Università degli Studi di Roma “Tor Vergata”
Dipartimento di Ingegneria Elettronica
TOR VERGATA
Sistemi in logica fuzzy per la
modellizzazione: teoria e applicazioni
Arianna Mencattini
Indice
 Tipologia di modelli esistenti.
 Caratteristiche di un modello fuzzy.
 Risultati teorici nel campo dei sistemi fuzzy.
 Risultati esistenti.
 Risultati nuovi.
 Applicazioni del modello fuzzy.
 Stima del rumore in immagini digitali.
 Implementazione di un sintetizzatore di frequenza.
 Correzione degli effetti dei fenomeni dispersivi.
 Sistemi fuzzy Type-2.
Introduzione
Nozioni di base
Per molti problemi esistono due tipologie di informazioni disponibili per il
modellista.
1.Una conoscenza oggettiva (e.g. usata per costruire modelli matematici,
come equazioni del moto di un robot, di un autoveicolo etc).
2.Una conoscenza soggettiva (e.g. informazioni linguistiche, come
regole, informazioni esperte etc.).
Le due forme di conoscenza possono essere coordinate utilizzando un
Sistema in Logica Fuzzy (FLS).
Introduzione
Il problema della modellizzazione
Esistono due classi di approcci.
1.Un approccio model-based in cui la conoscenza oggettiva è rappresentata da modelli
matematici e la conoscenza soggettiva è rappresentata da is represented da
espressioni linguisticheconvertite in regole e quantificate utilizzando un FLS.
2.Un approccio model-free (i.e. black-box model) in cui le regole sono estratte dai dati
numerici e sono combinate con le conoscenze linguistiche usando FLS.
In questa categoria I modelli più usati sono le reti Neurali Artificiali (ANN) e i sistemi in
logica fuzzy (FLS).
Da un punto di vista generale un sistema fuzzy è una mappa nonlineare di un vettore di
ingressi in una uscita scalare. La particolarità del sistema fuzzy è il grande numero di
possibili configurazioni che comportano un gran numero di mappe differenti.
Questa ricchezza significa però che un gran numero di parametri deve essere settato
nel progetto del sistema fuzzy.
Modellizzazione
Tipi di modelli
White-box
- descrizione attraverso equazioni fisiche
Data driven model
Modello Analitico
- utilizza una funzione di forma nota, settandone
opportunamente i parametri liberi (spline, fuzzy
systems)
Black-box
- impone solo relazioni ingresso uscita senza una
funzione di forma nota (table-based, ANN), e/o
sfrutta solo regole linguistiche (fuzzy systems)
Modellizzazione
Modelli basati sulla logica fuzzy
Perché un modello fuzzy?
• La logica fuzzy è flessibile. E’ semplice costruire un sistema fuzzy con particolari
caratteristiche e aggiungere altre funzionalità durante il progetto.
• I sistemi fuzzy possono essere espressi matematicamente in funzione di operatori
semplici quali sommatori, moltiplicatori e divisori.
• La logica fuzzy può modellizzare funzioni nonlineari di elevata complessità.
• Un sistema fuzzy può essere costruito in base all’esperienza, in diretta
contrapposizione con le reti neurali, che apprendono unicamente dai dati generando
modelli impenetrabili e opachi.
• La logica fuzzy può costruire una conoscenza ragionevole, laddove questa non può
essere derivata dall’esperienza.
Teoria dei sistemi fuzzy
Base del sistema: logica sfumata e fuzzy patch
x
FS
y
y
y1
x
x1
IF (x is x1) THEN (y is y1)
Teoria dei sistemi fuzzy
Base del sistema: logica sfumata e fuzzy patch
x
FS
y
y
y2
x2
IF (x is x2) THEN (y is y2)
x
Teoria dei sistemi fuzzy
Base del sistema: logica sfumata e fuzzy patch
x
y
FS
y
y3
x3
IF (x is x3) THEN (y is y3)
x
Teoria dei sistemi fuzzy
Base del sistema: logica sfumata e fuzzy patch
x
FS
y
y
y4
x4
IF (x is x4) THEN (y is y4)
x
Teoria dei sistemi fuzzy
Base del sistema: logica sfumata e fuzzy patch
x
FS
y
y
x
Teoria dei sistemi fuzzy
Osservazioni
La funzione comportamentale del sistema fuzzy approssima la nostra
conoscenza imposta attraverso le regole.
Ma come?
Quale è la funzione analitica che relaziona l’uscita con l’ingresso (gli ingressi)
del nostro sistema?
Come possiamo intervenire su di essa per imporre certe caratteristiche di
regolarità agendo sui gradi di libertà che ci sono consentiti?
funzioni di
appartenenza
forma del
conseguente
metodo di
inferenza
griglia di base
Teoria dei sistemi fuzzy
Fuzzificazione
y
• Si associa un set di funzioni di appartenenza
(Membership Functions MF) allo spazio di ingresso
• Si associa un set di MF allo spazio di uscita
Es: alto
Es: basso
Ai
x
Ingresso
Ai+1
xi
x
xi+1
Es: basso
bi
Es: alto
bi+1
y
Uscita
Teoria dei sistemi fuzzy
Inferenza
Fase in cui si associa:
un valore numerico alle regole linguistiche
y
If (x is A1 ) then (y = b1 )
x
0
If (x is A2 ) then (y = b2 )
Operatore di inferenza:
MAX, Media pesata
v2
If (x is A3 ) then (y = b3 )
v3
0  b1  v2b2  v3b3
y
0  v2  v3
Teoria dei sistemi fuzzy
Defuzzificazione
b4
b3
y
Valore di uscita

x
b2
b1
x
A1
A2
A3
xi
x i+1
INPUT RANGE
A4
Teoria dei sistemi fuzzy
Risultati teorici esistenti
Cosa esiste?
Esistono risultati per funzioni ad una variabile, che impongono
la continuità e la derivabilità
al primo ordine della funzione (C1) …
… sfruttando funzioni di
appartenenza fortemente
nonlineari (gaussiane)
Cosa si può fare di più?
E’ possibile imporre la derivabilità
di ordine N di un sistema n dimensionale?
Sfruttando funzioni di minima
nonlinearità come i polinomi?
Imporre condizioni di simultanea approssimazione
di una funzione e delle sue derivate?
Il problema è stato posto in letteratura, ma non esisteva una metodologia
che lo risolva attraverso sistemi in logica fuzzy.
Teoria dei sistemi fuzzy
Come si costruisce il sistema?
Funzione di uscita


Pi ( x)  ( xi 1  x)  P ( x)  ( x  xi )
yi ( x) 


( xi 1  x)  ( x  xi )
N
i  1,
,n
N
i 1
Teoria dei sistemi fuzzy
Come si costruisce il sistema?
Si scelgono opportuni polinomi conseguenti di grado N (Taylor)


Pi ( x)  ( xi 1  x)  P ( x)  ( x  xi )
yi ( x) 


( xi 1  x)  ( x  xi )
N
i  1,
,n
N
i 1
Teoria dei sistemi fuzzy
Come si costruisce il sistema?
Si costruiscono particolari MFs polinomiali


Pi ( x)  ( xi 1  x)  P ( x)  ( x  xi )
yi ( x) 


( xi 1  x)  ( x  xi )
N
i  1,
,n
N
i 1
Teoria dei sistemi fuzzy
Come si costruisce il sistema?
Si sceglie come operatore di aggregazione il prodotto (smooth)


Pi ( x)  ( xi 1  x)  P ( x)  ( x  xi )
yi ( x) 


( xi 1  x)  ( x  xi )
N
i  1,
,n
N
i 1
Teoria dei sistemi fuzzy
Come si costruisce il sistema?
Si fissa la cardinalità del sistema (ovvero # MFs o # regole minimo)


Pi ( x)  ( xi 1  x)  P ( x)  ( x  xi )
yi ( x) 


( xi 1  x)  ( x  xi )
N
i  1,
,n
N
i 1
Teoria dei sistemi fuzzy
Come si costruisce il sistema?
Si ottimizza la griglia nello spazio di ingresso


Pi ( x)  ( xi 1  x)  P ( x)  ( x  xi )
yi ( x) 


( xi 1  x)  ( x  xi )
N
i  1,
N
i 1
,n
xi
xi+1
Teoria dei sistemi fuzzy
Risultati teorici
Regolarità dell’approssimazione.
 2
 1
Teoria dei sistemi fuzzy
Risultati teorici
Simultanea approssimazione e approssimazione polinomiale
Teoria dei sistemi fuzzy
Risultati teorici
Teoria dei sistemi fuzzy
Risultati teorici
Accuratezza
dell’approssimazione


Esempio di imposizione di regolarità
Funzione target
Esempio di imposizione di regolarità
Funzione fuzzy bilineare
Linee di discontinuità
delle derivate parziali
Esempio di imposizione di regolarità
Funzione fuzzy con MFs cubiche
Esempio di simultanea approssimazione (SISO)
Polinomio di Taylor come conseguente
N=1
N=2
1/(x2+1)
1
P11 ( x)
P12 ( x)
0.9
0.8
P21 ( x)
0.7
P22 ( x)
0.6
0.5
0
0.1
0.2
0.3
0.4
0.5
x
0.6
0.7
0.8
0.9
1
Esempio di simultanea approssimazione (MISO)
Polinomio di Taylor come conseguente
P122 ( x, y)
P222 ( x, y )
P112 ( x, y)
P212 ( x, y)
Applicazione n. 1
Stima del rumore
in immagini digitali
Stima del rumore in immagini digitali
Caratterizzazione del rumore
Modello dipendente dal segnale

g ( x)  f ( x)  f ( x)  u ( x)
Coefficient

01
• if  = 0  Additive noise
• if  = 1  Multiplicative noise
Stima del rumore in immagini digitali
Degradazione dell’immagine
Processo di formazione
(es. speckle noise)
g ( x )  f ( x )  f ( x )  u ( x )
Stima del rumore in immagini digitali
Degradazione dell’immagine
Processo di acquisizione
(es. quantization noise)
g ( x )  f ( x )  f ( x )  u ( x )
Stima del rumore in immagini digitali
Degradazione dell’immagine
Processo di trasmissione
(es. atmospherical noise)
g ( x )  f ( x )  f ( x )  u ( x )
Stima del rumore in immagini digitali
Ricostruzione dell’immagine
2
Filtraggio
Necessità della conoscenza
delle caratteristiche del rumore
Stima del rumore in immagini digitali
Estrazione delle caratteristiche locali
Valore medio
Chi quadro
Saturazione
Uniformità spaziale
Varianza
Stima del rumore in immagini digitali
Stima della varianza: fuzzy system
2
PP
2i
x
p01
Regole linguistiche
FS1
hi
FS2
Membership
functions
2
Stima del rumore in immagini digitali
Flusso dell’algoritmo
sk
Final
value
 s2
Spatial filter on Wi
Saturation
high
START
n
y
Saturation
evaluating
 i2
sk+1  sk
Preprocessing on W a
ci2
WNT
y
Subset of
Accepted Windows W a
ssat
W1
Wi
not accepted
in this step
n
Reject W i
...
y
Over
threshold
p01
Fuzzy System
xi
%
2
i
sk+1
Regression
n
Stima del rumore in immagini digitali
Sommario, risultati e e confronti
Densità di probabilità,
varianza  2, valore medio
Immagine
originale
Aggiunta di
rumore
Algoritmo iterativo (IFP)
per la stima di
Fuzzy
System
2
Confronto con altri metodi
Immagini test
x
2
Applicazione n. 2
Implementazione di un
sintetizzatore di frequenza
Implementazione di un sintetizzatore di frequenza
Convertitore fase-ampiezza
• I DDS sono largamente utilizzati in
telecomunicazioni ai dispositivi di misura.
molti
campi
dell’ingegneria,
dalle
• In questa tesi il blocco di conversione fase-ampiezza è stato implementato attraverso
un particolare sistema fuzzy.

REGISTER

REGISTER
 TO A
CONVERTER
DIGITAL
OUT
PHASE ACCUMULATOR
D/ A
CONVERTER
ANALOG
OUT
FILTER
SINE GENERATOR
Fuzzy
System
Implementazione di un sintetizzatore di frequenza
Convertitore fase-ampiezza
- Conosco alcuni campioni del segnale da sintetizzare

1
xi
f(xi)
0.00
0.00
0.25
sin(0.25*/2)
0.8
(xi,f(x
))
(x ,f(xi ))
i
0.6
sin(0.5*/2)
0.75
sin(0.75*/2)
1.00
1.00


0.4
0.2



0
0.50
i

-0.2
-0.4
-0.6


-0.8
-1
-2

-1.5

-1
-0.5
0
0.5
1
- Conosco le specifiche sul comportamento in tempo e/o in frequenza
(massimizzazione della purezza spettrale (SDFR, RSS))
1.5
2
Implementazione di un sintetizzatore di frequenza
Specifiche
- Il modello costruito dovrà presentare un’elevata purezza spettrale
nei confronti del caso ideale.
SDFR  max i 2,

bi 

,  20log
b
1 


RSSspurious  10log
b
i2
2
i
b12
dove b1 è l’armonica fondamentale e
bi è il modulo dell’i-esima componente
- In fase di implementazione, il modello dovrà rispettare vincoli di
area, velocità, e di memoria necessaria.
Implementazione di un sintetizzatore di frequenza
Specifiche
- Serve un modello che sia un approssimatore di funzioni,
- in cui ci sia la possibilità di settare la regolarità e il fitting,
- che sia facilmente ottimizzabile rispetto a parametri imposti dal contesto applicativo (SFDR, MSE, etc.),
- che sia semplice dal punto di vista implementativo (operatori elementari, poca memoria necessaria, etc.)
Modello di tipo Fuzzy System
y’(xn)- = f’(xn)=0
Condizioni di fitting
1.0
y’(xi)- =y’(xi)+  f’(xi)
0.8
0.6
Condizioni di regolarità
Y
0.4
0.2
Struttura a tratti
fuzzy
sin
target
fuzzy
0.0
0.0
0.2
0.4
xi
X
0.6
0.8
1.0
Implementazione di un sintetizzatore di frequenza
Architettura del convertitore
x
T1 

T2
T1

T3
F(x)
ki f ( xi ) xi 1  ki 1 f ( xi 1 ) xi

ki 1  ki
(ki xi 1  ki 1 xi )(ki f ( xi )  ki 1 f ( xi 1 ))
(ki 1  ki ) 2
T2 
ki xi 1  ki 1 xi
ki 1  ki
T3 
ki 1 f ( xi 1 )  ki f ( xi )
ki 1  ki
Ottimizzazione dei parametri
rispetto a MSE, SDFR, RSS.
Implementazione di un sintetizzatore di frequenza
Schema a blocchi del convertitore
clk8
clk
ph
Rs
d
x
Dividers
Ctrl
en1
en2
sin
qz
Adders
st
tx
nbq
Implementazione di un sintetizzatore di frequenza
Schema a blocchi dell’unità di divisione
clk
en1
en2
Div1
Div2
q1
qz
Reg
q2
x
d
Implementazione di un sintetizzatore di frequenza
Schema a blocchi del divisore
Digit Recurrence Algorithm Radix-2
d
x
qz
Conv
Sel
Reg_d
Mult
Cs
Mux
Reg_wc
Reg_ws
en
Implementazione di un sintetizzatore di frequenza
Sommario
Dati per il fitting
(xi,f(xi),f′(xi))
sin(x)
Interpolatore
fuzzy
Processamento
segnale di uscita:
MSE, SFDR
Tuning
dei parametri
Ottimizzatore
dell’interpolatore
sinfuzzy(x)
Nx bit in fase
Ny bit in ampiezza
Implementazione hardware.
Mappatura su un FPGA
Altera c Flex 6016QC208-3
con Altera Quartus II c.
Implementazione di un sintetizzatore di frequenza
Risultati e confronti
Maximum absolute error
Confronto di alcune tecniche di DDS
Risultati del modello fuzzy vs. numero di punti
Applicazione n. 3
Correzione degli effetti
dei fenomeni dispersivi
Correzione degli effetti dei fenomeni dispersivi
Contesto
Dati affetti da errori sistematici, di misura, e/o dispersione in frequenza
(slow phenomena trapping/detrapping heating effects)
Drain Current, mA
 DC characteristics
 Pulsed characteristics
Vgs from -2.0V to 0.5V in 0.5V steps
Drain potential, V
Correzione degli effetti dei fenomeni dispersivi
Acquisizione dei dati
Vgs(V) Vds(V)
0.5000
0.5000
0.5000
0.5000
0.5000
0.5000
0.5000
0.093900
0.194200
0.293800
0.394200
0.493600
0.593800
0.695600
Ids(mA)
Cgs(fF)
Ri(Oh)
57.4070 1116.1516
116.1000 1071.9628
169.4570 1031.1907
217.4120 992.9670
258.8700 969.9854
294.5510 958.0751
323.8120 969.2221
Cgd(fF)
5.2766
5.2879
5.2949
5.2527
5.1750
5.0285
4.8080
787.7951
751.9890
718.6649
688.7896
663.3531
635.1841
600.6824
Rgd(Oh) gm(mS) Tau(ps)
-6.4015
-6.2650
-5.7646
-5.1390
-4.4119
-3.7152
-3.2240
4.9322
11.9259
20.2660
29.8102
40.0452
51.5807
64.6234
Cds(fF) Rds(Oh) Gds(mS)
-8.2207 -17.1117
-6.6523 -24.0229
-6.3133 21.7688
-5.2222 70.7861
-4.2920 142.3513
-3.4679 238.9674
-2.5317 376.7349
0.6312
0.6810
0.7585
0.8632
1.0097
1.2052
1.5151
1584.3687
1468.4104
1318.3059
1158.5303
990.4126
829.7055
660.0356
250
200
Processamento
con funzione
interpolante
Estrazione di ulteriori dati di Ids,
delle derivate gm e gds,
delle derivate seconde, etc.
150
100
50
0
0
1
2
3
4
5
6
Correzione degli effetti dei fenomeni dispersivi
Estrazione di dati su una griglia regolare partendo da dati scattered
Tensioni esterne
0.5
Tensioni
Estrazione di nuovi
datiintrinseche
su una griglia regolare
0
0.5
-0.5
0
Estrazione di una griglia regolare
V
-0.5
-0.625
gs
-0.75
-0.5
-1
-0.875
V
gs
-1
-1
-1.5
Vgs
-1.125
-1.25
-1.375
-2
-1.5
0
2
4
6
8
10
12
-1.5
Vds
-1.625
-2
0
2
4
6
-1.75
8
Vds
-1.875
-2
10
0
12
1
2
3
4
Vds
5
6
7
Correzione degli effetti dei fenomeni dispersivi
Specifiche e requisiti
- Le misure di gm e gds devono verificare la seguente equazione:
 g
m
dVgs  g ds dVds  0
per ogni percorso chiuso .
gm e gds devono essere le derivate parziali di una stessa funzione primitiva.
- In più la funzione che descriverà il modello delle funzioni gm, gds, Ids
dovrà essere differenziabile per studiare fenomeni quali l’intermodulazione.
Correzione degli effetti dei fenomeni dispersivi
Algoritmo di correzione dei dati
Per correggere i dati, l’idea di base è di modellizzare gli errori presenti nei dati come equivalenti ad
una traslazione nel piano (Vgs,Vds). Perciò rieffettuando una opportuna traslazione è possibile
ritrovare i dati corretti.
 g
m
(Vgs  Vgs ,Vds  Vds ) dVgs  g ds (Vgs  Vgs ,Vds  Vds ) dVds
Ho bisogno di un interpolatore dei dati che possa essere
campionato in diversi punti e che verrà richiamato all’interno
di un algoritmo di tipo LMS.

(Vgsi, j+1, Vdsi, j+1)
Da qui la necessità che l’interpolatore sia differenziabile,
che siano facilmente modificabili i suoi parametri, che
possano essere inseriti nuovi punti, imposte condizioni di
regolarità, interpolatore simultaneo di una funzione e delle
sue derivate.
Modello di tipo Fuzzy System
(Vgsi+1,Vdsj+1)
(Vgsi,Vdsj+1)
(Vgsi+1, j+1, Vdsi+1, j+1)

(Vgsi,Vdsj)
(Vgsi, j, Vdsi, j)
(Vgsi+1,Vdsj)
(Vgsi+1, j, Vdsi+1, j)
Correzione degli effetti dei fenomeni dispersivi
Diagramma di flusso
Misure statiche di
parametri non-intrinseci
su una griglia regolare in (Vgs,Vds)
Calcolo dei parametri intrinseci
(scattered data)
Interpolazione dei parametri
intrinseci su una griglia regolare
Correzione di gm e gds
affetti da fenomeni dispersivi
Calcolo di Ids attraverso
integrazione numerica di
gm e gds
Modellizzazione del dispositivo
utilizzando un interpolatore fuzzy
Correzione degli effetti dei fenomeni dispersivi
Sommario
Misure di
gm e gds
a piccolo segnale
Processamento
delle misure
Interpolatore
fuzzy
Bias point
(Vgs0,Vds0)
(1Vgs, 1Vds)
(2Vgs, 2Vds)
Bias point (Vds = 1.55V, Vgs=-0.9V)
300
Ids [mA]
250
VGS=-0.5
200
Ids(Vgs0,Vds0)
VGS=-0.7
150
( g m , g ds )
Integratore
100
bias point
VGS=-0.9
50
VGS=-1.1
0
-50
0
1
2
3
4
Vds[V]
5
6
Correzione degli effetti dei fenomeni dispersivi
Risultati
Bias point (V ds=4V, V gs=-0.9V)
0.1
250
Ids[mA]
-0.5
VGS=-0.5
200
-0.7
-0.9
VGS=-0.7
150
0.05
0
-1.1
bias point
V
100
VGS=-0.9
gs
-1.3
-0.05
50
-1.5
VGS=-1.1
-0.1
-1.7
0
-1.9
-50
0
1
2
3
4
5
0
6
0.2 0.6
1.1
1.5
2.0
2.5
4.0
5.5
-0.15
0
1
2
3
V
Vds[V]
Caratteristiche originali ( ) e corrette ( )
Correzioni per gds (sopra) e gm (sotto)
4
5
6
ds
Correzioni per Vgs( sopra) per Vds (sotto)
Bias point (V ds= 1.55V, V gs=-0.9V)
300
0.01
-0.5
Ids[mA]
0
250
-0.7
VGS=-0.5
-0.01
200
-0.9
VGS=-0.7
150
-0.02
-1.1
-0.03
V
100
-0.04
-1.3
bias point
ds
VGS=-0.9
-0.05
-1.5
50
VGS=-1.1
-0.06
-1.7
0
-0.07
-1.9
-50
-0.08
0
1
2
3
4
Vds[V]
5
6
0
0.2 0.6
1.1
1.5
2.0
2.5
4.0
5.5
0
1
2
3
V
ds
4
5
6
Sistemi fuzzy Type-1 vs. Type-2
Fonti di incertezza
I sistemi fuzzy analizzati fino ad ora permettono di costruire il modello di un sistema
descrivendo il fenomeno attraverso regole “sfumate”, ma non permettono di trattare in
modo adeguato dati di loro natura “incerti”, ovvero affetti da una qualsiasi fonte di errore.
Spesso la conoscenza usata per costruire le regole in un FLS è “incerta”.
Avendo a che fare con problemi reali raramente si riesce ad evitare di trattare l’incertezza .
A livello empirico, l’incertezza è presente nelle misure a causa della combinazione di errori
di misura e dei limiti di risoluzione della strumentazione di misura.
A livello cognitivo, l’incertezza si origina dalla vaghezza e dalla ambiguità insite nel
linguaggio naturale.
Introduzione ai sistemi fuzzy Type-2
L’incertezza in un sistema fuzzy
In un sistema fuzzy l’incertezza può presentarsi nelle seguenti forme.
1.Incertezza del significato delle parole usate per descrivere gli antecedenti nelle regole.
2.Incertezza del significato delle parole usate per descrivere il conseguente nelle regole.
3.Incertezza delle misure che attivano il sistema fuzzy.
4.Incertezza dei dati che sono usati per fare il tuning del sistema fuzzy.
I sistemi fuzzy Type-1 sono incapaci di “maneggiare” questi tipi di incertezza, dove per
maneggiare intendiamo modellizzare e minimizzare l’effetto di queste incertezze.
I sistemi fuzzy Type-2 riescono a maneggiare tutti questi tipi di incertezza.
Insiemi fuzzy Type-2
Type-1 fuzzy sets vs. Type-2
Consideriamo la transizione dagli insiemi fuzzy Type-1 agli insiemi fuzzy Type-2.
Quando non siamo in grado di determinare se il grado di appartenenza di un elemento ad
un insieme sia 0 o 1 utilizziamo insiemi fuzzy Type-1.
Analogamente, quando non siamo in grado di assegnare a detto grado di appartenenza
un numero compreso fra 0 e 1 utiizziamo insiemi fuzzy Type-2.
Insiemi fuzzy Type-2
Primary and secondary MFs
La zona grigia è detta
Footprint of Uncertainty (FOU).
Primary MF
Secondary MF
Insiemi fuzzy Type-2
Antecedenti Type-1 vs. Type-2
Insiemi fuzzy Type-2
Esempio 1 di insieme fuzzy Type-2.
Primary MF di tipo gaussiano con media incerta e deviazione standard
fissa.
Insiemi fuzzy Type-2
Esempio 2 di insieme fuzzy Type-2.
Primary MF di tipo gaussiano con deviazione standard incerta e media
fissa.
Insiemi fuzzy Type-2
Insiemi fuzzy Type-2 di tipo interval
Primary MF
Secondary MF
Insiemi fuzzy Type-2
Sistemi fuzzy Type-1 inclusi nel Type-2, lower and upper MFs
Insiemi fuzzy Type-2
Struttura di un sistema fuzzy Type-1
Insiemi fuzzy Type-2
Struttura di un sistema fuzzy Type-2
Insiemi fuzzy Type-2
Operatori di fuzzificazione e inferenza
Insiemi fuzzy Type-2
Operatori di aggregazione degli insiemi fuzzy di uscita
Insiemi fuzzy Type-2
Esempio: insiemi fuzzy di ingresso Type-1
Insiemi fuzzy Type-2
Esempio: insiemi fuzzy di uscita Type-2
Insiemi fuzzy Type-2
Esempio: calcolo del centro di massa, del Type-reducer e della
defuzzificazione.
Possibili configurazioni di un FLS
Dati un insieme di N dati rumorosi (xi,yi) (vettore di ingressi, uscita) progettare
la corretta mappa nonlineare attraverso un FLS.
•Singleton Type-1 FLS (SFLS-1)
•Non Singleton Type-1 FLS (NS1FLS-1)
•Singleton Type-2 FLS (SFLS-2)
•Type-1 Non Singleton Type-2 FLS (NS1FLS-2)
•Type-2 Non Singleton Type-2 FLS (NS2FLS-2)
FLS Singleton Type-1
FLS Non Singleton Type-1
FLS Singleton Type-2
FLS Type-2 Non Singleton Type-1
FLS Type-2 Non Singleton Type-2
Sommario delle configurazioni possibili
Applicazione n. 4
Previsore di tipo single-stage
per la serie temporale
di Mackey-Glass
Previsore single-stage per una serie caotica.
Contesto
ds(t ) 0.2s(t   )

 0.1s(t )
10
dt
1  s (t   )
  17
per
la serie temporale presenta un
comportamento caotico.
x ( k )  s ( k )  n( k )
dove n(k) è un rumore additivo,
di distribuzione incognita.
Previsore single-stage per una serie caotica.
Contesto
Si collezionano 1001 dati rumorosi x(1000), x(1001), … , x(2000).
Si divide detto insieme in due sottoinsiemi.
x(1001), …, x(1501)
x(1502), …, x(2000)
Training set
Testing set
x(k-3)
x(k-2)
x(k-1)
x(k)
NS2-TYPE-2 FLS
x(k+1)
Scarica

Sistemi in logica fuzzy per la modellizzazione: teoria e