Главная › Тарифы › Обзор программного обеспечения на основе нечеткой логики. Fuzzy Logic: Четкие решения нечеткой логики

Обзор программного обеспечения на основе нечеткой логики. Fuzzy Logic: Четкие решения нечеткой логики

Свое начало математическая теория нечетких множеств (fuzzy sets) и сама нечеткая логика (fuzzy logic) ведет с 1965 года. Ее отцом-основателем является профессор Лотфи Заде (Lotfi Zadeh) из университета Беркли, именно он в своей статье «Fuzzy Sets» в журнале Information and Control и ввел оба этих понятия. Данный математический аппарат позволил ввести в такую точную науку, как математика, нечеткие (размытые) понятия, которыми оперирует любой человек, и заложил основу принципиально новым методам решения задач на основе мягких вычислений . Все эти нововведения, при правильном их использовании, могут значительно облегчить процесс решения задач классификации, создания экспертных систем и построения нейронных сетей.

Однако практическое применение нечеткой логики этим не ограничилось, в действительности свое наибольшее распространение данный математический аппарат получил в теории автоматического управления . Именно с этим и можно связать появление еще одного нового понятия - нечеткой модели . Нечеткая модель - это частный случай математической модели .

1. Теория нечетких множеств и нечеткой логики

Новая теория Лотфи Заде в некотором роде расширяет привычные нам границы математической логики и теории множеств. Математическая логика способна работать только со строго формализованными данными, а принадлежность объекта к тому или иному множеству определяется лишь двумя понятиями, то есть само понятие "принадлежность" - дискретная величина, способная принимать два значения:

"1" - если объект принадлежит тому или иному множеству;
"0" - если не принадлежит.

В своей теории нечетких множеств Лотфи Заде отошел от дискретного понятия "принадлежности" и ввел новое - "степень принадлежности", а привычные "множества" были заменены на "нечеткие множества".

1.1. Основные термины и определения

Определение 1. Нечетким множеством (fuzzy set) на универсальном множестве называется совокупность пар , где - степень принадлежности элемента нечеткому множеству.

Определение 2. Степень принадлежности - это число из диапазона . Чем выше степень принадлежности, тем в большей мере элемент универсального множества соответствует свойствам данного нечеткого множества. Так, если степень принадлежности равна 0, то данный элемент абсолютно не соответствует множеству, а если равна 1, то можно говорить, наоборот, о полном соответствии. Эти два случая являются краевыми и в отсутствии иных вариантов представляли бы из себя обычное множество. Наличие всех остальных вариантов и есть ключевое отличие нечеткого множества.

Определение 3. Функцией принадлежности (membership function) называется функция, которая позволяет вычислить степень принадлежности произвольного элемента универсального множества нечеткому множеству. Следовательно, область значений функций принадлежности должна принадлежать диапазону . В большинстве случаев функция принадлежности - это монотонная непрерывная функция.

Определение 4. Лингвистической (нечеткой) переменной (linguistic variable) называется переменная, значениями которой могут быть слова или словосочетания некоторого естественного или искусственного языка. Именно из лингвистических переменных и состоят нечеткие множества. При определении нечеткого множества количество и характер нечетких переменных субъективны для каждой отдельной задачи.

Определение 5. Терм–множеством (term set) называется множество всех возможных значений, которые способна принимать лингвистическая переменная.

Определение 6. Термом (term) называется любой элемент терм–множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности. Функция принадлежности для каждого термина индивидуальна и зачастую уникальна. Существуют различные методы построения этих функций: прямые , косвенные и методы относительных частот . В их основе зачастую лежат характерные точки функции принадлежности или эмпирические данные эксперта данной предметной области.

Пример:

Определим некоторую лингвистическую переменную с названием "Возраст". По определению "Возраст" - период, ступень в развитии и росте человека, животного, растения. Минимальное значение этой переменной равно 0, то есть человеку не исполнилось и года. В качестве максимального значения возьмем 80. В зависимости от конкретного возраста человека мы можем дать оценку: "новорожденный", "юный", "молодой", "среднего", "старый", "пожилой" и так далее. Этот список может вместить в себя довольно большое количество элементов. Он будет являться терм-множеством для нашей лингвистической переменной, а его элементами - термами.

На рисунке ниже приведен пример нечеткой переменной "Возраст", для которой задали терм-множество только из трех термов: "Юный", "Средний", "Старый". Каждый из термов имеет свою функцию принадлежности.

Рассмотрим случай, когда возраст человека равен 30 годам, что на рисунке будет соответствовать перпендикуляру, проведенному из точки (30, 0). Эта прямая будет пересекать все три функции принадлежности в точках:

(30, 0) - точка пересечения графика "Возраст 30 лет" и графика "Старый".
(30, 0.29) - точка пересечения графика "Возраст 30 лет" и графика "Средний".
(30, 0.027) - точка пересечения графика "Возраст 30 лет" и графика "Юный".

Из координат этих трех точек можно сделать вывод, что человека в 30 лет никак нельзя назвать старым, а если выбирать между юным и средним возрастом, то преобладает второе. Степень принадлежности к терму "Средний" равна 0.29, что довольно мало, и в действительности для человека в 30 лет куда лучше подошел бы иной терм, например "Молодой".

Определение 7. Дефаззификацией (defuzzification) называется процедура преобразования нечеткого множества в четкое число. На данный момент выделяют более двадцати методов, причем их результаты могут весьма значимо отличаться друг от друга. Следует отметить, что лучшие результаты дает дефаззификации по методу центра тяжести (center of gravity).

1.2. Нечеткая логика

Нечеткая логика - это обобщение традиционной аристотелевой логики на случай, когда истинность рассматривается как лингвистическая переменная. Как и в классической логике, для нечеткой логики определены свои нечеткие логические операции над нечеткими множествами. Для нечетких множеств существуют все те же операции, что и для обычных множеств, только их вычисление на порядок сложнее. Отметим также, что композиция нечетких множеств - есть нечеткое множество.

Основными особенностями нечеткой логики, отличающими ее от классической, являются максимальная приближенность к отражению реальности и высокий уровень субъективности, вследствие чего могут возникнуть значительные погрешности в результатах вычислений с ее использованием.

Нечеткая модель - математическая модель, в основе вычисления которой лежит нечеткая логика. К построению таких моделей прибегают в случае, когда предмет исследования имеет очень слабую формализацию, и его точное математическое описание слишком сложное или просто не известно. Качество выходных значений этих моделей (погрешность модели) напрямую зависит только от эксперта, который составлял и настраивал модель. Для минимизации ошибки лучшим вариантом будет составление максимально полной и исчерпывающей модели и последующая ее настройка средствами машинного обучения на большой обучающей выборке.

Ход построения модели можно разделить на три основных этапа:

Определение входных и выходных параметров модели.
Построение базы знаний.
Выбор одного из методов нечеткого логического вывода.

От первого этапа непосредственно зависят два других, и именно он определяет будущее функционирование модели. База знаний или, как по-другому ее называют, база правил - это совокупность нечетких правил вида: "если, то", определяющих взаимосвязь между входами и выходами исследуемого объекта. Количество правил в системе не ограниченно и также определяется экспертом. Обобщенный формат нечетких правил такой:

Если условие (посылка) правила, то заключение правила.

Условие правила характеризует текущее состояние объекта, а заключение - то, как это условие повлияет на объект. Общий вид условий и заключений нельзя выделить, так как они определяются нечетким логическим выводом.

Каждое правило в системе имеет вес - данный параметр характеризует значимость правила в модели. Весовые коэффициенты присваиваются правилу в диапазоне . Во многих примерах нечетких моделей, которые можно встретить в литературе, данные веса не указаны, но это не означает, что их нет, в действительности для каждого правила из базы в таком случае вес фиксирован и равен единице. Условия и заключения для каждого правила могут быть двух видов:

простое - в нем участвует одна нечеткая переменная;
составное - участвуют несколько нечетких переменных.

В зависимости от созданной базы знаний для модели определяется система нечеткого логического вывода. Нечетким логическим выводом называется получение заключения в виде нечеткого множества, соответствующего текущим значениях входов, с использованием нечеткой базы знаний и нечетких операций. Двумя основными типами нечеткого логического вывода являются Мамдани и Сугено.

1.3. Нечеткий логический вывод Мамдани

Нечеткий логический вывод по алгоритму Мамдани выполняется по нечеткой базе знаний:

Значения входных и выходной переменной в ней заданы нечеткими множествами.

v нечеткому терму t.

j-го правила из базы знаний;

где - операция из s-нормы (t-нормы), т.е. из множества реализаций логической операции ИЛИ (И). Наиболее часто используются следующие реализации: для операции ИЛИ - нахождение максимума и для операции И - нахождение минимума.

Особенностью этого нечеткого множества является то, что универсальным множеством для него является терм-множество выходной переменной .

Иными словами, используя термины нечеткой логики, произвести импликацию и агрегацию условий. Импликация моделируется двумя методами: нахождением минимума или произведения множеств, агрегация - нахождением максимума или суммы множеств.

После этого мы получим результирующее нечеткое множество, дефаззификация которого и даст нам точный выход системы.

1.4. Нечеткий логический вывод Сугено

Нечеткий логический вывод по алгоритму Сугено выполняется по нечеткой базе знаний:

База знаний Сугено аналогична базе знаний Мамдани за исключением заключений правил , которые задаются не нечеткими термами, а линейной функцией от входов:

Правила в базе знаний Сугено являются своего рода переключателями с одного линейного закона "входы - выход" на другой, тоже линейный. Границы подобластей размытые, следовательно, одновременно могут выполняться несколько линейных законов, но с различными степенями.

Эту базу также можно записать как:

Введем новое обозначение: - функция принадлежности входной или выходной нечеткой переменной v нечеткому терму t.

Степени принадлежности входного вектора нечетким термам из базы знаний рассчитываются следующим образом:

Данная функция будет характеризовать результат работы j-го правила из базы знаний;

где - операция из s-нормы (t-нормы), т.е. из множества реализаций логической операции ИЛИ (И). В нечетком логическом выводе Сугено наиболее часто используются следующие реализации треугольных норм: вероятностное ИЛИ как s-норма и произведение как t-норма.

После нахождения для мы получим m новых функций принадлежности, которые в совокупности будут образовывать новое нечеткое множество, обозначим его , соответствующее входному вектору .

Обратим внимание, что в отличие от результата вывода Мамдани, приведенное выше нечеткое множество является обычным нечетким множеством первого порядка. Оно задано на множестве четких чисел. Результирующее значение выхода определяется как суперпозиция линейных зависимостей, выполняемых в данной точке n- мерного факторного пространства. Для этого дефаззифицируют нечеткое множество , находя взвешенное среднее или взвешенную сумму .

2. Библиотека нечеткой логики FuzzyNet

На практике создание и работа даже с очень простой нечеткой моделью - весьма непростая задача, однако имеется множество различных программных средств и библиотек, которые существенно ее упрощают. Рассмотрим на примерах тестовых скриптов из библиотеки FuzzyNet для MQL5 процесс создания и работы с двумя нечеткими моделями.

2.1. Проектирование систем типа Мамдани

Первый пример - скрипт Tips_Sample_Mamdani.mq5 из библиотеки FuzzyNet для MQL5. В нем реализована нечеткая модель для вычисления чаевых, которые посетителю заведения предпочтительнее оставить, опираясь на свою оценку качества обслуживания и еды. Данная система имеет два нечетких логических входа, один выход, базу знаний из трех правил и систему логического вывода типа Мамдани.

Входными параметрами будут нечеткие переменные "еда" (food ) и "сервис" (service ), обе переменные оцениваются по шкале от 0 до 10 - это их минимальные и максимальные значения. Переменная "еда" состоит из двух термов: "невкусная" (rancid ), "вкусная" (delicious ). Переменная "сервис" будет состоять из трех нечетких термов: "плохой" (poor ), "хороший" (good ), "отличный" (excellent ).

На выходе получим нечеткую переменную "чаевые" (tips ). Определим диапазон значений оставляемых чаевых от 5 до 30% процентов от суммы в чеке и заведем для этой переменной три терма: "маленькие" (cheap ), "средние" (average ), "большие" (generous ).

База знаний этой системы будет состоять из трех правил:

Если (сервис плохой) или (еда невкусная), то чаевые маленькие.
Если (сервис хороший), то чаевые средние.
Если (сервис отличный) или (еда вкусная), то чаевые большие.

Теперь, имея общие представления о системе, рассмотрим процесс ее создания:

Подключим файл MamdaniFuzzySystem.mqh из библиотеки FuzzyNet для MQL5:
#include Данный файл позволяет создавать системы типа Мамдани и работать с ними.
Теперь мы можем создать пустую систему Мамдани и далее ее наполнять:
MamdaniFuzzySystem *fsTips=new MamdaniFuzzySystem();
Создадим первую входную переменную "сервис". При создании нечетких переменных в качестве параметров для конструктора указывается сначала имя переменной в виде строки, затем ее минимальное и максимальное значение.
FuzzyVariable *fvService=new FuzzyVariable("service" ,0.0 ,10.0 );
Добавим в нее нечеткие термы. В качестве параметров конструктор нечетких терминов принимает первым параметром имя в виде строки, а вторым - соответствующую ему функцию принадлежности.
fvService.Terms().Add(new FuzzyTerm("poor" , new TriangularMembershipFunction(-5.0 , 0.0 , 5.0 ))); fvService.Terms().Add(new FuzzyTerm("good" , new TriangularMembershipFunction(0.0 , 5.0 , 10.0 ))); fvService.Terms().Add(new FuzzyTerm("excellent" , new TriangularMembershipFunction(5.0 , 10.0 , 15.0 ))); Функции принадлежности в данном примере для всех термов представлены в виде треугольной функции.
Теперь уже готовую и сформированную нечеткую переменную добавляем в нашу систему:
fsTips.Input().Add(fvService);
Аналогично реализуем второй вход для системы с переменной "еда", только термины для этой переменной будут иметь трапециевидную функцию принадлежности.
FuzzyVariable *fvFood=new FuzzyVariable("food" ,0.0 ,10.0 ); fvFood.Terms().Add(new FuzzyTerm("rancid" , new TrapezoidMembershipFunction(0.0 , 0.0 , 1.0 , 3.0 ))); fvFood.Terms().Add(new FuzzyTerm("delicious" , new TrapezoidMembershipFunction(7.0 , 9.0 , 10.0 , 10.0 ))); fsTips.Input().Add(fvFood);
Поскольку система имеет логический вывод Мамдани, ее входные и выходные значения будет определяться одними и теми же способами. Поэтому по аналогии создадим выход:
FuzzyVariable *fvTips=new FuzzyVariable("tips" ,0.0 ,30.0 ); fvTips.Terms().Add(new FuzzyTerm("cheap" , new TriangularMembershipFunction(0.0 , 5.0 , 10.0 ))); fvTips.Terms().Add(new FuzzyTerm("average" , new TriangularMembershipFunction(10.0 , 15.0 , 20.0 ))); fvTips.Terms().Add(new FuzzyTerm("generous" , new TriangularMembershipFunction(20.0 , 25.0 , 30.0 ))); fsTips.Output().Add(fvTips);
Создадим нечеткие правила, которые в совокупности будут представлять базу знаний нашей системы. Для создания правила необходимо вызвать метод ParseRule от объекта, который представляет нашу систему, и в качестве параметра передать ему простое строковое представление нечеткого правила:
MamdaniFuzzyRule *rule1 = fsTips.ParseRule("if (service is poor) or (food is rancid) then (tips is cheap)" ); MamdaniFuzzyRule *rule2 = fsTips.ParseRule("if (service is good) then (tips is average)" ); MamdaniFuzzyRule *rule3 = fsTips.ParseRule("if (service is excellent) or (food is delicious) then (tips is generous)" );
Написание нечетких правил строго типизировано и не допускает использование неключевых слов. Ключевыми словами являются: "if", "then", "is", "and", "or", "not", "(" , ")", "slightly", "somewhat", "very", "extremely". Последние четыре ключевых слова являются лингвистическими квантификаторами. Также к ключевым словам относятся все имена переменных, терминов и функций, имеющихся в вашей системе. Лингвистическими квантификаторами увеличивают или, наоборот, уменьшают значимость нечетких термов или линейных функций Сугено. Реализация лингвистических квантификаторов:
1. "slightly" - "едва", заменяет результат посылки на ее кубический корень. Сильно уменьшает значимость.
2. "somewhat" - "отчасти", заменяет результат посылки на ее квадратный корень. Уменьшает значимость.
3. "very" - "очень", возводит результат посылки во вторую степень. Увеличивает значимость.
4. "extremely" - "экстремально", возводит результат посылки в третью степень. Сильно увеличивает значимость.
Осталось лишь добавить правила в систему:
fsTips.Rules().Add(rule1); fsTips.Rules().Add(rule2); fsTips.Rules().Add(rule3);

Теперь мы имеем готовую модель вычисления чаевых на основе системы нечеткого логического вывода Мамдани.

2.2. Проектирование систем типа Сугено

Примером реализации системы типа Сугено будет скрипт для вычисления необходимого управления системой круиз-контроля автомобиля. Этот скрипт описан в файле Cruise_Control_Sample_Sugeno.mq5 библиотеки FuzzyNet для MQL5 и является одним из примеров применения нечетких моделей для решения задач автоматического управления.

Именно для таких одномерных задач в системах автоматического управления (САУ) и нашла наибольшее распространение нечеткая логика. Постановка этих задач звучит примерно так: некий объект в момент времени находится в состоянии "A", необходимо, чтобы за время он пришел в состояние "B". Для решения задач такого типа весь временной участок разбивают на частей, находят шаг по времени, равный , и далее САУ необходимо вырабатывать управление в каждой точке , где i=0,1,2...n .

С данной задачей легко справляются различные ПИД -регуляторы , но у них есть один существенный недостаток - они не могут выработать, скажем так, "плавное" управление. То есть если построить систему круиз-контроля автомобиля на основе ПИД-регулятора, при изменении скорости эта система выведет вас на заданную, но при этом могут быть различные рывки и толчки. Нечеткий регулятор сможет выполнить все гораздо плавнее и комфортнее с точки зрения человека.

Становится очевидным, что на выходе нашего нечеткого регулятора будет необходимое изменение скорости в виде ускорения, а на входе будет ошибка и первая производная по ошибке. Ошибка - отклонение текущего состояния от желаемого. Иными словами, на вход системы будут поступать следующие сведения:

разность между скоростью автомобиля в данный момент и скоростью, установленной в системе круиз-контроля;
как быстро эта разность уменьшается (увеличивается).

Итак, первый входной параметр "ошибка скорости" (SpeedError ) будет принимать значения от -20 до 20 км/ч и иметь три терма: "уменьшилась" (slower ), "не изменилась" (zero ), "увеличилась" (faster ). Все три терма будут иметь треугольную функцию принадлежности. Второй вход - "производная по ошибке скорости" (SpeedErrorDot ) с диапазоном от -5 до 5 и нечеткими термами "уменьшилась" (slower ), "не изменилась" (zero ), "увеличилась" (faster ) также с треугольной функцией принадлежности.

Поскольку наша модель имеет систему логического вывода Сугено, выходное значение "ускорение" (Accelerate ) не будет иметь максимального и минимального значения, а вместо нечетких терминов будут линейные комбинации входных переменных, которые также будут иметь имена: "не изменять" (zero ), "увеличить" (faster ), "уменьшить" (slower ), "поддерживать" (func ). Распишем все четыре линейные комбинации. Для этого обозначим переменные SpeedError как , SpeedErrorDot как , а Accelerate как , тогда получим уравнения:

База знаний этой системы будет состоять из девяти правил:

Если (ошибка уменьшилась) и (производная по ошибке уменьшилась), то ускорение увеличить.
Если (ошибка уменьшилась) и (производная по ошибке не изменилась), то ускорение увеличить.
Если (ошибка уменьшилась) и (производная по ошибке увеличилась), то ускорение не изменять.
Если (ошибка не изменилась) и (производная по ошибке уменьшилась), то ускорение увеличить.
Если (ошибка не изменилась) и (производная по ошибке не изменилась), то ускорение поддерживать.
Если (ошибка не изменилась) и (производная по ошибке увеличилась), то ускорение уменьшить.
Если (ошибка увеличилась) и (производная по ошибке уменьшилась), то ускорение увеличить.
Если (ошибка увеличилась) и (производная по ошибке не изменилась), то ускорение уменьшить.
Если (ошибка увеличилась) и (производная по ошибке увеличилась), то ускорение уменьшить.

Рассмотрим непосредственно ход создания системы:

Подключим файл SugenoFuzzySystem.mqh из библиотеки FuzzyNet для MQL5:
#include Данный файл позволяет создавать системы типа Сугено и работать с ними.
Теперь мы можем создать пустую систему Сугено и далее ее наполнять:
SugenoFuzzySystem *fsCruiseControl=new SugenoFuzzySystem();
Входные переменные для системы Сугено создаются так же, как и для системы типа Мамдани.
Создадим переменную "ошибка скорости" и добавим ее в систему:
FuzzyVariable *fvSpeedError=new FuzzyVariable("SpeedError" ,-20.0 ,20.0 ); fvSpeedError.Terms().Add(new FuzzyTerm("slower" ,new TriangularMembershipFunction(-35.0 ,-20.0 ,-5.0 ))); fvSpeedError.Terms().Add(new FuzzyTerm("zero" , new TriangularMembershipFunction(-15.0 , -0.0 , 15.0 ))); fvSpeedError.Terms().Add(new FuzzyTerm("faster" , new TriangularMembershipFunction(5.0 , 20.0 , 35.0 )));
Создадим переменную "изменение ошибки скорости" и также добавим ее в систему:
FuzzyVariable *fvSpeedErrorDot=new FuzzyVariable("SpeedErrorDot" ,-5.0 ,5.0 ); fvSpeedErrorDot.Terms().Add(new FuzzyTerm("slower" , new TriangularMembershipFunction(-9.0 , -5.0 , -1.0 ))); fvSpeedErrorDot.Terms().Add(new FuzzyTerm("zero" , new TriangularMembershipFunction(-4.0 , -0.0 , 4.0 ))); fvSpeedErrorDot.Terms().Add(new FuzzyTerm("faster" , new TriangularMembershipFunction(1.0 , 5.0 , 9.0 )));
Создадим нечеткую переменную типа Сугено, которая будет являться выходом системы. При создании нечеткой переменной конструктор принимает лишь один параметр - ее имя. Далее в нее можно добавлять линейные функции, но прежде эти функции нужно определить, а для этого нужен массив коэффициентов типа double .
Формирование линейной функции осуществляется следующим образом: каждая входная переменная будет являться неизвестной уравнения с коэффициентом, полученным из массива коэффициентов. Таким образом, коэффициенты в массиве должны располагаться в том порядке, в котором заносились входные переменные. Так, при первой входной переменной будет коэффициент с индексом 0, при второй - с индексом 1 и так далее. Поэтому длина массива коэффициентов должна быть больше на единицу или равна количеству входных переменных. Если длины равны, то коэффициент при свободном члене будет равен нулю, иначе его значение будет равно последнему элементу массива.
В нашей системе две входные переменные, поэтому длины массивов коэффициентов не должны превышать трех. Объявим все четыре массива, на их основе сформируем описанные выше функции и добавим их в нечеткую переменную типа Сугено, а ее, в свою очередь, занесем в систему:
SugenoVariable *svAccelerate=new SugenoVariable("Accelerate" ); double coeff1={0.0 ,0.0 ,0.0 }; svAccelerate.Functions().Add(fsCruiseControl.CreateSugenoFunction("zero" ,coeff1)); double coeff2={0.0 ,0.0 ,1.0 }; svAccelerate.Functions().Add(fsCruiseControl.CreateSugenoFunction("faster" ,coeff2)); double coeff3={0.0 ,0.0 ,-1.0 }; svAccelerate.Functions().Add(fsCruiseControl.CreateSugenoFunction("slower" ,coeff3)); double coeff4={-0.04 ,-0.1 ,0.0 }; svAccelerate.Functions().Add(fsCruiseControl.CreateSugenoFunction("func" ,coeff4)); fsCruiseControl.Output().Add(svAccelerate);
По аналогии с системой Мамдани создадим все девять нечетких правил:
SugenoFuzzyRule *rule1 = fsCruiseControl.ParseRule("if (SpeedError is slower) and (SpeedErrorDot is slower) then (Accelerate is faster)" ); SugenoFuzzyRule *rule2 = fsCruiseControl.ParseRule("if (SpeedError is slower) and (SpeedErrorDot is zero) then (Accelerate is faster)" ); SugenoFuzzyRule *rule3 = fsCruiseControl.ParseRule("if (SpeedError is slower) and (SpeedErrorDot is faster) then (Accelerate is zero)" ); SugenoFuzzyRule *rule4 = fsCruiseControl.ParseRule("if (SpeedError is zero) and (SpeedErrorDot is slower) then (Accelerate is faster)" ); SugenoFuzzyRule *rule5 = fsCruiseControl.ParseRule("if (SpeedError is zero) and (SpeedErrorDot is zero) then (Accelerate is func)" ); SugenoFuzzyRule *rule6 = fsCruiseControl.ParseRule("if (SpeedError is zero) and (SpeedErrorDot is faster) then (Accelerate is slower)" ); SugenoFuzzyRule *rule7 = fsCruiseControl.ParseRule("if (SpeedError is faster) and (SpeedErrorDot is slower) then (Accelerate is faster)" ); SugenoFuzzyRule *rule8 = fsCruiseControl.ParseRule("if (SpeedError is faster) and (SpeedErrorDot is zero) then (Accelerate is slower)" ); SugenoFuzzyRule *rule9 = fsCruiseControl.ParseRule("if (SpeedError is faster) and (SpeedErrorDot is faster) then (Accelerate is slower)" );
Добавим их в нашу систему:
fsCruiseControl.Rules().Add(rule1); fsCruiseControl.Rules().Add(rule2); fsCruiseControl.Rules().Add(rule3); fsCruiseControl.Rules().Add(rule4); fsCruiseControl.Rules().Add(rule5); fsCruiseControl.Rules().Add(rule6); fsCruiseControl.Rules().Add(rule7); fsCruiseControl.Rules().Add(rule8); fsCruiseControl.Rules().Add(rule9);

2.3. Расчет систем типа Мамдани и Сугено

На вход нечеткой системы должна подаваться нечеткая переменная и ее значение. Как говорилось выше, нечеткие переменные принимают значения из их терм-множества. Следовательно, результат вычисления системы будет зависть от функций принадлежности, которые соответствуют термам, поданным на вход, при нечетких входных переменных. Однако в большинстве случаев на вход системы посылают нечеткие переменные в виде простых числовых значений и на выходе хотят получить точный результат в таком же виде. В этом случае получается так, что нечеткий терм не имеет явного объявления, а его функция принадлежности представляется как константная функция принадлежности. Именно с этим частным случаем и работают системы, написанные с использованием библиотеки FuzzyNet.

Что же именно нужно подавать на вход системы и в каком виде мы получим результат от нее?

Количество входных переменных для нечетких систем не ограниченно, каждый вход обязательно должен принимать какие-то значения, следовательно, мы должны иметь список, в котором будем хранить значения для каждого входа. Элементами этого списка должен быть сложный объект с двумя полями: первое - нечеткая переменная, а второе - числовое значение типа double . В файле Dictionary.mqh из библиотеки FuzzyNet на MQL5 реализован класс Dictionary_Obj_Double , позволяющий создавать такие объекты.

Сформируем входной список для нашей системы типа Мамдани:

CList *in =new CList; Dictionary_Obj_Double *p_od_Service=new Dictionary_Obj_Double; Dictionary_Obj_Double *p_od_Food=new Dictionary_Obj_Double; p_od_Service.SetAll(fvService, Service); p_od_Food.SetAll(fvFood, Food); in .Add(p_od_Service); in .Add(p_od_Food);

Здесь Service и Food - два входных параметра типа double .

В описанных выше примерах обе системы, как Мамдани так и Сугено, имеют лишь по одному выходу, хотя в общем случае, как и на входы, никаких ограничений на их количество нет. Структура входа и выхода ничем не отличается.

Выход для системы типа Мамдани:

CList *result=new CList; Dictionary_Obj_Double *p_od_Tips=new Dictionary_Obj_Double;

Теперь для каждой системы вызываем функцию Calculate , которая принимает один параметр - список входов, а возвращает список выходов. По индексу 0 из этого списка получим значения выхода системы, который представлен как объект класса Dictionary_Obj_Double. Используя методы Key и Value для данного объекта, можно получить переменную и ее результат соответственно.

Выполним расчет для системы Мамдани и выведем на экран полученное число при нечеткой выходной переменной fvTips :

Result=fsTips.Calculate(in); p_od_Tips=result.GetNodeAtIndex(0 ); Alert ("Tips, %: " ,p_od_Tips.Value());

Проделаем то же самое с системой типа Сугено:

CList *in =new CList; Dictionary_Obj_Double *p_od_Error=new Dictionary_Obj_Double; Dictionary_Obj_Double *p_od_ErrorDot=new Dictionary_Obj_Double; p_od_Error.SetAll(fvSpeedError,Speed_Error); p_od_ErrorDot.SetAll(fvSpeedErrorDot,Speed_ErrorDot); in .Add(p_od_Error); in .Add(p_od_ErrorDot); CList *result=new CList; Dictionary_Obj_Double *p_od_Accelerate=new Dictionary_Obj_Double; result=fsCruiseControl.Calculate(in ); p_od_Accelerate=result.GetNodeAtIndex(0 ); Alert("Accelerate, %: " ,p_od_Accelerate.Value()*100 );

Заключение

Более подробно ознакомиться со скриптами, описанными выше, а также создать свою нечеткую модель вы можете, скачав библиотеку FuzzyNet для MQL5 или MQL4 . Важно понимать, что построение "боевых" нечетких моделей - это довольно непростая работа, даже с использованием каких-либо вспомогательных библиотек, а каждая готовая модель требует обязательной доскональной проверки и настройки.

Более подробное и объемное описание нечетких регуляторов.

Осовский С. Нейронные сети для обработки информации .

Статья Андрея Масаловича:

Классическая логика по определению не может оперировать с нечетко очерченными понятиями, поскольку все высказывания в формальных логических системах могут иметь только два взаимоисключающих состояния: «истина» со значением истинности «1» и «ложь» со значением истинности «0». Одной из попыток уйти от двузначной бинарной логики для описания неопределенности было введение Лукашевичем трехзначной логики с третьим состоянием «возможно» со значением истинности «0,5». Введя в рассмотрение нечеткие множества, Заде предложил обобщить классическую бинарную логику на основе рассмотрения бесконечного множества значений истинности. В предложенном Заде варианте нечеткой логики множество значений истинности высказываний обобщается до интервала 0 ; 1 , т.е. включает как частные случаи классическую бинарную логику и трехзначную логику Лукашевича. Такой подход позволяет рассматривать высказывания с различными значениями истинности и выполнять рассуждения с неопределенностью.

Нечеткое высказывание – это законченная мысль, об истинности или ложности которой можно судить только с некоторой степенью уверенности 0 ; 1: «возможно истинно», «возможно ложно» и т.п. Чем выше уверенность в истинности высказывания, тем ближе значение степени истинности к 1 . В предельных случаях 0 , если мы абсолютно уверены в ложности высказывания, и 1 , если мы абсолютно уверены в истинности высказывания, что соответствует классической бинарной логике. В нечеткой логике нечеткие высказывания обозначаются так же, как и нечеткие множества: A , B , C … . Введем нечеткое отображение T: Ω → 0 ; 1 , которое действует на множестве нечетких высказываний Ω = A , B , C … . В этом случае значение истинности высказывания A ∈ Ω определяется как T A ∈ 0 ; 1 и является количественной оценкой нечеткости, неопределенности, содержащейся в высказывании A .

Логическое отрицание нечеткого высказывания A обозначается ¬ A – это унарная (т.е. производимая над одним аргументом) логическая операция, результат которой является нечетким высказыванием «не A », «неверно, что A », значение истинности которого:

T ¬ A = 1 − T A .

Помимо приведенного выше исторически принятого основного определения нечеткого логического отрицания (нечеткого «НЕ»), введенного Заде, могут использоваться следующие альтернативные формулы:

T ¬ A = 1 − T A 1 + λT A , λ > − 1, – нечеткое λ -дополнение по Сугено;

T ¬ A = 1 − T A p , p > 0, – нечеткое p -дополнение по Ягеру.

Логическая конъюнкция нечетких высказываний A и B обозначается A ∩ B – это бинарная (т.е. производимая над двумя аргументами) логическая операция, результат которой является нечетким высказыванием « A и B », значение истинности которого:

T A ∩ B = min T A ; T B .

Помимо приведенного выше исторически принятого основного определения логической конъюнкции (нечеткого «И»), введенного Заде, могут использоваться следующие альтернативные формулы:

T A ∩ B = T A T B – в базисе Бандлера-Кохоута;

T A ∩ B = max T A + T B − 1 ; 0 – в базисе Лукашевича-Гилеса;

T A ∩ B = T B , при T A = 1 ; T A , при T B = 1 ; 0, в остальных случаях; – в базисе Вебера.

Логическая дизъюнкция нечетких высказываний A и B обозначается A ∪ B – это бинарная логическая операция, результат которой является нечетким высказыванием « A или B », значение истинности которого:

T A ∪ B = max T A ; T B .

Помимо приведенного выше исторически принятого основного определения логической дизъюнкции (нечеткого «ИЛИ»), введенного Заде, могут использоваться следующие альтернативные формулы:

T A ∪ B = T A + T B − T A T B – в базисе Бандлера-Кохоута;

T A ∪ B = min T A + T B ; 1 – в базисе Лукашевича-Гилеса;

T A ∪ B = T B , при T A = 0 ; T A , при T B = 0 ; 1, в остальных случаях; – в базисе Вебера.

Нечеткая импликация нечетких высказываний A и B обозначается A ⊃ B – это бинарная логическая операция, результат которой является нечетким высказыванием «из A следует B », «если A , то B », значение истинности которого:

T A ⊃ B = max min T A ; T B ; 1 − T A .

Помимо приведенного выше исторически принятого основного определения нечеткой импликации, введенного Заде, могут использоваться следующие альтернативные определения нечеткой импликации, предложенные различными исследователями в области теории нечетких множеств:

T A ⊃ B = max 1 − T A ; T B – Гедель;

T A ⊃ B = min T A ; T B – Мамдани;

T A ⊃ B = min 1 ; 1 − T A + T B – Лукашевич;

T A ⊃ B = min 1 ; T B T A , T A > 0 – Гоген;

T A ⊃ B = min T A + T B ; 1 – Лукашевич-Гилес;

T A ⊃ B = T A T B – Бандлер-Кохоут;

T A ⊃ B = max T A T B ; 1 − T A – Вади;

T A ⊃ B = 1, T A ≤ T B ; T B , T A > T B ; – Бауэр.

Общее число введенных определений нечеткой импликации не ограничивается приведенными выше. Большое количество работ по изучению различных вариантов нечеткой импликации обусловлено тем, что понятие нечеткой импликации является ключевым при нечетких выводах и принятии решений в нечетких условиях. Наибольшее применение при решении прикладных задач нечеткого управления находит нечеткая импликация Заде.

Нечеткая эквивалентность нечетких высказываний A и B обозначается A ≡ B – это бинарная логическая операция, результат которой является нечетким высказыванием « A эквивалентно B », значение истинности которого:

T A ≡ B = min max T ¬ A ; T B ;max T A ; T ¬ B .

Так же, как в классической бинарной логике, в нечеткой логике с помощью рассмотренных выше логических связок можно формировать достаточно сложные логические высказывания.

6 сентября 2017 в возрасте 96 лет умер Лотфи Заде, создатель нечеткой логики.
6 сентября 2017 в компании, которая основана на технологиях нечеткой логики и нейронных сетей, и в которой я пока работаю, начались такие преобразования, которые только в рамках этой самой нечеткой логики и можно как-нибудь описать. И с завтрашнего дня будет расторгнут мой контракт, хотя если с 15 сентября я и становлюсь безработным, то это можно будет оценить только в терминах нечетной логики - на 0,28, на 0,78 или 1,58 - жизнь покажет.
А два года назад, к 50-летию нечеткой логики, Александр Малютин написал заметку на научпоп-сайт «Перельман перезвонит» (nowwow.info). Сайт этот ныне уже умер, и поэтому следует спасти статью. Ведь про нечетную логику написал журналист, который в свое время возглавлял «Известия». Кстати, блогеры-домохозяйки могут не выходить - нечетная логика объясняется на примере стиральной машины. Лучше поучитесь у профи, как надо писать.

К 50-ЛЕТИЮ ОДНОГО ИЗ САМЫХ УДАЧНЫХ МАТЕМАТИЧЕСКИХ ТЕРМИНОВ

Нечеткой логике полвека - в июне 1965 года в журнале Information and Control вышла основополагающая статья «Нечеткие множества» (Fuzzy Sets), которую написал американский математик азербайджанского происхождения Лотфи Заде. Долгих ему лет. Жаль, до юбилея не дожил британский математик танзанийского происхождения Ибрагим Мамдани, который в 1975 году представил первую реальную систему управления с нечеткой логикой - контроллер, следящий за работой парового двигателя. После чего технология стала активно развиваться, найдя применение во многих областях.

Заде 50 лет назад предложил математическое описание живой человеческой логики. В обычной математической логике есть только «истина» (обозначаемая еще числом 1) или «ложь» (0). В нечеткой логике степень истинности высказывания может быть любой - точнее, любым числом от 0 до 1. Красива ли вон та девушка? Ни да, ни нет, а «0,78; что красива».

Непривычно звучит. Как это вообще понять? Для простоты можно считать, что кто-то провел опрос, в котором 78% респондентов назвали девушку красивой, а остальные нет. А может ли быть от таких конструкций практическая польза? Вполне. Допустим, нужно принять решение, отправлять ли девушку на конкурс мисс чего-нибудь (серьезные расходы!), а для этого нужно оценить ее шансы на призовое место. Тогда-то и пригодятся оценки не только красоты, но и других важных для победы и тоже нечетких параметров: остроумия, эрудированности, доброты и т. п. Нужно только понять, откуда брать степени истинности и как оперировать с нечеткими данными. Заде понял. Необходимый для практики математический аппарат он разработал к 1973 году. Мамдани на его основе и сделал свой контроллер.

Заслуга Лотфи Заде не только в том, что он разработал новую теорию. Он ее крайне удачно назвал, выбрав общеупотребительное слово. Если бы вместо «нечеткой» взяли заумный термин, например, «континуальнозначная логика» (что, кстати, так и есть), у него не было бы шансов на широкую известность. Неспециалисты просто не употребляли бы это словосочетание, поскольку кто ж его знает, что оно означает.

Другое дело, когда у научного понятия есть бытовой омоним. Тогда обывателю кажется, что он понимает, о чем речь, особенно если посмотрел про это кино. Таких «понятных» терминов в математике и физике тоже немало. Черная дыра. Магический квадрат. Горизонт событий. Очарованный кварк. Теорема о двух милиционерах. Ну и конечно - матрица! Кто же не знает, что матрица - это когда Киану Ривз бегает по потолку. И не надо нам рассказывать про какие-то таблицы с числами.

Для развития науки вульгарные представления широких масс полезны. Обычных слов следовало бы даже добавить. Фильмов про горизонт событий снять побольше. Натяжек и ляпов не бояться. Главное, чтобы зритель ощущал прикосновение к переднему краю науки и величие человеческого, а, значит, и своего личного разума. Особенно если от такого зрителя зависит принятие решений о финансировании исследований.

Выдающийся советский ядерщик Георгий Флеров говорил: «Объяснять важному начальству научную проблему нужно не так, как правильно, а так, как ему будет понятно. Это ложь во благо». Правильно. Руководство не нужно смущать лекциями про «спонтанные нарушения электрослабой симметрии». Расскажите лучше про «частицу Бога» и «Великую тайну гравитации». Вранья, кстати, в этом особого нет - а инвестиции есть. Не беда, что околонаучные сказки порождают завышенные ожидания и, как следствие, избыточное вливание денег, заканчивающееся разорением. Общая польза в итоге перевешивает. Пузырь доткомов в 2001 году лопнул, но интернет-технологии получили мощнейший импульс.

Нечеткой логике в этом смысле повезло не только с собственным названием, но и с причислением к списку наук и технологий, объединенных названием «искусственный интеллект» - наряду с нейронными сетями, логическим программированием, экспертными системами и др. Это уже большая маркетинговая игра, где участники списка получают эффект от пакетной рекламы в рамках раскрутки единого научного мегабренда. Шутка ли: искусственный интеллект! Вот уж чарующая перспектива понятней некуда. Каждому в дом по железному слуге. Пусть умные кибернетические организмы делают всю работу, а мы будем только вводить пин-коды и пить пина-колады. Ради такого света в конце тоннеля не жаль никаких денег.

Флеровская «ложь во благо» на примере искусственного интеллекта сработала на 100%. Японское правительство с 1982-го по 1992 год потратило полмиллиарда долларов на разработку «компьютера пятого поколения» с элементами «мышления». Как задумывалось, не получилось. В частности, скис язык логического программирования Prolog, которому в 1980-е прочили первые роли. Ну и ладно. Все ж как с доткомами: роботов в некоторых странах в итоге все равно научились делать отличных.

Сегодня кибернетические системы видят, слышат и читают почти как люди, обыгрывают шахматных гроссмейстеров и зачастую эффективнее дипломированных специалистов управляют производственными процессами. Спасибо за столь мощное развитие темы помимо непосредственных разработчиков нужно сказать авторам удачной терминологии, а также Айзеку Азимову, Артуру Кларку, братьям Вачовски и всему коллективу киностудии имени Горького, подарившей советским детям образы роботов-вершителей.

Никаких разумных киборгов при этом на самом деле не создано. Пока даже нельзя уверенно сказать, что, пытаясь их сотворить, мы движемся в правильном направлении. Чтобы убедиться в этом, давайте посмотрим, как в самых общих чертах работает «умная» стиральная машина, которая благодаря блоку управления с нечеткой логикой умеет определять, когда одежда стала уже «достаточно чистой», чтобы слить воду и начать отжим. Пример любопытен еще и тем, что показывает, как практический результат достигается на стыке нескольких дисциплин: физики, химии и математики.
Задача управляющего устройства машины состоит в следующем. Принять на вход данные о степени загрязнения одежды и типе загрязнения. Проанализировать их и сформировать выходной параметр: время стирки.

За оба входных показателя отвечает оптический датчик, который определяет, насколько прозрачен моющий раствор. По степени его прозрачности можно судить о степени загрязнения: чем более грязная одежда загружена в бак, тем менее прозрачен раствор. А тип загрязнения определяется по скорости изменения прозрачности раствора. Жирные вещества плохо растворяются, поэтому чем медленнее изменяется концентрация раствора, тем с более жирным загрязнением приходится иметь дело. Все, датчик работу закончил.

Отметим, что он выдал два точных параметра, два конкретных числа: степень прозрачности раствора и скорость изменения прозрачности раствора. А вот дальше начинает работать алгоритм Ибрагима Мамдани.

На первом этапе, который называется фаззификацией (введением нечеткости), оба числа превращаются в нечеткие понятия. Допустим, мы ввели три градации загрязнения: «слабое», «среднее» и «сильное». Тогда вместо уровня прозрачности раствора появляются три нечетких суждения о загрязнении, скажем: «0,3; слабое», «0,6; среднее», «0,1; сильное».

Что значат эти цифры? Как и в случае с девушкой, чью нечеткую красоту мы обсуждали в начале текста, их можно считать результатами некоего референдума, на котором 30% граждан проголосовали, что загрязнение при данном уровне прозрачности раствора слабое, 60% - что среднее, 10% - сильное. А что, кто-то этот референдум проводил? Можно считать, что да.

В ходе разработки изделия собрались эксперты по машинной стирке и прикинули, как разложатся голоса «избирателей» в зависимости от уровня прозрачности раствора. А не шарлатанство ли это, спросите вы, математика же точная наука, какие еще эксперты по стирке? Да вот такие. Если вы всерьез хотите решить задачу, то найдете стоящих специалистов, чьи прикидки и оценки будут осмысленными и полезными.

Итак, у нас есть один нечеткий параметр «степень загрязнения», теперь нужен второй: «тип загрязнения». Проводим еще один «референдум». Допустим, он показал, что при такой скорости изменения концентрации раствора, которую нам выдал датчик, загрязнение следует считать, например, «0,2; малой жирности», «0,5; средней жирности», «0,3; большой жирности».

Наступает второй этап алгоритма: применение нечетких правил. Теперь вместе с экспертами мы обсуждаем, каким должно быть время стирки в зависимости от степени и типа загрязнения. Перебирая все возможные варианты, получаем - трижды три - девять правил следующего вида: «если загрязнение сильное и средней жирности, то время стирки - большое». Далее по законам логики (мы их для простоты пропустим) подсчитываем степень истинности для времени стирки. Пусть в результате нечеткое время стирки получилось таким: «0,1; малое», «0.7; среднее», «0,2; большое». Можно приступать к заключительному этапу.

Он называется дефаззификацией, то есть ликвидацией нечеткости - нам ведь необходимо дать машине точную вводную, сколько времени вращать барабан. Подходы есть разные, один из распространенных заключается в вычислении «центра тяжести». Допустим, эксперты сказали, что малое время стирки это 20 минут, среднее - 40 минут, большое - 60 минут. Тогда с учетом «веса» каждого значения получаем итоговый параметр: 20*0,1 + 40*0,7 + 60*0,2 = 42. Одежда будет «достаточно чистой» после 42 минут стирки. Ура.

Ибрагим Мамдани придумал красивую штуку, не правда ли? На первый взгляд, чуть ли не шаманство. У вас есть точные исходные цифры и нужно из них получить другие точные цифры. Но вы не корпите над выводом формул, а погружаетесь в мир нечетких понятий, как-то там ими оперируете, а потом возвращаетесь обратно в «точный» мир - с готовым ответом на руках.

Производители стиральных машин даже принялись рекламировать применение нечеткой логики и прямо на изделиях или в инструкциях писать Fuzzy Logic, Fuzzy Control, Logic Control. Бизнесмены люди прагматичные и не размещают каких попало слов на своем товаре. Так что если вы увидели на машине надпись Fuzzy Logic, это значит: она «продает» товар. Технология помимо своих сугубо потребительских свойств гипнотизирует покупателя еще и названием, мотивируя на расставание с лишней сотней долларов. Уж не знаю, получает ли с этого роялти Лотфи Заде, но это было бы справедливо. Ни один другой раздел математики на бытовой технике не упоминается.

Но вы же заметили, наверное, что по ходу описания работы стиральной машины с нечеткой логикой не встретилось ни одного места, где можно было бы заподозрить, что у машины появился собственный разум. Только инструкции вроде служебных, только решение запрограммированных задач. Машина будет вовремя сливать воду. Но она не будет понимать, что она делает и зачем. В ее микропроцессорную голову никогда не придет мысль перестать стирать и ради прикола устроить в ванной потоп. Если только эта мысль не посетит программиста, который для прикола встроит в машину еще какую-нибудь Funny Logic. Сама же машина до такого додуматься не может.

Вот вам и весь искусственный интеллект. Роботы учатся только имитировать человеческую деятельность, пусть даже такую, на которую мы сейчас тратим интеллектуальные усилия, например, на перевод с другого языка. Пусть даже они переводят лучше. Вы же не обижаетесь на подъемный кран, что он сильнее вас. И появление кранов не привело к исчезновению штангистов. Только теперь поднятие тяжестей это спорт и удовольствие, а таскать на себе мешки с цементом на стройке не надо. С переводами то же самое. Программа не умнее нас, просто мы смогли формализовать и эффективно сгрузить на нее некоторые наши умения, и теперь можем не тратить свои интеллектуальные усилия на технические переводы, а заняться, скажем, Шекспиром.
Считать, что машины приобретают интеллект благодаря передовым достижениям кибернетики - все равно что верить в карго-культ. Помните, как жители затерянного острова, увидев в небе самолет, сделали такую же фигуру из соломы и думали, что полетит? Они тогда ничего не знали о металлах и керосине, не говоря уже о подъемной силе - и поди объясни.

Так и у нас с «искусственным интеллектом». Роботы скоро смогут водить автомобили и наверняка когда-нибудь обыграют команду людей в футбол - тем более, что этот момент приближают не только японские инженеры, но и наша сборная. Но это будет не более чем имитация разумных действий на поле. Как те аборигены, мы не знаем пока чего-то критически важного, что позволило бы создать разумное существо.

У нас, говоря словами Станислава Лема, обязательно получится Усилитель Умения Водить Авто - как уже получился Усилитель Умения Остановить Стирку. А вот Усилитель Интеллекта, появление которого предсказывал великий фантаст, на основе нынешних технологий «искусственного интеллекта», в том числе нечеткой логики, несмотря на все ее изящество и полезность, не получится. Нечеткая логика это всего лишь способ сократить объем вычислений при решении некоторого класса задач. И на том спасибо.

Можно не бояться роботов-вершителей. Муки творчества, благородные порывы, научный поиск, мечтательность, достоинство, самопожертвование, готовность к подвигу, авантюризм, честь, дружба, гордость, предубеждение, зависть, алчность, жлобство, чванство, подлость, пошлость, доносительство, разводки, сливы, подставы - во всех этих номинациях мы с вами еще долго будем выступать куда круче наших меньших полупроводниковых собратьев.

Задумывались ли вы когда-нибудь о том, как мыслит человек? Какими словами мы обычно пользуемся, чтобы объяснить меру чего-либо? Выражения «Немного посолить», «слегка остудить», «пройти чуть дальше», «налить много», «принести мало» — совершенно обычны для человека. Именно такими категориями мы воспринимаем окружающую действительность. В нашей обычной жизни мы крайне редко пользуемся чёткими правилами и алгоритмами. У человека нет точных датчиков и измерительных приборов. Вместо этого у нас есть органы чувств и наше врождённое чувство меры. Но это нельзя назвать нашим недостатком, наоборот – в этом заключается наше главное преимущество. Это позволяет нам быть адаптивными. Дело в том, что окружающий мир настолько сложен, что ни одна супер-мега-крутая вычислительная машина не сможет учесть все его зависимости. Поэтому для точных компьютерных вычислений мы обычно упрощаем задачу, идеализируем её, отбрасываем несущественные факторы, принимаем какие-то допущения и т.д. Мы можем это сделать, именно потому, что наше чувство меры позволяет нам оценить «навскидку», какие факторы вносят значительный вклад, а какие несущественны. Однако существует довольно много задач, которые достаточно сложно формализовать, составить для них «чёткий» алгоритм.

Например, сложно представить, что какая-то автоматика будет печь пирожки вкуснее, чем бабушка Зина. Слишком много «нечётких» факторов в этом деле: и дрожжи каждый раз разные, и мука; от влажности и температуры в помещении тоже многое зависит. Только опытная бабушка сможет учесть все эти факторы.

Вот почему во многих случаях полезно наделить управляющее устройство «нечётким мышлением». В системе, где все влияющие на неё факторы учесть сложно или невозможно, — это позволяет заменить человека-эксперта, имеющего большой практический опыт, автоматикой. Сейчас на простом примере разберём, как это делается в технических системах.

На заводе «N» работает крановщик Василий. Трудится он на этом предприятии 40 лет, с того самого момента, как окончил ПТУ. Его задача состоит в том, чтобы поднимать краном паллеты с готовой продукцией и ставить на место складирования. Делать это умеет только Василий. За многие годы практики он чётко научился определять, с какой скоростью нужно двигаться на кране в зависимости от того, какой груз у него на крюке, за сколько метров до цели нужно начать останавливаться, как регулировать угол наклона стрелы крана, чтобы уменьшить раскачивание паллеты на крюке и т.д. Весь этот опыт позволяет ему каждый раз опускать груз точно в цель и делать это на оптимальной скорости.

Однако, Василию скоро на пенсию, а заменить его некому. К тому же, руководство завода взяло курс на автоматизацию производственного процесса. Для того, чтобы заменить крановщика интеллектуальным устройством, необходимо наделить его «нечёткой логикой» и экспертными знаниями Василия. Поехали…

Входы и выходы системы управления

Для начала определим входные и выходные параметры нашей будущей системы управления. Входами будут те критерии, с помощью которых Василий обычно оценивает текущее состояние системы:

Расстояние до цели
Амплитуда раскачивания груза на крюке крана

Выходы – управляющие воздействия, которые может вносить в систему крановщик, чтобы менять её текущее состояние:

Педаль газа — регулирует скорость, влияет на амплитуду раскачивания груза
Педаль тормоза — влияет на плавность остановки (амплитуду раскачивания груза)
Ручка управления стрелой крана – регулирует угол наклона стрелы, компенсирует раскачивание груза

Теперь обратимся к самому Василию, чтобы «добыть» из него бесценные экспертные знания.

Спрашиваем:

— «Василий, скажите, с какой скоростью нужно двигаться, чтобы максимально быстро доставлять груз до цели, но при этом не приходилось резко тормозить перед финишем, заставляя груз сильно раскачиваться?»

Василий ответит примерно следующее:

— «Ну, так это… как только зацепил груз, пока до места еще далеко — давлю газ в пол. В середине пути чуть убавляю и плавненько иду, чтоб не шаталась верёвка. Если сильно шатает – газ жму совсем чуть-чуть и немного наклоняю стрелу в противоход. Когда близко подъезжаю – совсем уже газ отпускаю, наоборот притормаживаю малеху».

Вот мы и получили первые нечёткие правила от Василия. Продолжая общение с ним, узнаем и остальные. Представим все полученные правила, в виде таблицы:

– это перевод входного параметра системы в «нечёткую» область.

Первый входной параметр – «расстояние до цели». В терминах «нечёткой логики» — это лингвистическая переменная , поскольку она принимает в качестве значений не числа, а слова. А в понимании вычислительной машины «расстояние до цели» — вполне чёткий параметр, измеряемый в метрах.

Поэтому на этом этапе нам необходимо выяснить у Василия, что для него «близко», а что «очень близко» — определить его нечёткие диапазоны в цифрах. Например, 15 метров – для него будет однозначно близко. А вот насчёт 6 метров – он будет путаться в показаниях, причисляя это значение то к «близко», то к «очень близко». Поэтому «нечёткие диапазоны» могут перекрывать друг друга. Посмотрим, как это выглядит на графике:

Функцию M(x) называют функцией принадлежности . Она показывает степень принадлежности параметра к одному из нечётких значений. Как видно из графика, расстояние 32 метра со степенью принадлежности 0,2 относится к значению «средне» и со степенью принадлежности 0,65 к значению «близко».

Чем больше степень принадлежности, тем больше вероятность, что вычислительная машина присвоит переменной соответствующее нечёткое значение. Однако не стоит путать функцию принадлежности с функцией вероятностного распределения – это не одно и то же. Поэтому, в частности, сумма степеней принадлежности одного входного параметра к различным нечётким значениям не обязательно равна 1.

Точно такие же функции принадлежности нужно определить и для остальных входных и выходных параметров системы, снова используя экспертные знания крановщика Василия.

Принятие решения

Как только система управления фазифицирует все входные параметры по заданным функциям принадлежности, блок принятия решения найдёт соответствующие значения выходных параметров, пользуясь нечёткими правилами (см. таблицу выше).

Дефазификация

На этом этапе система управления будет делать обратное преобразование из нечётких значений выходных параметров (найденных по таблице) – к чётким цифрам. Математические алгоритмы этих преобразований разнообразны и зависят от конкретной задачи. Подробно на них заморачиваться не имеет смысла — пусть этим занимаются суровые математики. Инженеру нужно лишь реализовать один из известных алгоритмов.

В качестве контроллера нечёткой логики можно использовать уже готовое микропроцессорное устройство, поддерживающее описанные выше алгоритмы. Такому устройству необходимо задать только функции принадлежности всех лингвистических переменных и нечёткие правила. Конечно, если хочется поупражняться – можно взять обычный микроконтроллер и «суровую» книгу по математическим алгоритмам, применяемым в нечёткой логике, и реализовать всё это самому.

В любом случае структура контроллера нечёткой логики будет примерно такой:

Заключение

В этой статье мы рассмотрели базовые понятия нечёткой логики, которая является составной частью более широкого понятия «Искусственный интеллект». Нечёткая логика широко применяется при построении экспертных систем, систем поддержки принятия решений, систем управления, основанных на экспертных знаниях. На очереди статья, в которой мы расскажем, в каких приборах и устройствах, используемых нами в повседневной жизни, применяется нечёткая логика. Да-да, я не оговорился, каждый из нас ежедневно пользуется приборами, обладающими искусственным интеллектом. Но об этом позже, а на сегодня всё! Помните, читая LAZY SMART , вы становитесь ближе к миру новых технологий! До свидания!

2.1 Основные понятия нечеткой логики

Как было упомянуто в предыдущих главах, классическая логика оперирует только двумя понятиями: «истина» и «ложь», и исключая любые промежуточные значения. Аналогично этому булева логика не признает ничего кроме единиц и нулей.

Нечеткая же логика основана на использовании оборотов естественного языка. Человек сам определяет необходимое число терминов и каждому из них ставит в соответствие некоторое значение описываемой физической величины. Для этого значения степень принадлежности физической величины к терму (слову естественного языка, характеризующего переменную) будет равна единице, а для всех остальных значений ‒ в зависимости от выбранной функции принадлежности.

При помощи нечетких множеств можно формально определить неточные и многозначные понятия, такие как «высокая температура», «молодой человек», «средний рост» либо «большой город». Перед формулированием определения нечеткого множества необходимо задать так называемую область рассуждений (universe of discourse). В случае неоднозначного понятия «много денег» большой будет признаваться одна сумма, если мы ограничимся диапазоном и совсем другая–в диапазоне .

Лингвистические переменные:

Лингвистической переменной является переменная, для задания которой используются лингвистические значения, выражающие качественные оценки, или нечеткие числа. Примером лингвистической переменной может быть скорость или температура, примером лингвистического значения - характеристика: большая, средняя, малая, примером нечеткого числа - значение: примерно 5, около 0.

Лингвистическим терм-множеством называется множество всех лингвистических значений, используемых для определения некоторой лингвистической переменной. Областью значений переменной является множество всех числовых значений, которые могут принимать определенный параметр изучаемой системы, или множество значений, существенное с точки зрения решаемой задачи.

Нечеткие множества:

Пусть ‒ универсальное множество,‒ элемент, а‒ некоторое свойство. Обычное (четкое) подмножествоуниверсального множества, элементы которого удовлетворяют свойству, определяются как множество упорядоченных пар
,где
‒ характеристическая функция, принимающая значение 1, если удовлетворяет свойству, и 0 - в противном случае.

Нечеткое подмножество отличается от обычного тем, что для элементов изнет однозначного ответа ”да-нет” относительно свойства. В связи с этим, нечеткое подмножество универсального множестваопределяется как множество упорядоченных пар
, где
‒ характеристическая функция принадлежности, принимающая значения в некотором упорядоченном множестве (например,
). Функция принадлежности указывает степень принадлежности элементамножеству. Множество
называют множеством принадлежностей. Если
, то нечеткое множество может рассматриваться как обычное четкое множество.

Множество элементов пространства
, для которых
, называется носителем нечеткого множества и обозначается supp A :

Высота нечеткого множества определяется как

Нечеткое множество называется нормальным тогда и только тогда, когда
. Если нечеткое множествоне является нормальным, то его можно нормализовать при помощи преобразования

где
‒ высота этого множества.

Нечеткое множество
, является выпуклым тогда и только тогда, когда для произвольных
и
выполняется условие

2.1.1 Операции над нечеткими множествами

Включение. Пусть и‒ нечеткие множества на универсальном множестве. Говорят, чтосодежится в, если

Равенство. и равны, если

Дополнение. Пусть
,и‒ нечеткие множества, заданные на.идополняют друг друга, если.

Пересечение.
‒ наибольшее нечеткое подмножество, содержащееся одновременно ви:

Объединение.
‒ наибольшее нечеткое подмножество, содержащее все элементы изи:

Разность.
‒ подмножество с функцией принадлежности:

2.1.2 Нечеткие отношения

Пусть
‒ прямое произведение универсальных множеств и
‒ некоторое множество принадлежностей. Нечеткое n-арное отношение определяется как нечеткое подмножествона, принимающее свои значения в
. В случае
и
нечетким отношениеммежду множествами
и
будет называться функция
, которая ставит в соответствие каждой паре элементов
величину
.

Пусть ‒ нечеткое отношение
между
и, инечеткое отношение
междуи. Нечеткое отношение между
и, обозначаемое
, определенное черезивыражением, называется композицией отношенийи.

Нечеткая импликация.

Нечеткая импликация представляет собой правило вида: ЕСЛИ
ТО
,где
– условие, а
– заключение, причеми‒ нечеткие множества, заданные своими функциями принадлежности
,
и областями определения
,соответственно. Обозначается импликация как
.

Различие между классической и нечеткой импликацией состоит в том, что в случае классической импликации условие и заключение могут быть либо абсолютно истинными, либо абсолютно ложными, в то время как для нечеткой импликации допускается их частичная истинность, со значением, принадлежащим интервалу . Такой подход имеет ряд преимуществ, поскольку на практике редко встречаются ситуации, когда условия правил удовлетворяются полностью, и по этой причине нельзя полагать, что заключение абсолютно истинно.

В нечеткой логике существует множество различных операторов импликации. Все они дают различные результаты, степень эффективности которых зависит в частности от моделируемой системы. Одним из наиболее распространенных операторов импликации является оператор Мамдани, основанный на предположении, что степень истинности заключения
не может быть выше степени выполнения условия
:

2.2 Построение нечеткой системы

Из разработок искусственного интеллекта завоевали устойчивое признание экспертные системы, как системы поддержки принятия решений. Они способны аккумулировать знания, полученные человеком в различных областях деятельности. Посредством экспертных систем удается решить многие современные задачи, в том числе и задачи управления. Одним из основных методов представления знаний в экспертных системах являются продукционные правила, позволяющие приблизиться к стилю мышления человека. Обычно продукционное правило записывается в виде: «ЕСЛИ (посылка) (связка) (посылка)… (посылка) ТО (заключение)».Возможно наличие нескольких посылок в правиле, в этом случае они объединяются посредством логических связок «И», «ИЛИ».

Нечеткие системы (НС) тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам.

Таким образом, нечеткая система - это система, особенностью описания которой является:

нечеткая спецификация параметров;

нечеткое описание входных и выходных переменных системы;

нечеткое описание функционирования системы на основе продукционных «ЕСЛИ…ТО…»правил.

Важнейшим классом нечетких систем являются нечеткие системы управления (НСУ).Одним из важнейших компонентов НСУ является база знаний, которая представляет собой совокупность нечетких правил «ЕСЛИ–ТО», определяющих взаимосвязь между входами и выходами исследуемой системы. Существуют различные типы нечетких правил: лингвистическая, реляционная, модель Такаги-Сугено и др.

Для многих приложений, связанных с управлением процессами, необходимо построение модели рассматриваемого процесса. Знание модели позволяет подобрать соответствующий регулятор (модуль управления). Однако часто построение корректной модели представляет собой трудную проблему, требующую иногда введения различных упрощений. Применение теории нечетких множеств для управления процессами не предполагает знания моделей этих процессов. Следует только сформулировать правила поведения в форме нечетких условных суждений типа «ЕСЛИ-ТО».

Рисунок 2.1 -. Структура нечеткой системы управления

Процесс управления системой напрямую связан с выходной переменной нечеткой системы управления, но результат нечеткого логического вывода является нечетким, а физическое исполнительное устройство не способно воспринять такую команду. Необходимы специальные математические методы, позволяющие переходить от нечетких значений величин к вполне определенным. В целом весь процесс нечеткого управления можно разбить на несколько стадий: фаззификация, разработка нечетких правил и дефаззификация.

Фаззификаия подразумевает переход к нечеткости. На данной стадии точные значения входных переменных преобразуются в значения лингвистических переменных посредством применения некоторых положений теории нечетких множеств, а именно ‒ при помощи определенных функций принадлежности.

В нечеткой логике значения любой величины представляются не числами, а словами естественного языка и называются «термами». Так, значением лингвистической переменной «Дистанция» являются термы «Далеко», «Близко» и т. д. Для реализации лингвистической переменной необходимо определить точные физические значения ее термов. Допустим переменная «Дистанция» может принимать любое значение из диапазона от 0 до 60 метров. Согласно положениям теории нечетких множеств, каждому значению расстояния из диапазона в 60 метров может быть поставлено в соответствие некоторое число, от нуля до единицы, которое определяет степень принадлежностиданного физического значения расстояния (допустим, 10 метров) к тому или иному терму лингвистической переменной «Дистанция». Тогда расстоянию в 50 метров можно задать степень принадлежности к терму «Далеко», равную 0,85, а к терму «Близко» ‒ 0,15. Задаваясь вопросом, сколько всего термов в переменной необходимо для достаточно точного представления физической величины принято считать, что достаточно 3-7 термов на каждую переменнуюдля большинства приложений. Большинствоприменений вполне исчерпывается использованием минимального количества термов.Такое определение содержит два экстремальных значения (минимальное и максимальное) и среднее. Что касается максимального количества термов, то оно не ограничено и зависит целиком от приложения и требуемой точности описания системы. Число 7 же обусловлено емкостью кратковременной памяти человека, в которой, по современным представлениям, может храниться до семи единиц информации.

Принадлежность каждого точного значения к одному из термов лингвистической переменной определяется посредством функции принадлежности. Ее вид может быть абсолютно произвольным, однако сформировалось понятие о так называемых стандартных функциях принадлежности

Рисунок 2.2 ‒ Стандартные функции принадлежности

Стандартные функции принадлежности легко применимы к решению большинства задач. Однако если предстоит решать специфическую задачу, можно выбрать и более подходящую форму функции принадлежности, при этом можно добиться лучших результатов работы системы, чем при использовании функций стандартного вида.

Следующей стадией является стадия разработки нечетких правил.

На ней определяются продукционные правила, связывающие лингвистические переменные. Большинство нечетких систем используют продукционные правила для описания зависимостей между лингвистическими переменными. Типичное продукционное правило состоит из антецедента (частьЕСЛИ …) и консеквента (часть ТО…). Антецедент может содержать более одной посылки. В этом случае они объединяются посредством логических связок«И» или «ИЛИ».

Процесс вычисления нечеткого правила называется нечетким логическим выводом и подразделяется на два этапа: обобщение и заключение.

Пусть имеется следующее правило:

ЕСЛИ «Дистанция» = средняя И «Угол» =малый, ТО «Мощность» = средняя.

На первом шаге логического вывода необходимо определить степень принадлежности всего антецедента правила. Для этого в нечеткой логике существуют два оператора: Min(…) и Max(…). Первый вычисляет минимальное значение степени принадлежности, а второй ‒ максимальное значение. Когда применять тот или иной оператор, зависит от того, какой связкой соединены посылки в правиле. Если использована связка «И», применяется оператор Min(…). Если же посылки объединены связкой «Или», необходимо применить оператор Max(…). Ну а если в правиле всего одна посылка, операторы вовсе не нужны.

Следующим шагом является собственно вывод или заключение. Подобным же образом посредством операторов Min/Maxвычисляется значение консеквента. Исходными данными служат вычисленные на предыдущем шаге значения степеней принадлежности антецедентов правил.

После выполнения всех шагов нечеткого вывода мы находим нечеткое значение управляющей переменной. Чтобы исполнительное устройство смогло отработать полученную команду, необходим этап управления, на котором мы избавляемся от нечеткости и который называется дефаззификацией.

На этапе дефаззификации осуществляется переход от нечетких значений величин к определенным физическим параметрам, которые могут служить командами исполнительному устройству.

Результат нечеткого вывода, конечно же, будет нечетким. Например, если речь идет об управлении механизмом и команда для электромотора будет представлена термом «Средняя» (мощность), то для исполнительного устройства это ровно ничего не значит. В теории нечетких множеств процедура дефаззификации аналогична нахождению характеристик положения (математического ожидания, моды, медианы) случайных величин в теории вероятности. Простейшим способом выполнения процедуры дефаззификации является выбор четкого числа, соответствующего максимуму функции принадлежности. Однако пригодность этого способа ограничивается лишь одно экстремальными функциями принадлежности. Для устранения нечеткости окончательного результата существует несколько методов: метод центра максимума, метод наибольшего значения, метод центроида и другие. Для многоэкстремальных функций принадлежности наиболее часто используется дефаззификация путем нахождения центра тяжести плоской фигуры, ограниченной осями координат и функцией принадлежности.

2.3. Модели нечеткого логического вывода

Нечеткий логический вывод - это аппроксимация зависимости «входы–выход» на основе лингвистических высказываний типа «ЕСЛИ–ТО» и операций над нечеткими множествами. Нечеткая модель содержит следующие блоки:

‒ фаззификатор, преобразующий фиксированный вектор влияющих факторов Xв вектор нечетких множеств , необходимых для выполнения нечеткого логического вывода;

‒ нечеткая база знаний, содержащая информацию о зависимости
в виде лингвистических правил типа «ЕСЛИ–ТО»;

‒ машина нечеткого логического вывода, которая на основе правил базы знаний определяет значение выходной переменной в виде нечеткого множества, соответствующего нечетким значениям входных переменных;

‒ дефаззификатор, преобразующий выходное нечеткое множество в четкое число Y.

Рисунок 2.3 ‒ Структура нечеткой модели.

2.3.1Нечеткая модель типа Мамдани

Данный алгоритм описывает несколько последовательно выполняющихся этапов. При этом каждый последующий этап получает на вход значения полученные на предыдущем шаге.

Рисунок 2.4 – Диаграмма деятельности процесса нечеткого вывода

Алгоритм примечателен тем, что он работает по принципу «черного ящика». На вход поступают количественные значения, на выходе они же. На промежуточных этапах используется аппарат нечеткой логики и теория нечетких множеств. В этом и состоит элегантность использования нечетких систем. Можно манипулировать привычными числовыми данными, но при этом использовать гибкие возможности, которые предоставляют системы нечеткого вывода.

В модели типа Мамдани взаимосвязь между входами X = (x 1 , x 2 ,…, x n)и выходом y определяется нечеткой базой знаний следующего формата:

где
- лингвистический терм, которым оценивается переменная x i в строке с номером
;
), где- количество строк-конъюнкций, в которых выходоценивается лингвистическим термом;
- количество термов, используемых для лингвистической оценки выходной переменной.

С помощью операций ∪(ИЛИ) и ∩ (И) нечеткую базу знаний можно переписать в более компактном виде:

(1)

Все лингвистические термы в базе знаний (1) представляются как нечеткие множества, заданные соответствующими функциями принадлежности.

Нечеткая база знаний (1) может трактоваться как некоторое разбиение пространства влияющих факторов на подобласти с размытыми границами, в каждой из которых функция отклика принимает значение, заданное соответствующим нечетким множеством. Правило в базе знаний представляет собой «информационный сгусток», отражающий одну из особенностей зависимости «входы–выход». Такие «сгустки насыщенной информации» или «гранулы знаний» могут рассматриваться как аналог вербального кодирования, которое, как установили психологи, происходит в человеческом мозге при обучении. Видимо поэтому формирование нечеткой базы знаний в конкретной предметной области, как правило, не составляет трудностей для эксперта.

Введем следующие обозначения:

- функция принадлежности входа нечеткому терму
,
т.е

- функция принадлежности выхода y нечеткому терму
, т.е.

Степень принадлежности входного вектора
нечетким термам из базы знаний (1) определяется следующей системой нечетких логических уравнений:

Наиболее часто используются следующие реализации: для операции ИЛИ - нахождение максимума, для операции И- нахождение минимума.

Нечеткое множество , соответствующее входному вектору X * , определяется следующим образом:

где imp- импликация, обычно реализуемая как операция нахождения минимума; agg- агрегирование нечетких множеств, которое наиболее часто реализуется операцией нахождения максимума.

Четкое значение выхода , соответствующее входному вектору
, определяется в результате дефаззификации нечеткого множества. Наиболее часто применяется дефаззификация по методу центра тяжести:

Модели типа Мамдани и типа Сугэно будут идентичными, когда заключения правил заданы четкими числами, т. е. в случае, если:

1) термы d j выходной переменной в модели типа Мамдани задаются синглтонами - нечеткими аналогами четких чисел. В этом случае степени принадлежностей для всех элементов универсального множества равны нулю, за исключением одного со степенью принадлежности равной единице;

2) заключения правил в базе знаний модели типа Сугэно заданы функциями, в которых все коэффициенты при входных переменных равны нулю.

2.3.2 Нечеткая модель типа Сугэно

На сегодняшний день существует несколько моделей нечеткого управления, одной из которых является модель Такаги-Сугено.

Модель Такаги-Сугено иногда носит называние Takagi-Sugeno-Kang. Причина состоит в том, что этот тип нечеткой модели был первоначально предложен Takagi и Sugeno. Однако Канг и Сугено провели превосходную работу над идентификацией нечеткой модели. Отсюда и происхождение названия модели.

В модели типа Сугэно взаимосвязь между входами
и выходом y задается нечеткой базой знаний вида:

где - некоторые числа.

База знаний (3) аналогична (1) за исключением заключений правил , которые задаются не нечеткими термами, а линейной функцией от входов:

Таким образом, база знаний в модели типа Сугэно является гибридной - ее правила содержат посылки в виде нечетких множеств и заключения в виде четкой линейной функции. База знаний (3) может трактоваться как некоторое разбиение пространства влияющих факторов на нечеткие подобласти, в каждой из которых значение функции отклика рассчитывается как линейная комбинация входов. Правила являются своего рода переключателями с одного линейного закона «входы–выход» на другой, тоже линейный. Границы подобластей размытые, следовательно, одновременно могут выполняться несколько линейных законов, но с различными весами. Результирующее значение выхода определяется как суперпозиция линейных зависимостей, выполняемых в данной точке
n-мерного факторного пространства. Это может быть взвешенное среднее

или взвешенная сумма

Значения
рассчитываются как и для модели типа Мамдани, т. е. по формуле (2).Обратим внимание, что в модели Сугэно в качестве операций ˄ и ˅обычно используются соответственно вероятностное ИЛИ и умножение. В этом случае нечеткая модель типа Сугэно может рассматриваться как особый класс многослойных нейронных сетей прямого распространения сигнала, структура которой изоморфна базе знаний. Такие сети получили название нейро-нечетких.