Fuzzy Logik und negative Zahlen
|
|
- Fritzi Scholz
- vor 5 Jahren
- Abrufe
Transkript
1 Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement Scharfe und unscharfe Mengen Gegeben Merkmalsraum X und A X. Lotfi Zadeh (*1921) Die Menge A wird als scharfe Menge bezeichnet, wenn die Zugehörigkeitsfunktion µ A (x) jedem Element den Wert 0 oder 1 zuweist: 1 für x A µ A (x): X {0, 1} = 0 für x A Die Menge A wird als unscharfe Menge bezeichnet, wenn die Zugehörigkeitsfunktion µ A (x) jedem Element einen Zugehörigkeitsgrad µ A (x) aus dem Intervall [0,1] zuordnet. Fuzzy Sets, Information and Control, Vol. 8, pp ,
2 Fuzzyfizierung Linguistische Variablen und Zugehörigkeitsfunktionen sehr kalt...0 kalt 0.5 kühl 0.5 µ(5)= warm. 0 sehr warm.0 heiß 0 sehr heiß.. 0 sehr kalt..0 kalt...0 kühl...0 µ(28)= warm.0.2 sehr warm 0.8 heiß.. 0 sehr heiß. 0 Fuzzy Operatoren (1) OR AND 2
3 Fuzzy Operatoren (2) weitere Interpretationen OR, AND NOT Regelbasis und Inferenz Regelbasis Produktionsregeln R 1, R 2, R n R k : IF p k THEN c k p k : Prämissen als Funktionen der Eingangsgrößen c k : Konklusionen als Aussagen über Ausgangsgrößen Inferenz 1. Zugehörigkeitsgrad der Prämisse ermitteln 2. Inferenz MAX-MIN OR max AND min Implikation min MAX-PROD max min 3. Vereinigungsmenge bilden 3
4 Heizungssteuerung Eingangsgröße 1 Eingangsgröße 2 Ausgangsgröße Heizungssteuerung Regelbasis AND Gradient Temperatur negativ null positiv sehr kalt ganz offen ganz offen offen kalt ganz offen offen offen warm mittel mittel zu heiß zu zu ganz zu sehr heiß zu ganz zu ganz zu IF Temperatur = sehr heiß AND Gradient = positiv THEN Ventil = ganz zu 4
5 Heizungssteuerung (cont.) IF Temperatur = kalt AND Gradient = negativ THEN Ventil = mittel IF Temperatur = sehr kalt OR Gradient = null THEN Ventil = offen Defuzzyfizierung Suchen des scharfen Wertes ξ s der Ausgangsgröße u Maximum Height ξ s = Wert mit maximaler Zugehörigkeitsfunktion einfaches Verfahren problematisch, wenn mehrere Maxima auftreten Mean-of-Maximum ξ s = arithmetisches Mittel aller Werte mit max. Zugehörigkeitsfunktion problematisch bei Plateauverläufen Center of Gravity ξ s = gesamter Verlauf der Zugehörigkeitsfunktion wird berücksichtigt 5
6 Heizungssteuerung (cont.) µ(ξ) f 3 (x) f 4 (x) f 1 (x) f 2 (x) f 5 (x) 30 ξ s ξ [%] Maximum Height: ξ s = beliebiger Wert aus [65,75] Mean-of-Maximum: ξ s = 70% Center of Gravity: ξ s = 64.21% Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement 6
7 Vorzeichen und Betrag VZ Betrag m m-1 m m -1 2 m m m m +1 2 m Bemerkungen: Zahl 0 mit positivem UND negativem VZ dargestellt! Vorzeichen bei arithmetischen Operationen getrennt zu behandeln! Vorzeichen und Betrag VZ Betrag Wie lautet die Darstellung der Zahlen +27 und -27? 7
8 Einerkomplement Negative Zahlen werden durch Ergänzung auf 2 m+1-1 ermittelt Oder einfacher: Negative Zahlen werden durch Vertauschen von 0 und 1 aus dem Betrag der Zahlen ermittelt werden m -1 2 m m +1 2 m m +2 2 m m m Bemerkungen: Zahl 0 mit positivem UND negativem VZ dargestellt Positive und negative Zahlen können am führenden Bit unterschieden werden Ordnungsrelation innerhalb positiver und negativer Zahlen bleibt erhalten Negative Zahlen rangieren hinter positiven Zahlen Einerkomplement Wie lautet die Darstellung der Zahlen +27 und -27? 8
9 Zweierkomplement Negative Zahlen werden durch Ergänzung auf 2 m+1 ermittelt Oder: binäre Ziffern der positiven Zahl von rechts nach links bis zur ersten 1 einschließlich kopieren und die restlichen Ziffern komplementieren Oder: zuerst Einerkomplement der positiven Zahl bilden und dieses um 1 inkrementieren m -1 2 m m 2 m m +1 2 m m m Bemerkungen: Positive und negative Zahlen können am führenden Bit unterschieden werden Ordnungsrelation innerhalb positiver und negativer Zahlen bleibt erhalten Negative Zahlen rangieren hinter positiven Zahlen Zweierkomplement Wie lautet die Darstellung der Zahlen +27 und -27? 9
10 Exzessdarstellung Zur Zahl z wird ein Exzess (q = 2 m ) addiert, so dass das Ergebnis w nicht negativ ist -2 m m m m m m -2 2 m m -1 2 m Bemerkungen: Null besitzt eindeutige Darstellung Abbildung ist ordnungserhaltend! Bei arithmetischen Operationen ist Exzess zu berücksichtigen Exzessdarstellung EX Wie lautet die Darstellung der Zahlen +27 und -27? 10
11 Einerkomplement (m=7) Es stehen 8 Bit zur Darstellung der Zahlen zur Verfügung! 18-9 = (+18) (- 9) (Überlauf) (+ 9) -9-9 = (- 9) (- 9) (Überlauf) (-18) = (-127) (- 9) (Überschreitung) Zahl nicht darstellbar! Zweierkomplement (m=7) Es stehen 8 Bit zur Darstellung der Zahlen zur Verfügung! 18-9 = (+18) (- 9) (Überlauf) (+ 9) -9-9 = (- 9) (- 9) (Überlauf) (-18) = (-127) (- 9) (Überschreitung) Zahl nicht darstellbar! 11
5 Fuzzy Unscharfe Mengen
5 Fuzzy Unscharfe Mengen Fuzzy Unscharfe Mengen Motivation Einfaches Modell eines Fuzzy Reglers Unscharfe Mengen Interpretation linguistischer Werte Operationen auf unscharfen Mengen Fuzzy Relationen Fuzzy
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
Mehr01 - Zahlendarstellung
01 - Zahlendarstellung Technische Grundlagen der Informatik Automation Systems Group E183-1 Institute of Computer Aided Automation Vienna University of Technology email: tgi@auto.tuwien.ac.at Zahlendarstellung
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrFuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
Fuzzy Logic Nouri@nouri.ch 25.09.14 Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic Theoretische Einführung Was ist Fuzzy Logic? Entwicklungsgeschichte Fuzzy Logic Information und Komplexität Arten der
MehrRepräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I. Alexander Fabisch und Benjamin Markowsky. Universität Bremen
Repräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I Alexander Fabisch und Benjamin Markowsky Universität Bremen 25.05.2010 Alexander Fabisch und Benjamin Markowsky (Universität Bremen)
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrFuzzy Systeme vom Typ 1. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Fuzzy Systeme vom Typ Sommersemester 2008 Ausgewählte Kapitel der Computational Intelligence (Vorlesung) Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Fuzzy Regelung Prof. Dr. Günter Rudolph Fachbereich
MehrKapitel Fuzzy Logic. Überblick. 20_1_fuzzy_logic.PRZ
Kapitel.3 Fuzzy Logic Überblick 2 fuzzy_logic.prz 2..5 Definition Fuzzy Logik Erweiterung der klassischen Logik um unscharfe Mengenzugehörigkeiten und Regeln, für die keine exakten Vorschriften bestehen.
MehrJEFIS. Java Expert Fuzzy Inference System Masterprojekt. Stefan Becker Frank Volkmer Alex Besstschastnich
JEFIS Java Expert Fuzzy Inference System Masterprojekt Stefan Becker Frank Volkmer Alex Besstschastnich 20.06.2008 Einleitung Projektaufbau Infrastruktur Fuzzy Logik Regelauswertung GUI und Vorführung
MehrFuzzy-Logic. René K. Bokor - 5 HBa Fuzzy Logic Seite: 1
Fuzzy-Logic Einleitung In den letzten Jahren kommt die Theorie der unscharfen Mengen, auch Fuzzy Sets genannt, immer mehr Bedeutung zu. Das nun folgende Referat soll einen Überblick über die wesentlichen
MehrComputational Intelligence 1 / 29. Computational Intelligence Fuzzy Systeme Einleitung 3 / 29
Gliederung 1 / 29 1 Fuzzy Systeme Einleitung Grundlagen Zadehs Operationen auf Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Relationen Einsatzgebiete Fuzzy-Systeme Historisches Fuzzy Systeme Einleitung
MehrZum Nachdenken. Welche Eigenschaften einer Vorzeichendarstellung. erreichen? Wie könnte man Vorzeichenzahlen darstellen?
TECHNISCHE HOCHSCHULE NÜRNBERG GEORG SIMON OHM Zum Nachdenken Welche Eigenschaften einer Vorzeichendarstellung könnte man versuchen zu erreichen? Wie könnte man Vorzeichenzahlen darstellen? Grundlagen
MehrBinäre Darstellung ganzer Zahlen
Vorlesung Objektorientierte Softwareentwicklung Exkurse use Binäre Darstellung ganzer Zahlen Binärdarstellung natürlicher Zahlen Ganze Zahlen im Einerkomplement Ganze Zahlen im Zweierkomplement Elementare
MehrFuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Klassische Logik. Aussagenlogische Regel: a b
Fuzzy-Inferenz Fuzzy-Inferenz Klassische Logik. Produktionsregelsystem D, R mit D = {a} und R = {a b} Schlußfolgern mit Forward-Chaining (Modus Ponens, MP): a height is tall {0, 1} b weight is heavy {0,
MehrTechnische Grundlagen der Informatik Test Minuten Gruppe A
Technische Grundlagen der Informatik Test 1 24.03.2017 90 Minuten Gruppe A Matrikelnr. Nachname Vorname Unterschrift Deckblatt sofort ausfüllen und unterschreiben! Bitte deutlich und nur mit Kugelschreiber
MehrZahlendarstellungen und Rechnerarithmetik*
Zahlendarstellungen und Rechnerarithmetik* 1. Darstellung positiver ganzer Zahlen 2. Darstellung negativer ganzer Zahlen 3. Brüche und Festkommazahlen 4. binäre Addition 5. binäre Subtraktion *Die Folien
MehrFuzzy Logic & Control
Warum einfach, wenn es auch schwer geht? Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Prädikatenlogik Die Prädikatenlogik erweitert die Aussagenlogik mit den Junktoren, und um
Mehr5. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 5. Vorlesung Fuzzy Systeme Fuzzy Control 5. Vorlesung im Aufbau der Vorlesung. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrFuzzy Logic. Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1
Fuzzy Logic Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1 Geschichte und Definition Grundlegende Begriffe Fuzzy Process Anwendungen
Mehr6. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 6. Vorlesung Fuzzy Systeme Entwurfsbeispiele 6. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrKapitel 2: Fuzzy Systeme
Kapitel 2: Fuzzy Systeme Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Inhalt Fuzzy Mengen
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
MehrInhaltsangabe 3.1 Zahlensysteme und Darstellung natürlicher Zahlen Darstellung ganzer Zahlen
3 Zahlendarstellung - Zahlensysteme - b-adische Darstellung natürlicher Zahlen - Komplementbildung - Darstellung ganzer und reeller Zahlen Inhaltsangabe 3.1 Zahlensysteme und Darstellung natürlicher Zahlen......
MehrKapitel 5: Darstellung von Daten im Rechner
Kapitel 5: Darstellung von Daten im Rechner Kapitel 5 Darstellung von Daten im Rechner und Rechnerarithmetik Literatur: Oberschelp/Vossen, Kapitel 5 Kapitel 5: Darstellung von Daten im Rechner Seite Kapitel
MehrVorzeichenbehaftete Festkommazahlen
106 2 Darstellung von Zahlen und Zeichen Vorzeichenbehaftete Festkommazahlen Es gibt verschiedene Möglichkeiten, binäre vorzeichenbehaftete Festkommazahlen darzustellen: Vorzeichen und Betrag EinerKomplement
MehrJessica Naundorf. Kritische Analyse von. Employer Awards im Kontext. des Employer Branding
Jessica Naundorf Kritische Analyse von Employer Awards im Kontext des Employer Branding Rainer Hampp Verlag München, Mering 2016 -I- Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrInformatik I Übung, Woche 41
Giuseppe Accaputo 9. Oktober, 2014 Plan für heute 1. Fragen & Nachbesprechung Übung 3 2. Zusammenfassung der bisherigen Vorlesungsslides 3. Tipps zur Übung 4 Informatik 1 (D-BAUG) Giuseppe Accaputo 2 Nachbesprechung
MehrGeschichte. Fuzzy-Logik. Geschichte und mehr... Motivation: linguistische Variablen. ffl 1920: erste Fuzzy-Systeme, vorgeschlagen von Lukasiewicz
Geschichte ffl 92: erste Fuzzy-Systeme, Fuzzy-Logik vorgeschlagen von Lukasiewicz Beobachtung: Terme wie tall, old oder hot lassen sich nur schwer unter dem Aristotelischen Wahrheitsbegriff wahr oder falsch
MehrGrundlagen der Rechnerarchitektur. Binäre Logik und Arithmetik
Grundlagen der Rechnerarchitektur Binäre Logik und Arithmetik Übersicht Logische Operationen Addition, Subtraktion und negative Zahlen Logische Bausteine Darstellung von Algorithmen Multiplikation Division
MehrFuzzy-Logik und Fuzzy-Control
Georg Jaanineh / Markus Maijohann Fuzzy-Logik und Fuzzy-Control Vogel Buchverlag Inhaltsverzeichnis Vorwort 5 TEIL1 1 Einleitung 13 2 Klassische Mengen und klassische Logik 17 2.1 Klassische Mengen 17
MehrZahlensysteme und Kodes. Prof. Metzler
Zahlensysteme und Kodes 1 Zahlensysteme und Kodes Alle üblichen Zahlensysteme sind sogenannte Stellenwert-Systeme, bei denen jede Stelle innerhalb einer Zahl ein besonderer Vervielfachungsfaktor in Form
MehrFuzzy-Logik Kontext C mit Interpretation. A B
Unexaktes Schlußfolgern Einführung Fuzzy-Mengen Fuzzy-Logik Formel. A B Kontext C mit Interpretation. A B Modifizierer von Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung C mit
Mehr6.2 Kodierung von Zahlen
6.2 Kodierung von Zahlen Neue Begriffe é Festkommadarstellungen é Zahlendarstellung durch Betrag und Vorzeichen é Einer-/Zweierkomplement-Darstellung é Gleitkommadarstellung é IEEE-754 Format BB TI I 6.2/1
MehrTechnische Grundlagen der Informatik Test Minuten Gruppe A
Technische Grundlagen der Informatik Test 1 08.04.2016 90 Minuten Gruppe A Matrikelnr. Nachname Vorname Unterschrift Deckblatt sofort ausfüllen und unterschreiben! Bitte deutlich und nur mit Kugelschreiber
MehrMusterlösung 1. Mikroprozessortechnik und Eingebettete Systeme 1 WS2015/2016
Musterlösung 1 Mikroprozessortechnik und Eingebettete Systeme 1 WS2015/2016 Hinweis: Die folgenden Aufgaben erheben nicht den Anspruch, eine tiefergehende Kenntnis zu vermitteln; sie sollen lediglich den
MehrRechnergrundlagen SS Vorlesung
Rechnergrundlagen SS 27 4. Vorlesung Inhalt Binäre Darstellung von Integer-Zahlen Vorzeichen-Betrag 2er-Komplement BCD Addition und Subtraktion binär dargestellter Zahlen Carry und Overflow Little Endian
MehrInformatik I Übung, Woche 41
Giuseppe Accaputo 8. Oktober, 2015 Plan für heute 1. Fragen & Nachbesprechung Übung 3 2. Zusammenfassung der bisherigen Vorlesungsslides 3. Tipps zur Übung 4 Informatik 1 (D-BAUG) Giuseppe Accaputo 2 Nachbesprechung
MehrKapitel 9 Fuzzy-Regelung. 29. Juni 2005
Kapitel 9 Fuzzy-Regelung 29. Juni 2005 Plan Klärung der prinzipiellen Unterschiede zwischen der klassischen Regelungstechnik, und der Fuzzy-Regelung, Vorstellen von zwei intuitiv motivierte Methoden der
MehrII. Grundlagen der Programmierung
II. Grundlagen der Programmierung II.1. Zahlenssteme und elementare Logik 1.1. Zahlenssteme 1.1.1. Ganze Zahlen Ganze Zahlen werden im Dezimalsstem als Folge von Ziffern 0, 1,..., 9 dargestellt, z.b. 123
MehrFuzzy Logic & Control
The more, the fuzzier... Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Theorie Lofi Zadeh enwickelte 1967 die Fuzzy Theorie. Er erweiterte die klassische Mengenlehre um den Begriff
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Fuzzy-Klimaregelung in MATLAB 11.04.2011 1_CI2_Deckblatt_Fuzzy2 Inhaltsverzeichnis Inhaltsverzeichnis
MehrDarstellung ganzer Zahlen als Bitvektoren
Darstellung ganzer Zahlen als Bitvektoren Jan Peleska Jan Bredereke Universität Bremen, Fachbereich Informatik Vers. 1.2 1 Darstellung natürlicher Zahlen z N 0 und Addition 1.1 Dualzahlen dargestellt durch
MehrDer Fuzzy Regler, ein nicht-linearer Regelkreis
Der Fuzzy Regler, ein nicht-linearer Regelkreis Einleitung Das englische Wort fuzzy steht für kraus, unscharf, verschwommen. Fuzzy ist die Erweiterung der Logik auf unscharfe Zustände. Der Digitaltechnik
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
MehrÜbung Programmieren - Zahlendarstellung, SSH, SCP, Shellskripte -
Übung Programmieren - Zahlendarstellung, SSH, SCP, Shellskripte - Sebastian Ebers Institut für Telematik, Universität zu Lübeck http://www.itm.uni-luebeck.de/users/ebers Zahlendarstellung 201010? 16 2010
Mehr, 2017S Übungstermin: Di.,
VU Technische Grundlagen der Informatik Übung 1: Zahlendarstellungen, Numerik 183.579, 2017S Übungstermin: Di., 14.03.2017 Allgemeine Hinweise: Versuchen Sie beim Lösen der Beispiele keine elektronischen
MehrInhalt. Zahlendarstellungen
Inhalt 1 Motivation 2 Integer- und Festkomma-Arithmetik Zahlendarstellungen Algorithmen für Integer-Operationen Integer-Rechenwerke Rechnen bei eingeschränkter Präzision 3 Gleitkomma-Arithmetik Zahlendarstellungen
MehrGrundlagen der Technischen Informatik. 4. Übung
Grundlagen der Technischen Informatik 4. Übung Christian Knell Keine Garantie für Korrekt-/Vollständigkeit 4. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Aufgabe 4: Aufgabe 5: Aufgabe 6: +/-/*
MehrTechnische Anwendungen von Fuzzy-Systemen. Inhalt
Seite 1 von 83 Technische Anwendungen von Fuzzy-Systemen Zusammenfassung "Technische Anwendungen von Fuzzy-Systemen" erläutert den Aufbau eines Fuzzy-Systems und stellt verschiedene Anwendungsgebiete vor.
MehrDer Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen, unscharf.
F A C H H O C H S C H U L E S T R A L S U N D Fachbereich Maschinenbau Prof.Dr.-Ing. Ch.Wahmkow Fuzzy- logic Eine Einführung Der Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen,
MehrGrundlagen der Technischen Informatik. 4. Übung
Grundlagen der Technischen Informatik 4. Übung Christian Knell Keine Garantie für Korrekt-/Vollständigkeit 4. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Aufgabe 4: Aufgabe 5: Aufgabe 6: +/-/*
MehrB: Basis des Zahlensystems 0 a i < B a i є N 0 B є (N > 1) Z = a 0 B 0 + a 1 B 1 + a 2 B a n-1 B n-1
Polyadisches Zahlensystem B: Basis des Zahlensystems 0 a i < B a i є N 0 B є (N > 1) Ganze Zahlen: n-1 Z= a i B i i=0 Z = a 0 B 0 + a 1 B 1 + a 2 B 2 +... + a n-1 B n-1 Rationale Zahlen: n-1 Z= a i B i
MehrMethoden der unscharfen Optimierung
Methoden der unscharfen Optimierung Mike Hüftle Juli 2005 Inhaltsverzeichnis 1 Einleitung 2 1.1 Unscharfe Mengen.......................... 2 2 Unscharfe Mengen 3 2.1 Zugehörigkeit.............................
MehrUniversität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner
Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG AUTOMATISIERUNGSTECHNIK II SS 20 Name: Matrikelnummer: Note: Prüfungstag: 5.09.20 Prüfungsdauer:
MehrFundamente der Computational Intelligence
Wintersemester 2006/07 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
Mehr2.Vorlesung Grundlagen der Informatik
Christian Baun 2.Vorlesung Grundlagen der Informatik Hochschule Darmstadt WS1112 1/16 2.Vorlesung Grundlagen der Informatik Christian Baun Hochschule Darmstadt Fachbereich Informatik christian.baun@h-da.de
MehrSymbolumwandlung der Kernfunktionen
91 Symbolumwandlung der Kernfunktionen Positiv definierte, konvexe Kernfunktionen können als Fuzzy-Mengen betrachtet werden. z.b.: µ B (x) = 1 1 + ( x 50 10 ) 2 92 ZF-Funktionen 1 1 0-5 0 5 (a) 1 0-5 0
MehrÜbung Praktische Informatik II
Übung Praktische Informatik II FSS 2009 Benjamin Guthier Lehrstuhl für Praktische Informatik IV Universität Mannheim guthier@pi4.informatik.uni-mannheim.de 06.03.09 2-1 Heutige große Übung Allgemeines
MehrInformationsmenge. Maßeinheit: 1 Bit. 1 Byte. Umrechnungen: Informationsmenge zur Beantwortung einer Binärfrage kleinstmögliche Informationseinheit
Informationsmenge Maßeinheit: 1 Bit Informationsmenge zur Beantwortung einer Binärfrage kleinstmögliche Informationseinheit 1 Byte Zusammenfassung von 8 Bit, kleinste Speichereinheit im Computer, liefert
MehrRechnergrundlagen SS Vorlesung
Rechnergrundlagen SS 2007 3. Vorlesung Inhalt Zahlensysteme Binäre Darstellung von Integer-Zahlen Vorzeichen-Betrag Binary Offset 1er-Komplement 2er-Komplement Addition und Subtraktion binär dargestellter
MehrTechnische Grundlagen der Informatik Test Minuten Gruppe A
Technische Grundlagen der Informatik Test 1 04.11.2016 90 Minuten Gruppe A Matrikelnr. Nachname Vorname Unterschrift Deckblatt sofort ausfüllen und unterschreiben! Bitte deutlich und nur mit Kugelschreiber
MehrV Fuzzy Logik. Praktische Elektronik 5-1 Hans-Hellmuth Cuno
Praktische Elektronik 5-1 Hans-Hellmuth Cuno V Fuzzy Logik V.1 Die Grundbegriffe Hinter der leider etwas irreführenden Bezeichnung (fuzzy = unscharf, verschwommen) verbirgt sich eine geniale Mischung aus
MehrRechnerstrukturen. Michael Engel und Peter Marwedel. Sommer TU Dortmund, Fakultät für Informatik
Rechnerstrukturen Michael Engel und Peter Marwedel TU Dortmund, Fakultät für Informatik Sommer 2014 Folien a. d. Basis von Materialien von Gernot Fink und Thomas Jansen 10. April 2014 1/37 1 Repräsentation
MehrKapitel 3 Fuzzy-Mengen und Relationen. 29. April 2005
Kapitel 3 und Relationen 29. April 2005 Rückblick Tarski s Deduktionsbegriff, Verbandstheorie, Abstrakte Logik über Verbänden Wohldefinierte Eigenschaften P wohldefinierte Eigenschaft auf einer Menge M,
MehrGanze Zahlen. Die Typen int, unsigned int; Auswertung arithmetischer Ausdrücke, arithmetische Operatoren
Ganze Zahlen Die Typen int, unsigned int; Auswertung arithmetischer Ausdrücke, arithmetische Operatoren Celsius to Fahrenheit // Program: fahrenheit.cpp // Convert temperatures from Celsius to Fahrenheit.
MehrZum Umgang mit unscharfen chronologischen Informationen. Oliver Nakoinz
Zum Umgang mit unscharfen chronologischen Informationen 1. 2. 3. Oliver Nakoinz 4. 5. Einleitung a. Zeit & temporales Wissen b. Zeitskalen c. Meßfehler d. Typologische Datierung Chronologische Inferenz
Mehr9. Bitlevel-Verarbeitung in C
9. Bitlevel-Verarbeitung in C Ein Bit stellt die kleinste im Rechner darstellbare Informationseinheit dar. Die kleinste adressierbare Einheit in einem Speicher ist aber das Byte. C stellt deshalb für Bits
MehrInferenz mittels interpolierender Regeln - ein neues Verfahren zur Beschreibung von Fuzzy-Systemen 1
Inferenz mittels interpolierender Regeln - ein neues Verfahren zur Beschreibung von Fuzzy-Systemen 1 E. Schäfers Universität Karlsruhe, Institut für Regelungs- und Steuerungssysteme (Prof. Dr.-Ing. V.
MehrGrundzüge der Informatik Tutorium Gruppe 6
Grundzüge der Informatik Tutorium Gruppe 6 Inhalt Einführung Numerik Fest- und Termin 5 07.2.2006 Apfelthaler Kathrin Test-Beispiel e0225369@student.tuwien.ac.at Numerik Festpunkt-Darstellung Berechnung
MehrDarstellung von negativen binären Zahlen
Darstellung von negativen binären Zahlen Beobachtung für eine beliebige Binärzahl B, z.b. B=110010: B + NOT(B) ---------------------------------------------- = B + NOT(B) 1 + (Carry) ----------------------------------------------
MehrDuE-Tutorien 17 und 18
DuE-Tutorien 17 und 18 Tutorien zur Vorlesung Digitaltechnik und Entwurfsverfahren Christian A. Mandery TUTORIENWOCHE 1 AM 04.11.2011 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrBB/CS- SS00 Rechner im Überblick 1/1. Ein Stellenwertsystem (Zahlensystem) ist ein Tripel S = (b, Z, δ) mit den folgenden Eigenschaften:
Neue Begriffe Festkommadarstellungen Zahlendarstellung durch Betrag und Vorzeichen Einer-/Zweierkomplement-Darstellung Gleitkommadarstellung IEEE-754 Format BB/CS- SS00 Rechner im Überblick 1/1! Definition
Mehr= 7 (In Binärdarstellung: = 0111; Unterlauf) = -8 (In Binärdarstellung: = 1000; Überlauf)
Musterlösung Übung 2 Aufgabe 1: Große Zahlen Das Ergebnis ist nicht immer richtig. Die Maschine erzeugt bei Zahlen, die zu groß sind um sie darstellen zu können einen Über- bzw. einen Unterlauf. Beispiele
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/212ss/vorlesung/gdsr Jianwei Zhang Universität
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/213ss/vorlesung/gdsr Jianwei Zhang, Bernd Schütz
MehrEin Signal ist eine zeitlich veränderliche physikalische Größe, die eine auf sie abgebildete Information trägt.
4. Technische Realisierung Sie erinnern sich: Ein Signal ist eine zeitlich veränderliche physikalische Größe, die eine auf sie abgebildete Information trägt. Hier: physikalische Größe = elektrische Spannung
MehrRechnerstrukturen, Teil 1
Rechnerstrukturen, Teil 1 Vorlesung 4 SWS WS 18/19 Prof. Dr. Jian- Jia Chen Fakultät für Informatik Technische Universität Dortmund jian- jia.chen@cs.uni-.de http://ls12- www.cs.tu-.de Übersicht 1. Organisatorisches
Mehr6 Fuzzy die Theorie. 6.1 Fuzzymengen. Die Zugehörigkeit zu einer (klassischen) Menge M X kann man durch eine sogenannte charakteristische
6 Fuzzy die Theorie In den vorangehenden Kapiteln wurde die Fuzzyregelung eher heuristisch betrachtet. Auf eine tiefere theoretische Fundierung war verzichtet worden. Wir wollen dies nun nachholen. Zum
MehrZum Nachdenken. Wenn die Zahl (123) hat, was könnte dann (123,45) 10
TECHNISCHE HOCHSCHULE NÜRNBERG GEORG SIMON OHM Zum Nachdenken Wenn die Zahl (123) 10 den Wert 1. 10 2 +2. 10 1 +3. 10 0 hat, was könnte dann (123,45) 10 bedeuten? Wenn Sie beliebige reelle Zahlenwerte
MehrInfolyzer. Windows Dynamic Link Library Infolyzer32.dll. Dokumentation. Ein Mitglied der. VIADATA-Produktfamilie. Stand 02. Mai 2001, Version 1.
Infolyzer Windows Dynamic Link Library Infolyzer32.dll Dokumentation Ein Mitglied der VIADATA-Produktfamilie Stand 02. Mai 2001, Version 1.0 GID Gesellschaft für Informatikdienste mbh Waldstraße 231 D-15732
MehrDuE-Tutorien 16 und 17
Tutorien zur Vorlesung Digitaltechnik und Entwurfsverfahren Tutorienwoche 1 am 05.11.2010 1 Christian A. Mandery: KIT Universität des Landes Baden-Württemberg und nationales Grossforschungszentrum in der
MehrRückblick. Zahlendarstellung zu einer beliebigen Basis b. Umwandlung zwischen Zahlendarstellung (214) 5 = (278) 10 =(?) 8
Rückblick Zahlendarstellung zu einer beliebigen Basis b (214) 5 = Umwandlung zwischen Zahlendarstellung (278) 10 =(?) 8 25 Rückblick Schnellere Umwandlung zwischen Binärdarstellung und Hexadezimaldarstellung
MehrErweitertes boolsches Retrieval
Erweitertes boolsches Retrieval In diesem Unterabschnitt werden andere Ansätze zur Verbesserung des boolschen Retrievals vorgestellt. Im Gegensatz zum Vektorraummodell wird bei diesen Ansätzen versucht,
MehrMerke: Mit jedem zusätzlichen Bit verdoppelt sich die Anzahl der darstellbaren Zahlen bzw. Zustände
1 2 Merke: Mit jedem zusätzlichen Bit verdoppelt sich die Anzahl der darstellbaren Zahlen bzw. Zustände 3 Die Zuordnung der Himmelsrichtungen zu den dreistelligen Binärzahlen, also Norden 000 Süden 001
Mehrmit 0 z 0 b 1 und 0 ẑ b n 1 1. Nach Induktionsannahme besitzt ẑ eine Darstellung der Länge n 1 zur Basis b. Damit ist
mit 0 z 0 b 1 und 0 ẑ b n 1 1. Nach Induktionsannahme besitzt ẑ eine Darstellung ẑ = ẑ n 2 b n 2 + + ẑ 1 b 1 + ẑ 0 b 0 der Länge n 1 zur Basis b. Damit ist z = (ẑ n 2 b n 2 + + ẑ 1 b 1 + ẑ 0 b 0 ) b +
MehrFundamente der Computational Intelligence
Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrSkript Zahlensysteme
Skript Zahlensysteme Dieses Skript enthält die Themen meiner Unterrichtseinheit Zahlensysteme. Hier sollen die Grundlagen für das Verständnis der darauf folgenden Inhalte zu den Abläufen innerhalb des
MehrAntwort: h = 5.70 bit Erklärung: Wahrscheinlichkeit p = 1/52, Informationsgehalt h = ld(1/p) => h = ld(52) = 5.70 bit
Übung 1 Achtung: ld(x) = Logarithmus dualis: ld(x) = log(x)/log(2) = ln(x)/ln(2)! Aufgabe 1 Frage: Wie gross ist der Informationsgehalt einer zufällig aus einem Stapel von 52 Bridgekarten gezogenen Spielkarte?
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-1 Nonclassical Logics LETTMANN/STEIN 1998-2013 Fuzzy-Mengen
MehrLösung 2. Übungsblatt
Fakultät Informatik, Technische Informatik, Professur für Mikrorechner Lösung 2. Übungsblatt Bildung von Gleitkommazahlen nach IEEE 754 und arithmetische Operationen mit Binärzahlen ANSI/IEEE 754-1985
MehrFELJC Fuzzyregler.odt 1. a) Die Vorgehensweise der klassischen Regelungstechnik
FELJC Fuzzyregler.odt 1 Fuzzy-Regler In diesem Kurs werden nur die Grundlagen anhand von Beispielen behandelt. Für Fuzzifizierung, Inferenz und Defuzzifizierung gibt es viele unterschiedliche Methoden,
Mehr5 Zahlenformate und deren Grenzen
1 5 Zahlenformate und deren Grenzen 5.1 Erinnerung B-adische Zahlendarstellung Stellenwertsystem: Jede Ziffer hat ihren Wert, und die Stelle der Ziffer in der Zahl modifiziert den Wert. 745 = 7 100 + 4
MehrFAKULTÄT FÜR INFORMATIK
FAKULTÄT FÜR INFORMATIK TECHNISCHE UNIVERSITÄT MÜNCHEN Lehrstuhl für Rechnertechnik und Rechnerorganisation Prof. Dr. Arndt Bode Einführung in die Rechnerarchitektur Wintersemester 21/217 Lösungsvorschlag
MehrFundamente der Computational Intelligence Teil 2
Fundamente der Computational Intelligence Teil 2 Günter Rudolph Fachbereich Informatik, Lehrstuhl XI Fachgebiet Computational Intelligence WS 2006/07 Grobe Gliederung 1. Fuzzy Methoden 2. Evolutionäre
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
MehrEinführung in die Fuzzy-Logik
Einführung in die Fuzzy-Logik M. Bongards 10/14/2004 1 Inhalt Einführung Hintergrund Fuzzy-Sets Fuzzy Set - Operationen Fuzzy Anwendungsbeispiel Fuzzy-Regelungssysteme Adaptive Fuzzy Systeme Perspektiven
MehrFuzzy Movement. Dirk Güldner. Seminar: Knowledge Engineering und Lernen in Spielen. TU-Darmstadt, SS 2006,
Fuzzy Movement Dirk Güldner Seminar: Knowledge Engineering und Lernen in Spielen TU-Darmstadt, SS 2006, 30.05.2006 Übersicht Begriffsdefinition allgemeine Ziele & Ziele in Spieleumgebungen Situations-
Mehr