Grundlagen der Fuzzy-Logik
|
|
- Richard Böhm
- vor 7 Jahren
- Abrufe
Transkript
1 Grundlagen der Fuzzy-Logik Seminarvortrag Julian Górny Matrikelnummer:
2 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 2
3 Einleitung Bestimmte Sachverhalte in Prozessen lassen sich nicht scharf beschreiben Es können nur vage oder unscharfe Aussagen dazu getroffen werden Gewünscht ist eine Technologie zur Verarbeitung von unsicherem Wissen Fuzzy-Logik = Theorie des unsicheren Schließens Fuzzy-Logik wurde 1965 von Lotfi A. Zadeh begründet Stellt eine Möglichkeit dar, auf Basis von unscharfen Informationen, Entscheidungen zu treffen Seite 3
4 Einleitung: Beispiel Entscheidungsfindung für die Problemstellung: Gilt ein bestimmter Mann als ein großer Mann oder nicht? Modellierung von M nach klassischem Ansatz Fuzzy-Menge Regel: Wenn ein Mann 1,80 m oder größer ist, dann ist er ein großer Mann. Definiere M = x x 1,80 die Menge der großen Männer Klassischer Ansatz { } Es werden ausschließlich zwei Fälle betrachtet Ein Mann gehört zur Menge M (Zugehörigkeitsgrad 1) und ein Mann gehört nicht zur Menge M (Zugehörigkeitsgrad 0) Ansatz im Sinne der Fuzzy Logik Möglichkeiten für den Zugehörigkeitsgrad eines Elementes zur Menge M gehen über die Werte 1 und 0 hinaus Männer die z. B. als mittelgroß beschrieben werden weisen einen Zugehörigkeitsgrad zwischen 0 und 1 auf, hier 0,7 Modellierung von M nach unscharfem Ansatz Seite 4
5 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 5
6 Grundlagen: Fuzzy-Mengen und Zugehörigkeitsfunktionen Fuzzy-Mengen bilden die Grundlage der Fuzzy-Theorie Sie werden auf einer Grundmenge G durch eine Abbildung µ : G [0,1] beschrieben [KAHL95] µ wird auch als Zugehörigkeitsfunktion bezeichnet Beispiel: Temperatur einer Flüssigkeit Die Gestalt einer Zugehörigkeitsfunktion hängt von dem Anwendungsgebiet und des zu übermittelnden Informationsgehalts ab Seite 6
7 Grundlagen: Beispiele für Zugehörigkeitsfunktionen Trapez-, Dreiecks- und Gaußfunktionen gehören zu den mit am häufigsten verwendeten Funktionen zur Modellierung von Fuzzy-Mengen Trapezfunktion Dreiecksfunktion Trapezfunktion: Dreiecks-Funktion: µ ( x;a,b,c,d ) µ ( x;a,b,c ) 0, x a, b a = 1, d x, d c 0, 0, x a, = b a d x, d c 0, x a a x b b x c c x d x d x a a x b b x c x d Gaußfunktion Gaussfunktion: ( ) µ x;σ,c = e ( x c) 2σ 2 2 Seite 7
8 Grundlagen: Operationen auf Fuzzy-Mengen Genauso wie in der booleschen Logik, sind auch in der Fuzzy-Logik Operationen zur Verknüpfung von Fuzzy- Mengen definiert [KAHL95] Vereinigung zweier Fuzzy-Mengen: [ 0,1] mit ( µ µ )( x) : MAX( µ (x), µ (x)) µ 1 µ 2 : G 1 2 = 1 2 Schnitt zweier Fuzzy-Mengen [ 0,1] mit ( µ µ )( x) : MIN(µ (x), µ (x)) µ 1 µ 2 : G 1 2 = 1 2 Das Komplement einer Fuzzy-Menge µ C : G [ 0,1] mit ( x) : = 1 µ ( x) µ C Seite 8
9 Grundlagen: Fuzzy-Implikation (1) Für die Regelung von Prozessen ist die Formulierung von Regeln notwendig Als Wenn-Dann -Relationen definierte Regeln werden als Fuzzy-Implikationen bezeichnet Bestandteile von Fuzzy-Implikationen sind Fuzzy-Mengen Beispiel: Erweiterung des Beispiels Temperatur einer Flüssigkeit um die linguistische Variable Wärmezufuhr mit fünf linguistischen Termen Seite 9
10 Grundlagen: Fuzzy-Implikation (2) Beispiel: Formulierung von Fuzzy-Regeln zur Regulierung der Wärmezufuhr für eine Flüssigkeit in Abhängigkeit von ihrer Temperatur R 1 Regel : WENN Temperatur = niedrig DANN Wärmezufuhr = hoch WENN-Teil einer Regel = Prämisse DANN-Teil einer Regel = Konklusion Seite 10
11 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 11
12 Fuzzy-Controller: Aufbau Quelle: vernändert nach [KAHL94] Seite 12
13 Fuzzy-Controller: Fuzzifizierung Fuzzifizierung beschreibt das Überführen eines scharfen Eingangswertes in einen Fuzzy-Wert Ohne Fuzzifizierung ist keine Auswertung der in der Regelbasis hinterlegten Fuzzy-Regeln möglich Beispiel: Fuzzifizierung der scharfen Werte o und T 58 C 2 = T 1 = 28 o C T 2 Für und T ergeben sich die Fuzzy-Werte 1 o Fuzzifizierung * T1 = 28 T1 = (0,0.85,0,0,0) o Fuzzifizierung * T = 58 T ( 0,0,0.5,0.15,0) 2 2 = * T 1 und * T 2 Seite 13
14 Fuzzy-Controller: Inferenzmechanismus (1) Der Inferenzmechanismus dient zur Auswertung der Regeln einer Regelbasis bezüglich eines Fuzzy-Wertes Beispiel: Definition einer weiteren Regel zur Regulierung der Wärmezufuhr: R 2 : WENN Temperatur = mittel DANN Wärmezufuhr = mittel Auswertung der Regeln R 1 und R 2 bezüglich der o Fuzzifizierung des scharfen Wertes T = 45 C T = = = 45 o C * T = ( µ sehr _ niedrig( T ),µ niedrig( T ),µ mittel ( T ),µ hoch ( T ),µ sehr _ hoch ( T) ) ( 0,0.25,0.75,0,0 ) Seite 14
15 Fuzzy-Controller: Inferenzmechanismus (2) Die Auswertung der Regeln gibt Aufschluss darüber, inwieweit eine Regel erfüllt ist Fuzzy-Ausgangs- Mengen Es Ergeben sich für jede Regel ein Erfüllungsgrad und die dazugehörige Fuzzy-Ausgangs-Menge R i H i Seite 15
16 Fuzzy-Controller: Defuzzifizierung (1) Defuzzifizierung beschreibt den Vorgang, aus den Ausgangs-Fuzzy-Mengen den entsprechenden scharfen Ausgangswert zu bestimmen Am häufigsten verwendetes Defuzzifizerungs-Verfahren: Die Schwerpunkt -Methode ( Center of Gravity ) Bestimme den Schwerpunkt der Ergebnis-Fuzzy-Menge, die sich aus der Vereinigung der einzelnen Ausgangs- Fuzzy-Mengen ergibt Ergebnis-Fuzzy-Menge o für den Wert T = 45 C Seite 16
17 Fuzzy-Controller: Defuzzifizierung (2) Die exakte Formel zur Bestimmung des Schwerpunktes einer Fläche, lautet: y res = 0 yµ 0 µ res res ( y) ( y) dy dy In der Praxis ist die Funktion, die die Fläche begrenzt, nicht gegeben Aus diesem Grund werden die Integrale approximiert: y m i= 1 res = m i= 1 y H i H i i Für den scharfen Eingangswert T = 45 C ergibt sich somit der scharfe Ausgangswert y res = 55,55% o Seite 17
18 Fuzzy-Controller: Typisierungen Es gibt verschiedene Möglichkeiten Fuzzy-Controller zu entwerfen Oben beschriebenes Fuzzy-Inference-System (FIS) ist vom Typ Mamdani Die wesentlichsten Unterschiede zwischen den FIS liegen im Inferenzmechanismus und der Defuzzifizierung Neben FIS vom Typ Mamdani werden noch FIS vom Typ Takagi, Sugeno und Kang (TSK) häufig verwendet Wesentliche Unterschiede zwischen Mamdani und TSK- FIS sind: Konklusionen von TSK-Regeln bestehen aus scharfen Werten TSK-FIS benötigen keine komplizierten Defuzzifizierungsverfahren Grundlage für die Bestimmung der Konklusionen von TSK-Regeln bilden Testdaten Seite 18
19 Fuzzy-Controller: FIS nach Mamdani Quelle: [KAHL94] Seite 19
20 Fuzzy-Controller: FIS nach Takagi, Sugeno und Kang Quelle: verändert nach [JANG95] Seite 20
21 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 21
22 Anwendungsbeispiel: Fuzzy Control of a Model Car (1) Ziel ist es, ein Fahrzeug kollisionsfrei und ohne heftige Lenkbewegungen entlang einer Strecke fahren zu lassen Hierfür wurde ein FIS vom Typ TSK implementiert Quelle: [SUGE85] Die für das FIS notwendigen Eingangsgrößen sind: x 1 : Abstand des Fahrzeugs zur rechtwinkligen Kurve x 2 : Abstand zur inneren Wand x 3 : Ausrichtung des Fahrzeugs (Winkel) x 4 : Abstand zur äußeren Wand Die Ausgangsgröße y des FC, gibt die Änderung der Winkelstellung des Lenkrades an Seite 22
23 Anwendungsbeispiel: Fuzzy Control of a Model Car (2) Die Eingangsgrößen x1,..., x 4 stellen die Linguistischen Variablen dar Generierung von Testdaten anhand von Simulationen Testdaten geben einen Hinweis für die Wahl der Parameter der jeweiligen Zugehörigkeitsfunktion Es werden 20 Regeln aufgestellt, für die die jeweiligen Koeffizienten jeweils anhand der Testdaten bestimmt werden Übergebe dem Programm die linguistischen Variablen, Zugehörigkeitsfunktionen und Regeln Starte Programm Seite 23
24 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 24
25 Fazit und Ausblick Mit Hilfe von FC ist es möglich bestimmte Prozesse anhand von unscharfen Informationen zu steuern Auf Fuzzy-Logik basierende Lösungen können ohne großen Aufwand realisiert werden Oben vorgestellte Zugehörigkeitsfunktionen sind jeweils von mehreren Parametern abhängig Es stellt sich somit die Frage: Welche Auswahl von Parametern liefert eine optimale Lösung des FIS? Eine Antwort darauf sind Neuronale Netze Auf Basis von Testdaten, können mit Hilfe von neuronalen Netzen geeignete Parameter für die Zugehörigkeitsfunktionen von TSK-FIS bestimmt werden Seite 25
26 Quellen [KAHL94] [JANG95] [SUGE85] Kahlert, J; Frank, H.: Fuzzy Logik und Fuzzy Control. Braunschweig/ Wiesbaden 2. Aufl.: Vieweg, 1994 Jang, R. J.-S.; Sun, C.-T.: Neuro-Fuzzy Modelling and Control. In: Proceedings of the IEEE, 1995, S Sugeno, M.; Nishida, M.: Fuzzy Control of Model Car. In: Fuzzy Sets and Systems 16. Amsterdam/ New-York/ Oxford 1. Aufl.: North-Holland Publishing Company, 1985 Seite 26
27 Vielen Dank für Ihre Aufmerksamkeit! Haben Sie Fragen? Seite 27
28 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 28
Methoden 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.............................
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
MehrFuzzy-Logik. Mathias Bank
Fuzzy-Logik Inhaltsverzeichnis Mathias Bank 1 Einführung 2 1.1 Problembeschreibung 2 1.2 Fuzzy-Mengen 2 1.3 Bezeichnungen 3 1.4 Operationen auf Fuzzy-Mengen 4 1.5 Fuzzy-Relationen 6 1.6 Fuzzy-Regeln 7
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
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
MehrInhaltsverzeichnis. 2 Beispielprogramme 4 2.1 Mondlandung... 4 2.2 Rangiere... 6 2.3 Pendelwagen... 8 2.4 Fazit... 9
Inhaltsverzeichnis 1 Begriffe der Fuzzy-Logik 1 1.1 Fuzzy Sets.................................. 1 1.2 Zugehörigkeitsfunktionen.......................... 2 1.3 Operationen auf Fuzzy-Mengen......................
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
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 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. 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
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.
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)
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
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
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
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
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
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.
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
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,]
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,
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
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
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
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
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 & 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
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
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
Mehr1. Mathematikschulaufgabe
Klasse 8 / I I 1.0 Gib in Mengenschreibweise an: 1.1 Zur Menge M gehören alle Punkte, deren Abstand von parallelen Geraden g und h gleich ist, oder die von einem Punkt A mehr als 4 cm entfernt sind. 1.
MehrUm vorerst bei den geometrischen Aufgaben zu bleiben, stelle dir folgendes Problem vor:
Erkläre bitte Extremwertaufgaben... Extremwertaufgaben Sobald man verstanden hat, was ein Extremwert einer Funktion ist (ein lokales Maximum oder Minimum) stellt sich die Frage Und was mach ich damit??.
MehrCrash-Kurs Regelungstechnik
Dr.-Ing. Jörg Kahlert Crash-Kurs Regelungstechnik Eine praxisorientierte Einführung mit Begleit-Software VDE VERLAG GMBH Berlin Offenbach Inhaltsverzeichnis 1 Einführung 11 1.1 Aufgaben der Regelungstechnik
MehrMathematikarbeit Klasse 8 03.06.03
Mathematikarbeit Klasse 8 0.06.0 Name: A. Aufgabe Bestimme bei der folgenden Gleichung die Definitionsmenge und die Lösungsmenge in. z z = 4 z z. Aufgabe In dieser Aufgabe geht es um ganz normale zylindrische
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
MehrDemoseiten für
Lineare Ungleichungen mit Variablen Anwendung (Vorübungen für das Thema Lineare Optimierung) Datei Nr. 90 bzw. 500 Stand 0. Dezember 009 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK 90 / 500 Lineare Ungleichungen
MehrVenndiagramm, Grundmenge und leere Menge
Venndiagramm, Grundmenge und leere Menge In späteren Kapitel wird manchmal auf die Mengenlehre Bezug genommen. Deshalb sollen hier die wichtigsten Grundlagen und Definitionen dieser Disziplin kurz zusammengefasst
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
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
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2015 Mathematik Kompensationsprüfung Angabe für Prüfer/innen Hinweise zur Kompensationsprüfung
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
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
MehrAnhang zum Kapitel 12: Intelligente Regelung Fuzzy-Regler
376 Anhang zum Kapitel 12: Intelligente Regelung 12.2 Fuzzy-Regler 12.2 Fuzzy-Regler 377a 12.2.5a Fuzzy Logic Toolbox von MATLAB Mit der Fuzzy Logic Toolbox kann man einen Fuzzy-Regler direkt über die
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
MehrFuzzy Control methodenorientiert. von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern
Fuzzy Control methodenorientiert von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern R. Oldenbourg Verlag München Wien 1997 Inhaltsverzeichnis Vorwort XI 1 Einführung 1 1.1 Entstellung
Mehr12.4 Fuzzy-Regler 405
12.4 Fuzzy-Regler 405 12.4.5 Fuzzy Logic Toolbox von MATLAB Mit der Fuzzy Logic Toolbox kann man einen Fuzzy-Regler direkt über die commandline oder über eine graphische Benutzeroberfläche erstellen. Danach
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
Mehr[FREIER FALL MIT UND OHNE LUFTWIDERSTAND] 10. Oktober 2010
Inhalt Freier Fall ohne Luftwiderstand... 1 Herleitung des Luftwiderstandes... 3 Freier Fall mit Luftwiderstand... 4 Quellen... 9 Lässt man einen Körper aus einer bestimmt Höhe runter fallen, so wird er
MehrEinfache Parkettierungen
Einfache Definitionen: Unter einer Parkettierung (auch Pflasterung oder Parkett genannt) verstehen wir eine überlappungsfreie Überdeckung der Ebene durch Polygone. Ein Polygon (auch Vieleck oder n-eck
MehrInhaltsverzeichnis. 1.1 Problemstellung und Zielsetzung der Arbeit Aufbau der Arbeit 5
Abbildungsverzeichnis XII Tabellenverzeichnis XV Symbolverzeichnis XIX 1 Problemstellung, Zielsetzung und Aufbau der Arbeit 1 1.1 Problemstellung und Zielsetzung der Arbeit 1 1.2 Aufbau der Arbeit 5 2
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
MehrBauteilabhängigkeiten und Parameter
Bauteilabhängigkeiten und Parameter Die Möglichkeiten Objekte parametrisch zueinander in Abhängigkeit zu setzen, wurde in AutoCAD Architecture 2011 von den 2D AutoCAD Elementen auf AEC Objekte erweitert.
MehrMathematik. Abiturprüfung 2014. Prüfungsteil A. Arbeitszeit: 90 Minuten. Bei der Bearbeitung der Aufgaben dürfen keine Hilfsmittel verwendet werden.
Mathematik Abiturprüfung 2014 Prüfungsteil A Arbeitszeit: 90 Minuten Bei der Bearbeitung der Aufgaben dürfen keine Hilfsmittel verwendet werden. Zu den Themengebieten Analysis, Stochastik und Geometrie
Mehr4 Gleichungen und Ungleichungen
In diesem Kapitel werden Techniken zur Bestimmung der Lösungsmengen von Gleichungen und Ungleichungen rekapituliert. 4.1 Eindimensionale Gleichungen und Ungleichungen Eine Gleichung oder Ungleichung ohne
MehrInduktive Definitionen
Induktive Definitionen Induktive Definition: Konstruktive Methode zur Definition einer Menge M von Objekten aus Basisobjekten mittels (Erzeugungs-) Regeln Slide 1 Rekursion über den Aufbau: Konstruktive
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
Mehrv q,m Aufgabensammlung Experimentalphysik für ET
Experimentalphysik für ET Aufgabensammlung 1. E-Felder Auf einen Plattenkondensator mit quadratischen Platten der Kantenlänge a und dem Plattenabstand d werde die Ladung Q aufgebracht, bevor er vom Netz
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 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:
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
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
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
MehrKurzzusammenstellung der in der Vorlesung behandelten impliziten Gleichungen und deren Ableitungen
Kurzzusammenstellung der in der Vorlesung behandelten impliziten Gleichungen und deren Ableitungen Einleitung: Funktion mit einer Veränderlichen Als Einleitung haben wir folgende Funktion besprochen: y
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
MehrKlassifizierung von Bauteilen und Räumen bei der Erstellung digitaler Gebäudemodelle
Klassifizierung von Bauteilen und Räumen bei der Erstellung digitaler Gebäudemodelle Technische Universität Berlin - FG Bauinformatik Felix Bausemer Bachelorarbeit 08.09.2017 Maximilian Sternal, M. Sc.
MehrAbitur - Übung 1 Glege 9/11
Abitur - Übung 1 Glege 9/11 Aufgabe 1.1) ganz-rationale Funktion 1.1.a) Bestimmen Sie eine ganz-rationale Funktion 3.Grades, deren Graph bei =4 die -Achse berührt und an deren Punkt (2/f(2)) die Tangente
Mehr2 Rationale und reelle Zahlen
2 reelle Es gibt Mathematik mit Grenzwert (Analysis) und Mathematik ohne Grenzwert (z.b Algebra). Grenzwerte existieren sicher nur dann, wenn der Zahlbereich vollständig ist, also keine Lücken aufweist
Mehr10. Versuch: Schiefe Ebene
Physikpraktikum für Pharmazeuten Universität Regensburg Fakultät Physik 10. Versuch: Schiefe Ebene In diesem Versuch untersuchen Sie Mechanik der schiefen Ebene, indem Sie mithilfe dem statischen und dynamischen
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
Mehrdurch Ratengleichungen der Form t t = F 2 N 1 t, N 2 t d N 1 t
5. Wechselwirkungen zwischen verschiedenen Spezies Allgemein kann man die zeitliche Entwicklung zweier Spezies N 1 und N 2 durch Ratengleichungen der Form d N 1 t d N 2 t = F 1 N 1 t, N 2 t, t = F 2 N
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
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
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,
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
MehrHandout 3. Grundlegende Befehle und Konstruktionen (Modi) von Cinderella
Handout 3 Grundlegende Befehle und Konstruktionen (Modi) von Cinderella In dieser Sitzung erfahren Sie mehr über: Grundlegende Befehle von Cinderella Grundlegende Konstruktionen (Modi) von Cinderella Grundlegende
Mehr11 Stochastisches Integral und Itô-Formel
11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess
MehrMathematik für Informatiker/Informatikerinnen 2
Mathematik für Informatiker/Informatikerinnen 2 Koordinaten: Peter Buchholz Informatik IV Praktische Informatik Modellierung und Simulation Tel: 755 4746 Email: peter.buchholz@udo.edu OH 16, R 216 Sprechstunde
MehrStandardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 11. Mai 2015. Mathematik. Teil-1-Aufgaben. Korrekturheft. öffentliches Dokument
Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 11. Mai 2015 Mathematik Teil-1-Aufgaben Korrekturheft Aufgabe 1 Taschengeld Der Term stellt die Höhe des durchschnittlichen wöchentlichen
MehrVektorgeometrie Ebenen 1
Vektorgeometrie Ebenen 1 Parametergleichung von Ebenen Punkte und Geraden in Ebenen. Spezielle Lagen von Punkten in Bezug auf ein Parallelogramm oder Dreieck. Datei Nr. 63021 Stand 1. Juli 2009 INTERNETBIBLIOTHEK
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrEffizienz von Algorithmen
Effizienz von Algorithmen Letzte Bearbeitung: Jan 211 Ein wichtiger Aspekt bei Algorithmen sind seine "Kosten". Wir wollen uns hier ausschließlich mit der Laufzeit des gewählten Algorithmus beschäftigen.
MehrMittelwertvergleiche, Teil I: Zwei Gruppen
FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil I: Zwei Gruppen FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Mittelwertvergleiche:
Mehr6.3 Exakte Differentialgleichungen
6.3. EXAKTE DIFFERENTIALGLEICHUNGEN 23 6.3 Exakte Differentialgleichungen Andere Bezeichnungen: Pfaffsche Dgl., Dgl. für Kurvenscharen, Nullinien Pfaffscher Formen. 1. Definitionen Pfaffsche Dgl, Dgl.
MehrRelationen / Lineare Funktionen
Relationen / Lineare Funktionen Relationen Werden Elemente aus einer Menge X durch eine Zuordnungsvorschrift anderen Elementen aus einer Menge Y zugeordnet, so wird durch diese Zuordnungsvorschrift eine
MehrFachcurriculum Mathematik (G8) JKG Weil der Stadt Standards 10. Mathematik. Stoffverteilungsplan 9/10 auf Grundlage der Bildungsstandards 2004
Mathematik Stoffverteilungsplan 9/10 auf Grundlage der Bildungsstandards 2004 Fachcurriculum Standards 10 Johannes-Kepler-Gymnasium Weil der Stadt Stand vom 19.8.2008 1 Stand 19.08.2008 Stundenzahl in
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
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 WS 2 / 22 Name: Matrikelnummer: Note: Prüfungstag: 8.3.22
MehrWissenschaftliches Arbeiten
Teil 7: Argumentieren und Begründen 1 Grundregel: Spezifisch argumentieren Wissenschaftliches Arbeiten Nie mehr zeigen, als nötig oder gefragt ist. Sonst wird das Argument angreifbar und umständlich. Schwammige
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
Mehr1.4 Gradient, Divergenz und Rotation
.4 Gradient, Divergenz und Rotation 5.4 Gradient, Divergenz und Rotation Die Begriffe Gradient, Divergenz und Rotation erfordern die partiellen Ableitung aus Abschnitt.. sowie das Konzept des Differentialoperators.
MehrAnalytische Geometrie
Analytische Geometrie Übungsaufgaben Punkte, Vektoren, Geradengleichungen Gymnasium Klasse 0 Alexander Schwarz www.mathe-aufgaben.com März 04 Aufgabe : Gegeben sind die Punkte O(0/0/0), A(6/6/0), B(/9/0),
MehrEine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten:
Aussagen Aussagen Eine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten: verbale Aussage formale Aussage Wahrheitswert 1) 201 ist teilbar durch 3 3 201 wahre Aussage (w.a.) 2)
Mehr7. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 7. Übung Künstliche Intelligenz 17.12.28 Wintersemester 28/29 Unsicherheit, Wagheit 1. Bei einem medizinischen Test wird ein Symptom S,
MehrDatenbankdesign - Normalisierung
1 Datenbankdesign - Normalisierung In einer Datenbank sollen Daten einer realen Welt abgebildet werden. Dazu ist es notwendig, die Struktur des zu bearbeitenden Teilausschnittes in einem möglichst getreuen
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrKapitel 2: Fuzzy Systeme. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Kapitel 2: Fzzy Systeme Wintersemester 2006/07 Fndamente der Comptational Intelligence (Vorlesng) Inhalt Fzzy Mengen Fzzy Relationen Fzzy Logik Approximatives Schließen Prof Dr Günter Rdolph Fachbereich
MehrFunktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band 1,
MehrZusammenfassung Performancegesetze
Zusammenfassung Performancegesetze Utilization Law Forced Flow Law Service Demand Law Little s Law Response Time Law 0 i i X V X Z X M/ A 0 i i i S X U 0 i i i i X / U S V D X A N Leistungsmodelle System-
MehrBasistext Geometrie Grundschule. Eine Strecke bezeichnet man einer direkte Verbindung zwischen zwei Punkten:
Basistext Geometrie Grundschule Geometrische Figuren Strecke Eine Strecke bezeichnet man einer direkte Verbindung zwischen zwei Punkten: Gerade Eine Gerade ist eine Strecke ohne Endpunkte. Die Gerade geht
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
Mehr