3. Vorlesung Fuzzy Systeme
|
|
- Martha Schmitz
- vor 5 Jahren
- Abrufe
Transkript
1 Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen
2 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI) Anwendung: Expertensysteme 3. Fuzzy-Systeme: Umgang mit unscharfem Wissen Anwendung: Fuzzy-Control 1. Fuzzy-Mengen 4. Konnektionistische Systeme: Neuronale Netze Anwendung: Identifikation und neuronale Regler 5. Genetische Algorithmen, Simulated Annealing, Differential Evolution Anwendung: Optimierung 6. Zusammenfassung & Literaturhinweise 50
3 Fuzzy Systeme Kernidee (natürliches Vorbild) Umgang mit unscharfem Wissen Historie Mitte der 1960er Zadeh Fuzzy Logik Mitte der 1970er Mandani Fuzzy Control Anwendung in der Automatisierungstechnik Anfang der 1980er erste industrielle Applikationen Fuzzy-Regler Beispiele Trocknungsprozesse Gastherme Fuzzy Regelung eines invertierten Pendels Waschmaschine (AEG) Fuzzy Regelung eines Bohrhammers 51
4 Inhalt der 3. Vorlesung 1. Klassische Mengen 1. Definition und wesentliche Begriffe 2. Probleme 2. Fuzzy-Mengen 1. Definition und Begriffe 2. Operationen auf klassischen Mengen und Zusammenhang mit der Logik 3. Erweiterung der Operationen auf Fuzzy-Mengen 3. Zusammenfassung 52
5 Der klassische Mengenbegriff Eine Menge M ist eine Zusammenfassung von wohlbestimmten und wohlunterschiedenen Objekten unserer Anschauung oder unseres Denkens zu einem Ganzen. Diese Objekte werden Elemente von M genannnt. Wenn ein Objekt x zu einer Menge M gehört, schreibt man dafür x M, wenn nicht, dann x M Gleiche Mengen: M1 = M2 (x M1 x M2) Ungleiche Mengen: M1 M2 M1 ist Teilmenge einer Menge M2: M1 M2 (x M1 x M2) M1 ist echte Teilmenge einer Menge M2: M1 M2, wenn M1 M2 und M1 M2 Leere Menge: 53
6 Beschreibung klassischer Mengen 54
7 Probleme im Umgang mit klassischen Mengen Hauptproblem ist die binäre Entscheidung über die Zugehörigkeit zu einer Menge (Elemente sind nicht immer wohlunterschieden) Besonders kritisch bei kontinuierlichen Größen (in der Regelungstechnik gewöhnlich gegeben) Beispiel: Menge der Temperaturwerte aus dem Intervall von 0 C bis 100 C für die gilt: Temperatur ist hoch 1 μ μ T=hoch T/ C für T = 60,00 C erhält man die Temperatur ist hoch gilt für T = 59,99 C erhält man die Temperatur ist hoch gilt nicht Bei Anwendung in regelbasierten Systemen ergeben sich Sprünge Bsp: R1: Wenn Temperatur hoch, dann Heizdampf aus R2: Wenn NICHT Temperatur hoch, dann Heizdampf an Lösung: Unscharfe Mengen 55
8 Unscharfe Mengen 56
9 Zugehörigkeitsfunktion (ZGF) Funktion, die jedem Element x aus dem im Allgemeinen numerischen Grundbereich G einen Zugehörigkeitsgrad zu einer Fuzzy-Menge μ(x) zuordnet. (VDI/VDE 3550) Der Zugehörigkeitsgrad liegt zwischen 0 und 1 μ(x) = 1 bedeutet, dass x vollständig zur Fuzzy-Menge gehört μ(x) = 0 bedeutet, dass x überhaupt nicht zur Fuzzy-Menge gehört Werte zwischen 0 und 1 bedeuten, dass x teilweise zur Fuzzy- Menge gehört Besitzt G endlich viele Elemente diskrete Darstellung von ZGF Angabe der Wertepaare {x, μ(x)} Besitzt G sehr viele Elemente oder ist G ein Kontinuum, z.b. kont. Messgrößen parametrische Darstellung von ZGF Funktionen bestimmt durch wenige Parameter Vorteil: geringer Speicherverbrauch, feine Auflösung Nachteil: unter Umständen komplizierte Berechnung 57
10 Parametrische Darstellung (1): stückweise linear Angabe der Stützpunke der Funktion Spezialfall: trapezoide Funktionen 58
11 Parametrische Darstellung (2): trapezoid bzw dreieckförmig Spezialfall: für b = c erhält man dreieckförmige ZGF 59
12 Parametrische Darstellung (3): normierte Gaußfunktion 60
13 Parametrische Darstellung (4): Differenz sigmoider Funktionen 61
14 Parametrische Darstellung (5): verallgemeinerte Glockenfunktion 62
15 Parametrische Darstellung (6): LR-Fuzzy-Menge Gegeben durch die parametrische Darstellung ihrer Flanken (getrennt für rechte und linke Flanke) Zwischen den Flanken (m 1 < x < m 2 ) gilt μ(x) = 1 µ µ L R 63
16 Parametrische Darstellung (7): Singleton (auch diskret) 64
17 Begriffe zur Beschreibung von Fuzzy-Mengen Anpassung allgemeiner Mengenbegriffe (für zwei Mengen A und B über einer Grundmenge G) Gleichheit von Fuzzy-Mengen: A = B μ A (x) = μ B (x) x G Leere Menge : μ (x) = 0 x G Universalmenge: μ U (x) = 1 x G Weitere Begriffe Höhe Normalität Support Kern -Schnitt Fuzzy-Teilmenge Fuzzy-Ähnlichkeit 65
18 Höhe Normalität Die Höhe einer Fuzzy-Menge ist durch den Maximalwert ihrer Zugehörigkeitsfunktion gegeben H(M) = max{μ M (x) x G} Eine Fuzzy-Menge M heißt normal, wenn H(M) = 1 gilt, sonst subnormal Im Folgenden und in der Praxis werden nur normale Fuzzy-Mengen betrachtet 66
19 Support Der Support einer Fuzzy-Menge ist der Teil des Definitionsbereichs in dem die Zügehörigkeitsfunktion Werte größer 0 annimmt (VDI/VDE 3550) Synonyme: Träger (VDI/VDE 3550), Einflussbreite Englisch: support Berechnung: Sei G die Grundmenge und M eine auf G definierte Fuzzy-Menge dann ist der Support von M durch supp(m) = {x G μ M (x) > 0} gegeben 1 μ μ M supp(m) = {x G a < x < d} 0 a b c d supp(m) x 67
20 Kern Der Kern einer Fuzzy-Menge ist der Teil des Definitionsbereichs in dem die Zügehörigkeitsfunktion den Wert 1 annimmt (VDI/VDE 3550) Synonyme: Toleranz (VDI/VDE 3550) Englisch: core, tolerance Berechnung: Sei G die Grundmenge und M eine auf G definierte Fuzzy-Menge dann ist der Kern von M durch core(m) = {x G μ M (x) = 1} gegeben μ 1 μ M core(m) = {x G b < x < c} 0 a b c d core(m) x 68
21 -Schnitt Der -Schnitt einer Fuzzy-Menge ist der Teil des Definitionsbereichs in dem die Zügehörigkeitsfunktion Werte größer annimmt (VDI/VDE 3550) Synonyme: -Cut (VDI/VDE 3550), -Level Englisch: cut Berechnung: Sei G die Grundmenge und M eine auf G definierte Fuzzy-Menge dann ist der -Schnitt von M durch -Schnitt(M) = {x G μ M (x) > } gegeben 1 μ ½ μ M ½-Schnitt(M) = {x G e < x < f} = {x G (a+b)/2 < x < (d+c)/2 } 0 a b c d e ½-Schnitt(M) f 69 x
22 Zusammenhang: Support, -Schnitt, Kern, Grundmenge HINWEIS: Grundmenge, Support, Kern und -Schnitt einer Fuzzy-Menge sind klassische Mengen Venn-Diagramm Kern -Schnitt Support Grundmenge 70
23 Fuzzy-Teilmenge Eine Fuzzy-Menge μ 1 heißt Fuzzy-Teilmenge einer Fuzzy-Menge μ 2 auf der Grundmenge G (Schreibweise: μ 1 μ 2 ), wenn gilt: μ 1 (x) μ 2 (x) x G 1 μ μ 1 μ 2 μ 1 μ 2 0 x 71
24 Fuzzy-Ähnlichkeit Zwei Fuzzy-Mengen A und B sind fuzzy-ähnlich, wenn core(a) = core (B) und supp(a) = supp(b) zwei Fuzzy-Mengen sind genau dann fuzzy-ähnlich wenn sie sich nur in der Form der linken und rechten Flanke unterscheiden Folgerung 1: Wesentliche Änderungen bei der Beschreibung einer Fuzzy-Menge werden durch Änderung von Support und Kern erzielt Folgerung 2: Es ist im Allgemeinen ausreichend trapezoide oder dreieckige Zugehörigkeitsfunktionen zu benutzen 1 μ 0 a b c d x 72
25 Operationen der klassischen Mengenlehre und Beziehung zur Logik Durchschnitt von Mengen (UND): x ist Element der Schnittmenge von M1 und M2 x ist Element von M1 UND x ist Element von M2 Vereinigung von Mengen (ODER): x ist Element der Vereinigungsmenge von M1 und M2 x ist Element von M1 ODER x ist Element von M2 Komplement von Mengen (NICHT): x ist Element der Komplementärmenge von M1 x ist NICHT Element von M1 73
26 Erweiterung auf Fuzzy-Mengen durch Zadeh 74
27 Durchschnitt von Fuzzy-Mengen 75
28 Vereinigung von Fuzzy-Mengen 76
29 Komplement von Fuzzy-Mengen 77
30 Probleme mit dem NICHT-Operator Klassisch: A UND NICHT A = 0 A ODER NICHT A = 1 78
31 Gültigkeit von Äquivalenzen 79
32 t-norm und s-norm t-norm Verallgemeinerung der logischen UND-Verknüpfung die Zugehörigkeitsgrade der Eingangsgrößen aus dem Intervall [0, 1] in einen Zugehörigkeitsgrad zwischen 0 und 1 der Ausgangsgröße abbildet, wobei die Abbildung monoton, kommutativ und assoziativ ist. s-norm (Synonym: t-conorm) Verallgemeinerung der logischen ODER-Verknüpfung die Zugehörigkeitsgrade der Eingangsgrößen aus dem Intervall [0, 1] in einen Zugehörigkeitsgrad zwischen 0 und 1 der Ausgangsgröße abbildet, wobei die Abbildung monoton, kommutativ und assoziativ ist. Operatorenpaar Wenn eine t-norm zusammen mit einer s-norm die Verallgemeinerung der De-Morgan schen Gesetze erfüllt, dann bilden beide ein zusammengehöriges Operatorenpaar 80
33 Weitere Operatoren VDI/VDE
34 Zusammenfassung und Lernkontrolle zur 3. Vorlesung Elementare Begriffe klassischer Mengen kennen Wissen warum klassische Mengen zur Beschreibung von kontinuierlichen Sachverhalten teilweise problematisch sind Begriffe der Fuzzy-Mengen und Möglichkeiten zu deren Darstellung kennen Charakteristische Werte von Fuzzy-Mengen berechnen können (Support, Kern, Höhe, Schnitt) Zusammenhang zwischen Mengen und Logik kennen Elementare Operatoren der Fuzzy-Mengen bzw. der Fuzzy-Logik kennen und anwenden können 82
4. 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
Mehr5. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 5. Vorlesung Fuzzy Systeme Fuzzy Control 5. Vorlesung im Aufbau der Vorlesung. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
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
Mehr1. Vorlesung Gliederung und Einführung
Soft Control (AT 3, RMA) 1. Vorlesung Gliederung und Einführung Inhalt der Vorlesung Rechnergestützte Methoden in der Automatisierungstechnik Expertensysteme Anwendung: Diagnose Fuzzy-Systeme Anwendung:
MehrFundamente der Computational Intelligence Teil 2
Fundamente der Computational Intelligence Teil 2 Günter Rudolph Fachbereich Informatik, Lehrstuhl XI Fachgebiet Computational Intelligence WS 2006/07 Grobe Gliederung 1. Fuzzy Methoden 2. Evolutionäre
MehrFuzzy Logic & Control
The more, the fuzzier... Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Theorie Lofi Zadeh enwickelte 1967 die Fuzzy Theorie. Er erweiterte die klassische Mengenlehre um den Begriff
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
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
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
Mehr2 Mengenlehre. 2.1 Grundlagen Definition
2 Mengenlehre 2.1 Grundlagen Einer der wichtigsten Grundbegriffe in der Mathematik ist der Mengenbegriff. Die zugehörige Theorie - die Mengenlehre - bildet die Grundlage für die gesamte Mathematik. Nur
MehrFuzzy Logik und negative Zahlen
Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement
Mehr2 Mengenlehre. Definition: Unter einer Menge M versteht man die Zusammenfassung von unterscheidbaren Objekten (den Elementen) zu einem Ganzen.
Mengenlehre 2 Mengenlehre Definition: Unter einer Menge M versteht man die Zusammenfassung von unterscheidbaren Objekten (den Elementen) zu einem Ganzen. Üblicherweise werden Mengen mit Großbuchstaben
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
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
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,
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
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)
MehrIm allerersten Unterabschnitt wollen wir uns mit einer elementaren Struktur innerhalb der Mathematik beschäftigen: Mengen.
Kapitel 1 - Mathematische Grundlagen Seite 1 1 - Mengen Im allerersten Unterabschnitt wollen wir uns mit einer elementaren Struktur innerhalb der Mathematik beschäftigen: Mengen. Definition 1.1 (G. Cantor.
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
MehrGrundbegriffe Mengenlehre und Logik
Grundbegriffe Mengenlehre und Logik Analysis für Informatiker und Lehramt Mathematik MS/GS/FS WS 2016/2017 Agnes Radl Mengen Georg Cantor (1895) Unter einer Menge verstehen wir jede Zusammenfassung M von
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
MehrMathematik 1, Teil B
FH Oldenburg/Ostfriesland/Wilhelmshaven Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre
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
Mehr2 Entscheidungsfmdung mittels Fuzzy-Methoden
2 Entscheidungsfmdung mittels Fuzzy-Methoden Die Automatisierungstechnik übernimmt Aufgaben der Diagnose, Überwachung, Steuerung und Regelung technischer Prozesse sowie der Vorhersage und Planung. In der
MehrMathematischer Vorbereitungskurs für das MINT-Studium
Mathematischer Vorbereitungskurs für das MINT-Studium Dr. B. Hallouet b.hallouet@mx.uni-saarland.de SS 2017 Vorlesung 2 MINT Mathekurs SS 2017 1 / 23 Vorlesung 2 (Lecture 2) Einführung in die Mengenlehre.
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
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.
MehrVorbereitungskurs Mathematik zum Sommersemester 2015 Mengen und Relationen
Vorbereitungskurs Mathematik zum Sommersemester 2015 Mengen und Relationen Susanna Pohl Vorkurs Mathematik TU Dortmund 10.03.2015 Mengen und Relationen Mengen Motivation Beschreibung von Mengen Mengenoperationen
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
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,
Mehrmathematische Grundlagen der Modelltheorie: Mengen, Relationen, Funktionen
Einführung in die Logik - 6 mathematische Grundlagen der Modelltheorie: Mengen, Relationen, Funktionen Modelltheoretische / Denotationelle Semantik der Prdikatenlogik Ein Modell ist ein künstlich geschaffenes
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
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
MehrLineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund
Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer
MehrMengen und Relationen
KAPITEL 1 Mengen und Relationen 1.1. Mengenlehre Georg Cantor (3.3.1845 6.1.1918: Cantor ist der Vater der modernen Mengenlehre, er definierte 1895: DEFINITION 1.1.1. Unter einer Menge verstehen wir jede
MehrLineare Algebra I. - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Monday 12 September 16
Lineare Algebra I - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß 1. Mengen und Abbildungen: Mengen gehören zu den Grundlegendsten Objekten in der Mathematik Kurze Einführung in die (naive) Mengelehre
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/
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
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
MehrVorlesung Diskrete Strukturen Die Sprache der modernen Mathematik
Vorlesung Diskrete Strukturen Die Sprache der modernen Mathematik Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden
MehrFormale Methoden 1. Gerhard Jäger 24. Oktober Uni Bielefeld, WS 2007/2008 1/22
1/22 Formale Methoden 1 Gerhard Jäger Gerhard.Jaeger@uni-bielefeld.de Uni Bielefeld, WS 2007/2008 24. Oktober 2007 2/22 Mengen Georg Cantor (1845-1918) Eine Menge ist eine Zusammenfassung von wohlunterschiedenen
MehrMengenlehre. Mengenlehre. Vorkurs Informatik WS 2013/ September Vorkurs Informatik - WS2013/14
Mengenlehre Mengenlehre Vorkurs Informatik WS 2013/14 30. September 2013 Mengen Mengen Definition (Menge) Unter einer Menge verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objekten
MehrWarum Mathe? IG/StV-Mathematik der KFU-Graz. 1 Mengen Mengenoperationen Rechenregeln Mengen 4. Funktionen 7
Warum Mathe? IG/StV-Mathematik der KFU-Graz März 2011 Inhalt 1 Mengen 1 1.1 Mengenoperationen.............................. 2 1.2 Rechenregeln.................................. 3 2 Übungsbeispiele zum
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
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,
MehrFür ist Element von und ist nicht Element von schreibt man: 2
3 Mengen, Logik Jörn Loviscach Versionsstand: 2. Dezember 2011, 16:25 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.j3l7h.de/videos.html This work
MehrEuler-Venn-Diagramme
Euler-Venn-Diagramme Mengendiagramme dienen der graphischen Veranschaulichung der Mengenlehre. 1-E1 1-E2 Mathematische Symbole c leere Menge Folge-Pfeil Äquivalenz-Pfeil Existenzquantor, x für (mindestens)
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
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. Welche dieser Mengen sind paarweise gleich, ungleich? Begründung!
Hinweis: Auf den Übungsblättern in diesem Semester wird es grundsätzlich die drei Aufgabentypen Vorbereitungsaufgabe, Tutoraufgabe und Hausaufgabe geben. Die als Vorbereitung bezeichneten Aufgaben dienen
MehrZusatzmaterial zur Mathematik I für E-Techniker Übung 1
Mathematik I für E-Techniker C. Erdmann WS 011/1, Universität Rostock, 1. Vorlesungswoche Zusatzmaterial zur Mathematik I für E-Techniker Übung 1 Wiederholung - Theorie: Mengen Der grundlegende Begriff
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
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrMengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit
Mengen! Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor)! Notation 1. Aufzählung aller Elemente: {
MehrMathematik für Ökonomen 1
Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstemester 2008 Mengen, Funktionen und Logik Inhalt: 1. Mengen 2. Funktionen 3. Logik Teil 1 Mengen
MehrMengenlehre. Aufgaben mit Lösungen
Mengenlehre Aufgaben mit Lösungen Inhaltsverzeichnis 1 Hilfsmittel 1 1. Zahlenmengen........................................ 1 2. Symbole........................................... 1 3. Intervalle: Schreibweise...................................
MehrMengenlehre. Jörg Witte
Mengenlehre Jörg Witte 25.10.2007 1 Grbegriffe Die Menegenlehre ist heute für die Mathematik grlegend. Sie spielt aber auch in der Informatik eine entscheidende Rolle. Insbesondere fußt die Theorie der
Mehr1 Mengen. 1.1 Elementare Definitionen. Einige mathematische Konzepte
Einige mathematische Konzepte 1 Mengen 1.1 Elementare Definitionen Mengendefinition Die elementarsten mathematischen Objekte sind Mengen. Für unsere Zwecke ausreichend ist die ursprüngliche Mengendefinition
MehrKai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger. Fuzzy-Regelung. Grundlagen, Entwurf, Analyse. Mit 174 Abbildungen und 9 Tabellen.
Kai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger Fuzzy-Regelung Grundlagen, Entwurf, Analyse Mit 174 Abbildungen und 9 Tabellen Springer Inhaltsverzeichnis 1. Grundlagen der Fuzzy-Systeme 1 1.1
MehrFür unseren Gebrauch ist eine Menge bestimmt durch die in ihr enthaltenen Elemente. Ist M eine Menge, so ist ein beliebiges Objekt m wieder so ein
Mengen 1.2 9 1.2 Mengen 7 Der Begriff der Menge wurde am Ende des 19. Jahrhunderts von Georg Cantor wie folgt eingeführt. Definition (Cantor 1895) Eine Menge ist eine Zusammenfassung M von bestimmten,
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
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
Mehr11. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 11. Vorlesung Stochastische Optimierung Simmulated Annealing 11. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrVorlesung Diskrete Strukturen Relationen
Vorlesung Diskrete Strukturen Relationen Bernhard Ganter WS 2009/10 Relationen Es seien A und B Mengen. Eine (binäre) Relation zwischen A und B ist eine Teilmenge von A B. Ein wichtiger Spezialfall ist
Mehr3 Mengen, Logik. 1 Naive Mengenlehre
3 Mengen, Logik Jörn Loviscach Versionsstand: 21. September 2013, 15:53 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos: http://www.j3l7h.de/videos.html This work is
Mehr2. Vorlesung Expertensysteme
Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
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
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
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 Mengen, Abbildungen und Relationen
Vorlesung WS 08 09 Analysis 1 Dr. Siegfried Echterhoff 2 Mengen, Abbildungen und Relationen Definition 2.1 (Mengen von Cantor, 1845 1918) Eine Menge M ist eine Zusammenfassung von wohlbestimmten und wohl
MehrMengen, Funktionen und Logik
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Mengen, Funktionen und Logik Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrMathematische Grundlagen der Computerlinguistik Mengen und Mengenoperationen
Mathematische Grundlagen der Computerlinguistik Mengen und Mengenoperationen Dozentin: Wiebke Petersen 1. Foliensatz Wiebke Petersen math. Grundlagen 6 Frage Was ist eine Menge? 1 Minute zum Nachdenken
Mehr4. Mathematische und notationelle Grundlagen. Beispiel Mengen. Bezeichnungen:
4. Mathematische und notationelle Grundlagen 4.1 Mengen Beispiel 3 A 1 = {2, 4, 6, 8}; A 2 = {0, 2, 4, 6,...} = {n N 0 ; n gerade} Bezeichnungen: x A A x x A B A B A { } x Element A x nicht Element A B
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
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
Mehr1 Mengen. 1.1 Elementare Definitionen. Einige mathematische Konzepte
Einige mathematische Konzepte 1 Mengen 1.1 Elementare Definitionen Mengendefinition Die elementarsten mathematischen Objekte sind Mengen. Für unsere Zwecke ausreichend ist die ursprüngliche Mengendefinition
Mehr1 Mengenlehre. 1.1 Grundbegriffe
Dieses Kapitel behandelt Grundlagen der Mengenlehre, die in gewisser Weise am nfang der Mathematik steht und eine Sprache bereitstellt, die zur weiteren Formulierung der Mathematik sehr hilfreich ist.
MehrJEFIS. Java Expert Fuzzy Inference System Masterprojekt. Stefan Becker Frank Volkmer Alex Besstschastnich
JEFIS Java Expert Fuzzy Inference System Masterprojekt Stefan Becker Frank Volkmer Alex Besstschastnich 20.06.2008 Einleitung Projektaufbau Infrastruktur Fuzzy Logik Regelauswertung GUI und Vorführung
Mehr1 Mengen. 1.1 Definition
1 Mengen 1.1 Definition Eine Menge M ist nach dem Begründer der Mengenlehre Georg Cantor eine Zusammenfassung von wohlunterschiedenen(verschiedenen) Elementen. Eine Menge lässt sich durch verschiedene
MehrMengenlehre. Spezielle Mengen
Mengenlehre Die Mengenlehre ist wie die Logik eine sehr wichtige mathematische Grundlage der Informatik und ist wie wir sehen werden auch eng verbunden mit dieser. Eine Menge ist eine Zusammenfassung von
MehrFuzzy-Logic. René K. Bokor - 5 HBa Fuzzy Logic Seite: 1
Fuzzy-Logic Einleitung In den letzten Jahren kommt die Theorie der unscharfen Mengen, auch Fuzzy Sets genannt, immer mehr Bedeutung zu. Das nun folgende Referat soll einen Überblick über die wesentlichen
MehrEine Menge A ist die Zusammenfassung gleichartiger Elemente zu einer Gesamtheit. Eine Menge kann definiert werden durch
1.2 Mengenlehre Grundlagen der Mathematik 1 1.2 Mengenlehre Definition: Menge, Element, Variablenraum Eine Menge A ist die Zusammenfassung gleichartiger Elemente zu einer Gesamtheit. Eine Menge kann definiert
Mehr1 Grundlagen. 1.1 Aussagen
1 Grundlagen 1.1 Aussagen In der Mathematik geht es um Aussagen. Eine Aussage ist ein statement, das entweder wahr oder falsch sein kann. Beides geht nicht! Äußerungen, die nicht die Eigenschaft haben,
MehrLogik und Mengen. Jörg Frochte und Markus Lemmen
Logik und Mengen Jörg Frochte und Markus Lemmen FB Elektrotechnik und Informatik Hochschule Bochum - University of Applied Sciences - Campus Velbert-Heiligenhaus (CVH) Grundlagen der Mathematik Jörg Frochte
MehrMathematik für Techniker
Siegfried Völkel u.a. Mathematik für Techniker 7., neu bearbeitete und erweiterte uflage 16 1 Rechenoperationen Prinzip der Mengenbildung Wenn eine ussageform für die Objekte eines Grundbereichs vorliegt,
Mehr1.2 Klassen und Mengen
14 1.2 Klassen und Mengen Als undefinierten Grundbegriff verwenden wir den Begriff der Klasse. Dieser ist allgemeiner als der Mengenbegriff und wird in der Algebra zur Definition sogenannter Kategorien
MehrMengenlehre. ALGEBRA Kapitel 1 MNProfil - Mittelstufe KZN. Ronald Balestra CH Zürich Name: Vorname:
Mengenlehre ALGEBRA Kapitel 1 MNProfil - Mittelstufe KZN Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch Name: Vorname: 21. August 2016 Inhaltsverzeichnis 1 Mengenlehre 1 1.1 Die Menge im mathematischen
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
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
MehrMengenlehre Zahlbereiche. II Mengenlehre. Propädeutikum Holger Wuschke. 18. September 2018
Propädeutikum 2018 18. September 2018 in der Mengenlehre Denition einer Menge (Georg Cantor, 1869) Unter einer Menge verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objecten m unsrer
MehrVorkurs Mathematik. Prof. Udo Hebisch WS 2017/18
Vorkurs Mathematik Prof. Udo Hebisch WS 2017/18 1 1 Logik 2 1 Logik Unter einer Aussage versteht man in der Mathematik einen in einer natürlichen oder formalen Sprache formulierten Satz, für den eindeutig
MehrAus welchen Mengen soll das Futter gemischt werden, so dass die Gesamtkosten minimal werden?
Futtermischung (Beispiel nach OHSE, D. (004/005): athematik für Wirtschaftswissenschaftler. Bd. I u. II, ünchen: Vahlen) Zur Fütterung von Hühnern einer Farm sind drei Futtermittel F, F und F 3 vorgesehen,
MehrVorkurs Mathematik. Christoph Hindermann. Mengenlehre und Kombinatorik
Kapitel 1 Christoph Hindermann Vorkurs Mathematik 1 1.1.1 Begriff der Menge Eine Menge ist eine Zusammenfassung bestimmer, wohl unterscheidbarer Objekte unserer Anschauung oder unseres Denkens. Die Objekte
MehrWirtschafts- und Finanzmathematik
Wirtschafts- und Finanzmathematik für Betriebswirtschaft und International Management Wintersemester 2017/18 04.10.2017 Einführung, R, Grundlagen 1 11.10.2017 Grundlagen, Aussagen 2 18.10.2017 Aussagen
MehrFunktionen. x : Variable von f oder Argument f x : Funktionswert, Wert der Funktion f an der Stelle x D f. : Definitionsmenge(Urbildmenge)
Funktionen Eine Funktion oder Abbildung ist eine Beziehung zwischen zwei nicht leere Mengen D f und Z, die jedem Element x aus einer Menge D f genau ein Element y aus anderer Menge Z zuordnet. f : D f
Mehr