Un a volta che siamo in possesso di dati fuzzy provenienti dal processo di fuzzyficazione dobbiamo inserire nel motore decisionale delle regole che ci diano degli output fuzzy particolari per particolari situazioni (fuzzy) degli input. Una di queste regole può avere la forma: if (input n appartiene a classe k) then output m appartiene a classe j con forza pari al grado di appartenenza di n a k.

Spesso nella applicazione delle regole alcune di esse portano alla medesima conseguenza con livelli di forza differenti: in questi casi è pratica comune scegliere il valore maggiore(list.1). Avere dei dati fuzzy in uscita ci servirebbe a ben poco però, perciò si rende necessario trasformare i dati che derivano dalla valutazione delle regole in dati numerici reali: questo processo è il processo opposto alla fuzzyficazione dell’ input e infatti si chiama defuzzyficazione dell’ output.In fig.5 vedete rappresentato lo schema di un sistema fuzzy completo.

LISTATO 1

REGOLA 1: IF (A&&B) THEN X E Y

REGOLA 2: IF (C&&D) THEN X E Z

FORZA DELLA REGOLA 1= MIN(A,B)

FORZA DELLA REGOLA 2= MIN(C,D)

Y= FORZA DELLA REGOLA 1

Z= FORZA DELLA REGOLA 2

X=MAX(FORZA DELLA REGOLA 1,FORZA DELLA REGOLA 2) = MAX(MIN(A,B),MIN(C,D))

DOVE A,B,C,D SONO IPOTESI DEL TIPO "DEGREE OF MEMBERSHIP" OVVERO GRADO DI APPARTENENZA DI UN INPUT DEL SISTEMA AD UNA SPECIFICA CLASSE

E

X,Y,Z SONO CONSEGUENZE INTESE COME GRADO DI APPARTENENZA DI UN OUTPUT AD UNA PARTICOLARE CLASSE

Luca Marchese

Successivo: Defuzzyficazione dell'output

Sommario: Indice