu. Metody teorii zbiorw rozmytych prbuj nadawa formalny sens semantyce tego rodzaju sformuowa. Historia Matematyka zawdzicza swj sukces w gwnej mierze wysikom Arystotelesa oraz jego poprzednikw. Starali si oni zbudowa zwart i precyzyjn teori logiki, a pniej matematyki. Gosili, e kade stwierdzenie moe by jedynie prawdziwe lub faszywe. Jednake nawet wtedy byy due obiekcje otoczenia i na przykad Heraklit proponowa, e rzeczy mog by jednoczenie prawd i nieprawd. Jako osob, ktra pooya podwaliny pod to, co obecnie rozumiemy jako logik rozmyt, powinnimy uwaa Platona, ktry wskazywa ma trzeci obszar (co pomidzy prawd a faszem). Nowoytni filozofowie rwnie prbowali uwzgldnia szar stref pomidzy biaym (prawda) i czarnym (fasz). W gwnej mierze byli to Hegel ale te Marks i Engels. Ale dopiero ukasiewicz jako pierwszy zaproponowa jak systematyczn alternatyw dla dwuwartociowe logiki Arystotelesa. W pocztku dwudziestego wieku ukasiewicz przedstawi logik trjwartociow wraz z wynikajc z niej matematyk. Trzecia warto jest rozumiana jako moliwy i ma przypisan warto numeryczn pomidzy prawd i faszem. Rwnoczenie zaproponowa caociow notacj oraz system aksjomatw, ktry mg pozwoli na wyprowadzenie nowoczesnej matematyki. Pniej zajmowa si logikami wielowartociowymi i nie widzia przeszkd w zbudowaniu zasad logiki o nieskoczonej liczbie wartoci. W odmiennym kierunku zmierzay prace innego polskiego matematyka, Leniewskiego. U podstaw stworzonej przez niego teorii, znanej pod nazw mereologii, ley zmiana aksjomatu przynalenoci elementu do zbioru. Zakada on, e dany element nie jest elementem, ale czci zbioru. Na tej podstawie stworzy on podstawy do budowy odpowiednich zasad logiki i operacji na tych zbiorach. Okazao si, e proponowane przez niego aksjomaty mona prbowa rozszerza, a do momentu uwzgldnienia zbiorw rozmytych oraz teorii zbiorw przyblionych (ang. rough sets) autorstwa prof. Zdzisawa Pawlaka. Rozszerzenie te mona znale pod nazw mereologii przyblionej. Podstawowe zaoenia Wracajc jednak do gwnego nurtu logik wielowartociowych, w 1965 roku prof. Lotfi Zadeh opublikowa swoj prac Fuzzy Sets, gdzie zawar opis proponowanej teorii zbiorw rozmytych oraz logiki rozmytej. Zadeh proponuje nastpujce pojcie zmiennej lingwistycznej: Przez zmienn lingwistyczn rozumiemy zmienn, ktrej wartociami s sowa lub zdania w jzyku naturalnym lub sztucznym. Zwykle przyjmuje si nastpujcy szablon zwizany z pojciem zmiennej lingwistycznej: X, L X, X, MX gdzie:
X L X X MX oznacza symboliczn nazw zmiennej lingwistycznej np.: wzrost, temperatura, wiek. zbir wartoci lingwistycznych, ktre moe przyj X np.: dla zmiennej lingwistycznej wzrost zbiorem wartoci moe by {niski, redni wysoki}. rzeczywista, ilociowa dziedzina fizyczna zmiennej X. funkcja przeliczajca wartoci lingwistyczne, na elementy ilociowe X.

Klasyczny zbir jest kolekcj obiektw jakiego rodzaju z obszaru rozwaa. Niech X oznacza pewn przestrze rozwaa, a A zbir okrelony na tej przestrzeni. O kadym z elementw z tej przestrzeni mona jednoznacznie powiedzie, czy naley do zbioru A, czy nie. Jednym ze sposobw definiowania zbioru jest zastosowanie predykatu P(x) oznaczajcego, e kady element x zbioru X ma wasno P. Innym sposobem jest zdefiniowanie zbioru A za pomoc funkcji charakterystycznej m A. Mona zdefiniowa A na obszarze X w nastpujcy sposb: Funkcja m A: X->{0;1} jest funkcj charakterystyczn zbioru A W teorii zbiorw rozmytych wasno ta jest uoglniana. W zbiorze rozmytym F na obszarze rozwaa X nie jest konieczne, aby albo x F albo x F. Funkcja charakterystyczna dla zbioru rozmytego przyporzdkowuje kademu x z obszaru rozwaa X warto z przedziau [0;1], a nie jak w przypadku zbiorw ostrych z

dwuelementowego zbioru {0;1}. Funkcja: m F:X->[0;1] m F(x) = f(x)

jest funkcj charakterystyczn zbioru rozmytego F.

Funkcja ta nazywana jest funkcj przynalenoci. Interpretuje si jej warto dla danego x jako stopie, z jakim x naley do zbioru rozmytego. Kady element x z obszaru rozwaa X naley do zbioru rozmytego F zdefiniowanego na tym obszarze z pewnym stopniem przynalenoci (stopniem zaufania) okrelonym przez m F(x). Inne podejcie wie teori zbiorw rozmytych z rachunkiem prawdopodobiestwa. Mona zdefiniowa prawdopodobiestwo subiektywne, ktre nie ma interpretacji czstociowej, ale jest wielkoci odzwierciedlajc subiektywne przekonanie, e pewne zdarzenie moe zaj. Nie jest wymagane, aby suma prawdopodobiestw wszystkich moliwoci bya rwna 1. Prawdopodobiestwo takie obrazuje niepewn wiedz obserwatora o stanie rzeczy. Funkcj przynalenoci mona potraktowa jako rozkad tak okrelonych prawdopodobiestw, a zdarzenia odpowiadaj wartociom zmiennych lingwistycznych.

Rys. 1 Zbiory klasyczne a zbiory rozmyte. Kade z poj lingwistycznych opisujcych pewn wasno moe by reprezentowane przez zbir rozmyty. Niech przestrze X jest wzrostem wyraonym w centymetrach. Okrelone zostay trzy zbiory w przestrzeni X: niski, redni, wysoki. Na rysunku Rys. 1 przedstawione zostay te zbiory w ujciu klasycznym i rozmytym. Osoba o wzrocie 167 cm. jest osob redniego wzrostu w pojciu zbiorw ostrych, natomiast w pojciu zbiorw rozmytych naley do zbioru osb rednich ze stopniem przynalenoci 0.7 i zbioru osb niskich ze stopniem przynalenoci 0.3. Mona przeprowadzi sonda wrd pewnej grupy ekspertw i zada pytanie: Czy wzrost x jest niski, redni, czy wysoki ? Wyniki tego badania mog posuy do skonstruowania zbiorw rozmytych odpowiadajcych pojciom lingwistycznym: niski, redni, wysoki. Pojcia lingwistyczne takie jak: ciepy, niski, szybki s znaczeniowo zalene od rzeczywistych obszarw rozwaa. W sterowaniu rozmytym stosuje si pojcia lingwistyczne niezalene znaczeniowo od poszczeglnych obszarw: may, duy, redni, duy ujemny, ujemny, zerowy, dodatni, duy dodatni itd. Funkcja przynalenoci Funkcja przynalenoci moe by dowoln funkcj odwzorowujc obszar rozwaa X na przedzia domknity [0;1]. W praktyce stosuje si tylko kilka typw funkcji, ktre zostay poniej.. Wykorzystuje si rwnie opis funkcji przynalenoci poprzez tabel wartoci. Singleton

Trjkt

Trapez

Sigmoida

Schematy wnioskowania

Rys. 2 Schemat wnioskowania rozmytego. Zastosowanie zbiorw rozmytych umoliwia stworzenie rozmytego modelu systemu, reprezentujcego istotne cechy za pomoc aparatu teorii zbiorw rozmytych.

Najwaniejsz cech takich systemw jest to, e ich podstaw jest pojcie kodowania rozmytego informacji. Systemy rozmyte operuj na zbiorach rozmytych zamiast na liczbach, co umoliwia uoglnienie informacji. Schemat takiego modelowania znajduje si na poniszym rysunku (Rys. 2). Polega na przetworzeniu zmiennych ilociowych na pojcia lingwistyczne, nastpnie modelowaniu systemu na podstawie bazy regu, ktra moe odzwierciedla nasz wiedz o systemie, a na koniec przetworzeniu wyj z powrotem na zmienne ilociowe. W ten sposb taki model ukadu za pomoc wnioskowania okrela wyjcie systemu na jeden krok wprzd. Mona zbudowa opis systemu za pomoc regu postaci jeli ... to ..., ktre mog pochodzi z kilku rde: wiedzy eksperckiej, modelowania jakociowego lub algorytmw automatycznego pozyskiwania wiedzy. Przesanki (poprzedniki) skadaj si z koniunkcji i/lub alternatyw wyrae lingwistycznych typu x jest A, gdzie x jest zmienn, a A jej wartoci lingwistyczn. Lingwistyczne jest oznacza przynaleno do danego zbioru rozmytego opisanego etykiet A. Konkluzje (nastpniki) s zazwyczaj pojedynczym wyraeniem typu y jest B. Poszczeglne elementy tego systemu speniaj nastpujce funkcje: Rozmywanie (fuzyfikacja) - operacja przeksztacajca sygnay wejciowe z dziedziny ilociowej na wielkoci jakociowe reprezentowane przez zbiory rozmyte na podstawie okrelajcych je funkcji przynalenoci. Zmienne wejciowe jak i wyjciowe s wartociami rzeczywistymi, wic w praktyce zakres ich zmiennoci jest skalowany w wikszoci zastosowa do domknitego przedziau, np. [-1 ; 1]. Operacja taka nazywana jest normalizacj, a przeksztacenie odwrotne - denormalizacj przestrzeni zmiennych. Wspczynniki takiej normalizacji mog zapewnia zarwno liniowe jak i nieliniowe odwzorowanie. Wartoci rozmyte s wic podzbiorami rozmytymi tych przedziaw. Wnioskowanie rozmyte - operacja wyznaczania w dziedzinie jakociowej wartoci wyj na podstawie wej za pomoc zbioru regu rozmytych. Baza regu - reprezentuje wiedz jakociow o systemie w postaci zbioru regu rozmytych w postaci wyrae jeli-to. W przypadku ukadu MISO maj one posta:

Reguy takie mona atwo zapisa metodami logiki rozmytej przez wyraenia warunkowe poczone operatorami logicznymi. Lingwistyczne jest oznacza przynaleno do poszczeglnych zbiorw rozmytych, spjnik i zastpi mona operatorem . Reguy mog opisywa zarwno modele o wielu wejciach i jednym wyjciu (MISO) jak i wielu wyjciach (MIMO). Wyostrzanie (defuzyfikacja) - operacja przeksztacajca sygnay wyjciowe systemu z dziedziny jakociowej na ilociow. Operacja wyostrzania umoliwia nastpnie wyznaczenie ilociowej wartoci dla zmiennej wyjciowej na podstawie znajomoci zbioru F. Istnieje kilka strategii obliczania numerycznej wartoci wyjcia - y*, takie jak metody rodkowy z Najwikszych (MOM) lub metoda Wysokoci (HM). Jedn z najczciej stosowanych jest metoda rodka Cikoci (COG) w ktrej wartoci wyjcia jest rzut rodka cikoci ksztatu tworzonego przez zbir F: Metoda rodka cikoci

Modele wnioskowania dziel si na dwie zasadnicze kategorie. Pierwsz s Modele Lingwistyczne, ktrych podstaw jest zbir regu jeli-to stanowicych jakociowy opis systemu, najbardziej bliski jzykowi naturalnemu. Drug kategori s modele oparte na wnioskowaniu Takagi-Sugeno. Te modele s tworzone przez reguy logiczne, ktre maj rozmyt cz poprzednikw i funkcyjny nastpnik; w istocie s kombinacj modeli rozmytych i klasycznych - liniowych. Modele rozmyte z wnioskowaniem typu Mamdani. Modele rozmyte oparte na wnioskowaniu typu Mamdaniego (Rys. 4) opieraj si na bazie regu i stosowaniu operatorw lingwistycznych. Jest to podejcie najbardziej naturalne z punktu widzenia logiki rozmytej i tym samym jest szeroko stosowane. Wnioskowanie wg Mamdaniego jest wykorzystywane gwnie w ukadach regulacji, gdzie reguy daj wyraenia lingwistyczne strategii sterowania oparte na znajomoci eksperckiej systemu i zdrowym rozsdku. jeli u1 jest B11 i i ur jest B1r to y jest Y1 take take jeli u1 jest Bm1 i i ur jest Bmr to y jest Ym Wyjcie kadej reguy opisane jest etykiet lingwistyczn, a wyjcie caego modelu wyznaczane jest przez superpozycj wyj poszczeglnych regu w nastpujcy sposb: dla kadej reguy obliczana jest sia jej odpalenia: wyznaczany jest zbir rozmyty Fi wyprowadzany przez i-t regu: przeprowadzana jest agregacja powstaych zbiorw za pomoc operacji max: Prosty przykad dla dwch zmiennych wejciowych i dwch regu mona przedstawi graficznie (Rys. 4):

Rys. 4. Graficzne przedstawienie wnioskowania wg. Mamdaniego.

Modele z wnioskowaniem typu Takagi - Sugeno. Znan wad modeli lingwistycznych jest fakt, e nie zawieraj one w jawnej postaci obiektywnej wiedzy o systemie, ktra to wiedza nie moe by czsto wcielona w ramy zbiorw rozmytych. Tego rodzaju wiedza jest mimo wszystko czsto dostpna i moe stanowi doskona podstaw dla modelowania rozmytego. Sugeno i wsppracownicy zaproponowali alternatywny sposb wnioskowania rozmytego. Metoda ta oparta jest na bazie regu specjalnego formatu, ktry odznacza si nastpnikami typu funkcyjnego uywanymi w miejsce nastpnikw rozmytych jak w modelu lingwistycznym. jeli u1 jest B11 i i ur jest B1r to y1 = b10+b11u1++b1rur take take jeli u1 jest Bm1 i i ur jest Bmr to ym = bm0+bm1u1++bmrur Baza regu w tej metodzie ma posta przedstawion w ramce obok, przy czym Bij s etykietami lingwistycznymi okrelonymi jako zbiory rozmyte odniesienia na przestrzeniach wejciowych X1,,Xr, a u1,,ur s zmiennymi wejciowymi. Nastpniki s w tym przypadku funkcjami liniowymi zmiennych wejciowych, o parametrach b10,,bmr. Wyjcie nierozmyte takiego modelu jest okrelone przez redni waon wyj yi poszczeglnych modeli:

gdzie t t
i

jest si odpalenia i-tej reguy:

ir

= m

(u1) * * m i1

(ur)

Zawarcie ilociowej wiedzy w czci nastpnikw reguy nie wymaga stosowania metod defuzyfikacji w celu obliczenia numerycznej wartoci wyjcia. W geometrycznym ujciu reguy wnioskowania Takagi-Sugeno odpowiadaj przyblieniu odwzorowania X1 Xr Y za pomoc funkcji odcinkami liniowej, z tym, e podzia przestrzeni wejciowej na zbiory rozmyte umoliwia gadkie przechodzenie midzy poszczeglnymi funkcjami liniowymi. Wnioskowanie tego typu mona zastosowa do stworzenia modelu ukadu dynamicznego, przez zastpienie zmiennych wejciowych u1, , ur wartociami przeszymi wyjciowymi yk-1,,yk-n oraz wartociami przeszymi i biecymi wejciowymi uk,,uk-n. Modeluje to dyskretny ukad dynamiczny SISO, jednak w prosty sposb mona rozszerzy te metody na ukady o wielu wejciach. W ten sposb uzyskuje si baz regu w ktrych nastpniki s rwnaniami rnicowymi opisujcymi poszczeglne podsystemy. Model tego rodzaju systemu pokazuje poniszy rysunek (Rys. 5).

Rys. 5 Schemat modelu z wnioskowaniem Takagi-Sugeno Interpretacja modeli typu Takagi-Sugeno Modelowanie z wnioskowaniem Takagi-Sugeno ma t zalet, e pozwala wykorzysta bogaty aparat analizy liniowych ukadw dynamicznych. czy wic w sobie zalety klasycznego i rozmytego podejcia. Jednak prostota modelu Takagi-Sugeno jest pozorna, gdy stawia on przed projektantem wymaganie nie tylko okrelenia wspczynnikw bij pojawiajcych si w podmodelach liniowych, ale take okrelenia zbiorw rozmytych Bij. Ilo tych zbiorw okrela zaley od podziau przestrzeni wejciowej i wyznacza struktur caego modelu oraz liczb regu. Problem staje si jeszcze bardziej skomplikowany w przypadku konstruowania modelu jakociowego wycznie na podstawie danych wejcie-wyjcie, czyli kiedy obiekt czy system traktowany jest jako czarna skrzynka. W takich przypadkach konstrukcja modelu przebiega w dwch fazach: identyfikacja struktury modelu rozmytego - obejmuje wyznaczanie zmiennych wejciowych i wyjciowych, relacji midzy nimi, podziau zakresw zmiennoci zmiennych na zbiory rozmyte. Jest to proces trudny, wyjtkowo le zdefiniowany i sformalizowany. Wymaga od projektanta najwicej dowiadczenia i intuicji, pomoc sta si moe jedynie wiedza

ekspercka o procesie. identyfikacja parametryczna - obejmuje estymacj funkcji przynalenoci i parametrw modeli liniowych. Na tym etapie stosowanych jest wiele metod i algorytmw. Jedn z nich jest zastosowanie sieci neuronowych w celu uczenia parametrw modelu metod wstecznej propagacji. Stawia to dodatkowy problem zapisania modelu rozmytego w strukturze sieci neuronowej, doboru algorytmu uczenia i doboru parametrw pocztkowych. Teoria liniowych ukadw dynamicznych jest bardzo dobrze znana i wykorzystywana od wielu lat do opisu rnych procesw. Otaczajcy wiat jest jednak nieliniowy i w wielu rzeczywistych przypadkach teorii tej nie zawsze mona uywa. Stworzenie dobrego modelu procesu nieliniowego nie jest proste. Jeli dobrze znana jest natura zjawisk zachodzcych w ukadzie, mona stworzy na podstawie wiedzy teoretycznej model matematyczny. W przypadku nieliniowoci nie wprowadzajcych jakociowych zmian zachowania si ukadu oraz przy zaoeniu niewielkich odchyle wsprzdnych stanu od punktu pracy dokonuje si linearyzacji ukadu dynamicznego wok tego punktu pracy. Takie uproszczenie jest czsto wystarczajce do syntezy algorytmu sterowania. W przypadku znacznych nieliniowoci mona utworzy wiele rnych lokalnie poprawnych modeli liniowych i poskleja je, wtedy nieliniowo procesu jest realizowana poprzez przeczanie pomidzy tymi modelami. Powstaje przy tym problem, jak okreli granice obszarw w jakich modele liniowe s odpowiednie. Niepodan cech jest te niegadkie przeczanie. Mona ulepszy takie modelowanie poprzez rozmycie granic obszarw, czyli wprowadzenie funkcji przynalenoci dla lokalnych modeli liniowych. Prosty przykad pozwoli wyjani ide modelowania rozmytego kawakami liniowego i problemy z nim zwizane.

Rys. 6 Wykres funkcji (czerwony) oraz jej aproksymacje ostra (czarny) i rozmyta (granatowy). Na rysunku Rys. 6a przedstawiono wykres funkcji: (x) = 0.1 x (x-7.5) (x+7.5)
dla x [-10;10]

oraz jej najlepsz aproksymacj odcinkowo liniow z ostrym granicami midzy obszarami oraz opart na niej aproksymacj rozmyt. Granice ostre midzy poszczeglnymi obszarami s w x=5 oraz x=-5 i zostay okrelone na podstawie wykresu funkcji f(x). Wspczynniki a i b aproksymujcych funkcji y=ax+b s jednakowe dla aproksymacji ostrej i rozmytej w odpowiednich obszarach, rnica tkwi jedynie w okreleniu, czy granice obszarw s ostre, czy nie. Funkcje przynalenoci dla aproksymacji rozmytej zostay tak wybrane, aby uzyska jak najmniejszy bd. Wskanikiem jakoci aproksymacji jest bd redniokwadratowy:

gdzie:
n - ilo punktw prbkowania, i warto funkcji w i-tym punkcie,
* i

warto aproksymacji funkcji w i-tym punkcie.

Bd ten dla aproksymacji ostrej rwny jest 2.86, natomiast dla rozmytej 3.30. Na nastpnym rysunku Rys. 6b przedstawiona jest aproksymacja rozmyta po jednoczesnym dostrojeniu funkcji przynalenoci i wspczynnikw a i b funkcji liniowych. W tym przypadku bd redniokwadratowy rwny jest 1.47. Na podstawie tego przykadu mona stwierdzi, e utworzenie dobrego modelu kawakami liniowego z gadkim przeczaniem, nie jest spraw prost. Rozmycie granic dla dobrego modelu ostrego nie musi doprowadzi do lepszego modelu rozmytego. Modelowanie kawakami liniowe o gadkim przeczaniu z rozmytymi granicami midzy obszarami nazywane jest modelowaniem z wnioskowaniem typu Takagi-Sugeno, ktre jest uznawane za szczeglny przypadek wnioskowania rozmytego. Wyrniajc cech jest cz konkluzji okrelajca wyjcie jako kombinacj liniow nierozmytych (liczbowych wartoci) wielkoci wejciowych. Nie jest zatem potrzebny blok wyostrzania.

...powrt na stron gwn