第四章 我們的方法
4.4 過程及計算時間的比較
在這一節中,我們將比較單一結論類別的 fuzzy rules 與多結論類 別的 fuzzy rules,在產生結論部份時的計算過程,以及 single winner rule 與 weighted voting 這兩種方法的模糊推論過程。最後再以兩個分 別使用了 SS 模糊模型與 MW 模糊模型的匹茲堡式演算法來比較這些 過程所需的計算時間。
4.4.1 Fuzzy Rule 產生結論部份的過程
當一條單一結論類別的 fuzzy rule
R
q其前提部份決定了之後,我 們需計算出R
q的結論類別Cq及 certainty factor CFq,其計算過程為Step 1) 計算c(Aq⇒Classh),h=1,2,K,M.
Step 2)
c
(Aq ⇒C
q)=max{c
(Aq ⇒Classh
)|h
=1,2,K,M
}.Step 3) ( ) ( Class ).
1
∑
≠=
⇒
=
⇒ M
C h h
q q
q
q
h c
C
c
A AStep 4)
CF
q =c
(Aq ⇒C
q)−c
(Aq ⇒C
q).而一條多結論類別的 fuzzy rule
R
q其前提部份決定了之後,我們 只 需 計 算 出R
q 每 個 類 別 的 信 心 程 度 , 然 後 直 接 使 用 信 心 程 度) Class
( h
c Aq⇒ 作為結論類別h的CFqh值,即
. , , 2 , 1 ), Class
( h h M
c
CFqh = Aq ⇒ = K
由以上的比較可明顯的看出,多結論類別的 fuzzy rules 在產生結 論部份時,要比單一結論類別的 fuzzy rules 簡單且快速了許多。
4.4.2 模糊推論過程
接下來我們再比較 single winner rule 與 weighted voting 這兩種方 法的模糊推論過程。首先假設一個 rule set 是由
N
rule條 fuzzy rules 所 組成,而現在有一個類別未知的樣本xp進入這個 rule set。Single Winner Rule Method
Step 1) 計算
μ
Aq(xp)⋅CF
q,q = 1 , 2 , K , N
rule。Step 2) 找出
N
rule個乘積中的最大乘積。Step 3) 若擁有最大乘積的 fuzzy rule 數目唯一,則分類此樣本xp並 結束演算法。
Step 4) 若擁有最大乘積的 fuzzy rules 其結論類別均相同,則分類此 樣本xp並結束演算法。
Step 5) 拒絕分類此樣本xp。
在模糊推論過程中,若 Step 3 不成立,表示有兩條以上的 fuzzy rules 同時擁有最大乘積。若 Step 4 不成立,表示這兩條以上擁有最大乘積 的 fuzzy rules 其結論類別不完全相同。
Weighted Voting Method
Step 1) 計算
∑
=
⋅
= rule
1
) ( )
(
N
q
qh p
q CF
h
SC μA x ,
h
=1,2,K,M
。Step 2) 找出M 個SC(h)值中的最大值。
Step 3) 若有兩個以上的SC(h)同時擁有最大值,則拒絕分類此樣本xp 並結束演算法。
Step 4) 分類樣本xp。
在模糊推論過程中,若 Step 3 不成立,表示擁有最大值的SC(h)個數 唯一。
因為 weighted voting 的模糊推論過程需將 rule set 中所有 fuzzy rules 的μAq(xp)⋅CFqh加總起來,所以其計算時間將隨著 rule set 中 fuzzy rules 數(
N
rule)的增加而增加,通常會比 single winner rule 的 模糊推論過程來的耗時,不過值得慶幸的是,一個好的 rule set 中不 會包含太多的 fuzzy rules。4.4.3 計算時間的比較
我們以兩個分別使用了 SS 模糊模型與 MW 模糊模型的匹茲堡式 演算法來比較其計算時間。實驗結果(說明於第五章中)顯示,雖然 weighted voting 的模糊推論過程較 single winner rule 的模糊推論過程 來的耗時,但若連同 fuzzy rules 產生結論部份時所需的計算時間一併 計算,MW 模糊模型還是較 SS 模糊模型([17]所使用的模糊模型)
更為省時(在