‫بسم اهلل الرحمن الرحیم‬

‫مدلسازی تاکاگی سوگنو‬

Takagi Sugeno Modeling
 ‫‪1‬‬
‫روش مدلسازی تاکاگی سوگنو‬

‫در روش مدلسازی تاکاگی سوگنو تمامی توابع عضویتها خطی میباشند و بخش ‪ then part‬مربوط‬
‫به هر ‪ rule‬نیز یک ابر صفحه از ورودیهای سیستم هستند‪ .‬شکل کلی قوانین به صورت زیر میباشد ‪:‬‬

‫⏟ 𝑛𝑒‪𝑖𝑓 𝑥1 𝑖𝑠 𝐹1𝑟 𝑎𝑛𝑑 … 𝑎𝑛𝑑 𝑥𝑛 𝑖𝑠 𝐹𝑛𝑟 𝑡ℎ‬‬

‫⏟‬ ‫𝑛𝑥 𝑟𝑛𝑝 ‪𝑦𝑟 = 𝑝0𝑟 + 𝑝1𝑟 𝑥1 + ⋯ +‬‬
‫𝑡𝑟𝑎𝑝 𝑓𝑖‬ ‫𝑡𝑟𝑎𝑝 𝑛𝑒‪𝑡ℎ‬‬

‫توابع عضویت هم به صورت کامال خطی با شیبهای مثبت و منفی است‪ .‬در شکل زیر این توابع عضویت‬
‫نمایش داده شدهاند‪.‬‬

‫)𝑏 ‪−(𝑥 −‬‬

‫= )𝑥(𝜇‬
‫𝑎‪𝑏−‬‬

‫)𝑎 ‪(𝑥 −‬‬

‫= )𝑥(𝜇‬
‫𝑎‪𝑏−‬‬

‫نتیجهی ‪ if part‬را معموال به صورت ‪ min‬میزان اعتبار درستی هر بخش از آن در نظر میگیرند‪ ،‬ما برای‬
‫پیادهسازی طبق مقالهای که از آن استفاده کردیم حاصلضرب آنها را به عنوان میزان اعتبار هر قانون در نظر‬
‫میگیریم‪.‬‬

‫‪1‬‬
‫‪Takagi Sugeno modeling‬‬
‫𝑛𝑖𝜇 ∗ … ‪𝜇𝑖 = 𝜇𝑖1 ∗ 𝜇𝑖2‬‬

‫و خروجی نهایی سیستم را از فرمول زیر محاسبه میکنیم‪:‬‬

‫𝑖̂𝑦 𝑖𝜇 ∑‬
‫= ̂𝑦‬ ‫𝑖𝜇 ∑‬
‫∗∗‬

‫اما توابع عضویت و ضرایب ابرصفحهی خروجی باید با استفاده از یک عملیات بهینهسازی بدست آید‪ .‬در‬
‫مقالهای که ما از آن استفاده کردیم فرض بر آن است که هر ورودی را به قسمتهای برابر تقسیم میکنیم و‬
‫در نتیجه مسالهی بهینهسازی غیر خطی پیدا کردن ضرایب خروجی هر قانون و ابتدا و انتهای هر تابع عضویت‬
‫تنها به پیدا کردن ضرایب 𝑛𝑖𝑝 ‪ 𝑝𝑖0 , … ,‬ها محدود میشود‪ .‬بنابراین اگر فرض کنیم محدودهی ورودی 𝑟𝑥 به‬
‫‪ 4‬قسمت تشکیل شده است توابع عضویت زیر را خواهیم داشت‪.‬‬

‫حال باید ضرایب را پیدا کنیم‪ .‬برای پیدا کردن ضرایب باید یک مسئلهی ‪ least square‬را حل کنیم‪ .‬با توجه‬
‫به اینکه ما دادههایی از سیستم داریم اگر فرض کنیم دادههای خروجی واقعی را با 𝑦 نشان دهیم و خروجی‬
‫ناشی از تخمین مدل ساخته شده را با ̂𝑦 نشان دهیم باید ضرایب را طوری تخمین بزنیم که‪:‬‬

‫‪‖𝜖‖2 = ‖𝑦 − 𝑦̂‖2‬‬

‫که در آن 𝜖 خطای تخمین و ] 𝑛𝑦 ‪ 𝑦 = [𝑦1 , … ,‬و ] 𝑛̂𝑦 ‪ 𝑦̂ = [𝑦̂1 , … ,‬بردارهای خروجی واقعی و‬
‫تخمینی هستند‪ .‬با توجه به اینکه رابطهی∗∗ برای محاسبهی خروجی‪ ،‬یک رابطهی خطی از 𝑗𝑖𝑝 است‪ ،‬از‬
‫این رو میتوان محاسبات را به شکل خطی ماتریسی زیر نشان داد‪:‬‬

‫𝑃)𝑥(𝐴 = ̂𝑦‬

‫از دو رابطهیباال داریم‪:‬‬

‫)𝑃)𝑥(𝐴 ‪‖𝜖‖2 = ‖𝑦 − 𝑦̂‖2 = (𝑦 − 𝐴(𝑥)𝑃)𝑇 (𝑦 −‬‬

 ‫‪𝜕‖𝜖‖2‬‬
‫>=‬ ‫‪= −𝐴(𝑥)𝑇 (𝑦 − 𝐴(𝑥)𝑃) = 0‬‬
‫𝑃𝜕‬

‫‪−1‬‬
‫𝑦 𝑇)𝑥(𝐴 ))𝑥(𝐴 𝑇)𝑥(𝐴( = 𝑃 >=‬

‫بنابراین بردار ضرایب 𝑃 با استفاده از شبه معکوس ماتریس )𝑥(𝐴 بدست میآید‪ .‬ماتریس با استفاده‬
‫از ورودیهای آموزش سیستم و مقدار تابع عضویت بدست میآید‪.‬‬

‫مرجع‪:‬‬

‫• ‪Manfred Mannel "Identifying rule based TSK fuzzy model ", Proc.‬‬
‫‪Seventh Eur. Congr. Intelligent Techniques Soft, 1999‬‬

‫نتایج شبیهسازی‬
‫در این بخش ما چهار تابع متفاوت را بوسیله الگوریم ‪ TS‬مدل مینماییم‪ .‬در اینجا ما به ازای تعداد‬
‫تقسیمات متفاوت در ورودیها ( ‪ N x‬و ‪ ،) N x‬خروجی مدلسازی را نمایش میدهیم‪.‬‬
‫‪2‬‬ ‫‪1‬‬

‫‪sin( x1 ) 2‬‬ ‫‪sin( x2 ) 2‬‬ ‫مدلسازی تابع‬

‫(‪y = 3‬‬ ‫(‪) + 5‬‬ ‫)‬
‫‪x1‬‬ ‫‪x2‬‬
 ‫) ‪y = x 1 sin(.5x 1‬‬ ‫مدلسازی تابع‬

‫این تابع مطابق شکل زیر فقط به متغیر ‪ x 1‬بستگی دارد‪ .‬ما به ازای مقادیر متفاوت تعداد خوشه‬
‫عمل مدلسازی را انجام میدهیم‪ .‬بدون اثر بودن ‪ x 2‬در شکلهای زیر به راحتی نمایان است‪،‬‬
‫هنگامی که ‪ x 1‬را در مدلسازی در نظر نمیگیریم یعنی ‪ ، N x = 0‬عمال هیچگونه عمل مدل‬
‫‪1‬‬

‫سازی انجام نمیشود اما برای حالتی که ‪ ، N x = 0‬متغیر ‪ x 1‬توانسته تقریب خیلی خوبی از تابع‬
‫‪2‬‬

‫ارائه دهد‪ ..‬در ادامه به ازای مقادیر متفاوت ‪ N x‬و ‪ N x = 0‬نتایج مدلسازی نشان داده شده‬
‫‪2‬‬ ‫‪1‬‬

‫است‪.‬‬
 ‫‪y = ((sin(x 2 ) − sin(.5x 1 ))x 2 + sin(x 2 )) / 3‬‬ ‫مدلسازی تابع‬

‫شکل تابع مطابق زیر میباشد‪ .‬تفاوت این این تابع با تابع قبلی در این است که هر دو متغیر در خروجی موثر‬
‫هستند‪.‬‬
 ‫مدلسازی تابع‬

‫تابع مطابق شکل صفحه بعد‪ ،‬حاصل از جابهجایی تابع سینوسی بر روی سهمی میباشد‪ .‬در شکل دو نمای‬
‫این تابع نشان داده شده است‪ .‬کد نویسی این تابع به شکل زیر میباشد‪:‬‬

‫;)‪[X1,Y1]=meshgrid(-10:.05:10,-10:.05:10‬‬
‫;)‪[m,n]=size(X1‬‬
‫;‪t=-20:.4:10000‬‬
‫;)‪sn=sin(.055*t‬‬
‫))‪for k=1: length(X1(:,1‬‬
‫;)‪yy(k,:)=-sn(round(2*X1(1,k)^2)+1+12500:round(2*X1(1,k)^2)+m+12500‬‬
‫‪end‬‬
‫مدلسازی سوگنو یاسوکاوا‬
Sugeno-Yasukawa Modeling
 ‫روش مدلسازی ‪:Sugeno-Yasukawa‬‬

‫همانگونه که میدانیم روش ‪ Sugeno-yasukawa‬یک روش مدل سازی سیستم با استفاده از دادههای‬
‫ورودی و خروجی است بدین معنی که ‪ N‬داده مشاهده از رفتار این سیستم در دست داریم و میخواهیم رفتار‬
‫آن را با استفاده از استنتاج فازی مدل نماییم‪ .‬در واقع هدف بدست آوردن قواعد استنتاج‪ ،‬شکل و پارامترهای‬
‫توابع عضویت از روی دادههاست‪.‬‬

‫فرقی که این روش مدلسازی با روشهای دیگر مدلسازی فازی دارد این است که در اغلب روشهای مدل‪-‬‬
‫سازی فازی‪ ،‬ابتدا پارامترهای بخش مقدم مانند تعداد افرازهای انجام شده بر روی متغیر های ورودی‪ ،‬شکل‬
‫توابع عضویت و شکل قواعد استنتاج تعیین میشوند و سپس با انجام روشهای بهینهسازی‪ ،‬پارامترهای بخش‬
‫تالی مشخص میشوند‪ .‬از جمله معایب اینگونه مدلسازیها میتوان به افزایش تعداد قواعد استنتاج (که‬
‫برخی از آنها واقعاً نقش چندانی در نتیجه مدلسازی ندارند)‪ ،‬بار محاسباتی باال و فرض اولیه در مورد شکل‬
‫توابع عضویت اشاره کرد‪.‬‬

‫فرق اصلی این روش مدلسازی با بقیه روشها نیز در همین بخش است‪ ،‬در روش ‪،Sugeno-Yasukawa‬‬
‫ابتدا پارامترهای بخش تالی سیستم استنتاج مشخص میشوند و از آنجا با نگاشت آنها بر روی فضای ورودی‬
‫پارامترهای بخش مقدم خودبخود مشخص میگردند‪.‬‬

‫الگوریتم مدلسازی ‪Sugeno-Yasukawa‬‬

‫این روش مدلسازی به طور مختصر به چند بخش کلی تقسیم میشود‪:‬‬

‫‪ -1‬کالستر کردن فضای خروجی‬

‫‪ -2‬نگاشت کالسترهای تعیین شده به فضای ورودی و ساختن قواعد استنتاج‬
‫‪ -3‬بهبود نتایج از نظر تعیین دادههای موثر در مدلسازی‪ ،‬تعداد کالسترهای فضای خروجی و شکل توابع‬
‫عضویت‬

‫کالستر کردن فضای خروجی‪:‬‬

‫اولین کاری که در این روش مدلسازی صورت میگیرد کالستر کردن دادههای خروجی سیستم است که به‬
‫یکی از طرق روشهای کالسترینگ فازی صورت میپذیرد که ما در اینجا از روش کالستر کردن ‪FCM‬‬
‫استفاده نمودهایم (دستور ‪ fcm‬در متلب)‪ .‬تنها نکتهای که در اینجا وجود دارد‪ ،‬تعیین تعداد کالسترهاست‪،‬‬
‫زیرا همانگونه که میدانیم در این روش کالستر کردن تعداد کالسترها از قبل باید مشخص باشد‪ .‬برای تعیین‬
‫تعداد کالسترها بصورت زیر عمل میکنیم‪ :‬ابتدا از ‪ 1‬کالستر شروع میکنیم و سیستم را مدل میکنیم و‬
‫میزان خطای مدلسازی را با دادههای آزمایش اندازهگیری میکیم‪ .‬سپس به ترتیب تعداد کالستر ها را افزایش‬
‫داده و همین اعمال را تکرار میکنیم تا وقتیکه به اولین مینیمم محلی در مقدار خطای مدلسازی برسیم‪ .‬در‬
‫اینصورت این تعداد کالستر بهینه خواهد بود‪.‬‬

‫نگاشت کالسترهای تعیین شده به فضای ورودی و ساختن قواعد استنتاج‬

‫اگر فرض کنیم دادههای خروجی مطابق با شکل زیر به سه کالستر تقسیم شدهاند‪:‬‬

‫‪C1‬‬ ‫‪C2‬‬ ‫‪C3‬‬

‫‪μ0‬‬
‫* ** * ** ** * * ** *** ** * * * * ** *‬ ‫‪y‬‬
‫)‪(x10,x20,y0‬‬
‫و میخواهیم به عنوان مثال کالستر ‪ C1‬را بر روی فضای ورودی مثالً ‪ X1‬و ‪ X2‬نگاشت دهیم‪ .‬برای اینکار‬
‫تک تک دادههایی را که درجه تعلق آنها به کالستر ‪ C1‬بزرگتر از صفر است را در نظر میگیریم مانند ‪ y0‬با‬
‫درجه تعلق ‪ .µ0‬هر دادهء خروجی دارای یک ‪ x1‬و ‪ x2‬متناظر با آن است مانند ‪ x10‬و ‪ .x20‬برای نگاشت‬
‫داده ‪ y0‬بر روی فضاهای ورودی کافی است دو نقطه ‪ x10‬و ‪ x20‬را بر روی فضای ورودی در نظر گرفته و‬
‫به آنها درجه تعلق ‪ µ0‬نسبت میدهیم‪ .‬مانند شکل زیر‪:‬‬

‫‪μ0‬‬ ‫‪μ0‬‬

‫‪x10‬‬ ‫‪x20‬‬
‫اگر همین کار را برای دیگر نقاط متعلق با کالستر ‪ C1‬انجام دهیم‪ ،‬شکل توابع عضویت بر روی ورودیها شکلی‬
‫شبیه به زیر بدست خواهد آمد‪.‬‬

‫که معموالً به علت سادگی در محاسبات بر روی آن یک ذوزنقه ‪ fit‬میکنیم مانند شکل زیر‪:‬‬
 ‫‪A1‬‬ ‫‪A2‬‬

‫‪X1‬‬ ‫‪X2‬‬
‫با همین عمل نگاشت ساده شکل قاعده استنتاج نیز بدست میآید که بصورت زیر خواهد بود‪:‬‬

‫اگر ‪ x1‬متعلق است به ‪ A1‬و ‪ x2‬متعلق است به ‪ A2‬در این صورت ‪ y‬متعلق است به ‪.C1‬‬

‫اگر همین عمل را برای دیگر کالسترها نیز تکرار کنیم‪ ،‬به تعداد کالسترها قاعده خواهیم داشت و لذا با اینکار‬
‫شکل توابع عضویت بر روی فضای ورودی‪ ،‬تعداد افرازها بر روی فضای ورودی و قواعد استنتاج همه بدست‬
‫میآیند‪.‬‬

‫در اینجا ما به جای ‪ fit‬کردن ذوزنقه از نمودار تکه خطیای استفاده میکنیم‪ .‬تابعهای عضویت بدست امده‬
‫از تصویرسازی فضای خروجی دارای یک فرم منظم نمیباشند‪ .‬ازاین رو ما در ابتدا یک عمل فیلترینگ‬
‫پایینگذر را بر روی انها در جهت نرمسازی توابع عضویت انجام میدهیم‪ .‬انگاه از نمودارهای بدست آمده از‬
‫فیلتریگ‪ ،‬نمونهبرداری میکنیم‪ .‬حال از نمونههای بدست امده به عنوان تابع عضویت استفاده مینماییم‪ .‬در‬
‫برنامه ‪ paramdet_m.m‬این عمل انجام میشود‪ .‬در آنجا از تابع عضویت ‪ 20‬نقطه به عنوان نماینده در نظر‬
‫میگیریم‪ .‬در شکل زیر‪ ،‬نمودار ‪ 3‬تابع عضویت را قبل و بعد از فیلتر برای تابع سینک مانند‬
‫‪ y = 3( sin( x1 ) )2 + 5( sin( x2 ) )2‬برای ورودی ‪ 𝑥1‬نشان داده شده است‪ .‬در اینجا خروجی را به دو کالس‬
‫‪x1‬‬ ‫‪x2‬‬
‫خوشهبندی نمودهایم‪ .‬شکا تقریبی تابع بوسیله ‪ YS‬بوسیله دو خوشه نیز در زیر نشان داده شده است‪ .‬همانطور‬
‫که از شکل تابع سینک نمایان است انتظار ‪ 3‬کالس در مراکز صفر و غیر صفر داریم و این در توابع عضویت‬
‫بدست آمده از تصویر فضای خروجی به ورودی‪ ،‬نیزتایید شده است‪.‬‬
 After Filtering
1

0.8

0.6


0.4

0.2

0
-10 -5 0 5 10
x1
 ‫نتایج شبیهسازی‪:‬‬

‫در اینجا ما چهار تابع را بوسیله الگوریتم ‪ YS‬مدلسازی میکنیم‪ .‬هر تابع به ازای مقادیر متفاوت تعداد‬
‫خوشه ‪ 32 ،16 ،8 ،2‬و ‪ 64‬مدل سازی میشوند‪ .‬بر روی هر نمایش هر مدل مقدار ‪ MSE‬نیز نمایش داده‬
‫شده است‪ .‬برای هر تابع ‪ 10000‬نمونه تولید نموده‪ ،‬و از آنها به عنوان دادههای ورودی خروجی مشاهده شده‬
‫استفاده میکنیم و با آنها عمل مدل سازی را انجام میدهیم‪.‬‬

‫‪sin( x1 ) 2‬‬ ‫‪sin( x2 ) 2‬‬ ‫مدلسازی تابع‬

‫(‪y = 3‬‬ ‫(‪) + 5‬‬ ‫)‬
‫‪x1‬‬ ‫‪x2‬‬

‫این تابع‪ ،‬یک تابع سینک مانند میباشد در ادامه به ازای تعداد خوشههای ‪ 8 ،2‬و ‪ ،16‬خروجی مدل به همراه‬
‫‪ MSE‬نمایش داده شده است‪.‬‬
 ‫) ‪y = x 1 sin(.5x 1‬‬ ‫مدلسازی تابع‬

‫این تابع مطابق شکل زیر فقط به متغیر ‪ x 1‬بستگی دارد‪ .‬ما به ازای مقادیر متفاوت تعداد خوشه عمل‬
‫مدلسازی را انجام میدهیم‪ .‬البته در اینجا ما متغیر بیاثر را حذف نکردهایم و در مدلسازی آن را در نظر‬
‫گرفتهایم‪.‬‬
 ‫‪y = ((sin(x 2 ) − sin(.5x 1 ))x 2 + sin(x 2 )) / 3‬‬ ‫مدلسازی تابع‬

‫شکل تابع مطابق زیر میباشد‪ .‬تفاوت این این تابع با تابع قبلی در این است که هر دو متغیر در خروجی موثر‬
‫هستند‪.‬‬
‫همانطور که از نتایج شبیهسازی نمایان است‪ ،‬در این مثال‪ ،‬به نظر میرسد‪ ،‬الگوریتم ‪ YS‬در مدل کردن قله‬
‫موجود در تابع اصلی در این حالت خاص ناتوان است‪ ،‬به طوری که با افزایش تعدادخوشهها تاثیری چندانی‬
‫در بهبود مدلینگ این ناحیه نداریم وبلکه این این قله در حدود‪ 6-7‬بریده شده است‪.‬‬

‫مدلسازی تابع‬

‫تابع مطابق شکل صفحه بعد‪ ،‬حاصل از جابهجایی تابع سینوسی بر روی سهمی میباشد‪ .‬در شکل دو نمای‬
‫این تابع نشان داده شده است‪ .‬کد نویسی این تابع به شکل زیر میباشد‪:‬‬

‫;)‪[X1,Y1]=meshgrid(-10:.05:10,-10:.05:10‬‬
‫;)‪[m,n]=size(X1‬‬
‫;‪t=-20:.4:10000‬‬
‫;)‪sn=sin(.055*t‬‬
‫))‪for k=1: length(X1(:,1‬‬
‫;)‪yy(k,:)=-sn(round(2*X1(1,k)^2)+1+12500:round(2*X1(1,k)^2)+m+12500‬‬
‫‪end‬‬
‫این شکل نمای باالی تابع است‪ .‬نمودار سهمی به راحتی قابل رویت است‪.‬‬
‫همانطور که از شکلهای باال نمایان است‪ ،‬به نظر میرسد الگوریتم ‪ YS‬در مدل کردن قوس سهمی این تابع‬
‫ناتوان است‪ .‬با توجه به اینکه تابع مقادیر تابع بین ‪ +1‬و ‪ -1‬است‪ ،‬مقادیر ‪ MSE‬خیلی بزرگ هستند‪.‬‬