Fuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
|
|
- Markus Dressler
- vor 5 Jahren
- Abrufe
Transkript
1 Fuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
2 Theoretische Einführung Was ist Fuzzy Logic? Entwicklungsgeschichte Fuzzy Logic Information und Komplexität Arten der Unsicherheit Wofür kann Fuzzy Logic verwendet werden?
3 Entwicklungsgeschichte Fuzzy Logic (1) Der Begriff Fuzzy wurde 1965 von Lotfi A. Zadeh geprägt. Fuzzy Logic galt wissenschaftlich als unpräzise unseriös Nach 20 Jahre wurde Fuzzy Logic akzeptiert Seit den 90er ein richtiger Boom Nach Erfolgen in industriellen Anwendungen findet Zugang zu Uni Vorreiter Japan
4 Entwicklungsgeschichte der Fuzzy Logic (2) Fuzzy Logic = keine bestimmte Mathematische Logik, sondern eine Theorie der unscharfen Mengen. Hauptgedanke: Umgang mit unscharfen Mengen zugehörig nicht zugehörig Zwischenstufen
5 Information und Komplexität bisherige Methoden zur Erstellung komplexer Systeme hohe Anzahl von relevanten Variablen viele Faktoren hohe Abhängigkeit zwischen diesen Faktoren Fuzzy Systeme (tolerieren) Anteil Präzision Vagheit Unsicherheit
6 Art der Unsicherheit Vagheit Unscharfe Entscheidungen Mehr oder weniger Zum Beispiel Ist es ein Kreis? Mehrdeutigkeit Welche von mehreren Entscheidungen ist richtig? Zum Beispiel Lottozahlen
7 Wofür kann Fuzzy Logic verwendet werden? Unscharfe Informationen z.b. Verarbeitung der Sprache semantisch Komplexe Systeme z.b. Medizin
8 Fuzzy Sets 1-2 jung jung or alt alt nicht jung = 1-jung jung and alt nicht alt = 1- alt
9 Fuzzy Sets 2-2 nicht jung and nicht alt nicht sehr jung and nicht sehr alt sehr jung sehr jung or sehr alt sehr alt sehr sehr alt
10 Example: Fuzzy Driving Brake Speed Distance
11 Fuzzy Processing Unit, FPU
12 Input Fuzzy Set : Distance
13 Input Fuzzy Set : Speed
14 Knowledge-Base
15 Knowledge-Base Rule 1: If Distance is Middle and Speed is High Then Brake is Mittel Rule 2: If Distance is Low and Speed is High Then Brake is High Etc.
16 Output Fuzzy Set: Brake
17 Facts: Distance = 35 m Speed = 90 Km/h
18 Distance = 35 m, Low Speed = 90 km/h, High
19 Result of Rule 1 Result of Rule 2 Addition of Two Fuzzy Sets
20 DefuzificationCenter of Gravity 71% of Brake Intensity
21 Deffuzification The Output Fuzzy Set is converted into Discret (Crisp) Value. Center of Gravity Method is the most used to make this conversion
22 Linguistische Variablen und Terme Numerische Variablen nicht Zahlen Wörter oder Ausdrücke z.b. kann die Raumtemperatur als linguistische Variable mit den Termen kalt, kühl, angenehm, warm und heiss aufgefasst werden.
23 Praktische Beispiele Teil 1: Erläuterung der Theorie anhand eines praktischen Beispiels Teil 2: Vorstellen Fuzzy-Anwendungen - technische - betriebswirtschaftliche
24 Problemstellung Wir möchten in einem Druckkesselsystem von den gegebenen Messwerten Pressure und Volume auf die Temperature schliessen können. Anhand bestehender Daten wissen und definieren wir:
25 Angaben zur Problemstellung (1) Pressure [atmosphere] befindet sich im Intervall [0 12] und wir definieren: niedrig: mittel: hoch: [0 3] [0 8] mehr als 5
26 Angaben zur Problemstellung (2) Volume [litre] befindet sich im Intervall [0 20] und wir definieren: niedrig: mittel: hoch: [0 10] [5 15] mehr als 10
27 Angaben zur Problemstellung (3) Temperature [Centigrade] befindet sich im Intervall [0 70] und wir definieren: niedrig: mittel: hoch: [0 30] [10 50] mehr als 40
28 Weiteres Wissen Wenn Pressure hoch ist und Volume niedrig, dann ist Temperature niedrig Wenn Pressure mittel ist und Volume mittel, dann ist Temperature auch mittel Wenn Volume nicht niedrig ist, dann ist Temperature sehr hoch
29 Fuzzy System Modellierung
30 Eingangsvariable Pressure Graphische Darstellung von Pressure
31 Erläuterungen zu Pressure Pressure (x) hoch = { 0, (x 5)/4) 1, if x < 5, if 5 <= x <= 9 if x > 5 Beispiel: Pressure (6) hoch da 5 <= 6 <= 9, (hoch(6) 5)/4 = 0,25 }
32 Eingangsvariable Volume Graphische Darstellung von Volume
33 Ausgangsvariable Temperature Graphische Darstellung von Temperature
34 Regelblock Regel 1 Regel 2 hoch mittel AND OR Volume niedrig mittel Temperature niedrig mittel Pressure Regel 3 nicht niedrig sehr hoch
35 Zahlenbeispiel Wir wissen, dass die Pressure 6 atmospheres ist und das Volume 8 litre. Wie gross ist die Temperature?
36 Lösung in 3 Schritten Fuzzifizierung Regelbearbeitung (Inferenz) Defuzzifizierung
37 Fuzzifizierung (1) 6 Pressure: hoch 0,25 mittel 0,5
38 Fuzzifizierung (2) 8 Volume: niedrig 0,4 mittel 0,6
39 Regelbearbeitung (1) Pressure: Volume: hoch 0,25 niedrig 0,4 mittel 0,5 mittel 0,6 Die Zahlen geben den DoS (Degree of Support) oder Plausibilitätsgrad an, mit welchen die Variablen zutreffen.
40 Regelbearbeitung (2) Regel 1 Regel 2 Pressure (0,25) hoch AND (0,5) mittel OR Volume (0,4) niedrig (0,6) mittel Temperature niedrig mittel Regel 3 (1-0,4) nicht niedrig sehr hoch
41 Regelbearbeitung (3) Regel 1: min(0,25 0,4) = 0,25 niedrig Regel 2: max(0,5 0,6) = 0,6 mittel Regel 3: nicht niedrig (0,6) = (0,6)2 sehr hoch
42 Defuzzifizierung (1) 0,6 0,25 0,36 Erhaltene Fuzzy-Werte auf die Temperature Skalierung abtragen.
43 Defuzzifizierung (2) Schwerpunkt der Fläche bestimmen und auf die x-achse abtragen. Ergibt einen Temperature Wert von ca. 35
44 Middle East destabilization (1)
45 Middle East destabilization (2) System Design mit Fuzzy Logic
46 Anwendungen mit Fuzzy Logic: Zusammenfassung Der Aufwand, ein komplexes nichtlineares Regelungsproblem zu lösen kann mit Hilfe der Fuzzy-Regelung üblicherweise deutlich reduziert werden. Geopfert wird dabei nicht die Präzision klassischer mathematischer Modelle an sich, sondern nur die zwecklose Präzision, die oft gar nicht nötig ist. Alle zur Zeit mit Fuzzy-Methoden erzielten Problemlösungen wären auch mit konventionellen mathematischen/informatischen Methoden lösbar. Der Unterschied ist nur, dass Fuzzy-Lösungen oft sehr viel einfacher, kostengünstiger, leichter zu entwickeln und leichter zu implementieren sind.
47 Anwendungen mit Fuzzy Logic: Fazit Die Lösungen sind vielleicht nicht perfekt, aber es ist zu bedenken, dass die letzten 10% Genauigkeit oft 90% des Aufwandes kosten. Damit werden Fuzzy-Systeme wirtschaftlich sinnvoll und vertretbar.
Fuzzy Logic. Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
Fuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic Inhalt Theoretische Einführung Praktische Beispiele Neuronale Netze und Fuzzy Logic, FuzzyTECH Anwendung Diskussion, Fragen & Antworten Theoretische
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrFuzzy Logik und negative Zahlen
Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement
MehrFuzzy 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
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.
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
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-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 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:
MehrAnhang zum Kapitel 12: Intelligente Regelung Fuzzy-Regler
376 Anhang zum Kapitel 12: Intelligente Regelung 12.2 Fuzzy-Regler 12.2 Fuzzy-Regler 377a 12.2.5a Fuzzy Logic Toolbox von MATLAB Mit der Fuzzy Logic Toolbox kann man einen Fuzzy-Regler direkt über die
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
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
MehrFuzzy Movement. Dirk Güldner. Seminar: Knowledge Engineering und Lernen in Spielen. TU-Darmstadt, SS 2006,
Fuzzy Movement Dirk Güldner Seminar: Knowledge Engineering und Lernen in Spielen TU-Darmstadt, SS 2006, 30.05.2006 Übersicht Begriffsdefinition allgemeine Ziele & Ziele in Spieleumgebungen Situations-
MehrUnit 6. Fuzzy Inference. Fuzzy Logic I 159
Unit 6 Fuzzy Inference Fuzzy Logic I 159 Motivation Our ultimate goal is to be able to proceed IF-THEN rules involving vague linguistic expressions which are modeled by fuzzy sets. Question: What is still
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
MehrDer Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen, unscharf.
F A C H H O C H S C H U L E S T R A L S U N D Fachbereich Maschinenbau Prof.Dr.-Ing. Ch.Wahmkow Fuzzy- logic Eine Einführung Der Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen,
MehrExtended Petri Nets for. Systems Biology. LFE Practical Informatics and Bioinformatics. Department Institut für Informatik.
Extended Petri Nets for Systems Biology Selina Sommer LFE Practical Informatics and Bioinformatics Department Institut für Informatik Outline Extended Petri nets for the simulation of network dynamics
Mehr12.4 Fuzzy-Regler 405
12.4 Fuzzy-Regler 405 12.4.5 Fuzzy Logic Toolbox von MATLAB Mit der Fuzzy Logic Toolbox kann man einen Fuzzy-Regler direkt über die commandline oder über eine graphische Benutzeroberfläche erstellen. Danach
MehrFuzzy Logik Fuzzy Logik, Franka Zander, Dezember 2004
Fuzzy Logik Franka Zander, Dezember 2004 Franka Zander, Dezember 2004 2/43 Inhaltsverzeichnis 1. Unscharfe Mengen 1.1 Einleitung 1.2 Unscharfe Mengen und deren Verknüpfung 1.3 Unscharfe Zahlen 2. Unscharfe
MehrGrundlagen der Fuzzy-Logik
Grundlagen der Fuzzy-Logik Seminarvortrag Julian Górny Matrikelnummer: 995146 Gliederung 1 Einleitung 2 Grundlagen 3 Fuzzy-Controller 4 Anwendungsbeispiel 5 Fazit und Ausblick Seite 2 Einleitung Bestimmte
MehrFuzzy Logic & Control
Warum einfach, wenn es auch schwer geht? Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Prädikatenlogik Die Prädikatenlogik erweitert die Aussagenlogik mit den Junktoren, und um
MehrFuzzy Systeme vom Typ 1. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Fuzzy Systeme vom Typ Sommersemester 2008 Ausgewählte Kapitel der Computational Intelligence (Vorlesung) Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Fuzzy Regelung Prof. Dr. Günter Rudolph Fachbereich
MehrZum Umgang mit unscharfen chronologischen Informationen. Oliver Nakoinz
Zum Umgang mit unscharfen chronologischen Informationen 1. 2. 3. Oliver Nakoinz 4. 5. Einleitung a. Zeit & temporales Wissen b. Zeitskalen c. Meßfehler d. Typologische Datierung Chronologische Inferenz
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,
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)
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
MehrUnit 4. The Extension Principle. Fuzzy Logic I 123
Unit 4 The Extension Principle Fuzzy Logic I 123 Images and Preimages of Functions Let f : X Y be a function and A be a subset of X. Then the image of A w.r.t. f is defined as follows: f(a) = {y Y there
MehrUnit 1. Motivation and Basics of Classical Logic. Fuzzy Logic I 6
Unit 1 Motivation and Basics of Classical Logic Fuzzy Logic I 6 Motivation In our everyday life, we use vague, qualitative, imprecise linguistic terms like small, hot, around two o clock Even very complex
MehrSoft Computing in der Konjunkturprognostik
mice.uni-muenster.de Soft Computing in der und Handelsblatt Frühindikator im Vergleich DIW Berlin, 20. Juni 2005 Stefan Kooths Überblick 2 Wissensgrenze Ausgangspunkt: Erwartungsbildung in Konjunkturmodellen
MehrMethoden der unscharfen Optimierung
Methoden der unscharfen Optimierung Mike Hüftle Juli 2005 Inhaltsverzeichnis 1 Einleitung 2 1.1 Unscharfe Mengen.......................... 2 2 Unscharfe Mengen 3 2.1 Zugehörigkeit.............................
MehrAlgorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer
Algorithm Theory 3 Fast Fourier Transformation Institut für Informatik Wintersemester 2007/08 Chapter 3 Fast Fourier Transformation 2 Polynomials Polynomials p over real numbers with a variable x p(x)
MehrJessica Naundorf. Kritische Analyse von. Employer Awards im Kontext. des Employer Branding
Jessica Naundorf Kritische Analyse von Employer Awards im Kontext des Employer Branding Rainer Hampp Verlag München, Mering 2016 -I- Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
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
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
MehrDer Fuzzy Regler, ein nicht-linearer Regelkreis
Der Fuzzy Regler, ein nicht-linearer Regelkreis Einleitung Das englische Wort fuzzy steht für kraus, unscharf, verschwommen. Fuzzy ist die Erweiterung der Logik auf unscharfe Zustände. Der Digitaltechnik
MehrSAS Format: Fallen und Tricks
Data Step SAS Format: Fallen und Tricks Sascha Rampersad inventiv Health Germany GmbH a Syneos Health Company Frankfurter Strasse 233, Triforum, Haus C1 63263 Neu-Isenburg sascha.rampersad@syneoshealth.com
MehrUnit 2. A Brief Introduction to Fuzzy Logic and Fuzzy Systems
Unit 2 A Brief Introduction to Fuzzy Logic and Fuzzy Systems Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer Motivation In our everyday life, we use vague, qualitative,
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
MehrWarum Interaktionen? Und was kann schiefgehen?
Warum Interaktionen? Und was kann schiefgehen? Viele theoretische Überlegungen folgen der Form: X führt zu Y, wenn Z gegeben ist Multiplikative Interaktionen (Produktterme) bilden das gut ab Aber in der
MehrInhaltsverzeichnis. 1.1 Problemstellung und Zielsetzung der Arbeit Aufbau der Arbeit 5
Abbildungsverzeichnis XII Tabellenverzeichnis XV Symbolverzeichnis XIX 1 Problemstellung, Zielsetzung und Aufbau der Arbeit 1 1.1 Problemstellung und Zielsetzung der Arbeit 1 1.2 Aufbau der Arbeit 5 2
MehrUnit 8. Applications in Image Processing with Examples. Fuzzy Logic I 205
Unit 8 Applications in Image Processing with Examples Fuzzy Logic I 205 Image Processing Making visible, e.g. filtering, emphasizing of relevant areas, brightness Reconstruction of noisy images Compression...
MehrEntscheidungsunterstützung/ Künstliche Intelligenz. Teil 4
Entscheidungsunterstützung/ Künstliche Intelligenz Teil 4 BiTS, Sommersemester 2005 Dr. Stefan Kooths KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 4 1 Gliederung 1. Einführung 2.
MehrObjektorientierte PL/SQL-Entwicklung Ein Erfahrungsbericht aus Sicht von JAVA-Entwicklern
Thema Objektorientierte PL/SQL-Entwicklung Ein Erfahrungsbericht aus Sicht von JAVA-Entwicklern Referent: Frank Sanders Seite 1 Inhalt Der Vortrag hat einen sehr kurzen Einleitungsteil der sich mit Objektorientierung
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
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
MehrKapitel 9 Fuzzy-Regelung. 29. Juni 2005
Kapitel 9 Fuzzy-Regelung 29. Juni 2005 Plan Klärung der prinzipiellen Unterschiede zwischen der klassischen Regelungstechnik, und der Fuzzy-Regelung, Vorstellen von zwei intuitiv motivierte Methoden der
MehrD-BAUG Informatik I. Exercise session: week 1 HS 2018
1 D-BAUG Informatik I Exercise session: week 1 HS 2018 Java Tutorials 2 Questions? expert.ethz.ch 3 Common questions and issues. expert.ethz.ch 4 Need help with expert? Mixed expressions Type Conversions
MehrÜbung 3: VHDL Darstellungen (Blockdiagramme)
Übung 3: VHDL Darstellungen (Blockdiagramme) Aufgabe 1 Multiplexer in VHDL. (a) Analysieren Sie den VHDL Code und zeichnen Sie den entsprechenden Schaltplan (mit Multiplexer). (b) Beschreiben Sie zwei
MehrDynamische Schlammalterregelung mit Fuzzy-Logic DWA/VDI Tagung Mess- und Regelungstechnik in abwassertechnischen Anlagen Fulda 2011
Dynamische Schlammalterregelung mit Fuzzy-Logic DWA/VDI Tagung Mess- und Regelungstechnik in abwassertechnischen Anlagen Fulda 2011 Dr. Martin Michel Mensch Beckentiefe Hydraulik C N Kohlenstoff, Stickstoff
MehrEinführung in die Fuzzy-Logik
Einführung in die Fuzzy-Logik M. Bongards 10/14/2004 1 Inhalt Einführung Hintergrund Fuzzy-Sets Fuzzy Set - Operationen Fuzzy Anwendungsbeispiel Fuzzy-Regelungssysteme Adaptive Fuzzy Systeme Perspektiven
MehrR&R. Ges. für Rationalisierung und Rechentechnik mbh. R&R RR-P-508 / ST106-EX1 motor-control unit
R&R R&R RR-P-08 / ST06-EX motor-control unit housing wxhxd weight application power supply aluminum anodized approx. 6 x 8 x 8 mm housing similar to ST0 drawing DNR967 approx. 80 g motor desk control unit
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
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,]
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
MehrSpezifikation für Freigabe / specification for release
@@FRM 1@@ Spezifikation für Freigabe / specification for release : A Mechanische Abmessungen / dimensions: Größe / size 1008 A 2,5 ± 0,2 mm B 2,0 ± 0,2 mm C 1,0 (max.) mm D 0,5 ± 0,3 mm B Elektrische Eigenschaften
MehrWenn die Komplexität zunimmt, verlieren präzise Aussagen an Bedeutung, und bedeutungsvolle Aussagen verlieren an Präzision.
Soweit sich die Gesetze der Mathematik auf die Realität beziehen, sind sie ungewiss. Und soweit sie gewiss sind, beziehen sie sich nicht auf die Realität. Albert Einstein Wenn die Komplexität zunimmt,
MehrRegelprozesse in der Praxis
Regelprozesse in der Praxis BMU-Fachtagung Prozessmesstechnik an Biogasanlagen 25./26. März 2014 Dr. agr. Markus Schlattmann 26.03.2014 Folie 1 Agenda AWITE Bioenergie GmbH Messgrößen Regler und Beispiele
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.
MehrRegelungstechnik. Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz. Mit 118 Beispielen und 56 Aufgaben mit Lösungen
Regelungstechnik Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz Mit 118 Beispielen und 56 Aufgaben mit Lösungen Oldenbourg Verlag München Wien I Mehrgrößen-Regelsysteme
MehrFPGA Systementwurf. Rosbeh Etemadi. Paderborn University. 29. Mai 2007
Paderborn Center for Parallel l Computing Paderborn University 29. Mai 2007 Übersicht 1. FPGAs 2. Entwicklungssprache VHDL 3. Matlab/Simulink 4. Entwicklungssprache Handel-C 5. Fazit Übersicht FPGAs 1.
MehrUnit 15. A Case Study in Inductive Learning FS-FOIL. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 283
Unit 15 A Case Study in Inductive Learning FS-FOIL Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 283 FS-FOIL: Basic Idea FS-FOIL is a fuzzy variant of Quinlan s
MehrBiosignal Processing III
Biosignal Processing III LEARNING OBJECTIVES Signal averaging Artificial intelligence o Fuzzy logic o Artificial neural networks SIGNAL AVERAGING Biologische Signale haben oft viel Noise, daher ist es
MehrMeteorological measurements at the Offshore Platform FINO 2 - new insights -
FINO 2011 Conference May 11 th 2011, Hamburg, Germany Meteorological measurements at the Offshore Platform FINO 2 - new insights - Dipl.-Geoök. Stefan Müller, Dipl.-Ing Joachim Schwabe Content 1. FINO
MehrSemantik von Programmiersprachen SS 2017
Lehrstuhl für Programmierparadigmen Denis Lohner Sebastian Ullrich denis.lohner@kit.edu sebastian.ullrich@kit.edu Semantik von Programmiersprachen SS 2017 http://pp.ipd.kit.edu/lehre/ss2017/semantik Lösungen
MehrUMWELT UND ENTSORGUNG / WASTE DISPOSAL AND SEPARATION
UMWELT UND ENTSORGUNG / WASTE DISPOSAL AND SEPARATION Umweltfreundliche Entsorgung beginnt am Arbeitsplatz einfach, sauber und getrennt nach Stoffen. Environmental responsibility starts at your desk sleek,
MehrTeil III: Wissensrepräsentation und Inferenz. Kap.7: Unsicherheit und Vagheit. Arten von Unsicherheit & Vagheit
Arten von Unsicherheit & Vagheit Vorlesung Künstliche Intelligenz Wintersemester 2008/09 Teil III: Wissensrepräsentation und Inferenz Kap.7: Unsicherheit und Vagheit Dieses Kapitel basiert auf Material
MehrIntelligente Systeme
Intelligente Systeme Fuzzy-Systeme Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cbraune,cmoewes}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrTeil III: Wissensrepräsentation und Inferenz. Kap.7: Unsicherheit und Vagheit
Vorlesung Künstliche Intelligenz Wintersemester 2008/09 Teil III: Wissensrepräsentation und Inferenz Kap.7: Unsicherheit und Vagheit Dieses Kapitel basiert auf Material von A. Abecker, welches auf Material
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.
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
MehrProblem: Keine Integers in JavaCard. ToDo: Rechnen mit Bytes und Shorts
Kapitel 6: Arithmetik in JavaCard Problem: Keine Integers in JavaCard ToDo: Rechnen mit Bytes und Shorts Java SmartCards, Kap. 6 (1/20) Hex-Notation 1 Byte = 8 Bit, b 7 b 6 b 5 b 4 b 3 b 2 b 1 b 0 0101
MehrInformatik für Mathematiker und Physiker Woche 2. David Sommer
Informatik für Mathematiker und Physiker Woche 2 David Sommer David Sommer 25. September 2018 1 Heute: 1. Self-Assessment 2. Feedback C++ Tutorial 3. Modulo Operator 4. Exercise: Last Three Digits 5. Binary
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
MehrSeminar Imperfektion und Datenbanken
Seminar Imperfektion und Datenbanken Benutzerfreundliche Beschreibung von unscharfen Zeitintervallen Cornelius Kuppler Betreuer: Gábor Nagypál 1 Inhalt Sichere und unsichere Zeitangaben Merkmale geschichtlicher
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Definition Algorithmus. Wie beschreibt man Algorithmen?
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 1 Einführung Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München 2 Grundlagen von Algorithmen
MehrEntscheidungsunterstützungssysteme für eine klinische COPD-Trainingssteuerung mittels Fuzzy-Arden-Syntax
Entscheidungsunterstützungssysteme für eine klinische COPD-Trainingssteuerung mittels Fuzzy-Arden-Syntax Marcus Apel, Bianying Song,, Michael Marschollek, Reinhold Haux, Uwe Tegtbur Vortragsgliederung
MehrHHS Sicherheitshinweise: Rundes Helmholtz-Spulenpaar HHS Security notes: Circular Helmholtz Coils HHS
Sicherheitshinweise: Rundes Helmholtz-Spulenpaar HHS 5206-6 Security notes: Circular Helmholtz Coils HHS 5206-6 Beschreibung: Dieses Dokument beschreibt die Sicherheitsvorkehrungen, die bei der Benutzung
MehrShock pulse measurement principle
Shock pulse measurement principle a [m/s²] 4.0 3.5 3.0 Roller bearing signals in 36 khz range Natural sensor frequency = 36 khz 2.5 2.0 1.5 1.0 0.5 0.0-0.5-1.0-1.5-2.0-2.5-3.0-3.5-4.0 350 360 370 380 390
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2016 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 1 Einführung 2 Grundlagen von Algorithmen
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 19 (27.6.2018) Dynamische Programmierung III Algorithmen und Komplexität Dynamische Programmierung DP Rekursion + Memoization Memoize:
MehrFuzzy Control methodenorientiert. von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern
Fuzzy Control methodenorientiert von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern R. Oldenbourg Verlag München Wien 1997 Inhaltsverzeichnis Vorwort XI 1 Einführung 1 1.1 Entstellung
MehrDuale Regelungstechnik
Prof. Dr.-lng. Serge Zacher Duale Regelungstechnik Methoden und Werkzeuge der lnformationstechnologie für die Regelungstechnik mit Prozessrechnern VDE VERLAG GMBH Inhalt 1 1.1 1.2 1.3 1.4 1.4.1 1.4.2 1.4.3
MehrWortdekodierung. Vorlesungsunterlagen Speech Communication 2, SS Franz Pernkopf/Erhard Rank
Wortdekodierung Vorlesungsunterlagen Speech Communication 2, SS 2004 Franz Pernkopf/Erhard Rank Institute of Signal Processing and Speech Communication University of Technology Graz Inffeldgasse 16c, 8010
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
Mehr6 Eigenständiges Programmieren
6 Eigenständiges Programmieren Allgemeines zu allen Aufgabenblöcken: Lesen Sie den jeweils einleitenden Aufgabentext und die Aufgabenstellung genau Damit Sie erläuternden Text von den Aufgabenstellungen
MehrInhalt. Mehr Informationen zum Titel
Mehr Informationen zum Titel Inhalt 1 Einführung 15 1.1 Aufgaben der Regelungstechnik... 15 1.2 Steuern oder Regeln?... 15 1.3 Regelkreise im Wirkungsplan... 20 1.4 Festwert- und Folgeregelung... 21 1.4.1
MehrFundamente der Computational Intelligence
Wintersemester 2006/07 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
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
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrInstrument table HT-020. description/ technical data. table height min.: 650mm table height max.: 1320mm tabletop Multiplex beech: 700x 460mm.
Wagner&Guder UG(mbH) & Co.KG HT-020 Multiplex beech: 700x 460mm table weight: 40kg 6x multiple socket 230VAC Schuko under table with wheels, two of them with brakes Wagner&Guder UG(mbH) & Co.KG HT-100
MehrEvidenzpropagation in Bayes-Netzen und Markov-Netzen
Einleitung in Bayes-Netzen und Markov-Netzen Thomas Thüm 20. Juni 2006 1/26 Thomas Thüm in Bayes-Netzen und Markov-Netzen Übersicht Einleitung Motivation Einordnung der Begriffe 1 Einleitung Motivation
MehrQuadt Kunststoffapparatebau GmbH
Quadt Kunststoffapparatebau GmbH Industriestraße 4-6 D-53842 Troisdorf/Germany Tel.: +49(0)2241-95125-0 Fax.: +49(0)2241-95125-17 email: info@quadt-kunststoff.de Web: www.quadt-kunststoff.de Page 1 1.
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
MehrIntelligente Systeme
Intelligente Systeme Fuzzy-Systeme Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 21 (15.7.2016) String Matching (Textsuche) Approximate String Matching Algorithmen und Komplexität Textsuche / String Matching Gegeben:
Mehr2 und d > 1 Punkt im Kreis
Beispiel 4 (Die Bestimmung der Kreisumfangszahl π) 1 Die Bedeutung der Zahl π, die jeder gebildete Zeitungsleser, so auch Ökonomen, Historiker und Politikwissenschaftler, aus der Oberschule kennt, ist
Mehr