objeto borroso teniendo tres términos difusa (alto, medio, corto) como sus posibles valores. Si el usuario introduce las dos reglas siguientes: Regla 1" si la altura es alto entonces C Regla 2: Si la altura es corto, entonces C no redundancia ocurre? Considerar otro caso: Regla 3: Si una continuación de altura es más o menos altos Regla 4: Si una continuación de altura no es muy alto y no se produzca un conflicto? Por lo tanto, sería mejor si pudiéramos aplicar una medida cuantitativa sobre los dos términos difusa (por ejemplo, altura, no corto) a fin de determinar en qué medida estos dos términos difusos significan la misma cosa. Una "afinidad" medida basado en la medida de similitud [6] se creó para determinar el grado de concordancia entre dos expresiones difusa. Utilizando la medida de afinidad, las técnicas para la comprobación de consistencia en un entorno no-difusa puede transportarse a un entorno difusa. La siguiente sección resume los diferentes tipos de incoherencias que existen en un entorno basado en reglas. La sección 3 presenta las medidas de similitud y afinidad. La sección 4 describe un comprobador de coherencia, la CCFE, apli- carse para fuzzy sistemas expertos basados en reglas. Sus resultados en la detección de la incon- sistencia en un ambiente fuzzy se ilustran mediante un ejemplo y debatirse en la quinta sección. 2. Incoherencia en los sistemas basados en reglas existen varios tipos de incoherencias en un no-entorno basado en reglas fuzzy [9-12]. El resumen se da de la siguiente manera: consideremos las reglas: Regla 1: Si A1 y luego B1 (CF1) Artículo 2: si un2 Y LUEGO B2 (CF2) donde A1 y A2 pueden ser cualquier combinación de proposiciones, B1 y B2 son solo proposiciones, y CF1 y CF2 son la certeza de factores, que van desde 0 a 1 del artículo 1 y del artículo 2, respectivamente. 2.1. • Dos reglas reglas redundantes triunfar en la misma situación y tener los mismos resultados. Es decir, yo, A1 = A2 y B1 = B2 & Sign(CF1) = firmar (CF2) o ii, A1 = A2 y B1 ~ B2 & Sign(CF1) ~ firmar (CF2) • Las dos reglas puede causar la misma información que se cuentan dos veces, lo que aumenta la errónea en el factor de certeza de la conclusión.
Comprobación de coherencia de Sistemas Expertos Difusos 265 • La
condición ii anteriormente podría no ser redundante si el experto quiere confirmar a un valor (por ejemplo, B1 con CF1 > 0) y al mismo tiempo disconfirm otro valor (por ejemplo, B2 con CF2 < 0) de la conclusión. 2.2. Reglas conflictivas (contradicción) • Dos reglas triunfar en la misma situación, pero con resultados contradictorios. Es decir yo, A1 = A2 y B1 = B2 & Sign(CF1) --/: firmar (CF2) o ii, A1 = A2 y B1 --/: B2 & Sign(CF1) = firmar (CF2) • es una ocurrencia común en conjuntos de reglas. Sin embargo, puede no causar problemas (incoherencia) debido a que el experto puede querer concluir valores diferentes con diferentes factores de certeza. • Por ejemplo, las siguientes reglas son los extraídos de un sistema experto médico ESROM [8]: (Regla ML7a (norma m18 si (((MDC es anycd) O SI (((MDC es anycd) o (MDC es gmd) (MDC es gmd)) y (gestación > = 30) y la gestación > = 30) y la gestación < = 34)) y (gestación < = 34), la gestión es la entrega, la gestión es la observación certeza es 0,7 certeza es 0.3 Management es un objeto de valor único con los valores esperados (entrega, observación). Las dos reglas anteriores tienen el mismo antecedente parte pero con conclusiones contradictorias. Sin embargo, se encuentran en pur- plantean por el experto y de ninguna manera es un error. 2.3. Subsumida Normas • dos reglas tienen el mismo resultado, pero contiene restringir- ciones adicionales sobre la situación en la que se logrará. Siempre que la regla más restrictiva se realiza correctamente, la menos restrictiva de la regla también tiene éxito, resultando en la redundancia , es decir ( A1 cA2 o A2 a C1) y B1 = B2 & Sign(CF1) = firmar (CF2) o (A1 o A2 cA2 cA1)+B1 4~ B2 & Sign(CF2) ~ firmar (CF1) • Por ejemplo, Esrom (Regla de la LIO (Regla iil0 si es unrupt (diagnóstico) si ((diagnóstico es unrupt) Luego cx es uninf) y reactiva (CTG) Certeza es 0,8 luego cx es uninf) Certeza es 0,95 Cuando iil0 se activa la regla, la regla de la LIO también estará activado. Por lo tanto, no hay redundancia.
266 K.S. Leung y Y. T. tan • Sin embargo, el ingeniero del conocimiento
puede querer escribir estos tipos de reglas, de modo que las normas más restrictivas se añade peso a las conclusiones. Así pues, los expertos deberían ser advertidos y pidió para aclarar su significado. En el ejemplo anterior, si el experto tiene la intención de dar más peso al "cx es uninf" cuando "ccm es reactivo" también es true, entonces el factor de certeza de la regla iil0 debería cambiarse a 0,75. Si tanto "diagnóstico es unrupt" y "ccm es reactivo" son verdaderas, la certeza de la conclusión "cx es uninf" pasa a 0,95 después de que ambas normas se dispararon y la combinación de pruebas de cálculo se aplican [6]. 2.4. Sub-contradicción reglas es un caso especial de contradicción. Dos reglas tienen diferentes resultados, pero uno de ellos contiene restricciones adicionales sobre la situación en la que se logrará. Siempre que la regla más restrictiva se realiza correctamente, la menos restrictiva de la regla también se realiza correctamente: es decir, (un C1, A2 o A2 a C1) y 4 B1:B2 & Sign(CF1) = firmar (CF2) o (un C1, A2 o A2 a C1) y B1 = B2 & Sign(CF2) 4: firmar (CF1) 2.5. Si las condiciones innecesarias • dos reglas tienen la misma conclusión, si la condición de una regla está en conflicto con una condición si en la otra regla, y todos los demás si las condiciones en las dos reglas son equivalentes. Por ejemplo, (A1 = p/x q), (A2 = p -1 q) = B1, B2 y CF1 = CF2 • El ejemplo descrito en realidad indica que sólo es necesaria una regla. La segunda, si las condiciones (p y q) -1 de ambas normas son innecesarias. Aunque no provocará ningún error en la consulta, sería mejor integrar las dos reglas en uno: si p entonces BI(CF1) • Por ejemplo, (A1 = p q), (A2 = ~ q) = B1, B2 y CF1 = CF2 El segundo si la condición en la primera regla es innecesaria, y las dos normas podrían combinarse en: si p V -1 q entonces BI(CF1) • Si CF1 4: CF2, no innecesaria si la condición se produce debido a que el experto puede querer concluir un valor con diferentes factores de seguridad en diferentes situaciones, por ejemplo, en ESROM (norma m20 (norma m21 si (((CMI > 10) y (CMI < 15) Si (((CMI > 10) y (CMI < 15)) o ((PCR > 20). Y (PCR < 40) o ((PCR > 20)y (PCR < 40) y (gestación > = 32))) y (gestación < 32))), la gestión es la entrega), la gestión es la entrega) Certeza es 0,8 certeza es 0.5
Comprobación de coherencia de Sistemas Expertos Difusos 267 El estado
(gestación > = 32) en la norma m20 está en conflicto con el estado (gestación < 32) norma m21. Sin embargo, el experto quiere asignar diferentes factores de certidumbre para diferentes situaciones. 2.6. Reglas circulares un conjunto de reglas es circular si el encadenamiento de estas normas en el conjunto forma un ciclo , es decir, A1 = B2 &A2 = B2 & Sign(CF1) -- firmar (CF2) 2.7. Auto-referido Reglamento el estado y conclusión de las cláusulas de una regla se refieren al mismo tema. Por ejemplo, si un = 0, ENTONCES A = 1 (para un no es un objeto multivalor) 2.8. Incoherente si la cláusula de las cláusulas en el estado son contradictorias entre sí. Por ejemplo, si A = 1 y B = 2, ENTONCES (para un no es un objeto de valor múltiple) en 2.7 y 2.8, si es un objeto de valor múltiple, no puede concluirse que la incoherencia se produce porque un objeto multivalor puede tener más de un valor en cualquier momento del debate anterior sólo se menciona la incoherencia superficial entre dos normas. Sin embargo, la incoherencia puede surgir después de una secuencia de inferir- anillo pasos, por ejemplo,: IFATHENB Rulel (CF1 >0) Regla 2: Si B Y LUEGO C (CF2 > O) Regla 3: Si C, D (CF3 > O) Regla 4: si un luego D (CF4 > OH) redundancia se produce entre el conjunto de reglas (1-3) y en la regla 4. Además, la detección de regla circular cadenas es afectada por el umbral. La certeza de factores pueden causar una cadena circular de reglas para ser "rota" si la certeza de factor de conclusión cae por debajo del umbral (por ejemplo, 0.2). Por ejemplo, si una regla 1: A continuación, B (CF = 0,4) Regla 2: Si B, entonces C (CF = 0,7) Regla 3: Si C Y D (CF = 0,7) Regla 4: Si D ENTONCES A (CF = 0,8) (0,4)(0,7)(0,7) = 0.19 < 0,2, la circular de cadena se rompe la regla.
268 K.S. Leung y Y. T. Por lo tanto
3. Las comprobaciones de coherencia en un ambiente difusa en primer lugar, consideremos la posibilidad, necesidad y medidas de similitud en posibilidad de teoría y, a continuación, medir la afinidad de dos términos difusos será introducido. Deje que la difusa términos ser representado por una lista de 11 números reales que son los grados de pertenencia de los puntos de un imaginario continuum psicológico con una escala de intervalo. La difusa los términos "alto", "medio" y "corto" se representan de la siguiente manera: altura: 0 0 0 0 0 0 .0280 .1176 .3277 .6561 1 media: 0 0 0 1 .328 .328 .0588 .0588 0 0 0 corto: 1 .6561 .3277 .1176 .0280 0 0 0 0 0 0 Los setos como "muy" o "más o menos" puede aplicarse a los mencionados términos fuzzy fuzzy para formar expresiones tales como "muy alto" y "más o menos corto." Un cuadrado y una raíz cuadrada funciones son las funciones de manejo de conceptos difusos para los setos "muy" y "más o menos", respectivamente [13]. La modificación de las representaciones son mostrados: muy alto: 0 0 0 0 0 0 .0008 .0138 .1074 .4305 1 más o menos corto: 1 .8100 .5725 .3429 .1673 0 0 0 0 0 0 Los valores de pertenencia descrito arriba puede ser visto como una posibilidad de distribución [14]. Pero esta distribución tiene un valor meramente indicativo o significado subjetivo y no puede ser interpretado directamente. Las figuras 1-3 muestran las curvas de los anteriores términos difusa/expresiones. Tenga en cuenta que las curvas se normalizan y convexa. 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 muy 0.1 , , , , ; 0 I I I I Figura 1. Posibilidad para la distribución de los conceptos de "alto" y "muy alto".
Comprobación de coherencia de Sistemas Expertos Difusos 269 1
0.9 ~x 08 moreorless 0,7 0,6 0,5 0,4 0,3 0,2 0 ~ I I I Figura 2. Posibilidad de distribución para los conceptos '"SHORT" y "más o menos" corto. 3.1 posibilidad y necesidad, las fórmulas de la posibilidad (P) y la necesidad (N) mide entre un datum difusa y un patrón difuso son dadas como sigue [15]: P(F[F') = max(min(~F(W), I.LF,(W))) N(FIF") = 1 - e(~ FIE') 1 0,9 0,8 0,7 0,6 0,5 mediana 0,4 0,3 0,2 0,1 0 , i Figura 3. Posibilidad de distribución para el concepto de "medio".
270 K.S. Leung y Y. T. Así
donde P(FIF') es la posibilidad de la difusa datum F' dado el patrón difuso, F y N(f[f') es la necesidad de la difusa datum F' dado el patrón difuso F. /~(w) es la función de pertenencia de w en el universo de discurso, y ~ F es el complemento de F. La posibilidad mide el grado de solapamiento entre el dato y el patrón; o en otras palabras, mide la no-vacío de FAF". Por ejemplo: P(tall~muy altas) = 1 P(shortlmore o menos corto) = P(1) = 0,028 P talllmedium(shortltall) = 0 posibilidad es una medida optimista: sólo significa algo que es posi- ble, pero no puede garantizar que va a ocurrir. Por otro lado, la necesidad es una medida drástica que es igual a la imposibilidad entre dos eventos opuestos. Por ejemplo: N(tall~muy altas) = 0.6561 N(shortlmore o menos corto) = 0.4275 N(talllmedium) = 0 N(shortltall) = 0 En circunstancias normales, la necesidad tiene las siguientes propiedades: Si N(FIF') > 0,5, entonces f' tiene una distribución más o menos concentrado que F. Por ejemplo, alto y muy alto. Si N(FIF') < 0,5, entonces f' tiene una distribución más amplia o más dilatado que F. Por ejemplo, corto y más o menos corto, alto y medio. Si N(FIF") = 0,5, entonces F tiene la misma distribución que F.
Comprobación de coherencia de Sistemas Expertos Difusos 271
también de la definición de posibilidad y es necesario, se puede demostrar que: i, P(AIB) = P(BIA) .... (1) II, P(AIB u C) -- max(P(AIB), P(AIC)) .... (2) iii, N(AIB U C) -- min(N(AIB), N(AIC)) .... (3) iv, N(ara) >= 0.5 .... (4) 3.2. La similitud de la semejanza M se calcula mediante el algoritmo siguiente [6]: Si N(FIF') > 0,5 luego M = P(F[F') denota la multiplicación. ٭ELSE M = (N(FIF') + 0,5)*P(FIF') donde esto significa que cuando la necesidad es mayor o igual a 0,5, la similar- lidad entre patrón y datum está saturado y es forzado a la igualdad de la posibilidad. Si la similitud no es saturada (necesidad es inferior a 0,5), la similitud debe depende tanto de la posibilidad y necesidad. La medida de similitud ha demostrado ser una herramienta útil para determinar la similitud entre la difusa datos en una base de hechos y la difusa patrones en la premisa parte de una regla [8]. Sin embargo, existe una deficiencia en la similitud; no es conmutativa, i.e, M(plq) ~ M(QLP). N(talllnot mediano) = 1 - 1 = 0 =٭, por ejemplo, P(no mediumltall) = 1 y P = 0.0588(mediumltall) N(no mediumltall) = 1 = 0.9412 - 0.0588 por lo tanto, M(no mediano ltall) = 1. Pero P(talllnot mediano) = 1 y P(no talllnot mediano) = 1 Por lo tanto, M(talllnot mediano) = 0,5. Por lo tanto, el fin de la verificación de la regla va a influir en el valor de la similitud. Debido a esta limitación, la afinidad (A) medir es introducido. 3.3. Afinidad la afinidad de dos simples proposiciones p y q se define como sigue: (p,q) = M(p q[p v q) donde ^ Izp q(W) = min(tzp(w), tZq(W)), tzp v p(W) = max(tZp(W), tZq(W) y /z(w) es la función de pertenencia de w en el universo de discurso.
272 K.S. Leung y Y. T. Así
A(p, q) mide la similitud de p v q dado p q. Es decir, ¿hasta qué punto toda la parte tanto de p y q (p v q) coincide con la parte compartida de ellos (p q). Las siguientes son algunas de las propiedades de la afinidad medidas: i, si p y q son idénticas, A(p, q) será igual a 1 (porque pVq=pAq). II,(p, q) es conmutativo, es decir,(p, q) = A(t, p). BecausepAq=qApandp Vq=qVp. iii,(p, q) = min(M(plq), M (QLP)) .... (5) la prueba de la afirmación (iii): Considerar la posibilidad primera P(p Aq]p V q) =MAX(min(IXp^P(W),lXpvq(W))) = max(I.£pAq(W) = max(min( i.tp(w), tXq(W))) = P(plq) = P(QLP) [eqn (1)] .... (6) y N(p un QLP V min(q) = N(p un QLP), N(p qlq) [por eqn (3)] ahora considerar N(p un QLP) =l--P(~(pAq)IP) = 1-P(p[~ (pAq) [por eqn (1)] = 1-P(pl~P V ~p) = 1 - max(P(p[ ~ p), P(p[ ~ q)) [eqn (2)] = 1 - max(P(~ pip), P( ~ QLP) [por eqn (1)] = min(N(p[p), N(q[p)) Igualmente, N(p) = qlq min(N(QLQ), N(plq)
Comprobación de coherencia de Sistemas Expertos Difusos 273 de
manera que N(p /x qlp v min(q) = N(PLP), N(p]q), N(q]p), N(QLQ) .... (7) Por eqn (4), se puede concluir que N(plp) y N(QLQ) son ambos igual o superior a 0,5. Ahora, consideramos que todos los cuatro casos: Caso 1: Si N(p[q) y N(qlp) > = 0,5, luego M(plq) = P(plq) = P(q[p) = M(qlp) = min(M(plq), M (QLP) [por eqn (6)] y N(p un qlP V q > = 0,5 [eqn (7)], por lo tanto, Z(p,q) = M(p un QLP V q) = P(p un QLP V q) = e(plq) = P(qlp) = min(M(plq), M (QLP) [por eqn (6)] Por lo tanto, la afirmación (eqn (5) suspensiones. Caso 2: Si N(plq) < 0.5 y N(qlp) > 0,5, entonces N(p un QLP V q) = N(plq) < 0,5 Y A(p, q) = (N(p[q) + 0,5)*P(p[q) = M(plq) (mínimo de M(plq) y M(q[p]) Caso 3: Si N(qlp) < 0.5 y N(p[q) > 0,5, entonces N(p un qlP V q) = N(qlp) < 0,5 Y A(p, q) = (N(qlp) + 0,5)*P(q) =[p]p m(q) (mínimo de M(pJq) y M(q[p]) Caso 4: Si N(plq) y N(qlp) < 0.5, N(p un qlP V min(q) = N(p[q), N(qlp)) por lo que un(p, q) = M(p un QLP v q) = (N(p m qlp v q) + 0,5)*e(p m qlp v q) = (min(N(plq), N(qlp)) + 0,5)*P(plq) [por eqns (6) & (7)] = min(M(plq), M (QLP)) por lo tanto, A(p, q) = min(M(plq), M(q]p)) se mantiene para todos los casos.
274 K.S. Leung y Y. T. Para
implementar un(p,q) usando nuestra definición (por ejemplo, A(p,t)= M(p un ql p v q) se traducirá en dos comparaciones, dos adiciones, y uno multiplica- ción menos que utilizando un(p, q) = min(M(plq), M (QLP) cada vez. De ahí la antigua es realmente utilizado para aplicación en nuestro sistema. Entre las propiedades anteriores, la conmutativa es la más importante, porque implica que el fin de la regla-comprobación no tiene ninguna influencia sobre el valor de la afinidad. A fin de investigar la idoneidad de afinidad en las comprobaciones de coherencia, podemos calcular todos los resultados de la afinidad para diferentes valores de p y q en un objeto borroso como "altura". setos como "muy" y "más o menos" y la negación lógica "no" se agregan a los posibles términos difusos del objeto. Por tanto los valores de p y q podría ser [no] [muy Imore o menos] {tall Imedium Ishort} donde la elección dentro del [ ] es opcional. (Aunque las expresiones como "más o menos media" o "medio" no son muy significativos, los incluimos para completar la investigación.) Los resultados de la afinidad de cualquiera de las dos expresiones fuzzy p y q pueden ser divididos en cuatro grupos. (1)(p,q) = 1(p.ej., una tall, Tall) = 1(muy media, media) = 1 (2)(p, q) > 0,5(p.ej., un alto, muy alto) = 0,9305 A más o menos corto, corto) = 0.9275 A(más o menos medio, muy mediano) = 0.9273 (3)(p,q) = 0.5, P(p v qlp /x q) = 1 y N(p q[p v q) = 0(p.ej., una altura, sin medio) = 0,5 A(no a corto, mediano) = 0,5 A(no es muy alto, más o menos corto) = 0,5 (4)(p,q) < 0,5, p(p V q) Un QLP < 1 y N(p un QLP V q) = 0(p.ej., una altura, sin tall) = 0.1720 A(más o menos altos, medianos) = 0.0837 UN(short, Tall) = 0 las afinidades de grupos (1) y (2) son superiores a 0,5. Esto significa que su grado de coincidencia son mayores que sus diferencias. - Das, llegamos a la conclusión de que los dos conceptos están borrosos en comparación son los mismos o similares (en cierta medida). La affÉnities en grupo (4) es inferior a 0,5, podemos decir que los dos términos son diferentes. Las afinidades en el grupo (3) igual a 0,5, lo que significa que la verdad y la falsedad de la semejanza entre dos términos difusa puede ser indicado por la medida de afinidad. Como conclusiones-
Comprobación de coherencia de Sistemas Expertos Difusos 275
sion, si la afinidad entre dos términos difusos es mayor que 0.5, pueden ser tratados como iguales. Para el caso (3), podríamos swing a cada lado, dependiendo de la aplicación. La definición de afinidad podría ampliarse para detectar la semejanza del antecedente parte de dos reglas. Sea P1 y P2 el antecedente de dos piezas de reglas que contienen varias proposiciones conectadas por y operadores, es decir, P1 -- Un Pll P12 a P13 un "'" Un Plk P2 = P21 a P22 a P23 .-- Un P2K Y LUEGO A(P1, P2) = un fi(Plk, P2k) K=l En caso contrario, A(Plk, P2k) = 0. La afinidad de una antecedencia es igual al producto de la afinidad de sus proposiciones. ;1 Si Plk y P2k no son borrosas y Plk = P2k, luego una letra Plk, p2k)= 4. Un comprobador de coherencia en ambiente difusa con afinidad, pudimos detectar incoherencias en un entorno borroso. Los métodos de detección pueden ser los mismos que los utilizados en un ambiente nonfuzzy salvo que utilizamos para medir el grado de afinidad de coincidencia de dos expresiones difusa. Es decir, (P1 = P2) y (P1 4: P2) podrían ser reemplazados por una(PIIP2) >_>_(PIIP 0.5 Y UN2) < 0.5 en un entorno difuso, respectivamente. Un comprobador de coherencia en un ambiente difusa (CCFE) ha sido apli- carse para comprobar las bases de reglas creadas desde una shell de sistema experto difuso Z-III que permite cualquier combinación de borrosa y no difusa en términos de las reglas [8]. CCFE está implementado usando el Turbo C 2.0 en un entorno microinformático. Medir la afinidad es empleado para determinar el grado de correspondencia de dos proposiciones difusa. En la primera etapa del desarrollo de la CCFE, establecemos los siguientes supuestos: (a) Una proposición sólo está permitida en consecuencia parte de cada regla. (B) de la consiguiente propuesta Disconfirmation está representado por un factor de seguridad negativa a una norma , es decir, de la regla: si la altura es alto entonces el peso no es certeza de luz es de 0,8
276 K.S. Leung y Y. T. Así
puede ser representado de la siguiente manera: Si la altura es alto entonces es ligero de peso certeza es - 0.8 (c) objetos de valor único se supone. (D) sólo CCFE busca los siguientes inconsis- tencies más comunes: (i) dejar de redundancia: Regla 5: Si P1 y C1 (CF1) Norma 6: Si P2 y luego C2 (CF2) donde P1 y P2 puede ser cualquier combinación de las proposiciones, y CF representa el factor de certeza de una regla. La redundancia puede ocurrir cuando: A(PIlP2) > 0,5 &A(ClJC2) > 0,5 & Sign(CF1) = firmar (CF2) o un(PIIP2) > 0,5 &A(CIlC2) < 0,5 & Sign(CF1) 4~ sign(CF2) (ii) la contradicción contradicción puede ocurrir cuando: A(PIlP2) > 0,5 &A(CIlC2) > 0,5 & Sign(CF1) v~ firmar (CF2) o un(PIlP2) > 0,5 &A(CIlC2) < 0,5 & Sign(CF1) = firmar (CF2) (iii) subsunción de un caso especial de redundancia. Los detalles han sido descritos en la sección 2. (Iv) Sub-contradicción es un caso especial de contradicción. Los detalles han sido descritos en la sección 2. Una tabla de decisión se utiliza para la verificación de la base de reglas. Una tabla de decisión facilita la prueba de un conjunto de reglas para condiciones incompatibles. Cada columna de una tabla de decisión representa las condiciones de una regla. Construir una tabla de decisión de las normas es relativamente simple [5]. CCFE crea una tabla de decisión analizando las reglas almacenadas en la base de reglas, introduciendo cada valor correspondiente en la fila y columna adecuada. La tabla se implementa mediante matrices de punteros. Por lo tanto, el almacenamiento de la tabla se asignan dinámicamente. Además, asigna dinámicamente una matriz unidimensional se crea para almacenar el factor de certeza de cada regla.
Comprobación de coherencia de Sistemas Expertos Difusos 277
Tabla 1. Un ejemplo de conjunto de reglas (regla regla de rl (r2 (si (la altura es alto (si es alto (altura) entonces el peso es pesado) y comer es mucho) certeza es 0,7 entonces peso es muy pesado) certeza es de 0,65 (la regla r3 (si (comer es mucho) y actividad es poco) luego peso pesado moreorless) certeza es 0.9 el algoritmo para crear la tabla de decisión y la matriz almacenar la certeza de los factores es la siguiente: Leer todas las reglas de un archivo en la base de reglas. Contar el número total de objetos y reglas en la base de reglas. Asignar espacios para la tabla y la certeza de factores. Inicializar todas las celdas de la tabla para desocupado. Para todas las reglas en la base de reglas analizar la regla e introduzca los valores de la fila y columna correspondiente. Establecer que la celda que ocupaba. Así, por ejemplo, de las reglas en la Tabla 1, creará la CCFE corres- spondiente tabla de decisión y la matriz almacenar certeza factores como se muestra en la figura 4. rl r2 R3 altura tall tall comer mucha mucha actividad poco peso pesado muy pesado pesado moreorless certeza factor 07 I 065 I 0.9 Figura 4. Muestra la tabla de decisión.
278 K.S. Leung y Y. T. Así que
después de crear la tabla de decisión, todas las reglas se comprueban si hay incoherencias. Medir la afinidad es empleado para determinar la probabilidad entre dos expresiones, ya sea difusa o no difusa. El siguiente es el algoritmo para la verificación de consistencia: Para i = 1 a Nº de reglas - 1 j = i + 1 al nº de reglas caso comparar(antecedencia(i), antecedencia(j)) igual: si (la misma(consecuencia(i), consecuencia(j)) entonces si (sign(CF(i) = sign(CF(j))) entonces redundancia informe informe else else if (signo de contradicción (CF(i) = sign(CF(j))) entonces contradicción informe informe else endif continuar subconjunto de redundancia: si (la misma(consecuencia(i), consecuencia(j)) entonces si (sign(CF(i) = sign(CF(j))) luego subsunción informe informe sub-contradicción else else if (sign(CF(i) = sign(CF(j))) luego informe sub-contradicción más informe subsunción endif siguen diferentes: continuar endcase endfor endfor donde comparar es una función usando la afinidad medir para determinar si dos antecedences son los mismos, diferente, o una de las priori- cedence es un subconjunto de la Otros.
Comprobación de coherencia de Sistemas Expertos Difusos 279
mismo es una función booleana usando la afinidad medir para determinar si dos consecuencias son las mismas. signo devuelve el signo de la certeza de factor. 5. Resultados y Discusión CCFE se utiliza para verificar la consistencia de bases de reglas fuzzy. La siguiente regla base con difusas y no difusas objetos es verificado por CCFE y los resultados se presentan. (El ejemplo es un caso de pruebas inconsistentes, así que algunas reglas pueden no hacer demasiado sentido.) Deje que la altura es un objeto borroso con valores posibles (alto, medio, corto). El peso es un objeto borroso con valores posibles (pesado, montar, claro). Comer es un objeto borroso con valores posibles (mucho, equilibrada, dormir poco). No es un objeto de valor único difusa con valores posibles (suficiente, regular, malo). El deporte no es un objeto de valor único difusa con valores posibles (BIG- 2, fútbol, baloncesto). Regla básica: (regla rl si (la altura es alto) entonces el peso es pesado) Certeza es de 0,7 (la regla r2 si ((altura es alto) y comer es mucho) entonces el peso es muy pesado) Certeza es de 0,75 (la regla r3 si (la altura es alto) entonces el peso es equilibrado) Certeza es -0,5 (norma R4 Si ((comer es mucho) y el deporte es un gran-2)) entonces el peso es muy pesado) Certeza es 0.6
280 K.S. Leung y Y. T. Así
(la regla r5 (si está comiendo mucho) entonces es de peso ligero) Certeza es de 0,5 (la regla r6 Si (comer es mucho) y (El deporte es un gran-2) y dormir no es malo) entonces el peso es muy pesado) Certeza es -0,7 (norma R7 Si (comer es mucho) y el deporte es un gran-2) y dormir es suficiente) entonces el peso es pesado) Certeza es de 0,6 (la regla r8 (si no es suficiente para dormir), entonces el peso es ligero) Certeza es de 0,5 (la regla r9 Si (dormir es malo) entonces es de peso ligero) Certeza es 0.4 Diagnóstico: Advertencia 1: Subsunción entre reglas rl y r2 Advertencia 2: Reglas de redundancia entre RL y r3 3 Advertencia: Subsunción entre reglas r2 y r3 4 Advertencia: Sub-contradicción entre Reglas r2 y r5 5 Advertencia: Sub- contradicción entre las reglas r4 y r5 Aviso 6: Sub-contradicción entre las reglas r4 y r6 7 Advertencia: Subsunción entre reglas r4 y r7 8 Advertencia: Subsunción entre reglas r5 y r6 9 Advertencia: Sub- contradicción entre las reglas r5 y r7 10 Advertencia: la contradicción entre las reglas r6 y r7 11 Advertencia: redundancia entre reglas r8 y r9, un total de 11 advertencias.
Comprobación de coherencia de Sistemas Expertos Difusos 281 a
partir de los resultados, podemos ver que la afinidad es útil para determinar el grado de correspondencia de dos expresiones fuzzy para la comprobación de la coherencia. Las técnicas utilizadas en un entorno non-difusa puede ser fácilmente transportado a un ambiente difusa. Sin embargo, en un entorno lleno de mezclas de razonamientos exacta y aproximada, no hay definiciones de absoluta coherencia como se describe en las secciones 2 y 3. Un comprobador de coherencia difusa como el ejecutado sólo puede servir como un proveedor para avisos de posible incompatibilidad para facilitar un mejor conocimiento de la ingeniería. Los niveles de advertencias puede ajustarse variando parame- ros como el umbral afinidad en la definición y niveles de seguimiento. 6. Conclusión La utilización de afinidad, se ha demostrado que podemos detectar posibles inconsistencias en un entorno borroso. Las técnicas de detección son muy similares a los utilizados en un entorno no-fuzzy salvo que utilizamos para medir la afinidad de semejanza de dos expresiones difusa, es decir, de dos expresiones no difusa A1 y A2, A1 = A2 (A1 y A2 V~) podría ser sustituido por un(A1,A2) > 0,5 y un(A1,A2) < 0,5 respectivamente por las expresiones difusos A1 y A2 en un entorno borroso. La propiedad conmutativa de afinidad hace que el control de orden de nuevas y viejas reglas totalmente inde- dent. La afinidad, la medida ha demostrado ser una buena herramienta para medir la similitud de dos términos difusos. El comprobador de coherencia CCFE ha sido aplicado con éxito para ayudar a la ingeniería del conocimiento en un entorno difuso neous heteroge- con una mezcla confusa y no términos difusos. Referencias 1. Hayes-Roth, F., los sistemas basados en reglas, Comunicación de ACM, 28(9), 921-932, 1985. 2. Shortliffe, E. H., consultas médicas informatizadas: MYCIN, Elsevier, Nueva York, 1976. 3. Suwa, M., Scott, A. C., y Shortliffe, E. H., un enfoque para verificar la integridad y la coherencia de un sistema experto basado en reglas, AI Magazine, 3(3), 16-21, 1982. 4. KES Descripción General Manual, la arquitectura y la Ingeniería de Software, Inc., Arlington, C.A., 33, 1983. 5. Cragun, B. J., y Steudel, H. J., una decisión basada en tablas de procesador para controlar la integridad y coherencia en los sistemas expertos basados en reglas, Int. J. Estudios Hombre-Máquina, 26, 633-648, 1987.
282 K.S. Leung y Y. T. de modo 6. Leung, K. S., y Lam, W., conceptos de
sistemas expertos difusos, IEEE Computer, 2l(9), 43-56 de septiembre de 1988. 7. Leung, K. S., y Lam, W., UN SISTEMA EXPERTO DIFUSO shell mediante exacta e inexacta, J. razonamiento razonamiento automatizado, 5(2), 207- 233, 1989. 8. Leung, K. S., así, Y. T., Leung, A. y Wong, W. S. F., Z-malos: un PC basado en shell de sistema experto difuso, Proc. Int. Equipo Symp., 657- 662, 1990. 9. Beauvieux, A. y Dague, P., la comprobación de la base de conocimiento interactivo consis- tency, Int. Equipo de Sci. Conf. 567-574, 1988. 10. Buchannan, B. G., y Shortliffe, E. H., la ingeniería del conocimiento, sistemas expertos, Addisley-Wesley Rule-Based Publishing Company, 1984. 11. Nguyen, T. A., Perkins, W. A., Laffey, T. J., y Pecora, D., la verificación de la base de conocimiento, AI Magazine, 69-75, en el verano de 1987. 12. Tsang, W. W., Wan, Y. S., Lim, S. L., y Hioe, W., un método de búsqueda de espacio para la comprobación de la coherencia e integridad de una base de reglas, Int. Equipo de Sci. Conf. 575-579, 1988. 13. Zadeh, L.A., un difuso-set-interpretación teórica de coberturas lingüísticas, J. Cybernetics, 2(3), 4-}34, 1972. 14. Zadeh, L. A. PRUF--un significado representación idioma de lenguas naturales, Int. J. Estudios Hombre-Máquina, 10, 395-460, 1978. 15. Cayrol, M., Farreny, H. y su parte, desde PRADE, H., de coincidencia de patrón difuso, Kybernetes, 11, 103-116, 1982.