Title: Obiettivi
1Obiettivi
Conoscere strumento della Fuzzy Logica
Analisi di un progetto
2Argomenti, obiettivi
- Antefatto contraddizioni logica classica
- Inquadramento storico
- Sistemi Fuzzy
- Settori (Fisica / Aerodinamica) nei quali tale
strumento - può essere applicato con successo
- Rivedere concetti fondamentali alla base di
questo metodo -
3Cosa non è e cosa è la Logica Fuzzy
-
-
- La Logica Fuzzy non si pone lobiettivo di
modificare - Il modo di ragionare di un uomo
- la metodologia usata da un uomo per
- - affrontare un problema
- - per prendere delle decisioni
- La Logica Fuzzy si pone lobiettivo di trovare
- un metodo semplice e funzionale per
codificare(tradurre in un codice utilizzabile da
una macchina) il modo di ragionare di un uomo. - un metodo per codificare la conoscenza,
- un metodo per catturare lesperienza
4Il concetto di verità nella Logica Aristotelica
- Verità logica gli enunciati che descrivono
relazioni - logiche o matematiche, come
- 6-33 (vero)
- 856 (non vero)
-
- sono vere o falso in ogni contesto
-
-
- Verità fattuali enunciati che descrivono fatti
o eventi possibili - si deve azionare il postbruciatore
- fa freddo
-
- sono vere o false a seconda dei casi
5Verità fattuali
- La natura delle cose è molto più
- complessa
- - cosa è una montagna? Cosè una collina?
- esiste un passaggio brusco da collina
- a montagna?
- Levento misurato è una temperatura?
- Che peso ha la temperatura nel modello
- matematico che descrive il sistema?
6Fuzzy Sets
L.A. Zadeh (1965), Dep. Of Ingeneering and
Electronics Research Laboratory - Berkeley
Teoria classica
Teoria fuzzy
1
X appartiene ad A
f(x)1
X
0
Il grado di appartenenza Di x ad A è definito da
una membership function fA(x) numero reale 0,1
X non appartiene ad A
f(x)0
X
7Granularizzazione delle variabili nella logica
fuzzy
8Osservazione
9Ragionamenti basati sulla logica
- Ogni ragionamento prevede delle relazioni
logiche, regole, costituite da -
- una premessa e una conclusione(conseguenza)
- la premessa di una regola è un
enunciato,proposizione (semplice o composta) - - definisce le condizioni in cui la conclusione
deve essere applicata - la conclusione (conseguenza) di una regola
- - definisce lazione che deve essere attivata
quando - la condizione della premessa è verificata
10I ragionamenti nelle due logiche
11Logica aristotelica esempio nella matematica
- Se la premessa è vera allora La conclusione
(conseguenza) è attivata - Se la premessa non è vera allora La conclusione
(conseguenza) non è attivata - Esempio EQ. di II grado
- Se il ? gt 0 allora abbiamo 2 sol. reali distinte
- Se il ? 0 allora abbiamo 2 sol. reali
coincidenti - Se il ? lt 0 allora abbiamo 2 sol. complesse
coniugate
X1, x2
X1 x2
X1 aib X2a-ib
12I ragionamenti nel mondo reale
Tutta la nostra vita si basa su
decisioni, azioni legate a dei
ragionamenti(consci o inconsci) Nel mondo
reale gli enunciati che definiscono le premesse
sono sempre o veri o falsi ? - Se è caldo
accendo il condizionatore. Ma Cosa vuol dire è
caldo ? Ha senso introdurre una soglia per
decidere se è caldo ? Non è forse più sensato
attivare il condizionatore proporzionalmente
alla sensazione di caldo che proviamo. Detto in
modo Fuzzy proporzionalmente a quanto è vera (al
grado di verità) la proposizione è caldo. Si
intuisce allora lopportunità di implementare
sulle macchine un modus operandi più simile a
quello umano. Per far ciò dobbiamo rendere fuzzy
i concetti su cui si basano il loro modo di
ragionare.
13Un altro confronto
Logica binaria
- If (V is L) then
- If (V is M) then
- If (V is H) then Cons.H
Cons. L
1
M
L
H
V
0
49.9
50.1
Logica fuzzy
- If (V is L) then
- If (V is M) then
- If (V is H) then Cons.H
Cons. L, M
1
L
M
H
V
0
51.1
14I/O
- Punto di partenza osservare che nel mondo reale,
- i processi decisionali, o ragionamenti, hanno
sempre - lo stesso obiettivo
- TROVARE UNA RELAZIONE TRA INGRESSO E USCITA
- Per un fisico equivale a trovare un modello
- In generale, il processo decisionale che ci porta
a prendere ogni decisione. - Es. se fa freddo allora mi copro.
- ma QUANTO freddo io stia provando è soggettivo,
e come mi coprirò è strettamente legato
allingresso, ossia alla percezione. - Luscita sarà quindi proporzionale al grado di
verità - dellaffermazione in ingresso
15Lalgoritmo Fuzzy
Lalgoritmo descrive come rendere computabile un
ragionamento basato su un set di regole Fuzzy
Fenomeno reale
- OBIETTIVO
- Individuare le variabili che lo regolano
- Stabilire relazione I/O
Input
Relazioni deterministiche di tipo IfThen
OUTPUT
16Come costruire lAlgoritmo Fuzzy ?
- Definire gli insiemi Fuzzy delle variabili di
ingresso e uscita (granularizzazione delle
variabili) - Definire le regole che correlano le variabili di
ingresso e uscita - (IF ..THEN rules)
- Precisare come calcolare
- - il grado di verità della premessa di ogni
regola - - linferenza delle singole regole
- - il contributo di tutte le regole
17Come calcolare il grado di verità (T) della
Premessa
- La premessa di una regola (If Premessa THEN
Conseguenza) - può essere una proposizione
- semplice (x is L)
- Composta (x is L) and (y is M) (x is L) or
(y is M)
18Calcolo del grado di verità (T) della premessa
(secondo Zadeh)
- Proposizione semplice
- x is L T aL 0.6
- x is M T aM 0.4
- Proposizione composta
- (x is L) and (y is H) T min (aL , aH ) 0.4
- (x is L) or (y is H) T max (aL , aH ) 0.6
1
0.6
L
M
H
0.4
V
0
X
1
L
M
H
0.4
V
0
X
1
L
M
H
0.6
V
0
Y
19Inferenza di un sistema fuzzy(Aggregazione di
tre regole)
20Il ragionamento fuzzy si basa su
- Uso di variabili linguistiche
- variabili che utilizzano parole( aggettivi
descritti da insiemi fuzzy) al - posto dei numeri
- Uso di regole fuzzy
- IF premise THEN conclusion
- Aggregazione dei contributi delle regole
(inferenza) - Se richiesta, defuzzificazione
21Conclusioni
Ragionamento fuzzy, logica fuzzy
Metodo tradizionale, logica aristotelica
- Variabili numeriche
- Relazioni matematiche
- (esigenza di un modello)
- -La conseguenza di una
- relazione logica è o non è
- attivata, nella misura in cui
- la premessa è o non è vera
- variabili linguistiche
- regole fuzzy
- (conoscenza tramite esperto)
- -la conseguenza di una regola
- è attivata proporzionalmente
- al grado di verità della premessa
SEMPLICE E FUNZIONALE
RIGOROSO MA COMPLESSO
22Esempi
- Pendolo inverso
- Approssimazione di funzioni
- (modello fuzzy)
23Pendolo Inverso
- La soluzione classica
- richiede una equazione differenziale del 4
ordine - Sono state pubblicate diverse soluzioni fuzzy che
richiedono da 9 a 15 regole coinvolgendo ? e
d?/dt
2L
?
24Pendolo Inverso con liquido(Yamakawa)
2r
2L
?2
?1
m
v
M
0
Y
25Confronto tra le regolazioni
26Risultati
2r
- Il bicchiere è stabilizzato
- indipendentemente
- - dalla quantità di liquido contenuto
- - dalla lunghezza del supporto (2L)
- Le regole non cambiano al variare di
- m, r, L ed h
?1
2L
?2
m
v
M
0
Y
27Il controllo fuzzy è model-free
- La presenza del liquido nel
- bicchiere può essere modellizzata
- Il topo si muove a caso e non
- può essere modellizzato
IL SISTEMA E COMUNQUE STABILE
28Approssimazione di funzioni
Approccio classico
Ricerca di un MODELLO, ovvero di un funzione di
una relazione matematica del tipo Y f(X)
29Approccio fuzzy
Scrive le regole IF (x is L) THEN (y is L) IF
(x is M) THEN (y is M) IF (x is H) THEN (y is L)
H
30Gradi di verità
31(No Transcript)
32(No Transcript)
33(No Transcript)