Upload
renate
View
37
Download
0
Embed Size (px)
DESCRIPTION
Unscharfes Schließen. Oder: Was man aus unscharfen Prämissen schließen kann?. Inhalt. Linguistische Variable Begriff, Beispiel Unscharfes Schließen Modifizierungsregeln Modifikatoren: sehr, mehr oder weniger, nicht Verknüpfungsregeln (Fuzzy Logik): Und, Oder, Implikation und Relationen - PowerPoint PPT Presentation
Citation preview
Unscharfes Schließen
Oder: Was man aus unscharfen Prämissen schließen kann?
Inhalt
• Linguistische Variable– Begriff, Beispiel
• Unscharfes Schließen– Modifizierungsregeln
• Modifikatoren: sehr, mehr oder weniger, nicht
– Verknüpfungsregeln (Fuzzy Logik): Und, Oder, Implikation und Relationen
– Bewertete linguistische Variable• Qualifizierungsregeln: wahrheits-, wahrscheinlichkeits-
bewerte Ling. Variable, möglichkeits- bewertet
• Variable u, die unscharfe Mengen als Werte annehmen kann
• unscharfe Werte mit Umgangssprache benannt• Mengensystem
T ... Terme von u (linguistische Werte)
U Universum von u (Grundmenge)
G Menge von syntaktischen Regeln (Grammatik)
Menge semantischer Regeln
(ordnet Term unscharfe Menge zu)
• Entwicklung von Grobmodellen
Linguistische Variable
}M~
G,U,{T,u
M~
Linguistische Variable FAHRZEUGANZAHL PRO STUNDE
niedrig hoch
mittlere Anzahl
• z.Bsp:
• formal: u(O) ist Au .. Variable
O .. Objekt
A .. Fuzzymenge
45
4525
5
020
)45(1
)(
x
x
2xx
uniedrig
z.B: FAHRZEUGANZAHL(B169) ist Hoch
Unscharfes Schließen• gegeben ist unscharfes Schlussschema mit u, v ling.
Variablen; A, B unscharfe Werte
u=A Premise | A is true
IF u=A Then v=B oder Implication | If A then B
v=B Conclusion | B is true• wichtig als Gesichtspunkt von Expertensystemen
• sinnvolle Verarbeitung solcher unscharfen Informationen (Verarbeiten von ling. Begriffen in mathematische Beziehungen)
• bestimmte Regeln unterteilt in Modifizierungs-, Verknüpfungs- und Qualifizierungsregeln
Modifizierungsregeln
• modified fuzzy datum definiert als u = mod A• Modifikatoren:
– Standard (Vorschlag von Zadeh) u=C:
• C = sehr A :
• C = mehr oder weniger A :
• C = nicht A : – Verknüpfungen möglich:
• C = sehr sehr A :
• C = nicht sehr A :
A C
2C A
AA -1 C4
C A 2
C -1 A
– sinnvolle Verknüpfungen in Grammatik festlegen• z.Bsp: sehr von mittlere Anzahl oder sehr (niedrig oder
hoch) verbieten
– Festlegung bei sehr und mehr oder weniger häufig nicht akzeptabel:
stimmt
stimmt weniger
stimmt nicht
– Abhilfe: Verknüpfung Modifikator mit Translation
118 )(μNiedrig1118 2 )(μ gSehrNiedri
1118 4 )(μ edrigSehrSehrNi
45
4520
025
)45(1
)(
x
x
20xx
uNiedrig
36
3616
16
020
)36(1
)(
x
x
xx
ugSehrNiedri
Verknüpfungsregeln
• Kombination mindestens 2er Fuzzy-Werte:u linguistische Variable im Universum U
v linguistische Variable im Universum V
• unscharfe Werte: A aus U, B aus V• wichtigsten Kombinationen:
u = A und v = B conjuction
u = A oder v = B disjunction
wenn u = A dann v = B implication
• zylindrische Erweiterung und
B)(yA)(x B)(yA)(x B)(yA)(x
VAA|
UBB|
conjunction
disjunction
implication
• wichtige Operatoren:
UND
T=minimum
T=algebraic product
T=bounded difference
T=minimum in den meisten Fällen beste Wahl
),(),( 'T
')()(
yxyxBABvAu
),(),( '')()(
yxyxBABvAu
)}(),(min{),()()( yxyx BABvAu
)()(),()()( yxyx BABvAu
}1)()(,0max{),()()( yxyx BABvAu
),(),( '')()(
yxyxBABvAu
ODER
• kein Operator festgelegt; Wahl problemspezifisch (sogar möglich eigenen Operator zu entwickeln) nur das Ergebnis zählt
• Bsp:– „u ist ungefähr 2“ in U={1,2,3} und „v ist groß“ in V={1,2,3,4}
)}(),(max{),()()( yxyx BABvAu maximum)()()()(),()()( yxyxyx BABABvAu sum algebraic
)}()(,1min{),()()( yxyx BABvAu sum bounded
– zylindrische Erweiterung von A und B
– T=minimum,
3.00.13.0
3.00.13.0
3.00.13.0
3.00.13.0
'A
0.10.10.1
7.07.07.0
1.01.01.0
0.00.00.0
'B
3.00.13.0
3.07.03.0
1.01.01.0
0.00.00.0
'T
' BA
0.10.10.1
7.00.17.0
3.00.13.0
3.00.13.0
'' BA
maximum
3.00.13.0A
0.1
7.0
1.0
0.0
B
• If ... Then –Operator (Implikation und Relationen)
• If u = A Then v = B Fuzzy-Implikation • Relation
– Zugehörigkeitsgrad– unsch. Relation „ungefähr gleich“
• • bj=sup min{ ai, rij}
b)(a,μR
15.000
5.015.00
05.015.0
005.01
4
3
2
1
:
0.40.30.20.1
eichungefährglR
)X(XR 21 F )X(XBA 21 F
RAB
)},(),(min{sup)( yxmxy RAUx
B
• Beispiel If ... then: – Universum U={1,2,3,4}– unsch. Wert A = „groß“ = {(1,0), (2 , 0.4), (3 , 0.6), (4 , 0.8), (5,1)}
– Relation R = „ungefähr gleich“
– ges. Werte für B mit B=A°R
– für y=3
B= {(1, 0.4), (2, 0.6), (3, 0.7), (4, 0.8), (5, 1)}
17.04.01.00
7.017.04.01.0
4.07.017.04.0
1.04.07.017.0
01.04.07.01
5
4
3
2
1
0.50.40.30.20.1
eichungefährglR
(x,3)}m(x),min{μsup(3)μ RAUx
B
(5,3)}}μ(5),min{μ (4,3)},μ(4),min{μ
(3,3)},μ(3),min{μ (2,3)},μ(2),min{μ (1,3)},μ(1),{min{μsup(3)μ
RARA
RARARAB
0.70.4} , 0.7 , 0.6 , 0.4 , {0sup
}min{1,0.4} 0.7)}, min{0.8, 1}, min{0.6, 7},min{0.4,0. },{min{0,0.4sup(3)μB
– möglicher Schluss: x ist groß
x und y sind ungefähr gleich
y ist mehr oder weniger groß
• unscharfe Relation für If ... then: oder Not (u=A) Or (v=B)
oder
so genannte Lukasievicz-Implikation
)}()(1,1min{),()()( yxyx BABvAu sum bounded
BAR B)(UV)(AR c
),(),( '')()(
yxyxBABvAu
• If v = Ai then u = Bi i = 1,...nn Kontrollsystem
• Relation dafür ist Lösung von• R beschreibbar als
ist kleinste R‘ und R‘‘ umfassende Lösung
nur eine größte, aber mehrere minimale Lsg.• A „minus“ B:
n1,...,iRAB ii RRRRR,R ''''''
''' RR
)()(
)()(
)(
1),(
:B minus""A :R
R yx
yx
yyx
BA
BA
Bdef
• isotonische Implikation
T=minimum
• Lösungskriterium für Gleichung B=A°R
• Beispiel: A=(1; 0.8; 0.6; 0.5), B=(1; 0.3; 0.6; 0.5)
(y)}μt)(x),T(μ:{tsupy)(x,μ BA[0,1]t
B)(vA)(u
(y)}μt)(x),min(μ:{tsupy)(x,μ BA[0,1]t
B)(vA)(u
)()(
)()(
)(
1),(B)(vA)(u yx
yx
yyx
BA
BA
Bdef
113.01
5.06.03.01
5.06.03.01
0R
5.0000
0001
06.03.00
1R
Bewertungsregeln
• Wert A einer linguistischen Variable linguistisch bewerten mit Bewertungsvariable g g(A) ist T
• g|F(U)[0,1] heißt Bewertungsfunktion
• g bewertet alle F(U) mit Grad g(A)=t zwischen 0 und 1 g(A)=T• verschiedene Bewertungsfunktionen denkbar:
– wahrheitsbewertet (truth qualified evaluation)– wahrscheinlichkeitsbewertet (probability qualified evaluation)– möglichkeitsbewertet (possibility qualified evaluation)
• Bsp.: u ling. Variable „Fahrzeuganzahl“, A Wert „Hohe Anzahl“
wahrheitsbewertet „Es ist ziemlich falsch, dass die Strasse eine hohe Fahrzeuganzahl hat“
Truth (hohe Anzahl) ist ziemlich niedrig g A T
A
wahrscheinlichkeitsbewertet
„Es ist mehr oder weniger wahrscheinlich, dass die Strasse eine hohe Fahr- zeuganzahl hat“
Prob (hohe Anzahl) ist moderat
possibilistisch bewertet „Es ist sehr wohl möglich, dass die Strasse eine hohe Fahrzeuganzahl hat“
Poss (hohe Anzahl) ist hoch
• Realisierung– wahrheitsbewertet:
– wahrscheinlichkeitsbewertet:
– möglichkeitsbewertet
(x)μ(A)truthg(A) Ax
)((x)μ(A)Probg(A) AP xdPU
π(x))(x),min(μsup(A)Possg(A) AUx
π
• Übersetzung von g(A) ist t in Fuzzy - Menge C auf [0,1]F(U) durch C(g) := T(g(A))
g(A) ist T C mit C(g) := T(g(A))
• gut bei Teilmengen von [0,1]F(U) : z. Bsp. parametrische Wahrsch.-werte
• Beispiele:
• Gradverteilung
x65
56x55
55x0
110
55-x0
(x)μA
• dargestellt durch:
a) Truth-Bewertung
Übersetzung A(x) nach T(A(x))
C(x) = ziemlich niedrig (A(x)) =
ziemlich niedrig (A(58)) = 0.66667 Truth(58) = 0.3
„Es ist ziemlich falsch dass 58 eine hohe Fahrzeuganzahl ist“Schlussfolgerung: „Die Strasse hat eine mittlere Anzahl von Fahrzeugen/h“
x60
60x57
57x0
03
120
1
(x)μC x
,1x0.5
0.5x0.2
0.2x0
00.3
t-0.51
(t)μ niedrigziemlich
,0.3
0.5t1(t)μmoderat
19.0
9.05.0
5.00
1
4.0/)5.0(
0
(t)μhoch
t
t
t
t
b) Probabilitäts-Bewertung
• Übersetzung C(P) nach T(PROBP(A))
• Dichtefunktion f(x) = ex mit EX; bei erwarteter Fahrzeug- anzahl 56 =1/56
• = A(x)
• „Die Wahrscheinlichkeit das die Strasse eine Fahrzeuganzahl/h von 56 hat ist moderat“
0
λeA dx(x)λxμP(A)
0
Af(x)dxIP(A)
AI
0.34297dx1/56e1dx1/56e10
55)(xdx1/56e0
dx(x)1/56eμP(A)
65
1/56x65
55
1/56x55
0
1/56x
0
1/56xA
47658.0)34297.0()( moderat56/1 PC
• Quellen:– „Einführung in Fuzzy-Methoden“
Hans Bandemer, Siegfried Gottwald
– „Fuzzy Set Theory“H.-J. Zimmermann