Kapitel IX. Unscharfes Wissen. Unscharfes Wissen. IX Fuzzy Logic c Stein/Lettmann 2004/2005. IX. Fuzzy-Logik:
|
|
- Jürgen Beckenbauer
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel IX IX. Fuzzy-Logik: Einführung Fuzzy-Mengen Eigenschaften des Folgerungsbegriffs Modifizierer von Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung Unscharfes Wissen Impräzision: Wissen besteht aus mehreren (präzisen) Alternativen. Herr Meier ist zwischen 2 und 3 Jahre alt. Unsicherheit (objektive Unschärfe): Die Wahrheit einer Aussage ist nicht klar. Sowohl präzise als auch unpräzise Aussagen können unsicher sein. Paderborn liegt (exakt) 2m über NN. Vagheit (subjektive Unschärfe): Die Aussage ist eher qualitativ. Das Büro E4.5 ist groß. 2 Unscharfes Wissen Nach einem zweitägigen Marsch ohne Wasser durch die Wüste treffen Sie einen Beduinen, der ihnen zwei Flaschen mit Getränken gibt zusammen mit folgender Information: Flasche enthält mit 9-prozentiger Wahrscheinlichkeit ein ungiftiges Getränk, aber die Flasche könnte auch ein tödliches Gift enthalten. Flasche 2 enthält ein Getränk, das mit dem Zugehörigkeitsgrad von maximal zu den tödlichen Giften gehört. Frage: Aus welcher Flasche trinken Sie? 3
2 Ursachen für Unschärfe Unwissenheit Default-Reasoning Fakten zwar nicht bekannt, aber Normalfall bekannt. Stochastik (Bayes) Häufigkeitsverteilung der möglichen Werte ist bekannt. Sicherheitsfaktoren, Evidenztheorie Häufigkeitsverteilung der möglichen Werte ist nicht bekannt. Ungenauigkeit, z.b. Meßungenauigkeiten Intervallarithmetik Qualitative Abstraktion Fuzzy-Logik Vagheit der Begriffe Fuzzy-Logik Theorie der groben Mengen Meinungsäußerung epistemische Logik 4 Unscharfes Schlußfolgern Formel. A B Kontext C mit Interpretation. A B C mit Interpretation zu Zeitpunkten t. t A B Situation: Die Regel A B gilt meistens. Ziel: Wissen über Wahrheit, Wahrscheinlichkeit, (Grad der) Möglichkeit von gegebenen Aussagen, Ereignissen, Zuständen etc. auf andere Aussagen, Ereignisse, Zustände etc. zu übertragen. 5 Unscharfes Schlußfolgern Ansätze zur Verarbeitung von unsicheren Regeln : MYCIN-Ansatz. Verarbeitung von unsicheren Ursache-Wirkungs-Beziehungen zur Diagnose mittels Konfidenzfaktoren. Dempster-Shafer Theorie. Verarbeitung von Unwissenheit mittels Evidenzen. Data-Mining. Bewertung von Regeln mittels Support und Confidence innerhalb einer gegebenen Stichprobe. Bei der Fuzzy-Theorie geht es nicht um Unwissenheit, sondern um Unschärfe (Vagheit und Ungenauigkeit). 6
3 Schlußfolgern mit unscharfen Beschreibungen Fuzzy-Theorie dient zur qualitativen Beschreibung quantitativer Sachverhalte. IF THEN Gewicht ist hoch Lebenserwartung ist gering Wann hat man ein hohes Gewicht? Aussage Gewicht 8kg Gewicht ist hoch IF THEN Gewicht ist hoch Lebensqualität ist gering Die Lebensqualität läßt sich nicht quantitativ messen. 7 Geschichte 92: Erste Fuzzy-Systeme, vorgeschlagen von Lukasiewicz. Beobachtung: Terme wie tall, old oder hot lassen sich nur schwer unter dem Aristotelischen Wahrheitsbegriff wahr oder falsch (,) fassen. Um 92: Lukasiewicz erweitert das System der Logik auf alle reellen Zahlen in [,]. Eine Zahl aus [,] beschreibt die Möglichkeit (possibility), ob eine Aussage wahr oder falsch ist. Forschungen führten zur (unscharfen) Schlußfolgerungstechnik der Possibilitätstheorie. 965: Zadeh entwickelt die Possibilitätstheorie zu einem formalen, logischen System. Insbesondere entstehen Konzepte zur Beschreibung und Verarbeitung von Ausdrücken der natürlichen Sprache. 8 Geschichte Ende der 8er: Japanische Industrie greift die Fuzzy-Theorie auf und verwendet Konzepte und Methoden in zahlreichen industriellen Anwendungen. Eine Prämisse der Fuzzy-Theorie ist die Unvereinbarkeit hoher Komplexität und hoher Präzision: Überall dort, wo eine Problemlösung Toleranzen in der Formulierung und Verarbeitung zuläßt, können diese Toleranzen ausgenutzt werden, um eine weniger exakte und dennoch ausreichende Lösung zu erreichen. Darüberhinaus ermöglicht die Fuzzy-Theorie/Logik, komplexe Zusammenhänge einfach (abstrakt, vom Prinzip her) zu beschreiben. 9
4 Motivation: Linguistische Variablen Fuzzy-Logik beschäftigt sich hauptsächlich mit der Quantifizierung von vagen bzw. unscharfen Begriffen der natürlichen Sprache und dem Schlußfolgern über Aussagen mit diesen Begriffen. Linguistische Variablen bzw. Fuzzy-Variablen. linguistische Variable typische Werte temperature hot, cold height short, medium, tall speed slow, creeping, fast Der Bereich der quantitativen Werte, der einer linguistischen Variablen zu Grunde liegt, heißt Diskursbereich (universe of discourse) oder auch Grundbereich. Jedem der qualitativen Werte der linguistischen Variablen wird eine Fuzzy-Menge über dem Grundbereich zugeordnet. Motivation: Fuzzy-Regeln Fuzzy-Regeln schlußfolgern Informationen bzgl. einer linguistischen Variable in der Regelkonklusion ausgehend von einer linguistischen Variable in der Regelprämisse. IF Speed is slow THEN Make the acceleration high IF AND THEN Temperature is low Pressure is medium Make the speed very slow Der Grundbereich von SPEED könnte [...] km/h sein. Einsatz von Fuzzy-Regeln: Fuzzy-Expertensystemen (Diagnose, Monitoring), Fuzzy-Reglern (Regelungstechnik) Fuzzy-Mengen (Fuzzy Sets) Traditionelle Mengenlehre malt ein Schwarz-Weiß-Bild von der Welt: Gegeben sei eine Menge, dann ist ein Objekt entweder in der Menge oder nicht. Stichwort: scharfe Menge Sei age is young eine Menge, die aus jungen Menschen besteht. Den Elementen in der Menge ist eine, den anderen eine zugeordnet. Wählt man das Alter als Objektmerkmal, so muß ab einem bestimmten Alter die Jugend schlagartig aufhören. 2
5 Fuzzy-Mengen Ausweg: Fuzzy-Menge Eine Graduierung der Zugehörigkeit wird möglich mit Hilfe einer Zugehörigkeitsfunktion µ. Bemerkung: Der Grad der Zugehörigkeit zu einer zu einer Fuzzy-Menge darf nicht mit einer Wahrscheinlichkeit verwechselt werden. Der quantitative Wert aus dem Grundbereich der linguistischen Variablen ist fest..5 scharfe Menge "young" Nur die Zuordnung ist nicht festgelegt, wie der quantitative Wert auf Werte der linguistischen Variablen abbgebildet wird. Wenn beispielsweise von Personen, deren Auffassung man nachbilden will, insgesamt 25 das Alter 7 für jung halten, könnte man für die Fuzzy-Menge young als Zugehörigkeitswert,25 wählen. Fuzzy-Menge "young" 2 age linguistische Variable: age Grundbereich:... Fuzzy-Menge: age is young 3 Fuzzy-Mengen Definition (Fuzzy-Menge, Zugehörigkeitsfunktion) Sei X ein Grundbereich mit Elementen x. EineFuzzy-Menge A von X ist beschrieben durch eine charakteristische Funktion (Zugehörigkeitsfunktion, Membership-Funktion) µ A, die jedem Element x X einen Zugehörigkeitswert µ A(x) [, ] für A zuordnet. µ A : X [, ] x µ A(x) µ A(x)b= Zugehörigkeitsgrad für x in A Vergleich zur klassischen Menge: Sei X ein Grundbereich mit Elementen x. Die Zugehörigkeit eines Elementes x X zur Menge A kann durch eine charakteristische Funktion µ A beschrieben werden als: j, für x A µ A : X {, } µ A(x) =, sonst Zadeh: Fuzzy-Mengen sind Möglichkeitsverteilungen (possibility distribution functions). 4 Fuzzy-Mengen Raumtemperatur Membership Function Membership Function C C 3 Hot 2 Warm Cool Cold - Bivalente Mengen zur Charakterisierung der Raumtemperatur 3 Hot 2 Warm Cool Cold - Fuzzy-Mengen zur Charakterisierung der Raumtemperatur linguistische Variable: temperature mögliche Werte: cold, cool, warm, hot Grundbereich: [-,..., 3] Bivalente Mengen und Fuzzy-Mengen: temperature is cold,... 5
6 Bildung von Fuzzy-Mengen Gegeben ein Konzept A, das als Fuzzy-Menge zu repräsentieren ist. Wie könnte eine Zugehörigkeitsfunktion µ A definiert werden? Befragung von Leuten oder Experten nach ihrem Verständnis bzgl. A mit nachfolgender statistischer Weiterverarbeitung (Glättung, Regression etc.) 6 Bildung von Fuzzy-Mengen Parametrisierter Ansatz: µ(x; c,p)=[+c x x p ] c > ; p> Alter von Menschen mit Grundbereich X =[, ] (, falls x 25 µ (Alter = jung)(x) = h 2i, falls 25 <x +` x 25 5 µ (x) µ jung Jahre 7 Bildung von Fuzzy-Mengen Vergröberung/Vereinfachung von Zwischenwerten durch lineare Interpolation. Größe von Menschen mit Grundbereich X = [5, 22] Linguistische Variabl e height short medium tall Zugehrigkeits werte height [cm] Verschiedene Fuzzy-Mengen über dem gleichen Grundbereich werden auch als Fuzzy-Untermengen (Fuzzy Subsets) bezeichnet. Hier: short, medium, tall Beachte: Ein Element des Grundbereichs kann Mitglied in mehreren Fuzzy-Mengen sein. 8
7 Schreibweise von Fuzzy-Mengen Sei X = {x,x 2,...,x n} ein Grundbereich und A eine hierauf definierte Fuzzy-Menge. A ist definiert durch eine Zugehörigkeitsfunktion µ A(x). Vektorschreibweise (bei einer diskreten und geordneten Menge von Elementen): A =(a,a 2,...,a n) mit a i = µ A(x i) Oft auch geschrieben als: A =(a /x,a 2/x 2,...,a n/x n) mit a i = µ A(x i) tall= (/7,.25/85,.5/9,.75/95,./2) 9 Schreibweise von Fuzzy-Mengen Sei X = {x,x 2,...,x n} ein Grundbereich und A eine hierauf definierte Fuzzy-Menge. A ist definiert durch eine Zugehörigkeitsfunktion µ A(x). Zadeh s Schreibweise: A = µ /x + µ 2/x µ n/x n = bzw. falls X eine unendliche Menge ist: Z A = µ A(x)/x X nx µ A(x i)/x i i= 2 Charakterisierung von Fuzzy-Mengen Definition 2 (Träger, α-schnitt, Höhe, Kardinalität einer Fuzzy-Menge). Träger T (A) einer Fuzzy-Menge A: T (A) ={x x X, µ A(x) > } 2. α-schnitt A α einer Fuzzy-Menge A: A α = {x x X, µ A(x) α} Der -Schnitt A (x) ={x x X, µ A(x) =} von A heißt auch Kern von A. 3. Höhe H(A) einer Fuzzy-Menge A: H(A) = supµ A(x) x X Fuzzy-Mengen mit H(A) =heißen normalisiert (normal), Fuzzy-Mengen mit H(A) < heißen subnormal. Bemerkungen: Träger bzw. α-schnitt einer Fuzzy-Menge sind gewöhnliche Teilmengen des Grundbereichs. Eine Fuzzy-Menge kann mit Hilfe des α-schnitts in eine gewöhnliche Menge umgewandelt (defuzzifiziert) werden: j, wenn µa(x) α µ Aα (x) =, wenn µ A(x) <α Jede Fuzzy-Menge läßt sich durch ihre α-schnitte charakterisieren: Sei A eine Fuzzy-Menge über dem Grundbereich X. Dann gilt für jedes x X µ A(x) =sup{min(α, χ Aα (x)) α [, ]} (χ M bezeichne hier die charakteristische Funktion einer klassischen Menge M.) Es gilt nämlich folgende Beziehung: j α falls µ(x) α min(α, χ Aα (x) = sonst 4. Kardinalität C(A) einer Fuzzy-Menge A: C(A) = X µ A(x) x X 2
8 Charakterisierung von Fuzzy-Mengen Acht Studenten x,x 2,...,x 8 haben in einer Prüfung folgende Punktzahlen bei einer Maximalpunktzahl von 75 erreicht: Student x x 2 x 3 x 4 x 5 x 6 x 7 x 8 Punkte Die Fuzzy-Menge A für gut_bestanden wird definiert durch: Student x x 2 x 3 x 4 x 5 x 6 x 7 x 8 µ A Träger von A: T (A) ={x,x 2,x 3,x 4,x 5,x 6,x 7,x 8} α-schnitt von A für α =.65 und α =.9: A (α=.65) = {x,x 3,x 4,x 5,x 8}, A (α=.9) = {x } Höhe von A: H(A) =sup{.92,.346,.693,.73,...} =.92 Kardinalität von A: C(A) = = Modifizierer für Fuzzy-Mengen Im normalen Sprachgebrauch spielen Adverbien bei der Beschreibung von Konzepten eine wichtige Rolle: Sie modifizieren ein Verb, ein Adjektiv, ein anderes Adverb oder einen Satz. Sprachliche Modifizierer : very, slightly, somewhat, viel, stark, sehr stark, ziemlich Für liguistische Variable mit Werten hierfür werden durch Kombination mit den Modifizierern neue Werte gebildet, für die passende Fuzzy-Mengen angegeben werden können. Fuzzy-Mengen können bzgl. interessierender Modifizierer neu konstruiert aber auch aus vorhandenen Fuzzy-Mengen konstruiert werden (modifizierte Fuzzy-Mengen). 23 Modifizierer für Fuzzy-Mengen Größe von Menschen mit Grundbereich X = [5, 22] linguistische Variable: height Fuzzy-Mengen (Fuzzy-Untermengen): short, medium, tall height short medium tall Zugehrigkeits werte height [cm] very modifizierte Fuzzy-Mengen: very short, very medium, very tall 24
9 Modifizierer für Fuzzy-Mengen Definition 3 (Verstärkung, Aufweichung, Intensivierung einer Fuzzy-Menge) Sei X ein Grundbereichund A eine hierauf definierte Fuzzy-Menge mit Zugehörigkeitsfunktion µ A(x). Typische Modifizierer von A mit den Berechnungsvorschriften für die Zugehörigkeitsfunktionen sind:. Konzentration bzw. Verstärkung sehr (concentration very ): µ CON(A) (x) =(µ A (x)) 2 2. Aufweichung ein bischen, etwas (dilation somewhat, more or less ): q µ DIL(A) (x) = µ A (x) 3. Intensivierung tatsächlich (intensification indeed ): j 2 (µa (x)) 2, falls µ µ INT(A) (x) = A (x).5 2 ( µ A (x)) 2, falls.5 <µ A (x) 4. extra Verstärkung sehr sehr, im höchsten Maße (power very very ): µ POW(A) (x) =(µ A (x)) n, n > 2 25 Modifizierer für Fuzzy-Mengen linguistische Variable: Alter Zugehörigkeitsfunktion: ( x 5 2 +` µ alt = 5 für 5 <x sonst X Fuzzy-Menge: A alt = x=5 +` x x Dann gilt: A sehr alt = A mehr-oder-weniger alt = A weniger alt = X (µ alt(x)) 2 /x = x=5 X (µ alt(x)).5 /x = x=5 X (µ alt(x)).25 /x = x=5 X x=5 X x=5 X x=5 +` x 5 5 +` x 5 5 +` x x 2.5. x x 26 Modifizierer für Fuzzy-Mengen Beispiel (Fortsetzung): linguistische Variable: Alter Grad µ alt µ mehr-oder-weniger alt µ sehr_alt Jahre 27
10 Mengenoperationen auf Fuzzy-Mengen Klassische Mengen A X: Aussagen: x A mit Bedeutung x hat Eigenschaft A Durchschnitt, Vereinigung, Komplement von Mengen entsprechen Konjunktion, Disjunktion, Negation solcher Aussagen, z.b. x A B : (x A und x B) Teilmengenbeziehung entspricht Implikation: A B : x X (x A x B) Fuzzy-Mengen A über X: Aussagen: x hat Eigenschaft A mit Grad µ A(x) Frage: Wie werden Fuzzy-Aussagen verknüpft? 28 Mengenoperationen auf Fuzzy-Mengen Definition 4 (Mengenoperationen auf Fuzzy-Mengen) Sei X ein Grundbereich und A, B hierauf definierte Fuzzy-Mengen mit Zugehörigkeitsfunktionen µ A(x) bzw. µ B(x). Alle Mengenoperationen für Fuzzy-Mengen werden als Verknüpfung der Zugehörigkeitsfunktionen µ A(x) und µ B(x) definiert.. Teilmengenbeziehung für Fuzzy-Mengen: A B µ A(x) µ B(x) für alle x X 2. Gleichheit von Fuzzy-Mengen: A = B µ A(x) =µ B(x) für alle x X Bemerkungen: Aufgrund der Definition ist die Teilmengenbeziehung selbst entweder wahr oder falsch, also eine scharfe Aussage. Auch hier ist eine Abschwächung möglich: Teilmengenbeziehungen gelten zu einem bestimmten Grad. Es gibt eine ganze Reihe unterschiedlicher Definitionen für Fuzzy-Implikationen, wir werden im Zusammenhang mit den Fuzzy-Regeln darauf zurückkommen. Auch die klassischen Mengenoperationen können über die zugehörigen charakteristischen Funktionen definiert werden. Klassische (scharfe) Mengen als Spezialfall der Fuzzy-Mengen sollen mit den entsprechenden Berechnungsvorschriften verarbeitet werden können: Seien A und B scharfe Teilmengen einer Menge X. Dann gilt χ A B =min(χ A,χ B) χ A B =max(χ A,χ B) χ A c = χ A µ A µ B x 29 Mengenoperationen auf Fuzzy-Mengen Fortsetzung der Definition Sei X ein Grundbereich und A, B hierauf definierte Fuzzy-Mengen mit Zugehörigkeitsfunktionen µ A(x) bzw. µ B(x). 3. Durchschnitt A B: µ A B(x) =min(µ A(x),µ B(x)) für alle x X µ A B Schreibweise auch: µ A(x) µ B(x) x 3
11 Mengenoperationen auf Fuzzy-Mengen Fortsetzung der Definition Sei X ein Grundbereich und A, B hierauf definierte Fuzzy-Mengen mit Zugehörigkeitsfunktionen µ A(x) bzw. µ B(x). 4. Vereinigung A B: µ A B(x) =max(µ A(x),µ B(x)) für alle x X µ A B x Schreibweise auch: µ A(x) µ B(x) 3 Mengenoperationen auf Fuzzy-Mengen Fortsetzung der Definition Sei X ein Grundbereich und A, B hierauf definierte Fuzzy-Mengen mit Zugehörigkeitsfunktionen µ A(x) bzw. µ B(x). 5. Komplement A: µ A(x) = µ A(x) für alle x X Bemerkung: Verglichen mit der klassischen Mengenalgebra fehlen Eigenschaften des Komplements: A A =, A A = X gelten in der Fuzzy-Logik nicht. Sei µ A(x) =.3 dann ergibt sich z. B. für µ A A(x) : min(µ A(x), µ a(x)) = min(.3,.7) =.3 µ A,5 µ A x 32 Exkurs: Die Wahl der hier vorgestellten Berechnungsvorschrift für Durchschnitt und Vereinigung ist nicht bindend. Allgemein wünscht man, daß die Mengenoperationen kompatibel zu den klassischen Mengenoperationen sind, da die klassischen Mengen einen Spezialfall der Fuzzy-Mengen darstellen. Ganz allgemein soll die Berechnungsvorschrift für das Komplement C :[, ] [, ] Zugehörigkeitsgrade auf Zugehörigkeitsgrade abbilden. Da scharfe Mengen spezielle Fuzzy-Mengen sind, muss auch für die Fuzzy-Komplementabbildung die folgenden Bedingungen gelten: Randbedingung: C() = und C() = Monotonie: Aus a b folgt C(a) C(b) (Involution: C(C(a)) = a) für alle a, b [, ]. Als Berechnungsvorschrift für das Komplement wählt man meist die in der Definition angegebene Vorschrift von Lukasiewicz: µ A(x) = µ A(x) für alle x X Die gewünschten Eigenschaften für Durchschnitt und Vereinigung definieren notwendige Eigenschaften für die Berechnungsvorschrift: Eine Abbildung T :[, ] [, ] [, ] heißt t-norm, wenn gilt Assoziativität: T (a, T (b, c)) = T (T (a, b),c) Kommutativität: T (a, b) =T (b, a) Monotonie: Aus a b folgt T (a, c) T (b, c). Neutrales Element: T (a, ) = a (und T (a, ) = ) für alle a, b, c [, ]. Beispiele für t-normen sind Minimum-Norm: T min(a, b) := min(a, b) Lukasiewicz-Norm: T Luka (a, b) := max(,a+ b ) Algebraisches Produkt: T aprod (a, b) :=a b j falls {a, b} Drastisches Produkt: T dprod (a, b) := min(a, b) sonst Betrachtet man eine t-norm (Triangular Norm) als Figur im R 3, so beschreibt sie eine von (,,T(, )) nach (,,T(, )) ansteigende Fläche.
12 Eine Abbildung S :[, ] [, ] [, ] heißt s-norm oder t-conorm, wenn gilt Assoziativität: S(a, S(b,c)) = S(S(a, b),c) Kommutativität: S(a, b) =S(b,a) Monotonie: Aus a b folgt S(a, c) S(b, c). Neutrales Element: S(a, ) = a (und S(a, ) = ) für alle a, b, c [, ]. Beispiele für t-conormen sind Maximum-Alternative: S max(a, b) :=max(a, b) Lukasiewicz-Alternative: S Luka (a, b) := min(a + b, ) Algebraische Alternative: S aalt (a, b) := a + b ab j falls {a, b} Drastische Alternative: S dalt (a, b) := max(a, b) sonst Ist T eine t-norm, so ist T mit T (a, b) = T ( a, b) für alle a, b [, ] eine t-conorm und umgekehrt. Paare von t-normen und t-conormen, die so definiert sind, heißen dual zueinander. Für die mit dem meist verwendeten Paar von t-norm und t-conorm (T min,s max) definierten Durchschnitts- und Vereinigungsoperationen zusammen mit der Negation von Lukasiewicz gelten die Distributivgesetze, für andere Paare im allgemeinen jedoch nicht! T min und S max) sind die einzigen idempotenten Normen bzw. Conormen. Insgesamt wählt man aus praktischen Gründen für die Berechnungsvorschriften für Komplement, Durchschnitt und Vereinigung stetige Funktionen. t-normen werden zur Definition des Durchschnittes, t-conormen zur Definition der Vereinigung verwendet. Um die bekannten DeMorgan schen Gesetze zu erhalten, müssen t-norm und t-conorm zueinander passen. Mengenoperationen auf Fuzzy-Mengen Es seien der Grundbereich X = {x,x 2,x 3,x 4,x 5} gegeben sowie drei Fuzzy-Mengen A, B, C über X durch: A =.7/x +.3/x 2 +.4/x 3 +.2/x 4 B =.5/x +.6/x 4 +/x 5 C =.3/x +.2/x 3 +./x 4 Dann gilt: C ist eine Fuzzy-Teilmenge von A, B jedoch nicht. Weiter gilt: P A = 5 ( µ A (x i ))/ x i i= =(.7)/x +(.3)/x 2 +(.4)/x 3 +(.2)/x 4 +(.)/x 5 =.3/x +.7/x 2 +.6/x 3 +.8/x 4 +/x 5 P A B = 5 max(µ A (x i ),µ B (x i ))/ x i i= =max(.7,.5)/x +max(.3, )/x 2 +max(.4, )/x 3 +max(.2,.6)/x 4 +max(., )/x 5 =.7/x +.3/x 2 +.4/x 3 +.6/x 4 +/x 5 P A B = 5 (min(µ A (x i ),µ B (x i ))/ x i i= =.5/x +.2/x 4 33 Mengenoperationen auf Fuzzy-Mengen Für, und und für beliebige Fuzzy-Mengen A,B und C über einer gemeinsamen Grundmenge X gilt: Kommutativität: A B = B A A B = B A Beweis des Satzes von de Morgan für Fuzzy-Mengen: µ (A B) (x) = max(µ A(x),µ B(x)) =min( µ A(x), µ B(x)) = µ A B(x) Assoziativität: Idempotenz: A (B C) =(A B) C A (B C) =(A B) C A A = A A A = A Distributivität: A (B C) =(A B) (A C) neutrales Element: A = A Absorption: A (A B) =A de Morgan: (A B) = A B 34
13 Mengenoperationen auf Fuzzy-Mengen Fuzzy-Mengen A über X, B über Y : Aussage: x hat Eigenschaft A mit Grad µ A(x) und y hat Eigenschaft B mit Grad µ B(y) Frage: Wie werden solche Fuzzy-Aussagen zu einer über (x, y) verknüpft? Fuzzy-Menge über kartesischen Produkten von Grundbereichen heißen Fuzzy-Relationen. Definition 5 (Zylindrische Extension, Projektion von Fuzzy-Mengen) Seien X, Y Grundbereiche, A eine Fuzzy-Menge über X mit Zugehörigkeitsfunktionen µ A(x) und B eine Fuzzy-Menge über X Y mit Zugeförigkeitsfunktion µ B(x, y).. Zylindrische Extension: cext(a) ist Fuzzy-Menge über X Y mit Zugeförigkeitsfunktion µ cext(a) (x, y) :=µ A(x) 2. Projektion: proj(b, X) ist Fuzzy-Menge über X mit Zugeförigkeitsfunktion µ proj(b,x) (x) :=sup{µ B(x, y) y Y } 35 Bildung von Fuzzy-Mengen Mit Hilfe der Modifikatoren und der Fuzzy-Mengenoperationen können neue Fuzzy-Mengen aus vorhandenen konstruiert werden. Sei A die Fuzzy-Menge tall_persons. Bildung der Fuzzy-Menge B very_tall_persons µ B(x) =(µ A(x)) 2...und not_very_tall_persons : µ B(x) = (µ A(x)) 2 Seien A und C die Fuzzy-Mengen tall_persons und short_persons. Fuzzy-Menge D not_very_tall_and_not_very_short_persons : µ D(x) = min(( (µ A(x)) 2 ), ( (µ C(x)) 2 )) 36
14 Fuzzy-Inferenz Prozeßsteuerung: Ein Fuzzy-Controller (Mamdani 977) besteht aus den folgenden vier Komponenten: Fuzzy-Regelbasis Menge von IF... THEN... (kausalen) Regeln über Fuzzy-Mengen Fuzzifizierer Umwandlung scharfer Eingangswerte in Fuzzy-Mengen Entscheidungslogik Abbildung vom Eingaberaum in den Ausgaberaum mittels Regelbasis Defuzzifizierer Umwandlung einer Fuzzy-Menge in einen scharfen Ausgangswert Dieser Fuzzy-Controller erzeugt zu Eingabedaten x =(x,..., x n),n N, mit Hilfe der oben benannten vier Bausteine Ausgabedaten y =(y,..., y m),m N. Regelbasis Input Fuzzyfizierer Entscheidungslogik Defuzzyfizierer Output 4 Fuzzy-Inferenz Klassische Logik: Aussagenlogische Atome a height_is_tall, b weight_is_heavy, Interpretationen in {, } Produktionsregelsystem D, R mit D = {a} und R = {a b} Schlußfolgern mit Forward-Chaining (Modus Ponens, MP): a (a b) b MP Klassische Logik hat i.d.r. keine kausale Interpretation der Regeln! Fuzzy-Logik: Linguistische Variablen height = {small, medium, tall} weight = {low, medium, heavy} A b= height_is_tall = {a,a 2,a 3 } = {.6/7cm,.8/8cm,.9/9cm} Bemerkungen: Im Sinne des Controllers der vorhergehenden Folie muß die obige Beispielregel lauten: IF height_is_tall(x) THEN weight_is_heavy(y) x und y bezeichnen scharfe Werte für Größe und Gewicht, nicht z.b. ein Objekt, dessen Größe und Gewicht betrachtet werden soll (z.größe,z.gewicht). Dies ist ähnlich wie bei den Atomen der Produktionsregelsysteme, die allgemein die Form objekt.attribut = value, z.b. z.größe =.75m haben. Komplexe Prämissen in Fuzzy-Regeln, d.h. Prämissen aus Konjunktionen, Disjunktionen und Negationen von Fuzzy-Aussagen können mit den Operatoren für Fuzzy-Mengen zu einer Fuzzy-Gesamtprämisse zusammengefaßt werden:. Zylindrische Extension aller Einzelaussagen zu Aussagen über kartesischem Produkt der Grundbereiche der Variablen in der Prämisse. 2. Zusammenfassung mit Hilfe von Komplement, Durchschnitt und Vereinigung. Für die Prämisse P der Regel IF x is A AND x 2 is A 2 THEN y is B ergibt sich so durch Umrechnung der Zugehörigkeitsgrad µ P (x,x 2 )=min(µ(x ),µ(x 2 )). Ähnlich einfache Ergebnisse erhält man auch für Disjunktion und Negation, so daß auf die zylindrische Extension quasi verzichtet wird. B b= weight_is_heavy = {b,b 2,b 3 } = {.5/6kg,.7/7kg,.9/8kg} A B b= IF height_is_tall THEN weight_is_heavy 5 Fuzzy-Inferenz Aussagenlogische Regel: a b Definiert einen Bezug zwischen zwei Aussagen. Aussagen stehen für Wahrheitswerte, d.h. klassische Mengen. Fuzzy-Regel: A B Definiert einen Bezug zwischen zwei Aussagen. Aussagen stehen für Fuzzy-Mengen. Syntax Kein Unterschied zwischen klassischer Logik und Fuzzy-Logik. Semantik Fuzzy-Logik: Information über die Prämisse ist unscharf. Kausale Beziehung zwischen Prämisse und Konklusion. Beziehung zwischen Prämisse und Konklusion ist unscharf. Frage: Welche Information resultiert für die Konklusion? Bemerkung: Für die Definition der unscharfen Implikation (Beachte: Die zuvor definierte Teilmengenbeziehung ist scharf!) gibt es verschiedene Ansätze, die die logische Repräsentation der Implikation bzw. ihre semantischen Eigenschaften in die Fuzzy-Logik übertragen: S-Implikation: a b a bund I(A, B) =S(C(A),B) QL-Implikation: a b a (a b) und I(A, B) =S(C(A),T(A, B)) R-Implikationen I(a b) =max{z {, } min(i(x), z) I(y)} und I(A, B) =sup{z [, ] T (A, z) B} Mit der Auswahl von C-dualen T-Normen T und T-Conormen S ergeben sich eine Vielzahl von unscharfen Implikationsdefinitionen. Wichtig ist, dass alle drei Definitionen extensional sind in dem Sinne, dass die Ergebnisse nicht von den konkreten (scharfen) Werten der Grundbereiche der Fuzzy-Mengen abhängig sind, sondern nur von den Werten für µ A und µ B. 6
15 Fuzzy-Inferenz Generalisierter Modus Ponens (GMP). Seien A,AFuzzy-Mengen über X und B,B Fuzzy-Mengen über Y. GMP: A AND (IF A THEN B) F uzzy B Problematik im diskreten Fall mit A A und B B: Sei A = {a 2,a 3 } A, Sei B = {b 2,b 3 } B, z. B. {.7/8cm,.8/9cm}. z. B. {.6/7kg,.8/8kg}.. Welcher Zusammenhang gilt zwischen A und B? a i b j, i,j {2, 3} 2. Zunächst: Welcher Zusammenhang gilt zunächst zwischen A und B? a i b j, i,j {, 2, 3} 3. In welchem Umfang (Stärke) gilt ein Zusammenhang? grad(a i b j) 7 Fuzzy-Inferenz Linguistische Variablen und Werte height = {small, medium, tall} weight = {low, medium, heavy} height_is_tall = {a,a 2,a 3} = {.6/7cm,.8/8cm,.9/9cm} weight_is_heavy = {b,b 2,b 3} = {.5/6kg,.7/7kg,.9/8kg} Regel: IF height_is_tall THEN weight_is_heavy Frage: Ist dann mit der Regel aus height_is_very_tall auch weight_is_very_heavy herleitbar? Frage: Kann mit der Regel auch aus height_is_small etwas hergeleitet werden? 8 Fuzzy-Inferenz GMP: A AND (IF A THEN B) Fuzzy B Grundlegende Idee: Eine Regel bestimmt einen funktionalen Operator, der die Fuzzy-Menge A (d.h. die Zugehörigkeitsfunktion µ A ) auf die Fuzzy-Menge B (d.h. auf die Zugehörigkeitsfunktion µ B ) abbildet. Eine Regel wird hier als Relation über X Y aufgefaßt B = A R wobei R die Fuzzy-Relation für die Regel bezeichnet. Zugehörigkeitsfunktionen für Relationen werden über den Minimum-Operator bestimmt. Definition 7 (Compositional Rule of Inference (CRI)) Für eine Regel IF A THEN B mit Fuzzy-Mengen A, A über X und B über Y wird die Fuzzy Menge B über Y definiert durch: B (y) :=sup{min(µ A (x), min(µ A(x),µ B(y))) x X} für y Y (Zadeh 973) Lokale Korrektheit (Wichtig für Inferenz!): Im Falle A = A ergibt sich B = B. Die lokale Korrektheit ist gegeben, falls z.b. sup{µ A(x) x X} = 9
16 Fuzzy-Inferenz Im diskreten Fall können wir die Fuzzy-Relation für die Regel R : IF A THEN B durch eine Matrix beschreiben. Aufstellung der Menge aller Paare für zwei Fuzzy-Mengen A =(µ A(x ),...) und B =(µ B(y ),...) über diskreten Grundbereichen X bzw. Y : µ R(x,y ) µ R(x,y 2)... M R µ R(x 2,y ) µ R(x 2,y 2)... A... µ R(x i,y j) ist der Grad, mit dem x i und y j über die Regel in Beziehung stehen. Mit Darstellung von A als Vektor und Regel R als Matrix ergibt sich B durch Fuzzy-Vektor-Matrix-Multiplikation. Statt des Supremum kann in der Definition CRI der Maximum Operator gewählt werden. Diese Art der Inferenz heißt daher auch Max-Min-Inferenz (Mamdani 977). 2 Fuzzy-Vektor-Matrix-Multiplikation Klassische Vektor-Matrix-Multiplikation: x A = y n n p p nx also y j = x i a ij i= Fuzzy-Vektor-Matrix-Multiplikation. paarweise Multiplikation paarweise Minimum-Bildung Summation Maximum-Bildung Für eine Regel IF A THEN B: A, A und B sind auf X bzw. Y definierte Fuzzy-Mengen A =(a,a 2,...,a n ); a i = µ A (x i ) A =(a,a 2,...,a ); n a = µ i A (x i) B =(b,b 2,...,b p ); b i = µ B (y i ) p-matrix: A M R = B mit b j =max{min(a, min(a i i,b j )) i n} 2 Fuzzy-Vektor-Matrix-Multiplikation Sei A =(.2,.4,.6, ) und M R = C A b = max{min{.2,.}, min{.4,.6}, min{.6,.8}, min{, }} = max{.,.4,.6, } =.6 b 2 = max{.2,.4,.6,.5} =.6 b 3 = max{.2,.4,.5,.5} =.5 22
17 Max-Min-Inferenz Als Implikations-Operator wird min verwendet: m ij = grad(a i b j)=min(a i,b j) Sind die Fuzzy-Mengen A, B und A über diskreten Grundbereichen gegeben, so kann der durch A induzierte Vektor B durch die Fuzzy-Vektor-Matrix-Multiplikation ermittelt werden: B = A M b j =max{min(ai,mij) i n} 23 Max-Min-Inferenz X sei Grundbereich für die Variable temperature. A = normal_temperature sei eine Fuzzy-Menge auf X. Y sei Grundbereich für die Variable velocity. B = medium_velocity sei eine Fuzzy-Menge auf Y. Fuzzy-Regel: IF temperature is normal THEN velocity is medium IF A THEN B A = normal_temperature =(/,.5/25, /5,.5/75, /2) B = medium_velocity =(/,.6/2, /3,.6/4, /5) 24 Max-Min-Inferenz Beispiel (Fortsetzung): M =(m ij )=`min{a i,b j } = = min{, } min{,.6} min{, } min{,.6} min{, } min{.5, } min{.5,.6} min{.5, } min{.5,.6} min{.5, } min{, } C A C A Weiterhin sei A =(/,./25, /5, /75, /2) A repräsentiert einen scharfen Temperaturwert von 25 Grad mit Zugehörigkeitswert.5 zur Fuzzy-Menge normal_temperature. 25
18 Max-Min-Inferenz Beispiel (Fortsetzung): Durch Vektor-Matrix-Multiplikation ergibt sich B = A M mit b j = max i n {min{a i,mij}} Man erhält: b =max{min{, }, min{., }, min{, }, min{, }, min{, }} b 2 = B =(/,.5/2,.5/3,.5/4, /5) Vektor-Matrix-Multiplikation führt das gewünschte aus: Konstruktion von B auf Basis von A und A B, speziell Konstruktion von B B auf Basis von A A und A B. 26 Max-Min-Inferenz Spezialfall: A gegeben durch scharfen (Meß-)Wert aus Grundbereich X. Die induzierte Fuzzy-Menge B ist eine abgeschnittene Kopie von B, dessen Höhe durch A definiert ist. Diskrete Situation: Regel: A B Temperaturwert Stetige Situation: Regel: A B Temperaturwert Das Abschneiden zur Bildung der induzierten Fuzzy-Menge ist charakteristisch für die Max-Min-Inferenz. 27 Max-Min-Inferenz A (A B) F uzzy B A M = B =(,.5,.5,.5, ) Bemerkungen: A =(,.,,, ) resultiert aus dem scharfen Wert 25. Besteht A aus einem scharfen (einzelnen) Wert x k, kann direkt die Fuzzy-Mengen-Repräsentation von B, µ B(y), benutzt werden, um B auszurechnen: B =(min(µ A(x k),µ B(y ))/y,...) µ A(25) =.5 B =(min{.5, }, min{.5,.6},...)=(,.5,.5,.5, ) 28
19 Max-Min-Inferenz Ist der Input A für die Regel IF A THEN B in unscharfer Form gegeben, so wird durch die Max-Min-Inferenz das Faktum A durch Durchschnittsbildung (Minimum b= Konjunktion) mit der Prämisse A der Regel verrechnet, das Supremum ein einzelner Wert ermittelt und zum Abschneiden der Zugehörigkeitsfunktion von B in der Regel verwendet. Regel: A B A A 29 Max-Produkt-Inferenz Anstelle der T-Norm min(x, y) für die Konjunktion kann auch das algebraische Produkt x y verwendet werden. Als Implikations-Operator wird wieder die Konjunktion verwendet, also ebenfalls das Produkt: m ij = grad(a i b j)=a i b j im Fall diskreter Grundbereiche. Sind die Fuzzy-Mengen A, B und A über diskreten Grundbereichen gegeben, so kann der durch A induzierte Vektor B durch die Fuzzy-Vektor-Matrix-Multiplikation ermittelt werden: B = A M b j =max{ai mij i n} 3 Max-Produkt-Inferenz A =(,.5,,.5, ) B =(,.6,,.6, ) M = (m ij ) = (a i b j ) = B.6.6 A Für einen scharfen Wert A =(,.,,, ) ergibt die Vektor-Matrix-Multiplikation dann B =(,.3,.5,.3, ). B ist eine verkleinerte Version von B. Regel: A B Temperaturwert Max-Produkt-Inferenz erhält mehr Information als Max-Min-Inferenz. 3
20 Max-Produkt-Inferenz Bemerkung auch hier: Besteht A aus einem scharfen (einzelnen) Wert x k, kann direkt die Fuzzy-Mengen-Repräsentation von B, µ B(y), benutzt werden, um B auszurechnen: B =(µ A(x k) µ B(y ))/y,...) µ A(25) =.5 B =.5 (,.6,,.6, ) = (,.3,.5,.3, ) Für die Zusammenfassung von komplexen Prämissen in Regeln muß nicht unbedingt das dazu passende duale Paar von T-Norm und T-Conorm für Konjunktion und Disjunktion, also T (x, y) =x y, S(x, y) =x + y x y gewählt werden. Auch die min und max sind möglich. 32 Multiple Regeln Gegeben sind n Fuzzy-Regeln mit den Fuzzy-Teilmengen A i über dem Grundbereich X und B i über Y in den Prämissen bzw. Konklusionen. Sei A über X die Fuzzy-Menge einer scharfen Eingabe resultierend z. B. aus einer Messung oder Beobachtung.. Jede Fuzzy Inferenz mit einer Regel R i liefert eine induzierte Fuzzy-Mengen B i. 2. Die Resultate der Regeln werden in B zusammengefaßt: Bemerkungen: Grundsätzlich kann nicht vorausgesetzt werden, daß alle Regeln nach derselben Inferenzmethode ausgewertet werden. Wir betrachten hier nur den Ansatz, mit einzelnen Regeln zu inferieren und die Ergebnisse zusammenzufügen. Lokale Inferenz Alternativ kann man auch die gesamte Regelmenge zu einer Super-Relation zusammenfügen und dann mit dem Input inferieren. Globale Inferenz B = ZB B 2... B n = max(µ B (x),µ B2 (x),...,µ Bn (x))/x X Eingabe: x A IF A THEN B IF A2 THEN B2... B B2 Ausgabe: B + Defuzzifizierung y IF An THEN Bn Bn Frage: Gibt es sinnvollere Methoden zur Zusammenfassung? 33 Multiple Regeln Zusammenfassung der Ergebnismengen einzelner Regeln: Winner takes it all! Vereinigung der induzierten Fuzzy-Mengen (Mamdani) One man, one vote! Punktweise beschränkte Summe der Zugehörigkeitswerte Regeln können ihrer Bedeutung entsprechend gewichtet werden. Die Gewichtung wird bei der Zusammenfassung berücksichtigt. 34
21 Multiple Regeln Regel: IF temperature is normal OR pressure is low THEN velocity is medium Regel2: IF temperature is normal AND pressure is normal THEN velocity is low Temperature (T) Pressure (P) Velocity normal l ow Max{T,P} medium Regel normal normal low Min{T,P} Regel2 Flchenschwerpunkt Inferenz-Operator ist im Beispiel die Max-Min-Inferenz. 35 Defuzzifizierung Generierung scharfer Werte einer induzierten Fuzzy-Menge B, Grundbereich Y. Folgende Möglichkeiten existieren:. Max-Methode: Wähle das (erste) y Y als scharfen Wert, für das µ B (y ) maximal ist. Bemerkung: Die Flächenschwerpunktmethode (COG Center of Gravity) wird mit der Vereinigung zur Aggrgierung der Ergebnisse mehrerer Regeln kombiniert. 2. Mittelwert-Max-Methode: Wähle als scharfen Wert das arithmetische Mittel der lokalen Maxima. 3. Flächenschwerpunkt-Methode: Wähle das y Y als scharfen Wert, das sich durch eine Projektion des Flächenschwerpunktes der Zugehörigkeitsfunktion µ B ergibt: Z y µ B (y)dy Y y = Z µ B (y)dy Y Defuzzifizierung spielt eine wichtige Rolle, wenn mehrere Regeln die gleiche linguistische Variable betreffen. 36 Fuzzy-Regler Fuzzy Control ist empfehlenswert... für sehr komplexe Prozesse, für die kein mathematisches Modell existiert, für hochgradig nichtlineare Prozesse, für den Fall, dass man sprachlich formuliertes Expertenwissen vearbeiten muß. Die Verwendung von Fuzzy Control mag eine schlechte Idee sein, wenn... die konventionelle Kontrolltheorie bereits zufriedenstellende Ergebnisse liefert, ein leicht lösbares mathematisches Modell bereits existiert, das Problem nicht lösbar ist. 37
Kapitel 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
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
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
MehrGeschichte. Fuzzy-Logik. Geschichte und mehr... Motivation: linguistische Variablen. ffl 1920: erste Fuzzy-Systeme, vorgeschlagen von Lukasiewicz
Geschichte ffl 92: erste Fuzzy-Systeme, Fuzzy-Logik vorgeschlagen von Lukasiewicz Beobachtung: Terme wie tall, old oder hot lassen sich nur schwer unter dem Aristotelischen Wahrheitsbegriff wahr oder falsch
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,
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
MehrRepräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I. Alexander Fabisch und Benjamin Markowsky. Universität Bremen
Repräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I Alexander Fabisch und Benjamin Markowsky Universität Bremen 25.05.2010 Alexander Fabisch und Benjamin Markowsky (Universität Bremen)
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrFuzzy Logic & Control
The more, the fuzzier... Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Theorie Lofi Zadeh enwickelte 1967 die Fuzzy Theorie. Er erweiterte die klassische Mengenlehre um den Begriff
MehrFuzzy 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
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 3 Fuzzy-Mengen und Relationen. 29. April 2005
Kapitel 3 und Relationen 29. April 2005 Rückblick Tarski s Deduktionsbegriff, Verbandstheorie, Abstrakte Logik über Verbänden Wohldefinierte Eigenschaften P wohldefinierte Eigenschaft auf einer Menge M,
MehrFuzzy Logic 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
MehrKapitel 1: Grundbegriffe
Kapitel 1: Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) 1 / 20 Gliederung 1 Logik Ein ganz kurzer Ausflug in die Kombinatorik Stefan Ruzika (KO) 2
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
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
Mehr5 Fuzzy Unscharfe Mengen
5 Fuzzy Unscharfe Mengen Fuzzy Unscharfe Mengen Motivation Einfaches Modell eines Fuzzy Reglers Unscharfe Mengen Interpretation linguistischer Werte Operationen auf unscharfen Mengen Fuzzy Relationen Fuzzy
MehrFuzzy Logic & 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
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-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
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
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,
MehrKapitel 1. Aussagenlogik
Kapitel 1 Aussagenlogik Einführung Mathematische Logik (WS 2012/13) Kapitel 1: Aussagenlogik 1/17 Übersicht Teil I: Syntax und Semantik der Aussagenlogik (1.0) Junktoren und Wahrheitsfunktionen (1.1) Syntax
MehrFundamente der Computational Intelligence Teil 3
Fundamente der Computational Intelligence Teil 3 Günter Rudolph Fachbereich Informatik, Lehrstuhl XI Fachgebiet Computational Intelligence WS 2006/07 Standard Fuzzy Operatoren Bisher betrachtet: Standard
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
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 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
MehrBrückenkurs Mathematik 2015
Technische Universität Dresden Fachrichtung Mathematik, Institut für Analysis Dr.rer.nat.habil. Norbert Koksch Brückenkurs Mathematik 2015 1. Vorlesung Logik, Mengen und Funktionen Ich behaupte aber, dass
MehrGrundbegriffe aus Logik und Mengenlehre
Prof. Dr. B. Niethammer Dr. C. Seis, R. Schubert Institut fr Angewandte Mathematik Universitt Bonn Grundbegriffe aus Logik und Mengenlehre Wir wollen im Folgenden eine kurze Einführung in die Grundbegriffe
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18 19. Oktober 2017 1/27 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage
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
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16 15. Oktober 2015 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage veröffentlicht
MehrKapitel GWBS:III. III. Regeln mit Konfidenzen. Einführung. Verrechnung von Konfidenzen. Probleme des Ansatzes. Beispiel für ein Diagnosesystem
Kapitel GWBS:III III. Regeln mit Konfidenzen Einführung Verrechnung von Konfidenzen Probleme des Ansatzes Beispiel für ein Diagnosesystem GWBS: III-1 Konfidenzen c BUBECK/LETTMANN 2009-2010 Glaubwürdigkeit
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
Mehr1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
Mehr1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
MehrDiskrete Strukturen. Vorlesung 3: Naive Mengenlehre. 30. Oktober 2018
Diskrete Strukturen Vorlesung 3: Naive Mengenlehre 30. Oktober 2018 2 Organisation Prüfung: vorauss. am Freitag, den 22. Februar 2019 von 10 11 Uhr im AudiMax, HS 3, HS 9 Abmeldungen noch bis zum 12. Januar
MehrMengenlehre. Begriff der Mengenzugehörigkeit x M, x Ê M >x : x { a 1. e e x = a n. } 2 x = a 1. >x : x { y P(y) } 2 P(x) Begriff der leeren Menge
Mengenlehre Grundbegriff ist die Menge Definition (Naive Mengenlehre). Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor) Notation 1. Aufzählung
MehrKapitel 2: Fuzzy Systeme
Kapitel 2: Fuzzy Systeme Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Inhalt Fuzzy Mengen
MehrLineare Algebra I. Anhang. A Relationen. Heinz H. GONSKA, Maria D. RUSU, Michael WOZNICZKA. Wintersemester 2009/10
Fakultät für Mathematik Fachgebiet Mathematische Informatik Anhang Lineare Algebra I Heinz H. GONSKA, Maria D. RUSU, Michael WOZNICZKA Wintersemester 2009/10 A Relationen Definition A.1. Seien X, Y beliebige
MehrTechnische Universität München. Ferienkurs Lineare Algebra 1. Mengenlehre, Aussagen, Relationen und Funktionen. 21. März 2011.
Technische Universität München Ferienkurs Lineare Algebra 1 Mengenlehre, Aussagen, Relationen und Funktionen 21. März 2011 Tanja Geib Inhaltsverzeichnis 1 Aussagen 1 2 Mengenlehre 3 2.1 Grundlegende Definitionen
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrKapitel 3 Fuzzy-Mengen und Relationen. 12. Mai 2005
Kapitel 3 Fuzzy-Mengen und Relationen 12. Mai 2005 Rückblick Darstellung unscharfer Konzepte mit Hilfe von Fuzzy-Mengen, Definition von Fuzzy-Mengen, Fuzzy-Mengen über einem festen Universum bilden einen
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
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.
MehrKapitel 1.0. Aussagenlogik: Einführung. Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1
Kapitel 1.0 Aussagenlogik: Einführung Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1 Ziele der Aussagenlogik In der Aussagenlogik analysiert man die Wahrheitswerte zusammengesetzter
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:
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 2. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 2. Juni 2005 Übersicht Wahrheitsfunktionale Fuzzy-Semantik, Eigenschaften, Lukasiewicz-Fuzzy-Logik, McNaughtons Theorem, Nichtstetige Wahrheitsfunktionale Fuzzy-Logik.
MehrKapitel II. Vektoren und Matrizen
Kapitel II. Vektoren und Matrizen Vektorräume A Körper Auf der Menge R der reellen Zahlen hat man zwei Verknüpfungen: Addition: R R R(a, b) a + b Multiplikation: R R R(a, b) a b (Der Malpunkt wird oft
MehrGrundbegriffe für dreiwertige Logik
Grundbegriffe für dreiwertige Logik Hans Kleine Büning Universität Paderborn 1.11.2011 1 Syntax und Semantik Die klassische Aussagenlogik mit den Wahrheitswerten falsch und wahr bezeichnen wir im weiteren
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
MehrSymbolumwandlung der Kernfunktionen
91 Symbolumwandlung der Kernfunktionen Positiv definierte, konvexe Kernfunktionen können als Fuzzy-Mengen betrachtet werden. z.b.: µ B (x) = 1 1 + ( x 50 10 ) 2 92 ZF-Funktionen 1 1 0-5 0 5 (a) 1 0-5 0
MehrVorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
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
MehrMathematische Grundlagen der Computerlinguistik
Mengen und Mengenoperationen (Teil I) Centrum für Informations- und Sprachverarbeitung (CIS) 2. Juni 2014 Table of Contents Mengen und ihre Darstellung Darstellung endlicher Mengen Darstellung unendlicher
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
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
MehrGrundlagen der Mengenlehre
mathe plus Grundlagen der Mengenlehre Seite 1 1 Grundbegriffe Grundlagen der Mengenlehre Def 1 Mengenbegriff nach Georg Cantor (1845-1918) Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener
Mehr1 Aussagenlogik. 1.1 Aussagen. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage) Aussage = Behauptung Beispiele: Es regnet.
Grundlagen der Mathematik für Informatiker 1 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage)
MehrElemente der Analysis I Kapitel 3: Einführung III, Summen, Logik, Mengen, Beweise
Elemente der Analysis I Kapitel 3: Einführung III, Summen, Logik, Mengen, Beweise Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 15. November 2010 http://www.mathematik.uni-trier.de/
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker Grundlagen der Mathematik für Informatiker Mengen, Relationen, Funktionen. Mengen Definition. [Georg Cantor 895] Eine Menge ist eine Zusammenfassung bestimmter,
Mehr2.3 Deduktiver Aufbau der Aussagenlogik
2.3 Deduktiver Aufbau der Aussagenlogik Dieser Abschnitt beschäftigt sich mit einem axiomatischen Aufbau der Aussagenlogik mittels eines Deduktiven Systems oder eines Kalküls. Eine syntaktisch korrekte
MehrVorlesung 3: Logik und Mengenlehre
28102013 Erinnerung: Zeilen-Stufen-Form (ZSF) eines LGS 0 0 1 c 1 0 0 0 1 0 0 1 c r 0 0 0 c r+1 0 0 0 0 0 0 0 0 0 c m Erinnerung: Information der Zeilen-Stufen-Form Aus der ZSF liest man ab: Folgerung
Mehr2008W. Vorlesung im 2008W Institut für Algebra Johannes Kepler Universität Linz
Logik Institut für Algebra Johannes Kepler Universität Linz Vorlesung im http://wwwalgebrauni-linzacat/students/win/ml Inhalt Logik Logik Aussagen Die mathematische Logik verwendet mathematische Methoden,
MehrKapitel 1.5 und 1.6. Ein adäquater Kalkül der Aussagenlogik
Kapitel 1.5 und 1.6 Ein adäquater Kalkül der Aussagenlogik Teil 1: Kalküle und Beweisbarkeit und die Korrektheit des Shoenfield-Kalküls Mathematische Logik (WS 2010/11) Kapitel 1.5 und 1.6: Kalküle 1 /
Mehr1 Aussagenlogik. 1.1 Aussagen. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage) Aussage = Behauptung Beispiele: Es regnet.
Grundlagen der Mathematik für Informatiker 1 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage)
MehrLogische Äquivalenz. Definition Beispiel 2.23
Logische Äquivalenz Definition 2.22 Zwei aussagenlogische Formeln α, β A heißen logisch äquivalent, falls für jede Belegung I von α und β gilt: Schreibweise: α β. Beispiel 2.23 Aus Folgerung 2.6 ergibt
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,]
MehrDiskrete Strukturen WS 2018/19. Gerhard Hiß RWTH Aachen
Diskrete Strukturen WS 2018/19 Gerhard Hiß RWTH Aachen Erster Teil: Grundlagen Kapitel 1, Mathematische Grundbegriffe 1.1 Aussagen Begriff (Aussage) Sprachlicher Ausdruck, welcher entweder wahr oder falsch
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016 Teil 2: Logik 1 Prädikatenlogik (Einleitung) 2 Aussagenlogik Motivation Grundlagen Eigenschaften Eigenschaften Normalformen
Mehrh_da Computational Intelligence CI: Fuzzy Logik Kap. 2: Fuzzy-Logik - Teil 2
h_da HOCHSCHULE DARMSTADT UNIVERSITY OF APPLIED SCIENCES Computational Intelligence Kap. 2: Fuzzy-Logik - Teil 2 Dr. Norbert Waleschkowski h_da Fachbereich Informatik Sommersemester 202 Master-Studiengang
MehrJeder Aussage p kann ein Wahrheitswert W(p) {0, 1} zugeordnet werden. Beispiele: W(Es regnet.) =? (je nach Lage der Dinge) W(Die Straße ist naß.) =?
Grundlagen der Mathematik für Informatiker 1 Grundlagen der Mathematik für Informatiker 2 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl.
MehrRechnerstrukturen, Teil 1. Vorlesung 4 SWS WS 14/15
Rechnerstrukturen, Teil 1 Vorlesung 4 SWS WS 14/15 Prof. Dr Jian-Jia Chen Dr. Lars Hildebrand Fakultät für Informatik Technische Universität Dortmund lars.hildebrand@tu-.de http://ls1-www.cs.tu-.de Übersicht
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker 1 2 Mengen, Relationen, Funktionen 2.1 Mengen Definition 2.1 [Georg Cantor 1895] Eine Menge ist eine Zusammenfassung bestimmter, wohlunterschiedener Dinge unserer
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 1: Mengenlehre 1 Mengen Einleitung Beschreibung und Beispiele Operationen Verhältnisse Kartesisches Produkt 2 Relationen
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/25
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/25 Einführendes Beispiel Falls Lisa Peter trifft, dann trifft Lisa auch Gregor.
MehrElemente der Analysis II
Elemente der Analysis II Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 8. Mai 2009 1 / 29 Bemerkung In der Vorlesung Elemente der Analysis I wurden Funktionen
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume
MehrVorkurs Mathematik. JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer. September/Oktober Lennéstraße 43, 1. OG
Vorkurs Mathematik JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer Lennéstraße 43, 1. OG pinger@uni-bonn.de September/Oktober 2017 JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer Vorkurs Mathematik September/Oktober
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
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 16 Polynomringe Definition 16.1. Der Polynomring über einem kommutativen Ring R besteht aus allen Polynomen P = a 0 +a 1 X +a
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
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrLogik I. Symbole, Terme, Formeln
Logik I Symbole, Terme, Formeln Wie jede geschriebene Sprache basiert die Prädikatenlogik erster Stufe auf einem Alphabet, welches aus den folgenden Symbolen besteht: (a) Variabeln wie zum Beispiel v 0,v
Mehr4 Mengentheorie. 4.1 Mengen
4 Mengentheorie 4.1 Mengen Die Mengentheorie ist entwickelt worden, um eine elementare Basis für den Aufbau der gesamten Mathematik zu haben. Ihr Begründer ist Georg Cantor (1845-1918). Die Standard-Semantik
MehrMengen. (Nicht-) Elemente einer Menge { 3, 4 } { 1, { 2 }, { 3, 4 }, { 5 } } 3 { 1, { 2 }, { 3, 4 }, { 5 } }
Mengen Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor) Notation 1. Aufzählung aller Elemente: { 1,
MehrVorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
MehrVektorräume. Stefan Ruzika. 24. April Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 3: Vektorräume 24. April 2016 1 / 20 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume Erinnerung:
MehrMengenlehre. Ist M eine Menge und x ein Element von M, so schreiben wir x M. Ist x kein Element von M, so schreiben wir x M.
Mengenlehre Eine Menge ist eine Zusammenfassung bestimmter und unterschiedlicher Objekte. Für jedes Objekt lässt sich eindeutig sagen, ob es zu der Menge gehört. Die Objekte heißen Elemente der Menge.
MehrMengen und Abbildungen
1 Mengen und bbildungen sind Hilfsmittel ( Sprache ) zur Formulierung von Sachverhalten; naive Vorstellung gemäß Georg Cantor (1845-1918) (Begründer der Mengenlehre). Definition 1.1 Eine Menge M ist eine
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 10. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 10. Juni 2005 Zusammenfassung Wahrheitsfunktionale Fuzzy-Semantik besteht aus Mengen aller wahrheitsfunktionalen Belegungen von Formeln, jedem Modell in M entspricht
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Woche 4 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung Zusammenfassung der letzten LV Modus Ponens A B B A MP Axiome für
MehrRückblick. Erweiterte b-adische Darstellung von Kommazahlen. 7,1875 dargestellt mit l = 4 und m = 4 Bits. Informatik 1 / Kapitel 2: Grundlagen
Rückblick Erweiterte b-adische Darstellung von Kommazahlen 7,1875 dargestellt mit l = 4 und m = 4 Bits 66 Rückblick Gleitkommazahlen (IEEE Floating Point Standard 754) lassen das Komma bei der Darstellung
Mehr0 Mengen und Abbildungen, Gruppen und Körper
0 Mengen und Abbildungen, Gruppen und Körper In diesem Paragrafen behandeln wir einige für die Lineare Algebra und für die Analysis wichtige Grundbegriffe. Wir beginnen mit dem Begriff der Menge. Auf Cantor
MehrVor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen
Vor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen 09.10.2014 Herzlich Willkommen zum 2. Teil des Vorschaukurses für Mathematik! Organisatorisches Der Vorkurs besteht aus sechs Blöcken
MehrDe Morgan sche Regeln
De Morgan sche Regeln Durch Auswerten der Wahrheitswertetabelle stellen wir fest, dass allgemeingültig ist; ebenso (p q) p q (p q) p q. Diese beiden Tautologien werden als die De Morgan schen Regeln bezeichnet,
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
Mehr