You are on page 1of 20

ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ဗိုလ္ႀကီး ေဇာ္ေဇာ္ထြန္း

ဇီှႏွင့္ေဆးသိပံၸအင္ဂ်င္နီယာဌာန

ကာ့စ္ခ္ျပည္နယ္နည္းပညာတကၠသိုလ္

Fuzzy Logic ႏွင့္ Fuzzy Set Theory


AI (Artificial Intelligent) အသိဥာဏ္တု အေၾကာင္းကို ေလ့လာေတာ့မယ္ဆိုရင္ Fuzzy Logic
နဲ႔ Fuzzy Set Theory အေၾကာင္းကို ခ်န္လွပ္ထားလို႔ မရပါဘူး ၉ ဘာျဖစ္လို႔လဲ ဆိုေတာ့ Fuzzy Logic ဟာ
AI ရဲ႕ အသက္ှိဥာဥ္ တစ္ခု ျဖစ္ေနလို႔ပါဘဲ၉ ယခုတင္ျပမယ့္ ေဆာင္းပါးမွာေတာ့ Fuzzy Set Theory ရဲ႕
အေျခခံသေဘာတရား မ်ားနဲ႔ Fuzzy Logic ကို လက္ေတြ႕နယ္ပယ္မွာ အသံုးျပဳပံု မ်ားကို
အၾကမ္းဖ်ဥ္းအားျဖင့္ ရွင္းလင္းတင္ျပ သြားပါမယ္၉ Fuzzy Logic ကို ကၽြန္ေတာ္ ေလ့လာမိသေလာက္နဲ႔
နားလည္သေဘာေပါက္တဲ့ အတိုင္း ရွင္းလင္းတင္ျပသြားမွာ ျဖစ္တဲ့အတြက္ အခ်ဳိ႕ ေသာနယ္ပယ္မ်ားတြင္
လိုအပ္ခ်က္မ်ား ၈ မျပည့္စံုမႈမ်ား ရွိႏိုင္ပါတယ္၉ ထို႔ေၾကာင့္စာဖတ္သူတို႔အေနႏွင့္ ထိုလိုအပ္ခ်က္မ်ားကိုသိရွိပါက
ေထာက္ျပေဆြးေႏြး ေပးၾကပါရန္ ေရွးဦးစြာ ဖိတ္ေခၚလိုပါတယ္၉

ဿ၉ Fuzzy Set သတ္မွတ္ခ်က္

Fuzzy Set (ဖာဇ္ဇီ အစု) ဟာ Set (အစု) တစ္ခုပါပဲ၉ သို႔ေသာ္ သာမန္ အစုမ်ားနဲ႔ကဲြျပားမႈရွိပါတယ္၉
သူထဲမွာ ပါှင္တဲ့ Elements ေတြကို ဘယ္အစု (Set) မွာ ပါဝင္တယ္၈ မပါဝင္ဘူး ဆိုတာကို
စကားလံုးတစ္လံုး၈ တန္ဖိုးတစ္ခုတည္းနဲ႔ အတိအက်သတ္မွတ္လို႔ မရပါဘူး၉ Fuzzy Set (𝐀) ကို <
𝒙 , 𝝁𝑨 𝐱 > ျဖင့္ေဖာ္ျပၿပီး x ဆိုတာကေတာ့ Universal Set (X) တြင္ပါဝင္ေသာ Elements
ေတြကိုကိုယ္စားျပဳၿပီး ၈ 𝝁𝑨 𝐱 ဆိုတာကေတာ့ Universal Set (X ) တြင္ပါဝင္ၾကေသာ Elements (x)
အသီးသီးကို 0 နဲ႔ 1 ၾကားရွိတန္ဖိုးမ်ားျဖင့္ သတ္မွတ္ေပးေသာ Membership Function ပဲျဖစ္ပါတယ္၉

𝝁𝑨 : 𝑿 → 𝟎, 𝟏 , (ဿ.ဿ)

ဒီေနရာမွာ တန္ဖိုး 𝝁𝑨 𝐱 = 𝟏 သည္ Universal Set (X) တြင္ပါဝင္ေသာ Elements 𝒙 ∈ 𝑿 ဟာ


Fuzzy Set (𝐀) တြင္ ပါဝင္သည္ (belong to) ဟုအဓိပၸါယ္ရၿပီး ၈ တန္ဖိုး 𝝁𝑨 𝐱 = 𝟎 သည္ Universal Set
(X ) တြင္ပါဝင္ေသာ Elements 𝒙 ဟာ Fuzzy Set (𝐀) တြင္ မပါဝင္ (does not belong to) ဟုအဓိပၸါယ္
ရပါတယ္၉

𝐀 = < 𝒙𝟏 , 𝝁𝑨 𝐱 𝟏 > , < 𝐱 𝟐 , 𝝁𝑨 𝐱 𝟐 > , < 𝐱 𝟑 , 𝝁𝑨 𝐱 𝟑 >, … , < 𝐱 𝐧 , 𝝁𝑨 𝐱 𝐧 >

အတိုအားျဖင့္ 𝐀 = {< 𝒙 , 𝝁𝑨 𝐱 >}

1
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

အစု A ဟာ Fuzzy Set ျဖစ္တယ္ဆိုတာကို သက္ေသျပရန္ သေကၤတ “ ~ ” (Tilde) ကို A ရဲ ႔


အထက္နဲ႔ ေအာက္ဖက္တို႔မွာေသာ္လည္းေကာင္း၈ မပါပဲနဲ႔ေသာ္လည္းေကာင္း ေရးသားေလ့ရွိပါတယ္၉

Fuzzy Set Theory မွာ ပံုမွန္ Set Theory တြင္ပါဝင္ေသာ အခ်ိဳ ႔ေသာ ဂုဏ္သတိၲမ်ားပါဝင္ပါတယ္၉

 Empty Fuzzy Set ဗလာအစုကို (∅) နဲ႔သတ္မွတ္ၿပီး သူ႔ရ႕ဲ Membership


Function 𝝁∅ = 𝟎 ပဲျဖစ္ပါတယ္၉
 Universal Fuzzy Set ျဖစ္မယ္ဆိုရင္ သူ႔ရ႕ဲ Elements အားလံုးအတြက္ Membership
Function တန္ဖိုး 𝝁𝒙 = 𝟏 ျဖစ္ပါတယ္၉

Finite Fuzzy Set ႏွင့္ Unfinite Fuzzy Set အေၾကာင္းကို မေဆြေႏြးခင္မွာ အေျခခံၾကၿပီး
လိုအပ္တဲ့ Support of Fuzzy Set အေၾကာင္းကို အရင္ဆံုး ေဆြးေႏြးျခင္ပါတယ္၉

S u p p o r t o f F u z z y S e t : Fuzzy Set တစ္ခုရဲ ႔ Support ဆိုတာကေတာ့ Universal


Set X ထဲရွိ Elements x ေတြထဲက Membership Function တန္ဖိုး 0 ထက္ႀကီးေသာ
တန္ဖိုးမ်ားသာပါဝင္ေသာ သာမန္ အစုတစ္ခုပဲျဖစ္ပါတယ္၉ အဲဒီအစုကိုေတာ့ 𝑨𝒔 လို႔ေရးသားေလ့ရွိပါတယ္၉
Support of Fuzzy Set ကို သခၤ်ာပံုေသနည္းအရ ေအာက္ပါ အတိုင္းေရးသားပါတယ္ :

𝑨𝒔 = 𝒙 ∈ 𝑿 𝝁𝑨 𝒙 > 0 } ∀𝒙 ∈ 𝑿 . (ဿ.၀)

မွတ္ခ်က္ ၉ Empty Fuzzy Set အတြက္ Support of Fuzzy Set သည္ Empty Support
ျဖစ္သည္၉ Universal Fuzzy Set အတြက္ Support of Fuzzy Set သည္ ထို Universal
Fuzzy Set ပင္ျဖစ္သည္၉ Fuzzy Set မ်ားကိုေရးသားေဖာ္ျပရာတြင္ အဆင္ေျပေစရန္ႏွင့္
တိုေတာင္းမႈရွိေစရန္ မ်ားေသာအားျဖင့္ Support of Fuzzy Set ဧ၉္ Elements ေတြရဲ ႔
Membership Function တန္ဖိုးကိုသာေဖာ္ျပေလ့ရွိပါတယ္၉

F i n i t e F u z z y S e t ႏွင့္ U n f i n i t e F u z z y S e t : Fuzzy Set တစ္ခုရဲ ႔ Support


ဟာ Finite Set ျဖစ္မယ္ဆိုရင္ အဲဒီ Fuzzy Set ကို Finite Fuzzy Set (ကန္႔သတ္ရွိ အစု) လို႔ေခၚပါတယ္၉
အဲဒီဟာရဲ ႔ ေျပာင္းျပန္ Support ဟာ Unfinite Set ျဖစ္မယ္ဆိုရင္ေတာ့ Unfinife Fuzzy Set (ကန္႔သတ္မဲ့
အစု) လို႔ေခၚပါတယ္၉

စာဖတ္သူတို႔ နားလည္လြယ္ေအာင္ ရိုးရွင္းတဲ့ဥပမာတစ္ခုန႔ဲ ရွင္းျပပါမယ္၉ ရက္သတၲပတ္တစ္ခုမွာ


ပါဝင္တဲ့ေန႔ေတြကို Universal Set တစ္ခုအေနနဲ႔ထားလိုက္ပါမယ္၉

U(X) = { “တနလၤာ” , “အဂၤါ” , “ဗုဒၶဟူး” , “ၾကာသာပေတး” , “ေသာၾကာ” , “စေန” , “တနဂၤေႏြ” }

2
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ၿပီးေတာ့ပုစာၧၧေလးတစ္ခုကို ေျဖရွင္းၾကည့္ရေအာင္၉ ရက္သတၲပတ္တစ္ခုရဲ ႔ ရံုးပိတ္ရက္မ်ားပါဝင္တဲ့ အစုကုိေဖာ္


ျပပါဆိုရင္ A = { “စေန” , “တနဂၤေႏြ” } လို႔ေဖာ္ျပၾကပါလိမ့္မယ္၉ အဲဒီအစုမ်ိဳးဟာ အလုပ္သမားတစ္ေယာက္
အတြက္ လုပ္ခတြက္ခ်က္တဲ့အခါမ်ိဳးမွာ သံုးေလ့ရွိတဲ့ ေယဘုယ်ဆန္တဲ့ အစုတစ္ခုပါ၉

္ စုအား Characteristic Function 𝜒(x)ကိုသံုး၍ ဂရပ္ဖ္


ပံ(ု ဿ.ဿ) ရံုးပိတ္ရက္မ်ားပါဝင္ေသာ ပံုမွနအ
ျဖင့္ေဖာ္ျပျခင္း

လူတစ္ေယာက္ရဲ႕ ရုံးပိတ္ရက္ နဲ႔ ရံုးဖြင့္ရက္ တို႔အေပၚထားရွိတဲ့ စိတ္ခံစားခ်က္မ်ဳိးကို


လိုခ်င္တယ္ဆိုရင္ေတာ့ အဲဒီေဖာ္ျပခ်က္ဟာ မတိက်ေတာ့ပါဘူး၉ ရံုးပိတ္ရက္ဟာ စေနေန႔က စတယ္ဆိုေပမယ့္
ေသာၾကာေန႔ ညေနရံုးဆင္းခ်ိန္ေနာက္ပိုင္း အခ်ိန္ေတြကိုေရာ အားလပ္ခ်ိန္အျဖစ္ သတ္မွတ္ႏိုင္တာပဲ
မဟုတ္လား၉ တနဂၤေႏြေန႔ရဲ႕ ညေနပိုင္းမွာလည္း တနလၤာေန႔ ရံုးဖြင့္ရင္ လုပ္ရမယ့္ အလုပ္ေတြကို
ျပန္ျပင္ဆင္ေနရေတာ့ တစ္ေန႔လံုးအျပည္အ
့ ဝ ဘယ္နားရေတာ့မလဲ၉ အဲဒီေတာ့ ကၽြန္ေတာ္တို႔
အျပည့္အဝနားရတဲ့ ရံုးပိတ္ရက္က စေနေန႔ တစ္ရက္ပဲရိွေတာ့တာေပါ့၉ အဲဒီ အေျခအေနေလးကို
Membership Function ကိုသံုးၿပီးေတာ့ Fuzzy Set တစ္ခုအေနနဲ႔ ေဖာ္ျပၾကည့္ရေအာင္၉

𝝁𝑨 (ေသာၾကာ) = ှ.၃ ၈ 𝝁𝑨 (စေန) = ဿ ၈ 𝝁𝑨 (တနဂၤေႏြ) = ှ.၆ ျဖစ္မယ္ဆိုရင္

𝑨= { <“တနလၤာ”, ှ> , <“အဂၤါ”, ှ > , <“ဗုဒၶဟူး”, ှ> , <“ၾကာသာပေတး”, ှ > ,< “ေသာၾကာ” , ှ.၃ >
,< “စေန” , ဿ > ,< “တနဂၤေႏြ” , ှ.၆ > }
x 𝝁𝑨 (x)
< “ေသာၾကာ” , ှ.၃ >
𝝁𝑨 𝒙 = ဿ ဆိုရင္ အဲဒီ x တန္ဖိုးသည္ Fuzzy Set (𝑨) ထဲမွာ အျပည့္အဝ ပါဝင္ၿပီး၈ 𝝁𝑨 𝒙 = ှ ဆိုရင္ေတာ့

လံုးဝမပါဝင္လို႔ အဓိပၸါယ္ရပါတယ္၉ အဲဒီ Fuzzy Set (𝑨) ကို ဂရပ္တစ္ခုနဲ႔ ေဖာ္ျပမယ္ဆိုရင္ :

ပံု(ဿ.၀) ရံုးပိတ္ရက္မ်ားပါဝင္ေသာ Fuzzy Set (𝑨) အစုအား မ်ဥ္းေကြး Membership Function 𝝁𝑨 𝒙


ကိုသံုး၍ ဂရပ္ဖ္ ျဖင့္ေဖာ္ျပျခင္း

3
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

၀၉ Fuzzy Set ဧ၉္ အေျခခံ ဝိေသသလကၡဏာမ်ား

α – L e v e l အ စု : ထိုအစုကို Support of Fuzzy Set အစုတစ္ခုဟုပင္ ေျပာႏိုင္သည္၉ သို႔ေသာ္


သူ႔တြင္ α တန္ဖိုးသည္ 0 ႏွင့္ 1 အၾကားရွိ တန္ဖိုးျဖစ္ၿပီး ေအာက္ေဖာ္ျပပါအတိုင္းျဖစ္သည္၉

𝑨𝜶 = 𝒙 ∈ 𝑿 𝝁𝑨 𝒙 ≥ 𝜶 } , 𝜶 ∈ 𝟎, 𝟏 . (၀.ဿ)

မွတ္ခ်က္ ၉ တစ္ခါတစ္ရံမွာ α – Level ပံုေသနည္းကို ေအာက္ပါပံုစံအတိုင္း


ေတြ႔ႏိုင္ပါေသးတယ္ - 𝑨𝜶 = 𝒙 ∈ 𝑿 𝝁𝑨 𝒙 > 𝛼 } ၉ α=0 ျဖစ္တဲ့အခ်ိန္မွာ 𝑨𝟎 = 𝑨𝒔
ျဖစ္ပါတယ္၉

 ဥပမာ(ဿ) - A = {<1 ,1.0> , < 2 , 1.0 > , < 3 , 0.9 > , < 4 , 0.8 > , < 5 , 0.6 > , <
6 , 0.5 > ,< 7 , 0.4 > , < 8 , 0.2 > , < 9 , 0.1 > } အစုတြင္ α – Level အစုအခ်ိဳ ႔ကို
ေရြးထုတ္ၾကည့္ရေအာင္၉

𝑨𝟎.𝟖 = 𝟏, 𝟐, 𝟑, 𝟒 , 𝑨𝟎.𝟓 = 𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔 , 𝑨𝟎.𝟏 𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗 .

 ဥပမာ(၀) – ပံ(ု ၀.ဿ)(က) တြင္ Real Number မ်ားပါဝင္တဲ့ အစု ကန္႔သတ္မဲ့အစု Fuzzy Set B
တစ္ခုကို ေဖာ္ျပထားပါတယ္၉ သူ႔ရဲ ႔ Membership Function ကေတာ့ 𝝁𝑩 ျဖစ္ပါတယ္၉ 0.5 –
level တန္ဖိုးအတြက္ 𝑩𝟎.𝟓 = −𝟎. 𝟓 , 𝟎. 𝟓 တန္ဖိုးရရွိေၾကာင္းကို ပံု (၀.ဿ)(ခ) တြင္
ျပသထားပါတယ္၉
(က) (ခ)

ပံု(၀.ဿ) ကန္႔သတ္မဲ့ Fuzzy Set တစ္ခု ရဲ ႔ Membership Function ကို ဂရပ္ဖ္ ျဖင့္ေဖာ္ျပျခင္း ၈(က) အေျခ
0 အထိ ခ်ဥ္းကပ္ေနေသာ Membership Function (ခ) ၂င္းဧ၉္ 0.5 – level အစု (y=α)၉

H e i g h t o f F u z z y S e t : Universal Set X တြင္ပါဝင္ေသာ Elements x (x ∈ X )


အားလံုးရဲ ႔ Supremum တန္ဖိုး 𝒉𝑨 = 𝒔𝒖𝒑⁡
{𝝁𝑨 𝒙 } ၈ နားလည္လြယ္ေအာင္ေျပာရလ်ွင္ Membrship
Function ဧ၉္ Maximal value တန္ဖိုး ကို Fuzzy Set ဧ၉္အျမင့္ တနည္းအားျဖင့္ Height of Fuzzy Set
ဟုေခၚပါတယ္၉ တကယ္လို႔ Fuzzy Set A ဧ၉္ အျမင့္တန္ဖိုး 𝒉𝑨 = 𝟎 ျဖစ္မယ္ဆိုရင္၈ အဲဒီ Fuzzy Set သည္
Empty Set ျဖစ္သည္၉ဥပမာ - အထက္တြင္ေဖာ္ျပခဲ့ေသာ ဥပမာ(ဿ) ရွိ Fuzzy Set A ဧ၉္ အျမင့္တန္ဖိုးသည္
1 ျဖစ္ၿပီး Elements 1 ႏွင့္ 2 ေနရာတြင္ရွိသည္၉ ဥပမာ(၀) ရွိ Fuzzy Set B ဧ၉္ အျမင့္တန္ဖိုးသည္လည္း 1
ပင္ျဖစ္ၿပီး 𝝁𝑩 𝟎 = 𝟏 ေနရာတြင္ျဖစ္သည္၉

4
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

မွတ္ခ်က္ ၉ Height of Fuzzy Set ကိုရရန္ သီးျခား Function တစ္ခုျဖစ္တဲ့ Supremum


Function y=sup(f) ကိုအသံုးျပဳရပါတယ္၉ Supremum ဆိုတာကေတာ့ အစုတစ္ရဲ ႔
အနိမ့္ဆံုးအထက္စည္း ( Least upper bound ) ျဖစ္ပါတယ္၉ အစုခဲြ S သည္ အစု T
(partially ordered set) ရဲ ႔ အစုခြဲျဖစ္လၽွင္၈ အဲဒီ အစု S ရဲ ႔ supremum (sup) တန္ဖိုးသည္
အစုခဲြ S ထဲရွိ Elements အသီးသီးတို႔ႏွင့္ ညီေသာ (သိ)ု႔ ႀကီးေသာ အစု T ထဲရွိ Elements
ေတြထဲက အငယ္ဆံုးတန္ဖိုးျဖစ္သည္၉ထို႔ေၾကာင့္ အစုတစ္ခုဧ၉္ sup တန္ဖိုးသည္ အဲဒီအစုရွိ
Elements တို႔ဧ၉္တန္ဖိုးႏွင့္ ညီလၽွင္ညီ (သိ)ု႔ ႀကီးသည္ (𝝁𝑨 (𝒙) ≤ 𝒔𝒖𝒑⁡(𝒇)) ၉

N o r m a l F u z z y S e t : တကယ္လို႔ Fuzzy Set A ရဲ ႔ Membership Function 𝝁𝑨 𝒙


တန္ဖိုးေတြထဲက အျမင့္ဆံုးတန္ဖိုး (maximum) ဟာ 1 ျဖစ္မယ္ဆိုရင္ အဲဒီ Fuzzy Set ကို Normal Fuzzy
Set ဟုေခၚပါတယ္၉

S u b n o r m a l F u z z y S e t : တကယ္လို႔ Fuzzy Set A ရဲ ႔ Membership Function


𝝁𝑨 𝒙 တန္ဖိုးေတြထဲက အျမင့္ဆံုးတန္ဖိုး (maximum) ဟာ 1 မဟုတ္ေပမယ့္၈ အဲဒီအစုရဲ ႔ အျမင့္တန္ဖိုး
Height of Fuzzy Set 𝒉𝑨 = 𝟏 ျဖစ္မယ္ဆိုလၽွင္ အဲဒီအစုကို Subnormal Fuzzy Set ဟုေခၚပါတယ္၉

မွတ္ခ်က္၉ Fuzzy Set Theory အတြက္အဓိပၸါယ္ဖြင့္ဆို သတ္မွတ္ခ်က္မ်ားသည္ အခ်ိဳ႕ေသာ


စာအုပ္စာတမ္းမ်ားတြင္ အျခားေသာသတ္မွတ္ခ်က္မ်ားကို ေတြ႕ျမင္ႏိုင္ပါတယ္၉ ဥပမာ -
အခ်ိဳ႕ေသာစာအုပ္မ်ားတြင္ Height of fuzzy set တန္ဖိုး 𝒉𝑨 = 𝒔𝒖𝒑⁡{𝝁𝑨 𝒙 } = 1
ျဖစ္တဲ့အေျခအေနမ်ိဳးတြင္ အဲဒီ Fuzzy Set ကို Normal Fuzzy Set ဟု
သတ္မွတ္တတ္ၾကၿပီး၈ 𝒉𝑨 = 𝒔𝒖 𝒑 𝝁𝑨 𝒙 < 1 ျဖစ္တဲ့ အေျခအေနမ်ိဳးမွာေတာ့ Subnormal
Fuzzy Set ဟုသတ္မွတ္ၾကပါတယ္၉

U n i m o d a l F u z z y S e t : တကယ္လို႔ Fuzzy Set A ရဲ ႔ Membership Function ဟာ


Unimodal ျဖစ္မယ္ဆိုရင္ အဲဒီ Fuzzy Set A ဟာ Unimodal Fuzzy Set ျဖစ္ပါတယ္၉ Membership
Function 𝝁 𝒙 ဟာ Interval [a,b] ⊂ ℝ ေနရာမွာ continuous အေနအထားျဖစ္ေနမယ္၈ ၿပီးေတာ့
Interval [a,b] ၾကားမွာေနာက္ထပ္ အမွတ္ ၀ ခု [c,d] ထပ္ရွိေနမယ္ ( 𝒂 ≤ 𝒄 ≤ 𝒅 ≤ 𝒃 ) ၈ ၿပီးေတာ့
ေအာက္ေဖာ္ျပပါ အေျခအေနမ်ား ႏွင့္လည္းကိုက္ညီေနမယ္ -

 Function 𝝁 𝒙 ဟာ a < c အေျခအေန၈ Interval [a,c] ေနရာမွာ သိသိသာသာ ျမင့္တက္လာလ်ွင္၈

 Function 𝝁 𝒙 ဟာ d < b အေျခအေန၈ Interval [d,b] ေနရာမွာ သိသိသာသာ


နိမ့္ဆင္းသြားလ်ွင္၈

 Function 𝝁 𝒙 ရဲ ႔ အျမင့္ဆံုးတန္ဖိုး (maximum) ဟာ Interval [c,d] ၾကားမွာရွိေနမယ္ဆိုလ်ွင္


𝒙𝒎 ∈ 𝒄, 𝒅 ၈

Membership Function သည္ အထက္ပါအေျခအေနအတိုင္း ျဖစ္ေနပါက


Unimodal
ဟုေခၚဆိုႏင
ို ္ပါတယ္၉ ေအာက္တြင္ေဖာ္ျပထားေသာ ပံု (၀.၀) တြင္ Triangle-shape Membership
Function (trimf) ကိုအသံုးျပဳထားၿပီး အဲဒီ Function ကို Strictly Unimodal Function (
တိက်ျပတ္သာေသာ Unimodal (c=d)) ဟုေခၚပါတယ္၉ ပံု (၀.၁) တြင္ Trapezoidal-shape

5
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

Membership Function (trapmf) ကိုအသံုးျပဳထားၿပီး Unimodal ျဖစ္ပါတယ္၉ ပံု (၀.၂) လည္း S-shape
Membership Function ကိုအသုံးျပဳထားၿပီး Interval [3,6] အၾကားကို Unimodal အျဖစ္
သတ္မွတ္ႏိုင္ပါတယ္၉

ပံု (၀.၀) Triangle-shape Membership Function တြင္ c=d ျဖစ္ေသာေၾကာင့္ Strictly Unimodal
Function ျဖစ္ေၾကာင္းကို ဂရပ္ဖ္ျဖင့္ေဖာ္ျပျခင္း

ပံု (၀.၁) Trapezoidal Membership Function သည္ Unimodal Function ျဖစ္ေၾကာင္းကို


ဂရပ္ဖ္ျဖင့္ေဖာ္ျပျခင္း

ပံု (၀.၂) S-shape Membership Function တြင္ Unimodal သည္ Interval [3,6] အၾကားတြင္သာ
ျဖစ္ေပၚေၾကာင္းကို ဂရပ္ဖ္ျဖင့္ေဖာ္ျပျခင္း

C o r e o f F u z z y S e t : ေအာက္ပါ အေျခအေနႏွင့္ ကိုက္ညီေသာ Elements


ေတြပါှင္ေသာအစုကို Core of Fuzzy Set လို႔ေခၚပါတယ္ -

6
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

𝑨𝟏 = 𝒙 ∈ 𝑿 𝝁𝑨 𝒙 = 𝟏 } . (၀.၀)

တနည္းအားျဖင့္ Fuzzy Set တစ္ခုရွိ Elements ေတြရဲ ႔ Membership Function 𝝁𝑨 𝒙 တန္ဖိုး 1


ျဖစ္ေသာ Elements မ်ားပါဝင္ေသာ အစုကို Core of Fuzzy Set လို႔ေခၚဆိုျခင္းျဖစ္ပါတယ္၉ တကယ္လို႔
Core of Fuzzy Set ဟာ Empty Set ျဖစ္ေနမယ္ဆိုရင္ အဲဒီ Fuzzy Set ကို Normal Fuzzy Set
မဟုတ္ဘူးလို႔ ေျပာႏိုင္ပါတယ္၉

ဒါ့အျပင္ Fuzzy Set တစ္ခုရွိ Element တစ္ခုခုရဲ ႔ Membership Function တန္ဖိုးဟာ အဲဒီ
အစုရဲ႕ အျမင့္တန္ဖိုး (Height of Fuzzy Set) ႏွင့္ ညီေနမယ္ဆုိလ်ွင္လည္း အဲဒီ Fuzzy Set ကို Nomal
Fuzzy Set လို႔ ေခၚႏိုင္ပါတယ္၉

B o r d e r s o f F u z z y S e t : Fuzzy Set တစ္ခုရွိ Elements ေတြရဲ ႔ Membership


Function တန္ဖိုးဟာ 0 ႏွင့္ 1 ကလြဲလို႔ က်န္တဲ့ [0,1] အၾကားရွိ တန္ဖိုးမ်ား ျဖစ္ေနရင္ အဲဒီ Elements
ေတြကို Borders of Fuzzy Set လို႔ေခၚပါတယ္၉ (𝟎 < 𝝁𝑨 𝒙 < 1 )

T r a n s i t i o n p o i n t o f F u z z y S e t : Fuzzy Set ရွိ Membership Function


တန္ဖိုး 0.5 ႏွင့္ညီေသာ Elements ေတြကို အဲဒီ Fuzzy Set ရဲ႕ transition point ဟုေခၚပါတယ္၉
( 𝝁𝑨 𝒙 = 𝟎. 𝟓 ).

ပံု (၀.၃) Core, Borders and Support of Fuzzy Set မ်ားကိုဂရပ္ဖ္ျဖင့္ ေဖာ္ျပျခင္း
(က) Normal Fuzzy Set (ခ) Unnormal (သိ)ု႔ Subnormal Fuzzy Set

C o n v e x F u z z y S e t : Fuzzy Set တစ္ခုရွိ Elements မ်ားထဲမွ ႀကိဳက္တဲ့ Elements၀ ခု


ကို ယူပါ၉ ထို႔ေနာက္ အဲဒီ Elements ၀ ခု [a,b] ရဲ ႔တန္ဖိုးၾကားရွိ အျခားေသာ Elements ေတြရ႕ဲ

7
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

Membership Function တန္ဖိုးသည္ ထို Elements ၀ ခု [a,b] ရဲ႕ Membership Function


တန္ဖိုးေတြထဲက အငယ္ဆံုး တန္ဖိုး (Minimum) ထက္ ႀကီးေနလ်ွင္ေသာ္လည္းေကာင္း၈
ညီေနလ်ွင္ေသာ္လည္းေကာင္း ၈ အဲဒီ Fuzzy Set ကို Convex Fuzzy Set ဟုေခၚပါတယ္၉

𝝁𝑨 𝒙 ≥ 𝐦𝐢𝐧⁡
{ 𝝁𝑨 𝒂 , 𝝁𝑨 𝒃 } (၀.၁)

𝒙, 𝒂, 𝒃 ∈ 𝑿 ; 𝒂 < 𝑥 < 𝑏 ; 𝑎 ≠ 𝑏

ပံု (၀.၄) (က) Convex Fuzzy Set ဧ၉္ Membership Function ကိုဂရပ္ဖ္ျဖင့္ ေဖာ္ျပျခင္း
(ခ) Nonconvex Fuzzy Set ဧ၉္ Membership Function ကိုဂရပ္ဖ္ျဖင့္ ေဖာ္ျပျခင္း

အထက္ေဖာ္ျပပါ ပံုတြင္ ပံ(ု က) ဧ၉္ Membership Function သည္ Strictly Unimodal ျဖစ္ၿပီး ၂င္းဧ၉္
mode မွာ 𝒙𝒎 = 𝟓 ျဖစ္သည္၉ ပံ(ု ခ) ဧ၉္ Membership Function ကေတာ့ Unimodal
အျဖစ္သတ္မွတ္လို႔မရပါဘူး၉ ဘာလို႔လဲဆိုေတာ့ သူ႔မွာ mode (သိ)ု႔ peak (ထိပ္မွတ)္ ဟာ ၀ ခု 𝒙𝒎 =
𝟐 , 𝒙𝒎 = 𝟒 ျဖစ္ေနလို႔ပါပဲ၉ ဤျဖစ္စဥ္ကို ၾကည့္ျခင္းအားျဖင့္ Unimodal ျဖစ္ရန္အတြက္ ေနာက္ထပ္
လိုအပ္ခ်က္တစ္ခုကေတာ့ Fuzzy Set တစ္ခုရ႕ဲ Membership Function တြင္ mode (သိ)ု႔ peak
(ထိပ္မွတ)္ သည္ တစ္ခုတည္းသာျဖစ္ရပါမယ္၉

8
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

၁၉ Membership Function အမ်ိဳးအစားမ်ား

Fuzzy Set မ်ားကိုသတ္မွတ္ရာတြင္ အသံုးျပဳေသာ Membership Function


မ်ားကိုတည္ေဆာက္ရာတြင္ အမ်ိဳးအစား ကန္႔သတ္ထားျခင္းမရွိပါ၉ ဒါေပမယ့္ လက္ေတြ႔လုပ္ငန္းမ်ားတြင္
သံုးရလြယ္ကူ၍ ရိုးရွင္းေသာ သခၤ်ာပံုေသနည္းမ်ားျဖင့္ တည္ေဆာက္ထားေသာ Membership Function
မ်ားကိုသာ အသံုးမ်ားပါတယ္၉

၁.ဿ၉ Piecewise-linear Membership Functions

ပထမဦးဆံုး ကၽြန္ေတာ္တို႔ေလ့လာမယ့္ Function အမ်ိဳးအစားကေတာ့ Piecewise-linear


အမ်ိဳးအစားေတြပဲျဖစ္ပါတယ္၉ အဲဒီ Functions ေတြဟာ သူတို႔ရဲ ႔နာမည္နဲ႔လိုက္ေအာင္ Continuous (သိ)ု႔
Piecewise-continuous ျဖစ္ေနတဲ့ မ်ဥ္းေျဖာင့္အစိတ္အပိုင္းမ်ားန႔ဲ ဖြဲ ႔စည္းထားပါတယ္၉ အဲဒီ Piecewise-
linear အမ်ိဳးအစားထဲတြင္ ပါဝင္ေသာ Membership Functions ႏွစ္မ်ိဳးရွိပါတယ္၉ Triangle-shape
Membership Function ပံ(ု ၁.ဿ)(က) နဲ႔ Trapezoidal-shape Membership Function ပံ(ု ၁.ဿ)(ခ)
တို႔ပဲျဖစ္ပါတယ္၉

ပံ(ု ၁.ဿ) Membership Functions အမ်ိဳးအစား Triangle-Shape (က) ႏွင့္ Trapezoidal-shape (ခ)
တို႔ဧ၉္ဂရပ္ဖ္မ်ား

Triangle-shape Membership Function ကိုေအာက္ပါ ေဖာ္ျပခ်က္အတိုင္း


တြက္ခ်က္တည္ေဆာက္ ႏိုင္ပါတယ္ -

9
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

𝟎, 𝒙≤𝒂
𝒙−𝒂
𝒃−𝒂
, 𝒂≤𝒙≤𝒃
𝒇∆ 𝒙; 𝒂, 𝒃, 𝒄 = 𝒄−𝒙 (၁.ဿ)
𝒄−𝒃
, 𝒃≤𝒙≤𝒄
𝟎, 𝒄≤𝒙

ဒီေဖာ္ျပခ်က္တြင္ a,b,c တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 ≤ 𝒃 ≤ 𝒄 ျဖစ္ပါတယ္၉ a ႏွင့္ c သည္


အေျခမွတ္မ်ားျဖစ္၍၈ b သည္ အလယ္ထိပ္ေထာင့္အမွတ္ (အျမင္)့ ျဖစ္ပါတယ္၉ ပံ(ု ၁.ဿ)(က) တြင္ a,b,c
တို႔ဧ၉္တန္ဖိုးမွာ a=1.5 , b=4 , c=6 အသီးသီးျဖစ္ၾကပါတယ္၉ ပံ(ု ၁.ဿ)(က) တြင္ျမင္ရတဲ့အတိုင္း အဲဒီ
Membership Function သည္ Interval [a,c ] အၾကားတြင္ support တည္ရွိၿပီး၈ Normal Convex
(Strictly) Unimodal Fuzzy Set အမ်ိဳးအစားျဖစ္ပါတယ္၉ သူ႔ရဲ ႔ Borders ေတြကေတာ့ (a,c)\{b} ျဖစ္ၿပီး၈
Core {b} ႏွင့္ Mode b ျဖစ္ပါတယ္၉
Trapezoidal-shape Membership Function ကိုေအာက္ပါ ေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္
ေဆာက္ႏိုင္ပါတယ္ -

𝟎, 𝒙≤𝒂
𝒙−𝒂
, 𝒂≤𝒙≤𝒃
𝒃−𝒂
𝒇𝑻 𝒙; 𝒂, 𝒃, 𝒄, 𝒅 = 𝟏 , 𝒃≤𝒙≤𝒄 , (၁.၀)
𝒅−𝒙
, 𝒄≤𝒙≤𝒅
𝒅−𝒄
𝟎, 𝒅≤𝒙

ဒီေဖာ္ျပခ်က္တြင္ a,b,c,d တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 ≤ 𝒃 ≤ 𝒄 ≤ 𝒅 ျဖစ္ပါတယ္၉ a ႏွင့္ d သည္


အေျခမွတ္မ်ားျဖစ္၍၈ b ႏွင့္ c သည္ ထိပ္အမွတ္မ်ား ျဖစ္ၾကပါတယ္၉ ပံ(ု ၁.ဿ)(ခ) တြင္ a,b,c,d တို႔ဧ၉္တန္ဖိုးမွာ
a=1.5 , b=3 , c=5 , d=6 အသီးသီးျဖစ္ၾကပါတယ္၉ ပံ(ု ၁.ဿ)(ခ) တြင္ျမင္ရတဲ့အတိုင္း အဲဒီ Membership
Function သည္ Interval [a,d] အၾကားတြင္ support တည္ရွိၿပီး၈ Normal Convex Fuzzy Set
အမ်ိဳးအစားျဖစ္ပါတယ္၉ သူ႔ရဲ ႔ Borders ေတြကေတာ့ (a,b) ∪ (c,d) ျဖစ္ၿပီး၈ Core [b,c] ႏွင့္ Mode b
ျဖစ္ပါတယ္၉

၁.၀၉ Z-shape ႏွင့္ S-shape Membership Functions

Z-shape curve (သိ)ု႔ spline (မ်ဥ္းေကြး) Membership Function ကိုေအာက္ပါ


ေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

𝟏, 𝒙<𝑎
𝟏 𝟏 𝒙−𝒂
𝒇𝒁𝟏 𝒙; 𝒂, 𝒃 = 𝟐
+ 𝟐 𝐜𝐨𝐬 𝒃−𝒂
𝝅 , 𝒂≤𝒙≤𝒃 , (၁.၁)
𝟎, 𝒙>𝑏

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ျဖစ္ပါတယ္၉ ပံ(ု ၁.၀)(က) တြင္ a,b
တို႔ဧ၉္တန္ဖိုးမွာ a=3 , b=6 အသီးသီးျဖစ္ၾကပါတယ္၉ Z-shape spline function ကိုေနာက္ထပ္ပံုစံ
တစ္မ်ိဳးွႏွင့္လည္း ေဖာ္ျပလို႔ရပါေသးတယ္-

10
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

𝟏, 𝒙≤𝒂
𝒙−𝒂 𝟐 𝒂+𝒃
𝟏−𝟐 𝒃−𝒂
, 𝒂<𝑥≤ 𝟐
𝒇𝒁𝟐 𝒙; 𝒂, 𝒃 = , (၁.၂)
𝒃−𝒙 𝟐 𝒂+𝒃
𝟐 𝒃−𝒂
, 𝟐
<𝑥<𝑏
𝟎, 𝒃≤𝒙

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ပင္ျဖစ္ပါတယ္၉ ပံ(ု ၁.၀)(ခ) တြင္ a,b
တို႔ဧ၉္တန္ဖိုးမွာလည္း a=3 , b=6 အသီးသီးျဖစ္ၾကပါတယ္၉

ပံ(ု ၁.၀) Z-shape Membership Functions 𝒇𝒁𝟏 (က) ၈ 𝒇𝒁𝟐 (ခ) မ်ားဧ၉္ ဂရပ္ဖ္မ်ား a=3 , b=6

အထက္ေဖာ္ျပပါ Functions 𝒇𝒁𝟏 , 𝒇𝒁𝟐 ႏွစ္ခုသည္သာမန္အားျဖင့္ သိသိသာသာကြဲျပားျခားနားျခင္း


မရွိေသာ္လည္း၈ ၂င္းတို႔ကို ပံုတစ္ခုတည္းတြင္ေဖာ္ျပမည္ဆိုလ်ွင္ေတာ့ ျခားနားခ်က္ကိုေတြ႔ျမင္ႏိုင္ပါတယ္၉
ေဖာ္ျပပါ Functions မ်ားသည္ Normal Convex Fuzzy Set ကိုျဖစ္ေပၚေစၿပီး သူတို႔တြင္ Core (−∞, 𝒂]
ႏွင့္ Support (−∞, 𝒃) ျဖစ္သည္၉

S-shape curve (သိ)ု႔ spline (မ်ဥ္းေကြး) Membership Function ကိုေအာက္ပါ


ေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

𝟎, 𝒙<𝑎
𝟏 𝟏 𝒙−𝒃
𝒇𝑺𝟏 𝒙; 𝒂, 𝒃 = 𝟐
+ 𝐜𝐨𝐬
𝟐 𝒃−𝒂
𝝅 , 𝒂≤𝒙≤𝒃 , (၁.၃)
𝟏, 𝒙>𝑏

11
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ျဖစ္ပါတယ္၉ ပံ(ု ၁.၁)(က) တြင္ a,b
တို႔ဧ၉္တန္ဖိုးမွာ a=3 , b=6 အသီးသီးျဖစ္ၾကပါတယ္၉ S-shape spline function ကိုေနာက္ထပ္ပံုစံ
တစ္မ်ိဳးွႏွင့္လည္း ေဖာ္ျပလို႔ရပါေသးတယ္-

𝟎, 𝒙≤𝒂
𝒙−𝒂 𝟐 𝒂+𝒃
𝟏−𝟐 𝒃−𝒂
, 𝒂<𝑥≤ 𝟐
𝒇𝑺𝟐 𝒙; 𝒂, 𝒃 = , (၁.၄)
𝒃−𝒙 𝟐 𝒂+𝒃
𝟐 𝒃−𝒂
, 𝟐
<𝑥<𝑏
𝟏, 𝒃≤𝒙

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ပင္ျဖစ္ပါတယ္၉ ပံ(ု ၁.၁)(ခ) တြင္ a,b
တို႔ဧ၉္တန္ဖိုးမွာလည္း a=3 , b=6 အသီးသီးျဖစ္ၾကပါတယ္၉

ပံ(ု ၁.၁) S-shape Membership Functions 𝒇𝑺𝟏 (က) ၈ 𝒇𝑺𝟐 (ခ) မ်ားဧ၉္ ဂရပ္ဖ္မ်ား a=3 , b=6

ေဖာ္ျပပါ Functions မ်ားသည္ Normal Convex Fuzzy Set ကိုျဖစ္ေပၚေစၿပီး သူတို႔တြင္ Core [𝒃, +∞)
ႏွင့္ Support (𝒂, +∞) ျဖစ္သည္၉

Z-shape ႏွင့္ S-shape Membership Functions ေတြကို တစ္ခ်ိန္တည္းတစ္ျပိဳင္တည္းမွာ


တည္ေဆက္လို႔ရတဲ့ Function တစ္ခုရွိပါတယ္၉ အဲဒီ Function ကေတာ့ Sigmoidally shaped built-in
membership function ျဖစ္ၿပီး ေအာက္ပါ ေဖာ္ျပခ်က္အတိုင္းတည္ေဆာက္ႏိုင္ပါတယ္ -
12
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

𝟏
𝒇𝑺𝟑 𝒙; 𝒂, 𝒃 = 𝟏+𝒆−𝒂(𝒙−𝒃) , (၁.၅)

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ပင္ျဖစ္ပါတယ္၉ a သည္ function ရဲ ႔


Slope တန္ဖိုးျဖစ္ၿပီး၈ b သည္ Membership Function 𝝁𝑨 𝒙 တန္ဖိုး 0.5 ရွိေသာ Element ဧ၉္
တည္ေနရာျဖစ္သည္၉ အကယ္၍ a>0 အေျခအေနတြင္ S-shape Membership Function ကိုရၿပီး၈ a<0
အေျခအေနတြင္ေတာ့ Z-shape Membership Function ကိုရရွိပါတယ္၉ ပံ(ု ၁.၂)(က) S-shape
Membership Function တြင္ a,b တို႔ဧ၉္တန္ဖိုးမွာလည္း a=3 , b=6 အသီးသီးျဖစ္ၾကၿပီး၈ ပံ(ု ၁.၂)(ခ) Z-
shape Membership Function တြင္ a,b တို႔ဧ၉္တန္ဖိုးမွာလည္း a = -3 , b=6 အသီးသီးျဖစ္ၾကတယ္၉

ပံ(ု ၁.၂) Sigmoidally shaped built-in membership function 𝒇𝒔𝟑 ျဖင့္တည္ေဆာက္ထားေသာ ဂရပ္ဖ္မ်ား

(က) a=3 , b=6 (ခ) a= -3 , b=6

ေဖာ္ျပပါ Membership Functions သည္ Subnormal Convex Fuzzy Set ကိုျဖစ္ေပၚေစၿပီး Support
ႏွင့္ Borders သည္ ℝ ျဖစ္ၿပီး ၈ b သည္ Transition Point of Fuzzy Set ျဖစ္သည္၉

S-shape ႏွင့္ Z-shape curve Membership Function မ်ားအျပင္ Linear S-shape ႏွင့္ Linear Z-
shape Membership Functions မ်ားကိုလည္းတည္ေဆာက္ႏုိင္ပါတယ္၉ Linear Z-shape
Membership Functions ကိုေအာက္ပါ ေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

13
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

𝟏, 𝒙≤𝒂
𝒃−𝒙
𝒇↓ 𝒙; 𝒂, 𝒃 = , 𝒂<𝑥<𝑏 , (၁.၆)
𝒃−𝒂
𝟎, 𝒃≤𝒙

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ျဖစ္ပါတယ္၉ ပံ(ု ၁.၃)(က) တြင္ a,b
တို႔ဧ၉္တန္ဖိုးမွာ a=3 , b=6 အသီးသီးျဖစ္ၾကပါတယ္၉

ဒုတိယ Function ျဖစ္တဲ့ Linear S-shape Membership Function ကိုေအာက္ပါ


ေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

𝟎, 𝒙≤𝒂
𝒙−𝒂
𝒇↑ 𝒙; 𝒂, 𝒃 = 𝒂<𝑥<𝑏 , (၁.၇)
𝒃−𝒂
𝟏, 𝒃≤𝒙

ဒီေဖာ္ျပခ်က္တြင္ a,b တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 < 𝒃 ျဖစ္ပါတယ္၉ ပံ(ု ၁.၃)(ခ) တြင္ a,b
တို႔ဧ၉္တန္ဖိုးမွာ a=3 , b=6 အသီးသီးျဖစ္ၾကပါတယ္၉

ပံု(၁.၃) Linear Z-shape Membership Function (က) ႏွင့္ Linear S-shape Membership Function
(ခ) တိဧ
ု႔ ၉္ဂရပ္ဖ္မ်ား a=3 , b=6

14
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

၂င္း LinearZ-shape ႏွင့္ S-shape Membership Functions မ်ားကိုအသံုးျပဳ၍


အထက္တြင္ေဖာ္ျပ ခဲ့ေသာ Triangle-shape Membership Function ႏွင့္ Trapezoidal-shape
Membership Function မ်ားကိုတည္ေဆာက္ႏိုင္ပါတယ္၉ Triangle-shape Function ကိုရရွိရန္အတြက္
Linear Z-shape ႏွင့္ S-shape Membership Functions မ်ားကိုေပါင္းစပ္ကာ
ေအာက္ပါေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ ႏိင
ု ္ပါတယ္ -
𝐦𝐢𝐧
𝒇∆ 𝒙; 𝒂, 𝒃, 𝒄 = 𝒇 𝒙; 𝒂, 𝒃 , 𝒇↓ (𝒙; 𝒃, 𝒄) , (၁.ဿှ)
𝒙∈𝑿 ↑

ဒီေဖာ္ျပခ်က္တြင္ a,b,c တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 ≤ 𝒃 ≤ 𝒄 ျဖစ္ပါတယ္၉ Trapezoidal-shape


Membership Function ကိုရရွိရန္ ေအာက္ပါေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

𝐦𝐢𝐧
𝒇𝑻 𝒙; 𝒂, 𝒃, 𝒄, 𝒅 = 𝒇 𝒙; 𝒂, 𝒃 , 𝒇↓ (𝒙; 𝒄, 𝒅) , (၁.ဿဿ)
𝒙∈𝑿 ↑

ဒီေဖာ္ျပခ်က္တြင္ a,b,c,d တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 ≤ 𝒃 ≤ 𝒄 ≤ 𝒅 ျဖစ္ပါတယ္၉

၁.၁၉ П-shape Membership Functions

အဆိုပါ Function အမ်ိဳးအစားတြင္ Bell (ေခါင္းေလာင္း) ပံုစံရွိေသာ Curve (မ်ဥ္းေကြး)


Membership Functions အမ်ိဳးအစား အားလံုးပါဝင္ပါတယ္၉ ပထမဦးဆံုး Function ကေတာ့ П-shape
Membership Function ဟုပင္ေခၚဆိုၿပီး ေအာက္ပါေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္-

𝒇𝚷 𝒙; 𝒂, 𝒃, 𝒄, 𝒅 = 𝒇𝑺 𝒙; 𝒂, 𝒃 . 𝒇𝒁 𝒙; 𝒃, 𝒄 , (၁.ဿ၀)

ဒီေဖာ္ျပခ်က္တြင္ a,b,c,d တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး 𝒂 ≤ 𝒃 ≤ 𝒄 ≤ 𝒅 ျဖစ္ပါတယ္၉ သေကၤတ “.”


သည္ သာမန္သံုးေနၾက (Algebraic product) အေျမွာက္လကၡဏာပင္ျဖစ္ပါတယ္၉ ၂င္း Function တြင္
အထက္တြင္ေဖာ္ျပခဲ့ေသာ S-shape ႏွင့္ Z-shape Membership Function အမ်ိဳးအစားမ်ားထဲမွ
ၾကိဳက္ႏွစ္သက္ရာကို ေခၚယူအသံုးျပဳ ႏိုင္ပါတယ္၉

15
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ပံ(ု ၁.၄) П-shape Membership Functions ဧ၉္ဂရပ္ဖ္မ်ား 𝒇П𝟏 (က) ႏွင့္ 𝒇П𝟐 (ခ) a=1 , b=4 , c=5
,d=8

Function 𝒇𝑺𝟏 ႏွင့္ 𝒇𝒁𝟏 ကိုအသံုးျပဳကာတည္ေဆာက္တဲ့အခါမွာေတာ့ ပံ(ု ၁.၄)(က)တြင္ျပသထားတဲ့အတိုင္း


𝒇П𝟏 ကိုရရွိမွာျဖစ္ပါတယ္၉ အဲဒီ Function တြင္ 𝒇𝑺𝟏 – a=1 , b=4 ႏွင့္ 𝒇𝒁𝟏 – c=5 ,d=8 တို႔ျဖစ္ပါတယ္၉
Function 𝒇𝑺𝟐 ႏွင့္ 𝒇𝒁𝟐 ကိုအသံုးျပဳကာတည္ေဆာက္တဲ့အခါမွာေတာ့ ပံ(ု ၁.၄)(ခ) တြင္ျပသထားတဲ့အတိုင္း
𝒇П𝟐 ကိုရရွိမွာျဖစ္ပါတယ္၉ ၂င္း Function မွ Normal Convex Fuzzy Set ကိုရရွိၿပီး၈ Support (a,d) ႏွင့္
Core [b,c] တို႔ျဖစ္ၾကပါတယ္၉

П-shape Membership Functions မ်ားထဲမွ ေနာက္တစ္မ်ိဳးကေတာ့ Sigmoidally shape


Membership Function ႏွစ္ခုဧ၉္ ေျမွာက္လဒ္ကိုတြက္ခ်က္တည္ေဆာက္ထားေသာ Function၈
တနည္းအားျဖင့္ Product of two Sigmoidally shape Membership Function (PSIGMF)
ဟုေခၚပါတယ္၉ ၂င္း Function ကို ေအာက္ပါေဖာ္ျပခ်က္အတိင
ု ္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

𝒇𝚷𝟑 𝒙; 𝒂, 𝒃, 𝒄, 𝒅 = 𝒇𝑺𝟑 𝒙; 𝒂, 𝒃 . 𝒇𝒁𝟑 𝒙; 𝒃, 𝒄 , (၁.ဿ၁)

ဒီေဖာ္ျပခ်က္တြင္ a,b,c,d တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး၈ a>0 , c<0 အျခအေနျဖစ္ေသာေၾကာင့္


𝒂 ≤ 𝒃 < |𝒄| ≤ 𝒅 ျဖစ္ပါတယ္၉ သေကၤတ “.” သည္ သာမန္သံုးေနၾက (Algebraic product)
အေျမွာက္လကၡဏာပင္ျဖစ္ပါတယ္၉

16
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ပံ(ု ၁.၅) П-shape Membership Functions အမ်ိဳးအစား Product of two Sigmoidally shape
Membership Functions (PSIGMF) မ်ားဧ၉္ဂရပ္ဖ္မ်ား
(က) a=1 , b=4 , c=-7 , d=8 (ခ) a=2 , b=4 , c= -5 ,d=8

ေနာက္ထပ္ П-shape Membership Functions အမ်ိဳးအစားထဲတြင္ပါဝင္ေသာ Function မွာ


Generalized Bell-shaped (ေခါင္းေလာင္းပံုစ)ံ Membership Function (GBELLMF) ပဲျဖစ္ပါတယ္၉
၂င္း Function ကို ေအာက္ပါေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

𝟏
𝒇𝚷𝟒 𝒙; 𝒂, 𝒃, 𝒄 = 𝒙−𝒄 𝟐
, (၁.ဿ၂)
𝟏+
𝒂

ဒီေဖာ္ျပခ်က္တြင္ a,b,c, တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး၈ b > 0 အျခအေနျဖစ္ေသာေၾကာင့္ 𝒂 < 𝑏 <


𝑐 ျဖစ္ပါတယ္၉ c သည္ (နားလည္လြယ္ေအာင္ေျပာရရင္) Membership Function 𝝁𝑨 𝒙 ရဲ႕
(Maximum) အျမင့္ဆံုးတန္ဖိုးေတြထဲက လႈိင္းထိပအ
္ လယ္ေကာင္တြင္ရွိေသာ Element
ဧ၉္တည္ေနရာျဖစ္သည္၉b သည္ function ရဲ ႔ Slope တန္ဖိုးျဖစ္ၿပီး၈ a သည္ Membership Function
𝝁𝑨 𝒙 တန္ဖိုး 0.5 ရွိေသာ ဘယ္ႏွင့္ညာဘက္ရွိ Elements ႏွစ္ခုထဲမွ ၾကိဳက္ရာ Element တစ္ခုဧ၉္
တည္ေနရာမွ c ႏွင့္ၾကားရိွ Interval တန္ဖိုး၈တနည္းအားျဖင့္ wave (လႈိင္း) အက်ဥ္းအက်ယ္ျဖစ္သည္၉

17
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ပံု(၁.၆) Generailzed Bell-shaped Membership Function ဧ၉္ဂရပ္ဖ္မ်ား


(က) a=2 , b=3 , c=5 (ခ) a=2.5 , b=3 , c=4.5

Gaussian Curve Membership Function (GAUSSMF) သည္လည္း П-shape


Membership Functions အမ်ိဳးအစားပဲျဖစ္ပါတယ္၉ ၂င္း Function သည္ ထပ္တူညီ Symmetric
Gaussian Curve ျဖစ္ပါတယ္၉ Gaussian Curve Membership Function ကို
ေအာက္ပါေဖာ္ျပခ်က္အတိုင္း တြက္ခ်က္တည္ေဆာက္ႏိုင္ပါတယ္ -

−(𝒙−𝒄)𝟐
𝒇П𝟓 𝒙; 𝝈, 𝒄 = 𝒆 𝟐𝝈𝟐 , (၁.ဿ၃)

ဒီေဖာ္ျပခ်က္တြင္ 𝝈 , 𝒄 တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး၈ 𝝈𝟐 သည္ Probability Theory


တြင္ပါဝင္ေသာ Dispersion (ပ်ံ ႔ႏွံ႔မႈ ျခားနားျခင္း ) တန္ဖိုးျဖစ္ပါတယ္၉ c သည္ mean (သိ)ု႔ average
တန္ဖိုးျဖစ္ပါတယ္၉

ပံ(ု ၁.၇) Gaussian Curve Membership Function 𝒇П𝟓 ကိုဂရပ္ဖ္ျဖင့္ေဖာ္ျပျခင္း 𝝈 = 𝟐 , c=5

ပံ(ု ၁.၇)တြင္ ေတြ႔ရတဲ့အတိုင္း Gaussian Curve Membership Function သည္ Normal Convex
Unimodal Fuzzy Set ကိုျဖစ္ေပၚေစပါတယ္၉

18
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

ေနာက္ဆံုး
Function တစ္မ်ိဳးကေတာ့ Gaussian Combination Membership
Function (GAUSS2MF) ပဲျဖစ္ပါတယ္၉ ၂င္း Function ကို ေအာက္ပါေဖာ္ျပခ်က္အတိုင္း
တြက္ခ်က္တည္ေဆာက္ ႏိုင္ပါတယ္ -

𝒙−𝒂 𝟐
𝒆𝒙𝒑 −𝟐𝝈𝟐𝟏
, 𝒙<𝑎
𝒇П𝟔 𝒙; 𝝈𝟏 , 𝒂, 𝝈𝟐 , 𝒃 = 𝟏 𝒂 ≤ 𝒙 ≤ 𝒃 , 𝒊𝒇 𝒂 < 𝑏 . (၁.ဿ၄)
(𝒙−𝒃)𝟐
𝒆𝒙𝒑 −𝟐𝝈𝟐𝟐
, 𝒙>𝑏

𝒙−𝒂 𝟐
𝒆𝒙𝒑 −𝟐𝝈𝟐𝟏
, 𝒙<𝒃
𝒙−𝒂 𝟐 (𝒙−𝒃)𝟐
𝒇П𝟕 𝒙; 𝝈𝟏 , 𝒂, 𝝈𝟐 , 𝒃 = 𝒆𝒙𝒑 −𝟐𝝈𝟐𝟏
. 𝒆𝒙𝒑 −𝟐𝝈𝟐𝟐
𝒃 ≤ 𝒙 ≤ 𝒂 , 𝒊𝒇 𝒂 > 𝑏 . (၁.ဿ၅)
(𝒙−𝒃)𝟐
𝒆𝒙𝒑 −𝟐𝝈𝟐𝟐
, 𝒙>𝑎

ဒီေဖာ္ျပခ်က္တြင္ 𝝈𝟏 , 𝒂, 𝝈𝟐 , 𝒃 တို႔သည္ parameters မ်ားျဖစ္ၾကၿပီး၈ 𝝈𝟐𝟏 ႏွင့္ 𝝈𝟐𝟐 တို႔သည္ Probability


Theory တြင္ပါဝင္ေသာ Dispersion (ပ်ံ ႔ႏွံ႔မႈ ျခားနားျခင္း) တန္ဖိုးျဖစ္ပါတယ္၉ a,b တို႔သည္ လႈိင္းထိပ္ရွိ
Maximum အျမင့္ဆံုးတန္ဖိုးဧ၉္ အစေနရာႏွင့္ အဆံုးေနရာ တန္ဖိုးျဖစ္ပါတယ္၉

ပံ(ု ၁.ဿှ) Gaussian Conbination Membership Function ကို ဂရပ္ဖ္ျဖင့္ေဖာ္ျပျခင္း


𝝈𝟏 = 𝟏. 𝟓 , 𝒂 = 𝟒, 𝝈𝟐 = 𝟎. 𝟖, 𝒃 = 𝟕

မွတ္ခ်က္ ၉ ေဖာ္ျပပါ 𝝈 တန္ဖိုးမ်ားသည္ ဥပမာအားျဖင့္ အနီးစပ္ဆံုးတန္ဖိုးမ်ားကိုသာ ေဖာ္ျပ


ထားျခင္းျဖစ္ပါသည္၉

19
ေဇာ္ေဇာ္ထြန္း (KSTU) [Fuzzy Logic ႏွင့္ Fuzzy Set Theory]

မွီျငမ္းကိုးကားေသာစာအုပ္မ်ား

ဿ၉ Леоненков А. В. , “Нечеткое моделирование в среде Matlab и


fuzzyTECH.” - СПб.: БХВ-Петербург, 2005. – 736 стр. ;

၀၉ Palit,Ajoy K., “Computational intelligence in time series forecasting: theory


and engineering applications”, Springer-Verlag London Limited 2005. - 381p.;

၁၉ Leszek Rutkowski, “Flexible Neuro-Fuzzy Systems Structures, Learning


and Performance Evaluation”, Technical University of Czestochowa ,Poland ,
2004. - 294p. ;

20