Methoden der unscharfen Optimierung
|
|
- Theodor Messner
- vor 7 Jahren
- Abrufe
Transkript
1 Methoden der unscharfen Optimierung Mike Hüftle Juli 2005 Inhaltsverzeichnis 1 Einleitung Unscharfe Mengen Unscharfe Mengen Zugehörigkeit Zugehörigkeitsfunktion Linguistische Variable Operationen auf unscharfen Mengen Nebenpfad: Operationen auf unscharfen Mengen Defuzzifizierung Defuzzifizierungs-Verfahren Anwendungen unscharfer Mengen Literatur
2 1 Einleitung 1.1 Unscharfe Mengen Theorie unscharfer Mengen Die Theorie unscharfer Mengen ist ein Versuch, vage natürlichsprachliche Äußerungen mathematisch zu repräsentieren und für den Computer verarbeitbar zu machen. Eindeutige Äußerungen sind z.b.: x gehört zu B Mit solchen Aussagen wird die Zugehörigkeit von Elementen zu Mengen beschrieben. Aussagen dieser Art können durch die klassische Mengenlehre oder die Prädikatenlogik formalisiert werden. Hierbei muss jedoch immer eine eindeutige Aussage getroffen werden, d.h. x gehört zu B oder x gehört nicht zu B. Natürlichsprachliche Aussagen z.b. der Form x gehört fast nicht zu B sind jedoch meist nicht eindeutig, so dass hierfür eine andere Möglichkeit der Formalisierung notwendig ist. Die Theorie der unscharfen Mengen kann solche vagen Aussagen formalisieren. Unsicherheitstheorien Die Theorie unscharfer Mengen gehört zu den Unsicherheitstheorien. Weitere solche Theorien, welche die Unsicherheit beschreiben, sind u.a. die Wahrscheinlichkeitstheorie, die Evidenztheorie, die Theorie der grauen Mengen und die Theorie der rauhen Mengen. Die in der Praxis bedeutsamsten sind die Wahrscheinlichkeitstheorie und die Theorie der unscharfen Mengen. 2
3 2 Unscharfe Mengen 2.1 Zugehörigkeit Schätzung der Zugehörigkeit zu einer unscharfen Menge Wenn X eine Grundmenge von Elementen ist, dann ist eine unscharfe Menge A eine Teilmenge von X, für deren Elemente jeweils durch eine Zugehörigkeitsfunktion angegeben wird, bis zu welchem Grad sie zu A gehören. Diese Angabe beruht auf einer Schätzung. Diese Schätzung hat die folgenden charakteristischen Eigenschaften: 1. Der Zugehörigkeitsgrad zu einer unscharfen Menge ist kein objektiver Wert, sondern wird einem Element subjektiv zugeordnet. Er ist insofern eine relative Angabe. 2. Der Zugehörigkeitsgrad zu einer unscharfen Menge ist kontextabhängig. Z.B. kann die Zugehörigkeit stark zugehörig in zwei verschiedenen Anwendungen einen anderen Grad an Zugehörigkeit ausdrücken. 3. Im Gegensatz zu einer unvollständig beschriebenen Menge kann die unscharfe Menge durchaus vollständig beschreiben werden. Definition der unscharfen Menge Ist X eine Menge von Objekten, so heißt A := {(x, µ A (x)), x X} (1) eine unscharfe Menge auf X. Hierbei ist µ A : X R die Zugehörigkeitsfunktion (oder auch Grad der Zugehörigkeit) von x in A. Normalisierte unscharfe Menge Der Bereich der Zugehörigkeitsfunktion ist eine Untermenge der reellen Zahlen. Wenn diese auf das Intervall [0,1] beschränkt ist, so wird die unscharfe Menge als normalisiert bezeichnet. Sonderfall scharfe Menge Ist der Wertebereich von µ A die zweielementige Menge {0,1}, so steht A für die gewöhnliche, scharfe Menge. Diese ist somit ein Sonderfall der unscharfen Menge. 3
4 2.2 Zugehörigkeitsfunktion Konvexe unscharfe Mengen In der Anwendung wichtige unscharfe Mengen sind die, deren Zugehörigkeitsfunktion entweder monoton steigend, monoton fallend oder glockenförmig ist. Die hierdurch beschriebenen unscharfen Mengen heißen konvexeunscharfe Mengen. Wichtige Zugehörigkeitsfunktionen Die Abbildung zeigt Beispiele für die wichtigsten Zugehörigkeitsfunktionen. Hier wird die Zugehörigkeit einer gefühlten Temperatur für die drei unscharfen Mengen heiß, kalt und temperiert beschrieben. 4
5 2.3 Linguistische Variable Linguistische Variablen Linguistische Variablen unterscheiden sich von numerischen Variablen dadurch, daß ihre Werte nicht Zahlen sind, sondern Ausdrücke einer natürlichen Sprache. Da solche Ausdrücke im allgemeinen nicht präzise sind, werden die Werte der linguistischen Variablen durch unscharfe Mengen dargestellt. Beispiel Ein Beispiel soll die Verwendung linguistischer Variablen deutlich machen. Definiert sei eine linguistische Variable Temperatur. Als interessierender Bereich werden Temperaturen zwischen 15 und 27C festgelegt. Die Variable Temperatur selbst soll als Werte die natürlichsprachlichen Ausdrücke {kalt, kühl, temperiert, warm, heiß} annehmen können. Diese Ausdrücke stehen für die in der Abbildung dargestellten unscharfen Mengen. Eine linguistische Variable beinhaltet also mehrere zusammengehörige unscharfe Mengen, die als eine Variable mit einem Variablennamen aufgefaßt werden, wobei die einzelnen Mengen die verschiedenen Werte darstellen. 5
6 2.4 Operationen auf unscharfen Mengen Genauso wie mit den klassischen, scharfen Mengen können mit unscharfen Mengen eine Reihe von Operationen durchgeführt werden, die jedoch anders definiert sind als die Operationen auf klassischen Mengen. Die wichtigsten sind: Das Der Die Das Die Enthaltensein Durchschnitt Vereinigung Produkt Summe Nebenpfad: Operationen auf unscharfen Mengen Enthaltensein Eine unscharfe Menge A ist genau dann in B enthalten, wenn gilt: µ A (x) µ B (x) x X (2) Ist A in B und B in A enthalten, so heißen die beiden Mengen gleich scharf. Durchschnitt Eine Zugehörigkeit der Schnittmenge zweier unscharfer Mengen A und B ist punktweise definiert durch: µ A B (x) = min(µ A (x), µ B (x)) x X (3) Produkt Die Zugehörigkeitsfunktion des Produktes zweier unscharfer Mengen A und B ist definiert als: µ AB (x) = µ A (x) µ B (x) x X (4) Vereinigung Die Zugehörigkeitsfunktion der Vereinigung zweier unscharfer Mengen A und B ist definiert als: µ A B (x) = max(µ A (x), µ B (x)) x X (5) 6
7 Summe Die Zugehörigkeitsfunktion der Summe zweier unscharfer Mengen A und B ist definiert als: µ A+B (x) = µ A (x) + µ B (x) µ A (x) µ B (x) x X (6) 7
8 3 Defuzzifizierung 3.1 Defuzzifizierungs-Verfahren Für viele Anwendungen, insbesondere für die Fuzzy-Regelung, muss das unscharfe Ergebnis auf eine reelle Zahl abgebildet werden. Defuzzifizierungsverfahren In der Literatur gibt es eine Vielzahl von Defuzzifizierungsverfahren. Die bekanntesten sind: Die Maximum-Mittel-Methode, bei der nur die Werte mit der höchsten Zugehörigkeit berücksichtigt werden. Kommen mehrere solche Werte vor, so wird das arithmetisches Mittel aus diesen Werten als scharfer Ersatzwert ā M gewählt. Die Schwerpunkt-Methode (Center of Gravity Method), nach der die Abszisse x s des Schwerpunktes der Fläche unter der Zugehörigkeitsfunktion als scharfer, reeller Wert gewählt wird. x s = + x µ(x)dx + µ(x)dx (7) Die Flächenhalbierungsmethode (Center of Area Method), gemäß der ein mittlerer x-wert so auszuwählen ist, daß das in x F errichtete Lot die Fläche unter der Zugehörigkeitsfunktion halbiert. xf µ(x)dx = + x F µ(x)dx (8) 8
9 4 Anwendungen unscharfer Mengen 4.1 Die Theorie unscharfer Mengen (Fuzzy Sets) findet in fast allen Bereichen Anwendung, in denen auch die klassischen scharfen Mengen eingesetzt werden. Fuzzy- Bei Fuzzy-Entscheidungen werden die Entscheidungsalternativen durch unscharfe Mengen ausgedrückt. Problematisch ist die Konstruktion von Zu- Entscheidungstheorie gehörigkeitsfunktionen, die diese Alternativen repräsentieren. Ein Operator faßt sie zur Gesamtentscheidung zusammen. Fuzzy- Optimierung Die Fuzzy-Optimierung überführt das unscharfe Modell durch Variablensubstitution, Dekomposition usw. in scharfe Teilmodelle, deren Lösungen die Fuzzy- Lösung bestimmen. Fuzzy- Datenanalyse Dazu gehören Fuzzy-Regressionsanalyse, Fuzzy-Diskriminanzanalyse, Fuzzy-Clusteranalyse und Fuzzy-Fuzzy-Musterklassifikation. Fuzzy-Control Fuzzy-Verfahren eignen sich besonders für Regelungsaufgaben, weil sie sprachlich formuliertes Expertenwissen direkt - also ohne Umweg über die Regelungstheorie - in Automatisierungskonzepte umsetzen. Vor allem für Prozesse mit nichtlinearem Systemverhalten, die mathematisch nur schwer zu beschreiben sind, sichern sie stabile Lösungen mit einem ausreichend hohen Grad an Genauigkeit. Es existieren schon viele mit Fuzzy Control ausgestattete Systeme, z.b. Waschmaschinen, Fotoapparate oder U- Bahnen. 9
10 5 Literatur 5.1 Literaturverzeichnis [] Naumann, Tino: Wissensbasierte Optimierungsstrategien für elektronische Steuergeräte an Common-Rail-Dieselmotoren. Dissertation an der Fakultät Verkehrs- und Maschinensysteme der TU Berlin, Berlin 2002, auf URL: tino.htm [] Tilli, T.: Fuzzy-Logik. Franzis, München [] Zimmermann, H.-J.: Unscharfe Entscheidungen und Multi-Criteria- Analyse, in: Proceedings in OR, Würzburg 1976, pp [] Zimmermann, H.-J.: Fuzzy-Technologien. VDI-Verlag, Düsseldorf
Grundlagen 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
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
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
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
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
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
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
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......................
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:
MehrMengen, Funktionen und Logik
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Mengen, Funktionen und Logik Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrWissenschaftliches Arbeiten Quantitative Methoden
Wissenschaftliches Arbeiten Quantitative Methoden Prof. Dr. Stefan Nickel WS 2008 / 2009 Gliederung I. Motivation II. III. IV. Lesen mathematischer Symbole Wissenschaftliche Argumentation Matrizenrechnung
Mehr13. Funktionen in einer Variablen
13. Funktionen in einer Variablen Definition. Seien X, Y Mengen. Eine Funktion f : X Y ist eine Vorschrift, wo jedem Element der Menge X eindeutig ein Element von Y zugeordnet wird. Wir betrachten hier
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
MehrMathematik für Ökonomen 1
Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstemester 2008 Mengen, Funktionen und Logik Inhalt: 1. Mengen 2. Funktionen 3. Logik Teil 1 Mengen
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
Mehr3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba.
Die Eindeutigkeit nach Satz 3 ergibt schließlich (5). (6) folgt aus (2) und () wegen Aussage (7) ergibt sich aus () und (6). 0 = log b = log b ( a a) = log b a +log ba. 3 Reihen 3. Konvergenz und Divergenz
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
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
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
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 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
MehrAbbildungseigenschaften
Abbildungseigenschaften.5. Injektivität Injektivität (injektiv, linkseindeutig) ist eine Eigenschaft einer mathematischen Funktion. Sie bedeutet, dass jedes Element der Zielmenge höchstens einmal als Funktionswert
MehrMathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1. 1 Grundlagen 2. 2 Der Graph einer Funktion 4. 3 Umkehrbarkeit 5
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1 Inhaltsverzeichnis 1 Grundlagen 2 2 Der Graph einer Funktion
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
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)
MehrIst die Funktion f : R R injektiv, hat den Definitionsbereich D und den Wertebereich W, so ist f : D W bijektiv. Dann heißt
Ist die Funktion f : R R injektiv, hat den Definitionsbereich D und den Wertebereich W, so ist f : D W bijektiv. Dann heißt f 1 : W D, y wobei D mit f() = y die Umkehrfunktion zu f. Der Graph G f 1 = {(y,
MehrMengenlehre. Spezielle Mengen
Mengenlehre Die Mengenlehre ist wie die Logik eine sehr wichtige mathematische Grundlage der Informatik und ist wie wir sehen werden auch eng verbunden mit dieser. Eine Menge ist eine Zusammenfassung von
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
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)
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
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 5. September 2011 Definition (Menge) Wir verstehen unter einer Menge eine Zusammenfassung von unterscheidbaren Objekten zu einem
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrDie Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man
Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.
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.
Mehr8 Konvergenzkriterien und Häufungswerte von Folgen in R
8 Konvergenzkriterien und Häufungswerte von Folgen in R 8.1 Konvergenz monotoner Folgen 8.2 Die Zahl e 8.3 Existenz monotoner Teilfolgen 8.4 Auswahlprinzip von Bolzano-Weierstraß 8.5 Konvergenzkriterium
MehrAus welchen Mengen soll das Futter gemischt werden, so dass die Gesamtkosten minimal werden?
Futtermischung (Beispiel nach OHSE, D. (004/005): athematik für Wirtschaftswissenschaftler. Bd. I u. II, ünchen: Vahlen) Zur Fütterung von Hühnern einer Farm sind drei Futtermittel F, F und F 3 vorgesehen,
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
MehrInduktive Definitionen
Priv.-Doz. Dr.rer.nat.habil. Karl-Heinz Niggl Technische Universität Ilmenau Fakultät IA, Institut für Theoretische Informatik Fachgebiet Komplexitätstheorie und Effiziente Algorithmen J Induktive Definitionen
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
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
MehrKap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v
Kap 1: VEKTORRÄUME Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung ϕ : I X, i ϕ(i) = x i, wobei die Menge I in diesem Zusammenhang auch Indexmenge genannt wird. Man schreibt vereinfacht
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.
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
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,
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
MehrLineare Algebra I. - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Monday 12 September 16
Lineare Algebra I - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß 1. Mengen und Abbildungen: Mengen gehören zu den Grundlegendsten Objekten in der Mathematik Kurze Einführung in die (naive) Mengelehre
Mehr4 Einige Grundstrukturen. Themen: Abbildungen und Relationen Gruppen Die natürlichen Zahlen Körper
4 Einige Grundstrukturen Themen: Abbildungen und Relationen Gruppen Die natürlichen Zahlen Körper Abbildungen Seien X und Y Mengen. Eine (einstellige) Abbildung f : X Y ordnet jedem x X genau ein Element
MehrAnalysis I: Übungsblatt 1 Lösungen
Analysis I: Übungsblatt 1 Lösungen Verständnisfragen 1. Was ist Mathematik? Mathematik ist eine Wissenschaft, die selbstgeschaffene, abstrakte Strukturen auf ihre Eigenschaften und Muster hin untersucht.
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
MehrRudolf Brinkmann Seite 1 30.04.2008
Rudolf Brinkmann Seite 1 30.04.2008 Der Mengenbegriff und Darstellung von Mengen Eine Menge, ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung und unseres Denkens welche
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
MehrMengenlehre. Aufgaben mit Lösungen
Mengenlehre Aufgaben mit Lösungen Inhaltsverzeichnis 1 Hilfsmittel 1 1. Zahlenmengen........................................ 1 2. Symbole........................................... 1 3. Intervalle: Schreibweise...................................
MehrBeschränktheit, Monotonie & Symmetrie
Beschränktheit, Monotonie & Symmetrie ein Referat Dies ist eine Beilage zum Gruppen-SOL - Projekt Potenz- & Exponentialfunktionen Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch November 2015 Inhaltsverzeichnis
MehrLineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund
Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer
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.
MehrGrundlagen- und Orientierungsprüfung im Fach Philosophie im Rahmen des Bachelorstudiengangs der Philosophischen Fakultäten:
Grundlagen- und Orientierungsprüfung im Fach Philosophie im Rahmen des Bachelorstudiengangs der Philosophischen Fakultäten: a) Philosophie als Hauptfach: bis zum Ende des 2. Fachsemesters müssen Lehrveranstaltungen
MehrInterpolation und Approximation
Interpolation und Approximation Fakultät Grundlagen Mai 2006 Fakultät Grundlagen Interpolation und Approximation Übersicht 1 Problemstellung Polynominterpolation 2 Kubische Fakultät Grundlagen Interpolation
Mehrf : x y = mx + t Der Graph einer linearen Funktion ist eine Gerade, welche die y-achse im Punkt S schneidet. = m 2 x 2 m x 1
III. Funktionen und Gleichungen ================================================================== 3.1. Lineare Funktionen Eine Funktion mit der Zuordnungvorschrift f : x y = mx + t und m, t R heißt lineare
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
Mehr2.6 Stetigkeit und Grenzwerte
2.6 Stetigkeit und Grenzwerte Anschaulich gesprochen ist eine Funktion stetig, wenn ihr Graph sich zeichnen lässt, ohne den Stift abzusetzen. Das ist natürlich keine präzise mathematische Definition und
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
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
Mehr2 Eulersche Polyederformel und reguläre Polyeder
6 2 Eulersche Polyederformel und reguläre Polyeder 2.1 Eulersche Polyederformel Formal besteht ein Graph aus einer Knotenmenge X und einer Kantenmenge U. Jede Kante u U ist eine zweielementige Teilmenge
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
MehrKörper- und Galoistheorie
Prof. Dr. H. Brenner Osnabrück SS 2011 Körper- und Galoistheorie Vorlesung 23 Unter den drei klassischen Problemen der antiken Mathematik versteht man (1) die Quadratur des Kreises, (2) die Dreiteilung
MehrSTOFFPLAN MATHEMATIK
STOFFPLAN MATHEMATIK 1. Semester (2 Wochenstunden) Mengenlehre Reelle Zahlen Lineare Gleichungen und Ungleichungen mit einer Unbekannten Funktionen und ihre Graphen Lineare Funktionen Aufgaben aus der
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
MehrTeil 2: Dynamische Spiele mit vollständigen Informationen
Teil : Dynamische Spiele mit vollständigen Informationen Kapitel 5: Grundsätzliches Literatur: Tadelis Chapter 7 Problem Manche Spiele entwickeln sich über die Zeit Dynamik kann aber nicht in Spielen in
MehrLogische Strukturen 7. Vorlesung
Logische Strukturen 7. Vorlesung Martin Dietzfelbinger 18. Mai 2010 Kapitel 2 Prädikatenlogik Was ist das? Logik und Strukturen Natürliches Schließen Normalformen Herbrand-Theorie Prädikatenlogische Resolution
Mehr, 5;8 7,6 8;15;21 4/2,3/1,4 2; 4 3;15 7;7 3,2;3; 32 5,6,7 ; 8,2,1
Mathematik (BG27) 2 3 { Objekt} { Menge } { Element } { } Reihenfolge spielt keine Rolle Unterscheidbarkeit der Objekte (redundanzfrei) 4 Objekt, 58 7,6 Beschreibung 81521 4/2,3/1,4 2 4 315 77 3,23 32
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
Mehr3. Selbstbehalt und Selbstbeteiligung
3. Selbstbehalt und Selbstbeteiligung Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Selbstbehalt und Selbstbeteiligung 1 / 16 1. Modellrahmen 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,
MehrFolgen und Grenzwerte
Wintersemester 2015/201 Folgen und Grenzwerte von Sven Grützmacher Dieser Vortrag wurde für den (von der Fachschaft organisierten) Vorkurs für die Studienanfänger an der Fakultät für Mathematik und Informatik
MehrFunktionen. Funktionsbegriff Einführende Beispiele und Erklärungen Grundwissen. Beispiele zu den wichtigen Funktionsarten des Mathematikunterrichts
Funktionen Allgemeines Funktionsbegriff Einführende Beispiele und Erklärungen Grundwissen Beispiele zu den wichtigen Funktionsarten des Mathematikunterrichts Ein Lesetext Datei Nr. 800 Stand: 5. Juli 0
MehrKapitel 4. Reihen 4.1. Definition und Beispiele
Kapitel 4. Reihen 4.1. Definition und Beispiele Ist (a n ) eine Folge von Zahlen, so heißt der formale Ausdruck a ν = a 0 + a 1 + a 2 +... eine Reihe; die einzelnen a ν sind die Glieder dieser Reihe. Um
MehrKapitel 2 MENGENLEHRE
Kapitel 2 MENGENLEHRE In diesem Kapitel geben wir eine kurze Einführung in die Mengenlehre, mit der man die ganze Mathematik begründen kann. Wir werden sehen, daßjedes mathematische Objekt eine Menge ist.
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,
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
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,
MehrFunktionen: Einleitung
Funktionen: Einleitung Funktionen sind fundamentale Instrumente der Mathematik zur Beschreibung verschiedener Zusammenhänge. E 1 E 2 E 3 Der Abbildungsbegriff Abb. 1 1: Darstellung einer Abbildung Oft
MehrKapitel 1 Mengen. Kapitel 1 Mengen. Mathematischer Vorkurs TU Dortmund Seite 1 / 25
Kapitel 1 Mengen Kapitel 1 Mengen Mathematischer Vorkurs TU Dortmund Seite 1 / 25 Kapitel 1 Mengen Definition 1.1 (Menge) Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen.
MehrÜbersichtsblatt Hertrampf/Bahrdt. 1 Mathematische Aussagen. Theoretische Informatik I WS2018/19
Theoretische Informatik I WS2018/19 Übersichtsblatt Hertrampf/Bahrdt Institut für Formale Methoden der Informatik Theoretische Informatik Universität Stuttgart 1 Mathematische Aussagen Um mathematische
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
MehrWS 20013/14. Diskrete Strukturen
WS 20013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
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
MehrDiskrete Strukturen. Abgabetermin: 20. September 2011, 14 Uhr in die DS Briefkästen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Prof. Dr. Ernst W. Mayr Dr. Werner Meixner Sommersemester 2011 Übungsblatt 5 12. September 2011 Diskrete Strukturen
MehrAllgemeine Definition von statistischer Abhängigkeit (1)
Allgemeine Definition von statistischer Abhängigkeit (1) Bisher haben wir die statistische Abhängigkeit zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen
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
MehrMathematischer Vorbereitungskurs für das MINT-Studium
Mathematischer Vorbereitungskurs für das MINT-Studium Dr. B. Hallouet b.hallouet@mx.uni-saarland.de SS 2017 Vorlesung 2 MINT Mathekurs SS 2017 1 / 23 Vorlesung 2 (Lecture 2) Einführung in die Mengenlehre.
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrALGEBRA UND MENGENLEHRE
ALGEBRA UND MENGENLEHRE EINE EINFÜHRUNG GRUNDLAGEN DER ALGEBRA 1 VARIABLE UND TERME In der Algebra werden für Grössen, mit welchen gerechnet wird, verallgemeinernd Buchstaben eingesetzt. Diese Platzhalter
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrExponentialgleichungen und Logarithmen
Exponentialgleichungen und Logarithmen 1. Löse die Gleichungen: a) 2 x = 16 b) 3 4x = 9 Tipp: Exponentialgleichungen (die Variable x steht im Exponenten) lassen sich durch Zurückführen auf die gleiche
MehrDefinitions- und Wertebereich von Funktionen und Relationen
Definitions- und Wertebereich von Funktionen und Relationen -E -E2 -E3 Wiederholung: Definition einer Funktionen Definition: Unter einer Funktion versteht man eine Vorschrift, die jedem Element x aus einer
MehrHausdorff-Maß und Hausdorff-Dimension. Jens Krüger
Hausdorff-Maß und Hausdorff-Dimension Jens Krüger Inhaltsverzeichnis 1 Einleitung 2 2 Grundlagen aus der Maßtheorie 3 3 Die Konstruktion des Hausdorff-Maßes 4 4 Eigenschaften des Hausdorff-Maßes und Hausdorff-Dimension
MehrFunktionen. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Ihre Fragen Funktionen SetlX Funktionen Verkettung und Mehrstelligkeit
Funktionen Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Funktionen Slide 1/23 Agenda Ihre Fragen Funktionen SetlX Funktionen Verkettung und Mehrstelligkeit Diskrete
MehrKonvergenz von Folgen
6 Konvergenz von Folgen Definition 6.1 Eine Folge in C (oder R) ist eine Abbildung f : N C (oder R). Schreibweise: (a n ) n N, (a n ), a 1, a 2... wobei a n = f(n). Beispiele: 1) (1 + 2 n ) n N, 3 2, 5
Mehr