1. Pojam mekog računarstva.

U meko računarstvo možemo svrstati oblasti vezane za: Fazi logiku FL, Neuro računarstvo NK, Genetičko računarstvo GR, Probabilističko računarstvo PR. FL - Nudi alat za rad sa nepreciznošću, neizvesnošću, delimičnom istinom. Koristi se tzv aproksimativno rezonovanje. To je približavanje prirodnom jeziku. Nr Bazira se na proučavanju neuronske mreže. Nekoliko mreža se obučava za određene ciljeve. U fazi obučavanju imamo metodu podešavanja. GR - Modeliranje evolucije. Mi se susrećemo sa optimizacijom na bazi automatskog pretraživanja. Pojavljuje se podešavanje parametara i sintetizuju se evoluirane forme. PR - Bazira se na verovatnosti, obradi neizvesnosti, predviđanjima... Ove oblasti su kompatibilne i jedna drugu dopunjuju, a sve zajedno mogu da se koriste u izgradnji tzv hibridnih fazi sistema. U svakoj od njih je ključni alat fazi logika. Fazzy znači neprecizan, nejasan, neodređen, rasplinut. Osnovne karakteristike fazi pristupa kod rešavanja problema su: nepreciznost - složena pojava se iskazuje samo u opštem stanju i pri tome se koriste neodređeni iskazi; postepenost - nešto je prisutno u izvesnoj meri, neka osobina je prisutna u izvesnom stepenu. I na pojam istine se gleda tako da nešto može biti tačno do izvesne mere; subjektivnost - ekspertsko znanje čoveka i njegovo umeće se predstavlja i obrađuje u računaru u skladu sa individualnim izražavanjem ljudi; prividna suprotnost sa klasičnom logikom u klasičnoj logici važi zakon isključenja trećeg. Kada donosimo odluke mi nismo potpuno sigurni da li je to dobro ili loše. Klasično: crno-bela logika, ali od crnog i belog može da nastane sivo (kombinovanjem). Fazi dozvoljava suprotnosti ali sa različitim stepenom. Npr. "lepa devojka" tačnost da je devojka lepa je relativna a ukusi su različiti. U osnovi mekog računarstva je tvrdo računarstvo, a u osnovi fazi logike je Bulova logika. Fazi logika naučnu dimenziju dobija razvijanjem fazi skupova. Fazi koncept je precizno naučno određena nepreciznost. 2. Pojam fazi razmišljanja- odnos prema klasičnoj logici i razlike od verovatnoće. Reč fazi je engleskog porekla i označava nejasan, neodređen, neprecizan, rasplinut pojam. Prof. Zadeh 1965.god. prvi put definiše ovaj pojam u radu "fazi skupovi". Predlog je bio da se pri rešavanju problema omogući da pojave budu neodređene i definisano je pravilo nekompatibilnosti: što se bliže posmatra realni problem, njegovo rešenje postaje sve više fazi. Karakteristike fazi pristupa su: nepreciznost - složena pojava se iskazuje samo u opštem stanju i pri tome se koriste neodređeni iskazi; postepenost - nešto je prisutno u izvesnoj meri, neka osobina je prisutna u izvesnom stepenu; subjektivnost - ekspertsko znanje čoveka i njegovo umeće se predstavlja i obrađuje u računaru u skladu sa individualnim izražavanjem ljudi. Fazi pogled na svet je u suprotnosti sa klasičnom logikom, koja se oslanja na aristotelovu binarnu logiku i njegov princip isključenja trećeg. Retko kada se može doneti odluka koja je potpuno ispravna ili ne. Profesor Kosko bart kaže da je svet siv. Fazi razmišljanje vodi u pravcu uvažavanja "nijansi sivog", uzimajući u obzir da je u prirodi sve pitanje stepena istinitosti. Razlike između fazi teorije i teorije verovatnoće: U početku baš i nisu postojale neke razlike, ali kasnije recimo u teoriji fazi skupova je dozvoljeno da događaj postoji istovremeno kad i njemu suprotan događaj, ali u različitom stepenu ili u slučaju paradoksa u istom stepenu različitom od 0 i od 1. U dvovrednosnoj (Aristotelovoj) logici ovakav slučaj je nemoguć i ima verovatnoću 0. Mera pripadnosti funkcija pripadnosti je karakteristika fazi logike. Funkcija pripadnosti i verovatnoća se razlikuje, one imaju različite informacije: verovatnoća govori o mogućnosti šta možemo da očekujemo, a f-ja pripadnosti o stepenu sličnosti.

Kod običnih skupova mera pripadnosti je: 1 ako x ∈ A.univerzum (univerzalni skup) Def: Neka je x običan skup (univerzum) i m(x) je preslikavanje x → [0.. 0 m(x) ∈ [0.9 . Neprekidan slučaj: A= x∈ X ∫m( x) / x 4. a ako je simetrična. U klasičnoj teoriji skupova objekat je ili crn ili beo dok fazi skup sadrži elemente koji su crni u izvesnom stepenu.. Primer: Oštre granice kod običnih skupova nisu uvek i čvrste.1]} F-ja m(x) zove se funkcija pripadnosti elemenata x fazi skupa A.. 2. Fazi skup A u X određen je funkcijom pripadnosti: ma(x): x → [0..ako je konačan onda se piše A = m1/x1 + m2/x2 + . a ako je beskonačan tada se predstavlja kao: A= x∈ X ∫m( x) / x Različiti oblici funkcije pripadnosti: 1.1] 2. . U fazi skupovima elementi mogu biti na sličnim svojstvima. x . pri čemu simboli za sabiranje ovde predstavljaju nabrajanje elmenata... a ako je nesimetrična potrebna su 4 temena za opis f-je. xn} . Diskretni skup: x = {x1.. Kod fazi skupova imamo: X 0 ... + ma(xn)/ xn. Fazi skup je skup elemenata sa sličnim svojstvima koja su izražena u različitom stepenu.. 30 Ma(x) 0 . F-ja pripadnosti i njene osobine (oblici predstavljanja). Razlikujemo: 1... U fazi skupu elementi tu pripadaju do izvesne mere...1]. 0. 15 .6 . 1 . ili 0 ako ne pripada... 0 0. Trougaona f-ja pripadnosti: A = ∫ ( x / k +1) / x + ∫ (−x / k +1) / x −k 0 0 +k Ako trougaona f-ja nije simetrična potrebna su tri temena da bi se f-ja opisala. Diskretna prezentacija fazi skupa a daje se na sledeći način: A = ma(x1)/ x1 + ma(x2)/ x2 + . 23 24 . 1 0. Pojam fazi skupa Običan skup je određen kada su dati njegovi elementi i elementi su istog svojstva. dovoljna su dva temena za opis funkcije. Def: Neka je dat neprazan skup X. to ne znači da je on crn.3. 18 ..1] gde je: ma(x) stepen pripadnosti elemenata x u fazi skupu A. za svako x iz X.1 .... Područje fazi skupa je običan skup elemenata iz X za koje je m(x) > 0.. tada je fazi skup A određen sa x i m(x). . Uočava se da ako objekat nije beo... 10 11 .. A={(x.1].m(x)) | x ∈ X... Trapezoidna f-ja pripadnosti: Ako je trapezoidna funkcija simetrična potrebna su 3 temena da bi se f-ja opisala. + mn/xn mi ∈ [0. x2.. Ovakva reprezentacija fazi skupova se daje ako je skup konačan. m(x) ∈ [0.

Gausova kriva (zvonasta f-ja): ex 2 / x. pravolinijska: 4.3. x ∈ ∫ (e − x 2 / 2) / x x∈ R A= x∈ R ∫(e −(( x − k ) 2 ) / 2) / x . Deo po deo.

Promenljiva x se naziva fuzzy promenljiva. Princip razlaganja sa običnim skupovima. x se naziva lingvistička promenljiva. ako je A fuzzy skup.6. Za definisanje lingvističke promenljive najpovoljnije je zadati tri do sedam lingvističkih vrednosti. konvenksost i broj elemenata fazi skupa (kardinalnost). | A | = ∑ ma(x) . Okvir spoznaje pojma i fuzzy iskazi. npr: veoma visok. 2. 8.1) Fazi skup se može predstaviti pomoću unije diskretnih skupova – njegovih α preseka.1) Slab α presek je diskretan skup: Aα = {x‫׀‬mA (x) ≥ α }. Fuzzy iskaz ili fuzzy propozicija se koristi za predstavljanje tvrđenja koja sadrže lingvističke vrednosti. što znači da se fazi f-ja pripadnosti izračunava pomoću: mA (x) =1. Da bi smo ovaj princip matematički izrazili prvo definišemo pojam α – preseka. star (Uzrast(Saša)=mladić). mladić. manje-više. U slučaju diskretne prezentacije. Ako u tvrđenju P=x je A.5. αЄ[0. veznici: i. Def: Ako je u tvrđenju P=x je A. drugim rečima: ako bar za jedno x i X je f-ja pripadnosti jednaka jedinici.1]. ∀ x2 ∈ X.Fazi skup je normalan ako i samo ako je max ma (x)=1. Fazi skup se može napisati i u sledećem obliku: A = U α Aα. neA= Ā. 1. Normalnost i konveksnost i kardinalnost fazi skupa. x ∈X. Normalnost fazi skupa . x Є Aα ili 0. Okvir spoznaje pojma je familija pojmova nad istim univerzumom. Subnormalan fazi skup ima maksimalnu vrednost f-je pripadnosti manju od 1. α Є [0. ma(x2)). Osnovne osobine fazi skupa su normalnost. A se može razložiti na konačan broj α preseka. sredovečan. Okvir spoznaje pojma uzrast je: dete. Za slučaj sa slike to je vrednost 0. odnosno lingvističku vrednost kojoj se može dodeliti fuzzy skup.jak α presek je diskretan skup: Aα = {x‫׀‬mA (x) > α }. A predstavlja fuzzy skup. Princip razlaganja je još veza između klasične teorije skupova i teorije fazi skupova. ma(λ x1 + (1 . nizak). Konveksnost (ispupčenost) fazi skupa . x ∈X Imamo i relativnu kardinalnost fazi skupa: || A || = | A | / | X | Ovaj broj može da se koristi kao pokazatelj koliko informacija sadrži skup A. λ ∈ [0. onda je P fuzzy propozicija. Lingvistička promenljiva ima za vrednost reči prirodnog jezika. A ili B = AUB.λ ) x2) ≥ mim | ma(x1). ili. Lingvističke promenljive i lingvističke vrednosti. star. npr. A predstavlja lingvističku vrednost kojoj se može dodeliti fuzzy skup. visok. 7. α Є [0. ponešto) osnovnim lingvističkim vrednostima mogu se dobiti složeni lingvistički izrazi. lingvističkih modifikatora i veznika.Fazi skup je konveksan akko važi: ∀ x1 ∈ X. ne u lingvističkim izrazima se definišu: A i B = A∩B.1]. U slučaju da je A lingvistička vrednost. Vrednosti lingvističkih promenljivih sastoje se od: osnovnih lingvističkih vrednosti. ako se sve vrednosti stepena pripadnosti podele najvećim stepenom pripadnosti za dati skup. Subnormalan fazi skup se može jednostavno transformisati u normalan fazi skup. x¢ Aα . Ova operacija često se izvodi u praktičnim primenama i naziva se operacija normalizacije. promenljiva x se naziva lingvistička promenljiva. lingvistički modifikatori: dodavanjem lingvističkih modifikatora (veoma. Broj elemenata fazi skupa: Ako je X diskretan konačan skup onda se kardinalnost fazi skupa izražava zbirom stepena pripadnosti pojedinih elmenata fazi skupa. Fazi skup koji nije normalan naziva se subnormalan (podnormalan) fazi skup. α – presek: Može biti . 6. 3. osnovne lingvističke vrednosti: to su najjednostavnije lingvističke vredosti koje se mogu upotrebiti (mlad. Originalan kontinualni fazi skup se može razložiti na beskonačno mnogo α preseka.

2. Fazi broj A se naziva i RAVAN fazi broj. Komplement fazi skupa A je fazi skup Ā predstavljen pomoću f-je pripadnosti: mĀ (x) =1. Unija fazi skupova A i B je fazi skup AUB predstavljen pomoću funkcije pripadnosti: mAUB (x) = mA (x) V mB (x) = max { mA (x). D nije jer mA (x) nije konveksna. komutativnost: A U B = B U A.Jednakost fazi skupova fazi skupovi A i B su jednaki. Možemo očekivati da preslikavanje fazi broja bude fazi broj B. gde Λ označava operator minimuma 3. de morganovi zakoni AUB = A ∩ B . Operacije na fazi skupovima Osnovne operacije sa fazi skupovima su: unija. a sa desne diskretni skupovi. Zbir 2 fazi skupa je unija fazi skupova < operator unije <=> U >. 1. 12. presek i komplement. neka je data linearna funkcija f(x)=x+1: grafici za x=1 Na slici 1 predstavljen je grafik line. 2. asocijativnost : A U(BUC) = (AUB)UC. gde V označava operator maksimuma. . Posmatrajmo funkciju f:x→y: Npr. mA (x) je konveksna 3. A=B <=> mA (x) = mB (x) . mA (x) je deo po deo neprekidna f-ja A i B su fazi brojevi C nije jer mA (x) nije normalna. 10. pošto postoji više od jedne vrednosti gde je mA (x) =1. mA (x) je definisana nad skupom realnih brojeva. Skup suprotan fazi skupu je koplement fazi skupa < operator komplementiranja <=> A > Ovaj operator se naziva i operator negacije. Grafički prikaz operacije Sa leve strane su U. F-je a na slici 2 f-ja kao preslikavanje fazi brojeva. Pretpostavimo da broj x0 nije tačno poznat ili određen. mB (x) }. Princip prosirenja Princip proširenja se koristi kada želimo da izračunamo vrednost f-je čiji su argumenti umesto običnih brojeva fazi brojevi. Poređenje fazi skupova i osnovne osobine Poređenje fazi skupova se vrši poređenjem njihovih f-ja pripadnosti. A∩A=A 2. Tada se njegova vrednost predstavlja pomoću fazi broja A. A ∩B = A U B . Fazi broj A je fazi skup predstavljen f-om pripadnosti sa sledećim osobinama: 1. mB (x) }.inkluzija (uključenje) fazi skupova: fazi skup A se sadrži u fazi skupu B ako je f-ja pripadnosti mA (x)manja od f-je pripadnosti mB (x) u celom domenu X A C B <=> mA (x) ≤ mB(x) Osnovne osobine fazi skupova su osobine koje važe i za diskretne skupove: 1.8. ako su im jednake f-je pripadnosti. A ∩ B = B ∩ A 3. A ∩(BUC) = (A ∩B) U (A ∩C) 5. idempotentnost : Unija i presek fazi skupa sa samim sobom ne menjaju fazi skup A UA=A. mA (x) je normalna 4. (A ∩B) ∩ C= A ∩(B ∩C) 4. distributivnost A U(B ∩C) =(AUB) ∩(AUC) .mA (x) 11. ∩ i komplement fazi skupova A i B. Zajednički skup 2 fazi skupa je presek fazi skupova < operator unije <=> ∩ > Presek 2 fazi skupa je skupa A∩B predstavljen pomoću f-je pripadnosti: mA∩B (x) = mA (x) Λ mB (x) = min { mA (x). zakon dvostruke negacije A = Ā 6.

zakon kontradikcije A ∩ Ā = ø. . ali ne važe za fazi skupove: zakon isključenja trećeg: A U Ā = X.Postoje dve osobine koje važe za diskretne skupove.

Tw(x. Najpoznatije T-norme su: 1.y) ≤ S(x.y) = max (x.y)=C(T(c(x).S).y) ≤ T(x. .1].1)=x Najpoznatije T norme su: 1.1]. Za datu t-normu T.z) za y<z monot. ┐x= c(x)=1-x S(x. S(x. ∧T . 1. Zadehova stroga negacija c data je sa c(x)=1-x. 14.z) asocijat.y)=max(0. Schwizer i Skler (1960).1]2 →[0. rubni uslov T(x.1]. Trougaona norma Tw je jedina t-norma koja zadovoljava T(x.1] x ∨T ┐x ≠ 1 x ∨ ┐x = 1 x ∧T ┐x ≠ 0 x ∧ ┐x = 0 16. Osobine trougaone norme su: 1.y)=c(T(c(x).y) = x+y-xy 3.1]2 →[0. 0. inače Trougaona norma S je f-ja S: [0.y)= min (x.1]. Tp(x.c(y)). 1) – nije Bulova algebra ({0.vrednosnoj logici definišu se: 1.y)=min(x. Logičke operacije izražene pomoću T normi.x)=0.y € [0. Postavlja se potreba definisanja binarnih relacija nad [0.y). možemo reći da su komulativno totalno uređene polugrupe. Sw (x.1] Osobine t-normi: Za datu t. osnovne logičke operacije u [0. 2.1-y) x. Tl(x.x) komutat. S(x. ∧T .1].y € {0.1] takva da važi: 1.1].1] 2.y). konjunkcija: x ∧T y=T(x. Bulovska H-norma.S(y. x.y) = min (1.T(y. disjunkcija x ∨T y=S(x.y) 2.13. S(x.y) 2. Za posmatranu T-konormu S.1] tajvug da f [0. .y) 3.1] Trougaone norme su specijalne operacije koje se definišu na zatvorenom intervalu [0. ∨T . ako min (xUy)=0.x+y-1) 4. asocijativnost T(x. Konjunkcija i disjunkcija se definišu kao t-norma i t-konorma.y) = 1-T(1-x. c.y)=xy 3. Sl (x.normu T i datu t-normu S.y)=1.y € [0.z))=T(T(x. c.1} – dobijaju se Bulove operacije ([0. 0. Sp (x.1]. Teoreme: trougaona norma Tm je jedina t-norma koja zadovoljava T(x.( [0. ako max (x. S(x. inače U početku je konorma S uvedena kao dualna operacija za datu t – normu T kao: S(x. ∨T .x) 2.o) = x rubni uslov Vidi se da se norme i konorme razlikuju samo po rubnim uslovima. Logične mere – norme U teoriji statističkih metričkih prostora bitnu ulogu igraju : Mengel (1942) .z) za y≤z 4. komutativnost T (x.T) i ([0.y)=S(y. Tm(x.yЄ[0.z)) = S(S(x.x)=x za svako x Є[0.x+y) 4. 3.c(y)) x. monotonost T(x. i zadata je sa S(x.y). 1) – jeste Bulova algebra x.z) 3. koja je dualna datoj normi T.dekadni zapis propozicionog vektora. U fazi logici osnovne logičke operacije uvode se preko t-normi i t-konormi.y). 4. 0.y) = T(y.y) = max (x.1}. Sm (x. k Ik Ik Ik=q -1 – dekadni zapis vektora i =1 k f 2 ( p) = ∑ k q i −1 ⋅ pi = ∑q i =1 i −1 ⋅p .y). za sve x Є[0.

označava se sa R i predstavlja fazi skup u dvije dimenzije: µ R: X∗Y↔[0. tj. izračunava se zaključak B` koji je u opštem slučaju različit od zaključka B pravila. stepenovanje.5 povećavaju. zaključivanje zasnovano na projekciji: B=((AxV) ∩R)v 2. e) proširenje je operacija suprotna koncentrisanju. 2(µ A(X))2 za 0=<µ A(X)=<0.5 µ int(X)=1-2(1-µ A(X))2 za 0. Broj blizak 0 znači slabu povezanost. proširenje 2) pojačavanje kontrasta fazifikacija. d) koncentrisanje je operator modifikacije stepenovanja da α =2.Y)zadovoljava relaciju). Lingvistički modifikatori. Fazifikacija. Na osnovu poznate činjenice A` različite od preduslova A pravila A→B.. b) stepenovanje: stepenuju se svi elementi skupa.17. 19. 1) a) množenje fazi skupa skalarom: svi elementi dodatog skupa množe se skalarom. α -realan broj. koncentrisanje.K)=∑ µ A(Xi)K(Xi). Fazi relacije se definišu nad projizvodom X∗Y. a 1 potpunu povezanost. Pri definiciji lingvističkih modifikatora koriste se operatori modifikacije koji se djele na 2 grupe: 1) množenje skalarom. a stepeni pripadnosti manji od 0.5 smanjuju.5 dil(A) f) pojačavanje kontrasta izvršava se tako što se stepeni pripadnosti koji su veći od 0. µ con(A)(X)=( µ A(X))2. Na fazi relacije oslanja se fazi zaključivanje i projektovanje fazi kontrolera. normalizacija. 20. Nula znači odsustvo povezanosti. npr:veoma lijep. Dodavanjem lingvističkih modifikatora (veoma.. Ovaj operator modifikacije se vrši pomoću drugog fazi skupa K(Xi)-jezgra fazifikacije i definiše se na sledeći način SF(A. it-u jačinu povezanosti X i Y. Ovo je opšta operacija koja menja oblik fazi skupa na različite načine povoljnim izborom jezgra fazifikacije. zaključivanje zasnovano na kompoziciji fazi relacija: B=A◦R Metod zasnovan na projekciji i metod zasnovan na kompoziciji daju kao rezultat isti zaključak. arezultat je fazi skup µ α A(X)=α µ A(X) α -negativan realan broj takav da važi (∀xEX)( α µ A(X)=<1).K)=∑ µ A(Xi)K(Xi) 18. Fazi zaključivanje. Ovaj način zaključivanja naziva se fazi modus ponens Neka je: činjenica: A-fazi skup definisan nad U pravilo: R-fazi relacija definisana nad UxV ----------------------------------------------------------zaključak: B-fazi skup definisan nad V 1. µ ≠ 0 gdje je µ Asup µ A(X). rezultat je fazi skup µ α A (X)=(µ A(X)) . Fazifikacija skupa A Diskretan skup se transformiše. α c) normalizacija se vrši deljenjem svakog elementa tog skupa najvećim elemementom tog skupa NORM(A)= µ A(X)/ µ A .5=<µ A(X)=<1 g) fazifikacija se vrši pomoću drugog fazi skupa K(Xi)A SF(A. Fazi relacije. broj blizak 1 jaku povezanost.5: µ (X)=(µ A(X))0.1] Funkcija pripadnosti µ R predstavlja(vezu u kojoj nam (X. ponešto) osnovnim lingvističkim vrijednostima mogu se dobiti složeni lingvistički izrazi. primenom fazifikacije.. . manje-više. izuzetno talentovan. u fazi skup. elemente fazi skupa stepenujemo za α =0.

izračunati stepen saglasnosti između A i A` α=V{ µ A (u ) ∧ µ A` (u ) } 2.21. Zaključak B` se izračunava: 1. Neka su A. Na osnovu stepena saglasnosti α izvršiti odsecanje fazi skupa B B`= α ∧ B . Metode odsecanja u fazi zaključivanju. A` i B skupovi definisani nad U i V.

potrebno je pravilo A->B izraziti pomoću relacije između U i V. Osnova ovog upravljanja su fazi – lingvisticka pravila. Klini: a → b = 1 − a ∨ b = max( 1 − a. 4. slozen. B fazi skup definisan nad V. 5. Konstukcija fazi pravila za fazi kontrolere se izvodi na sledeci nacin: 1. Fazi Kontroler za obrnutoi klatno Zadatak je postavljanje obrnutog klatna u uspravan polozaj.proporcionalni brzini vozila. Mandani: a → b = a ∧ b = min( a. Defazifikacija. takav da se ne moze odrediti njegov matematicki model. Svrha defazifikacije je da se fazi zaključak pretvori u jedan realan broj. a d je broj koji tražimo. b) . Ulaz u kontroler su e : ė . d MM (c ) = ∑z k |M | 24. Neka je A fazi skup definisan nad U.7. Problem je kako izvršiti transformaciju ovih fazi skupova u fazi skup koji predstavlja relaciju nad U*V. 2. metod centra mase. 7. min{z k | z k ∈ M } + max{z k | z k ∈ M } d CM (c ) = 2 3) Isto se određuje M i |M| .Zadatak e uspravljanje stapa pokretanjem vozila. e: ė upravljacke promenljive. 2. 4. b) izvodjenjem simulacije izvrsiti podesavanje upravljackih pravila.broj elemenata skupa M. Podesavanje upravljackih pravila prema rezultatima simulacije. Obavezna je pri izradi kontrolera. Na osnovu usvojenog standarda: a) izvrsiti podesavanje faktora skaliranja dok se ne dobiju zadovoljavajuci rezultati. ė-tepen promene promenljive e.Upravljanja koja strucnjak koristi u upravljanju objektom. 6. poziciono. Mamdanijev i Klinijev metod transformacije fuzzy pravila u relaciju. Razlikuju se u ONDA delu fazi lingvistickog pravila. Postoje dva tipa upravljanja: 1. 2. 5. Ova transformacija zavisi od tumačenja simbola -> ako – onda. 2. Svaka promenljiva ima 7 lingvistickih vrednosti. v – upravljana promenljiva. Fazi upravljanje. Fazi upravljanje se koristi kada je problem: 1. 2. vremenski promenljiv. metod centra sredine maksimuma. e-ugao izmedju trenutne pozicije stapa i vertikalne pozicije. 3.Kada stap pocne da se naginje u levu stranu treba pomeriti vozila u levo da bi stap vratio u vertikalni polozaj. sa pribliznim trouganim funkcijama pripadnosti. ұ.22. . Konstrukcija fazi-lingvistickog pravila konstrukcijom AKO i ONDA dela. 1) d CA (c) = ∑ c( z k =1 n k =1 n k )zk k ∑ c( z ) 2) Najpre se odredi skup M = {z k | c( z k ) = h(c)} gde je h(c) najveća vrednost f-je pripadnosti fazi zaključka c.Znacajne su tri promenljive za resenje ovog zadatka: 1. Konstrukcija fazi kontrolera: 1. Opredeljenje za metod zakljucivanja (mada nije metod) i metod defanzifikacije(metod centra mase). 3. Izabrati upravljacke promenljive (vrse upravljanje). Konstrukcija bloka sa fazi pravilima. Fazi oznacavanje ulaznih i izlanih vrednosti u uredjaju za upravljanje. Planer uredjaja i strucnjak za dati problem razmatraju teme znacajne za upravljanje i vrsi se odluka o ulaznim i izlaznim promenljivama u uredjaju za upravljanje. c) Ponavljati a i b dok se ne postigne uspesan rezultat. a izlaz je v. Defazifikacija je poslednji korak pri izgradnji sistema za fazi zaključivanja. brzinsko. 2.6. Stap koji moze da rotira oko jednog svog kraja pricvrscen je na vozila.Formiraju se pravila ako / onda koja se zovu lingvisticka pravila. Odluka o standardu za ocenjivanje rezultata upravljanja. metod centra maksimuma. Izabrati objekat upravljanja i velicine kojima ce se upravljati na osnovu toga se definise upravljanje promenljive (nad kojima se izvodi upravljanje). Objekat upravljanja je vozilo sa stapom. 3. 3. b) 23. 26. Fazi zaključak C je fazi skup C je fazi skup sa elementima Zi. 25.Kontroler ima 7 fazi pravila. Standard za ocenjivanje rezultata upravljanja – sposobnost kontrolera da zadrzi stap u priblizno vertikalnom polozaju u prisustvu malih poremecaja. 4. Fazi kontroleri. Postoji nekoliko metoda: 1. ne linearan. U realnim problemima pri izračunavanju rezultata zaključvanja fazi relacije ne mora uvek biti poznata zbog toga je neophodno transformisati fazi pravilo A->B u fazi relaciji. 3.

promena velicine ili tezine stapa ne zahteva promenu parametara kontrolera. Otporan na umerene poremecaje. . izveden u veoma kratkom roku. 3. 2.Pozitivne osobine ovog kontrolera: 1.

28. Japan i Koreja prednjace u prakticnim primenama fazi logike. 3.Osnove za koriscenje fazi algoritama su fazi skupovi i fazi uslovni iskazi. U fazi baze podataka mogu se postavljati slozeniji upiti upotrebom recenica u prirodnom jeziku. Ako je dat fazi skup A primećenih simptoma i fazi relacija R koja daje relaciju simptoma iz skupa S sa bolestima iz skupa D. sto omogucava da se obrada podataka izvodi na nacin koji odgovara ljudskom nacinu razmisljanja. Postoje dve kategorije neuronskih mreža: veštački i biološke neuronske mreže. i sastoji se iz 4 djela tijelo(koje se još naziva i čvor ili jedinica). Fazi kontroler se moze realizovati pomocu programa koji se izvrsava na PC-ju. aksoni. Vrste alata: 1.voznja automobila. mikrotalasna. Grafički interaktivni alati (GUI). Potreba za obradom ne preciznh informacija je razlog za primenu fazi tehnologije u bazama podataka. On učestvuje u konstrukciji neuro računara Mark 1957-58 ..instrukcije dodele vrednosti: x=5. TV. Neuronska mreže u računarskim naukama predstavlja veoma povezanu mrežu elemenata koji obrađuju podatke. Krajem pedesetih godina Frank Rosenblatt i Charles Wightman sa svojim saradnicima razvili su računar pod nazivom Mark I koji predstavlja prvi neuroračunar. Neuronska mreža uči na sopstvenom iskustvu. to je fazi dokazivač u kojem biramo metod zaključivanja (oblik fazi zaključivanja). NM je sistem sastavljen od više jednostavnih procesora (neurona). Primene fuzzy logike u odlučivanju i dijagnostici. U medicini predmet primene fazi teorije je nepreciznost dijagnostici bolesti. 2. . Veštačke neuronske mreže su po strukturi. kao što su govor i prepoznavanje oblika. Instrukcije u fazi algoritma mogu biti: 1. U kucnim uredjajima (klima. Mogućnosti Fuzzy Logic Toolbox-a u Matlab-u (FIS i ANFIS).). Nacrtati Prirodan neuron i veštački neuron! U1. Podaci koji se razmenjuju ovim kanalima su obično numerički.M. x je veliko. 3..Vecinu nasih radnji mozemo predstaviti fazi algoritmom. Kontroler je napravljen u cipu. Fazi algoritmi se mogu podeliti na: Definicionu i identifikciom..Hodanje . Rule editor – editor pravila za kreiranje i editovanja pravila. Simulink blokovi – omogućavaju kreiranje svog fazi kontrolera i njegovo simuliranje. B(d)=max[min(A(s).Un – ulazni podaci. svaki od njih ima lokalnu memoriju u kojoj pamti podatke koje obrađuje. generacioni. funkciji iobradi informaciji slične biološkim neuronskim mrežama.. Je veza za Simulink i ostale Toolboxove. dendriti. Fazi algoritam. Onda se B’ skup mogućih bolesti može pronaći zaključivanjem pomoću pravila B=A*R. Preostala dva dela su viewer-i – pregled pravila i pregled 3D prezentacije uz mogućnost rotiranja. racionalni i ponasanja i algoritama odlucivanja. Nastanak i razvoj V. Print x. u smislu da podržava izvršavanje nekih programa na C jeziku. Važna osobina neuronskih mreža je sposobnost učenja na ograničenom skupu primera. Fazi uslovni iskazi: ako je x malo onda je y veliko. 31. Prvu jednoslojnu neuronsku mrežu napravio je Frenk Rozenblat koju je nazvao Perceptron. Primene u inzinjerstvu i bazama podataka. Je uredjen skup fazi instrukcija koje po izvrsenju daju priblizno resenje datog problema. na taj način f-je koje imaju ekstenziju M korisnik može da doda u svoj . x=malo. Ima četri dela a peti je ključni – FIS editor (Fuzzy Inference Editor).N. . Algoritam odredjenog tipa moze sadrzati algoritam drugog tipa kao pod algoritme. 32. frizider. Te jedinice (neuroni) su povezani komunikacionim kanalima. MF editor – biramo f-ju pripadnosti. On ima alate za obradu fazija. 2. 30. Delovi FL Toolbox-a. Bitan je jer na opsti nacin tretira primenu fazi koncepta za resavanje razlicitih slozenih problema koji su tesko resivi pomocu konvencionalnih tehnika... Predstavnik bioloških neuronskih mreža je nervni sistem živih bića. ... Model prirodnog i vještačkog neurona.d))].Primer upravljanja u industriji je sistem za upravljane vozovima podzemne zeleznice.27. Za svaku bolest d ∈ D . Funkcije komandne linije. 29. Koncept fazi algoritma prvi put je izveo Zadeh. sinapse. Početkom devedesetih Bart Kosko dokazuje da neuronske mreže i fazi logika opisuju isti skup problema. Jedan neuron može biti povezan sa 200000 drugih neurona.a kada je potrebno moze se ugraditi u vidu mikroprocesora u manje uredjaje. kuvanje.M fajl. čime se otvara nova oblast-softcomputing.R(s. One su sposobne da reše probleme koji se tradicionalnim pristupom teško rešavaju. njen oblik i položaj. ali su veštačke tvorevine. masina za pranje sudova/vesa. Postoji mogućnost keriranjanja svog Toolbox-a. bezuslovni iskazi: Pomnozi x sa x.

. f ( ) – aktivaciona f-ja.W1.Wn – težinski koeficijenti... i – izlazni podatak. .

neuro izveden pomoću fazija – sve iz klasičnog modela NM je prerađen u fazi. Prema stepenu sprege možemo napraviti sedam različitih tipova povezivnaja neuro sa fazijem. može vršiti i analizu podataka. u mapiranju – kompresija slika.33.M. Zovu se i inteligentni sistemi jer imaju mogućnost da se prilagode (adaptiraju) sredini. ne programira se instrukcijama. može se doučiti i adaptirati za nove uslove.N. 34. Nacrtati vrste mreža! 36. koji su nastali kombinacijom fazi kontrolera i neuronskih mreža.M. (Razlika od digitalnih računara i oblasti primene). Obučavanje se prekida tek kada mreža bude u stanju da daje izlaze sa zadovoljavajućom tačnošću. ide kroz mrežu i izlazi. Aktivacione f-je neurona na skrivenim slojevima su potrebne da bi mreža bila u stanju da nauči nelinearne f-je. Rekurzivne (potpuno povezane) – izlaz se vraća na ulaz svakog neurona u istom sloju. već šalju vrednosti u rasponu od 0 do 1. NM može da generalizuje nove ulazne podatke za koje nije obučavana. tako što podešava f-je pripadnosti. neuronski fazi – NM uči pomoću fazi pravila. neuro sa fazi I/O – ulazi i izlazi kod NM su fazi skupovi. Ovo su hibridni sitemi. Neuro i fazi i neuro/fazi nije isto. fazi izveden pomoću neuro – na ulazu fazi pravila je fazi skup. umesto programiranja koristi se obučena NM. U NM nisu obični neuroni nego fazi. zakon učenja i Backpropagation). 38. podaci u radu neuronske mreže (vrednosti koeficjenata) ne znače ništa.M. koji ima više slojeva a onda dolazi Hofildov deo. govora. Svako od tih povezivanja ima svoj naziv. Vrste V. . sastoji se od velikog broja jednostavnih procesora (neurona). Veštački neuroni mogu biti diskretni ili kontinualni. i računa greške za svaki čvor u mreži. mreža može da nauči neki problem ne poznavajući algoritam (ne znamo kako dolazi A do B. Najčešće korišćen algoritam za obučavanje NM je backpropagation. oblika). Neuro-fuzzy i fuzzy-neuro sistemi. može da nauči bilo koju izračunljivu f-ju (algoritam). Vrste: Slojevite – višeslojne. Možemo da naučimo robota da prati neku putanju ili da izbegava prepreke. korekcioni – NM koriguje fazi pravilo. u svim ostalim slučajevima gde algoritam nije poznat a a poznati su ulazi i željeni izlazi. Razlike: nema centrirano lokalizovanu memoriju. u aproksimaciji. (Tipovi. morfing. Celularne (ćelijske) – povezani su samo susedni neuroni. omogućeno je paralelno procesiranje ulaza u izlaz (istovremeno možemo dobiti i zbir i proizvod). Sličnosti: može da nauči sve što i računar. Obučavanje V. Kod prvog izlaz iz NM ide na fazi pravilo a kod drugog rezultat fazi pravila su ulazi u NM. On uči šeme određujući izlaz NM sa željenim izlazom.N. NM je obučena ako može tačno da rešava zadatke za koje je obučavan. a u suprotnom šalje 0. FeedBack – signal ulazi kao kod FeedForward i zatim se vraća (rekurzija) u nivo koji je bio. to digitalni računar ne može. ulazi u Backpropagation algoritam (algoritam koji na osnovu razlika očekivanih i stvarnih vrednosti izlaza menja težinske koeficjente). Kontinualni neuroni nisu ograničeni slanjem vrednosti 0 i 1. Kod prvog NM i fazi kontroleri su odvojeni (svaki deo ima svoj objekat upravljanja. odnosno nakon učenja pamte se koeficjenti (kod digitalnog računara se memoriše program). to je najniži nivo povezanosti). za procesiranje signala – filtriranje i prepoznavanje (jezika. FeedForward – signal ulazi u mrežu. Hemingova mreža – ima propagacioni sloj (FeedForward). Nakon obučavanja sa određenom verovatnoćom. Oblici aktivacione funkcije. Neuro/fazi – tu je reč o paralalnoj vezi fazija i NM sa istim objektom upravljanja. Diskretni neuroni šalju izlazni signal 1 ako je suma primljenih signala iznad određene vrednosti. Primene V. Razlikuju se podmodeli: integrisani – i NM i fazi paralalno deluju na objekat. ceo sitem obrade na izlazu daje semantička rešenja. u zavisnosti od vrednosti koju su primili na ulazu. obrada i memorisanje informacija su nerazdvojni proces. ali znamo A i B). koji se dobija kao rezultat NM. Kod fazi NM kao aktivaciona f-ja se postavlja fazi f-ja. 35. Primena: veoma su efikasne u klasifikaciji raznih ulaza.N. neuro-fazi i fazi-neuro – to je serijska veza.

Više objekata opisanih istom informacijom ne mogu se medusobno razlikovati s obzirom na dostupne informacije.: Hromozom1 1101100100110110 Hromozom2 110101000011110 Naslednik1 110111000011110 Naslednik2 1101000100110110. može se reći. Čovek se prilagođava sredini (teški uslovi). Relacija generisana na ovaj način se naziva relacija nerazdvojivosti objekata i ona predstavlja matematičku osnovu teorije grubih skupova.: 1. Elitizam je pojam koji se uvodi da bi najbolje rešenje preživelo do kraja. Osnovni operatori: 1. inače se roditelj briše. Primer: Naslednik1 110011000011110 Naslednik2 1101001100110110 40. Prelaz – tačka prelaza je granica između zaglavlja hromozoma i tela hromozoma. 4. 2. 5. 6.39. To predstavlja izmenu u koracima GA tako da se zadržava roditelj. Genetički algoritmi. Grubi skupovi. Generisati slučajnim izborom populaciju koju sačinjavaju moguća rešenja. Nakon definisanja relacije nerazdvojivosti objekata.A. GA prilagođava upravljanje na neki sistem koji je pod uticajem najrazličitijih faktora (nestabilan sistem – meko upravljanje). On je nastao po uzoru na hromozom čoveka. Oceniti nove hromozome i uneti ih u populaciju. Smatra se da su grubi skupovi interesantni za razvoj i primenu teorije odlučivanja. teorije veštačke inteligencije. baza podataka. Selekcija – izbor najboljeg rešenja u novoj populaciji vrši se različitim metodama odabira: rulet. mada i pored toga ona se posmatra kao samostalna i nezavisna disciplina. Osnovna predpostavka u teoriji grubih skupova je da se svaki predmet rasprave povezuje sa nekom informacijom. ekspertnih sistema. selekcija na osnovu čvrstih stanja i selekcija po statusu. Obrisati članove trenutne populacije. Oceniti svaki hromozom u populaciji na osnovu vrednosti f-je podobnosti. da bi smo napravili mesto za nove kandidate (članove buduće populacije). sistema za podršku odlučivanju (SPO). 7. tj. upoređuje se sa detetom. Prelaz se vrši zdržavanjem zaglavlja i uzimanjem tela drugog hromozoma. induktivnog zaključivanja. Koraci G. da dobijemo mutanta. Ovo se radi kada rešenje zapadne u lokalni minimum. Npr. projektovanje neoronskih mreža. i slično. Mutacija – u naslednicima se izmeni jedan gen (rezultat se pokvari). 3. Primena: igra. Teorija grubih skupova. problem teorije grubih skupova se definiše na sledeći način: Predpostavlja se da se posmatra konačan skup objekata U koji se naziva Univerzum i binarna relacija I nad U koja se naziva relacija nerazberivosti (nerazdvojivosti objekata). odabir fazi pravila itd. ako je roditelj dobar ubacuje se u novu generaciju. Funkcija podobnosti. To znači da je svaki objekat prikazan pomoću odredenih informacija o njemu. inače preči na korak 4. Ako je došlo do zadovoljavajućeg rešenja zaustaviti rad algoritma. preklapa se u jednom delu sa teorijom fazi skupova. 2. . Operator selekcije se primenjuje da bi se odredio kandidat koji će učestvovati u kreiranju nove generacije. 3.

.

.

16. Logičke operacije izražene pomoću T normi. F-ja pripadnosti i njene osobine (oblici predstavljanja). Logične mere – norme 14. 8. 5. 6. Bulovska H-norma. 21. Okvir spoznaje pojma i fuzzy iskazi. Fazi kontroleri. Fazi Kontroler za obrnutoi klatno 27. 8. Poređenje fazi skupova i osnovne osobine 13. 24. 26. 2. Defazifikacija. Fazi upravljanje. Grafički prikaz operacije 12. Lingvističke promenljive i lingvističke vrednosti. 25. 23. Normalnost i konveksnost i kardinaknost fazi skupa. Pojam razmišljanja odnos prema klasičnoj logici i razlike od verovatnoće. Mamdanijev i Klinijev metod transformacije fuzzy pravila u relaciju. Fazi relacije. 17.1. Fazi zaključivanje. 20. 19. Operacije na fazi skupovima 11. 22. Princip razlaganja sa običnim skupovima. Princip razlaganja sa običnim skupovima. Pojam fazi skupa 4. Mogućnosti Fuzzy Logic Toolbox-a u Matlab-u . 3. 7. Fazifikacija. 18. Lingvistički modifikatori. 10. Pojam mekog računarstva. Metode odsecanja u fazi zaključivanju.

Nastanak i razvoj V. 34. 40.N.M. 31. 29. Obučavanje V. Primene V. Fazi algoritam. Primene fuzzy logike u odlučivanju i dijagnostici. (Razlika od digitalnih računara i oblasti primene).N. Primene u inzinjerstvu i bazama podataka. 30. FeedForward 36.N. 35.28.M. Neuro-fuzzy i fuzzy-neuro sistemi.M. (Tipovi. Vrste V. Grubi skupovi. 38.N. 32. Genetički algoritmi. Oblici aktivacione funkcije. zakon učenja i Backpropagation). . 33. Model prirodnog i vještačkog neurona. 39.M.

Sign up to vote on this title
UsefulNot useful