| Defuzzificatie methoden � De Mean-of-Maximum-methode selecteert de maximale lidmaatschapswaarden van de term die het meest geldig is als uitgangswaarde. Is er sprake van een interval dat wordt het gemiddelde genomen. Deze methode vergt weinig rekentijd. � De Center-of-Area-methode berekent het zwaartepunt van het totale oppervlak gevormd door de verschillende lidmaatschapsfuncties. De uitgangswaarde is de waarde langs de horizEen andere methode om lidmaatschapsfuncties te verkrijgen is met behulp van neurale netwerken en een ingangsdata set. De ingangsdata sets worden eerst verdeeld in verschillende klassen door standaard clustering methoden, waarbij de data wordt verdeeld in klassieke verzamelingen. Hiermee wordt een neuraal netwerk getraind om een relatie te leggen tussen de co�rdinaten (van de datapunten) en de lidmaatschap. Als het neurale netwerk is getraind en is gecontroleerd dat het naar tevredenheid presteert (met een extra data set), kan voor elk willekeurig punt de lidmaatschapswaarde bepaald worden.ontale as van het zwaartepunt. � Bij de Center-of-Maximum-methode wordt eerst de typische waarde bepaald voor elke lidmaatschapsfunctie. De typische waarde is het punt met de maximale lidmaatschapswaarde. In geval van een interval is de typische waarde het gemiddelde van dit interval. Vervolgens wordt een gewogen gemiddelde genomen van de verschillende intervallen. De bovenstaande methoden zijn de meest toegepaste methoden. |
| Keuze defuzzificatie De te kiezen methode hangt sterk af van de toepassing waarvoor het nodig is. Er zijn verschillende criteria waarop een methode gekozen kan worden, namelijk: � Continu�teit, bij kleine veranderingen van de ingang van het proces moet geen grote veranderingen opleveren in de uitgang. De Mean of Maximum criteria voldoet hier niet aan. � Eenduidigheid (disambiguity), het resultaat van een methode moet altijd resulteren in een unieke waarde. � Aannemelijkheid. Aannemelijk is dat de uitgangswaarde ongeveer in het midden ligt van de mogelijkheden en een hoge lidmaatschapswaarde heeft. Dit criteria is belangrijk bij herkenningstoepassingen. � Beste compromis. Hierbij wordt het beste compromis van de uitgang genomen. De CoA-methode is hier een voorbeeld van. Dit criteria is vaak doorslaggevend bij regeltoepassingen. � rekentijd die de computer nodig heeft om de uitgang te berekenen. |
| Opzetten lidmaatschapsfuncties Het opzetten van de lidmaatschapsfuncties kan op verschillende manieren gebeuren. � Intu�tief. De lidmaatschapsfunctie wordt afgeleid van de kennis van de mens. Hiervoor is er dus wel kennis van het proces nodig. Deze kan verkregen worden door de operators, eigen kennis, analyse van systeemdata of door processimulaties. � Met neurale netwerken en een ingangsdata set. De ingangsdata sets worden eerst verdeeld in verschillende klassieke verzamelingen. Hiermee wordt een neuraal netwerk getraind om een relatie te leggen tussen de co�rdinaten (van de datapunten) en de lidmaatschapswaarde. � Fuzzy clustering. Het doel van clustering is om een gegeven data set in homogene clusters te verdelen. Met homogeen wordt bedoeld dat alle punten in hetzelfde cluster iets met elkaar gemeen hebben en geen overeenkomsten hebben met punten in andere clusters. De verdeling en overeenkomsten kunnen hier als fuzzy termen worden beschreven. Een enkel punt heeft nu gedeeltelijk lidmaatschap in meer dan ��n clusters (vb Fuzzy c-means algoritme). Bij de laatste twee methode is het wel noodzakelijk dat er genoeg data van het systeem aanwezig is. |
| Opzetten kennisregels Verschillende manieren om kennisregels op te zetten: � Intu�tief bijv. door voor elke combinatie van de IF-gedeelte de bijbehorende uitgang (THEN gedeelte) te bepalen. AIs blijkt dat een bepaalde uitgang onafhankelijk van een ingangsvariabel is dan wordt een regel gedefinieerd waar deze ingang weg is gelaten. Vervolgens door simulaties kijken welke regel meer/minder/wel/niet belangrijk is. � Neuro-fuzzy, dit is een versmelting tussen neurale netwerken en fuzzy logic. Een toepassing van neuro-fuzzy is het gebruik van een netwerk met drie lagen. Dit netwerk stelt het ontwerpproces van een fuzzy controller voor. Een datapunt wordt eerst gefuzzificeerd naar de verschillende verzamelingen (eerste node) dan wordt gekeken welke regels gelden (inferentie: middelste laag) en vervolgens wordt de uitgangsvariabelen gedefuzzificeerd naar de sturingsvariabel. Na training blijft een geoptimaliseerd fuzzy-systeem over. Bij deze methode is het mogelijk om eerst een opzet te doen van de regelbasis, vervolgens het systeem te trainen, waarbij er aangegeven wordt welke regels getraind worden, waarna een verbeterde fuzzy systeem wordt verkregen. � Fuzzy Clustering en patroonherkenning. Fuzzy clustering analyseert data, hierbij worden data met dezelfde structuur of karakteristieken in dezelfde "fuzzy clusters" verdeeld. Vervolgens wordt met behulp van patroonherkenning bepaald in welke cluster nieuwe data vallen. Het voordeel hiervan is dat ingegrepen als het systeem verandert. In deze gevallen moet de data opnieuw worden geclusterd. Het grote nadeel van de laatste twee methoden zijn dat er data van de in- en uitgang nodig zijn. Bij het ontwerp van een fuzzy regelaar is ook relatief veel data nodig van de stuurwaarde. Dit is vaak niet voorhanden. |
| Inferentie methoden Een paar mogelijkheden van voorbeelden zijn: � MIN-MAX methode � MIN-MIN methode � Product methode De MIN-MAX methode wordt het meest toegepast. |
| LMF's opzetten met intu�tie Aan de hand van de aanwezige kennis kunnen de LMF's opgesteld worden. Bij de volgende twee methoden zijn verschillende gegevens bekend. � Ondergrens en bovengrens waartussen data vallen zijn bekend.Het interval tussen deze grenzen kan nu bijvoorbeeld in n gelijke stukken worden verdeeld. Aannamen: bij allebei de grenswaarden is de lidmaatschapswaarde gelijk aan 1 (eenheidswaarde), bij de eenheidswaarde van een functie hebben de andere functies een lidmaatschapswaarde van nu en de lidmaatschapswaarde is proportioneel met de afstand van punt met (u=0) tot het punt met (u=1). Dus bij een verdeling van n stuks worden n+1 lidmaatschapsfuncties gevonden. Vervolgens kan voor elke lidmaatschapsfunctie een lingu�stisch term worden gegeven. � Waarnemen van het systeem. De waarden die een bepaalde term het beste representeren zijn dan de typische waarde of interval voor die term. Aannamen: elk typisch waarde of interval representeert een lingu�stische term met de eenheidswaarde (u=1). bij de eenheidswaarde van een functie hebben de andere functies een lidmaatschapswaarde van nu en de lidmaatschapswaarde is proportioneel met de afstand van punt met (u=0) tot het punt met (u=1). Nu kunnen de lidmaatschapsfuncties voor alle termen worden gedefinieerd. |
| Mogelijkheden Op deze pagina worden verschillende mogelijkheden gegeven bij het ontwerp van een fuzzy systeem. De vrijheid bij fuzzy logic is groot, het is dus niet mogelijk een totaal beeld te geven. |
| Lees verder: Wat is fuzzy logic?? Veel gebruikte uitdrukkingen. Wat is fuzzy control?? Voorbeeld van fuzzy control. Mogelijkheden van fuzzy control. |
 |
|
 |
|
|
 |