Wydział Mechaniczno-Energetyczny

© Dr in . JANUSZ LICHOTA

PODSTAWY MECHATRONIKI Logika rozmyta (Fuzzy logic)

PLAN WYSTĄPIENIA
• Historia • Formalizm • Zastosowania - sterowanie wentylacją - sterowanie rozmyte a regulator stanu - ruch robotów - rozpoznawanie uczuć - sterowanie turbiną parową - z pamiętnika operatora młyna cementowego... - sterowanie ruchem pociągów w Japonii - rozmyte inwestowanie na giełdzie - rozpoznawanie rozedmy płuc - zapobieganie katastrofie lotniczej

HISTORIA
• Arystoteles “prawo wyłączonego środka”
– Ka de zdanie musi być prawdziwe lub fałszywe

• Platon: dopuścił trzeci stan: 0 i 1 się łączą • Łukasiewicz: początek XX wieku, zaproponował 3-wartościowa logikę (0, 1, 2) jako alternatywną do (0, 1)
– Knuth proponował (-1, 0, 1)

HISTORIA
• Pojęcie wprowadzone przez Lotfi A. Zadeha, profesora informatyki na University of California (Berkeley) w 1965 • Rozszerzył teorię zbiorów • Wiele zastosowań w automatyce

FORMALIZM

TEORIA ZBIORÓW
Zajmuje się własnościami dobrze zdefiniowanych elementów • Zbiór U – Zawiera wszystkie elementy w danym zagadnieniu • A = pewien podzbiór w U – zdefiniowany poprzez listę elementów lub regułę, lub – przez funkcję przynale ności opisująca elementy zbioru • Lista A = {x, y,z,...} porządek elementów nie jest istotny A = (x, y,z,...) porządek elementów jest istotny • Reguła A = {x∈ U | x spełnia pewne warunki} np. ∈ A = {x∈ U | x spełnia pewne warunki} A = {x∈ U | g(x) <= 0} ∈ ∈ • Funkcja przynale ności µA (x)=1, gdy x ∈ A µA (x)=0, gdy x ∉ A

TEORIA ZBIORÓW
Funkcja przynale ności w logice ostrej
• Funkcja przynale ności µA (x)=1, gdy x ∈ A µA (x)=0, gdy x ∉ A

True
1

False
0 30 C

GORĄCO

Temperatura

Je eli temperatura >= 30 C, jest gorąco (1 lub true); Je eli temperatura < 30 C, nie jest gorąco (0 lub false).

TEORIA ZBIORÓW Logika ostra
• Rozró nia dwie wartości true/ false, 1/0, nie ma adnych pośrednich wartości • Przykład
Reguła: Je eli temperatura jest większa ni 30 C, to jest gorąco, w przeciwnym przypadku nie jest. Przypadki: gorąco Temperatura = 40 C gorąco Temperatura = 30.1 C Nie gorąco Temperatura = 29.9 C Nie gorąco Temperatura = 20 C
– – – –

OPERACJE NA ZBIORACH
Suma zbiorów Iloczyn zbiorów

Zbiory równowa ne

Podzbiór

Zbiory równe

W tym przypadku A „jest większy” ni B

Np. A={x,y,z} B={1,2,3} to x=1, y=2, z=3

OPERACJE NA ZBIORACH
Dopełnienie Zbiór pusty

Relacja refleksyjna
A jest w relacji z A

Symetria
-relacja pierwszego zbioru do drugiego Jest taka sama jak drugiego do pierwszego

Przechodniość
Dwa zbiory mają tę samą relację do trzeciego

Równowa ność
-relacja refleksyjna+symetria+przechodniość

OPERACJE NA ZBIORACH Zbiory mają część wspólną
Przykład: U=zbiór wszystkich samochodów we Wrocławiu A= {x∈ U | x ma 4 cylindry} B= {x∈ U | x ma 6 cylindrów} Co sprawia, e samochód jest „polski”?
-samochody produkowane w Polsce mogą zawierać część z zagranicy -samochody produkowane za granicą mogą zawierać części produkowane w Polsce

Zbiór
A B C D

Logika ostra
Silnik 4-cylindrowy Silnik 6-cylindrowy Silnik 8-cylindrowy Inne

Zbiór Logika rozmyta
E F Samochody polskie Samochody z zagranicy

Jak zdefiniować zbiory E oraz F? Lista elementów? Reguła ? Funkcja przynale ności?

OPERACJE NA ZBIORACH Zbiory mają część wspólną Pojęcie nadrzędne
Roślina Zwierzę Pojazd

Drzewo

Ptak

Samochód

Dąb

Kaczor

Polonez

Podrzędne

OPERACJE NA ZBIORACH Myślenie ostre i nieostre
Podejścia do rozwiązywania zadań -logiczne / metaforyczne -sensowne / marzycielskie -powa ne / z humorem -określone / dwuznaczne -spójne / paradoksalne - mudne / artobliwe -dokładne / przybli one -rzeczywiste / fantazjujące -skoncentrowane / rozproszone -analityczne / nielogiczne -szczegółowe / ogólne -dojrzałe / niedojrzałe Ostre / rozmyte

OPERACJE NA ZBIORACH Myślenie ostre i nieostre, niepewność
• Informacja
– znaczenie – Wiedza z doświadczenia

Niepewność
– Warunki, w których istnieje mo liwość popełnienia błędu

• Zło oność

OPERACJE NA ZBIORACH Wiedza niepewna i nieostra
Wiedza niepewna Nie mo na zdecydować, czy rzecz jest prawdziwa czy fałszywa. Diana mogłaby mieć ponad 1.85 m wzrostu. Wiedza nieostra Występuje wtedy, gdy w zdaniu zastosowano rozmyte pojęcie Diana jest du a.

OPERACJE NA ZBIORACH Mo liwość i prawdopodobieństwo
• Mo liwość (zbiór rozmyty)
– Stopień w jakim rzecz się zdarza

• Prawdopodobieństwo
– Prawdopodobieństwo tego, czy zajdzie zdarzenie

Trucizna ?

OPERACJE NA ZBIORACH Pomiar i niepewność
• Dokładność
– Niewa ne jak dokładnie mierzylibyśmy, zawsze będzie istniała niepewność pomiaru – Część ułamkowe

Miara ?

OPERACJE NA ZBIORACH Nieokreśloność (nierozstrzygalność)
• Rozumienie znaczenia słów
– Znaczenie kontekstowe – Nieokreśloność

• Paradoks stogu siana (lub owsa)

Biorąc jedno źdźbło trawy ze stogu, pozostaje on stogiem

OPERACJE NA ZBIORACH Nieokreśloność (nierozstrzygalność)
(1) Osoba nie posiadająca włosów jest łysa (ilość włosów n=0) (2) Je eli osoba posiadająca n włosów na głowie jest łysa, to osoba posiadająca n+1 włosów na głowie jest łysa Modus Ponens (Je eli A, to B. Dane jest A. Następnikiem jest B.)
WNIOSEK Z KLASYCZNEJ LOGIKI: wszyscy są łysi.

OPERACJE NA ZBIORACH Po co nam niedokładność?
• Umo liwia rozró nienie rzeczy „istotnych” od „nieistotnych” • Tworzy kognicyjne pola pojęć • Umo liwia redukcję zło oności procesu, niestety wywołuje niekompatybilność względem innych procesów

OPERACJE NA ZBIORACH Niekompatybilność
Im bardziej zło ony obiekt, tym mniej jesteśmy w stanie połączyć precyzję oraz znaczenie danego zachowania od pewnego punktu.

EKSPERYMENT ROZMYTY

Niewiele? Kilka? Du o?

Co oznacza ka dy termin ?

Normalizacja wyników – maksymalną wartością jest 1 Znormalizowany wykres funkcji jest funkcją przynale ności

ZBIORY ROZMYTE
Funkcja przynale ności do zbioru rozmytego µA(x) Zbiór rozmyty, E E={x∈ U | [x, µE (x) ]} U = wszystkie samochody we Wrocławiu µD(x) = p(x) = udział części krajowych µF(x) = 1-p(x) = udział części zagranicznych Funkcje przynale ności wyra ają subiektywną wartość utylitarną opartą np. na prawdopodobieństwie lub nie. „Je eli 40 % części w samochodzie ma pochodzenie krajowe, to jest to prawdopodobnie samochód z zagranicy”

µA(x) przyjmuje dowolną wartość z przedziału [0, 1]

samochód z zagranicy

samochód krajowy

FUNKCJE PRZYNALE NOŚCI
„Bliskie zera” „Prawdopodobnie NIE y”

„Około y”

„Młody (Young) / Stary (Old)”

FUNKCJE PRZYNALE NOŚCI
180 cm 179 cm
Przynale ność do zbioru osób wysokich

1

Ostry
wzrost

180
Przynale ność do zbioru osób wysokich

1

Rozmyty
wzrost

160 180

FUNKCJE PRZYNALE NOŚCI

Temperatura wysoka posiada ró ne znaczenia kontekstowe np. w przypadku gorączki i reaktora jądrowego.

FUNKCJE PRZYNALE NOŚCI

Zbiór ostry

Zbiór rozmyty

FUNKCJE PRZYNALE NOŚCI Rozszerzenia operatorów
• Mo na modelować takie pojęcia jak BARDZO, NIECO, TROSZECZKĘ itp. • Np. je eli x przynale y w stopniu µ(x) do zbioru GORĄCO, funkcja przynale ności (µ(x))2 mogłaby odpowiadać za BARDZO GORĄCO, lub √(µ(x)) za DOŚĆ GORĄCO

FORMALIZM Definicje zbiorów rozmytych
• Nośnik zbioru rozmytego
supp(A) = {x∈ U | µA (x)>0 }

• Środek zbioru rozmytego
– Funkcja dwustronna : Środek = wartość średnia – Funkcja z lewej strony : Środek = max (x) dla którego µ( x) = 1 – Funkcja z prawej strony : Środek = min (x) dla którego µ( x) = 1

FORMALIZM Operacje rozmyte
• Suma zbiorów A∪B Wtedy i tylko wtedy, gdy µA∪B(x) = max [µA(x), µB(x)] ∀ x∈U • Część wspólna zbiorów A∩B Wtedy i tylko wtedy, gdy µA∩B(x) = min [µA(x), µB(x)] ∀ x∈U ∩ • A zawiera B A⊃B Wtedy i tylko wtedy, gdy µA(x) >= µB(x) ∀ x∈U • Równowa ność zbiorów A∼B Wtedy i tylko wtedy, gdy µA(x) = µB(x) ∀ x∈U • Dopełnienie zbioru U-A Wtedy i tylko wtedy, gdy µA(x) =1- µA(x) ∀ x∈U

Logika rozmyta jest uogólnieniem logiki ostrej opartym na definicji funkcji przynale ności

FORMALIZM Operacje na zbiorach

A
µA∩B(x) = min [µA(x), µB(x)] ∀ x∈U ∩ µA∪B(x) = max [µA(x), µB(x)] ∀ x∈U

B
µA(x) =1- µA(x) ∀ x∈U

A∧B

A∨B

¬A

FORMALIZM Operacje na zbiorach
• • Suma rozmyta
A∪B

Przykład – A = {1.0, 0.20, 0.75} – B = {0.2, 0.45, 0.50} – A ∪ B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)} = {1.0, 0.45, 0.75}

• Część wspólna zbiorów
A∩B

Przykład A ∩ B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20, 0.50}

FORMALIZM Operacje na zbiorach
Dopełnienie zbioru Ac=U-A

Przykład – Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}

Przynale ność

Not Young A1

Mid Age A2

Not Old A3

A2 = A1 ∩ A3

0

20

35

45

60

80

Wiek

FORMALIZM t-norma
• Przecięcie się dwóch zbiorów rozmytych A oraz B jest operacją binarną i na przedziale jednostkowym
• i: [0,1] x [0,1] [0,1] – (A∩B)(x) = i[A(x), B(x)]

• Standardowa część wspólna:
– i(a,b) = min(a,b)

• Wynik algebraiczny:
– i(a,b) = ab

FORMALIZM t-konorma
• Suma dwóch zbiorów rozmytych A i B jest operacją binarną i na przedziale jednostkowym :
– u: [0,1] x [0,1] [0,1] – (A∪B)(x) = u[A(x), B(x)]

• Standardowa suma:
– u(a,b) = max(a,b)

• Wynik algebraiczny:
– u(a,b) = a+b-ab

FORMALIZM Zbiory rozmyte Mamdaniego
Poprzednik i następnik są rozmyte – np., “IF błąd IS mały AND zmiana błędu w czasie IS ujemna, THEN sygnał sterujący IS mały” – Czym jest błąd “mały”, “średni”, oraz “du y”? • Nale y “rozmyć” fizyczny pomiar błędu/pochodnej, zastosować reguły rozmyte, oraz “de-fuzzikować” (wyostrzyć) sygnał sterujący

Regulator „PI”

PRZYKŁAD
sterowanie temperaturą w pomieszczeniu

PRZYKŁAD 1 Zbiory ostre

• Dowolna wartość jest ściśle wewnątrz jednego ze zbiorów • Np. 12.9° przynale y z wartością 1 do „zimno” i 0 do pozostałych zbiorów • Je eli (5 < x ≤ 15) to …

PRZYKŁAD 1 Zbiory rozmyte

• Wartości przynale ą do ka dego zbioru w pewnym stopniu • Np. 27.1° przynale y 0.1 do ‘Warm’ i 0.6 do ‘Hot’ (0 do pozostałych)

PRZYKŁAD 1 Rozmyte wyjścia

• Musimy wyznaczyć jedną, konkretną wartość wyjścia, • Np. jakie powinno być wyjście dla danej temperatury • Potrzebujemy czegoś, co nazwiemy ‘defuzzyfikacją’ (wyostrzaniem wyjścia)

PRZYKŁAD 1 Negacja

Je eli x nale y do zbioru A, a przynale ność wynosi mA(x), to negacją tego faktu (x NIE nale y do zbioru A) jest 1 - mA(x)

PRZYKŁAD 1 Koniunkcja

• Minimum
– Je eli x nale y do zbioru A w stopniu mA(x) i do zbioru B w stopniu mB(x) to koniunkcją (x nale y do zbioru A AND B) jest min(mA(x), mB(x))

PRZYKŁAD 1 Alternatywa

• Maksimum
– Je eli x nale y do zbioru A w stopniu mA(x) i do zbioru B w stopniu mB(x), to alternatywą (x nale y do A OR B) jest max(mA(x), mB(x))

PRZYKŁAD 1 Reguły rozmyte

• • • •

If HOT then ZMNIEJSZ DU O If WARM then ZMNIEJSZ TROCHĘ If COOL then ZWIĘKSZ TROCHĘ If COLD then ZWIĘKSZ DU O

• Wyjścia są równie reprezentowane przez zbiory rozmyte

PRZYKŁAD 1 Wyostrzanie wyjścia

• Temperatura wynosi 27.1°C • 27.1°C przynale y 0.1 do zbioru WARM oraz 0.6 do zbioru HOT • ‘If WARM then ZMNIEJSZ TROCHĘ
– Przynale ność 0.1 dla wyjścia ZMNIEJSZ TROCHĘ

• ‘If HOT then ZMNIEJSZ DU O’
– Przynale ność 0.6 do wyjścia ZMNIEJSZ DU O

• Inne wyjścia (ZWIĘKSZ DU O, ZWIĘKSZ TROCHĘ) mają przynale ność 0

PRZYKŁAD 1 Wyostrzanie wyjścia
• • • • If HOT then ZMNIEJSZ DU O If WARM then ZMNIEJSZ TROCHĘ If COOL then ZWIĘKSZ TROCHĘ If COLD then ZWIĘKSZ DU O

• Wykorzystamy tę rozmytą informację do obliczenia wyjścia z regulatora

PRZYKŁAD 1 Defuzzyfikacja

• Znajdź środek cię kości figury • Mo liwe są równie inne metody defuzzyfikacji np. średnia wartość maksymalna

PRZYKŁAD 2
Jego wysokość

PRZYKŁAD 2
Funkcja przynale ności
Wzrost
MF Stopień przynalezności

180 cm

179 cm

Mały 1

Średni

Du y

0.5 0

25

40

55

Wzrost

Wartości rozmyte posiadają stopnie przynale ności do zbioru.

PRZYKŁAD 3
Dwa wejścia i jedno wyjście

PRZYKŁAD 3
Rozmywanie
• Dwa wejścia (x, y) i jedno wyjście (z) • Funkcje przynale ności:
low(t) = 1 - ( t / 10 ) high(t) = t / 10
1 0.68 Low 0.32 Ostre wejścia 0 X=0.32 Y=0.61 t High

Low(x) = 0.68, High(x) = 0.32,

Low(y) = 0.39, High(y) = 0.61

PRZYKŁAD 3
Baza reguł
• Reguła 1: If x is low AND y is low Then z is high • Reguła 2: If x is low AND y is high Then z is low • Reguła 3: If x is high AND y is low Then z is low • Reguła 4: If x is high AND y is high Then z is high

PRZYKŁAD 3
Inferencja reguł, aktywność reguł
• Reguła 1: low(x)=0.68, low(y)=0.39 => high(z)=MIN(0.68,0.39)=0.39 • Reguła 2: low(x)=0.68, high(y)=0.61 => low(z)=MIN(0.68,0.61)=0.61 • Reguła 3: high(x)=0.32, low(y)=0.39 => low(z)=MIN(0.32,0.39)=0.32 • Reguła 4: high(x)=0.32, high(y)=0.61 => high(z)=MIN(0.32,0.61)=0.32
„Siła” reguły

PRZYKŁAD 3
Agregacja reguł, połączenie aktywnych reguł

•Low(z) = MAX(rule2, rule3) = MAX(0.61, 0.32) = 0.61 •High(z) = MAX(rule1, rule4) = MAX(0.39, 0.32) = 0.39
1 Low High

0.61

0.39 0 t

PRZYKŁAD 3
Defuzyfikacja
Max

• Środek cię kości
1 Low Środek cię kości figury geometryczcnej High

C=

Min Max

∫ tf (t )dt ∫ f (t )dt

Min

0.61

0.39 0 Ostre wyjście t

LOGIKA ROZMYTA Regulator rozmyty
• System ekspertowy • Formalizuje wiedzę pobraną od człowieka
– Ma to znaczenie w procesach, w których trudno jest sformułować model matematyczny

• Stosuje terminy rozmyte very high, slightly low, almost zero.
– If temperature is very high AND pressure is slightly low THEN heat change should be slightly negative.

LOGIKA ROZMYTA Regulator rozmyty
Sygnał regulacyjny Defuzzifikacja (wyostrzanie) Inferencja Obiekt Fuzzifikacja (rozmywanie)
(oddziaływanie)

Regulator rozmyty Baza reguł

reguł

Pomiar

LOGIKA ROZMYTA Regulator rozmyty - projekt
• Krok 1
– Zidentyfikuj istotne wejścia i wyjścia – Zakresy wejść i wyjść – Wybierz zmienne lingwistyczne

• Krok 2
– Wprowadź funkcję rozmywającą dla ka dej zmiennej wejściowej w celu interpretacji pomiarów

LOGIKA ROZMYTA Regulator rozmyty - projekt
• Krok 3
– Sformułuj reguły rozmyte
• Pobierz je od ludzi • Naucz na podstawie danych empirycznych

– Reguły mają formę
• If e = A and e’ = B then v = C.

LOGIKA ROZMYTA Regulator rozmyty - projekt
• Krok 4
– Zaprojektuj metodę inferencji reguł If <e,e’> is A x B, then v is C, [A x B](x,y) = min[A(x),B(y)]. – Ka da reguła ma odpowiadającą jej relację R

LOGIKA ROZMYTA Regulator rozmyty - projekt
– – – – – – If <e,e’> is A1 x B1, then v is C1 If <e,e’> is A2 x B2, then v is C2 … If <e,e’> is An x Bn, then v is Cn Zdarzenie: <e,e’> is x0 x y0 Wywnioskuj, e v is C1

• Wyostrz wyjście v
– Metoda środka cię kości itd.

LOGIKA ROZMYTA Działanie regulatora rozmytego
Wejście ostre

Rozmywanie
Wejście rozmyte

Funkcje przynale ności wejść

Obliczanie reguł
Wyjście rozmyte

Reguły i ich inferencja

Defuzzyfikacja
Wyjście ostre

Wyjściowe funkcje przynale ności
Output Membership Functions

STEROWANIE ROZMYTE WENTYLACJĄ

LOGIKA ROZMYTA Sterowanie wentylacją - baza reguł
Wymiennik Powietrze Wentylator
zawór zamknięty

Regulator temperatury

Woda grzewcza

LOGIKA ROZMYTA Sterowanie wentylacją - baza reguł
Temperatura powietrza • Set cold {50, 0, 0} • Set cool {65, 55, 45} • Set just right {70, 65, 60} • Set warm {85, 75, 65} • Set hot {∞, 90, 80}
Temperatury w F

Prędkość wentylatora • • • • • Set stop {0, 0, 0} Set slow {50, 30, 10} Set medium {60, 50, 40} Set fast {90, 70, 50} Set blast {∞, 100, 80}

LOGIKA ROZMYTA Sterowanie wentylacją - baza reguł
• • • • • IF Cold THEN Stop IF Cool THEN Slow IF OK THEN Medium IF Warm THEN Fast IF Hot THEN Blast

LOGIKA ROZMYTA
Sterowanie wentylacją – wejścia/wyjścia
0 100 90 80 70 60 50 40 30 20 10 0 if Cold then Stop
op St
st Bla

If Hot then Blast If Warm then Fast

Fa st

Med ium

If Just Right then Medium IF Cool then Slow

Sl ow

•IF Cold then Stop •If Cool then Slow •If OK then Medium •If Warm then Fast •IF Hot then Blast
ar m

1
Co ol W

0 45 50 55 60 65 70 75 80 85 90

Jus Rig t ht

Ho t

ld Co

LOGIKA ROZMYTA
Sterowanie wentylacją – wejścia/wyjścia
1 0 100 90 80 70 60
Med iu
st Bla

t

Fa st

50 40 30 20 10 0

m

•IF Cold then Stop •If Cool then Slow •If OK then Medium •If Warm then Fast
1
ar m Co ol W Ho t

Sl

ow

0 45 50 55 60 65 70 75 80 85 90

Jus t Rig ht

op St
ld Co

•IF Hot then Blast

STEROWANIE ROZMYTE I REGULATOR STANU

SPRZĘ ENIE ZWROTNE OD STANU
• Maksymalizuje odporność regulatora w sensie kwadratowym. Sygnał wyjściowy jest liniową funkcją wektora stanu u = kx
– Regulator liniowo-kwadratowy – (Linear Quadratic Regulator - LQR)

• Przy niedostępnym stanie u ywany jest obserwator do estymacji stanu

OBSERWATOR STANU
• U ywa sygnałów wejściowych i wyjściowych do modelowania obiektu oraz estymowania jego stanu
– Deterministyczny
• Obserwator Luenbergera • Obserwator adaptacyjny

– Stochastyczny
• filtr Kalmana

SPRZĘ ENIE ZWROTNE Z OBSERWATOREM STANU
din u
Obiekt

y

Klqr
Regulator Proporcjonalny (wektor)

obserwator

x

0

Regulator „próbuje: utrzymać zadaną wartość wyjścia y=0

Badane mo liwości regulacji
• Sygnał wyjściowy z regulatora jest funkcją sygnału wyjściowego z obiektu. Przykłady obejmują
– Regulator PID
KI Tuz = K P + + KDs s

– Regulację adaptacyjną opartą o model (Model
reference adaptive control - MRAC)

• MRAC potrafi zredukować wpływ zakłóceń, lecz nie dostarcza estymaty stanu

Schemat obiektu

wejście wyjście zakłócenie

u y = x2 w

k u m1 m2 w

x1, x3 = dx1/dt x2, x4 = dx2/dt

PRZESTRZEŃ STANU UKŁADU STEROWANIA

0  x1   0 x   0 0 2  =  x3  − k m1 k m1     x4   k m 2 − k m 2

1 0  x1   0   0  0 1   x2   0   0    +  w u +  0 0  x3  1 m1   0        0 0  x4   0  1 m2 

x1 jest pozycją m1 x2 jest pozycją m2 x3 jest prędkością m1 x4 jest prędkością m2 y wyjściem z obiektu x2 w jest przyspieszeniem zakłóceń działających na m2 u jest przyspieszeniem sterującym masą m1

Zadania dla układu regulacji
• Dla mas m1 = m2 = 1 oraz stałej sprę yny 0.5 < k < 2.0
– – – – Zredukować zakłócenia działające na m2 oraz m1 Zredukować falę sinusoidalną działającą na m2 Zmaksymalizować odporność Śledzić skok jednostkowy zakładając, e
• Wyjście kompensatora (regulatora) jest ograniczone do u < |1| • Czas regulacji oraz przeregulowanie jest minimalne

Podejście jakościowe (rozmyte)
• Regulator rozmyty oparty o model jakościowy
– U ywa hierarchicznej struktury
• Najpierw, osiągnięcie odporności (i stabilności) • Potem, osiągniecie wskaźników jakości regulacji

– Dobra jakość regulacji oraz stabilność

OBIEKT (masa-sprę yna-masa) BEZ REGULATORA
Sprę yna zwolniona
6 5 4

Pozycja m1 oraz m2

impuls wprawia w ruch masę m2

3 2 1 0 0 5 Time (s e cond) 10

prędkość m1 oraz m2

STRUKTURA REGULATORA
• Estymata stanu sprę yny je eli stan nie jest dostępny
– Filtr Kalmana – przyspieszenie m2

• Określ oscylacje sprę yny stosując jej rozmyty model • Tłumienie wibracji u ywając wyjścia modelu sprę yny • Gdy sprę yna nie podlega naciskowi rozpocznij śledzenie
y
Estymator długości sprę yny

u

Rozmyty model sprę yny

Rozmyty kompensator (regulator)

ROZMYTY MODEL SPRĘ YNY
• Wymaga estymaty wejściowej – Długości sprę yny (L = 0) oraz

L – zmiana długości sprę yny

– Kierunku ruchu sprę yny jest danego przez dL/dt, (np. rozciąganie lub ściskanie) gdy L = 0.

• Estymaty nie muszą być optymalne (np. z filtru Kalmana), lecz mogą być otrzymane z filtrów sub-optymalnych

ROZMYTY MODEL SPRĘ YNY Reguły
• IF L is zero AND dL/dt is medium OR large THEN tłum wibracje • IF L is almost zero AND dL/dt is large THEN tłum wibracje – Kierunek wyjścia jest dany przez dL/dt oraz
jest przeciwnie skierowany względem rozszerzania lub skracania długości sprę yny

• Reguły redukują wpływ zakłóceń

ROZMYTY MODEL SPRĘ YNY Reguły – płaszczyzna wyjściowa
Stan sprę yny
spring_state

0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -2 -1 0 0 1 2 2
delta_spring_length_estimate

-2

spring_length_estimate

Estymata długości sprę yny

Estymata zmiany długości sprę yny

REGULATOR ROZMYTY
• Tłumienie oscylacji
– Sygnał z regulatora jest w przeciwną stronę ni z obiektu, gdy L = 0 – Przesuwa sygnał sterujący o wartość proporcjonalną do błędu pozycji oraz prędkości

• Śledzenie wartości zadanej
– Gdy L jest małe, to działa regulator PD

REGULATOR ROZMYTY Reguły
Rules to supress vibrations
1. If (spring state is (control_output 2. If (spring state is (control_output 3. If (spring state is (control_output 4. If (spring state is (control_output 5. If (spring state is (control_output

y

Estymator długości sprę yny

u

Rozmyty model sprę yny

Reguły do tłumienia oscylacji

Rozmyty kompensator (regulator)

compressing_fast_with_neutal_spring) then is big_stop_spring_stretching) compressing_slowly_with_neutal_spring) then is small_stop_spring_stretching) not_stretching_or_compressing_with_neutal_spring) then is zero) stretching_slowly_at_zero_accel) then is small_stop_ spring_compressing) stretching_fast_with_neutal_spring) then is big_stop_ spring_compressing)

Dodatkowe reguły do śledzenia wartości zadanej
Additional rules to achieve tracking of m2.
6. If (position_error is BigNegative) and (spring_length is smallBell) then (control_output is zero_large_position) 7. If (position_error is negative) and (spring_length is tinyBell) then (control_output is zero_small_position) 8. If (position_error is zero) and (spring_length is tinyBell) then (control_output is zero) 9. If (position_error is positive) and (spring_length is tinyBell) then (control_output is zero_small_position) 10. If (position_error is BigPositive) and (spring_length is smallBell) then (control_output is zero_large_position)

SYMULACJA Redukcja drgań sprę yny
Regulator rozmyty
1.5 1

Marrison and Stengel (#3)
1.5 1

m1 position m2 position m1 velocity m2 velocity

m1 position m2 position m1 velocity m2 velocity

0.5

0.5

0

0

-0.5

0

5

10 Time (s ec)

15

20

-0.5

0

5

10 Time (s ec)

15

20

SYMULACJA
Redukcja zakłócenia działającego na m2
Wyjście z obiektu y
y 2
1.5 1 0.5 0 -0.5 0
Fuzzy Design A Design B Marrison Design #1 Design #3

Wyjście z kompensatora u
u1
Fuzzy Design A Design B Marrison Design #1 Design #3

0.5

0

-0.5

5

10 Time(sec)

15

20

-1 0

5

10 Time(sec)

15

20

SYMULACJA
Odpowiedź skokowa - śledzenie
Wyjście z obiektu y
2 1.5 1 0.5 0 -0.5 0 Fuzzy Design A Design B Marrison Design #1 Design #3 5 10 Time(sec) 15 20

Wyjście z kompensatora u
2 1 0 -1 -2 -3 -4 0 Fuzzy Design A Design B Marrison Design #1 Design #3 5 10 Time(sec) 15 20

STEROWANIE ROBOTEM

ZASTOSOWANIE- Sterowanie robotem Regulator rozmyty
Wartość rzeczywista

Rozmycie

Baza reguł

Wyostrzenie

Wartość rzeczywista

Funkcje przynale ności Reguły rozmyte (IF ... THEN ...) Zmienne rozmyte Zmienne lingwistyczne

ZASTOSOWANIE- Sterowanie robotem Operatory rozmyte
Typowa reguła Mamdaniego
i IF x1 is A1i AND x2 is A2 THEN y i is B i , for i = 1, 2,..., l

U yte bloki w oprogramowaniu do tworzenia reguł Mamdaniego
Fuzzifier Fuzzifier

Funkcja przynale ności Metoda defuzyfikacji Y Output Output Block Block
(Zbiór rozmyty)

Yn

Wartość rozmyta

Y1 Y2

Defuzzifier Defuzzifier

X (liczba rzeczywista)

Wartość rozmyta

Wartości rozmyte

AND/OR DOF AND/OR

Bloki logiczne

Wyjście ostre

ZASTOSOWANIE- Sterowanie robotem Struktura regulatora rozmytego
Detekcja zmiany
theta

IF theta AND theta_dot THEN force
Fuzzyfikacja Fuzzyfikacja (POS) (POS) Fuzzyfikacja Fuzzyfikacja (NEG) (NEG)

is POS is NEG is NEG

ZERO

NEG

POS

Blok Blok wyjściowy wyjściowy
AND

Center of Gravity siła Defuzyfikacja Defuzyfikacja Wyjście u

theta_dot

(NEG) (NEG)

Reguła #2 Reguła #3

siła siła

ZASTOSOWANIE- Sterowanie robotem Unikanie przeszkody
Kąt czujnika i Odległość do przeszkody (mierzona przez czujnik i)

w v
Regulator rozmyty θ1 θ2

ZASTOSOWANIE- Sterowanie robotem Unikanie przeszkody
Funkcje przynale ności:
Close Near

Far

Neg

Zero

Pos

a) Odległość mierzona przez czujnik(d)
Zero VSlow Slow

b) Kąt czujnika (th) Neg SNeg Zero SPos Pos

Fast

c) Prędkość w przód (V)

d) Prędkość kątowa (W)

ZASTOSOWANIE- Sterowanie robotem Unikanie przeszkody
θ1 θ2

Reguły dla i - tego czujnika :
1."IF distancei is Close 2."IF distancei is Close 3."IF distancei is Close 4."IF distancei is Near 5."IF distancei is Near 6."IF distancei is Near 7."IF distancei is Far 8."IF distancei is Far 9."IF distancei is Far And anglei is Pos Then V And anglei is Zero Then V And anglei is Neg Then V And anglei is Pos Then V And anglei is Zero Then V And anglei is Neg Then V And anglei is Pos Then V And anglei is Zero Then V And anglei is Neg Then V Is VSlow W is Neg " Is Zero " Is VSlow W Is Pos " Is Slow W Is SNeg" Is VSlow W Is SNeg" Is Slow W Is Spos" Is Fast W Is Zero" Is Fast W Is Zero" Is Fast W Is Zero"

ZASTOSOWANIE- Sterowanie robotem Unikanie przeszkody
Zwykły regulator rozmyty Regulator rozmyty reagujący na zdarzenia

Aktywność procesora

Czas symulacji

Czas symulacji

Konwencjonalny regulator rozmyty oblicza operacje rozmyte (fuzzyfikacja, inferencja, defuzyfikacja) w ka dym kroku czasu. W przypadku reakcji na zdarzenia obliczenia są prowadzone wtedy, gdy występuje zmiana w otoczeniu.

ZASTOSOWANIE- Sterowanie robotem Współpraca robotów
Zadanie wymagające współpracy: pchanie piłki
Zało enia
− System nadrzędny posiada informacje o pozycji początkowej obiektu (piłki) i przesyła tę informację do robotów. − Roboty znają swoją własną pozycję i potrafią określić pozycję względem obiektu. − System nadrzędny komunikując się z robotami uzyskuje informację o ich pozycji oraz stopniu wykonania zadania. − Obiekt jest okrągły i znana jest pozycja środka cię kości. Roboty pozycjonują się wzajemnie i prostopadle względem obiektu. Następnie pchają obiekt do wyznaczonego celu.

ZASTOSOWANIE- Sterowanie robotem Współpraca robotów
GPunkt docelowy
Obiekt

fl<0 fl=0
wl

Robot

B
rB

Problem najpierw zostanie rozwiązany dla jednego robota, a następnie rozszerzony na pozostałe. Robot znajduje się w pewnej pozycji początkowej. Jego zadaniem jest przepchnięcie piłki do zadanej nowej pozycji. Robot powinien ustawić się we właściwej pozycji do pchania piłki. Pozycja docelowa G pokazana na rysunku mo e być obliczona następująco: po osiągnięciu punktu A robot powoli popycha piłkę, robot powinien zawsze pozostawać po stronie przeciwnej piłki względem punktu G tj. w regionie popychania. Jest on zdefiniowany jako dwie linie przechodzące przez środek cię kości piłki.

rA

A

fl>0

wr
fr<0

Region popychania fr>0

fr=0

f – wskaźnik obszaru w – wektor normalny do prostej

ZASTOSOWANIE- Sterowanie robotem Współpraca robotów
G

wl

B
rB
A

Oba roboty ustawiają się względem siebie symetrycznie względem prostej G-A

wr
Regiony popychania

ZASTOSOWANIE- Sterowanie robotem Współpraca robotów
Sygnał wejściowy “in”
“in”? komenda “in”? obiekt_zgubiony “out”! cel_osiągnięty

Sygnał wyjściowy “out”
“in”? object_reached

Je eli jeden robot nie jest w stanie wypełnić zadania ze względu na wagę piłki, to system nadrzędny mo e wykryć ten stan poprzez ocenę pracy robota (prędkość popychania) i wezwać drugiego robota. Stany pracy pojedynczego robota · Standby: stan początkowy. Robot czeka na sygnał z systemu nadrzędnego

· Path Planning: robot przesuwa się w stronę celu omijając przeszkody oraz inne roboty. Po osiągnięciu celu stan zmienia się na Standby lub Placement, w zale ności od komendy z systemu nadrzędnego (komenda pushing, to stan “out”? obiekt_dotknięty Placement, w przeciwnym przypadku stan Standby. · Placement: stan określa, e robot pozycjonuje się wewnątrz regionu popychania dotykając obiektu. · Ready_to_push: robot jet gotowy do popychania obiektu czekając na drugiego robota, aby dotknął obiekt i przeszedł w stan gotowości do popychania ready_to_push. · Pushing: po potwierdzeniu przez system nadrzędny, e wszystkie roboty są w stanie ready_to_push, robot przechodzi w stan pushing, próbując popychać obiekt w stronę celu. Stany zmieniają się w cyklu {Standby, Path_planning, Ready_to_push, Pushing, Standby},

“in”? Poza_regionem_pchania “out”? Obiekt _osiągnął_cel

“in”? Robot_gotowy

ZASTOSOWANIE- Sterowanie robotem Współpraca robotów
Wynik symulacji

ZASTOSOWANIE- Sterowanie robotem Współpraca robotów
Wynik symulacji

ZASTOSOWANIE- Sterowanie robotem
Wyniki rzeczywistego eksperymentu
Opisany algorytm zaimplementowano w robocie Pioneer AT2 wyprodukowanym przez ActivMedia Robotics™. Robot ma dwa niezale ne silniki i cztery koła. Dwa lewe koła są napędzane przez jeden silnik, dwa prawe - przez drugi. Robot jest wyposa ony w 16 czujników odległości, 8 z przodu i 8 z tyłu. Pozycja jest mierzona przez hodometr (przyrząd do mierzenia odległości). Robot oblicza kierunek z informacji z hodometru. Zainstalowany komputer pracuje pod systemem Windows 2000. Algorytmy ruchu zostały zaimplementowane w w DEVSJAVA oraz V-Lab®.

ZASTOSOWANIE- Sterowanie robotem Wyniki eksperymentu

Parkowanie samochodu

ZASTOSOWANIE Parkowanie samochodu
• • • • • Końcowa pozycja i kierunek nie są precyzyjnie określone Zadanie łatwe dla człowieka Trudność rozwiązania wzrasta wraz z precyzją W końcu mo e być niemo liwe do rozwiązania przez człowieka Problem parkowanie jest łatwy do rozwiązania, gdy nie jest sformułowany precyzyjnie

DIAGNOSTYKA SILNIKA

Ramy obliczeniowe • • • • Podział sygnału na odcinki Automatyczne wyodrębnianie cech Automatyczna selekcja cech Detekcja błędów w odcinkach oparta o algorytm rozmyty • Detekcja błędów w sygnale oparta o algorytm rozmyty

Podział sygnału na odcinki z u yciem falek
• Podział sygnału na odcinki: izolacja zdarzeń

• Falki: sygnał jest podzielony na ró ne funkcje zdefiniowane przez falki • Przykład:

AUTOMATYCZNE WYODRĘBNIANIE CECH
• Interesujące cechy: krawędzie (brzegi), oscylacje, stan ustalony, impulsy (piki)

• Rodziny cech:
– Podstawowe cechy statystyczne : maksimum, minimum, średnia, zakres wartości, długość odcinka, itp. – Energia falki : Znormalizowana suma kwadratów współczynników transformacji falki – Średnia falki: Średnia współczynników transformacji falki – X-Centroid: poziomy środek cię kości współczynników transformaty falki – Wypukłość/wklęsłość : Stosunek współczynników wypukłości i wklęsłości poszczególnych falek w danym odcinku

AUTOMATYCZNA SELEKCJA CECH
Sekwencyjny algorytm selekcji wstecznej
False Zbiór cech mały/dobry? True Najlepsza prędkość False klasyfikacji cech? True

Oryginalna przestrzeń cech

Zoptymalizowany zbiór cech (koniec)

Cechy

Wstępna selekcja

Zastąp cechę Wyrzuć cechę

Klasyfikator bayesowski

1/2 Przestrzeń cech

Wyrzuć 1 cechę

Częściowo zoptymalizowany zbiór cech

• Przykład selekcji cech :
– Agent wielu sygnałów RPM, algorytm selekcji cech zredukował zbiór 220 mo liwych cech do 11

DETEKCJA BŁĘDÓW W ODCINKACH
• Nauka rozmyta
– Ka dy agent musi wygenerować swoją własną bazę wiedzy poprzez automatyczne uczenie rozmyte – Baza wiedzy jest zbiorem reguł oraz zmiennych rozmytych – Przykład reguły rozmytej

IF WaveletAverage is LOW AND Maximum is LOW THEN segment is GOOD
– Zbiór uczący zawiera wektor cech reprezentujący dobre odcinki

• Detekcja błędów
– W ka dym odcinku sygnału wejściowego agent stosuje rozumowanie rozmyte i dzieli zdarzenia na

GOOD, BAD, UNKNOWN

DETEKCJA BŁĘDÓW W SYGNALE
• Analiza sygnału jako całości daje lepsze zrozumienie błędów
– Sygnał „zły” wygląda inaczej od „dobrego”
• Więcej odcinków jest oznaczonych jako złe • Złe odcinki skupiają się • Złe dane z odcinka są bardziej odległe od dobrych w przestrzeni cech

• Cechy całego sygnału
» Średnia wartość „złego” sygnału » Maksymalny rozmiar złego klastra » Średnia wartość „dobrego” sygnału » Liczba złych klastrów » Średnia odległość do dobrej » Procent złych sygnałów reguły

AGENCI POJEDYNCZEGO SYGNAŁU
Analiza ró nych cech sygnałów z jednego czujnika
ECT Single Signal Agent Convexity Max Avg WA DB12 WA DB31 XC DB13 XC DB20 IAC Single Signal Agent Max Avg XC DB00 WA DB13 WA DB14 Concavity IAT Single Signal Agent Avg WE DB34 XC DB31 XC DB32 XC DB33 MAF Single Signal Agent Convexity Fluctuation Min Max Avg WA DB15 WE DB14 WE DB25 XC DB12 XC DB13 XC DB23 XC DB30 RPM Single Signal Agent Max Fluctuation XC DB22 XC DB33 Concavity WA DB12 WA DB15 WA DB23 WE DB31 WE DB32 WE DB35 TP Single Signal Agent Convexity Max Min WA DB12 XC DB33 WE DB12 XC DB10

WSZYSTKIE CECHY OBLICZONE DLA POSZCZEGÓLNYCH ODCINKÓW Min/Max/Avg: Parametry statystyczne oryginalnego sygnału Convexity/Concavity: Miara krzywizny Fluctuation: Miara odchyłki sygnału WA Dbij: Średnia wartość falki dla falki bazowej DBi, współczynniki z falki j WE Dbij: Energia falki dla falki bazowej DBi, współczynniki z falki j XC Dbij: X-Centroid dla falki bazowej DBi, współczynniki z falki j

AGENCI POJEDYNCZEGO SYGNAŁU Przypadek 1: wahania obrotów RPM
Przyczyna podstawowa: źle uło ony czujnik poło enia cylindra (Cylinder Identification Sensor CID) Zbyt późne wtryskiwanie paliwa

WAHANIA OBROTÓW RPM Krok 1: Podział sygnału na odcinki
• Stany odcinków są oznaczone kolorami • Czerwony : wznoszący, zielony : opadający, brązowy : stały

WAHANIA OBROTÓW RPM Krok 2: Wyodrębnianie i selekcja cech
Wyodrębniono ponad 60 cech Selekcja cech (ograniczenie liczby do 12)
State 3 (fuzzy terms) Max 3 Fluctuation 3 XC DB22 3 XC DB33 3 Concavity 3 WA DB12 3 WA DB15 3 WA DB23 3 WE DB31 3 WE DB31 3 WE DB35 3

Dane o cechach po obliczeniach w ADSAS dla danego sygnału

WAHANIA OBROTÓW RPM Krok 3: Nauka rozmyta / inferencja
– 600 odcinków uczących z 12 testów – Wygenerowano 382 reguły rozmyte
Sygnał testowy

?: nieznany X: zły √: dobry

WAHANIA OBROTÓW RPM Krok 4: Analiza całego sygnału
Ka dy sygnał jest przeliczany z zastosowaniem jednej lub kilku kolumn tablicy inferencji
Avg Good Belief 4 (fuzzy terms) 0.203 Rzeczywiste Avg Bad Belief 4 0.154 Avg Distance* to Good Rules 4 0.0717 Maximum Cluster Size 4 3 Number of Clusters 4 3 Percentage of Signal Labeled Bad 4 25%

wartości tego sygnału

Inferencja rozmyta (wnioskowanie)
(System uczony na podstawie wyboru dobrych i złych sygnałów)

* Odległości do reguł są mierzone w przestrzeni Euklidesowskiej od danych do środka reguły.

Ten sygnał jest oznaczony jako Bad

WIEDZA IN YNIERSKA O INTERAKCJI SYGNAŁÓW

LOAD

O2S xx

Skrzynia biegów

RPM FUELPW xx ECT IAC MAF

VSS

SPARKADV TP

Szybki wpływ Efekt znaczący Efekt mały/nieznany Sygnał kluczowy Sygnał u yteczny
TPCT

Control Signals (z PCM)

Sygnały wejściowe z czujników

AGENT WIELU SYGNAŁÓW
Analiza ró nych cech sygnałów z wielu czujników
IAC Multiple Signal Agent IAC XC DB33 IAC XC DB34 MAF Avg MAF WA DB14 MAF WA DB25 MAF XC DB23 TP Concavity TP Flucatuation TP WA DB15 TP WA DB25 TP WA DB35 TP XC DB34 MAF Multiple Signal Agent MAF Fluctuation MAF Max MAF WE DB25 MAF XC DB33 TP Max RPM Min RPM Avg RPM XC DB10 IAC Max IAC XC DB30 IAC XC DB34 IAC XC DB35 RPM Multiple Signal Agent RPM Convexity RPM Avg RPM WE DB35 FUEL Fluctuation FUEL Min FUEL Max FUEL Avg MAF Max MAF Avg MAF WE DB24 SPARK Fluctuation SPARK Max TP Multiple Signal Agent

TP Single Signal Agent Convexity Max Min WA DB12 XC DB33 WE DB12 XC DB10

TP XC DB30 TP XC DB25 TPCT Avg TPCT XC DB30

WSZYSTKIE CECHY OBLICZONE DLA POSZCZEGÓLNYCH ODCINKÓW Min/Max/Avg: Parametry statystyczne oryginalnego sygnału Convexity/Concavity: Miara krzywizny Fluctuation: Miara odchyłki sygnału WA Dbij: Średnia wartość falki dla falki bazowej DBi, współczynniki z falki j WE Dbij: Energia falki dla falki bazowej DBi, współczynniki z falki j XC Dbij: X-Centroid dla falki bazowej DBi, współczynniki z falki j

AGENT WIELU SYGNAŁÓW
Przypadek 2: nierówna praca na biegu jałowym
Przyczyna podstawowa: Niewłaściwy odczyt z czujnika TP. TPCT zmienia się i TP ≠ TPCT. Układ regulacji silnika dostaje informację, e przepustnica jest częściowo otwarta : zła dostawa paliwa, nierówna praca na biegu jałowym

• Agent pojedynczego sygnału TP nie wykrył tego błędu

WYNIKI NAUKI ROZMYTEJ
– 250 odcinków uczących z 8 testów – Wygenerowano 19 reguł rozmytych
Sygnał testowy

?: nieznany X: zły √: dobry

Wszystkie dane o sygnale

Avg Good Belief 4 (fuzzy terms) 0.611

Avg Bad Belief 4 1.0

Avg Distance to Good Rules 4 972

Maximum Cluster Size 4 19

Number of Clusters 4 1

Percentage of Signal Labeled Bad 4 100%

ADSAS: Narzędzie do interaktywnej i automatycznej diagnostyki błędów
• Oprogramowanie do analizy sygnałów z samochodu
– – – – – – – Dane o pracy samochodu są w formacie CSV Pokazuje sygnały oraz transformacje Generuje odcinki oraz cechy danych Generuje nowych agentów Uczy agentów Testuje zapisy z pracy samochodu Przechowuje i przeszukuje informacje o poszczególnych przypadkach pracy

ADSAS: Główne okno programu

WNIOSKI
• ADSAS posiada potencjał do
– Rozwiązywania problemów przemysłowych – Analizy sygnałów i inteligencji maszynowej – Zastosowania w nauczaniu do
• Dyskretnego przetwarzania sygnałów • Systemów inteligentnych
• Acknowledgment
– This work is support in part by a grant from NSF, a contract from Ford, and a grant from CEEP

ROZPOZNAWANIE UCZUĆ

A Fuzzy System for Emotion Classification based on the MPEG-4 facial definition parameter set
•Nicolas Tsapatsoulis, Kostas Karpouzis, George Stamou, Fred Piat and Stefanos Kollias

Image, Video and Multimedia Systems Laboratory National Technical Univ. of Athens

DEFINICJA PROBLEMU
• Opisać archetypy emocji stosując FAP-y (Facial Animation Parameters) naniesione na format MPEG-4 • Przybli ać FAP-y przez punkty • Połączyć koło emocji Whissel’a z systemem rozmytym, aby rozszerzyć zakres rozpoznawanych emocji

ANALIZA EMOCJI In ynierska i psychologiczna
• In ynierowie koncentrują się na archetypach emocji - zdziwienie, strach, radość, smutek, wstręt, złość. • Psychologowie badają interakcje emocji
– Rezultaty badań nie są łatwe do zaimplementowania – Mo na uzyskać pewne wskazówki

• Whissel sugeruje, e emocje tworzą punkty w przestrzeni dwuwymiarowej

KOŁO EMOCJI Whissel’a
Osie : pobudzenie (activation) – ocena (evaluation)
Pobudzenie: stopień wzbudzenia Ocena : stopień zadowolenia
STRACH ZDZIWIENIE

ZŁOŚĆ Agresywny spokojny Rozpaczliwy WSTRĘT Pogardliwy

Wesoły, radosny

RADOŚĆ

rozśmieszony Pełen nadziei

Miły skłonny ufny zamyślony posłuszny spokojny

zachwycony NIECIERPLIWOŚĆ

SMUTEK Znudzony Przygnębiony

AKCEPTACJA

Parametry twarzy (FAPs) i archetypy uczuć
Eyebrow - brew Jaw – szczęka Lip - warga Squeeze – zmarszczenie, uścisk Raise- podnieś

Anger
ZŁOŚĆ

squeeze_l_eyebrow (+) lower_t_midlip (-) raise_l_i_eyebrow (+) close_t_r_eyelid (-) close_b_r_eyelid (-) raise_l_i_eyebrow (+) close_t_l_eyelid (+) raise_l_m_eyebrow (-) raise_l_o_eyebrow (-) close_b_l_eyelid (+) raise_l_o_eyebrow (+) raise_l_i_eyebrow (+) raise_l_m_eyebrow (+) squeeze_l_eyebrow (-) open_jaw (+)

squeeze_r_eyebrow(+) raise_b_midlip (+) raise_r_i_eyebrow (+) close_t_l_eyelid (-) close_b_l_eyelid (-) raise_r_i_eyebrow (+) close_t_r_eyelid (+) raise_r_m_eyebrow (-) raise_r_o_eyebrow (-) close_b_r_eyelid (+) raise_r_o_eyebrow (+) raise_r_i_eyebrow (+) raise_r_m_eyebrow(+) squeeze_r_eyebrow (-)

Sadness
SMUTEK

Surprise
ZDZIWIENIE

ANIMACJA TWARZY W MPEG-4
• Emocja jest reprezentowana przez FAP-y
(Facial Animation Parameters)

– Np. raise_l_o_eyebrow, raise_r_i_eyebrow, open_jaw

• Znormalizowane do standardowych odległości sztywnych obszarów w twarzy np. lewego oka do prawego oka (ES0) lub nosa do poziomu oczu (ENS0)

SYNTETYCZNE TWARZE W MPEG-4
• Zdefiniowane przez FDP-y (Face Definition Points)

Emocje wg Whissel’a
Tablica
Pobudzenie
Przestraszony Afraid Wstydliwy, nieśmiały Bashful Wstręt Disgusted Winny, zmieszany Guilty Cierpliwy Patient Zaskoczony, zdziwiony Surprised

Ocena

Pobudzenie
Zły Angry Zachwycony Delighted Podniecony Eager Radosny Joyful Smutny Sad

Ocena

. 4.9 2 5 4 3.3 6.5

3.4 2.7 3.2 1.1 3.8 5.2

. 4.2 4.2 5 5.4 3.8

2.7 6.4 5.1 6.1 2.4

Parametry twarzy (FAPs) i archetypy uczuć
Cheek - policzek Eyelid- powieka Eyebrow - brew Jaw – szczęka Lip - warga Squeeze – zmarszczenie, uścisk

Radość Joy

close_t_l_eyelid (+) close_b_l_eyelid (+) stretch_l_cornerlip (+) raise_l_m_eyebrow (+) lift_l_cheek (+) lower_t_midlip (-) OR open_jaw (+) close_t_l_eyelid (+) close_t_r_eyelid (+) lower_t_midlip (-)

close_t_r_eyelid (+) close_b_r_eyelid (+) Raise- podnieś Lift- podnieść stretch_r_cornerlip (+) raise_r_m_eyebrow(+) lift_r_cheek (+) raise_b_midlip (-) close_b_l_eyelid (+) close_b_r_eyelid (+) open_jaw (+)

Wstręt Disgust

squeeze_l_cornerlip (+) AND / OR squeeze_r_cornerlip (+) raise_l_o_eyebrow (+) raise_l_m_eyebrow(+) raise_l_i_eyebrow (+) squeeze_l_eyebrow (+) open_jaw (+) OR close_t_l_eyelid (-) OR lower_t_midlip (+) raise_r_o_eyebrow (+) raise_r_m_eyebrow (+) raise_r_I_eyebrow (+) squeeze_r_eyebrow(+) close_t_r_eyelid (-) lower_t_midlip (-)

Strach Fear

Detekcja punktów twarzy
• Automatyczna detekcja w obrazach, których części twarzy są du e; półautomatyczna w przeciwnym przypadku • Detekcja oczu jest podstawą do detekcji pozostałych punktów
2 1 7 10 3 9 8 ESo 12 ENSo 15 18
ENSo

5 6 13 14 11 4

16
ENSo

17
ENSo

19
ENSo

“Hierarchical facial features localisation using a morphological approach,” Raphael Villedieu, Technical Report NTUA, June 2000
Obraz oryginalny (wyodrębniono twarz) Kontury kropelki Wykrycie oczu (symetria, pozycja, obszar)

Wykrycie pionowych krawędzi Udoskonalenie (ramka + wykrycie cechy)

łobienie Oczy Wykrywanie cech

Znajdź ramki (względem oczu)

Następna ramka

Zlokalizowane cechy

ramki

“Hierarchical facial features localisation using a morphological approach,” Raphael Villedieu, Technical Report NTUA, June 2000

Filtr (najciemniejsze piksle)

Wybrane punkty (ekstremum)

Cechy i terminy lingwistyczne
• Tablica jest u ywana do określenia ilości i rodzaju terminu lingwistycznego przyporządkowanego do danej cechy
– Przykład: termin lingwistyczny medium oraz high są wystarczające do opisu cechy F11
1 0. 9 0. 8 0. 7 0. 6 0. 5 0. 4 0. 3 0. 2 0. 1 0 -600 -400 -200 0 200 400 600 800 1000 1200

Funkcje przynale ności cechy F4

Fuzzyfikacja wektora wejściowego
• Dziedzina danej cechy jest ustalana na podstawie parametrów statystycznych
– Przykład: rozsądnym zakresem wariancji cechy F5 jest

[m A5 − 3 ⋅ σ A5

mSu5 + 3 ⋅ σ Su5 ]

gdzie mA5, σA5 oraz mSu5, σSu5 są wartościami średnimi oraz odchyleniem standardowym cechy F5 odpowiadającym terminom złość (A) oraz zdziwienie (Su) odpowiednio (patrz tablica)

– Jednostronne cechy jak F11 to takie, których albo dolna albo górna granica jest zerem

Struktura systemu rozmytego
• 15-członowy wektor odpowiadający FAP-om przedstawionym w tabeli. • Wyjściem jest n-tka, gdzie n jest liczbą modelowanych emocji; wyjście archetypu wyra a stopień przekonania, e emocja jest złością, smutkiem, radością, wstrętem, strachem lub zdziwieniem • Fuzzyfikcja : stosowana jest tabela (estymacja zakresu FAP-ów) • Baza reguł : otrzymana ze studiów psychologicznych; u ywany jest parametr pobudzenia Whissel’a; wyra a on wiedze a-priori o obiekcie. Reguły IF-THEN skonstruowano heurystycznie z tabel 2 i 4
Zakresy występowania FAP-ów Baza reguł rozmytych Reguły zdefiniowane przez u ytkownika

Wektor cech FUZZYFIKACJA WNIOSKOWANIE ROZMYTE DEFUZZYFIKACJA

Emocje

Rozpoznawanie szerszego zakresu emocji
• Estymacja cech uczestniczących w danej emocji • Modyfikacja funkcji przynale ności cechy do odpowiadającej nowej emocji • Definicja sześciu generalnych kategorii odpowiadającym archetypom emocji
– Przykład: Kategoria strach zawiera zarówno zmartwienie jak i terror; ich modelowanie poprzez właściwe tłumaczenie pozycji (współrzędnych) terminów lingwistycznych połączonych z poszczególnymi cechami w dziedzinie (kole Whissel’a)

Modyfikacja funkcji przynale ności z u yciem parametru pobudzenie
• Niech wartości pobudzenie aY oraz aX odpowiadają emocjom Y oraz X
– Reguła 1: Emocje tej samej kategorii zawierają tę samą cechę Fi. – Reguła 2: Niech µΧZi oraz µYZi będą funkcjami przynale ności terminu lingwistycznego Z odpowiadającego Fi oraz połączonego z emocjami X oraz Y odpowiednio. Je eli µΧZi ma środek w punkcie mXZi dziedziny to µYZi powinno mieć środek w aY
mYZi = aX m XZi

– Reguła 3: aY oraz aX są znanymi wartościami uzyskanymi z badań Whissel’a

WYNIKI EKSPERYMENTALNE
Static Set (%) PHYSTA (%)
100 90 80 70 60 50 40 30 20 10 0

Fear

Disgust

Joy

Sadness

Surprise

Anger

Strach

Wstręt

Radość

Smutek Zdziwienie

Złość

WYNIKI EKSPERYMENTALNE
Rec. Rate (%)
80 70 60 50 40 30 20 10 0

Disdain

Disgust

Repulsion

Delighted

Eager

Joy

Pogarda

Wstręt

Odraza

Zachwyt Podniecenie Radość

POCIĄGI W JAPONII

ROZMYTE STEROWANIE POCIĄGIEM
• Metro w Sendai, Japonia stosuje regulatory rozmyte (Serji Yasunobu z Hitachi). • Badania i rozwój trwały 8 lat, a układ regulacji został uruchomiony w 1987 roku.

Układ regulacji
• Opiera się na regułach uzyskanych od maszynistów w celu jak najlepszego modelowania ludzkich decyzji • Zadanie: Regulować prędkość na zakrętach, przyspieszenie oraz hamowanie.

• System długo nie był perfekcyjny. Maszyniści lepiej sterowali pociągami, poniewa podejmowali decyzje w oparciu o doświadczenie oraz predykcję • To doprowadziło do…

Wspomaganie decyzji: predykcyjna regulacja rozmyta
• Mo e ocenić rezultaty decyzji oraz określić, czy decyzja powinna być podjęta • Posiada model silnika oraz hamulców słu ący do przewidywania następnego stanu prędkości, punktu zatrzymania i czasu jazdy • Regulator wybiera najlepsze działanie w oparciu o przewidywane stany


• Ruch metra w Sendai jest gładki • Maszyniści mają problemy z prześcignięciem układu regulacji w dokładności zatrzymania oraz płynności ruchu.

STEROWANIE TURBINĄ PAROWĄ

3. Dane wejściowe D
hz [m] tn, pn, xn
t 3 , p3

p [Mpa] tp , pp Q u Pz [MW]
t 2 , p2 Rp

p

Dw

P [MW]

Czynnik: , pn, pn – ciśnienie w układzie
z – temp. wody zasilającej w, tw – ciśn. i temp wody wtryskowej

Rn

υkp

QPP2

υ1

QPP1 υ2 QECO
t1 , p1 tz , pz
Dp- Dw

n

G

Powietrze
airz – temp. otoczenia
kp – nadmiar powietrza w komorze (kotle) LUVO – nadmiar powietrza za LUVO

Walczak
– stopień suchości za walczakiem

Qkp
υairg Qukp λkp υad
paliwo

υ3

Wydajność kotła
p – strumień masowy pary z kotła

QLUVO υairz υw
λw

pz [Mpa]

Czy mo na zadać strumień paliwa B ? Dp i B ?

Rg

Illustrations of Fuzzy Propositions – Composition/Evaluation (Earl Cox)

Illustrations of Fuzzy Propositions – Composition/Evaluation (from Earl Cox)

Illustrations of Fuzzy Propositions Decomposition – Defuzzification/Action (from Earl Cox)

Defuzzification (from Earl Cox)

Z pamiętnika ... operatora młyna cementowego

ROZMYTE STEROWANIE MŁYNEM CEMENTOWYM

Regulator rozmyty -Poprzedniki •BZ : temperatura w strefie spalania •OX : tlen w gazach odlotowych •BE : temperatura na końcu pieca -Następniki •CR : prędkość podajnika węgla •DP : pozycja klapy gazów wylotowych -27 reguł rozmytych, np. • IF BZ is OK and OX is low and BE is low THEN CR is large and DP is large

Rozmyte inwestowanie na giełdzie

PRZYKŁAD REGUŁY
IF ró nica oprocentowania pomiędzy USA i Europą is medium AND stopa wzrostu w USA is significantly larger THEN Euro € będzie kontynuowało moderate decline względem dolara US$

ROZMYTY MODEL STÓP PROCENTOWYCH
small 1,0 0,8
IF ró nica oprocentowania pomiędzy USA i Europą is medium AND stopa wzrostu w USA is significantly larger

medium

large

0,3

THEN Euro € będzie kontynuowało moderate decline względem dolara US$

0,4%

0,9% iUSA- iEuropa 0,8%

ROZMYTA BAZA REGUŁ
IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN... IF... AND...THEN...

WYJŚCIE z URUCHOMIONYCH REGUŁ

ROZMYTA NAUKA
(1) Adaptuj szerokość i środek reguły rozmytej (2) Zapominaj o nieu ywanych regułach (3) Szukaj nowych reguł
(2)
w1 w2 IF IF IF IF IF IF IF AND AND AND AND AND AND AND w3 w4 w5 w6 w7

(1)
THEN THEN THEN THEN THEN THEN THEN

(3)

Rozpoznawanie zatoru płuc
Diagnosis of Pulmonary Embolism Using Fuzzy Inference System Research Advisor: Dr. Gursel Serpen Research Assistant: Vishwanth Acharya University of Toledo

ZATOR PŁUC
Pulmonary Embolism (PE)

• Skrzep krwi oddziela się od źródła i staje się zatorem
• Blood clots break off from their source and become emboli.

Płuco

Zator w arterii płucnej

• Zator przemieszcza się przez Serce serce do arterii płucnych
• Emboli travel through the heart into the pulmonary arteries

Zator Zator przemieszcza się ze stóp do płuca

.
yła Skrzep w yle nogi

• Okludują (zamykają) arterie w ró nych częściach płuca
• They occlude the arteries to various anatomic regions of the lung.

300,000 to 600,000 hospitalizacji oraz 50,000 zgonów rocznie z powodu skrzepu [NIH Consensus Statement cited August 1999]

Grupy osób nara one na podwy szone ryzyko zatoru płuc
• Pacjenci poddający się ró nym typom operacji chirurgicznych – ogólnym, urologicznym, neurochirurgii, ginekologicznym • Pacjenci z problemami ortopedycznymi oraz chorobami chronicznymi

Ró ne kryteria diagnostyczne

• PIOPED - Prospective Investigation of Pulmonary Embolism Diagnosis [1995]. • Kryteria Biello [1979]. • Analizy radiologów

Kryteria PIOPED
Wysokie prawdopodobieństwo
• >= 2 du e obszarowo defekty z perfuzją (SPD). • 1 du y SPD i >= 2 średnie SPD. • >= 4 średnie SPD.

Niskie prawdopodobieństwo
• Wiele odpowiadających defektów w obrazie V/Q. • Corresponding V/Q defects and CXR parenchymal opacity in upper or middle lung zone. • Odpowiadające defekty V/Q i du y wysięk opłucnej • > 3 małe SPD.

Średnie prawdopodobieństwo
• 1 średnia lub < 2 du e SPD. • Odpowiadający defekt w obrazie V/Q i nieprzezroczystość CXR w dolnej części płuc • Pojedynczy średni defekt w obrazie V/Q • Odpowiadający defekt V/Q i mały wysięk opłucnej.

Bardzo niskie prawdopodobieństwo
• <= 3 małe SPD.

Normalne
• Brak defektów perfuzji oraz zarysów pefuzji widocznych na CXR

PRZETWARZANIE OBRAZÓW I FIS
(Fuzzy interface ssytem)

Dane z obrazu Skany V/Q Prześwietlenie promieniami X GUI Wejście radiologa IAS

Rozmywanie Baza reguł Wyostrzanie Diagnoza

Przetwarzanie obrazu

Fuzzy Inference System FIS

Wejścia do systemu diagnostycznego (według kryteriów PIOPED)
• Liczba perfuzji w większych obszarach • Liczba perfuzji w pozostałych obszarach • Odchylenia od normalnej wentylacji i perfuzji • Odchylenia od budowy klatki piersiowej (promienie Roentgena) • Obecność wysięku opłucnej

Wejścia do systemu diagnostycznego (według kryteriów PIOPED)

Wt – waga, (wstępne obliczenia defektów perfuzji w obszarach) Vqdef – odchyłki w obrazie przepłukiwania(perfuzji) i wentylacji Cxrab – nienormalna budowa klatki piersiowej (prześwietlenie promieniami X) Peff – obecność wysięku opłucnej

Funkcje przynale ności sygnałów wejściowych
Membership Function Plots

Weight Membership Function Plots

Vqdef

Funkcje przynale ności sygnałów wejściowych
Membership Function Plots

Cxrab

Membership Function Plots

Peff

Baza reguł systemu diagnostycznego PE (Modelowanie według kryteriów PIOPED)
IF (wt is HI) and (vqdef is CM) and (cxrab is NO) THEN (dia is HI) IF (wt is IM) and (vqdef is CM) and (cxrab is NO) THEN (dia is IM) NO - normal VLO- very low IF (vqdef is CM) and (cxrab is LL) THEN (dia is IM) LO - low THEN (dia is IM) IF (vqdef is SMM) and (cxrab is NO) IM - intermediate THEN (dia is IM) IF (vqdef is CM) and (peff is LO) HI - high THEN (dia is LO) IF (vqdef is MM) and (cxrab is NO) IF (vqdef is CM) and (cxrab is UML) THEN (dia is LO) THEN (dia is LO) IF (vqdef is CM) and (peff is LAR) THEN (dia is LO) IF (wt is LO) and (cxrab is NO) THEN (dia is VLO) IF (wt is VLO) and (cxrab is NO) IF (wt is ZE) and (vqdef is CM) and (cxrab is NO) and peff is ZE THEN (dia is NO) THEN (dia is HI) Wt – waga, (wstępne IF (wt is HI) and (vqdef is UM) THEN (dia is HI) obliczenia defektów perfuzji w IF (wt is HI) and (vqdef is SMM) obszarach) THEN (dia is IM) Vqdef – odchyłki w obrazie IF (wt is HI) and (vqdef is MM) IF (wt is IM) and (vqdef is UM) THEN (dia is HI) przepłukiwania(perfuzji) i THEN (dia is IM) wentylacji IF (wt is IM) and (vqdef is SMM) Cxrab – nienormalna budowa THEN (dia is LO) klatki piersiowej IF (wt is IM) and (vqdef is MM) THEN (dia is LO) (prześwietlenie promieniami IF (wt is LO) and (vqdef is UM)
X) Peff –wysięk opłucnej

Dia – diagnoza

Wyjścia z systemu rozmytego
(Zgodnie z kryteriami PIOPED)

Wyjście z modelu rozmytego jest diagnozą. Stąd podzielono je na 5 klas. Funkcjami przynale ności są
• • • • • Normal. (0 do 14) Very Low. (14 do 37) Low. (37 do 58) Intermediate.(58 do 76) High (76 do 100)

Wyjście z modelu rozmytego jest wartością ostrą i jest przekształcane do jednej z 5 klas w zale ności od zakresu wejścia.

Wyjścia z systemu rozmytego
(Zgodnie z kryteriami PIOPED)

Dia – Diagnoza, wyjście z modelu rozmytego jest podzielone na 5 klas.

PRZETWARZANIE OBRAZÓW
AKWIZYCJA OBRAZU •Akwizycja obrazu – obrazy są pozyskiwane ze szpitali od pacjentów cierpiących lub podejrzanych o zakrzep krwi •Digitalizacja – uzyskany obraz jest zamieniany na 24-bitową bitmapę, aby ułatwić dalszą analizę •Normalizacją– obraz jest konwertowany w 8-bitową skalę szarości i poprawiana jest intensywność obrazu •Wyjście – obraz po obróbce jest wysyłany do Fuzzy Inference System w celu diagnozy.

Digitalizacja

Normalizacja
•8-bitowa skala szarości •Dostrojenie intensywności.

WYJŚCIE

Skany perfuzji (przepłukiwania)
• Do ylnie podawany jest radioaktywny izotop Technet99m. • Wykrywana jest blokada przepływu krwi poprzez naczynia w płucach • Je eli naczynia są zablokowane przez skrzepy wówczas do danego obszaru wpływa zredukowana ilość krwi lub nie płynie wcale. • Je eli występuje zator, to na obrazie widoczny jest brak izotopu Technet-99m w danym obszarze.

Skany wentylacji płuc
• Do płuc wdychany jest gaz radioaktywny • To pokazuje rozkład dróg powietrza • Poprzez połączenie informacji uzyskanej z obu skanów mo na uzyskać dokładniejszą diagnostykę zatoru.

Poprawa jakości obrazu
• • Dostrojenie intensywności w celu podniesienia średniej intensywności piksla do 65% - 70% Nieliniowe odwzorowanie z wykorzystaniem s-owatej funkcji w celu poprawy kontrastu obrazu
255 * a 200 * a 1 255 * m

127 * a

0 Image intensity range (a <= 1)

0 Mapping function (m)

0 Resulting Intensity

Intensity mapping done during enhancement

Odwzorowanie = I(x,y) * a * m

Poprawa jakości obrazu

Przed normalizacją

Po normalizacji

Poprawa jakości obrazu Problemy
• Wiedza eksperta jest rozmyta, fakty i reguły nie są absolutnie pewne lub spójne • Obecność zakłóceń w skanowanych obrazach V/Q (strzykawek, igły etc.). • Zmiana rozmiaru płuc wraz ze zmianą pacjenta

WYNIKI ROZPOZNANIA
5 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Program komputerowy oparty o logikę rozmytą
FIS Radiologists

Radiolog

Zapobieganie katastrofie lotniczej

Dziękuję za uwagę i zainteresowanie

Sign up to vote on this title
UsefulNot useful