Classic Inference
اسلاید 1: جلسه ششم
اسلاید 2: 2Classic InferenceConsider the function X2 + y2 = z2Assume the Facts: x=1, y=2We want to evaluate the firing of the rule: If x=2 AND y=2 Then z=8Min(0 , 0) = 00 * 0 = 0Now, we want to evaluate the firing of the rule: If x>=2 OR y>=2 Then z>=4Max(0,1) = 1False (0)True (1)False (0)False (0)True (1)True (1)
اسلاید 3: Fuzzy InferenceIf x is A1 Then y is B1 → y is B1If x is A1 Then y is B1 → y is B2…If x is An Then y is Bn → y is BnDeffuzificationΣB’X is A’AggregationDeffuzification یعنی تبدیل یک نمودار فازی (MF) به یک عدد. در واقع استخراج عددی که بتواند گویای آن fuzzy set باشد.یکی از عملگرهای Deffuzification عملگر centroid است که در واقع مرکز ثقل شکل را محاسبه می کند. بعبارتی میانگین وزندار هر نقطه روی دامنه بطوریکه وزن هر نقطه مقدار درجه عضویت ان است:Y = Σyi.μ(yi) / Σμ(yi) مشابه محاسبه معدل درسی
اسلاید 4: 4Fuzzy Inference (حالت اول)Single rule with single antecedent(فقط يک قانون آن هم داراي يک مقدم داشته باشيم) Rule: if x is A then y is B (Ex: If age is high then weight is low)Fact: x is A’ (Age is 20)Conclusion: y is B’ (weight is ?)Graphic Representation:AXwA’BY
اسلاید 5: 5Fuzzy Inference (حالت دوم)Single rule with multiple antecedent (فقط يک قانون داراي چند مقدم داشته باشيم) Rule: if x is A and y is B then z is CFact: x is A’ and y is B’Conclusion: z is C’Graphic Representation:ABT-normXYwC2ZA’B’منظور از اصطلاح T-norm عملگر مربوط به ترکيب عطفي دو گزاره فازي است که مي تواند min و يا product (ضرب) باشد.براي ترکيب فصلي اصطلاح T-Co-norm استفاده مي شود که معمولا براي آن max استفاده مي شود.
اسلاید 6: Example: If X is medium AND Y is medium Then Z is medium No. of Inputs And Outputs
اسلاید 7: Fuzzy set of X (Membership functions)
اسلاید 8: Fuzzy set of Y (Membership functions)
اسلاید 9: Fuzzy set of Z (Membership functions)
اسلاید 10: A AND B → COperator for ‘→’ : MInCentoidMax-Min Inference
اسلاید 11: A AND B → COperator for ‘→’ : Product (ضرب)CentoidMax-Product Inference
اسلاید 12: 12Fuzzy Inference (حالت سوم)Multiple rules with multiple antecedent (چند قانون داراي چند مقدم داشته باشيم) Rule 1: if x is A1 and y is B1 then z is C1Rule 2: if x is A2 and y is B2 then z is C2Fact: x is A’ and y is B’Conclusion: z is C’Graphic Representation: (next slide)
اسلاید 13: 13Fuzzy InferenceGraphics representation:A1B1A2B2T-normXXYYw1w2C1C2ZZC’Zz is C’A’B’A’B’Aggregation
اسلاید 14: Example: Auto-tunning the Velocity of the air-conditioner fan based on Temperature and Pressure (مي خواهيم مقادير T و P را بعنوان ورودي بدهيم . با استفاده از 2 قانون موجود مقدار v را بعنوان خروجي بدهد) !
اسلاید 15: Fuzzy set of T (Membership functions)
اسلاید 16: Fuzzy set of P (Membership functions)
اسلاید 17: Fuzzy set of Z (Membership functions)
اسلاید 18:
اسلاید 19: A AND B → COperator for ‘→’ : MInCentoidInference
اسلاید 20: نمودار V بازاء تمام مقادیر T,P
نقد و بررسی ها
هیچ نظری برای این پاورپوینت نوشته نشده است.