Predavanje 2

1

Osnovi računarske inteligencije sa primenama u saobraćaju i

transportu

Dušan Teodorović

CopyrightDušan Teodorović, 2005

2

ALFA PRESEK

Pod alfa presekom (koji se najcešće označava kao -presek) fuzzy skupa A podrazumeva se skup A, čiji elementi

imaju stepen pripadnosti fuzzy skupu A veći ili jednak , pri cemu je [0, 1].

3

ALFA PRESEK

4

ALFA PRESEK

5

LINGVISTIČKE PROMENLJIVE I RAČUNANJE SA REČIMA

„Mi moramo da koristimo našu toleranciju za nepreciznost.“

Lotfi Zadehzačetnik teorije fuzzy skupova, 1973

6


Jezici kojima se sporazumevamo okrakterisani su nepreciznošću i višeznačnošću.

U svakodnevnim situacijama obično nemamo problema da razumemo jedni druge.

7


Koncept lingvističke promenljive potiče od Zadeh-a (1975a, 1975b).

Vrednosti numeričke promenljive su brojevi. Analogno ovome, vrednosti lingvističke promenljive su reči ili rečenice.

8

LINGVISTIČKE PROMENLJIVE I RAČUNANJE

SA REČIMANaše uobičajeno poimanje bilo kakvog računanja podrazumeva odredjene manipulacije sa brojevima i simbolima. Računanje rečima (Computing with Words) podrazumeva manipulacije sa rečima, rečenicama i lingvističkim izrazima koje koristimo u svakodnevnoj komunikaciji.

9

LINGVISTIČKE PROMENLJIVE I

RAČUNANJE SA REČIMA

“Računanje rečima je inspirisano zadivljujucim sposobnostima ljudi da izvršavaju veliki broj različitih fizičkih i mentalnih zadataka bez ikakvih merenja i izračunavanja.“

10

LINGVISTIČKE PROMENLJIVE I

RAČUNANJE SA REČIMAKada vozimo automobil, menjamo traku na auto-putu, prevodimo sa stranog jezika, prepričavamo priču, vozimo slalom niz strmu padinu, ili vozimo klizaljke na klizalištu na kome je gužva, mi ništa ne merimo i ništa ne izračunavamo. Mi percepiramo stvari oko nas i sposobni smo da u realnom vremenu donesemo odgovarajuće odluke na osnovu percepcija.

11

“Mozak poseduje sposobnost da manipuliše percepcijama - percepcijama rastojanja, veličine, težine, boje, brzine, vremena, smera, sile, broja, istine, verodostojnosti i ostalih karakteristika fizičkih i mentalnih objekata. Manipulacija percepcijama igra ključnu ulogu u procesima saznavanja i donošenja odluka. Osnovna razlika izmedju percepcija i merenja sastoji se u činjenici da su merenja precizna, a percepcije rasplinute. “ (Zadeh (1999)).

12

Numeričke i lingvističke informacije

U odredjenim situacijama, insistiranje na apsolutnoj preciznosti, odnosno na isključivom korišćenju numeričkih promenljivih može čak da izazove nejasnost i konfuziju.

Primer: Uključivanje parkiranog vozila u saobraćaj

13

LINGVISTIČKI MODIFIKATORI

Pridevi i prilozi “vrlo, veoma, manje-više,...” koje koristimo u svakodnevnom govoru se nazivaju lingvističkim modifikatorima.

Koriščenjem lingvističkih modifikatora, možemo da modifikujemo funkciju pripadnosti odredjenog fuzzy skupa (Zadeh, 1973).

14


“vrlo” A = A2

‚ “vrlo vrlo” A = A4

15


16

LINGVISTIČKI MODIFIKATORI “Pomalo ” B = B

17

Fuzzy skupovi kao tačke u hiper kocki (hypercube)

Kosko (1992b, 1993)

X = {x1, x2, x3}

(0,1,0) predstavlja podskup x2

(1,0,1) predstavlja podskup x1, x3

……..

……..

Temena kocke predstavljaju klasične skupove

18


19


20

Fuzzy skupovi i Teorija verovatnoće

Tokom poslednje četiri decenije pojavio se veći broj tvrdjenja da fuziness predstavlja prerušenu verovatnocu.

Funkcije pripadnosti su sličnog oblika kao i gustine raspodele verovatnoca.

21


Obe teorije - Teorija fuzzy skupova i Teorija verovatnoće predstavljaju pokušaj da se neizvesnost kvantifikuje i izrazi numerički.

U oba slučaja, pokušava se sa kvantifikacijom neizvesnosti korišćenjem brojeva iz intervala [0,1].

22


U čemu je fundamentalna razlika izmedju fuziness-a i verovatnoće?

Zbog čega ne koristimo isključivo Teoriju verovatnoće?

23


Primer: Pretpostavimo da tri uzastopna leta kasne priliko poletanja sa odredjenog aerodroma. Ova kašnjenja mogu da izazovu neplanirano prisustvo većeg broja putnika u delu aerodromske zgrade.

Zagušenje u zgradi možemo lingvistički da opišemo rečima i izrazima kao što su “vrlo velika gužva”, “velika gužva”, “poluprazan hol”, itd.

24


Fuzziness meri stepen saobraćajnog zagušenja (fuzziness meri stepen sa kojim se realizuje odredjeni dogadjaj).

Fuzziness ne meri da li će zagušenje da se desi u delu aerodromske zgrade ili ne. Verovatnoća je povezana sa pitanjem da li će odredjeni dogadjaj da se desi.

25


A - Tri uzastopna leta kasne na poletanju

P(A) = 0,7

Vrednost 0, 7 sadrzi informaciju o relativnoj frekvenciji i ukazuje nam da u 70% posmatrana tri uzastopna leta kasne na poletanju.

26


Fuzziness je tolerantna:

Ac

A

XA Ac

27


Osvežavajuća tečnost

sa verovatnoćom 0.95

Osvežavajuća tečnost sa

stepenom pripadnosti 0.95

28


Fuzziness i verovatnoća tretiraju različite aspekte neizvesnosti.

Teorija fuzzy skupova je pogodan matematički aparat za modeliranje problema okarakterisanih aproksimativno poznatim vrednostima parametara, ljudskim percepcijama, subjektivnošću i ekspertnim znanjem iskazanim rečima.

29

OSNOVNA PRAVILA FUZZY ARITMETIKE

“Oko 30 sekundi”

“Otprilike $3000”

………..

Fuzzy skupove “oko 30”, “otprilike 3000” možemo da tretiramo kao brojeve. Brojevi izraženi na ovakav način nazivaju se fuzzy brojevima.

30


31


Pod fuzzy brojem podrazumeva se fuzzy skup koji je konveksan i normalizovan.

32


33


Kaufmann and Gupta (1985) su predložili tretiranje fuzzy brojeva kao “uopštenje koncepta intervala poverenja.”

Primer:

Vreme putovanja nije manje od t1 i nije vece od t2.

34


Vreme putovanja pripada zatvorenom intervalu [t1, t2] koji se naziva intervalom

poverenja.

T = [t1, t2]

Pored intervala poverenja fuzzy broj je okarakterisan i stepenom uverenosti.

35


Fuzzy broj A i odgovarajući intervali poverenja i stepeni uverenosti

36

SABIRANJE FUZZY BROJEVA

X = [x1, x2] Y = [y1, y2]

Ukoliko je m [x1, x2] i n [y1, y2], tada je:

m n x y x y 1 1 2 2,

37


Sabiranje intervala poverenja:

Fuzzy brojevi se sabiraju na isti način na koji se sabiraju intervali poverenja.

X (+)Y = , (+) , = + , + 1 2 1 2 1 1 2 2x x y y x y x y

38


Sabiranje se vrši za svaku vrednost stepena uverenosti.

X Y x x y y x y x y1 2 1 2 1 1 2 2, , ,

39


40

ODUZIMANJE FUZZY BROJEVA

X = [x1, x2] Y = [y1, y2]

Ukoliko je m [x1, x2] i n [y1, y2]. Tada je:

X Y x x y y x y x y1 2 1 2 1 2 2 1, , ,

41

ODUZIMANJE FUZZY BROJEVA

X Y x x y y x y x y1 2 1 2 1 2 2 1, , ,

42

MNOZENJE FUZZY BROJEVA

X Y ( ) , ( ) , ,( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) x x y y x y x y1 2 1 2 1 1 2 2

43

DELJENJE FUZZY BROJEVA

X Y

( ) , ( ) , ,( ) ( ) ( ) ( )( )

( )

( )

( )

x x y y

x

y

x

y1 2 1 21

2

2

1

44

MNOZENJE FUZZY BROJA KONSTANTOM

c c c x x cx cxX [ , ] ( ) [ , ] [ , ]( ) ( ) ( ) ( )

1 2 1 2

45

MNOZENJE FUZZY BROJA KONSTANTOM

46

TROUGLASTI FUZZY BROJEVI

47


a1 – donja (leva) granica trouglastog fuzzy

broja

a2 – vrednost kojoj odgovara najveći stepen

pripadnosti

a3 – gornja (desna) granica trouglastog

fuzzy broja

48


Funkcija pripadnosti fuzzy broja A je:

A a a a1 2 3, ,

A x

x

xx

xx

x

0

0

1

1

2 11 2

3

3 22 3

3

,

,

,

,

a

a

a aa a

a

a aa a

a

49


A B( ) , , ( ) , , , , a a a b b b a b a b a b1 2 3 1 2 3 1 1 2 2 3 3

50


51

TRAPEZOIDALNI FUZZY BROJEVI

52

TRAPEZOIDALNI FUZZY BROJEVI

A B( ) , , , ( ) , , ,, , ,

a a a a b b b ba b a b a b a b

1 2 3 4 1 2 3 4

1 1 2 2 3 3 4 4

A B( ) , , , ( ) , , ,, , ,

a a a a b b b ba b a b a b a b

1 2 3 4 1 2 3 4

1 4 2 3 3 2 4 1

53

POREDJENJE FUZZY BROJEVA

Metod Kaufmann-a i Gupta-e (1988)

54


Pod “levom pomerenošću” Rl(A,k) fuzzy broja A u odnosu na realan broj k podrazumeva se površina izmedju realnog broja k i leve strane fuzzy broja A.

“Desna pomerenost” Rr(A,k) fuzzy broja A definisana je površinom izmedju realnog broja k i desne strane fuzzy broja A.

55


“Pomerenost” fuzzy broja A u odnosu na realan broj k definiše se kao:

56


U slučaju kada je fuzzy broj A trouglastog oblika i kada je k = 0, pomerenost fuzzy broja A je:

57


Korak 1: Izvršiti poredjenje “pomerenosti” brojeva. U slučaju da je po

izvršenom poredjenju “pomerenosti” brojeva moguće doneti odgovarajući zaključak završiti sa algoritmom. U suprotnom slučaju preći na korak 2.

58


Korak 2: Izvršiti poredjenja vrednosti kojima odgovaraju najveći stepeni pripadnosti. U slučaju da se posle izvršenog poredjenja ovih vrednosti može utvrditi poredak brojeva završiti sa algoritmom. Ukoliko ni posle poredjenja vrednosti kojima odgovaraju najveći stepeni pripadnosti nije moguće doneti odgovarajući zaključak preći na korak 2.

59


Korak 3: Izvršiti poredjenje “baza” fuzzy brojeva. (Pod “bazom” fuzzy

broja podrazumeva se dužina osnovice fuzzy broja).

60


Primer:Porediti fuzzy broj A = (6,9,11) sa fuzzy brojem B = (7,8,12) .

61


62


Pošto je:

Zaključujemo da je fuzzy broj A veći od fuzzy broja B.

Predavanje 2

Documents

Transcript of Predavanje 2