Neuronale Netze/ Soft Computing. Teil 3
|
|
- Gesche Otto
- vor 5 Jahren
- Abrufe
Transkript
1 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
2 Gliederung 1. Einführung und Einordnung 2. Neuronale Netze 1: Grundlagen 3. Neuronale Netze 2: Konzeption und Anwendung 4. Neuro--Systeme 5. Genetische Algorithmen 6. Zusammenfassung und Ausblick KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 2
3 Vorgehensweise Grundlagen der Logik Transformation eines Systems in ein BP-Netz Modifizierter BP-Algorithmus KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 3
4 Klassische Mengen und Mengen Zugehörigkeitsgrad (ZG) 1 klassische Menge (binäre Zugehörigkeit) Zugehörigkeitsgrad (ZG) 1 -Menge (graduelle Zugehörigkeit),5 "nicht warm" "warm",5 "fuzzy-warm" ,5 scharfer Trennwert Temperatur in C (b) α α-level-set (Zugehörigkeit α) Temperatur in C (b) Unschärfebereich Support (Zugehörigkeit > ) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 4
5 Fuzzifizierung Raumtemperatur linguistische Variable (LV) Ausprägungen angenehm vom Grad,82 kühl vom Grad,19 ZG 1,5 kalt kühl angenehm warm sehr warm ,7 scharfe Eingabe b linguistische Terme (LT j ) Definition von Zugehörigkeitsfunktionen -Mengen (F j ) Verbindung zwischen linguistischer und reelwertiger Ebene scharfe Basisvariable (B) Indikatorfunktion KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 5
6 Fuzzifizierung: Schwarz-Weiß-Grau-Beispiel KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 6
7 Fuzzifizierung: Ökonomisches Beispiel 1 ZG sehr niedrig Auslastungsgrad einer Maschine niedrig normal hoch sehr hoch, Betriebsstunden/Tag KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 7
8 -Mengen: Grundformen trianguläre Form Gauß-Form 1 ZG ZG 1,5,5 linke Weite rechte Weite,37 wl wr linke Weite (wl) Zentrum (z) rechte Weite (wr) b Zentrum (z) b KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 8
9 Gaußproblem: Dominanzeffekt der großen Weite ZG 1 ZG 1 rel. ZG1 F2 F1 rel. ZG1 F2 F1,5, KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 9
10 Randsättigung als Lösung des Gaußproblems 1 ZG kalt sehr warm, b KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 1
11 -Regeln: Aufbau und Inferenzprinzip Stilisierte Form einer -Regel IF Bedingung(en) THEN Reaktion auf Bedingung(en) Konditionalteil Konsekutivteil Inferenzprinzip -Regel Konditionalteil Übertragung des Erfülltheitsgrades (= Applikationsgrad der Regel) Konsekutivteil KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 11
12 -Inferenz: Beispiel Inflationsprognosen Determinante Erwartungsgröße ZG 1 hohe Arbeitslosigkeit (-Menge FW) ZG 1 niedrige Inflation (-Menge FD),5 hat Einfluß auf..., Arbeitslosenquote in % d Inflationsrate in % 4 e Konditionalteil Konsekutivteil 1 ZG ZG 1 Skalierung,5 ZG =,52 Übertragung des Applikationsgrades,5 Signifikanzgrad d d = 8,15 % Arbeitslosenquote in % Inflationsrate in % 4 e KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 12
13 -Regelbasis: Inflationsprognose fuzzifizierte Folgerung Inflationsrate in % e ZG 1, WENN sehr niedrige Arbeitslosigkeit DANN sehr hohe Inflation WENN niedrige Arbeitslosigkeit DANN hohe Inflation WENN normale Arbeitslosigkeit DANN normale Inflation DANN WENN hohe Arbeitslosigkeit DANN niedrige Inflation Regelbasis W E N N WENN sehr hohe AL DANN sehr niedrige Infl. 1 ZG,5,53,15 d d = 4,85 Arbeitslosenquote in % fuzzifizierte Bedingung KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 13
14 -Regelbasis: Laffer-Kurve (Abschätzung des Abgabenaufkommens) Abgabenaufkommen WENN niedriger Abgabensatz DANN mittleres Abgabenaufkommen WENN sehr niedriger Abgabensatz DANN niedriges Abgabenaufkommen WENN mittlerer Abgabensatz DANN hohes Abgabenaufkommen Abgabensatz WENN hoher Abgabensatz DANN mittleres Abgabenaufkommen WENN sehr hoher Abgabensatz DANN niedriges Abgabenaufkommen KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 14
15 -Inferenz: Akkumulation verschiedene Regeln mit identischen Konsekutivteil Signifikanzgrad = min(1,summe der Applikationsgrade) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 15
16 -Inferenz: Aggregation Auswertung mehrdimensionaler -Regeln -Und Minimum-Operator Produkt-Operator KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 16
17 -Regelauswertung im Überblick AGGREGATION AKKUMULATION INFERENZ i.e.s. Regel 1 Regel 2 Auswertung multidimensionaler Regelbedingungen IF-Term X2 IF-Term Y3 IF-Term X4 IF-Term Y2 ZG(X2) ZG(Y3) ZG(X4) ZG(Y2) Und Und ZG(X2 AND Y3) ZG(X4 AND Y2) THEN-Term E4 THEN-Term E4 identischer Konsekutivterm E4 Regelbündelung bei identischem Konsekutivterm ZG(X2 AND Y3) ZG(X4 AND Y2) ZG(E4) Konsekutivterm E4 gewichtete -Partitionierung der Erwartungsgröße E5 fuzzifizierte Erwartungsgröße e Regel 3 IF-Term X1 IF-Term Y5 ZG(X1) ZG(Y5) Und ZG(X1 AND Y5)... THEN-Term E1 Konsekutivterm E1 ZG(X1 AND Y5) = ZG(E1) Konsekutivterm E1 E4 E3 E2 Regel n-1 Regel n IF-Term X5 IF-Term Y2 IF-Term X4 IF-Term Y3 ZG(X5) ZG(Y2) ZG(X4) ZG(Y3) Und Und ZG(X5 AND Y2) ZG(X4 AND Y3) THEN-Term E5 THEN-Term E5 identischer Konsekutivterm E5 ZG(E5) ZG(X5 AND Y2) ZG(X4 AND Y3) Konsekutivterm E5 E1 ZG 1 ZG(E4) ZG(E5) Ergebnis: Applikationsgrade der Regeln Ergebnis: Signifikanzgrade der Konsekutivterme -Inferenzergebnismenge KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 17
18 Defuzzifizierung Suche nach dem repräsentativen scharfen Wert der Outputbasisvariablen Center-of-Maximum-Verfahren Center-of-Maximum-Verfahren 1 ZG,5 SIW = ^e (gewichtete Zentren) e KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 18
19 Defuzzifizierung Suche nach dem repräsentativem scharfen Wert der Outputbasisvariablen Center-of-Area-Verfahren Center-of-Area-Verfahren 1 ZG,5 SIW = ^e (Flächenschwerpunkt) e KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 19
20 -Inferenzprozess KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 2
21 -Regelung (-Control) linguistische Ebene Fuzzifizierung Inferenz IF... THEN... IF... THEN... IF... THEN... Defuzzifizierung -Regler reellwertige Ebene gewünschtes Systemergebnis Sollwertvorgabe! scharfer Systemoutput scharfe Umweltzustände Regelstrecke (technisches System) scharfe Stellgrößen scharfe Störgrößen Systemumgebung (exogene Einflüsse) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 21
22 Wissensbasis eines Regelsystems KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 22
23 Motivation für Neuro--Systeme KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 23
24 Hybrides Neuro--System 1. Schicht 2. Schicht 3. Schicht 4. Schicht 5. Schicht Eingabebasisneuronen Eingabetermneuronen Konditionalneuronen Konsekutivneuronen/ Ausgabetermneuronen Defuzzifizierungsneuron/ Ausgabeneuron Regelbasis/ Inferenzmaschine scharfer Wert von Determinante 1 scharfer Wert von Determinante 2 scharfer Erwartungswert Signalverteilung Determinanten- Fuzzifizierung Aggregation Konklusion/ Akkumulation Erwartungsgrößen- Defuzzifizierung KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 24
25 Variablenfuzzifizierung: Subnetz-Extraktion scharfer Wert von Determinante 1 scharfer Wert von Determinante 2 scharfer Erwartungswert KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 25
26 Umbau des Subnetzes für die Outputfuzzifizierung scharfer Erwartungswert tatsächlicher scharfer Wert der Erwartungsgröße KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 26
27 Wettbewerbliches Regeltraining vollverknüpfte Regelbasis scharfer Wert von Determinante 1 scharfer Wert von Determinante 2 Eingabesignalfluß für Konditionalteil g 4 m,k Erwartungsgrößenfuzzifizierung Eingabesignalfluß für Konsekutivteil tatsächlicher scharfer Wert der Erwartungsgröße KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 27
28 BP-Training des Gesamtsystems 1 (Rückwälzung des Fehlersignals) Prognosefehler KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 28
29 BP-Training des Gesamtsystems 2 (Rückwälzung des Fehlersignals) Prognosefehler KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 29
30 BP-Training des Gesamtsystems 3 (Rückwälzung des Fehlersignals) Prognosefehler KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 3
31 BP-Training des Gesamtsystems 4 (Rückwälzung des Fehlersignals) Prognosefehler KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 31
32 Neuverknotung bei Termzentrentausch scharfer Wert von Determinante 1 scharfer Wert von Determinante 2 scharfer Erwartungswert KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 32
33 Modifizierter BP-Algorithmus keine Anpassung ALTE WEITEN Anpassung ALTE ZENTREN ALTE REGELGEWICHTE 2a konstante Überlappung lernen 1 lernen keine Anpassung 3 keine erlernte Weitenänderung 4 Error-Backpropagation-Algorithmus mit Perzeptionsintervall und optionaler Randsättigungsabschmelzung 4 konstante exogene Gewichtung aller Regeln 5 optionale Extremwertlimitierung 6 Negativkorrektur Negativkorrektur 2b optionale relative Deckelung der trainierten Parameteränderung 7 Weiten proportional zum Zentrenabstand optionale Konservierung der Regelbasis 11 optionale maximale Nachbartermüberlappung 9 b) optionale Weitenreduktion a) optionale Zentrenverschiebung 8 Normierung 1 optionale minimale Nachbarzentrenüberlappung und obligatorische Mindesttermüberlappung (triang. ZGF) obgligatorische Untergrenze: Weiten,1 NEUE WEITEN NEUE ZENTREN NEUE REGELGEWICHTE KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 33
34 AND AND AND AND AND AND AND AND AND Einsatz als Prognosewerkzeug -Erwartungsgenerator für Periode ts -Erwartungsgenerator für Periode ts+1 Inferenz IF... THEN... IF... THEN... IF... THEN... Inferenz IF... THEN... IF... THEN... IF... THEN... Fuzzifizierung Defuzzifizierung Transformation in äquivalentes neuronales Netz Retransformation in -System Fuzzifizierung Defuzzifizierung beobachtbare Vergangenheitsgrößen Erwartungswert Parametertraining in Abh. des Progonsefehlers in Periode ts Prognosefehler tatsächlicher Wert der Erwartungsgröße Periode ts-1 Periode ts Periode ts+1 Periodenende Periodenanfang Periodenende Erwartungen ökonomisches Modell Ergebnisse Zeit KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 34
35 Gliederung 1. Einführung und Einordnung 2. Neuronale Netze 1: Grundlagen 3. Neuronale Netze 2: Konzeption und Anwendung 4. Neuro--Systeme 5. Genetische Algorithmen (Überblick) 6. Zusammenfassung und Ausblick KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 35
36 Grundidee Kodierung der Problemlösung in Chromosomenform (meist -1-Strings) Erzeugung einer Population möglicher Lösungen Bewertung über Fitnessfunktion Weiterentwicklung der Population (Generationen) Selektion/Reproduktion Crossover/Recombination Mutation Anwendung kein abzählbarer Lösungsraum Ziel: gute (nicht zwingend perfekte) Lösung geeignet bei zerklüfteten Suchräumen KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 36
37 Neuronale Netze und Genetische Algorithmen Neuronale Netze (EBP) Genetische Algorithmen 1 4,8 3,6 2 F(x1;x2),4,2 F(x1;x2) 1-1 -,2-2 x1 2 2 x x x2 1 KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 37
38 Selektion und Reproduktion Survival of the fittest Mating Pool Individuenauswahl aus bestehender Population (Eltern) für die Bildung der nächsten Generation (offspring) Ziehen mit Zurücklegen Auswahlwahrscheinlichkeit steigt mit zunehmender Fitness Selektionsalgorithmen Stochastic Universal Sampling fitnessproportional rangbasiert Tournament Selection (Elite Selection) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 38
39 Stochastic Universal Sampling KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 39
40 Crossover/Recombination Suchoperator zur Erzeugung neuer Lösungen aus dem Mating Pool zufälliger Austausch von Teilabschnitten der Zeichenkette der Eltern Crossover-Wahrscheinlichkeit: ca. 6 % Bsp.: Ein-Punkt-Crossover, binäre Zeichenkette: KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 4
41 Mutation zufällige Veränderung einzelner Elemente der Zeichenkette (background-operator) Abkürzung des Crossover-Verfahrens wirkt lokalen Optima entgegen Mutationswahrscheinlichkeit: ca. 1 % KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 41
42 Ökonomisches Beispiel: Monopolmenge KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 42
43 Ökonomisches Beispiel: Monopolmenge (Forts.) KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 43
44 Pseudocode des Genetischen Algorithmus Terminierungskriterien vorgegebene Generationenanzahl (Obergrenze) Gütekriterium für beste Lösung keine Verbesserung der Lösung KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 44
45 Anwendungsbeispiel: Kodierung einer -Regel KOOTHS BiTS: Neuronale Netze / Soft Computing, WS 24/25 Teil 3 45
Entscheidungsunterstützung/ 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.
Soft 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
10. 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"
5. 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
Genetische und Evolutionäre Algorithmen (Vol. 1)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. ) von Adam El Sayed Auf und Kai Lienemann Gliederung: ) Einführung 2) Grundkonzept 3) Genaue Beschreibung des Genetischen Algorithmus Lösungsrepräsentation
Fuzzy 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
6. 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
Soft 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
5 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
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
Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Evolutionäre Algorithmen Dr. David Sabel WS 2012/13 Stand der Folien: 12. November 2012 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung
Fundamente 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
Genetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
Andreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
Neuro-Fuzzy-Systeme zur Abbildung Erfahrungsregel-basierter Erwartungen in Konjunkturmodellen
WESTFÄLISCHE WILHELMS-UNIVERSITÄT MÜNSTER VOLKSWIRTSCHAFTLICHE DISKUSSIONSBEITRÄGE Beitrag Nr. 281 Vorläufige Fassung! Nicht im Handel! Bitte nur mit Zustimmung des Autors zitieren! Neuro--Systeme zur
Fuzzy 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
Evolutionäre / Genetische Algorithmen. Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre / Genetische Algorithmen (2) Beispiel
Evolutionäre / Genetische Algorithmen Einführung in die Methoden der Künstlichen Intelligenz PD Dr. David Sabel SoSe 0 Anwendungsbereich: Optimierung von Objekten mit komplexer Beschreibung Objekte: Üblicherweise
Kapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
Warum konvergieren Genetische Algorithmen gegen ein Optimum?
1 / 21 Gliederung 1 Das Schematheorem Motivation Begriffe Herleitung Ergebnis Das Schematheorem Das Schematheorem Motivation 3 / 21 Warum konvergieren Genetische Algorithmen gegen ein Optimum? Theoretische
Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Prof. Dr. Manfred Schmidt-Schauß SoSe 2018 Stand der Folien: 9. Mai 2018 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung von
FELJC 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,
Fuzzy 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
Einführung 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
Genetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
Genetische Algorithmen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 8. Juli 2008 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1 Einführung
3. 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
Optimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
Kapitel 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.
Synthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
Computational 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
Hauptseminar Repräsentationen für Optimierungsalgorithmen
Stefan Bens Hauptseminar Dresden, 03.07.2008 Inhalt 1. Motivation 2. Einleitung 3. Repräsentationsarten und Eigenschaften 4. Beispiel 5. Zusammenfassung Folie 2 Als Repräsentation bezeichnet man die Kodierung
Kodierung Genetische Algorithmen und Simulated Annealing
Kodierung Genetische Algorithmen und Simulated Annealing Referenten Dipl.-Ing. (FH) Dipl.-Ing. (FH) 1 Agenda Erklärung des Genetischen Algorithmus f(x)=x² (2-dimensional) Verschiedene Codierungen Binärcode,
Fundamente 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
Populationsbasierte Suche. Evolutionäre Algorithmen (1)
Populationsbasierte Suche Bisherige Meta-Heuristiken: Simulated Annealing Tabu Search Ausgehend von einer Lösung wird gesucht Populationsbasierte Heuristiken Suche erfolgt ausgehend von mehreren Lösungen
Evolutionäre (Genetische) Algorithmen
Evolutionäre (Genetische) Algorithmen Ziel, Aufgabe von evolutionären Algorithmen: Optimierung von Objekten mit komplexer Beschreibung, wobei es Parameter gibt. Die Objekte kodiert man so als Bitstrings,
Genetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
Regelungstechnik. 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
Zum 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
Stefan Kooths. Konjunkturtheoretische Analysen mit MAKROMAT-nfx. Anwendungsbeispiel
Ergebnisfenster Gleichungsfenster Arbeitsbereich Steuerung Stefan Kooths Konjunkturtheoretische Analysen mit MAKROMAT-nfx Anwendungsbeispiel Gegenstand der folgenden Anwendungsskizze ist die Auswirkung
Duale 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
8.1 Einleitung. Grundlagen der Künstlichen Intelligenz. 8.1 Einleitung. 8.2 Lokale Suchverfahren. 8.3 Zusammenfassung. Suchprobleme: Überblick
Grundlagen der Künstlichen Intelligenz 5. April 0 8. Suchalgorithmen: Lokale Suche Grundlagen der Künstlichen Intelligenz 8. Suchalgorithmen: Lokale Suche 8.1 Einleitung Malte Helmert Universität Basel
Optimierung und Entwurf mit Evolutionären Algorithmen
Fakultät Informatik, Institut für Angewandte Informatik, Lehrstuhl für Technische Informationssysteme Optimierung und Entwurf mit Evolutionären Algorithmen Dresden, 01.02.2007 Gliederung natürliche Evolution
Technische 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.
Finanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
Genetische Programmierung
Bernd Ebersberger Genetische Programmierung Ein Instrument zur empirischen Fundierung ökonomischer Modelle A 234920 Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
Kapitel 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
2.5 Evolutionäre (Genetische) Algorithmen
KI 1, SS 2011, Kapitel 2, GA 1 2.5 Evolutionäre (Genetische) Algorithmen Das Ziel bzw. die Aufgabe von evolutionären Algorithmen ist eine Optimierung von Objekten mit komplexer Beschreibung, wobei es variable
Data Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
Adaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
JEFIS. 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
Fuzzy-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,
Fuzzy 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
Genetische Algorithmen
Michael Gerhäuser Universität Bayreuth 28.06.2008 1 Motivierende Beispiele 2 Grundbegriffe der biologischen Evolution 3 Formalisierung der Grundbegriffe 4 Modellierung mit Markov-Ketten 5 Konvergenzanalyse
Intelligente 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
InformatiCup 2009 EvolutionConsole
InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März 2010 1 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack
Grundlagen 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
12. 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"
Repräsentation 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)
Evolution und Algorithmen
Kapitel 6 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
Neuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
Inhaltsverzeichnis. 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
Fuzzy 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
Fuzzy 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
Computational Intelligence
/ 4 Computational Intelligence Wintersemester 007/008 4. Genetische Algorithmen Stefan Berlik Fachgruppe Praktische Informatik FB, Elektrotechnik und Informatik Universität Siegen 5. November 007 Gliederung
Algorithmen auf Zeichenketten
Algorithmen auf Zeichenketten Rabin-Karp Algorithmus Christoph Hermes hermes@hausmilbe.de Zeichenketten: Rabin-Karp Algorithmus p. 1/19 Ausblick auf den Vortrag theoretische Grundlagen... Zeichenketten:
11. 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
Implementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen
Implementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen Diplomarbeit Thomas Scharler Universität Hamburg, FB Informatik, AB Tech Implementation und Evaluierung
Fuzzy-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
Agentenbasiertes 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
Kapitel 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
Grundlagen 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
Fuzzy-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
Seminar "Optimierung mit evolutionären Algorithmen"
Universität Stuttgart Institut für Informatik Abteilung Seminar "Optimierung mit evolutionären Algorithmen" Seminararbeit zu genetischen Algorithmen Betreuer: Dipl. Math. Nicole Weicker Autor: Michael
Grundlagen 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
Computational Intelligence
1 / 44 Computational Intelligence Wintersemester 2013/2014 4. Evolutionäre Algorithmen III Stefan Berlik Fachgruppe Praktische Informatik Fakultät IV, Department Elektrotechnik und Informatik Universität
Fuzzy-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
Survival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
Konstruktions-Verbesserungsheuristiken. Iterierte lokale Suche (ILS)
Konstruktions-Verbesserungsheuristiken Iterierte lokale Suche (ILS) Idee: 2-Phasen-Suche 1. Phase: Randomisierte Konstruktionsheuristik 2. Phase: Lokale Suche Beispiele: Multi-Start lokale Suche GRASP:
Kai 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
b) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (), 204 Exercise. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp, genetische
Gliederung 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
Intelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
Grundlagen zu neuronalen Netzen. Kristina Tesch
Grundlagen zu neuronalen Netzen Kristina Tesch 03.05.2018 Gliederung 1. Funktionsprinzip von neuronalen Netzen 2. Das XOR-Beispiel 3. Training des neuronalen Netzes 4. Weitere Aspekte Kristina Tesch Grundlagen
Genetische Algorithmen (GA) Jens Mueller Folie 1
Genetische Algorithmen (GA) Jens Mueller 15.12.2004 Folie 1 Gliederung 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete
11. 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"
Lokale Suche. 31. Januar / 28
Lokale Suche 31. Januar 2018 1 / 28 Lokale Suche Wir betrachten das allgemeine Minimierungsproblem min y f (x, y) so dass L(x, y). Wir nehmen an, dass zu jeder Lösung y auch eine Nachbarschaft N (y) benachbarter
b) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (1), 2015 Aufgabe 1. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp,
Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen
Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen Jana Müller Seminar Das Virtuelle Labor Otto von Guericke Universität Magdeburg Gliederung 1. Motivation
Künstliche Intelligenz
Künstliche Intelligenz Vorlesung 9 und 10: Evolutionäre Standardalgorithmen 1/69 LERNZIELE Die gängigen Standardalgorithmen, aus der Anfangszeit bis heute, werden vorgestellt. Die bekannten Standardalgorithmen
Ableitung komplexer Kontextinformationen und deren Anreicherung aus externen Quellen
Ableitung und deren Anreicherung aus externen Quellen Seminar zum Thema: Mobile and Context-aware Database Technologies and Applications Harald Wonneberger 29.06.2007 2007 Seminar Informationssysteme,
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 21. Kombinatorische Optimierung und lokale Suche Malte Helmert Universität Basel 10. April 2015 Kombinatorische Optimierung Kombinatorische Optimierung: Einführung
Fuzzy 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
Hannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
Kapitel III Selektieren und Sortieren
Kapitel III Selektieren und Sortieren 1. Einleitung Gegeben: Menge S von n Elementen aus einem total geordneten Universum U, i N, 1 i n. Gesucht: i-kleinstes Element in S. Die Fälle i = 1 bzw. i = n entsprechen
Kapitel 2: Fuzzy Systeme. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Kapitel 2: Fzzy Systeme Wintersemester 2006/07 Fndamente der Comptational Intelligence (Vorlesng) Inhalt Fzzy Mengen Fzzy Relationen Fzzy Logik Approximatives Schließen Prof Dr Günter Rdolph Fachbereich
Gliederung. Genetische Algorithmen (GA) Einfuehrung II. Einfuehrung I
Genetische (GA) Gliederung 2.1. Grundbegriffe. Anwendungsgebiete GA Jens Mueller 15.12.200 Folie 1 Jens Mueller 15.12.200 Folie 2 Einfuehrung I Einfuehrung II Einordnung: Soft Computing Soft Computing