类神经网路、模糊系统以及.ppt

1、第八章 模糊關係及推論王榮華教授,人工智慧,2008/3/27,SoftComp. Lab,2/24,8.1關係(1),卡氏積(Cartesian product)的運算 : 假設有兩個明確集合分別為： 則此兩個集合的卡氏積(Cartesian product)為： 我們以“關係”來說明兩個集合之間是否具有某種關聯，表示如下： 其中 代表由 所構成的冪集合(power set),2008/3/27,SoftComp. Lab,3/24,範例8.1：明確關係,假設有兩個有限集合分別為：則關係 而 X 與 Y 這兩個集合的關係，可以用 “圖形表示法” 與 “矩陣表示法” 兩種表示法來表示，如下所示

2、：,2008/3/27,SoftComp. Lab,4/24,範例8.2：模糊關係,兩個模糊集合的模糊關係表示如下：令論域 X 與 Y 皆為實數軸，若關係 R 定義在 X Y 的關係為：x 遠大於 y，則我們可以用歸屬函數來表示此關係如下： 如果 X=3,4,5,6 以及 Y=3,4,5，那麼我們可以用下列方式來描述此種模糊關係：,2008/3/27,SoftComp. Lab,5/24,8.1關係,模糊關係也是一個模糊集合，那麼前一章所介紹的模糊集合運算也可套用來處理模糊關係，模糊關係的運算元包括聯集、交集、補集、以及包含。令 R、S、與 T 為三個關係 ，分述如下： 1. 聯集： 2. 交

3、集： 3. 補集： 4. 包含：,2008/3/27,SoftComp. Lab,6/24,8.3合成運算(1),另一個很重要的模糊關係的運算子為“合成(composition)”，可以用在“關係與關係(relation-relation)”的合成或“集合與關係(set-relation)”的合成。合成的運算有許多種類，其中以“最大-最小合成(max-min operation)”最被廣泛使用。若 P 及 Q 為分別定義於 及 上的兩個明確關係，那麼我們可以藉由合成的運算，將 P 及 Q 轉換成定義於 上的一個關係 R，其相關定義如下：,2008/3/27,SoftComp. Lab,7/24

4、,範例8.5：明確關係的合成,假設有以下兩個明確關係：而且則 P 與 Q 的合成為：,2008/3/27,SoftComp. Lab,8/24,8.3合成運算(2),令 與 分別代表定義於 及 的兩個模糊關係，那麼 P 及 Q 合成其相關定義如下： 其中 t(. , .) 是的運算子。那麼用“最大-最小合成(max-min operation)”的運算子可將 P 及 Q 合成為或者,2008/3/27,SoftComp. Lab,9/24,範例8.6：模糊關係的合成,假設有兩個模糊關係的合成如下：則模糊關係 P 與模糊關係 Q 的合成為：,2008/3/27,SoftComp. Lab,10/

5、24,模糊集合與模糊關係的合成,令 A 是定義在 X 上的一個模糊集合，R 是定義在 X Y 上的一個模糊關係，則我們以符號 代表模糊集合 A 與模糊關係 R 的合成，定義為：從上述式子可知，A 與 R 的合成得到定義於 Y 上的模糊集合 B。不管是在“關係與關係”的合成或是在“集合與關係”的合成中，所用的最大(max)及最小(min)這兩個運算子，我們分別可用前一章所提的 t-conorm 及 t-norm 來取代。因此，“合成”這個運算可以有許許多多的不同運算方式，而 “最大-最小合成(max-min operation)”是最被常使用的運算方式。,2008/3/27,SoftComp.

6、Lab,11/24,8.5模糊規則,語意式變數代表一種可以用自然語言中的文字或句子來形容的變數， e.g.溫度、車速、年齡、體重、雨量 這種語意式變數的概念是由 Zadeh 於1975年首先提出。語意式變數的構成元素有五個， ，其中 x 是變數的名稱，T(x)是 x 的措詞集(term set)，也就是形容 x 的語意子句所構成的集合，亦即變數 x 的語意值(linguistic value)，U 是 x 的論域， G 是產生 T(x)語意值的句法規則(syntactic rule)，而 M 是將 x 的語意值與其相關之意義結合在一起的語意規則(semantic rule) ，亦即定義這些語意

7、值的相關歸屬函數。,2008/3/27,SoftComp. Lab,12/24,範例8.7：語意式變數,如果我們將“溫度”視作一個語意式變數，亦即 x = 溫度，那麼措詞集可以是以下之集合： 論域 U 可定義於 0, 50 之區間；至於產生 T(x) 的句法規則 G 就是一種很直覺的方式，例如用來形容溫度的措詞，不外乎是形容它的溫度高低，而不會用“老”或“快”來形容它；而語意規則 M 則是定義這些語意值的相關歸屬函數，譬如說： M(低) = 溫度低於10的模糊集合，其歸屬函數為 M(中) = 溫度接近25的模糊集合，其歸屬函數為 M(高) = 溫度高於35的模糊集合，其歸屬函數為,圖8.3：將

8、“溫度”視作一個語意式變數，其歸屬函數的設定範例,2008/3/27,SoftComp. Lab,13/24,語意值的運算子,濃縮：CON(A) 擴張：DIL(A) 強化：INT(A) 根據這些運算子，我們可以得到以下之語意運算子： 非常(A) = highly(A) = A3 很(A) = very(A) = CON(A) = A2 (A) = more or less(A) = DIL(A) = A0.5 有點(A) = roughly(A) = A0.25 略微(A) = rather(A) = INTCON(A)AND NOTCON(A),2008/3/27,SoftComp. Lab

9、,14/24,語意值的運算子,我們定義 A 為 x 值接近 0 的模糊集合,圖8.4：一個語意運算子的例子。,2008/3/27,SoftComp. Lab,15/24,8.5.2 模糊規則,模糊規則(fuzzy rule) 通常以下列的型式出現： If x is A Then y is B A、B分別是定義於論域 X 和 Y 上之模糊集合。 e.g. If 溫度很高 Then 啟動空調設備 If 車速很快 Then 踩一下煞車 “x is A”稱為此模糊規則的前鑑部(premise)，而“y is B”則稱為此模糊規則的後鑑部(consequence) 。明確規則通常都是以下列的型式出現：

10、明確規則: If x is A Then y is B 傳統二元邏輯將明確規則視為“明確蘊含 (crisp implication)” AB ，其中A、B是命題變數(propositional variable)，其值只有兩種:非“真” 即“偽”。,2008/3/27,SoftComp. Lab,16/24,8.5.2 模糊規則,蘊含 AB 與 或 是等效的。我們可以將模糊規則視為模糊蘊含，將明確運算子“” 、 “” 、 以及 “” 分別用模糊聯集、模糊交集、以及模糊補集取代即可。,2008/3/27,SoftComp. Lab,17/24,8.5.2 模糊規則,至於如何看待這種模糊蘊涵或模糊

11、關係，則有各種不同的作法，以下是一些常用的型式(globally 解釋模糊規則)： Dienes-Rescher Implication:Lukasieweicz Implication:Zadel Implication:Godel Implication:,2008/3/27,SoftComp. Lab,18/24,8.5.2 模糊規則,e.g. 假設我們有以下的規則 if 溫度是高的 Then 壓力是大的 很有可能我們並沒有考慮 溫度是低的 、溫度是中等的 其它情況因此， If x is A Then y is B should be interpreted as If x is A T

12、hen y is B Else nothing (locally 解釋模糊規則)蘊含 AB 與 是等效的。Mamdani Implication(曼德尼蘊含):Product Implication:,8.6近似推論,Approximate reasoning (fuzzy reasoning) 傳統二元邏輯 premise 1: x is A premise 2: if x is A Then y is B 結論: y is B- 推廣至模糊規則 premise 1: x is A 壓力很大 premise 2: if x is A Then y is B if 壓力大 Then 體積小 結

13、論: y is B 體積很小 其中 A 、B 是非常近似 A 、 B 的模糊集合 問題是模糊集合B 如何定義?,8.6.1 單一規則，單一變數,前提一(premise) 1：x is A 前提二(premise) 2：If x is A, Then y is B - 結論：y is B,根據 Eq.(8-37)：,套用 Mamdani Implication,8.6.1 單一規則，單一變數,輸入：x is A 規則：If x is A, Then y is B-,結論：y is B,8.6.2 多規則，單一變數,輸入：x is A 規則1：If x is A1, Then y is B1 規則2：If x is A2, Then y is B2 - 結論：y is B,