Controllo della temperatura di una stanza
- SE Temperatura è BASSA ALLORA PotenzaRiscaldamento è ALTA.
- SE Temperatura è CONFORTEVOLE ALLORA PotenzaRiscaldamento è MEDIA.
- SE Temperatura è ALTA ALLORA PotenzaRiscaldamento è BASSA.
1. Dal linguaggio naturale alla regola fuzzy
Molti sistemi fuzzy nascono da frasi del tipo:
"Se la temperatura è alta e l'umidità è bassa allora la velocità della ventola deve essere alta".
Il lavoro principale è tradurre queste frasi in elementi formali:
- variabili linguistiche (Temperatura, Umidità, VelocitàVentola),
- etichette fuzzy (bassa, media, alta),
- regole del tipo IF–THEN con AND/OR tra le condizioni.
2. Struttura di una regola fuzzy
Una regola tipica in uno schema Mamdani ha la forma:
SE Temperatura è ALTA E Umidità è BASSA ALLORA VelocitàVentola è ALTA
Le parti principali sono:
- Antecedente (SE ...): combina condizioni su variabili di ingresso.
- Connettivi: AND/OR mappati su operatori fuzzy (min, max, prodotto, somma).
- Consequente (ALLORA ...): assegna un insieme fuzzy all'uscita.
3. Esempi di controllo basati su regole
Controllo di un rischio qualitativo
- SE ProbabilitàEvento è ALTA E Impatto è ALTO ALLORA Rischio è MOLTO_ALTO.
- SE ProbabilitàEvento è BASSA E Impatto è ALTO ALLORA Rischio è MEDIO.
4. Buone pratiche per una base di regole
- Coerenza: evitare regole che dicono cose opposte nelle stesse condizioni.
- Copertura: coprire tutte le combinazioni rilevanti delle variabili di ingresso.
- Compattezza: iniziare con poche regole ben scelte, poi raffinarsi.
- Interpretabilità: mantenere nomi delle etichette chiari e vicini al linguaggio naturale.
È spesso utile partire da regole proposte da esperti di dominio e poi affinare i parametri tramite dati (approccio neuro-fuzzy).
5. Implementare regole fuzzy in Python
In Python si possono rappresentare le regole in vari modi, ad esempio come strutture dati che collegano nomi di variabili, etichette fuzzy e operatori.
rule = {
"antecedent": [
("temperatura", "alta"),
("umidita", "bassa")
],
"operator": "AND",
"consequent": ("velocita_ventola", "alta")
}
Un motore di inferenza leggerà queste strutture, calcolerà i gradi di verità dell'antecedente e costruirà il contributo fuzzy all'uscita, come descritto nella pagina sullo Schema Mamdani.