SZTUCZNA INTELIGENCJA

Podobne dokumenty
STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska

SZTUCZNA INTELIGENCJA

Podstawy sztucznej inteligencji

Zasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

METODY INTELIGENCJI OBLICZENIOWEJ wykład 6

Rozmyte systemy doradcze

Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska

Wnioskowanie rozmyte. Krzysztof Patan

ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

6. Zagadnienie parkowania ciężarówki.

Temat: Model SUGENO. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Inteligencja obliczeniowa

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści

WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)

Piotr Sobolewski Krzysztof Skorupski

Zadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą

7. Zagadnienie parkowania ciężarówki.

Inteligencja obliczeniowa

Cel projektu: Wymogi dotyczące sprawozdania:

Technologie i systemy oparte na logice rozmytej

Sztuczna inteligencja : Zbiory rozmyte cz. III

Np. Olsztyn leży nad Łyną - zdanie prawdziwe, wartość logiczna 1 4 jest większe od 5 - zdanie fałszywe, wartość logiczna 0

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Układy logiki rozmytej. Co to jest?

Problemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonych przypadkach daje się opisać tylko w sposób nieprecyzyjny, np.

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte

Sztuczna inteligencja : Zbiory rozmyte cz. 2

Tworzenie rozmytego systemu wnioskowania

SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska

Logika rozmyta. Agnieszka Nowak - Brzezińska

ELEMENTY SZTUCZNEJ INTELIGENCJI. Wstęp do logiki rozmytej

Temat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Sterowanie z wykorzystaniem logiki rozmytej

Reprezentacja rozmyta - zastosowania logiki rozmytej

Logika Stosowana. Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta. Marcin Szczuka. Instytut Informatyki UW

Implementacja rozmytych systemów wnioskujących w zdaniach regulacji

Elementy logiki. Wojciech Buszkowski Wydział Matematyki i Informatyki UAM Zakład Teorii Obliczeń

Sztuczna inteligencja: zbiory rozmyte

PODSTAWY INŻYNIERI WIEDZY

SID Wykład 7 Zbiory rozmyte

1 Podstawowe oznaczenia

Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999 r.

W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.

Rachunek zdań i predykatów

Logika rozmyta. Agnieszka Nowak - Brzezińska

Systemy rozmyte i ich zastosowania. Krzysztof Rykaczewski

LOGIKA MATEMATYCZNA. Poziom podstawowy. Zadanie 2 (4 pkt.) Jeśli liczbę 3 wstawisz w miejsce x, to które zdanie będzie prawdziwe:

Myślenie w celu zdobycia wiedzy = poznawanie. Myślenie z udziałem rozumu = myślenie racjonalne. Myślenie racjonalne logiczne statystyczne

Tautologia (wyrażenie uniwersalnie prawdziwe - prawo logiczne)

Ziemia obraca się wokół Księżyca, bo posiadając odpowiednią wiedzę można stwierdzić, czy są prawdziwe, czy fałszywe. Zdaniami nie są wypowiedzi:

Logika rozmyta typu 2

Kurs logiki rozmytej - zadania. Wojciech Szybisty

Wstęp do logiki. Klasyczny Rachunek Zdań III

ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH

Systemy uczące się wykład 1

Zadanie 0 gdy nie mamy logiki rozmytej

Wstęp do logiki. Klasyczny Rachunek Zdań II

Temat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Wykład z Technologii Informacyjnych. Piotr Mika

Logika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017

MATEMATYKA DYSKRETNA, PODSTAWY LOGIKI I TEORII MNOGOŚCI

Zagadnienia AI wykład 1

SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

Interwałowe zbiory rozmyte

I. Podstawowe pojęcia i oznaczenia logiczne i mnogościowe. Elementy teorii liczb rzeczywistych.

Metoda zaburz-obserwuj oraz metoda wspinania

Rachunek zdao i logika matematyczna

ZASTOSOWANIE LOGIKI ROZMYTEJ W ZARZĄDZANIU ZAPASAMI THE USE OF FUZZY LOGIC IN INVENTORY MANAGEMENT

ALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO

Logika Stosowana. Wykład 2 - Logika modalna Część 2. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017

Temat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej

LOGIKA I TEORIA ZBIORÓW

Logika formalna wprowadzenie. Ponieważ punkty 10.i 12. nie były omawiane na zajęciach, dlatego można je przeczytać fakultatywnie.

KOMPUTERY W STEROWANIU. Ćwiczenie 6 Projektowanie układu regulacji rozmytej

Wiedza niepewna i wnioskowanie (c.d.)

BADANIE GOTOWOŚCI PRZEDSIĘBIORSTW DO ZARZĄDZANIA STRATEGICZNEGO Z WYKORZYSTANIEM ROZMYTEGO RACHUNKU ZDAŃ

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.

KARTA PRZEDMIOTU. 17. Efekty kształcenia:

Sterownik (regulator) rozmyty przykład [1]

WNIOSKOWANIE ROZMYTE FUZZY INFERENCE

Jeśli przeszkoda jest blisko to przyhamuj

0.1. Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek zdań.

Kurs logiki rozmytej - pomoc. Wojciech Szybisty

Sztuczna Inteligencja Projekt

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS

Wykład 6. Reguły inferencyjne systemu aksjomatycznego Klasycznego Rachunku Zdań

Logika Stosowana Ćwiczenia

Logika Stosowana. Wykład 5 - Zbiory i logiki rozmyte Część 1. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017

1. Wstęp do logiki. Matematyka jest nauką dedukcyjną. Nowe pojęcia definiujemy za pomocą pojęć pierwotnych lub pojęć uprzednio wprowadzonych.

Kurs logiki rozmytej. Wojciech Szybisty

Przykłady zdań w matematyce. Jeśli a 2 + b 2 = c 2, to trójkąt o bokach długości a, b, c jest prostokątny (a, b, c oznaczają dane liczby dodatnie),

5. Rozwiązywanie układów równań liniowych

Podstawy Sztucznej Inteligencji (PSZT)

Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki

Reguły gry zaliczenie przedmiotu wymaga zdania dwóch testów, z logiki (za ok. 5 tygodni) i z filozofii (w sesji); warunkiem koniecznym podejścia do

Transkrypt:

SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska

WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice tradycyjnej (dwuwartościowej, boolowskiej) prawdziwość pewnych zdań jest wnioskowana na podstawie prawdziwości innych zdań. Przez regułę wnioskowania rozumiemy sposób wyprowadzania ze zdań prawdziwych, zwanych przesłankami, zdań prawdziwych, zwanych wnioskami. Regułę wnioskowania modus ponens określa następujący schemat wnioskowania: Przesłanka 1 (fakt) p Przesłanka 2 (reguła, implikacja) p q Wniosek q p i q oznaczają zdania prawdziwe; p jest poprzednikiem, a q następnikiem implikacji. Regułę tę odczytujemy: Jeżeli poprzednik prawdziwej implikacji jest prawdziwy, to następnik jest również prawdziwy. Np. Jeśli prawdą jest p "Jan jest kierowcą" i prawdą jest p q "JEŻELI Z jest kierowcą, TO Z ma prawo jazdy", to prawdą jest q "Jan ma prawo jazdy". 2

WNIOSKOWANIE W LOGICE ROZMYTEJ W logice klasycznej zdanie p postaci "x A", gdzie A jest klasycznym zbiorem, może przyjmować dwie wartości logiczne: prawdę lub fałsz. W logice rozmytej zdanie to może przyjmować różne stopnie prawdy (stopnie przynależności elementu x do zbioru A). W logice rozmytej regułę modus ponens odczytujemy: Jeżeli poprzednik implikacji jest prawdziwy w stopniu A i ta implikacja jest prawdziwa w stopniu A B, to następnik jest prawdziwy w stopniu B. Uogólniona reguła modus ponens: Przesłanka 1 (fakt) x jest A' Przesłanka 2 (reguła, implikacja) x jest A y jest B Wniosek y jest B' gdzie: A, A' X i B, B' Y są zbiorami rozmytymi, x i y są zmiennymi lingwistycznymi. Zbiory A i A' oraz B i B' są do siebie podobne. 3

WNIOSKOWANIE W LOGICE ROZMYTEJ Np. Jeśli zdanie "Jan jest bardzo bystry" jest prawdą w stopniu A i reguła "JEŻELI Z jest bystry, TO oceny Z są dobre" jest prawdziwa w stopniu A B, to zdanie "Oceny Jana są bardzo dobre" jest prawdziwe w stopniu B. x Jan, Z; y oceny Jana, oceny Z; A bystry; A' bardzo bystry; B dobre; B' bardzo dobre Wynikowy zbiór rozmyty B' wynika ze złożenia zbioru A' i relacji rozmytej A B: B' ( A' x X y) = sup{ t[ ( x), A B ( x, y)]} Relacja rozmyta A B może być zdefiniowana na wiele sposobów. Przyjmijmy definicję Mamdaniego: ( x, y) = min( ( x), ( y)). Stosując operacje min jako t-normę powyższy wzór zapiszemy: A B A B B '( y) = sup{min[ A' ( x),min( A( x), B( y))]} = min{supmin[ A' ( x), A( x)], B x X x X ( y)} 4

WNIOSKOWANIE W LOGICE ROZMYTEJ Metodę wyznaczania ( ) możemy zapisać w krokach: B' y 1. Przyjmujemy pewne funkcje przynależności ( x), ( x) i ( y). 2. Znajdujemy przecięcie min[ '( x), ( x)]. A A A ' A B 3. Znajdujemy największą wartość funkcji przynależności tego przecięcia h= sup min[ '( x), ( x)]. x X A A 4. Znajdujemy przecięcie stałej h z B(y), które przyjmujemy jako B' ( y). 5

WNIOSKOWANIE W LOGICE ROZMYTEJ UWAGI Zbiór A reprezentuje aktualną/zaobserwowaną wartość zmiennej wejściowej x. Jeśli zmienna ta jest dokładna, jako ( ) stosujemy tzw. singleton: A' x 1, A' ( x) = 0, jeżeli x = x jeżeli x x Jeśli chcemy uwzględnić niepewność pomiaru zmienną x opisujemy pewną funkcją przynależności, jak na rysunku powyżej. Jako t-normę we wzorach powyżej zamiast min możemy zastosować inne rozwiązania. Jeśli zmienna wejściowa x jest wektorem x = [x 1, x 2,, x n ] otrzymamy: B ( y) = min{supmin[ A '( x1), A ( x1)],...,supmin[ A '( xn), A ( xn)], B( y)} ' 1 1 x1 X Tzn. B' ( y) powstaje w wyniku przecięcia B(y) z najmniejszą spośród wartości h wyznaczanych dla każdej współrzędnej x. x X n n n 6

ROZMYTE SYSTEMY WNIOSKUJĄCE Rozmyte systemy wnioskujące (RSW) znajdują zastosowanie do modelowania złożonych zjawisk, których modele matematyczne są nieznane lub gdy chcemy uwzględnić informacje nieprecyzyjne lub wieloznaczne. Poniżej opisano tzw. system Mamdaniego. W RSW wiedza jest reprezentowana w postaci symbolicznej rozmytych reguł decyzyjnych. Zastosowanie klasyfikacja, regresja, sterowniki. 7

BAZA REGUŁ Baza reguł zwana modelem lingwistycznym, stanowi zbiór N reguł rozmytych R k postaci: Reguła wyraża rozmytą implikację A k B k. R k : JEŻELI x 1 jest A 1 k I I x n jest A n k TO y jest B k Reguły ustalane są przez ekspertów lub tworzone są w procesie uczenia (sieci neuronowo-rozmyte) Każda reguła wyraża pewien związek pomiędzy x i y i ma charakter lokalny Baza reguł jako całość powinna modelować całe zjawisko (globalnie) Większa liczba reguł zapewnia dokładniejsze modelowanie 8

BLOK ROZMYWANIA Wartości zmiennych wejściowych x i są rozmywane, tzn. wartości rzeczywiste przekształcane są na zbiór rozmyty A i. Pozwala to uwzględniać niepewność co do wartości zmiennej wejściowej. Jeśli wartość zmiennej jest dokładna stosujemy singleton. 9

BLOK WNIOSKOWANIA Wejściem bloku wnioskowania jest zbiór rozmyty A' = A 1 ' A 2 ' A n '. Na wyjściu k-tej reguły otrzymujemy zbiór rozmyty B k '. Wynikowy zbiór rozmyty zbioru reguł B' powstaje poprzez zsumowanie (agregację) zbiorów rozmytych B k '. Funkcja przynależności tego zbioru: y) = max[ 1 ( y), ( y),..., N ( y)] ( B ' 2 B ' B ' B ' Zamiast max możemy użyć innej postaci s-normy. 10

BLOK WNIOSKOWANIA PRZYKŁAD Dana jest baza reguł: R 1 : JEŻELI x 1 jest A 1 1 I x 2 jest A 2 1 TO y jest B 1 R 2 : JEŻELI x 1 jest A 1 2 I x 2 jest A 2 2 TO y jest B 2 Na wejście systemu podano przykład: x = T x, x ]. Dla przyjętych funkcji przynależności zbiorów [ 1 2 A 1 1, A 1 2, A 2 1, A 2 2, B 1 i B 2 wyznacz zbiór B'. Jako operatora przecięcia B(y) z h 1 i h 2 zastosuj (a) min, (b) iloczyn. Przy zastosowaniu rozmywania typu singleton otrzymamy: a) b) 11

BLOK WNIOSKOWANIA PRZYKŁAD Analogiczny przykład z rozmyciem x za pomocą trójkątnych funkcji przynależności. 12

BLOK WNIOSKOWANIA PRZYKŁAD Przykład ze spójnikiem LUB w trzeciej regule. R 1 : JEŻELI x 1 jest A 1 1 I x 2 jest A 2 1 TO y jest B 1 R 2 : JEŻELI x 1 jest A 1 2 I x 2 jest A 2 2 TO y jest B 2 R 3 : JEŻELI x 1 jest A 1 3 LUB x 2 jest A 2 3 TO y jest B 2 13

BLOK WYOSTRZANIA Wejście zbiór rozmyty B', wyjście wartość ostra y. Metody wyostrzania: Metoda środka obszaru środek ciężkości figury geometrycznej opisanej funkcją przynależności ( ). B' y y = Y Y y ( y) dy B' ( y) dy B' 14

BLOK WYOSTRZANIA Metoda środka obszaru z wartością progową środek ciężkości figury geometrycznej opisanej funkcją przynależności ( ) leżącą powyżej wartości progowej α: y = Yα Yα B' y y ( y) dy B' ( y) dy B', = { y Y : '( y) α} Yα B Metoda wysokości suma argumentów poszczególnych składowych funkcji przynależności, przy których występują ich wartości szczytowe ważonych ich "poziomami odcięcia": y N h k k= 1 = N k= 1 y k max h k 15

ROZMYTY SYSTEM WNIOSKUJĄCY PRZYKŁAD Należy ustalić wielkość napiwku w zależności od jakości obsługi i jakości jedzenia. 1. Ustalamy, że zmienne wejściowe obsługa i jedzenie przyjmują wartości od 0 do 10 (nasze oceny). Zmienna wyjściowa napiwek przyjmuje wartości od 0 do 30 (procent od wysokości rachunku). 2. Zmienne obsługa i jedzenie rozmywamy za pomocą singletonu. 3. Ustalamy sposoby realizacji funkcji: I, LUB, implikacja, agregacja, wyostrzanie. 16

ROZMYTY SYSTEM WNIOSKUJĄCY PRZYKŁAD 4. Definiujemy zbiory rozmyte dla każdej zmiennej. 17

ROZMYTY SYSTEM WNIOSKUJĄCY PRZYKŁAD 5. Wprowadzamy reguły. 18

ROZMYTY SYSTEM WNIOSKUJĄCY PRZYKŁAD 6. Zadajemy konkretne wartości zmiennych wejściowych i odczytujemy rezultat. 19

ROZMYTY SYSTEM WNIOSKUJĄCY PRZYKŁAD 7. Funkcja zamodelowana przez system. 20