خلاصه درس مبانی محاسبات نرم ۹۳/۰۲/۱۳

خلاصه درس مبانی محاسبات نرم ۹۳/۰۲/۱۳
فازی برای سه اصل اساسی تدریس می شود
۱- کنترل های فازی
۲- Expert system ها
۳- DFS تصمیم گیری فازی
———————
Fuzzy Logic Controller(FLC)

یک سری از متغیر ها state هستند که وابسته به شرایط مساله هستند

تمیزی یا کثیفی یک لباس بستگی به چربی و … می شود اظهار نظر کرد

متغیر های یک کنترل مشابه خروجی هست
تابع کنترلر هم با توجه به state ها خروجی مشخص می شود

معمولا با توجه به هدف گذاری
با توجه state ها می توانیم برای متغیر های اظهار نظر کنیم که چه
موقع چه مقادیری را می توانند به خود اختصاص دهند

FLC یک تقلیدی از نحوه تصمیم گیری انسان است

مثال : سود بانکی ، FLC می توانند مشابه افراد تصمیم گیری کنند

appoximatry deciding

در حیطه آموزش

برای مسایلی که برای کنترل آنها قوانین زیادی وجود دارد انسان تواناییش
پایین می آید و می توانیم از تعداد زیادی FLC به صورت AND و
OR شده استفاده کنیم

WHY FLC ?
۱- Parallel or distributed Controlکنترل های توزیع شده
موازی
۲-Linguistic Control
۳- Robust Control

آیا سیستم های فازی درصد خطای زیادی دارند ؟
درصد rubustnes دست خودمان است ، با منطق فازی در هر دو
حوزه بسیار مناسب می توانیم عمل کنیم

fis در تمامی جاهایی که عدم قطعیت داریم استفاده می شود

معماری FLC
[image flc architecture]

خروجی می تواند به صورت غیر فازی باشد که از Fuzzification
interface استفاده می کنیم ( حاشیه چپ و راست اضافه می کنیم
که شکل ذوزنقه ای بشود )

خروجی FLC می تواند به صورت فازی باشد که ممکن است برای
کنترل زیاد مناسب نباشد بنابر این از Defuzzification interface
استفاده می کنیم

یک FLC خوب ، بررسی state های قبلی را داشته باشد
از روی KB بتواند به تصمیمات مقتضی دست پیدا کند
interface های فازی سازی :
می خواهیم اعداد کریسپ را به فازی تبدیل کنیم
باید شناختی روی مساله وجود داشته باشد

پایگاه دانش : مجتمعی است از تمامی قوانین
ممکن است تمامی قوانین قابل ردیابی نباشد

۱- Discretization
۲- Normalization برای سنجش شباهت
۳- Classifier های بخش بندی کننده فازی برای دسته بندی
۴- Membership function of primary fuzzy set

قوانین چون قرار است از انسان آموخته شود بنابراین روش های مختلفی
را می توانیم برای fuzinnes استفاده کنیم
مثال Discetization :
یک سری اعداد داریم از -۲٫۴ تا +۱٫۴ که اندیس گذاری می کنیم

مثال پارتیشن بندی فازی :
در حالتی که classifier های خوبی نداشته باشیم می توانیم از روش
های خبرگانی استفاده کنیم

مثال Membership
کافیست برای اعضا جدول درجه عضویت را تعریف می کنیم

Rule Base
عصاره دانش خبرگانی است که در قالب if then rule در می آید

قوانینی که در پایگاه دانش جمع آوری میشود می تواند به صورت فازی و
یا غیر فازی باشد

خروجی ها هم می تواند مستقل از ورودی ها باشد و یا وابسته به ورودی
ها باشد

مثال اسلاید ۱۷ :
روی محور x قوانین با توجه به ورودی های A1 تا An
و روی محور y قوانین با توجه به ورودی های B1 تا Bn

نکته: ممکن است قوانین متفاوتی داشته باشیم که ورودی ها در آنها
صدق کند

جلسه بعد متد های ممدانی و لارسن و Tksumato و TSK را روی
FLC ها بررسی می کنیم