Fuzzy Implikationen - Lab4Inf
Fuzzy Implikationen - Lab4Inf
Fuzzy Implikationen - Lab4Inf
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Fuzzy</strong> Logic & Control<br />
Warum einfach, wenn es auch schwer geht?<br />
Prof. Dr.-Ing. Doris Danziger<br />
Prof. Dr. rer. nat. Nikolaus Wulff
<strong>Fuzzy</strong> Prädikatenlogik<br />
• Die Prädikatenlogik erweitert die Aussagenlogik<br />
mit den Junktoren ∧,∨ und ¬ um den Existenzquantor<br />
∃ und den „Für Alle“-Quantor ∀.<br />
• Dies gestattet Aussagen der Form „es gibt ein x mit<br />
der Eigenschaft P(x)“ oder „für alle x gilt P(x)“.<br />
• Wahrheitswerte τ (truth values) von Aussagen die<br />
Quantoren enthalten lassen sich üblicherweise<br />
bestimmen als:<br />
∀ x: P x = inf<br />
x∈<br />
{ P x}<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
∃ x : P x = sup<br />
x∈<br />
<strong>Fuzzy</strong> Logic & Control<br />
{ P x}<br />
2
<strong>Fuzzy</strong> Relationen<br />
• Es seien Ω und Ψ zwei Mengen. Das Kreuzprodukt<br />
ΩΨ ist die Menge aller geordneten Tupel (x,y) mit<br />
x ∈ Ω und y ∈ Ψ . Eine fuzzy Relation R(x,y) ist<br />
eine Teilmenge R ⊆ ΩΨ mit Werten in [0,1],<br />
welche die Beziehung zwischen x und y beschreibt.<br />
– Für diskrete Mengen lässt sich R als fuzzy Matrix<br />
schreiben.<br />
• Relationen lassen sich verketten. Sei Ξ eine weitere<br />
Menge und U(y,z) eine Relation auf ΨΞ dann gilt<br />
für die Relation V = R°U mit V(x,z) ⊆ ΩΞ:<br />
V x , z = sup<br />
y∈<br />
Rx , y∧U y , z<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
3
Bemerkungen: <strong>Fuzzy</strong> Relationen<br />
• Bei diskreten Mengen kann die Verkettung durch<br />
die Matrizenmultiplikation abgebildet werden.<br />
– Die Elemente a jk<br />
sind Wahrheitswerte. Die Multiplikation<br />
wird per AND- und die Addition per OR-<br />
Verknüpfung berechnet. Meistens max-min...<br />
• Der <strong>Fuzzy</strong> Vergleich ist ein Beispiel für eine<br />
Equivalenzrelation ≃ R(Ω,Ω). Ähnliche Relationen<br />
sind
<strong>Fuzzy</strong> Vergleich als Relation<br />
• Wie groß ist der Wahrheitsgehalt der Aussage A ist<br />
(ungefähr) gleich B, d.h. τ(A≃B)?<br />
• Nach dem Zadehschen Erweiterungsprinzip ist dies<br />
gleich dem Wert der maximalen Übereinstimmung<br />
von A und B.<br />
A≃B = sup<br />
x∈<br />
A x∧B x<br />
• Der Wahrheitsgehalt von W(A≃B) ist bei dem<br />
Wert x 0<br />
mit der größtmöglichen Übereinstimmung<br />
von A und B gegeben, z. B mit dem Min-Operator<br />
bei dem größten Wert für den A(x 0<br />
)=B(x 0<br />
) gilt.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
5
<strong>Fuzzy</strong> Logik<br />
• Ein Objekt x gehört nicht nur eindeutig zu einer<br />
Menge A, sondern kann auch zugleich zu deren<br />
Komplement gehören, falls<br />
•<br />
•<br />
• Dies bedeutet in der <strong>Fuzzy</strong>-Logik gilt kein Satz vom<br />
Widerspruch (dies hängt von der T-Norm ab!):<br />
•<br />
•<br />
A x ∉ {0,1}<br />
∃ x∈: ¬A x∧ A x ≠0<br />
• Auch der Satz vom ausgeschlossenem Dritten ist nicht<br />
mehr uneingeschränkt gültig:<br />
∃ x∈: ¬A x∨ A x ≠1<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
6
Unscharfe Logik<br />
<br />
Klassische Logik<br />
<br />
<strong>Fuzzy</strong> Logik<br />
1.0<br />
1.0<br />
f<br />
w<br />
0.5<br />
falsch<br />
wahr<br />
falsch<br />
„jein“<br />
wahr<br />
• Klassische Logik kennt nur die Werte 0 oder 1.<br />
• <strong>Fuzzy</strong> Logik definiert Wahrheitsgehalt als Menge mit<br />
einer Zugehörigkeit μ w<br />
(x) ∈[0,1] mit μ f<br />
= ¬μ w<br />
= 1 - μ w<br />
• Epimenides: μ w<br />
= μ f<br />
1 - μ w<br />
μ w<br />
= 0.5<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
7
Vergleich <strong>Fuzzy</strong> Logik & Control<br />
• Wodrin liegt der wesentliche Unterschied zwischen<br />
logischen Aussagen und <strong>Fuzzy</strong> Reglern?<br />
• Regler arbeiten meist auf einer Strecke mit scharfen<br />
Eingängen und Rückführung der defuzzifizieren<br />
Ausgangs.<br />
• <strong>Fuzzy</strong> Logik benötigt Algorithmen, die mit <strong>Fuzzy</strong><br />
Mengen Mehrfachverkettungen ermöglichen, ohne<br />
sofortiger Defuzzifizierung und Rückführung.<br />
• Logik System müssen daher mit unscharfen <strong>Fuzzy</strong><br />
Mengen und nicht nur auf scharfen Eingangswerten<br />
operieren können!<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
8
Kühlung mit „scharfer Regelung“<br />
Das Beispiel einer Kühlung soll den Vorteil von <strong>Fuzzy</strong><br />
Regeln erläutern.<br />
• Häufig sind scharfe Regeln unangemessen:<br />
R 1<br />
if (temp
Scharfe Laptop Kühlung<br />
Fan current<br />
150 mA<br />
very<br />
high<br />
100 mA<br />
high<br />
50 mA<br />
low<br />
AC/DC<br />
0 mA<br />
off<br />
30 60 90 120 T /°C<br />
• 59°C „low“ jedoch 61°C „high“ unstetig.<br />
• Kühlung wird bei 60°mit „low-high“ oszillieren.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
10
Regeln mit linguistischen Variablen<br />
• Die Regeln werden „unscharf“ formuliert:<br />
R 1<br />
if „very cold“ then „fan off“<br />
R 2<br />
if „cold“ then „fan low“<br />
R 3<br />
if „warm or hot“ then „fan high“<br />
R 4<br />
if „hot“ then „fan very high“<br />
• „off“, „low“, „high“ etc. bezeichnen linguistische<br />
Variablen, die durch <strong>Fuzzy</strong> Mengen beschrieben<br />
werden.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
11
Linguistische Variablen<br />
( T)<br />
1.0<br />
cold<br />
warm<br />
hot<br />
very hot<br />
0.5<br />
off<br />
Zuordnung der Temperatur<br />
zu den <strong>Fuzzy</strong> Mengen...<br />
30 60 90 120 T /°C<br />
<strong>Fuzzy</strong>fizierung<br />
• 59°C <br />
• 61°C<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
12
<strong>Fuzzy</strong> Fan Status<br />
(I)<br />
1.0<br />
off<br />
low<br />
high<br />
very high<br />
0.5<br />
Dieselben „sprunghaften Regeln“<br />
erlauben unscharf formuliert eine<br />
stetige Regelung!<br />
off<br />
50 100 150 200 Fan current I/mA<br />
Defuzzifizierung<br />
• 59°C low high = 98 mA<br />
• 61°Chigh very =102 mA<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
13
Truth Value<br />
• Der Wahrheitswert τ(A) wird in der <strong>Fuzzy</strong> Logik<br />
mit dem Grad an Zugehörigkeit τ(A)(x) = μ A<br />
(x) zur<br />
<strong>Fuzzy</strong> Menge A identifiziert. Kleinbuchstaben<br />
stehen häufig für den jeweiligen Wahrheitswert.<br />
• In einer Regel „if x ∈ P then y ∈ Q“, wird der<br />
Implikationsoperator I(p, q) nur aus den Wahrheitswerten<br />
p und q der Prämisse und Implikation für<br />
eine gewählte Belegung (x,y) berechnet:<br />
P Q = I p , q<br />
p:= P x<br />
q :=Q y<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
14
<strong>Fuzzy</strong> Implikation<br />
• Die Übersetzung der klassischen Implikation in<br />
eine <strong>Fuzzy</strong> Logik ist nicht eineindeutig. Es gibt<br />
mehrere Vorschläge für die Implikation P → Q:<br />
P Q ⇔ ¬P∨Q ⇔ ¬P∨ P∧Q<br />
P Q = max 1− p ,q<br />
P Q = max 1− p ,min p , q<br />
„klassisch wahr“<br />
P Q P→Q<br />
0 0 1<br />
0 1 1<br />
1 0 0<br />
1 1 1<br />
• Obige Formeln, sind abgeleitet mit Min-Max als t-<br />
und s-Norm, auch dies ist frei wählbar! Allgemein<br />
wird P → Q mit einer Funktion I(p,q) berechnet.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
15
Implikationsoperatoren<br />
• Bereits bei der klassischen Implikation, gibt es<br />
verschiedene Definitionen, entsprechend existieren<br />
unterschiedliche Varianten des fuzzifizierten<br />
Implikationsoperators, z.B. Gödel, Łukasiewicz.<br />
P Q = min1,1− pq<br />
• Für den Schluss P∧(P → Q), mit approximativer<br />
Prämisse P≃P , soll als Konklusion Q≃Q erfolgen:<br />
Q = P∧ P Q<br />
• Mamdani ersetzt (P → Q) durch min(P,Q) und<br />
• Larsen wählt das Produkt (P → Q) = P*Q.<br />
• Beide sind für P=0 falsch(!) da klassisch I(0,Q)=1.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
16
Mamdani Approximation<br />
• Die Rechtfertigung für die Vereinfachung nach<br />
Mamdani/Larsen lautet, in einem Expertensystem<br />
wird eine Regel mit τ(P)=0 nicht feuern und der<br />
„falsche Implikationsoperator“ trägt nichts zum<br />
Ergebniss bei...<br />
• Hierdurch „vereinfacht“ sich der Ausdruck für die<br />
Implikation<br />
Q = P∧ P Q<br />
auf Grund der Assoziativität von ∧ zu:<br />
Q ≈ P∧P<br />
∧Q = q∧Q<br />
=: q<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
17
Der generalisierte Modus Ponens<br />
• Die klassische Implikation Q = P∧ P Q<br />
fuzzyfizierter Version lautet:<br />
–<br />
Q –<br />
y = sup<br />
– x∈<br />
• Im Fall der vereinfachten Mamdani Implikation mit<br />
MinMax Norm ergibt dies:<br />
Q y = sup<br />
x∈<br />
Q y = minp ,Q y<br />
p = sup<br />
x∈<br />
T P x , I P x ,Q y<br />
minP x , P x<br />
in<br />
minP x , minP x ,Q y<br />
D.h. der Träger<br />
von Q bleibt erhalten!<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
18
Übung<br />
Berechnen Sie das Ausgabe <strong>Fuzzy</strong> Set B zur Regel<br />
if A then B, wenn das Eingabedatum Ax=Axc<br />
gegen A, um eine Konstante c verschoben ist, für<br />
die Fälle:<br />
• Mamdani Implikation mit I(x,y)=T(x,y)= min(x,y).<br />
• Wie lautet der Algorithmus falls der Wenn-Teil aus<br />
einer Konjunktion if A 1<br />
∧ A 2<br />
then B besteht?<br />
• Larsen Implikation mit I(x,y)=T(x,y)=x*y.<br />
– Tip: Wählen Sie für A(x) eine Dreiecksfunktion.<br />
– Machen Sie gegebenenfalls Fallunterscheidungen für<br />
Kern/Träger in Abhängigkeit von c.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
19
<strong>Fuzzy</strong> Inferenz<br />
• Für eine gegebene <strong>Fuzzy</strong> Regel<br />
R: if x is A then y is B<br />
• mit <strong>Fuzzy</strong> Mengen A und B, und einer Eingabe A x<br />
lautet der verallgemeinerte fuzzy modus ponens<br />
B = A° A B<br />
• Die Ausgabe wird berechnet mit Hilfe einer T-Norm<br />
und dem Implikationsoperator p q=: I p ,q<br />
B y = sup<br />
x∈<br />
T Ax , I A x , B y<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
20
<strong>Fuzzy</strong> Regelbasis<br />
Eine fuzzy Regelbasis mit n Regeln<br />
R j<br />
: A j<br />
B j<br />
j=1,,n<br />
wird bestimmt als System von Relationsgleichungen<br />
B j =A j ° R<br />
j=1,,n<br />
und die Lösung ist gegeben, wenn die Konjunktion<br />
n<br />
C= ∩<br />
j=1<br />
A j<br />
Gö<br />
B j<br />
<br />
nicht leer und eine Lösung für jede Regel R j<br />
ist.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
21
<strong>Fuzzy</strong> Approximations<br />
• Zu gegebener (fuzzy) Eingabe<br />
A<br />
lautet die Lösung<br />
n<br />
A j Gö B j <br />
B = A° ∩ j=1<br />
• Ein Expertensystem führt die Regeln unabhängig aus<br />
und eine approximative Obermenge der Lösung ist:<br />
n<br />
B = ∩<br />
j=1<br />
A° A j B j <br />
⊇ B<br />
• <strong>Fuzzy</strong> Control erweitert(!) meistens die Lösungsmenge<br />
durch eine disjunktive Verknüpfung:<br />
n<br />
C = ∪<br />
j=1<br />
A° A j XY B j ⊇ B Zadeh's compositional<br />
rule of inference<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
22
Offene Fragen<br />
• Die OR Aggregation der Ergebnisse hat sich in<br />
zahlreichen Anwendungen der <strong>Fuzzy</strong> Control<br />
bewährt, meistens mit Mamdani Inferenz...<br />
• Die Wahl AND oder OR Aggregation zu verwenden<br />
hängt vom Anwendungsfall ab: Sind die Regeln<br />
unabhängige Aussagen oder sind sie streng<br />
gekoppelt? Letzteres ist vermutlich der Fall für<br />
Anwendungen von <strong>Fuzzy</strong> Logic, wo die AND<br />
Aggregation erforderlich ist.<br />
•<br />
• Zur Illustration dient das fuzzy computer experiment<br />
der Lab4Jefis Site...<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
23
<strong>Fuzzy</strong> Experiment<br />
• Wir wollen y = 1 – x mit <strong>Fuzzy</strong> Logik regelbasiert<br />
berechnen. Hierzu nehmen wir eine <strong>Fuzzy</strong> Partition<br />
mit drei Mengen und der Regelbasis:<br />
Rule Base for y = 1 – x<br />
R 1<br />
: if x is „low“ than y is „high“<br />
R 2<br />
: if x is „med“ than y is „med“<br />
R 3<br />
: if x is „high“ than y is „low“<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
24
<strong>Fuzzy</strong> Partition<br />
• Eine natural fuzzy partition ist eine Menge von n<br />
eindeutig überlappenden Mengen A j<br />
, mit:<br />
0 ≡ A j ∩ A k x ∀ x∈ ,∣ j−k∣1<br />
n<br />
1 ≡ ∑ A j x ∀ x∈<br />
j=1<br />
• In unserem Beispiel ist n=3 und die Regeln erfüllen<br />
R k<br />
: if x is A k<br />
then y is A n-k+1<br />
– Korrelar: Mindestens n-2 Regeln haben kein Match egal<br />
welchen Wert x annimmt.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
25
Mamdani sup-Min ∪ - Inference<br />
input<br />
value<br />
I(p,q)=min(p,q)<br />
OR-aggregation:<br />
output<br />
sets<br />
Die Ausgabe passt<br />
gut zu y =1- x<br />
final result<br />
with COG<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
26
Larsen sup-Prod ∪- Inference<br />
I(p,q)= p·q<br />
OR-aggregation:<br />
Auch die sup-*<br />
Interferenz<br />
funktioniert...<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
27
Łukasiewicz ∪ - Inference<br />
min(1,1-p+q)<br />
OR-aggregation:<br />
Falls eine Regel<br />
keinen Match hat,<br />
so wird die bei<br />
<strong>Fuzzy</strong> Logik die<br />
universelle Menge<br />
geschlussfolgert.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
28
Łukasiewicz ∪ - Inference<br />
min(1,1-p+q)<br />
OR-aggregation:<br />
Auch das Aus-<br />
Schließen nicht<br />
erfüllter Regeln<br />
in einer RE<br />
hilft nicht...<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
29
Was ist passiert...?<br />
• Die Mamdani Min-/Larsen Produkt <strong>Implikationen</strong><br />
sind keine „richtigen Inferenz“ Operatoren, da sie<br />
beide eine (falsche) Implikation liefern:<br />
I(0,q) = 0 falls die Premise p Null ist.<br />
• Genau deshalb sind sie geeignet für die OR Aggregation,<br />
da sich eine nicht feuernde Regel nicht<br />
bemerkbar macht.<br />
• Implikationsoperatoren mit I(0,q)=1 werden im Fall<br />
einer OR-Aggregation überall eine „1“ liefern.<br />
• Daher ist AND-Aggregation für diese Operatoren<br />
die einzig mögliche Wahl...<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
30
Łukasiewicz ∩ - Inference<br />
min(1,1-p+q)<br />
AND-aggregation:<br />
Für „logische<br />
Implikation“<br />
ist ∩ Aggregation<br />
die richtige Wahl.<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
31
Gougen ∩ - Inference<br />
min(1,q/p)<br />
AND-aggregation:<br />
Die Form der<br />
Lösungsmenge<br />
ändert sich je<br />
nach dem ge-<br />
Wählten I(p,q)...<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
32
Gödel ∩ - Inference<br />
={<br />
I 1<br />
q<br />
p≤q<br />
else<br />
AND-aggregation:<br />
Gödel bietet die<br />
kleinste Lösungsmenge<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
33
Vorläufiges Resultat<br />
Obgleich dies keine mathematisch schwierige und aussagekräftige<br />
Demonstration ist, stellt sich die Frage<br />
• Wie sind regelbasierte Systeme, die logische<br />
Entscheidungen treffen, zu entwerfen?<br />
– Für eine OR-Aggregation von Regeln sind nur die<br />
Mamdani- und Larsen <strong>Implikationen</strong> brauchbar.<br />
– AND-Aggregation funktioniert am Besten mit I(0,q)=1<br />
Operatoren, selbst wenn Rule-Engines für p=0 nicht<br />
feuern.<br />
• Gibt es noch weitere Möglichkeiten der Inferenz?<br />
• Die Antwort ist: Ja, aber dies ist abhängig vom<br />
gewählten Wahrheitsbegriff!<br />
Prof. Dr. D. Danziger und Prof. Dr. N. Wulff<br />
<strong>Fuzzy</strong> Logic & Control<br />
34