T-Norm

Eine T-Norm, oft auch klein t-Norm, ist eine mathematische Funktion, die im Bereich mehrwertiger Logiken, insbesondere in der Fuzzy-Logik, Bedeutung erlangt hat. Der Begriff leitet sich vom Englischen triangular norm, zu Deutsch Dreiecksnorm ab, und rührt daher, dass eine T-Norm eine dreiecksähnliche Fläche in $\mathbb {R} ^{3}$ beschreibt.

Eine T-Norm ist auf dem Einheitsintervall [0,1] definiert

$T:[0,1]\times [0,1]\rightarrow [0,1]$

und muss folgende Eigenschaften aufweisen (zur exakten Definition dieser Eigenschaften siehe die Tabelle zu T-Norm und T-Conorm am Ende dieses Artikels):

• Assoziativität: T(a, T(b, c)) = T(T(a, b), c)
• Kommutativität: T(a, b) = T(b, a)
• Monotonie: T(a, b) ≤ T(c, d), falls a ≤ c und b ≤ d
• 1 ist neutrales Element: T(a, 1) = a

Der Hintergrund bei der Entwicklung der T-Norm bestand darin, dass man für mehrwertige Logiken einen verallgemeinerten Konjunktions-Operator benötigte. Die oben genannten Eigenschaften sind gleichsam allgemeinste Eigenschaften eines solchen Operators: Assoziativität und Kommutativität sind selbstverständlich. Die Monotonie garantiert eine gewisse Regelmäßigkeit in der Struktur von Definitions- und Zielmenge. Die 1 als neutrales Element ermöglicht Konjunktionen, deren Ergebnis nur von einem Operanden abhängt.

Diese Eigenschaften werden im Zusammenhang mit Fuzzy-Mengen verwendet, um die Schnittmengen-Operation nachzubilden.

Komplementär zu T-Normen werden T-Conormen (od. auch S-Normen) verwendet. Mit Hilfe der de Morganschen Gesetze lässt sich nämlich auf der Basis einer T-Norm, welche Konjunktion bzw. Schnittmenge liefert, und einer Negation die Disjunktions- bzw. die Vereinigungsmengen-Operation ableiten.

Geläufige T-Normen und T-Conormen

${\begin{matrix}\mathrm {\top _{min}} (a,b)&=&\min\{a,b\}&\mathrm {\bot _{max}} (a,b)&=&\max\{a,b\}\\\\\mathrm {\top _{Luka}} (a,b)&=&\max\{0,a+b-1\}&\mathrm {\bot _{Luka}} (a,b)&=&\min\{a+b,1\}\\\\\mathrm {\top _{prod}} (a,b)&=&a\cdot b&\mathrm {\bot _{sum}} (a,b)&=&a+b-a\cdot b\\\\\mathrm {\top _{-1}} (a,b)&=&\left\{{\begin{matrix}a,&{\mbox{falls }}b=1\\b,&{\mbox{falls }}a=1\\0,&{\mbox{sonst}}\end{matrix}}\right.&\mathrm {\bot _{-1}} (a,b)&=&\left\{{\begin{matrix}a,&{\mbox{falls }}b=0\\b,&{\mbox{falls }}a=0\\1,&{\mbox{sonst}}\end{matrix}}\right.\end{matrix}}$

Die angegebenen T-Conormen sind jeweils bezüglich der Standardnegation N(x)=1-x zur entsprechenden T-Norm dual, also über die de Morganschen Gesetze verknüpft. Mit anderen involutiven Negationen ergeben sich im Allgemeinen auch andere T-Conormen.

Die erstgenannte wird wegen ihrer Einfachheit und ihrer unten genannten Eigenschaften am häufigsten eingesetzt. Die 3. T-Norm, sowie deren T-Conorm kommen aus der Wahrscheinlichkeitsrechnung. Weiterhin gelten folgende Zusammenhänge:

${\begin{matrix}\mathrm {\top _{-1}} (a,b)&\leq &\top (a,b)&\leq &\mathrm {\top _{min}} (a,b)\\\mathrm {\bot _{max}} (a,b)&\leq &\bot (a,b)&\leq &\mathrm {\bot _{-1}} (a,b)\end{matrix}}$
D.h. dass die drastische T-Norm (T_-1) die kleinste und die Minimum-T-Norm die größte ist. Umgekehrtes gilt für die T-Conorm. T(a, b) bzw. ⊥(a, b) steht hierbei für jede beliebige T-Norm bzw. T-Conorm.

Zusammenhänge zwischen T-Norm und T-Conorm

Aufgrund der schon erwähnten De Morganschen Gesetze ergeben sich folgende Zusammenhänge:

1-⊥(a,b) = T(1-a, 1-b)

1-T(a,b) = ⊥(1-a, 1-b)

Folgende Bedingungen werden verlangt, damit eine Funktion als T-Norm bzw. T-Conorm gilt:

	T-Norm	T-Conorm
Nullelement:	T(0,a) = T(a,0) = 0	⊥(a,1) = ⊥(1,a) = 1
Neutrales Element:	T(a,1) = T(1,a) = a	⊥(0,a) = ⊥(a,0) = a
Assoziativität:	T(a,T(b,c)) = T(T(a,b),c)	⊥(a,⊥(b,c)) = ⊥(⊥(a,b),c)
Kommutativität:	T(a,b) = T(b,a)	⊥(a,b) = ⊥(b,a)
Monotonie:	a ≤ b ⇒ T(a,c) ≤ T(b,c)	a ≤ b ⇒ ⊥(a,c) ≤ ⊥(b,c)

Literatur

Frank Klawonn, Rudolf Kruse, Andreas Nürnberger: Fuzzy-Regelung: Grundlagen, Entwurf, Analyse. Springer Verlag, Heidelberg 2002, ISBN 978-3-642-55812-2, S. 15 ff.