ADEKWATNA DEFUZYFIKACJA WIEDZY ROZMYTEJ W SIECIACH SEMANTYCZNYCH

ADEQUATE DEFUZZIFICATION OF FUZZY KNOWLEDGE

IN THE SEMANTNIC NETWORKS

Anna Bryniarska, Politechnika Opolska

Abstract

In the literature, fuzzification of knowledge in the semantic networks has been precisely defined [2, 14, 15, 16, 17]. To define knowledge fuzzification there was used the logic language Description Logic (DL), precisely fuzzyDL. In this paper fuzzification of knowledge is identified with a function interpreting expressions in the DL language in the algebra of fuzzy sets [3]. Specifying, sharpening fuzzy knowledge to produce a quantifiable result is called defuzzification of knowledge. The problem of defuzzification is solved by identifying it with some interpretation of DL language expressions which are part of knowledge base in a fixed sets algebra. Furthermore, we propose to consider defuzzification as an interpretation of some algebra of sets. These sets are granules of the fuzzy sets [19]. For the first time it is proposed to define adequate defuzzification of expressions in the fuzzy knowledge base.
Streszczenie

(precyzowania) wiedzy rozmytej, tj. jej defuzyfikacj rozwizuje si utosamiajc defuzyfikacj z pewn interpretacj wyrae jzyka logiki DL, nalecych do wyrnionej bazy wiedzy, w ustalonej algebrze zbiorw. Tu proponuje si defuzyfikacj rozwaa jako interpretacj w pewnej algebrze zbiorw. Zbiory te s granulami zbiorw rozmytych [19]. Po raz pierwszy, proponuje si take definicj adekwatnoci defuzyfikacji wyrae z rozmytej bazy wiedzy.

1. Wstp

W literaturze sieci semantycznych, precyzyjnie okrelono fuzyfikacj wiedzy reprezentowanej w sieciach semantycznych [2, 14, 15, 16, 17]. Do wyraenia rozmywania wiedzy uyto jzyka logiki opisowej fuzzyDL (Fuzzy Description Logic). W niniejszej pracy utosamia si fuzyfikacj wiedzy z funkcj interpretacji wyrae jzyka logiki DL w algebrze zbiorw rozmytych [3]. Problem okrelenia wyostrzania

Zazwyczaj dane o obiektach wyszukujemy w pewnych sieciach informacyjnych czcych stany wyszukiwania wiedzy o tych obiektach (stany reprezentowania wiedzy, opisywania obiektw). Wtedy stany zwizkw midzy obiektami opisane s za pomoc danych o tych obiektach oraz zwizkach pomidzy tymi obiektami (opisach obiektw i ich zwizkw). Sieci te informatycy nazywaj sieciami semantycznymi. W praktyce, dostp do danych w sieci semantycznej nie jest jednoznacznie okrelony, a wic dane tylko w pewnym stopniu reprezentuj wyszukiwan wiedz. W tym sensie wyszukiwana wiedza jest rozmyta. Czy mona wyostrzy i traktowa j jako dokadn? Ten problem nazywa si problemem defuzyfikacji rozmytej wiedzy. Jak dotd, w literaturze sieci semantycznych, precyzyjnie okrelono

rozmywanie wiedzy w sieci semantycznej dajcej si opisa w ramach rozmytej logiki deskrypcyjnej DL (ang. Fuzzy Description Logic, fuzzyDL) [1]. Proces ten zwany fuzyfikacj (rozmywaniem) wiedzy okrelono za pomoc stosownej interpretacji wyrae jzyka deskrypcyjnego w algebrze zbiorw rozmytych [2, 15, 16, 17, 18]. Nie zwrcono jednak uwagi na to, e w takim ujciu, dowoln fuzyfikacj mona utosamia z pewn interpretacj wyrae jzyka fuzzyDL. Wtedy standardow interpretacj jzyka fuzzyDL w algebrze zbiorw, mona utosamia z fuzyfikacj w algebrze funkcji charakterystycznych. Natomiast funkcje charakterystyczne mog by utosamiane ze zbiorami w zwykym sensie. W niniejszej pracy, uwzgldniajc t ostatni uwag, przyjto, e take defuzyfikacj (wyostrzanie) rozmytej wiedzy mona utosamia z pewn interpretacj jzyka logiki opisowej.
2. Jzyk logiki fuzzyDL

315), suce np. do szacowania kosztw produkcji, sieci semantyczne WEB z poszerzon rzeczywistoci (np. o dane giedowe, meteorologiczne i mapy drg), korzystajce z danych zebranych w wymienionych sieciach t tematyk dot. Danych giedowych i innych danych ekonomicznych porusz praca [2].

R1
1 A

R2
2

(a, b)
R

Sie semantyczna moe by rozpatrywana jako indeksowany graf skierowany [10]. Wzy tego grafu utosamiane s ze stanami wyszukiwania wiedzy o jakim obiekcie, a krawdzie (ramiona) ze stanami identyfikujcymi wiedz o relacjach pomidzy, wskazanymi przez wzy grafu, obiektami. Do sieci semantycznych, w ktrych moe by wyszukiwana wiedza rozmyta zaliczamy przykadowo: sieci sensorowe mierzce dane dotyczce miejsca, w ktrym znajduj si sensory i przekazujcych zebrane dane do jednostek sterujcych wyszukiwanie rozmytej wiedzy geologicznej opisuje monografia [6], sieci autopilotw maszyn (np. robotw lub pojazdw) wyszukujce dane o rodowisku (np. dane o linii technologicznej lub komunikacyjnej), czciowo sterujcych prac tych maszyn (przekazywaniem informacji lub ruchem tych pojazdw) [7], sieci semantyczne produkcji, okrelajce tworzone w procesie produkcji cechy produktw ([9], s.

Rys.1. Sie semantyczna skadajca si z wzw o nazwach a, b, (a,b) , A , B , R1, R2 oraz krawdzi: C, R, (jest wystpieniem), 1 (jest pierwszym wystpieniem), 2 (jest drugim wystpieniem), (jest). Opracowanie wasne. Fig.1. The semantic network consists of the nodes named a, b, (a,b) , A , B , R1, R2 and the edges: C, R, (is an instance), 1 (is a first instance), 2 (is a second instance), (is).

W wymienionych sieciach semantycznych, zarwno wzy jak i krawdzie sieci opisane s jakimi terminami oznaczajcymi obiekty i relacje (Rys. 1). Opisy wzw s nazwami indywiduw, opisy krawdzi jednowzowych s nazwami konceptw (poj), a krawdzi dwuwzowych s nazwami rl spenianych przez opisywane obiekty. Np. dla Rysunku 1, a i b s nazwami indywiduw, A jest nazw konceptu oznaczajc, e a jest A, tj. a jest wystpieniem (przypadkiem wystpienia) konceptu A, natomiast R jest nazw roli oznaczajc, e pomidzy obiektami a i b zachodzi zwizek bdcy wystpieniem roli R.

Opisy indywiduw, konceptw i rl skadaj si na terminologi. Gdy zwizek pomidzy obiektami reprezentowany jest przez sie semantyczn to nazywany go asercj. Asercj, e a jest A zapisujemy w postaci a:A, natomiast asercj o relacji R pomidzy obiektami a i b zapisujemy w postaci (a,b):R. W kontekcie bada sieci semantycznej (ang. semantic networks) [1, 3], reprezentacja wiedzy w sieci semantycznej moe by okrelona w jzyku atrybutowym (ang. attributive language, AL) rozmytej logiki fuzzyDL. Wtedy wiedza jest reprezentowana przez dwa systemy: terminologi nazywan TBox oraz zbir asercji nazywany ABox. Sie semantyczna moe by rozszerzona o krawdzie ustalajce zalenoci pomidzy konceptami lub rolami. Opisy tych zalenoci, a wic role konceptw nazywane s aksjomatami, a system reprezentowania tej wiedzy zwany jest RBox. Poniej okrelono syntaktyk jzyka AL. Wystpieniami konceptw s symbole a, b, c, ..., a1, b1 ... nazw indywiduowych oraz symbole zmiennych x, y, z, v, ... , x1, y1, ... zastpowane przez symbole nazw indywiduowych. Natomiast wystpieniami rl s pary (t1, t2) wystpie t1, t2 konceptw.
2.1. Syntaktyka TBox

wszystkie wystpienia konceptu C lub konceptu D; R.C kwantyfikacja egzystencjalna wyraenie oznacza wszystkie wystpienia konceptw pozostajce w roli R co najmniej raz z wystpieniem konceptu C; R.C kwantyfikacja oglna oznacza wszystkie wystpienia konceptw, ktre jeeli pozostaj w roli R, to pozostaj w tej roli z jakim wystpieniem konceptu C; m(C) modyfikacja m konceptu C oznaczajca koncept, bdcy zmienionym konceptem C, przez sowo m, np. m moe mie takie wystpienia jak: bardzo, bardziej, najbardziej lub wysoki wyszy, najwyszy.
2.2. Syntaktyka Abox

Dla dowolnych wystpie t1, t2 konceptw, nazwy konceptu C oraz nazwy roli R, asercjami s wyraenia postaci t1:C, (t1,t2):R. Czytamy je: t1 jest wystpieniem konceptu C, para (t1,t2) jest wystpieniem roli R. Dla dowolnych wystpie t1, t2 konceptw, nazwy konceptu C oraz nazwy roli R, asercjami w stopniu s wyraenia postaci <t1:C, >, <(t1,t2):R, >. Czytamy je: t1 jest wystpieniem konceptu C w stopniu , para (t1,t2) jest wystpieniem roli R w stopniu .
2.3. Syntaktyka Rbox

Do zbioru nazw konceptw i rl nale nastpujce nazwy: T (Top) - koncept uniwersalny oraz rola uniwersalna, (Bottom) - koncept pusty oraz rola pusta. Niech C, D s nazwami konceptw, R jest nazw roli, a m symbolem modyfikatora, wtedy konceptami s: C negacja konceptu wyraenie oznacza wszystkie wystpienia konceptw, nie bdce wystpieniami konceptu C; C D przekrj, koniunkcja konceptw C i D wyraenie oznacza wszystkie wystpienia konceptw C i D; C D suma, alternatywa konceptw C i D wyraenie oznacza

Dla dowolnych nazw konceptw C, D oraz rl R1, R2 i wystpie t, t1, t2, (t1, t2), aksjomatami s wyraeniami postaci: tC t jest wystpieniem konceptu C, (t1, t2)R1 para (t1, t2) jest wystpieniem roli R1, t 1 (t1, t2) t jest pierwszym wystpieniem pary (t1, t2), t 2 (t1, t2) t jest drugim wystpieniem pary (t1, t2), t 1 R1 t jest pierwszym wystpieniem roli R1, t 2 R1 t jest drugim wystpieniem pary R2, C D koncept C jest konceptem D, C=D koncept C jest identyczny z konceptem D, R1 R2 rola R1 jest rol R2,

R1=R2 rola R1 jest identyczna z rol R2,. Dla dowolnych nazw konceptw C, D oraz rl R1, R2 aksjomatami w stopniu s wyraeniami postaci <aksjomat, >, np. <C D, >, < C=D, >, <R1 R2, >, < R1=R2, >.
3. Fuzyfikacja

4. modyfikatorom m przyporzdkowuje funkcje mI: [0,1] [0,1], gdzie mIM, 5. asercjom oraz aksjomatom E przyporzdkowuje pewn liczb EI [0,1], 6. dla wyrae <E, > asercjom oraz aksjomatom E w stopniu mamy <E, >I = <EI, >.
3.1. Semantyka konceptw jzyka TBox

Wyraenia interpretujemy uporzdkowanej rozmytych:

F F F

jzyka w algebrze
F F F

fuzzyDL wybranej zbiorw

F

Dla dowolnych xX, nazw konceptw C, D, nazwy roli R oraz modyfikatora m TI(x) =1; (3) I(x) = 0; (4) I F I (C) (x) = ( C )(x); (5) F (C D)I(x) = (CI DI)(x); (6) I I F I (C D) (x) = (C D )(x); (7) F ( R.C)I(x) = supyX {( RI CI)(x,y)};(8) F (R.C)I(x)=infyX{(F RI CI)(x,y)};(9) I I I (m(C)) (x) = m (C (x)); (10)
3.2. Semantyka asercji jzyka ABox

F = <F, , , , c , e , 0 , 1 , M, F0> (1) gdzie dla przestrzeni obiektw X, zbir: F = { | :X[0,1]} { | :X X[0,1]} (2) jest zbiorem wszystkich zbiorw F rozmytych w algebrze F; jest operacj F iloczynu zbiorw przyblionych; jest F operacj sumy; jest operacj F F dopenienia; c jest funkcj c : F F [0,1] zwan stopniem zawierania si zbiorw rozmytych ([6], s. 47); eF jest funkcj eF: F F [0,1] zwan stopniem rwnoci zbiorw rozmytych ([8], s. 45); symbol 0F oznacza dowolny zbir rozmyty o wartociach 0; symbol 1F oznacza dowolny zbir rozmyty o wartociach 1; M jest wyrnionym zbiorem funkcji f:[0,1] [0,1] zwanych funkcjami modyfikacji; F0 jest wyrnionym podzbiorem F. Niech X jest zbiorem wszystkich obiektw (egzemplarzy danych), ktrych dotyczy wiedza reprezentowana w sieci semantycznej, a X X jest zbiorem wszystkich uporzdkowanych par elementw zbioru X. Dana jest funkcja I, ktra spenia warunki: 1. wystpieniom konceptw t I przyporzdkowuje pewne wartoci t X, a wystpieniom par (t1, t2) przyporzdkowuje si pary (t1I, t2I) X X, 2. nazwom konceptw C przyporzdkowuje zbiory rozmyte CI: X [0,1], 3. nawom roli R przyporzdkowuje zbiory rozmyte RI: X X [0,1],

Dla dowolnych wystpie t konceptw C, D oraz wystpie (t1,t2) roli R (t:C)I = CI(tI) ((t1,t2):R)I = RI(t1I ,t2I)
3.3. Semantyka aksjomatw RBox

(11) (12)

Dla dowolnych nazw konceptw C, D (C D)I = cF( CI , DI) (13) I F I I (C = D) = e ( C , D ) (14) (R1 R2)I = cF( R1I , R2I), (15) (R1 = R2)I = eF( R1I , R2I). (16) Pominiemy interpretacje dla aksjomatw wyraajcych, e co jest jakim wystpieniem konceptu lub roli, gdy mona je wyrazi za pomoc wzorw interpretacji wyrae Tbox. Gdy funkcja interpretacja I spenia list warunkw 1 6 oraz spenia rwnania opisane we wzorach (3) (14), to nazywamy j fuzyfikacj jzyka logiki fuzzyDL. Jeeli w wyniku fuzyfikacji otrzymujemy tylko funkcje charakterystyczne, to tak interpretacj nazywamy dokadn. Jest ona rwnowana standardowej interpretacji logiki opisowej DL [1]. Niech I jest fuzyfikacj jzyka fuzzyDL, mwimy, e wyraenie <E, > jest spenione w tej interpretacji (co piszemy: I |= <E, >) wtedy i tylko wtedy, gdy EI .

Rozwamy skoczony zbir Fuz, ktry odpowiada zbiorowi realizacjom fuzyfikacji, moliwym w praktyce, akceptowanym przez pewn grup ekspertw (agentw) dokonujcych fuzyfikacji wyrae jzyka logiki fuzzyDL. Zbir Fuz nazywamy przestrzeni fuzyfikacji. W procesie fuzyfikacji tworzona jest rozmyta baza wiedzy K = <Fuz, V, TBox, ABox, RBox>(17) gdzie: TBox jest skoczonym zbiorem konceptw i rl; V jest funkcj zwan, zakresem ufnoci rozmycia, przyporzdkowujc konceptom i rolom pewne zbiory wartoci ich fuzyfikacji IFuz; ABox jest skoczonym zbiorem asercji zachodzcych w jakim stopniu zbudowanych z konceptw i rl zbioru TBox; Rbox jest skoczonym zbiorem aksjomatw zachodzcych w jakim stopniu , zawierajcym tylko terminy ze zbioru TBox. Ponadto wszystkie wyraenia <E, > nalece do ABox lub RBox s spenione w jakiej interpretacji ze zbioru Fuz. Wyraenie <E, > jzyka fuzzyDL jest rozmyt logiczn konsekwencj bazy wiedzy K (co piszemy: K|- <E, >) wtedy i tylko wtedy, gdy jest spenione w dowolnej interpretacji rozmytej I Fuz.
4. Defuzyfikacja

V(C) { : dla pewnych wystpie t konceptu C oraz IFuz, =(t:C)I} lub do pewnego wyrnionego zbioru V(R) { : dla pewnych wystpie (t1,t2) roli R oraz IFuz, =((t1,t2) :R)I} zakresw stopni rozmycia przyjmowanych przez wszystkich ekspertw, tzn. nale do pewnych zakresw ufnoci rozmycia V, to mona przyj, e elementy nalece w tym zakresie do rozwaanych zbiorw rozmytych tworz pewien wyrniony podzbir przestrzeni X lub X X. Innymi sowy, eksperci, wiedz o stopniu rozmycia nalecym do pewnego zakresu stopni rozmycia, proponuj traktowa jako wiedz dokadn w ramach wczeniej dokonanej fuzyfikacji tej wiedzy. Takie podejcie ekspertw jest wyostrzaniem wiedzy o przynalenoci elementu przestrzeni do pewnego jej podzbioru. Dlatego wyznaczanie takich podzbiorw bdziemy utosamia z defuzyfikacj wiedzy o obiektach nalecych do przestrzeni X lub X X. Funkcj (.)Def nazywamy defuzyfikacj dla bazy wiedzy K = <Fuz, V, TBox, ABox, RBox>, jeli dla dowolnych konceptw: C, D, oraz rl: R, R1, R2, wystpie t, t1, t2 konceptw z tej bazy, zachodz wzory:

Poszukujemy rodziny podzbiorw zbioru X, w ktrej bdziemy interpretowa wyraenia logiki deskrypcyjnej. Podobnie, jak w przypadku stosowania w statystyce przedziaw ufnoci, przyjmujemy, zgodnie z intuicj, dotyczc dokonywania fuzyfikacji przez grupy ekspertw, e najbardziej istotne jest zaakceptowanie przez wszystkich ekspertw stopni przynalenoci elementw do zbioru rozmytego, bdcego fuzyfikacj pewnych konceptw lub rl nalecych do rozmytej bazy wiedzy K = <Fuz, V, TBox, ABox, RBox>. A wic, jeli dla fuzyfikacji I Fuz, konceptu C lub roli R, te stopnie nale do pewnego wyrnionego zbioru

gdzie 1) XC X, 2) x XC wtw gdy istnieje fuzyfikacja I Fuz, taka e (t:C)I V(C) oraz x=tDef ; (20) gdzie 1) (X X)R X X, 2) (x,y) (X X)R wtw gdy istnieje fuzyfikacja I Fuz, taka e ((t1,t2):R)I V(R) oraz x=t1Def ; (C)Def = X\CDef, (21) Def Def Def (C D) = C D , (22) (C D)Def = CDef DDef, (23) Def ( R.C) = {xX: istnieje y taki, e (x, y) RDef i y CDef}, (24) Def (R.C) = {xX: dla kadego y, jeli (x, y) RDef , to y CDef}, (25) RDef = (X X)R

Def = , TDef = X CDef = XC

(18) (19)

(t:C)Def wtw tDef CDef; (26) ((t1,t2):R)Def wtw (t1Def, t2Def) RDef;(27) (C D)Def wtw CDef DDef (28) (C = D)Def wtw CDef = DDef, (29) (R1 R2)Def wtw R1Def R2Def (30) (R1 = R2)Def wtw R1Def = R2Def, (31) <E , >Def wtw EDef, jeli K|- <E, >, (32) albo <E , >Def wtw EDef, gdy nie zachodzi K|- <E, > - E jest asercj lub aksjomatem bazy wiedzy K. (33)
5. Adekwatno defuzyfikacji

Intuicyjnie, od defuzyfikacji asercji lub aksjomatu E w stopniu dla ktrych wyraenie <E, > jest konsekwencj rozmyt bazy K, tj. K|- <E, >, oczekujemy, e w zakresie ufnoci rozmycia V bdzie tez teoriomnogociow. Tak defuzyfikacj (.)Def nazywamy adekwatn w zakresie ufnoci rozmycia V. Ma ona miejsce, gdy dla dowolnych asercji i aksjomatw ERBox, jeli zachodzi K|<E, >, to zachodzi <E, >Def. Defuzyfikacj (.)Def nazywamy adekwatn, gdy dla dowolnego aksjomatu E, z tego e zachodzi K|- <E, 1> wynika prawdziwo EDef. Jak wida, Wniosek 1. Kada defuzyfikacja adekwatna w zakresie ufnoci rozmycia V jest adekwatna. Odwrotna implikacja nie zawsze musi zachodzi. Mona wskaza pewne trywialne adekwatne defuzyfikacje: Twierdzenie 1. Dowolna defuzyfikacja bazy wiedzy K, w ktrej interpretacje nalece do Fuz przeksztacaj koncepty i role w funkcje charakterystyczne (fuzyfikacje s dokadne), a funkcja zakresu ufnoci rozmycia V posiada tylko warto 1, jest defuzyfikacj adekwatn i zarazem adekwatn w zakresie ufnoci rozmycia V.
6. Problemy adekwatnoci i optymalnoci defuzyfikacji

wystarczajcych jakie powinna spenia baza wiedzy, aby wszystkie defuzyfikacje dla tej bazy byy defuzyfikacjami adekwatnymi. Ze wzgldu na ograniczon dokadno oblicze, komputerowe zastosowanie definicji rozmytej logiki opisowej wymaga przyjcia skoczonego zbioru stopni rozmycia. Np. dla odpowiedniej liczby naturalnej n zbir ten moe by rwny [0,1]S = {0, 1/n, 2/n, , (n-1)/n, 1}. Ponadto, nie zawsze znalezienie adekwatnej defuzyfikacji dla bazy wiedzy K jest moliwe, wtedy dla wyrae <E, > szukane s suprema gbl(K,E) zbioru liczb [0,1]S, takich, e K|- <E, >, tj. gbl(K,E) = sup{ : K|<E, >}. Jest to tzw. problem BDB (the Best Degree Bound). Podobny problem optymalizacji formuowany jest dla konceptw i rl. Std, z okrelenia relacji |= speniania wyraenia w interpretacji rozmytej oraz okrelenia rozmytej logicznej konsekwencji bazy wiedzy K, wynika Twierdzenie 2. Dla dowolnego wyraenia E w bazie K oraz wszystkich interpretacji rozmytych I, I |= <E, gbl(K,E)>. (34) oraz Twierdzenie 3. Dla dowolnego wyraenia E w bazie K, rozmyte wyraenie <E, gbl(K,E)> jest rozmyt logiczn konsekwencj bazy wiedzy K. Oprcz wasnoci rozmytej konsekwencji logicznej oraz wyznaczania wartoci gbl mona szuka inne wasnoci rozmytej logiki opisowej, niezalene od konkretnych interpretacji rozmytych. Wasnoci te mog by przydatne do wyostrzania wyszukiwanej w sieciach semantycznych wiedzy rozmytej [2]. Do okrelenia bazy wiedzy wane s take metody eksploracji danych w systemach sterowania, w sieciach semantycznych i w tablicach decyzyjnych [4, 5, 7, 11, 12, 13]. Na zakoczenie zwrmy uwag na jeszcze jeden aspekt rozwizywania problemu adekwatnoci defuzyfikacji. Najpierw zamy, e dla konceptu A wyznaczamy min(A) = inf {x: x= sup AI(X), dla pewnego IFuz}, a dla roli R, min(R) = inf {x: x= sup RI(X X), dla

Rozwizanie problemu adekwatnoci defuzyfikacji polega na znalezieniu warunkw koniecznych lub

pewnego IFuz}. Jest to tzw. problem MinDB (the Minimum Degree Bound). Podobnie rozwaa mona problem MaxDB (the Maximum Degree Bound): max(A) = sup {x: x= inf AI(X), dla pewnego IFuz}, a dla roli R, max(R) = sup {x: x= inf RI(X X), dla pewnego IFuz}. Wtedy, zakresy istotnoci wyznaczaj wzory: V(A) = {x[0,1]: min(A) x max(A)}, (35) V(R) = {x[0,1]: min(R) x max(R)}. (36) F F W jakiej algebrze F = <F, , , F, cF, F F F e , 0 , 1 , M, F0> zbiorw rozmytych powinna by dokonywana fuzyfikacja jzyka logiki fuzzyDL, aby moliwe byo okrelenie bazy wiedzy dla ktrej problem adekwatnej defuzyfikacji bdzie mia rozwizanie? Odpowied na to pytanie bdzie zaprezentowana w innej pracy.
Literatura

1. Baader, F., Calvanese, D., Mc Guinness, D., Nardi, D., PatelSchneider, P. (eds): The Description Logic Handbook. Theory, Implementation and Application, Cambridge University Press 2003. 2. Bobillo F., Straccia U.: fuzzyDL: An Expressive Fuzzy Description Logic Reasoner, In: IEEE World Congress on Computational Intelligence 1-6 June 2008, Hong Kong, 2008, s. 923-930. 3. Bryniarska A.: Rozmywanie i wyszukiwanie wiedzy rozmytej w sieciach semantycznych, Zeszyty Naukowe Wydziau Elektroniki, Telekomunikacji i Informatyki Politechniki Gdaskiej, Nr 9, Seria ICT Young 2011, tom 1, s. 389-394 4. Bubnicki Z.: Uncertain variables and their application to decision making, IEEE Transactions on Systems, Man, and Cybernetics, Part A: Systems and Humans, Volume 31, Number 6, pp. 587-592, 2001. 5. Ceglarek D., Haniewicz K., Rutkowski W.: Semantic compression for specialised Information Retrieval System, w: Advances in Intelligent Information and Database Systems (LNAI/LNCS), Springer-Verlag, 2010.

6. Demicco R. V., Klir G. J.: Fuzzy Logic in Geology. Foreword by Lotfi Zadeh, Elsevier Science, New York USA, 2004. 7. Galantucci L. M., Percoco G. & Spina R.: Assembly and Disassembly by using Fuzzy Logic & Genetic Algorithms, International Journal of Advanced Robotic Systems, Volume 1 Number 2 (2004), ISSN 1729-8806, s. 67 74. 8. Kacprzyk J.: Wieloetapowe sterowanie rozmyte, WNT, Warszawa, 2001. 9. Knosala R.: Zastosowania metod sztucznej inteligencji w inynierii produkcji, Wydawnictwo NaukowoTechniczne, Warszawa 2002. 10.Kowalski, R.A.: Logic for Problem Solving. New York, North Holland, 1979. 11.Larose D.T.: Discovering Knowledge in Data: An Introduction to Data Mining, Wiley, New York 2005. 12.Ligza A., Nalepa G.J.: Conceptual modeling implementation and automated of rule-based, In: Zieliski K., Szmuc T. (Eds.): Software engineering: evolution end emerging technologies, Volumen 130 of Frontiers in Artificial Intelligence and Applications, Amsterdam, 2005, pp. 330-340. 13.Markov Z., Larose D.L.: Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage, John Wiley & Sons, Hoboken, NJ, 2007. 14.Pan J. Z., Stamou G., Stoilos G., Thomas E.: Expressive Querying over Fuzzy DL-Lite Ontologies, In: Scalable Querying Services over Fuzzy Ontologies. To Appear 17th International World-Wide-Web Conference (WWW 2008), Beijin, 2008. 15.Simou N., Mailis T., Stoilos G., Stamou S.: Optimization Techniques for Fuzzy Description Logics, In: Proc. 23rd Int. Workshop on Description Logics (DL2010), CEUR-WS 573, Waterloo, Canada, 2010, s. 244-254. 16.Simou N., Stoilos G., Tzouvaras V., Stamou G., Kollias S.: Storing and Querying Fuzzy Knowledge in the Semantic Web, In: Proc. 4th International Workshop on

Uncertainty Reasoning for the Semantic Web Sunday 26th October, 2008 Karlsruhe, Germany. 17.Yager R. R., Filev D. P.: Essentials of fuzzy modeling and control, John Wiley & Sons, New York, 1994. 18.Zadeh L. A..: Fuzzy sets, Information and Control, Volume 8, Number 3, 1965, pp.338353. 19.Zadeh l. A.: Fuzzy sets and information granularity, In: Gupta M.,Ragade R., Yager R. R. (Eds.): Advances in Fuzzy Set Theory and Aplications. North-Holand, Amsterdam, pp. 3-18, 1973.
Autor:

mgr in. Anna Bryniarska Politechnika Opolska Wydzia Elektrotechniki, Automatyki i Informatyki ul. Sosnkowskiego 31 45-272 Opole tel. +48 77 40 06 213 email: a.bryniarska@doktorant.po.edu.pl