Soft Control (AT 3, RMA)
|
|
- Viktoria Färber
- vor 5 Jahren
- Abrufe
Transkript
1 Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control
2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2
3 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Regelung einer Bremsanlage eines Autos auf einer Autobahn Eingänge: A Abstand zum Vordermann G aktuelle Geschwindigkeit Ausgang: Fuzzy Sets: K Bremskraft Scharfe Eingangswerte: A = 175 m G = 190 km/h Gesucht ist die scharfe Ausgangsgröße K =? % 3
4 Einfaches Fuzzy-Beispiel - Fuzzifizierung Titelmasterformat durch Klicken bearbeiten Überführung eines scharfen Signalwertes auf den dazugehörigen Fuzzy-Signalwert Allgemein: A* = (µ sehr_niedrig (A); µ niedrig (A); µ mittel (A); µ hoch (A); µ sehr_hoch (A)) G* = (µ sehr_niedrig (G); µ niedrig (G); µ mittel (G); µ hoch (G); µ sehr_hoch (G)) Hier: (mit A = 175 m und G = 190 km/h) A* = (0; 0,75; 0,25; 0; 0) G* = (0; 0; 0; 0; 1) 4
5 Einfaches Fuzzy-Beispiel Inferenz Titelmasterformat durch Klicken bearbeiten Inferenz: Abarbeitung des Regelwerkes auf der Basis der fuzzifizierten Eingangsvariablen mit dem Ziel, einen scharfen Wert für jede Ausgangsvariable zu berechnen. Hier der Einfachheit nur 2 Regeln, die in dem Bsp. auch beide aktiv sind R1: WENN A = mittel UND G = sehr_hoch DANN K = dreiviertel R2: WENN A = niedrig UND G = sehr_hoch DANN K = voll 5
6 Einfaches Titelmasterformat Fuzzy-Beispiel durch Klicken Inferenz: bearbeiten Aggregation Auswertung des WENN-Teils: Aus Fuzzifizierung: A* = (0; 0,75; 0,25; 0; 0) G* = (0; 0; 0; 0; 1) Operatoren: Min (UND) oder Max (ODER) Regel 1: Regel 2: H 1 = MIN (µ A mittel (175 m); µ G sehr_hoch (190 km/h)) = MIN (0,25; 1) = 0,25 H 2 = MIN (µ A niedrig (175 m); µ G sehr_hoch (190 km/h)) = MIN (0,75; 1) = 0,75 H 1 und H 2 sind die Erfüllungsgrade der Regeln. 6
7 Einfaches Titelmasterformat Fuzzy-Beispiel durch Klicken Inferenz: bearbeiten Bestimmung des ZGs der Konklusion: Aus Aggregation: Regel 1: H 1 = MIN (0,25; 1) = 0,25 Regel 2: H 2 = MIN (0,75; 1) = 0,75 Operatoren: Min und Prod Hier: µ Ki (K) = min(h, µ Ki (K)); µ K1 (K) = min(0,25; µ K1 ( dreiviertel )) K1 = dreiviertel hat einen Wahrheitsgehalt von max. 0,25 µ K2 (K) = min(0,75; µ K2 ( voll )) K2 = voll hat einen Wahrheitsgehalt von max. 0,75 Für Regel 1: 7
8 Einfaches Titelmasterformat Fuzzy-Beispiel durch Klicken Inferenz: bearbeiten Zusammenfassung der ZG der Konklusionen aller Regeln zu einer Fuzzy-Menge: Aus : K = dreiviertel (K = 70%) hat einen Wahrheitsgehalt von max. 0,25 K = voll (K = 100%) hat einen Wahrheitsgehalt von max. 0,75 Operatoren: Max und Sum (beides ODER) µ K_res (K) = max (min (H i,µ Ki (K))) = max (µ K1 (K),µ K2 (K)) i Für Regel 1: 8
9 Einfaches Titelmasterformat Fuzzy-Beispiel durch Klicken Überblick bearbeiten Inferenz Inferenz-Methode: Festlegung der Operatoren für die drei Schritte, Aggregation und Im Allgemeinen: In der nur UND Min : Operator für den Schluss von Prämisse auf Konklusion : Operator für die Zusammenfassung der einzelnen Regelausgänge Gebräuchliche Methoden: Max-Min-Inferenz, Max-Prod-Inferenz und Sum-Prod-Inferenz 9
10 Einfaches Titelmasterformat Fuzzy-Beispiel durch Klicken Inferenz: bearbeiten Defuzzifizierung Aus Fuzzy-Menge einen scharfen Ausgangswert bestimmen. Methoden: Maximum-Defuzzifizierung (MOM, SOM, LOM) Schwerpunktmethode Flächenmethode Hier: genäherte Schwerpunktmethode Kres = y 1 H 1 + y 2 H 2 H 1 + H 2 = 70% 0, % 0,75 0,25 + 0,75 = 92,5 % Für Regel 1: K = 92,5 % ist dann die resultierende Bremskraft für A = 175 m und G = 190 km/h. 10
11 Einfaches Titelmasterformat Fuzzy-Beispiel durch Klicken Überblick bearbeiten in Kurzform 11
12 Referenzen Titelmasterformat durch Klicken bearbeiten Georg Frey, Rechnergestützte Methoden in der Automatisierungstechnik, Vorlesung, UdS, 2014 Ronny Vorpahl, Fuzzy Control Unscharfe Regler und dessen Anwendungen, Vortrag, TU-Freiberg, 2002 L. Litz, Automatisieren mit Fuzzy Control, Trainingsseminar, VDI Bildungswerk, Kaiserslautern,
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
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
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
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
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
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.
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
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,
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
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
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
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
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
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.
Mehr7. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 7. Übung Künstliche Intelligenz 17.12.28 Wintersemester 28/29 Unsicherheit, Wagheit 1. Bei einem medizinischen Test wird ein Symptom S,
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
MehrInfolyzer. Windows Dynamic Link Library Infolyzer32.dll. Dokumentation. Ein Mitglied der. VIADATA-Produktfamilie. Stand 02. Mai 2001, Version 1.
Infolyzer Windows Dynamic Link Library Infolyzer32.dll Dokumentation Ein Mitglied der VIADATA-Produktfamilie Stand 02. Mai 2001, Version 1.0 GID Gesellschaft für Informatikdienste mbh Waldstraße 231 D-15732
Mehr4 Inferenz und Defuzzifizierung
4 Inferenz und Defuzzifizierung In diesem Kapitel werden wir unser erstes Fuzzyprojekt erstellen; eine einfache Laufkatzenregelung ist unser Ziel. Und damit Sie auch gleich sehen, dass das Projekt funktionstüchtig
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
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)
MehrFELJC Fuzzyregler.odt 1. a) Die Vorgehensweise der klassischen Regelungstechnik
FELJC Fuzzyregler.odt 1 Fuzzy-Regler In diesem Kurs werden nur die Grundlagen anhand von Beispielen behandelt. Für Fuzzifizierung, Inferenz und Defuzzifizierung gibt es viele unterschiedliche Methoden,
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
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
MehrV Fuzzy Logik. Praktische Elektronik 5-1 Hans-Hellmuth Cuno
Praktische Elektronik 5-1 Hans-Hellmuth Cuno V Fuzzy Logik V.1 Die Grundbegriffe Hinter der leider etwas irreführenden Bezeichnung (fuzzy = unscharf, verschwommen) verbirgt sich eine geniale Mischung aus
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
MehrPrognostizieren des Rückflusses von Altprodukten Ein Fuzzy-Logik-Ansatz
Prognostizieren des Rückflusses von Altprodukten Ein Fuzzy-Logik-Ansatz Jorge Marx-Gómez, Claus Rautenstrauch Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Technische und
Mehr1. Übung. Prozessregelungen von den Grundlagen zu Advanced Control. Dipl.-Ing. Konstantin Machleidt
1. Übung Prozessregelungen von den Grundlagen zu Advanced Control Dipl.-Ing. Konstantin Machleidt Weiterbildungskurs 26. 27.09.2013 am Karl-Winnacker-Institut der DECHEMA e.v. TECHNISCHE UNIVERSITÄT KAISERSLAUTERN
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
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.
MehrNeuronale Netze/ Soft Computing. Teil 3
Neuronale Netze/ Soft Computing Teil 3 BiTS, Wintersemester 24/25 Dr. Stefan Kooths KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 1 Gliederung 1. Einführung und Einordnung 2. Neuronale
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
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
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
MehrFuzzy Logic. Fuzzy Sets & Fuzzy Logic - Geographische Informationsverarbeitung mit Unsicherem Wissen
Fuzzy Logic Fuzzy Sets & Fuzzy Logic - Geographische Informationsverarbeitung mit Unsicherem Wissen März 2003 M. Rigling Seite 2/2 Zusammenfassung-FuzzyLogic.doc Inhaltsverzeichnis: Fuzzy Logic 1. Was
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"
MehrUniversität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner
Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG AUTOMATISIERUNGSTECHNIK II SS 20 Name: Matrikelnummer: Note: Prüfungstag: 5.09.20 Prüfungsdauer:
Mehr12. Übung Künstliche Intelligenz Wintersemester 2006/2007
12. Übung Künstliche Intelligenz Wintersemester 2006/2007 1. Contraints und Heuristiken Prof. Dr. Gerd Stumme, Miranda Grahl Fachgebiet Wissensverarbeitung 09.02.2006, mgr@cs.uni-kassel.de a) Beschreibe
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
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
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/212ss/vorlesung/gdsr Jianwei Zhang Universität
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/213ss/vorlesung/gdsr Jianwei Zhang, Bernd Schütz
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
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
MehrEinführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern)
Seminar Datenverarbeitung SS 98 Einführung in die Fuzzy-Logik (zur Anwendung in Fuzzy-Reglern) Bearbeiter: Michael Hubo Betreuer: Matthias Ortmann Inhaltsverzeichnis 1. MOTIVATION...2 2. WAS BEDEUTET FUZZY-LOGIK?...2
MehrBsp.: Darstellung der Temperatur durch eine Zugehörigkeitsfunktion µ
3. Fuzzy-Systeme 3.1 Fuzzy-Logik 3.1.1 Einführung in die Denkweise 1. Unscharfe Mengen (Fuzzy-Sets) Fuzzy-Systeme kodieren direkt strukturiertes Wissen (Regeln) in numerischer Form. Die "Fuzzy-Set-Theorie"
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
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-Summierbarkeit. Benjamin Hohl. Imperfektion und erweiterte Konzepte im Data Warehousing Seminar im Sommersemester 2005
Fuzzy-Summierbarkeit Benjamin Hohl Imperfektion und erweiterte Konzepte im Data Warehousing 2 Überblick Was ist Summierbarkeit? Wann kann man sie nutzen? Wann nicht? Ansatz nach Pedersen, Jensen & Dyreson
MehrAgentenbasiertes Testmanagement beim Systemtest
Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner Agentenbasiertes Testmanagement beim Systemtest Christoph Malz VDI-Expertenforum Agenten in der
MehrÜbungsaufgaben zur Vorlesung Regelungssysteme (Grundlagen)
Übungsaufgaben zur Vorlesung Regelungssysteme (Grundlagen) TU Bergakademie Freiberg Institut für Automatisierungstechnik Prof. Dr.-Ing. Andreas Rehkopf 27. Januar 2014 Übung 1 - Vorbereitung zum Praktikum
MehrGliederung Grundlagen der Signalverarbeitung und Robotik. Einführung in die Fuzzy-Regelung. Agenda
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/22ss/vorlesung/gdsr Jianwei Zhang Gliederung. Einführung
MehrInferenz mittels interpolierender Regeln - ein neues Verfahren zur Beschreibung von Fuzzy-Systemen 1
Inferenz mittels interpolierender Regeln - ein neues Verfahren zur Beschreibung von Fuzzy-Systemen 1 E. Schäfers Universität Karlsruhe, Institut für Regelungs- und Steuerungssysteme (Prof. Dr.-Ing. V.
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/2011ss/vorlesung/gdsr Jianwei Zhang Universität
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
MehrGleitende Genauigkeit durch Fuzzy-Logik 1
Gleitende Genauigkeit durch Fuzzy-Logik Tilo Könnecke und Detlef Puchert Fachhochschule Braunschweig/Wolfenbüttel Salzdahlumer Straße 46/48 38302 Wolfenbüttel Telefon: 0 53 31/9 39-1 90,Telefax: 0 53 31/9
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
MehrFuzzy 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
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
MehrWandeln Sie die folgenden Zahlen in Binärzahlen und Hexadezimalzahlen. Teilen durch die Basis des Zahlensystems. Der jeweilige Rest ergibt die Ziffer.
Digitaltechnik Aufgaben + Lösungen 2: Zahlen und Arithmetik Aufgabe 1 Wandeln Sie die folgenden Zahlen in Binärzahlen und Hexadezimalzahlen a) 4 D b) 13 D c) 118 D d) 67 D Teilen durch die Basis des Zahlensystems.
Mehr7. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrRegelsysteme Tutorial: Terminologie & Regelung vs. Steuerung. Xiaojing (George) Zhang HS Institut für Automatik ETH Zürich
Regelsysteme 1 1. Tutorial: Terminologie & Regelung vs. Steuerung Xiaojing (George) Zhang Institut für Automatik ETH Zürich HS 2015 Xiaojing (George) Zhang Regelsysteme 1 HS 2015 1. Tutorial: Terminologie
MehrAnsatz zur Ermittlung der Wiedereinsetzbarkeiten von Demontageerzeugnissen im Rahmen reaktiver Demontageplanung
Ansatz zur Ermittlung der Wiedereinsetzbarkeiten von Demontageerzeugnissen im Rahmen reaktiver Demontageplanung Alexander Huber 1 und Jorge Marx-Gómez 1 1 Einführung Ziel der Kreislaufwirtschaft ist, Stoffe
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,
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
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
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Fuzzy-Klimaregelung in MATLAB 11.04.2011 1_CI2_Deckblatt_Fuzzy2 Inhaltsverzeichnis Inhaltsverzeichnis
MehrWirtschaftsingenieurwesen Elektronik/Schaltungstechnik Prof. M. Hoffmann FB ETIT Übung 7 Schaltnetze 2
Wirtschaftsingenieurwesen Elektronik/chaltungstechnik Prof. M. Hoffmann FB ETIT Übung 7 chaltnetze 2 Kenntnisse bezüglich der logischen Grundfunktionen sowie der Regeln und Gesetze der chaltalgebra sind
MehrInhaltsverzeichnis. 2 Grenzzyklen und Stabilitätskriterien VerfahrenderharmonischenBalance IdeedesVerfahrens...
Inhaltsverzeichnis Blau nummerierte Abschnitte enthalten Grundlagen, die einen Basiskurs über nichtlineare Systeme und Regelungen bilden. Schwarz nummerierte enthalten weitergehende Informationen, die
MehrÜbungen zu Experimentalphysik 1 für MSE
Physik-Department LS für Funktionelle Materialien WS 2017/18 Übungen zu Experimentalphysik 1 für MSE Prof. Dr. Peter Müller-Buschbaum, Dr. Volker Körstgens, Dr. Neelima Paul, Sebastian Grott, Lucas Kreuzer,
MehrLagebeziehung von Ebenen
M8 ANALYSIS Lagebeziehung von Ebenen Es gibt Möglichkeiten für die Lagebeziehung zwischen zwei Ebenen. Die Ebenen sind identisch. Die Ebenen sind parallel. Die Ebenen schneiden sich in einer Geraden Um
MehrSPS-Grundlagen. Aufbau, Programmierung (IEC 61131, S7), Simulation, Internet, Sicherheit. Bearbeitet von Jens von Aspern
SPS-Grundlagen Aufbau, Programmierung (IEC 61131, S7), Simulation, Internet, Sicherheit Bearbeitet von Jens von Aspern 02. Auflage, überarb. + erw. 2009. Taschenbuch. 273 S. Paperback ISBN 978 3 7785 4060
MehrMasterarbeit zur Erlangung des akademischen Grades Master of Sciences (M. Sc.)
Masterarbeit zur Erlangung des akademischen Grades Master of Sciences (M. Sc.) Doreen Bradler Vorname Nachname Wirtschaftsingenieurwesen, 2013, 4045136 Studiengang, Matrikel, Matrikelnummer Thema: Anwendungen
Mehr11. Berechnungen aus der Regelungstechnik
1 11. Berechnungen aus der Regelungstechnik 11.1 P-Regler nullter, erster, zweiter oder höherer Ordnung Die Sprungantwort eines P-Reglers kann unterschiedlich ausfallen. Je nach Verlauf (Bild 11-1) spricht
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
MehrPRÜFUNG AUTOMATISIERUNGSTECHNIK II WS 2011 / 2012
Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG AUTOMATISIERUNGSTECHNIK II WS 2011 / 2012 Name: Matrikelnummer: Note: Prüfungstag: 08.03.2012
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
Mehr4.9 Fuzzy-Logik basierte Mehrzielentscheidungen Grundgedanke von Expertensystemen (I)
4.9 Fuzzy-Logik basierte Mehrzielentscheidungen 4.9.1 Grundgedanke von Expertensystemen (I) Entscheidungsprobleme, die komplex sind oder unvollständige Informationen enthalten, lassen sich nicht hinreichend
MehrOtto-Von-Guericke-Universität Magdeburg. Fuzzy Logik unscharfer Fortschritt
Otto-Von-Guericke-Universität Magdeburg Fuzzy Logik unscharfer Fortschritt 31. Januar 2008 Fakultät: Institut: Verfasser: Betreuer: Fakultät für Informatik Institut für Simulation und Grafik (ISG) Sebastian
Mehr5. Aufgabenkomplex. Übung und Seminar zur Vorlesung. Grundlagen der Technischen Informatik 2
Sommersemester 2 Übung und Seminar zur Vorlesung Grundlagen der Technischen Informatik 2 5. Aufgabenkomplex 9.6.29 Johannisgasse 26 43 Leipzig Telefon: +49 (34) 97-3223 Telefax: +49 (34) 97-32252 . Aufgabe.
MehrVorlesung 6. Übertragungsfunktion der linearen Regelkreisglieder Textuell: FederPendel. DGL: als Sprungantwort
Textuell: FederPendel yste FederPendel Dreh- Magnet Feder c Masse l Däpfer d lf ld ollwertgeber Regler Winkelsensor Regelungstechnische Begriffe: PT-Glied it Verstärkung Kp, Däpfung D, Zeitkonstante T
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
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
MehrNeuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. Lehrbrief Nr. 10: Fuzzy Logic Controller
Neuronale Netze, Fuzzy Control, Genetische lgorithmen Prof. Jürgen Sauer Lehrbrief Nr. 0: Fuzzy Logic Controller. Was ist Fuzzy? Mengen sind in unserer Sprache mit ttributen verknüpft, z.b. - die Menge
MehrCrash-Kurs Regelungstechnik
Dr.-Ing. Jörg Kahlert Crash-Kurs Regelungstechnik Eine praxisorientierte Einführung mit Begleit-Software VDE VERLAG GMBH Berlin Offenbach Inhaltsverzeichnis 1 Einführung 11 1.1 Aufgaben der Regelungstechnik
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrIntelligente EKG-Analyse Dipl.-Ing. Gero von Wagner
FZI Forschungszentrum Informatik an der Universität Karlsruhe MIT- Medizinische Informationstechnik Telemetrisches Diagnosenetz Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner FZI Forschungszentrum
MehrTechnische Fachhochschule Berlin Fachbereich VI (Informatik und Medien) Manfred Ottens Samira Jaouad
Technische Fachhochschule Berlin Fachbereich VI (Informatik und Medien) Manfred Ottens Samira Jaouad Einführung in die Regelungstechnik mit Fuzzy-Logik Skript zur Lehrveranstaltung Berlin, Wintersemester
Mehr3 Fuzzifizierung. 3.1 Grundbegriffe
3 Fuzzifizierung 3.1 Grundbegriffe Sicherlich haben Sie schon einmal Laufkatzen - das sind Kräne wie in Abb. 3.1 - bei ihrer Arbeit beobachtet. Um die Last vom Waggon auf den Truck zu befördern, muss der
MehrEntwicklung und Anwendung eines wissensbasierten Systems zur Vermeidung von Bauschäden in der Geotechnik
1 Allgemeines Entwicklung und Anwendung eines wissensbasierten Systems zur Vermeidung von Bauschäden in der Geotechnik Dr.-Ing. Jens Ulrich Döbbelin Universität Hannover Bereits in den 80er Jahren wurden
MehrFuzzy-Logik basiertes Credit-Rating
Fuzzy-Logik basiertes Credit-Rating Zielsetzung des Fuzzy-Logik basierten Expertensystems (I) Überwindung der Nachteile moderner Rating-Verfahren durch Aufbau eines für den Anwender transparenten Systems
Mehr3. Entscheidungen bei mehreren Szenarien. Entscheidungen. bei Unsicherheit A i, S j und x ij sowie die Zielfunktion
3. Entscheidungen bei mehreren Szenarien Entscheidungen bei Sicherheit A i und x i sowie die Zielfunktion determinieren das Entscheidungsproblem bei Unsicherheit A i, S j und x ij sowie die Zielfunktion
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
Mehr