IMAG0320 2

4. Wyostrzanie (defu/yfikacja):

Stosując t-normę typu min przeprowadź operacje min(0.5. mf2) i min(0.3, mO), w rezultacie których otrzy mane zostaną dwa zbiory rozmyte poddane następnie agregacji z zastosowaniem S-normy typu max:

» y = max(min(mf2,0.5), min(0.3, mf3));

Wynik operacji przedstaw w formie wykresu:

» plot(x, mf2,x, mf3,V, x, y);grid

Otrzymany zbiór rozmyty y poddaj wyostrzaniu metodą Środka Ciężkości (Center of Gravity) wykonując kolejno polecenia:

» out = defuzz(x,y,'centroid')

» plot(x, mf2,x, mf3,x, y, out, 0, ^łro’);grid

Wykonaj wyostrzanie kolejno stosując metody dostępne w Matlabie:

bisector    - bisector of area method.

inom    - mean of maximum method.

som    - smallest of maximum method.

lom    - iargest of maximum method.

5. Realizacja rozmytego modelu wnioskowania typu Mamdani z zastosowaniem M-funkcji Matlaba.

Rozważmy model rozmytego wnioskowania (FLM) o dwóch wejściach i jednym wyjściu jak na rysunku poniżej.

x1
	FLM	y
x2

Wejścia modelu xl i x2 oraz wyjście modeluy są rozmywane z zastosowaniem trójkątnych funkcji przynależności. Tak otrzymane zbiory rozmyte zostały nazwane terminami lingwistycznymi:

Smali [0 2 4J i Big [2 4 6] dla zmiennej wejściowej xl i

Smali [0 2 6J i Big [2 6 9] dla zmiennej wejściowej x2 oraz

Smali [0 4 7]. Medium [4 6 9] i Big [6 8 11] dla zmiennej wyjściowej y gdzie: [a b c] to parametr)' trójkątnych funkcji przynależności.