6. Fuzzy irányítási rendszerek



Hasonló dokumentumok
5. A kiterjesztési elv, nyelvi változók

Algoritmusok Tervezése. Fuzzy rendszerek Dr. Bécsi Tamás

Fuzzy halmazok jellemzői

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

Intelligens irányítások

BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK

3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

Fuzzy Rendszerek. 2. előadás Fuzzy következtető rendszerek. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz.

Tartalom. 1. Állapotegyenletek megoldása 2. Állapot visszacsatolás (pólusallokáció)

Numerikus integrálás

XII. LABOR - Fuzzy logika

FUZZY KÖVETKEZTETÉS SŰRŰ ÉS RITKA SZABÁLYBÁZISOK ESETÉN. Johanyák Zsolt Csaba 1 Kovács Szilveszter 2

Függvények Megoldások

9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének

BIOMATEMATIKA ELŐADÁS

2. Alapfogalmak, műveletek

Számítási intelligencia

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Korszerű információs technológiák

Bevezetés az állapottér-elméletbe Dinamikus rendszerek állapottér reprezentációi

2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)

Intelligens irányítások

5. Hét Sorrendi hálózatok

A félév során előkerülő témakörök

Logika es sz am ıt aselm elet I. r esz Logika 1/36

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények

1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét!

Bevezetés az állapottér elméletbe: Állapottér reprezentációk

First Prev Next Last Go Back Full Screen Close Quit

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé.

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1

6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?

Diszkréten mintavételezett függvények

függvény grafikonja milyen transzformációkkal származtatható az f0 : R R, f0(

A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Egyenletek, egyenlőtlenségek VII.

ALAPFOGALMAK 1. A reláció az program programfüggvénye, ha. Azt mondjuk, hogy az feladat szigorúbb, mint az feladat, ha

Hamilton rendszerek, Lyapunov függvények és Stabilitás. Hamilton rendszerek valós dinamikai rendszerek, konzerva3v mechanikai rendszerek

Irányításelmélet és technika II.

Csoportmódszer Függvények I. (rövidített változat) Kiss Károly

Tartalom. Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás

Osztályozóvizsga és javítóvizsga témakörei Matematika 9. évfolyam

1. ábra. 24B-19 feladat

b) Ábrázolja ugyanabban a koordinátarendszerben a g függvényt! (2 pont) c) Oldja meg az ( x ) 2

Elsőrendű logika. Mesterséges intelligencia március 28.

valós számot tartalmaz, mert az ilyen részhalmazon nem azonosság.

Struktúra nélküli adatszerkezetek

Egyenletek, egyenlőtlenségek V.

Dinamikus modellek szerkezete, SDG modellek

A +Q töltés egy L hosszúságú egyenes szakasz mentén oszlik el egyenletesen (ld ábra ábra

A L Hospital-szabály, elaszticitás, monotonitás, konvexitás

Matlab Fuzzy Logic Toolbox

Bizonytalanság. Mesterséges intelligencia április 4.

2014. november 5-7. Dr. Vincze Szilvia

Követelmény a 7. évfolyamon félévkor matematikából

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Infobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében

Mátrixok 2017 Mátrixok

Dunaújvárosi Főiskola Informatikai Intézet

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

Matematika (mesterképzés)

Q 1 D Q 2 (D x) 2 (1.1)

2014. szeptember 24. és 26. Dr. Vincze Szilvia

KOVÁCS BÉLA, MATEMATIKA I.

I. LABOR -Mesterséges neuron

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

Összetett programozási tételek Rendezések Keresések PT egymásra építése. 10. előadás. Programozás-elmélet. Programozás-elmélet 10.

Gauss-Seidel iteráció

Az áprilisi vizsga anyaga a fekete betűkkel írott szöveg! A zölddel írott rész az érettségi vizsgáig még megtanulandó anyag!

Rendezések. A rendezési probléma: Bemenet: Kimenet: n számot tartalmazó (a 1,a 2,,a n ) sorozat

A lineáris programozás alapjai

Eddig csak a polinom x-ben felvett értékét kerestük

Matematika szóbeli érettségi témakörök 2016/2017-es tanév őszi vizsgaidőszak

Dinamikus programozás - Szerelőszalag ütemezése

2014. november Dr. Vincze Szilvia

Algoritmuselmélet 12. előadás

15. LINEÁRIS EGYENLETRENDSZEREK

"Flat" rendszerek. definíciók, példák, alkalmazások

Figyelem, próbálja önállóan megoldani, csak ellenőrzésre használja a következő oldalak megoldásait!

Készítette: Fegyverneki Sándor

1. Egy lineáris hálózatot mikor nevezhetünk rezisztív hálózatnak és mikor dinamikus hálózatnak?

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Gépi tanulás Gregorics Tibor Mesterséges intelligencia

FUZZY LOGIKAI IRÁNYÍTÁS

1. előadás: Halmazelmélet, számfogalom, teljes

Németh László Matematikaverseny április 16. A osztályosok feladatainak javítókulcsa

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI

Házi feladatok megoldása. Nyelvek használata adatszerkezetek, képek leírására

Gyakorló feladatok ZH-ra

A valós számok halmaza

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8.

Matematika javítóvizsga témakörök 10.B (kompetencia alapú )

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 7.

3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek

Átírás:

6. Fuzzy irányítási rendszerek Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM

Tartalomjegyzék I 1 Bevezetés 2 Fuzzy irányítási rendszerek felépítése A szabálybázis Az illeszkedés mértékét meghatározó egység A következtető egység Deduktív megközelítés Hozzárendelési megközelítés A defuzzifikáló egység 3 Fuzzy irányítás 4 Demonstrációs példa: A fordított inga szabályozása

Bevezetés 268 BEVEZETÉS

Bevezetés 269 Mi a fuzzy irányítás? Az irányítás (vezérlés, szabályozás) egy dinamikus rendszer paramétereinek folyamatos adaptálását jelenti egy adott cél elérése érdekében. Egy vezérlő megtervezéséhez szükség van a dinamikus rendszer modelljére. Gyakran csak hiányos, pontatlan, bizonytalan információ áll rendelkezésre ezért a fuzzy rendszerek alkalmas alternatívát kínálnak. A fuzzy irányítás nem más, mint fuzzy halmazok/rendszerek alkalmazása ilyen vezérlési feladatokra.

Bevezetés 270 A kezdetek Zadeh (1973): nyelvi változók használata nagy bonyolultságú rendszerek leírására (fuzzy halmazok + HA-AKKOR szabályok); magas dimenziójú fuzzy relációk bonyolult, nagy számításigény. Mamdani (1975): egyszerűsített modell; k-dimenziós relációk helyett k számú egydimenziós relációvetület hengeres kiterjesztésének metszete; számításigény drasztikusan csökken. Első igazi alkalmazás: Mamdani, egy valós, erősen nemlineáris gőzgépes-gőzkazános rendszer irányítására. A sikeres alkalmazások jelentős része kísérleti hangoláson, elméleti megalapozottság nélkül, egyszerűen a stabil viselkedés megfigyelésén alapul.

Bevezetés 271 Fuzzy irányítási modellek Különösebb irányításelméleti ismeretek nélkül is lehetőség van fuzzy irányítási modellek megalkotására, a szemlélet alapján. A tervező összerendelt, közelítőleg ismert bemenet-kimenet párok sokaságát valósítja meg. Minden egyes közelítő bemenet-kimenet értékpárt egy fuzzy szabály reprezentál. Kvázioptimális algoritmus hangolás segítségével állítható be. Így mindig csak közelítő modellt kapunk. Ezért olyan rendszerek esetén érdemes fuzzy modellt alkalmazni, amelyekre pontos analitikus modellt nem lehet felállítani, vagy amelyek eredendő bonyolultsága nagy.

Bevezetés Hagyományos irányítási modellek feltevései Az irányított rendszer ismert. A rendszert valamely modellje segítségével reprezentáljuk (identifikáljuk), amelynek létrehozásához szükség van a rendszerről rendelkezésre álló összes lényeges információra. Ekkor a rendszer kimeneti válasza a modell alapján tetszőleges bemenet esetén kiszámítható. Az irányítás függvénye tömör matematikai formulák formájában adott, amelyek tartalmazzák a rendszer változó paramétereit (ezt az információt nevezik a rendszer teljesítményindexének). Ha teljesülnek ezek a feltételek, akkor a rendszer modellje a klasszikus irányításelmélet módszereivel megalkotható, és meghatározható a működését irányító optimális rendszer, illetve kiszámíthatók ez utóbbi paraméterei.

273 FUZZY IRÁNYÍTÁSI RENDSZEREK FELÉPÍTÉSE

274 Négy fő összetevő Egy fuzzy irányítási rendszernek négy fő összetevője van: 1 a szabálybázis; 2 az illeszkedési mértéket meghatározó egység; 3 a következtető egység; 4 a defuzzifikáló egység (nem mindig van rá szükség).

A szabálybázis Az adott rendszer működését leíró HA-AKKOR típusú szabályok összességét nevezzük szabálybázisnak. HA x = A, AKKOR y = B (A és B fuzzy halmazok; A: előzmény vagy antecedens; B: következmény; x: bemeneti változó; y: kimeneti változó). Példa: közlekedési lámpa működését irányító fuzzy rendszer; Szabály: HA a forgalom erős északi irányban, AKKOR a lámpa legyen hosszabb ideig zöld. Ekkor x : északi irányú forgalom, y : mi a teendő a lámpával, A : erős forgalom, B = hosszabb ideig legyen zöld.

276 Az illeszkedés mértékét meghatározó egység A szabálybázis előzményeit hasonlítja össze az aktuális megfigyeléssel: a hasonlóság alapján meghatároz egy 0 és 1 közötti értéket. Ez a szám az illeszkedés mértéke. Tüzelő szabály: amelyben az előzmény és a megfigyelés metszete nem üres. A tüzelő szabályoknál az illeszkedés mértékének megfelelően módosított következmények kerülnek be a következtető egységbe.

A következtető egység Az illeszkedési mértékkel mint súllyal kombinálja (általában egy t-normával) a szabálybázisban található tüzelő szabályok következményeit. A Mamdani-féle módszerben: a minimummal. A Larsen-féle módszerben: a szorzattal. A következtető egység kimenete egy általában nem konvex és nem normált fuzzy mennyiség. A Takagi-Sugeno-féle módszer esetén a kombinációs művelet más jellegű (ott a következmények crisp függvények).

278 A defuzzifikáló egység Egyetlen crisp számot képezünk a következtető egység kimeneteként kapott fuzzy halmazból, annak legjellemzőbb, legtipikusabb elemeként. Ez a defuzzifikálás. A főbb defuzzifikáló módszerek a mag középső vagy szélső tipikus értékét, vagy a tagsági függvény alatti terület középpontját, vagy a függvény alatti területet egy mechanikai lemeznek felfogva, annak súlypontját választják ki. Nem mindig kell defuzzifikálni (pl. emberi kezelő számára készített output).

A szabálybázis A szabálybázis

A szabálybázis Kiindulás Tekintsünk egy olyan rendszert, amelynek n bemenete és egyetlen kimenete van. Ennek megfelelően van n nyelvi változónk: v 1 = (N 1, G 1, T 1, X 1, M 1 ),. =. v n = (N n, G n, T n, X n, M n ), amelyek a rendszer n bementetét reprezentálják, és van egyetlen nyelvi változónk, amelyik a kimementhez tartozik: v y = (N y, G y, T y, X y, M y )

A szabálybázis Nyelvi változók (emlékeztető) Egy nyelvi változó az alábbi rendezett ötös ahol N, T, X, G, és M a következő: 1 N a V nyelvi változó neve 2 G a nyelvtan V = (N, G, T, X, M), 3 T az úgynevezett term halmaz, azaz a G alapján származtatható nyelvi kifejezések halmaza 4 X az alaphalmaz 5 M egy T F(X ) leképezés, amelyik a szemantikát (X egy fuzzy részhalmazát) definiálja minden egyes T -beli nyelvi kifejezésre.

A szabálybázis Fuzzy szabályrendszer m szabállyal HA cond 1 AKKOR action 1.... HA cond m AKKOR action m A cond i előzmények (feltételek) és az action i következmények (műveletek, akciók) olyan kifejezések, amelyeket valamilyen alkalmas szintaxisnak megfelelően építünk fel.

A szabálybázis Példa: a feltételek egy általános szintaxisa := exp ; exp := iscondition ( exp binary exp ) (not exp ) ; binary := and or ; iscondition := N i is lj i Valamely i = 1,..., n esetén N i -t az i-edik nyelvi változó nevével lehet kiterjeszteni, míg l i j -t egy megfelelő term -mel T i-ből.

A szabálybázis 284 Egy egyszerű szintaxis az akciókra := N y is l yj ; l yj -t egy T i -ből vett megfelelő term -mel lehet kiterjeszteni.

A szabálybázis 285 Példa Tekintsünk egy két bemenetből és egy kimenetből álló rendszert: v 1 = (N 1 = ϕ, G 1, T 1 = { nb, ns, z, ps, pb }, X 1 = [ 30, 30], M 1 ), v 2 = (N 2 = ϕ, G 2, T 2 = { nb, ns, z, ps, pb }, X 2 = [ 30, 30], M 2 ), v y = (N y = f, G y, T y = { nb, ns, z, ps, pb }, X y = [ 100, 100], M y )

A szabálybázis Példa (folyt.) HA (ϕ is z and ϕ is z) AKKOR f is z HA (ϕ is ns and ϕ is z) AKKOR f is ns HA (ϕ is ns and ϕ is ns) AKKOR f is nb HA (ϕ is ns and ϕ is ps) AKKOR f is z.... Hogyan definiálhatunk egy kontroll függvényt ezekből a szabályokból? [ugrás a fuzzy halmazokhoz]

A szabálybázis Tipikus szabálybázis Kevésbé formálisan egy tipikus szabálybázis i-edik szabálya a következő módon néz ki: R i : Ha x 1 = A 1,i és... és x n = A n,i, akkor y = B i. Ez azt is mutatja, hogy a szabály alkalmazásának feltétele, hogy az összes bemeneti változó értéke pozitív mértékben essen a megfelelő előzmény halmazba.

A szabálybázis 288 Fuzzy partíciók Az egyes nyelvi változók lehetséges értékei felosztják, illetve részlegesen lefedik a változóhoz tartozó alaphalmazt. Követelmény: minden lehetséges bemeneti értékre létezzen pozitív tagsági értékű információ. Formálisan: Ha az X alaphalmazon értelmezett v változóhoz az {A 1,..., A k } fuzzy halmazok tartoznak, akkor minden x X esetén legyen olyan 1 i k, amelyre A i (x) ε, ahol ε > 0 az X lefedettségének mértéke. Ekkor az {A 1,..., A k } az X alaphalmaz egy fuzzy partíciója. Erre azért van szükség, hogy minden megfigyeléshez létezzék a szabálybázisban olyan szabály, amely alapján az irányítási rendszer képes valamilyen következtetés meghozatalára.

A szabálybázis 289 Ruspini-partíciók Egy olyan {A 1,..., A k } fuzzy partíciót, amelyre A 1 (x) +... + A k (x) = 1 minden x X esetén, Ruspini-partíciónak nevezünk. Háromszög és trapéz alakú tagsági függvények esetén könnyű Ruspini-partíciót készíteni, amint az az alábbi ábrán jól látszik.

A szabálybázis 290 Fuzzy partíciók pontosság és nyelvi kifejezőerő Minél több nyelvi kifejezést tartalmaz egy fuzzy partíció, a nyelvi címkék kifejezőereje annál kisebb lesz. A felhasznált fuzzy halmazok számánál ésszerű kompromisszumra kell törekedni a pontosság és a nyelvi kifejezőerő (és amint később látjuk, a számítási bonyolultság) között.

Az illeszkedés mértékét meghatározó egység Az illeszkedés mértékét meghatározó egység

Az illeszkedés mértékét meghatározó egység Rekurzív kiszámítás Tegyük fel, hogy van n db crisp bemenő értékünk: x i X i (i = 1,..., n), és legyen (T, S, N) egy rögzített De Morgan hármas. Egy cond i feltétel t i = t(cond i ) igazságértékét (az illeszkedés mértékét) az alábbiak alapján rekurzív módon tudjuk kiszámítani (a szintaxis a fenti példából való): t(n i is l i j ) = M i (l i j )(x i ) t(a and b) = T (t(a), t(b)) t(a or b) = S(t(a), t(b)) t(not a) = N(t(a))

Az illeszkedés mértékét meghatározó egység 293 Példa: crisp bemenet Tekintsünk egy tipikus szabályt: R i : Ha x 1 = A 1,i és... és x n = A n,i, akkor y = B i. Ha a megfigyelési vektorunk (x 1,..., x n) X 1... X n, akkor az illeszkedés mértéke t i = t(cond i ) = T (A 1,i (x 1 ),..., A n,i (x n)).

Az illeszkedés mértékét meghatározó egység 294 Példa: fuzzy bemenet Tekintsünk megint egy tipikus szabályt: R i : Ha x 1 = A 1,i és... és x n = A n,i, akkor y = B i. Tegyük fel, hogy T = T M. Ha a megfigyelési vektorunk most fuzzy komponensekből áll, vagyis (A 1,..., A n), akkor az illeszkedés mértéke a j-edik dimenzióban (j = 1,..., n): w j,i = max x {min(a j (x), A j,i (x))},

Az illeszkedés mértékét meghatározó egység 295 Példa: fuzzy bemenet (folyt.) A bemenet illeszkedési mértékét az i-edik szabályhoz végül így kapjuk: t i = n min j=1 w j,i.

A következtető egység A következtető egység

A következtető egység Előzetes megjegyzések 1 Előfordulhat, hogy adott bemenet esetén két vagy több szabály is tüzel. 2 Még az is előfordulhat, hogy ez két vagy több olyan szabályra eljesül, amelyhez tartozó következmények (akciók) különbözőek, esetleg egymásnak ellentmondók. 3 Ez egyáltalán nem probléma, sőt: nagyon előnyös lehet. 4 A következő azonban minden esetben alapkövetelmény: Minél nagyobb egy szabály illeszkedési mértéke, annál nagyobb kell legyen annak hatása a kimenetre.

A következtető egység 298 Két alapvető megközelítés Deduktív megközelítés: A szabályokat úgy tekintjük, mint logikai deduktív szabályokat (implikációkat). Hozzárendelési megközelítés: A szabályokat úgy tekintjük, mint feltételes hozzárendeléseket (conditional assignments, mint egy procedurális programozási nyelvben), fuzzy függvénygörbéket. Mindkét megközelítésben közös: először minden egyes szabályra meghatározzuk a kimeneti (következmény) fuzzy halmazt, aztán ezeket egyetlen globális kimeneti (következmény) fuzzy halmazzá aggregáljuk

A következtető egység Deduktív megközelítés

A következtető egység 300 Fuzzy implikációk S-implikáció: Egy S t-konorma és egy N negáció esetén definiáljuk I S,N (x, y) = S(N(x), y). Reziduális implikáció (R-implikáció): Egy T (balról) folytonos t-norma esetén definiáljuk T (x, y) = sup{u [0, 1] T (x, u) y}.

A következtető egység 301 Példák { I SM,N S (x, y) = max(1 x, y) T M (x, y) = 1 ha x y y egyébként { I SP,N S (x, y) = 1 x + x y T P (x, y) = 1 ha x y egyébként I SL,N S (x, y) = min(1 x + y, 1) T L (x, y) = min(1 x + y, 1) y x

A következtető egység 302 Példák (folyt.) I TM,N S I TP,N S I TL,N S 1 1 1 0.75 0.75 0.75 0.5 0.5 0.5 0.25 0.25 0.25 0.75 0 1 0.75 0 1 0.75 0 1 0.5 0.5 0.5 0.25 0.25 0.25 0 0 0.25 0.5 0.75 1 0 0.25 0.5 0.75 1 0 0 0.25 0.5 0.75 1 1 1 1 0.75 0.75 0.75 0.5 0.5 0.5 0.25 0.25 0.25 0.75 0 1 0.75 0 1 0.75 0 1 0.5 0.5 0.5 0.25 0.25 0.25 0 0 0.25 0.5 0.75 1 0 0 0.25 0.5 0.75 1 0 0 0.25 0.5 0.75 1 T M T P T L

A következtető egység 303 Következtetés a deduktív megközelítésben egyetlen szabály Rögzítsünk előre egy Ĩ fuzzy implikációt. Tekintsük az i-edik szabályt, amelyik így néz ki: HA cond i AKKOR N y is l y j. Tegyük fel, hogy a cond i feltétel illeszkedési mértéke t i. Ekkor az O i kimeneti fuzzy halmazt a következő módon értelmezzük: O i (y) = Ĩ ( t i, M(l y j )(y))

A következtető egység 304 Példa µ A (x) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 305 Példa I SM,N S (0.4, µ A (x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 306 Példa I SP,N S (0.4, µ A (x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 307 Példa T L (0.4, µ A(x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 308 Példa T P (0.4, µ A(x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 309 Globális következtetés a deduktív megközelítésben Rögzítsünk előre egy T t-normát. Tegyük fel, hogy az összes szabály O i kimeneti fuzzy halmazait (i = 1,..., m) kiszámítottuk. Ekkor a globális kimenet Õ fuzzy halmazát így kapjuk: Õ(y) = T ( O 1 (y),..., O m (y) ).

A következtető egység Hozzárendelési megközelítés

A következtető egység 311 Fuzzy hozzárendelés

A következtető egység 312 Következtetés a hozzárendelési megközelítésben egyetlen szabály Rögzítsünk előre egy T t-normát. Tekintsük az i-edik szabályt, amelyik így néz ki: HA cond i AKKOR N y is l y j. Tegyük fel, hogy a cond i feltétel illeszkedési mértéke t i. Ekkor az O i kimeneti fuzzy halmazt a következő módon értelmezzük: O i (y) = T ( t i, M(l y j )(y)).

A következtető egység 313 Példa µ A (x) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 314 Példa (folyt.) T M (0.4, µ A (x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 315 Példa (folyt.) T P (0.4, µ A (x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 316 Példa (folyt.) T L (0.4, µ A (x)) 1 0.8 0.6 0.4 0.2 1 2 3 4 5

A következtető egység 317 Globális következtetés a hozzárendelési megközelítésben Rögzítsünk előre egy à aggregációs operátort. Tegyük fel, hogy az összes szabály O i kimeneti fuzzy halmazait (i = 1,..., m) kiszámítottuk. Ekkor a globális kimenet Õ fuzzy halmazát így kapjuk: Õ(y) = à ( O 1 (y),..., O m (y) ).

A következtető egység 318 Aggregációs operátorok Egy A : n N[0, 1] n [0, 1] függvényt aggregációs operátornak nevezünk, ha rendelkezik az alábbi tulajdonságokkal: 1 A(x 1,..., x n ) A(y 1,..., y n ) amikor x i y i minden i {1,..., n} esetén; 2 A(x) = x minden x [0, 1] esetén; 3 A(0,..., 0) = 0 és A(1,..., 1) = 1.

A következtető egység 319 Aggregációs operátorok: példák Bármely t-norma és t-konorma aggregációs operátor (azzal, hogy T (x) = x és S(x) = x). A súlyozott számtani, mértani közepek aggregációs operátorok. OWA (ordered weighted average) operátorok: Tekintsünk egy (x 1,..., x n ) szám n-est és rendezzük csökkenő sorrendbe az elemeit: x 1 a legnagyobb,..., x n a legkisebb közülük. Ekkor a w = (w 1,..., w n ) súlyvektorhoz tartozó OWA operátort így értelmezzük: n OWA w (x 1,..., x n ) = w i x i. i=1

A következtető egység 320 Megjegyzések A hozzárendelési megközelítés a gyakorlatban sokkal gyakoribb, mint a deduktív. Egy ilyen létező csomagban (LFLC) Ĩ = T L és T = T M. A hozzárendelési megközelítés leggyakoribb változatában T = T M és à = S M. Az erre épülő fuzzy irányítási rendszer Mamdani-féle vagy max-min néven ismert. Egy másik gyakori variánsban T = T P és az összeg vagy a számtani közép az à aggregációs operátor. Ez sum-prod inference néven ismert.

A következtető egység 321 A Mamdani-féle módszer áttekintése

A következtető egység 322 Példa Az előző példa szabályrendszerét tekintjük. [vissza a szabályrendszerhez] A ϕ és ϕ változókra a baloldali, az f -re a jobboldali fuzzy halmazokat definiáljuk: -30-20 -10 10 20 30-100-80-40-20 20 40 80 100

A következtető egység 323 Mélyebb betekintés Mindegyik t i igazságérték az egységintervallumból való, és az (x 1,..., x n ) input vektortól függ. Vagyis t i fuzzy halmaz X 1 X n -en. Egy adott (x 1,..., x n ) input vektor és y X y output érték esetén a kapcsolat foka a szabálybázison keresztül így adható meg: Ĩ ( t i (x 1,..., x n ), M(l y j )(y)) vagy T ( t i (x 1,..., x n ), M(l y j )(y)). Ez azt jelenti, hogy mindegyik szabály egy fuzzy relációt definiál X 1 X n és X y között. Hasonlóan, a teljes szabálybázis egy fuzzy relációt definiál X 1 X n és X y között.

A következtető egység 324 Grafikus reprezentáció Output Input

A következtető egység 325 Mit tehetünk fuzzy inputok esetén? 1 Output 0 Input

A defuzzifikáló egység A defuzzifikáló egység

A defuzzifikáló egység 327 Defuzzifikálás Sok alkalmazásban az output egy crisp szám kell legyen. Vagyis az Õ fuzzy halmazból egyetlen számot kell csinálnunk. Ez a defuzzifikálás. Az alábbiak a leggyakoribb eljárások: Mean of maximum (MOM): Az output annak a területnek a súlypontja, ahol Õ maximális. Vagyis y dy ahol ξ MOM (Õ) := Ceil(Õ) Ceil(Õ) 1 dy, Ceil(Õ) := {y X y Õ(y) = max{õ(z) z X y }}

A defuzzifikáló egység Defuzzifikálás (folyt.) Center of gravity (COG): Az output az Õ tagsági függvény grafikonja alatti terület súlypontja: y Õ(y) dy X y ξ COG (Õ) := Õ(y) dy Center of area (COA): Az output az a pont, amelynél ha húzunk egy függőleges egyenest, akkor ez az egyenes az Õ tagsági függvény alatti területet két egyenlő területű részre osztja. X y

Fuzzy irányítás 329 Fuzzy irányítás

Fuzzy irányítás 330 Diszkrét idejű zárthurkú (closed-loop) irányítás A valós rendszerek diszkrét időben működnek; legyen két egymást követő mintavételi ciklus közötti idő t. A dinamikus rendszert egy (x 1 (t),..., x k (t)) állapotvektor segítségével írjuk le. Ezt egy f S függvénnyel modellezzük. Egy új állapotot f S segítségével számítunk ki a régi állapotból, valamint a kontroll intézkedések/akciók (u 1 (t),..., u l (t)) vektorából: ( x1 (t + t),..., x k (t + t) ) = f S ( x1 (t),..., x k (t); u 1 (t),..., u l (t) ). A vezérlő egy f C függvény, amely a jelenlegi állapotból kiszámítja a kontroll akciók vektorát: ( u1 (t),..., u l (t) ) = f C ( x1 (t),..., x k (t) ).

Fuzzy irányítás 331 Példa: fordított inga szabályozása Állapotváltozók: a rúd függőlegessel bezárt szöge (θ) és a közelítő szögsebesség ( θ). Az irányítás célja: mindkét értéket nullán tartsuk. Akció: a megfelelő F mozgatóerő alkalmazása.

Fuzzy irányítás Fuzzy rendszerek az irányításban Természetesen a fuzzy rendszerek készen állnak az irányításban történő alkalmazásra. Azonban a következőkre tekintettel kell lenni: Az f C függvény simasági tulajdonságai (pl. folytonosság, deriválhatóság). Stabilitás. Számítási igény (a fuzzy vezérlőket gyakran implementálják korlátozott erőforrású hardveren).

Fuzzy irányítás 333 Simaság Csak akkor garantálható f C simasága, ha a tagsági függvények és minden operátor (T, S, N) és (Ĩ, T ), vagy ( T, S) sima. 1. példa: folytonos tagsági függvények és folytonos operátorok garantálják, hogy f C folytonos; jegyezzük meg, hogy a MOM defuzzifikáló módszer NEM folytonos! 2. példa: differenciálható tagsági függvények és differenciálható operátorok garantálják, hogy f C folytonos; ez azt jelenti, hogy a max-min következtetés nem feltétlenül ad differenciálható kontrol függvényt; a sum-prod szabály a COG defuzzifikálással viszont deriválható f C -t ad (ha a többi említett feltétel is teljesül).

Fuzzy irányítás 334 Stabilitás A stabilitás nagyjából azt jelenti, hogy van olyan pont, amelynek közeli környezetében a rendszer jól viselkedik. Ez speciálisan azt jelenti, hogy nincs szükség korrekcióra ha a rendszer tökéletesen egy ilyen pontban van. A stabilitás kérdését nem lehet megválaszolni az explicit modell ismerete nélkül. A fuzzy vezérlők stabilitása még mindig nyitott kérdés.

Fuzzy irányítás 335 A Mamdani-féle (max-min) irányítás hiányosságai Bár a gyakorlatban nagyon gyakori és általában elegendő is ennek használata, az eljárásnak vannak hiányosságai: Az eredményül kapott f C kontroll függvénynek ritkán vannak szép tulajdonságai. Bizonyos feltételek mellett instabil viselkedés mutatkozhat. Az output változókra vonatkozó maximális értékeket legtöbbször nem lehet elérni. A sum-prod következtetés az első problémát megoldja, de a másik kettőt nem.

Fuzzy irányítás Alternatív megközelítés: Sugeno-féle fuzzy rendszerek A Sugeno-féle fuzzy rendszerek egyszerűsített akciókat használnak: HA cond i AKKOR N y = y i. Legyen (x 1,..., x n ) egy bemeneti vektor, és a cond i feltétel illeszkedési mértéke t i (x 1,..., x n ). Ekkor az f C (x 1,..., x n ) kimenetet az y i következmény-értékek illeszkedési mértékekkel súlyozott közepeként definiáljuk: f C (x 1,..., x n ) = m i=1 t i(x 1,..., x n ) y i m i=1 t i(x 1,..., x n ) A Sugeno-féle rendszerek szakaszonként konstans lépcsős függvények, fuzzy lépcsőfokokkal.

Fuzzy irányítás 337 Egy variáns: Takagi/Sugeno/Kang-féle (TSK) fuzzy rendszerek A TSK fuzzy rendszerek által használt kimenetek: HA cond i AKKOR N y = f i (x 1,..., x n ), ahol f i (x 1,..., x n ) = a 0 i + a 1 i x 1 + + a n i x n. Legyen (x 1,..., x n ) bemeneti vektor, és a cond i feltétel illeszkedési mértéke t i (x 1,..., x n ). Ekkor az f C (x 1,..., x n ) kimenetet az f i következmény-értékek illeszkedési mértékekkel súlyozott közepeként definiáljuk: f C (x 1,..., x n ) = m i=1 t i(x 1,..., x n ) (a 0 i + a 1 i x 1 + + a n i x n ) m i=1 t i(x 1,..., x n ) A TSK fuzzy rendszerek ezek szerint szakaszonként lineáris függvények fuzzy átmenetekkel.

Fuzzy irányítás 338 A Sugeno-féle és a TSK fuzzy rendszerek előnyei Sokkal kevesebb számítási igény a következtetés és defuzzifikálás lépésekben. A kontroll függvény szebb analitikus tulajdonságai. Az y i vagy f i (x 1,..., x n ) output értékek ekzakt interpolációja elérhető. A stabilitás könnyebben garantálható.

Demonstrációs példa: A fordított inga szabályozása 339 Demonstrációs példa: A fordított inga szabályozása

Demonstrációs példa: A fordított inga szabályozása 340 A feladat Az irányítás célja egy vizszintes tengellyel rögzített rúd függőleges helyzetben tartása, amit a tengelyt tartó kocsi vizszintes irányú mozgatásával érünk el. Egyszerűsített fizikai modell: a rúd aljánál lévő M, és a rúd felső részén lévő m tömegpontból áll. Ezeket egy tömör, elhanyagolható tömegű l hosszúságú rúd köti össze.

Demonstrációs példa: A fordított inga szabályozása 341 A feladat (folyt.) Az inga egyensúlyi helyzetben való megtartásához (visszahozatalához) szükséges F erő meghatározására a rúd függőlegessel bezárt θ szögét, és ennek a szögnek a θ-ból becsült θ = dθ változását (közelítő dt szögsebességét) mérjük. Tehát a rendszer bemenő változói: θ és θ, ezek értéke a megfigyelés. Az irányítás célja, hogy a megfelelő F erővel mindkét (θ és θ) értéket nullán tartsuk.

Demonstrációs példa: A fordított inga szabályozása 342 Hagyományos szabályozás Ez a modell formális, differenciálegyenlet formájában megadott leírására épül. Ennek megoldása adja meg a megfelelő irányítási értéket. Az egyenlet (g a gravitációs állandó): (m + M) sin 2 θ l θ + m l sin θ cos θ θ 2 (m + M) g sin θ = F cos θ. Cél az egyenletből az F = F (t) erőnek a meghatározása úgy, hogy a θ és a θ gyorsan nullához tartson.

Demonstrációs példa: A fordított inga szabályozása A bemeneti és kimeneti alaphalmazok A θ szög értéke az X 1 = [ 90, 90] tartományban változhat. Elméletileg a θ szögsebesség bármekkora lehet, de egyrészt szélsőséges értékeket csak mesterségesen idézhetünk elő, másrészt a mérőeszköz is csak egy bizonyos tartományban működik. Ezért feltesszük: θ értéke az X 2 = [ 45, 45] (fok/mp) tartományban változhat. Hasonló megfontolások alapján a kimenő változó alaphalmaza Y = [ 10, 10] (N).

Demonstrációs példa: A fordított inga szabályozása 344 Az alaphalmazok fuzzy partíciói

Demonstrációs példa: A fordított inga szabályozása 345 A szabályok R i : HA a szög θ = A i,1 és a szögsebesség θ = A i,2, akkor az erő F = B i. Ha a szög kis negatív és a szögsebesség nagy negatív, akkor az erő legyen kicsi pozitív. HA θ = NS és θ = NL, akkor F = PS. A szabálybázist egy (az alaphalmazok partícióinak megfelelő) 7 7-es táblázatban adjuk meg a következő oldalon.

Demonstrációs példa: A fordított inga szabályozása 346 A szabálybázis θ θ NL NM NS Z PS PM PL NL PS PL NM PM NS NM NS PS Z NL NM NS Z PS PM PL PS NS PS PM PM NM PL NL NS

Demonstrációs példa: A fordított inga szabályozása 347 A Mamdani-féle következtetési algoritmus alkalmazása Aktuális megfigyelés: θ = 36, θ = 2, 25. Két szabály tüzel: R 1 : HA θ = PS és θ = Z, akkor F = PS. R 2 : HA θ = PM és θ = Z, akkor F = PM. A súlyfaktorok meghatározása: w 1 = min{0, 4; 0, 6} = 0, 4, w 2 = min{0, 6; 0, 8} = 0, 6.

Demonstrációs példa: A fordított inga szabályozása 348 Részkonklúziók

Demonstrációs példa: A fordított inga szabályozása 349 A végső következtetés A végső következtetés fuzzy halmazát a részkonklúziók uniójaként kapjuk. Defuzzifikálással y = 5 (MOM), illetve y = 3, 95 (COG). Tehát az inga egyensúlyban tartásához vagy 5 N, vagy 3,95 N erőt kell alkalmaznunk (döntéstől függően).