Kapitel Fuzzy Logic. Überblick. 20_1_fuzzy_logic.PRZ
|
|
- Rosa Schäfer
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel.3 Fuzzy Logic Überblick 2 fuzzy_logic.prz 2..5
2 Definition Fuzzy Logik Erweiterung der klassischen Logik um unscharfe Mengenzugehörigkeiten und Regeln, für die keine exakten Vorschriften bestehen. Entspricht der realen Welt mehr, als eine (unterstellte) Präzision fuzz: flaumig, flockig, kraus, struppig, zottig, unbestimmt, verwischt (Cassels Wörterbuch) Ein "fuzziger" Kreis 2 fuzzy_logic.prz
3 Entwicklung Expertensysteme Platon 427 v. Chr v.chr Erste Vermutung einer dreiwertigen Logik G. Boole 847 "The Mathematical Analysis of Logic" J. Lukasiewicz Formale Darstellung der mehrwertigen Logik Heisenberg Heisenbergschen Unschärferelation Lotfi A. Zadeh 965 Entwickelt in Berkley die 2 fuzzy_logic.prz
4 Informationsstand Sicherheit Unsicherheit Risiko Ungewißheit Quelle: E. Saliger 2 fuzzy_logic.prz
5 Fuzzy versus diskrete Logik Diskrete Logik Drei(mehr)wertigkeitsprinzip (wahr, unbestimmt, falsch) Unschärfen menschliches Verhalten Zweiwertigkeitsprinzip (ja/nein) exaktes Schließen binäres Verhalten Lukasiewicz Logik μ μ,8,8,6,6,4,4,2, Größe Alter 2 fuzzy_logic.prz
6 Grundlagen Diskrete Menge Dreiecksförmige Fuzzy Menge Leere und universelle Fuzzy Menge Fuzzy-Teilmengen α / β = Einflußbreite μ Α (χ) = [,] 2 fuzzy_logic.prz
7 Werte festlegen Fuzzyfizierung µ,9,8,7,6,5,4 sehr jung jung nicht sehr jung etwas alt alt,3,2, Alter 2 fuzzy_logic.prz
8 Linguistische Terme µ,9,8,7,6 sehr jung jung,5 nicht sehr jung etwas alt,4 alt,3,2, Alter Quelle: Zadeh 2 fuzzy_logic.prz
9 Verknüpfungen Komplement μ Α (χ) = μ Α (χ) Fuzzy Durchschnitt (Minimum- Funktion) μ Α Β (χ) = min[μ Α (χ),μ Β (χ)] Fuzzy Vereinigung (Maximum- Funktion) μα Β(χ) = max[μα(χ),μβ(χ)] 2 fuzzy_logic.prz
10 Fuzzy Regeln Fuzzy Regel Diskrete Regel wenn die Temperatur in der Brennkammer sehr hoch ist WENN temperatur > 87 C und der Vorkammerdruck zumindestens über dem Normalwert liegt UND vorkammerdruck > 4 psi dann soll die Methanzufuhr gedrosselt werden DANN methanventil =,3 2 fuzzy_logic.prz 2..5
11 Regelwerk Beispiel Regel Wenn Temperatur sehr_hoch ODER Vorkammerdruck über_normal dann Methanventil gedrosselt Regel 2 Wenn Temperatur hoch UND Vorkammerdruck normal dann Methanventil halb_offen 2 fuzzy_logic.prz 2..5
12 Fuzzyfizierung Tempratur Beispiel µ,8 Temperatur C,6 niedrig mittel,4 hoch,2 sehr hoch C niedrig mittel hoch sehr hoch 2 fuzzy_logic.prz
13 Fuzzyfizierung Druck Beispiel µ,8 Druck psi,6 unter normal normal,4 über normal, unter normal normal über normal psi 2 fuzzy_logic.prz
14 Defuzzyfizierung Methanventil Beispiel Max-Min Inferenz µ,8,6,4, gedrosselt halb offen offen ganz offen m 3 2 fuzzy_logic.prz
15 Defuzzyfizierung Methanventil Beispiel Max-Prod Inferenz µ,8,6,4, gedrosselt halb offen offen ganz offen m 3 2 fuzzy_logic.prz
16 Defuzzyfizierung Methoden MAX Maximum Kriterium genommen wird das erste Maximum COA Center-of-Area Defuzzifierung über den Schwerpunkt MOM Mean-of-Maximum Method Schwerpunktsdefuzzifizierung über den Mittelwert der Maxima µ,8,6,4, gedrosselt halb offen offen ganz offen m 3 2 fuzzy_logic.prz
17 Fuzzy Regler 2 fuzzy_logic.prz
18 Einsatzgebiete Regelungstechnik Prozeßsteuerung Robotertechnik Fahrzeugsteuerung Konsumartikel Risikoanalyse Entscheidungssystem 2 fuzzy_logic.prz
19 Abgrenzungen klassische Verfahren (feste Regeln) (unscharfe Regeln) Neuronale Netze (keine Regeln) 2 fuzzy_logic.prz
20 Architektur Fuzzifizierung Wissensbasis (Domain Wissen) Wissensbasis (Domain Wissen) Fakten Regeln Fakten Regeln Interpreter Steuerprogramm Inference Engine (Schlußfolgerer) Interpreter Steuerprogramm Inference Engine (Schlußfolgerer) Defuzzifizierung 2 fuzzy_logic.prz
21 Literatur Tilli Schulte Graf H.J. Zimmermann Marco Seraphin Heinz Rehkugler Grundlagen Franzis 992 Einführung in Franzis 993 im betriebswirtschaftlichen Einsatz Diplomarbeit FH Nürtingen 994 Band 2 Anwendungen Oldenburg 994 Neuronale Netze und Fuzzy- Logik Franzis 994 Neuronale Netze in der Ökonomie fuzzy_logic.prz
Computational 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
MehrFuzzy Logik und negative Zahlen
Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement
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
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
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)
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
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
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
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
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
Mehr5 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
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 Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
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
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
MehrIntelligente Systeme
Intelligente Systeme Fuzzy-Systeme Prof. Dr. R. Kruse C. Braune C. Moewes {rkruse,cbraune,cmoewes}@ovgu.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität
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 & 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
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,
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
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
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 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
MehrIntelligente Systeme
Intelligente Systeme Fuzzy-Systeme Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cbraune,cmoewes}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
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
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
MehrIntelligente Systeme
Intelligente Systeme Fuzzy-Systeme Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
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,
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 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
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
MehrWas bisher geschah Klassische Aussagenlogik zur Modellierung von Aussagen Syntax: Formeln
Was bisher geschah Klassische Aussagenlogik zur Modellierung von Aussagen Syntax: Formeln induktive Definition der Menge AL(P) (Baumstruktur) strukturelle Induktion (Funktionen, Nachweise) syntaktische
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
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
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
MehrFuzzy Logic. Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
Fuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic Inhalt Theoretische Einführung Praktische Beispiele Neuronale Netze und Fuzzy Logic, FuzzyTECH Anwendung Diskussion, Fragen & Antworten Theoretische
MehrRegelungstechnik. Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz. Mit 118 Beispielen und 56 Aufgaben mit Lösungen
Regelungstechnik Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz Mit 118 Beispielen und 56 Aufgaben mit Lösungen Oldenbourg Verlag München Wien I Mehrgrößen-Regelsysteme
MehrFuzzy Logik Fuzzy Logik, Franka Zander, Dezember 2004
Fuzzy Logik Franka Zander, Dezember 2004 Franka Zander, Dezember 2004 2/43 Inhaltsverzeichnis 1. Unscharfe Mengen 1.1 Einleitung 1.2 Unscharfe Mengen und deren Verknüpfung 1.3 Unscharfe Zahlen 2. Unscharfe
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
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.
MehrSPS-Grundlagen. Aufbau, Programmierung (IEC 61131, S7), Simulation, Internet, Sicherheit. Bearbeitet von Jens von Aspern
SPS-Grundlagen Aufbau, Programmierung (IEC 61131, S7), Simulation, Internet, Sicherheit Bearbeitet von Jens von Aspern 02. Auflage, überarb. + erw. 2009. Taschenbuch. 273 S. Paperback ISBN 978 3 7785 4060
MehrGrundlagen der Fuzzy-Logik
Grundlagen der Fuzzy-Logik Seminarvortrag Julian Górny Matrikelnummer: 995146 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 2 Einleitung Bestimmte
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,
MehrFuzzy Logic & Control
Λογος ist..., wenn man trotzdem denkt. Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Agenda Klassische Mengen Regelbasierte Systeme Mehrwertige Logiken und Fuzzy Logik Fuzzy Mengen,
MehrSeminar Imperfektion und Datenbanken
Seminar Imperfektion und Datenbanken Benutzerfreundliche Beschreibung von unscharfen Zeitintervallen Cornelius Kuppler Betreuer: Gábor Nagypál 1 Inhalt Sichere und unsichere Zeitangaben Merkmale geschichtlicher
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
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,
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.............................
MehrGrundlagen der Fuzzy-Logik. Björn Kempf. Technische Universität Clausthal. Wintersemester 2001/02
Grundlagen der Fuzzy-Logik Technische Universität Clausthal Wintersemester 2001/02-1 - Geschichte der Fuzzy Logik: Im Jahr 1965 erweiterte Lotfi A. Zadeh von der Universität von Berkeley die L 3 -Logik
MehrOtto-Von-Guericke-Universität Magdeburg. Fuzzy Logik unscharfer Fortschritt
Otto-Von-Guericke-Universität Magdeburg Fuzzy Logik unscharfer Fortschritt 31. Januar 2008 Fakultät: Institut: Verfasser: Betreuer: Fakultät für Informatik Institut für Simulation und Grafik (ISG) Sebastian
MehrSoft Computing in der Konjunkturprognostik
mice.uni-muenster.de Soft Computing in der und Handelsblatt Frühindikator im Vergleich DIW Berlin, 20. Juni 2005 Stefan Kooths Überblick 2 Wissensgrenze Ausgangspunkt: Erwartungsbildung in Konjunkturmodellen
MehrKai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger. Fuzzy-Regelung. Grundlagen, Entwurf, Analyse. Mit 174 Abbildungen und 9 Tabellen.
Kai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger Fuzzy-Regelung Grundlagen, Entwurf, Analyse Mit 174 Abbildungen und 9 Tabellen Springer Inhaltsverzeichnis 1. Grundlagen der Fuzzy-Systeme 1 1.1
MehrEntscheidungsunterstützungssysteme für eine klinische COPD-Trainingssteuerung mittels Fuzzy-Arden-Syntax
Entscheidungsunterstützungssysteme für eine klinische COPD-Trainingssteuerung mittels Fuzzy-Arden-Syntax Marcus Apel, Bianying Song,, Michael Marschollek, Reinhold Haux, Uwe Tegtbur Vortragsgliederung
MehrKapitel 1: Grundbegriffe
Kapitel 1: Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) 1 / 20 Gliederung 1 Logik Ein ganz kurzer Ausflug in die Kombinatorik Stefan Ruzika (KO) 2
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
Mehr2 Entscheidungsfmdung mittels Fuzzy-Methoden
2 Entscheidungsfmdung mittels Fuzzy-Methoden Die Automatisierungstechnik übernimmt Aufgaben der Diagnose, Überwachung, Steuerung und Regelung technischer Prozesse sowie der Vorhersage und Planung. In der
MehrIntelligente EKG-Analyse Dipl.-Ing. Gero von Wagner
FZI Forschungszentrum Informatik an der Universität Karlsruhe MIT- Medizinische Informationstechnik Telemetrisches Diagnosenetz Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner FZI Forschungszentrum
Mehr0607 Investition. Inhalt
0607 Investition 1 Inhalt 1 Einführung... 13 2 Der Investitionsentscheidungsprozess... 16 2.1 Preview... 16 2.2 Das Wesen einer Investition... 17 2.2.1 Der Investitionsbegriff... 17 2.2.2 Investitionsarten...
MehrRegelungstechnik. Wirkungsweisen, Anwendungen und systemorientierte Grundlagen in anschaulicher Darstellung. Günter Roth
Günter Roth Regelungstechnik Wirkungsweisen, Anwendungen und systemorientierte Grundlagen in anschaulicher Darstellung 2. völlig neu bearbeitete und erweiterte Auflage Hüthig Verlag Heidelberg Inhaltsverzeichnis
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
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
MehrVorkurs Mathematik. JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer. September/Oktober Lennéstraße 43, 1. OG
Vorkurs Mathematik JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer Lennéstraße 43, 1. OG pinger@uni-bonn.de September/Oktober 2017 JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer Vorkurs Mathematik September/Oktober
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Kapitel 1: Aussagen, Mengen
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-
Mehr11. Berechnungen aus der Regelungstechnik
1 11. Berechnungen aus der Regelungstechnik 11.1 P-Regler nullter, erster, zweiter oder höherer Ordnung Die Sprungantwort eines P-Reglers kann unterschiedlich ausfallen. Je nach Verlauf (Bild 11-1) spricht
MehrDuale Regelungstechnik
Prof. Dr.-lng. Serge Zacher Duale Regelungstechnik Methoden und Werkzeuge der lnformationstechnologie für die Regelungstechnik mit Prozessrechnern VDE VERLAG GMBH Inhalt 1 1.1 1.2 1.3 1.4 1.4.1 1.4.2 1.4.3
MehrKapitel 3 Fuzzy-Mengen und Relationen. 12. Mai 2005
Kapitel 3 Fuzzy-Mengen und Relationen 12. Mai 2005 Rückblick Darstellung unscharfer Konzepte mit Hilfe von Fuzzy-Mengen, Definition von Fuzzy-Mengen, Fuzzy-Mengen über einem festen Universum bilden einen
MehrMathematik 1, Teil B
FH Oldenburg/Ostfriesland/Wilhelmshaven Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre
MehrVorkurs Mathematik für Informatiker Aussagenlogik -- Thomas Huckle Stefan Zimmer Matous Sedlacek,
Vorkurs Mathematik für Informatiker -- 4 ussagenlogik -- Thomas Huckle Stefan Zimmer Matous Sedlacek, 7..2 ussagenlogik Rechnen mit Wahrheitswerten: oder, oder Objekte, die wir untersuchen, sind jetzt
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Jens Struckmeier Fachbereich Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2010/11 Jens Struckmeier (Mathematik,
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
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,
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
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
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrFachwissenschaftliche Grundlagen
Fachwissenschaftliche Grundlagen Vorlesung im Wintersemester 2011/2012, Universität Landau Roland Gunesch 4. Vorlesung Roland Gunesch (Mathematik) Fachwissenschaftliche Grundlagen 4. Vorlesung 1 / 21 Themen
MehrEntscheidungsunterstützung/ Künstliche Intelligenz. Teil 4
Entscheidungsunterstützung/ Künstliche Intelligenz Teil 4 BiTS, Sommersemester 2005 Dr. Stefan Kooths KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 1 Gliederung 1. Einführung 2.
MehrHochschule R avensburg-weingarten University of Applied S ciences Default-Logik Benjamin R ana Angewandte Informatik, Informationsnetze 7.
Default-Logik Überblick Motivation Nichtmonotone-Logik Reiter-Logik Syntax Semantik Extensions Simulator Motivation Mit klassischer Logik lassen sich viele Zusammenhänge nicht einfach darstellen Was tun
Mehr1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
Mehr1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
MehrFuzzy Logik. Kamilu Afolabi Fadairo. Carl von Ossietzky Universität, Oldenburg
Fuzzy Logik Kamilu Afolabi Fadairo Carl von Ossietzky Universität, Oldenburg 1 Einleitung Fuzzy-Logik ist eine Obermenge der koventionellen (booleschen) Logik. Fuzzy-Logik erweitert den Begriff partielle
MehrVorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18 19. Oktober 2017 1/27 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
MehrGrundbegriffe aus Logik und Mengenlehre
Prof. Dr. B. Niethammer Dr. C. Seis, R. Schubert Institut fr Angewandte Mathematik Universitt Bonn Grundbegriffe aus Logik und Mengenlehre Wir wollen im Folgenden eine kurze Einführung in die Grundbegriffe
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
MehrElemente der Analysis I Kapitel 3: Einführung III, Summen, Logik, Mengen, Beweise
Elemente der Analysis I Kapitel 3: Einführung III, Summen, Logik, Mengen, Beweise Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 15. November 2010 http://www.mathematik.uni-trier.de/
MehrÜbersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches
Mehr3. Entscheidungen bei mehreren Szenarien. Entscheidungen. bei Unsicherheit A i, S j und x ij sowie die Zielfunktion
3. Entscheidungen bei mehreren Szenarien Entscheidungen bei Sicherheit A i und x i sowie die Zielfunktion determinieren das Entscheidungsproblem bei Unsicherheit A i, S j und x ij sowie die Zielfunktion
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kapitel 2: Mengenlehre
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kapitel 2: Mengenlehre Lang 3 Meinel 2, 4, 5, 10.2-10.4 (zur Vertiefung: Meinel 10.5-10.8 und Beutelspacher 10) Dean 2, 5-7
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kapitel 2: Mengenlehre. Referenzen zum Nacharbeiten:
DM2 Slide 1 Diskrete Mathematik Sebastian Iwanowski FH Wedel Kapitel 2: Mengenlehre Referenzen zum Nacharbeiten: Lang 3 Meinel 2, 4, 5, 10.2-10.4 (zur Vertiefung: Meinel 10.5-10.8 und Beutelspacher 10)
MehrInhalt. Mehr Informationen zum Titel
Mehr Informationen zum Titel Inhalt 1 Einführung 15 1.1 Aufgaben der Regelungstechnik... 15 1.2 Steuern oder Regeln?... 15 1.3 Regelkreise im Wirkungsplan... 20 1.4 Festwert- und Folgeregelung... 21 1.4.1
MehrFuzzy-Summierbarkeit. Benjamin Hohl. Imperfektion und erweiterte Konzepte im Data Warehousing Seminar im Sommersemester 2005
Fuzzy-Summierbarkeit Benjamin Hohl Imperfektion und erweiterte Konzepte im Data Warehousing 2 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 2. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 2. Juni 2005 Übersicht Wahrheitsfunktionale Fuzzy-Semantik, Eigenschaften, Lukasiewicz-Fuzzy-Logik, McNaughtons Theorem, Nichtstetige Wahrheitsfunktionale Fuzzy-Logik.
MehrAnhang B. Relationenalgebraische Definitionen. B.1 Relationen
Anhang B Relationenalgebraische Definitionen Die relationenalgebraischen Definitionen bilden die Grundlage der formalen Aspekte der Projekte WebReference und InterMediate [Her00]. Sie sind [SS89] entnommen.
Mehr