Der Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen, unscharf.
|
|
- Alma Kruse
- vor 6 Jahren
- Abrufe
Transkript
1 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, unscharf. Im Jahre 964 entwickelte der Amerikaner Lotfi Zadeh seine Theorie der Fuzzy logic und erntete aufgrund des unpräzisen, scheinbar unwissenschaftlichen, der formalen Mathematik widersprechenden Ansatzes Spott und Verachtung. Die Japaner waren die ersten, die die Unschärfe in der realen Welt erkannten und die Zadeh entwickelte Theorie in der Steuerungs- und Reglungstechnik nutzten und mit ihren fuzzygesteuerten Haushaltsgeräten den Markt eroberten und mittlerweile Millionen Dollar in diesem Geschäft verdienten. Heute hat die Fuzzy logic in der Computertechnik ihren festen Platz. Die boolsche Algebra mit ihrer Beschränkung auf 0 und, schwarz und weiß, bzw. und falsch, ist durchbrochen. Die in unserer realen Welt mannigfaltig vorkommenden Grautöne lassen sich computertechnisch abbilden und verarbeiten. Dafür genügen meist nur ein paar wenige Daten, die auf Erfahrungen beruhen und nicht 00 %ig exakt sein müssen. Das macht die fuzzygesteuerten Systeme so robust und vor allem handhabbar. Viele auf exakter Mathematik beruhenden Simulationsmodelle, die eine Unmenge Daten benötigen, versagen gegenüber der unscharfen Modelle. Fuzzy logic entwickelt Waschmaschinen, Staubsauger, Camcorder Unsere reale Welt ist geprägt Grautönen, also Unschärfen Jede neue Technik bringt gerade in der relativ jungen Wissenschaft der Informatik eine enorme Euphorie zu Tage. Um die Fuzzy logic ist diese mittlerweile verklungen. Die eierlegende Wollmilchsau gibt es nicht, oft bildet die Fuzzy logic in heterogenen Systemen einen integrierten Bestandteil. Arbeitsblätter Einführung in die Fuzzy logic Seite
2 . Beispiele zur Idee - die Straßenkreuzung: Dieses Quadrat hat scharfe Grenzen; es gehört zur Menge beider Straßen - der Sandhaufen Wann ist ein Haufen ein Haufen? - der kahle Kopf (Glatze)... wann hat ein Mann eine Glatze? - Wang s Paradoxum: es gilt: x ist eine kleine Zahl. so gilt: x + ist auch eine kleine Zahl.... x + + ist auch eine kleine Zahl... Suchen Sie selbst Beispiele aus der realen Welt Mill. ist eine kleine Zahl, wo ist das Ende? - Flüsse Nil Hudson Donau Rhein Mississipi (480 mls.) ( 306 mls.) ( 766 mls.) ( 820 mls.) ( 2348 mls.) Ist der Fluß lang? T/F Spätenstens hier muß man Vergleichskriterien anbringen, also der Wert allein sagt noch nichts aus, eine Information entsteht erst durch den Zusammenhang zwischen mehreren Daten. So hängt die Wahrheit über die Aussage: Der Fluß ist lang Eigenschaften der Menge ab (Weltflüsse, Flüsse in Europa,...). Diese Eigenschaften können durchaus subjektiv geprägt und unsicher sein. Zwischen und falsch ( und 0) gibt es noch viele Zwischenwerte (Grautöne). Die Fuzzy logic macht sich diese Zwischenwerte zu eigen. Nil Hudson Donau (480 mls.) ( 306 mls.) ( 766 mls.) Weisen Sie den Flußlängen Werte zwischen 0 und zu. Arbeitsblätter Einführung in die Fuzzy logic Seite 2
3 Rhein ( 820 mls.) Mississipi ( 2348 mls.) In der menschlichen Sprache nutzt man dafür keine Zahlen, sondern Wörter als unscharfe Wahrheitswerte (sehr viel, sehr, ziemlich warm, nicht sehr viel, nicht sehr groß, mittelmäßig, selten...) Fallen Ihnen weitere Beispiele ein? Man nennt solche unscharfen Beschreibungen linguistische Variablen, die einem bestimmten Gültigkeitsbereich zugeordnet sind und zwischen 0 und der Wahrheit entsprechen. Jede linguistische Variable bildet also eine unscharfe Menge, ein Fuzzy Set. Alle FuzzySets eines Prozesses werden Zugehörigkeitsfunktionen genannt. Hier ein Beispiel: Die Temperaturbereiche eines Kessels lassen sich in niedrig, mittel, hoch und sehr hoch einteilen. Laut Erfahrungen des Bedienpersonals ist die Temperatur niedrig mittel hoch sehr hoch 0-00 C C C C 0 Geometrisch lassen sich diese FuzzySets u.a. als Dreiecksfunktionen darstellen: Wahrheitsgehalt niedrig mittel hoch sehr hoch Fuzzy Sets basieren auf Erfahrungen T [ C] Wie arbeitet man nun mit solchen fusseligen Aussagen? Bleiben wir hier bei diesem Beispiel: Ein bestimmter, exakter Wert soll einem oder mehreren Fuzzysets zugeordnet werden, um die analoge Beschreibung zu erhalten. Diese braucht man schließlich, um später mit einem unscharfen Regelsystem arbeiten zu können. Arbeitsblätter Einführung in die Fuzzy logic Seite 3
4 Unser Eingangswert sei 225 C. Wahrheitsgehalt 0,2 0 niedrig mittel hoch sehr hoch T [ C] Fuzzifizierung ist die Überführung der exakten, digitalen Größe in eine analoge unscharfe Beschreibung Die Zugehörigkeit zu den einzelnen FuzzySets kann wie folgt beschrieben werden: 225 C entspricht zu 20 % einer hohen Temperatur zu 80 % einer mittleren Temperatur Beispiele für analoge Beschreibungen: Wenn es sehr kalt im Raum ist, so öffne die Heizung Wenn es nicht warm genug ist, so öffne die Heizung ein wenig. Ich besuche Dich gegen 3.00 Uhr. Ich besuche Dich Punkt 3.00 Uhr. Diese Aussage ist ungenau, aber mit großer Wahrscheinlichkeit richtig. Diese Aussage ist exakt, aber mit großer Wahrscheinlichkeit falsch. Wie gehen Sie beim Einparken eines Autos in eine Parklücke vor? Wozu muß nun eigentlich fuzzifiziert werden, wenn man doch so schöne exakte Eingangsdaten hat? Diese exakten Angaben nutzen in der Praxis doch wenig, weil hier auch sehr viele Aussagen auf Ungenauigkeiten beruhen: Iß nicht so viel! Fahr nicht so schnell! Das ist aber teuer. Wenn Du wenig verträgst, dann trinke nicht so viel! Wenn Du oft in Stralsund zu tun hast, dann ziehe in die Nähe der Stadt. Wieviel Kekse? Wieviel km/h? Wieviel DM? Arbeitsblätter Einführung in die Fuzzy logic Seite 4
5 Beim Steuern Prozessen bewirken unscharfe Eingangsgrößen auch unscharfe Ausgänge (Faustregeln). Da die Steuerung Prozessen meistens mehreren Kriterien abhängt und diese noch dazu unscharf sind, wird für alle darin auftretenden linguistischen Variablen FuzzySets beschrieben, also für Eingangs- und Ausgangsgrößen. Danach wird ein Regelsystem aufgestellt, in dem Eingangs- und Ausgangsgrößen einander abhängig sind. also z.b.:. Wenn die Temperatur hoch und der Druck mittelmäßig ist, so ist das Ventil ein wenig zu öffnen. 2. Wenn die Temperatur niedrig und der Druck niedrig ist, so ist das Ventil weit zu öffnen. usw. Nachdem die Eingangsgrößen fuzzifiziert wurden, werden alle Regeln ausgewertet. Nicht jede Regel gilt für einen bestimmten Zustand, die eine mehr, die andere weniger. Die einzelnen Anteile der FuzzySets jeder gültigen Regel werden überlagert. Je nachdem erhält man einen breiten Bereich, in dem die zu steuernde Ausgangsgröße liegt. Das nutzt zum Steuern nicht viel. Also muß der Bereich in eine exakte Ausgangsgröße umgewandelt werden. Das erhält man durch die Ermittlung des Schwerpunktes (exakt). Die Ausgangsgröße Ventilöffnung könnte z.b. so aussehen: weit sehr weit Ein Regelsystem beschreibt alle Zustände eines Systems. Defuzzifizierung ist die Umwandlung der unscharfen Ergebnisse in einen exakten Wert. Wahrheitsgehalt Ventilöffnung [m³] 3,75 defuzzifizierter, exakter Wert Und nun wünsche ich für unser Beispiel, das Ballonfahren, eine weiche Landung. Arbeitsblätter Einführung in die Fuzzy logic Seite 5
6 Arbeitsblätter Einführung in die Fuzzy logic Seite 6
Fuzzy Logic. Fuzzy Sets & Fuzzy Logic - Geographische Informationsverarbeitung mit Unsicherem Wissen
Fuzzy Logic Fuzzy Sets & Fuzzy Logic - Geographische Informationsverarbeitung mit Unsicherem Wissen März 2003 M. Rigling Seite 2/2 Zusammenfassung-FuzzyLogic.doc Inhaltsverzeichnis: Fuzzy Logic 1. Was
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 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:
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
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
MehrFuzzy-Systeme zur Unterstützung von Entscheidungen in land- und forstwirtschaftlichen Logistik-Prozessen
Fuzzy-Systeme zur Unterstützung von Entscheidungen in land- und forstwirtschaftlichen Logistik-Prozessen Steve Schneider Logistik- und Fabriksysteme Fraunhofer Institut für Fabrikbetrieb und -automatisierung
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
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.
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
MehrNichts als die mathematische Wahrheit
1 Nichts als die mathematische Wahrheit Holger Stephan Weierstraß Institut für Angewandte Analysis und Stochastik (WIAS), Berlin Lange Nacht der Wissenschaften 10. Mai 2014 2 Anregungen zu folgenden Fragen
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
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
MehrTechnische Informatik - Eine Einführung
Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Technische Informatik - Eine Einführung Boolesche Funktionen - Grundlagen
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
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 6: Formale Logik Einführung schulz@eprover.org Formale Logik Ziel Formalisierung und Automatisierung rationalen Denkens Rational richtige Ableitung von
MehrRezension zum Aufsatz von Wolfgang Klafki: "Studien zur Bildungstheorie und Didaktik"
Pädagogik Simone Strasser Rezension zum Aufsatz von Wolfgang Klafki: "Studien zur Bildungstheorie und Didaktik" Rezension / Literaturbericht Rezension zum Aufsatz von Wolfang Klafki: Studien zur Bildungstheorie
MehrVorlesung. Beweise und Logisches Schließen
Vorlesung Beweise und Logisches Schließen Der folgende Abschnitt dient nur zur Wiederholung des Stoffes der ersten Vorlesung und sollten nur genannt bzw. Teilweise schon vor der Vorlesung angeschrieben
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,
MehrLogische Grundlagen der Mathematik, WS 2014/15
Logische Grundlagen der Mathematik, WS 2014/15 Thomas Timmermann 16. Oktober 2014 1 Einleitung Literatur Paul.R. Halmos, Naive Set Theory Ralf Schindler, Logische Grundlagen der Mathematik Peter J. Cameron,
Mehr3. Übung zur Vorlesung Steuer- und Regelungstechnik
3. Übung zur Vorlesung Steuer- und Regelungstechnik Linearisierung Felix Goßmann M.Sc. Institut für Steuer- und Regelungstechnik Fakultät für Luft- und Raumfahrttechnik Universität der Bundeswehr München
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
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 3: Alphabete (und Relationen, Funktionen, Aussagenlogik) Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Oktober 2008 1/18 Überblick Alphabete ASCII Unicode
MehrVorkurs Mathematik 2016
Vorkurs Mathematik 2016 WWU Münster, Fachbereich Mathematik und Informatik PD Dr. K. Halupczok Skript VK1 vom 8.9.2016 VK1: Logik Die Kunst des Schlussfolgerns Denition 1: Eine Aussage ist ein sprachliches
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,
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrTheorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie
Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe
MehrMethoden der KI in der Biomedizin Unsicheres Schließen
Methoden der KI in der Biomedizin Unsicheres Schließen Karl D. Fritscher Motivation Insofern sich die Gesetze der Mathematik auf die Wirklichkeit beziehen, sind sie nicht sicher. Und insofern sie sich
MehrMathematische Grundlagen I Logik und Algebra
Logik und Algebra Dr. Tim Haga 21. Oktober 2016 1 Aussagenlogik Erste Begriffe Logische Operatoren Disjunktive und Konjunktive Normalformen Logisches Schließen Dr. Tim Haga 1 / 21 Präliminarien Letzte
MehrDigitalelektronik Einführung Prof. Metzler
Digitalelektronik Einführung 1 Prof. Uwe Metzler Hochschule für Technik und Wirtschaft FB 1, Studiengänge IKT (BA) & (MA) Wilhelminenhofstr. 75A 12459 Berlin Raum C 307 Tel.: 5019-3211 Email: uwe.metzler@htw-berlin.de
MehrGrundlagen der Mathematik
Universität Hamburg Winter 2016/17 Fachbereich Mathematik Janko Latschev Grundlagen der Mathematik Lösungsskizzen 2 Präsenzaufgaben (P2) Wir betrachten drei Teilmengen der natürlichen Zahlen: - A = {n
MehrProf. Dr. Jürgen Neyer. Einführung in die Politikwissenschaft. - Was ist Wissenschaft? Di
Prof. Dr. Jürgen Neyer Einführung in die Politikwissenschaft - 25.4.2008 Di 11-15-12.45 Wissenschaft ist die Tätigkeit des Erwerbs von Wissen durch Forschung, seine Weitergabe durch Lehre, der gesellschaftliche,
MehrWas ist Informatik? Alexander Lange
Was ist Informatik? Was ist Informatik? Alexander Lange 12.11.2003 Was ist Informatik? Inhalt 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. Das Wort»Informatik«Die Idee Teilgebiete der Informatik Technische Informatik
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,
MehrSemantik und Pragmatik
1/17 Semantik und Pragmatik 15. Mai 2006 Gerhard Jäger Satzsemantik 2/17 Erklärungsanspruch der Satzsemantik Wahrheitsbedingungen von Aussagensätzen Bedeutungsbeziehungen zwischen (Aussage-)Sätzen Kompositionale
Mehr7 Gültigkeit und logische Form von Argumenten
7 Gültigkeit und logische Form von Argumenten Zwischenresümee 1. Logik ist ein grundlegender Teil der Lehre vom richtigen Argumentieren. 2. Speziell geht es der Logik um einen spezifischen Aspekt der Güte
MehrFachbereich Arbeit Wirtschaft Technik Informatik
KGS Rastede Handlungsbereich 1 Arbeiten und Produzieren Themenfeld 1: Planen, Konstruieren und Herstellen Themenfeld 2: Technische Kommunikation Fachbereich Arbeit Wirtschaft Technik Informatik Schulinterner
MehrDiese Aufgaben sind ohne Taschenrechner in maximal 45 Minuten zu lösen. Die Formelsammlung und deine Zeichengeräte darfst du benutzen.
Liebe Schülerin, lieber Schüler! Die Abschlussarbeit besteht aus zwei Heften. Heft 1 Kurzformaufgaben Diese Aufgaben sind ohne Taschenrechner in maximal 45 Minuten zu lösen. Die Formelsammlung und deine
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
MehrEinführung Grundbegriffe
Einführung Grundbegriffe 1.1 Der Modellbegriff Broy: Informatik 1, Springer 1998 (2) Die Modellbildung der Informatik zielt auf die Darstellung der unter dem Gesichtspunkt einer gegebenen Aufgabenstellung
MehrReglungstechnik Einführung Seite 1 von 10
Reglungstechnik Einführung Seite 1 von 10 Seite A Kessel-Wasser-Temperatur-Regelung 1 B Kessel-Wasser-Temperatur-Regelung (witterungsgeführt) 3 C Vorlauf-Temperatur-Regelung (witterungsgeführt) 4 D Fußboden-Heizungs-Temperatur-Regelung
MehrFuzzy-Logik basiertes Credit-Rating
Fuzzy-Logik basiertes Credit-Rating Zielsetzung des Fuzzy-Logik basierten Expertensystems (I) Überwindung der Nachteile moderner Rating-Verfahren durch Aufbau eines für den Anwender transparenten Systems
MehrKleiner Ausflug in Logik und Verkehrssteuerung
Kleiner usflug in Logik und Verkehrssteuerung Ein logisches Rätsel usgangslage: Drei Frauen stehen hintereinander. Jede trägt einen Hut auf dem Kopf und sieht nur die Hüte der voran stehenden Personen.
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10
MehrZusammenfassung. Definition. 1 (x i ) 1 i n Sequenz von Registern x i, die natürliche Zahlen beinhalten. 2 P ein Programm. Befehle: 1 x i := x i + 1
Zusammenfassung Zusammenfassung der letzten LVA Einführung in die Theoretische Informatik Christina Kohl Alexander Maringele Georg Moser Michael Schaper Manuel Schneckenreither Eine Registermaschine (RM)
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
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
MehrStefan Ruzika. 24. April 2016
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 2: Körper 24. April 2016 1 / 21 Gliederung 1 1 Schulstoff 2 Körper Definition eines Körpers
MehrWürzburg. Gleichungen 1 E1. Vorkurs, Mathematik
Würzburg Gleichungen E Diophantos von Aleandria einer der Begründer der Algebra Diophantos von Aleandria (um 250 n. Chr.), griechischer Mathematiker. Diophantos behandelte lineare und quadratische Gleichungen.
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 1 25.04.2017 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Grundlegende Beweisstrategien Induktion über
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
MehrDie Fuzzy-Logik als methodischer Ansatz in der wissensbasierten Informationsverarbeitung
Ilka Kürbis, Ruhr-Universität Bochum, 20.Jan. 200 Die Fuzzy-Logik als methodischer Ansatz in der wissensbasierten Informationsverarbeitung am Fallbeispiel der Bewertung von luftchemischen Messdaten Logik
MehrIngenieurinformatik. Einführung in die Programmiersprache C
Ingenieurinformatik Einführung in die Programmiersprache C 1 Das Modul Ingenieurinformatik wird in den Bachelorstudiengängen Maschinenbau, Fahrzeugtechnik, Luft- und Raumfahrt angeboten Teil 1: Grundlagen
MehrEinführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern)
Seminar Datenverarbeitung SS 98 Einführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern) Bearbeiter: Michael Hubo Betreuer: Matthias Ortmann Inhaltsverzeichnis 1. MOTIVATION...2 2. WAS BEDEUTET FUZZY-LOGIK?...2
MehrGeisteswissenschaft. Robin Materne. Utilitarismus. Essay
Geisteswissenschaft Robin Materne Utilitarismus Essay Essay IV Utilitarismus Von Robin Materne Einführung in die praktische Philosophie 24. Juni 2011 1 Essay IV Utilitarismus Iphigenie: Um Guts zu tun,
Mehr1. Welche Stadt hat mehr Einwohner: München oder Hamburg? 2. Welches Bundesland ist größer: Bayern oder Nordrhein-Westfalen?
Übung 1 Komparativquiz Fragen Sie sich gegenseitig. 1. Welche Stadt hat mehr Einwohner: München oder Hamburg? 2. Welches Bundesland ist größer: Bayern oder Nordrhein-Westfalen? 3. Welches Bundesland hat
MehrTheorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie
Theorie der Informatik 17. März 2014 6. Formale Sprachen und Grammatiken Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 6.1 Einführung
Mehr4.1.1 Kelvin-Planck-Formulierung des 2. Hauptsatzes der Thermodynamik. Thermischer Wirkungsgrad einer Arbeitsmaschine:
4. Zweiter Hauptsatz der Thermodynamik 4.1. Klassische Formulierungen 4.1.1 Kelvin-Planck-Formulierung des 2. Hauptsatzes der Thermodynamik Thermischer Wirkungsgrad einer Arbeitsmaschine: Beispiel Ottomotor
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.............................
Mehr3 Fuzzifizierung. 3.1 Grundbegriffe
3 Fuzzifizierung 3.1 Grundbegriffe Sicherlich haben Sie schon einmal Laufkatzen - das sind Kräne wie in Abb. 3.1 - bei ihrer Arbeit beobachtet. Um die Last vom Waggon auf den Truck zu befördern, muss der
MehrEinführung: Logik und SetlX
Einführung: Logik und SetlX Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Einführung: Logik und SetlX Slide 1/17 Agenda Sprachliche Logik Logik im antiken Griechenland
MehrBasisanforderungen: Erweiterte Anforderungen: Das fertige Protokoll bitte im Aufgabentool von I-Serv unter Abgaben hochladen!
Basisanforderungen: 1. Erstelle das Modell der Temperaturregelung inkl. Programmierung. 2. Erläutere den Unterschied zwischen einer Steuerung und einer Regelung. 3. Benenne die Sensoren und Aktoren dieser
MehrGrundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
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
MehrKonzepte der AI. Unsicheres Schließen
Konzepte der AI Unsicheres Schließen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 1. Einführung Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Formale Logik Ziel Formalisierung und Automatisierung rationalen
MehrElementare Mengenlehre
Vorkurs Mathematik, PD Dr. K. Halupczok WWU Münster Fachbereich Mathematik und Informatik 5.9.2013 Ÿ2 Elementare Mengenlehre Der grundlegendste Begri, mit dem Objekte und Strukturen der Mathematik (Zahlen,
MehrAND -logische Multiplikation
Posten: AND-logische Multiplikation Informationsblatt für die Lehrkraft AND -logische Multiplikation X X OR Y Y Posten: AND-logische Multiplikation Informationsblatt für die Lehrkraft Thema: Schultyp:
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,]
MehrDigitalelektronik - Inhalt
Digitalelektronik - Inhalt Grundlagen Signale und Werte Rechenregeln, Verknüpfungsregeln Boolesche Algebra, Funktionsdarstellungen Codes Schaltungsentwurf Kombinatorik Sequentielle Schaltungen Entwurfswerkzeuge
MehrFunktionen in der Mathematik
R. Brinkmann http://brinkmann-du.de Seite 05.0.008 Funktionen in der Mathematik Bei der mathematischen Betrachtung natürlicher, technischer oder auch alltäglicher Vorgänge hängt der Wert einer Größe oft
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 3: Alphabete, Abbildungen, Aussagenlogik Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/32 Überblick Alphabete
Mehr12. Übung Künstliche Intelligenz Wintersemester 2006/2007
12. Übung Künstliche Intelligenz Wintersemester 2006/2007 1. Contraints und Heuristiken Prof. Dr. Gerd Stumme, Miranda Grahl Fachgebiet Wissensverarbeitung 09.02.2006, mgr@cs.uni-kassel.de a) Beschreibe
MehrEinführung in die Informatik: Programmierung und Software-Entwicklung, WS 12/13. Kapitel 3. Grunddatentypen, Ausdrücke und Variable
1 Kapitel 3 Grunddatentypen, Ausdrücke und Variable 2 Eine Datenstruktur besteht aus Grunddatentypen in Java einer Menge von Daten (Werten) charakteristischen Operationen Datenstrukturen werden mit einem
MehrParadoxien der Replikation
Joachim Stiller Paradoxien der Replikation Alle Rechte vorbehalten Paradoxien Die Paradoxien (Wiki) Hier einmal Auszüge aus dem Wiki-Artikel zum Begriff Paradoxon Ein Paradox(on) (auch Paradoxie, Plural
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 3 Tautologien In der letzten Vorlesung haben wir erklärt, wie man ausgehend von einer Wahrheitsbelegung λ der Aussagevariablen
Mehr2.2.4 Logische Äquivalenz
2.2.4 Logische Äquivalenz (I) Penélope raucht nicht und sie trinkt nicht. (II) Es ist nicht der Fall, dass Penélope raucht oder trinkt. Offenbar behaupten beide Aussagen denselben Sachverhalt, sie unterscheiden
MehrKapitel 2 - Die Definitionsphase
Kapitel 2 - Die Definitionsphase SWT I Sommersemester 2010 Walter F. Tichy, Andreas Höfer, Korbinian Molitorisz IPD Tichy, Fakultät für Informatik KIT die Kooperation von Forschungszentrum Karlsruhe GmbH
Mehr1.1 Motivation. Theorie der Informatik. Theorie der Informatik. 1.1 Motivation. 1.2 Syntax. 1.3 Semantik. 1.4 Formeleigenschaften. 1.
Theorie der Informatik 19. Februar 2014 1. Aussagenlogik I Theorie der Informatik 1. Aussagenlogik I Malte Helmert Gabriele Röger Universität Basel 19. Februar 2014 1.1 Motivation 1.2 Syntax 1.3 Semantik
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
MehrPrimer: Inferenzstatistik 1.0
: 1.0 Dr. Malte Persike persike@uni-mainz.de methodenlehre.com twitter.com/methodenlehre methodenlehre.com/g+ iversity.org/schoolinger Inhalte der nächsten Minuten Die Frage aller Fragen: Ist etwas groß?
Mehr2. Vorlesung: Boolesche Algebra
2. Vorlesung: Boolesche Algebra Wiederholung Codierung, Decodierung Boolesche Algebra UND-, ODER-Verknüpfung, Negation Boolesche Postulate Boolesche Gesetze 1 Wiederholung 2 Bits und Bitfolgen Bit: Maßeinheit
MehrVorlesung Mathematik I für Wirtschaftswissenschaftler. Universität Leipzig, WS 16/17
Vorlesung Mathematik I für Wirtschaftswissenschaftler Universität Leipzig, WS 16/17 Prof. Dr. Bernd Kirchheim Mathematisches Institut kirchheim@math.uni-leipzig.de 1 / 19 Dies ist der Foliensatz zur Vorlesung
MehrBohm sche Mechanik. Determinismus in der Quantenmechanik. Sven Köppel Mirko Pohland. 9. Juni, Fachbereich 13, Physik
Determinismus in Quantenmechanik Sven Köppel Mirko Pohland Fachbereich 13, Physik 9. Juni, 2011 Ergebnisse an landläufigen Quantenmechanik ähnlich wie in Thermodynamik wäre es möglich, dass die Quantenmechanik
MehrInhaltsverzeichnis. Inhaltsverzeichnis
Inhaltsverzeichnis Inhaltsverzeichnis 1 Beweistechniken 1.1 Prädikatenlogik..................................... 1. Direkter Beweis.................................... 3 1.3 Indirekter Beweis....................................
Mehr4 Inferenz und Defuzzifizierung
4 Inferenz und Defuzzifizierung In diesem Kapitel werden wir unser erstes Fuzzyprojekt erstellen; eine einfache Laufkatzenregelung ist unser Ziel. Und damit Sie auch gleich sehen, dass das Projekt funktionstüchtig
MehrAngewandte Aufgaben für lineare Gleichungen
Vorbereitungskurs Mathematik für die FHNW-Aufnahmeprüfung Seite 1/5 Angewandte Aufgaben für lineare Gleichungen Gleichungen sind ein Hilfsmittel, mit dem schwierige Probleme systematisch in lösbare Teilprobleme
MehrInformationsverarbeitung auf Bitebene
Informationsverarbeitung auf Bitebene Dr. Christian Herta 5. November 2005 Einführung in die Informatik - Informationsverarbeitung auf Bitebene Dr. Christian Herta Grundlagen der Informationverarbeitung
Mehr1. Grundlagen der Informatik Boolesche Algebra / Aussagenlogik
1. Grundlagen der Informatik Boolesche Algebra / Aussagenlogik Inhalt Grundlagen digitaler Systeme Boolesche Algebra / Aussagenlogik Organisation und Architektur von Rechnern Algorithmen, Darstellung von
MehrUnd was ist mit den Fischen?
Und was ist mit den Fischen? Das Wasser ist auch Lebensraum für viele Tiere. Welche Tiere leben im Wasser? Sicher fallen dir gleich die Fische ein. Es gibt aber noch viel mehr Wasserbewohner! Hast du schon
Mehr1.3 Gleichungen und Ungleichungen
1.3 Gleichungen und Ungleichungen Ein zentrales Thema der Algebra ist das Lösen von Gleichungen. Ganz einfach ist dies für sogenannte lineare Gleichungen a x = b Wenn hier a 0 ist, können wir beide Seiten
Mehrb. Lehre des vernünftigen Schlussfolgerns (1. System von Regeln von Aristoteles ( v. Chr.); sprachliche Argumente
II. Zur Logik 1. Bemerkungen zur Logik a. Logisches Gebäude der Mathematik: wenige Axiome (sich nicht widersprechende Aussagen) bilden die Grundlage; darauf aufbauend Lehrsätze unter Berücksichtigung der
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.
Mehr- WÄRMEDEHNUNG - WÄRMEDEHNUNG
- WÄRMEDEHNUNG - WÄRMEDEHNUNG Wie allgemein bekannt, ist es eine Eigenschaft von Metall, sich bei Erwärmung auszudehnen. Abhängig von der Temperatur des durchströmenden Dampfes oder Kondensats ändert sich
MehrVorlesung. Vollständige Induktion 1
WS 015/16 Vorlesung Vollständige Induktion 1 1 Einführung Bei der vollständigen Induktion handelt es sich um ein wichtiges mathematisches Beweisverfahren, mit dem man Aussagen, die für alle natürlichen
MehrEinführung in die Mathematik (Vorkurs 1 )
Einführung in die Mathematik (Vorkurs 1 ) Wintersemester 2008/09 Dr. J. Jordan Institut für Mathematik Universität Würzburg Germany 1 Modulbezeichnung 10-M-VKM 1 Inhaltsverzeichnis 1 Aussagen und Beweise
MehrGrundlegendes der Mathematik
Kapitel 2 Grundlegendes der Mathematik (Prof. Udo Hebisch) 2.1 Logik Unter einer Aussage versteht man in der Mathematik einen in einer natürlichen oder formalen Sprache formulierten Satz, für den eindeutig
MehrEnergiequellen, Energie nutzen und sparen N_06d_82
Energiequellen, Energie nutzen und sparen N_06d_82 Wir Menschen benötigen für Vieles Energie. Auf der Erde gibt es verschiedene Energiequellen. Aus diesen wird Energie in andere Formen umgewandelt. Der
Mehr12 Digitale Logikschaltungen
2 Digitale Logikschaltungen Die Digitaltechnik ist in allen elektronischen Geräte vorhanden (z.b. Computer, Mobiltelefone, Spielkonsolen, Taschenrechner und vieles mehr), denn diese Geräte arbeiten hauptsächlich
MehrSeminar Imperfektion und Datenbanken WS 2003/2004
Fuzzy Logik im Einsatz der Automobilindustrie Beispiele, wie hilfreich die Fuzzy Logik in der Automobilindustrie ist: Antiblockiersystem Automatisches Schalten Simulation von Abstandhalten Simulation von
MehrAnpassung von Data-Warehouse-Techniken für den Einsatz unsicherer Verkehrsdaten
Diplomvortrag Anpassung von Data-Warehouse-Techniken für den entstanden im Rahmen des OVID-Projektes Institut für Programmstrukturen und Datenorganisation Verantwortlicher Betreuer: Prof. Dr.-Ing. Klemens
Mehr