인공지능시스템

(1)

인공지능시스템

(A ^RTIFICIAL I NTELLIGENCE )

1

제 6 장

퍼지시스템 (Fuzzy System)(1)

(2)

퍼지 시스템 모델의 기본 구조

2

Fuzzy Conditional Statements

Fuzzy Implication

Fuzzy Relation Fuzzy Input Facts

(X’,Y’)

Defuzzification Process

Fuzzy Output(Z’): System Behavior

and

ALSO

CRI method

(3)

퍼지시스템 모델의 규칙표현의 예

IF I = Null and Zero then N=Very Large ALSO IF I= Zero and Null then N=Large

ALSO IF I= Small and Medium then N=Medium ALSO IF I= Medium and Small then N=Small ALSO IF I= Large and Very Large then N=Zero ALSO IF I= Very Large and Large then N=Zero

3

조건부 결론부

규칙의 퍼지관계

퍼지 조건문(퍼지집합이며 각각 멤버쉽 함수로 표현되어 있음) 전체규칙의

퍼지관계

입력값: I=Null and Zero ?

비퍼지화과정 수행하여 시스템 행동

즉, N에 대한 수치값을 계산한다

(4)

퍼지시스템 모델의 단점

1. 멤버쉽 함수들이 주관적으로 결정된다.

즉, 멤버쉽 함수들이 객관적인 개연성을 갖지 못하고 주관적으로 결정된다.

2. 최종적으로 생성된 추론 결과에 오류가 많다.

즉, 오류를 발생시키도록 추론 알고리즘이 작성되어 있다.

3. 추론과정에서 추론 규칙들을 비합리적으로 조합하는 전략을 사용함으로 오류가 많 이 발생한다.

즉, 입력의 조건부와 관계가 없는 규칙들도 추론결과 생성시 많이 관여되는 문제 점이 있다.

4

(5)

진보된 퍼지시스템 모델

1.

Adaptive Fuzzy System Model(적응적 퍼지시스템 모델)



주어진 목표에 도달할 수 있는가를 고려해 규칙의 특징 , 퍼지 집합의 형태, 비퍼지화 방법 등의 변경 수정 등을 수행하는 시스템 모델

2.

Self-Organizing Fuzzy System Model(자기조정 퍼지시스템 모델)



학습 기능과 look-up table 변경 기능이 첨가된 모델



학습과 테이블 변경 기능을 통해 새로운 자극에 대해 적응



제어 등 한정된 영역

3.

Neuro-Fuzzy System Model(뉴로-퍼지시스템 모델)



인간의 사고작용과 같이 학습하고 추론하며 기억하고 인식하는 등의 기능을 하는 보다 지능적인 시스템을 만드는 것을 목표로 하는 시스템 모델



제어 및 다양한 영역에 응용



신경회로망과 퍼지이론의 비교

 신경회로망 : 학습기능(단점: 학습시간)

 퍼지이론 : 추론능력(단점: 주관적인 멤버쉽 함수 결정)

5

(6)

퍼지 시스템 모델

6 Input

Defuzzification of output variables

Output

Output fuzzy set Inference Engine

Rules

Normalization and fuzzification of input variables

Execution of rules

Term set(Vocabulary fuzzy sets)

(7)

적응적 퍼지 시스템 모델

7 Input

Output Defuzzification of

output variables Inference Engine

Rules

Normalization and fuzzification of input variables

Execution of rules

Term set(Vocabulary fuzzy sets)

Output fuzzy set Time-Phased output fuzzy set

Performance metric

Adaptation Machine

(8)

뉴로 -퍼지시스템 모델의 개념적 구조도

8

Human

Fuzzy or nonfuzzy input facts

Neural Network

Fuzzy Theory

N-F

Inference

Learning

Memory

Recognition

Calculation

<정의>

인간의 사고작용과 같이 학습하고 추론하며

기억하고 인식하는 등의 기능을 하는 보다

지능적인 시스템을 만드는 것을 목표로

하는 시스템 모델

(9)

신경회로망과 퍼지이론의 비교

9

특성분류기준 신경회로망 퍼지이론

지식표현 가중치값에 의한 분산표현 멤버쉽 함수에 의한 표현

결함내구성 있음 있음

불완전한 자료처 리능력

있음 있음

추론 학습함수에 의한 자기조정 능력

반복학습

추론규칙들의 조합에 의한 방법 (CRI)

연산 뉴런들의 다중합 연산 멤버쉽 함수의 Max-Min 연산

기능 특성추출능력

최적화 기능 연상기억기능 다중센서 오토메타

비선형적 매핑

단순계산과정 언어적 또는 수치적

값의 처리 능력 비퍼지화 기능 비선형적 멤버쉽 함수

단점 학습시간 소모 주관적인 멤버쉽 함수

응용영역 패턴인식, 제어, 비전, 의사결정 시스템, 전문가 시스템 등

(10)

융합구조에 따른 분류 (N-NFS)



신경회로망 중심 형태분류

(1) 비퍼지 뉴로 시스템 모델 (뉴로 시스템 모델)

10

(2) 퍼지 뉴로 시스템 모델

입력값이 퍼지값인 뉴로 시스템 모델

aggregation

^y x1

x2 xi

x n-1 x n

x1

x2 xi

x n-1 x n

Non-

Linearity Function

x y

w1

w2 wi w n-1

wn

weight

(11)



퍼지이론 중심 형태분류

(1) 비뉴로 퍼지 시스템 모델 (2) 뉴로 퍼지 시스템 모델

11

x

CRI

y x

xy, relation

y

learning

융합구조에 따른 분류(F-NFS)

입출력을 학습한 뒤 추론을 행하는 모델

(12)

융합방식에 따른 뉴로 -퍼지 시스템형태 분류

12 제 1 형태

신경회로망 구조에 퍼지이론을 도입한 형태

(N-NFS)

퍼지 추론 구조에 신경회로망을 도입한 형태

(F-NFS) 제 2 형태

지식 표현시 멤버쉽 함수 적용

신경회로망의 출력결과를 퍼지 추론에 이용

신경회로망의 일부기능을 퍼지추론으로 대체 멤버쉽 함수 생성 및 적응적 조절

규칙획득, 규칙베이스 구성 및 조절

바람직한 입출력 벡터쌍을 찾음

퍼지 추론 구조를 신경회로망으로 표현 Types Hybrid Types Hybrid Aspects

(13)

13

신경회로망

퍼지 논리 기본적

퍼지 논리

신경회로망 기본적

<제1형태: N-NFS>

<제2형태: F-NFS>

(14)

H ^YBRID A ^SPECTS

14

I/O vector

Rule Base

Membership Function

<제 1 형태> < 제 2 형태>

①

②

③

(15)

진보된 퍼지 시스템 모델간의 유사점 _VS . 차이점

15

특성모델 분류 유사점 차이점

적응적 퍼지 시 스템 모델

•퍼지 시스템 모델의 정형화된 문제점 을 동적으로 개선하려 한 점

• 퍼지 시스템 모델에서 사용하는 Max-Min CRI 방법의 세가지 문제점 을 모두 해결해주지 못한 점

•외부환경 변화에 적응하기 위해 퍼지 규칙이 나 멤버쉽 함수 또는 비퍼지화된 방법 등을 변경함으로서 적응

• 주로 제어시스템 분야에 응용 자기조정 퍼지시

스템 모델

• 학습기능 및 참조테이블 변경 방법을 통해 새로운 자극에 대해서도 끊임없는 적응가능

• 진정한 의미의 적응적 퍼지 시스템 모델

• 주로 제어시스템 분야에 응용

뉴로-퍼지 시스템 모델

• 신경회로망과 퍼지이론의 장점만을 융합한 진정한 의미의 자기조정 퍼지시스템 모델

• 다양한 융합형태, 학습알고리즘 및 응용영 역을 가짐

인공지능시스템