Neuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. Lehrbrief Nr. 10: Fuzzy Logic Controller
|
|
- Victoria Müller
- vor 6 Jahren
- Abrufe
Transkript
1 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 der schnellen utofahrer - die Menge der langweiligen rtikel - die Menge der dicken Bücher - die Menge der hübschen Mädchen ll diese Mengen haben ein ihre Elemente charakterisierendes djektiv (schnell, langweilig, dick, hübsch). Betrachtet man bspw. dicke bzw. dünne Bücher, könnte man festlegen: lle Bücher, die mehr als 400 Seiten haben sind dick. Dennoch wäre man geneigt, ein Buch mit 390 Seiten als dick zu bezeichnen. Die Elemente aus den Mengen entsprechen also gar nicht der Definition, die sie zu Mitgliedern einer Menge machen, sondern nur mehr oder weniger d.h. unscharf. Natürlich sind Bücher mit 350 Seiten nicht mehr ganz so dick wie diese mit 400, sie sind ein bisschen weniger (oder zu einem gewissen Grad) dick. Etwas mathematischer können alle Bücher mit zunehmender Seitenzahl graduell eine Zugehörigkeit zur Menge der dicken Bücher abgeben und genau so sind auch Fuzzy-Mengen definiert: Steht für dicke Bücher, so gilt die Zugehörigkeitsfunktion : X [ 0,]. X ist hier die Menge der Bücher. Diese Zugehörigkeitsfunktion bildet ein Einheitsintervall ab, dabei ist die komplette Zugehörigkeit (,wie man es aus der klassischen Logik gewöhnt ist) Fuzzy-Logik Zugehörigkeitsfunktion : X [ 0,] Klassische Logik : I ( ) = 0: ls Zugehörigkeitsfunktion werden oft parametrisierte Dreiecksfunktionen oder Gaußsche Glockenkurven eingesetzt.
2 m, d m : falls m d m + d = d 0: falls < m d oder > m + d a( m) m, d = e a > 0, m R Standardzugehörigkeitsfunktionen sind: Z-Typ Π -Typ Λ -Typ S-Typ Zugehörigkeitsfunktionen aus der Fuzzy Logic Toolbo
3 . Fuzzy-Mathematik. Loggische Fuzzy-Operatoren ODER-Operator Die Vereinigungsmenge zweier Fuzzy-Mengen und Maimum der Zugehörigkeitsfunktion definiert: = ma(, ) UND-Operator Der Durchschnitt zweier Fuzzy-Mengen und der Zugehörigkeitsfunktion definiert: = min(, ). und sind Funktionen von [,] [ 0,] B wird durch das punktweise B : B B wird durch das punktweise Minimum B : B 0, man nennt sie auch t-norm und t-conorm. B B B bb. Schnitt und Vereinigung Zur Komplementbildung verwendet man folgende Definition: Es gelten folgende Regeln der Mengenlehre: : = = (Einselement). Eigenschaften von Fuzzy-Operatoren Fuzzy-Operatoren werden als Erweiterung der aus der klassischen Logik bekannten Boolschen Operatoren definiert., : Fuzzy-Menge über X. Es bestehen die folgenden Eigenschaften:, 3, 4 - Kommutativgesetz: - ssoziativität: - Neutrale Elemente = = 3 ) = ( ) 3 ) = ( ) ( ( = 0 = 3 3 bedeutet: Fuzzy-Set bei dem die Membership-Mitgliedschaft ist. 3
4 - Monotomie 3, , Idempotenz = - Distributivität ( 3) = ( ) ( 3 ) ( 3) = ( ) ( 3 ) - bsorbtion ( ) = ( ) = - De Morgan = = - doppeltes Komplement =.3 Logische Operationen auf Fuzzy-Sets Entsprechend der Booleschen Wahrheitstabelle wurde für Fuzzy-UND bzw. ODER das Konzept der t-normen (triangular norms) entwickelt. Die t-norm charakterisiert den UND-Operator. Die s-norm (auch als t-conorm bezeichnet) bestimmt den ODER-Operator., t : 0, 0, 0, wird t-norm genannt, wenn Definition t-norm: Eine Funktion [ ] [ ] [ ] (, ) ) (, y) ) t( y, ) (, t( y, z) ) t( t(, y), ) ( ) t = Neutrales Element ( ) t = kommutativ ( 3) t = z assoziativ ( 4) z, y w t(, y) t( z, w) monoton Definition s-norm: Eine Funktion : [ 0,] [ 0,] [ 0,] ( 0, ) ) 0 s wird s-norm genannt, wenn ( ) s = Neutrales Element (), (3) und (4) wie oben angegeben Theorem: min ist t-norm und ma ist ist s-norm Bedeutet Fuzzy-Set, bei dem jede Membership-Mitgliedschaft 0 ist. 4
5 .4 Unscharfes Schliessen, Fuzzy Reasoning Fuzzy-Reasoning beschäftigt sich mit der uswertung zusammengesetzter logischer usdrücke, die im Zusammenhang mit der Fuzzy Logik nicht nur die Werte wahr oder falsch annehmen können. Tatsächlich bewegt sich der Wahrheitswert (ussage) wie Zugehörigkeitsgrade oder Possibilitäten zwischen 0 und, wobei für absolut wahr und 0 für absolut falsch steht. Der Wahrheitswert einer kombinatorschen ussage muß sich aus dem Wert der atomaren ussagen bestimmen lassen. Bisher sind Operatoren für UND und ODER und die Negation bekannt: ( a) = ( a) ( a b) = min( ( a), ( b)) ( a b) = ma( ( a), ( b)) 3 Die Möglichkeiten des unscharfen Schließens sind generell sehr begrenzt, da logische usdrücke im Fuzzy-Bereich nicht mehr nach den Regeln der klassischen Logik bearbeitet werden können. Bsp.: Bei nwendungen der klassischen Logik kann man einen usdruck mit dem Term a a problemlos durch ergänzen, weil dieser Term stets wahr ist. Bei nwendung in der Fuzzy Logik liegt der Wahrheitswert von a a irgendwo zwischen 0 und. Es gilt: ( a a) = ma( ( a), ( a)) Da die Implikation a b äquivalent ist zu a b, kann man (je nach Wahl des Operators) für das logische ODER unterschiedliche Formeln zur Berechnung von ( a b) ableiten. Die am meisten benutzte Definition ist die Mamdani-Inferenz: ( a b) = min( ( a), ( b)). Eingangsgrössen Inferenz F WENN DNN D U WENN..DNN ERG. E Z B ERG. F Z U I C ERG. 3 Z F... Z I... I Z... F I... I E... Z R... I n U E N R. G WENN..DNN bb.: Schematische Darstellung des Inferrenzsmechanismus eines Fuzzy-Controllers usgangsgrössen 3 Statt min und ma können auch andere t- und s-normen benutzt werden 5
6 3. Fuzzy Regeln Mit Fuzzy Regeln kann man aus unscharfen Fakten und unscharfen Regeln unscharfe Konklusionen ziehen. Man nennt solche Regeln auch linguistische Kontrollregeln ( Daumenregeln ), die für einen ungefähren Sachverhalt eine ungenaue Reaktion empfehlen. ufbau: WENN bstand ist NIEDRIG und Geschwindigkeit ist HOCH DNN Bremskraft ist stark Man unterscheidet: Schlussfolgerungsteil (Konklusion) Bedingungsteil (Prämisse) Mamdani-Regeln haben folgende allgemeine Form:! bis R ( i) : IF is ( i) and... and n is ( i) n THEN y is B n sind linguistische Terme, sie werden mit dem linguistischen Variablen bis n verglichen. Linguistische Variablen dienen dazu, linguistisches Wissen (z.b. Eperten) mit all seinen Unschärfen angemessen in formale Sprachen zu übersetzen, wobei möglichst wenig vom Reichtum der menschlichen Sprache verloren gehen und gleichzeitig das Wissen mit rechnerbasierten Informationssystemen verarbeitet werden soll. Eine linguistische Variable wird festgelegt durch: Name (d.h. Variablenbezeichner), Grundbereich, Linguistische Terme (d.h. Fuzzy-Mengen mit den möglichen Werten der linguistischen Variablen) auf dem Grundbereich 4 Bsp.: Linguistische Variable für den bstand eines Fahrzeugs auf der utobahn ( i) 4 Wähle 3, 5 oder 7 Terme 6
7 Für die Bezeichnung der linguistischen Variablen wird häufig die Standard-Bezeichnung verwendet: Bedeutung Deutsch Englisch Negativ_groß NG NB Negativ_mittel NM NM Negativ_klein NK NS Negativ_zero NZ NZ Null_zero ZE ZE Positiv_zero PZ PZ Positiv_klein PK PS Positiv_mittel PM PM Positiv_groß PG PB Sugeno-Regeln. Ihre Konklusionen sind nicht mehr unscharfe Werte sondern reellwertige Zahlen, die die Funktion in bhängigkeit der linguistischen Variablen generiert: ( i) ( i) ( i) : IF is and... and n is n THEN y is f ( ) R,..., Dieser Typ Regeln ist für manche ufgaben geeigneter, insbesondere wenn es um einen Regler geht, der numerische Stellgrößen bestimmen soll. n 7
8 4. Fuzzy-Systeme 5 4. Das Modell Wissensbasis Linguistische Variable und Terme Fuzzy-Regeln: WENN. DNN WENN. DNN Eingabe Fuzzifizierung Fuzzy-Inferenz Defuzzifizierung System Fuzzifizierungsinterface: Zuerst kommt die scharfe Eingabe in das Fuzzifizierungsinterface. Dort werden den numerischen Messwerten, linguistische Werte, bzw. über Zugehörigkeitsfunktionen Zugehörigkeitswerte der Fuzzy-Mengen zugeordnet. Die linguistischen Variablen der Prämisse werden mit Werten gefüllt. Fuzzy-Inferenz (Inferenzmaschine): Für die Prämissen bestimmt die Inferenzmaschine, die die Entscheidungslogik enthält, einen ktivierungsgrad, indem sie die Zugehörigkeiten der einzelnen Mengen zu ihren Fuzzy-Mengen (am häufigsten konjunktiv) verknüpft und in bhängigkeit davon eine neue Stellgröße als Konklusion generiert. Defuzzifizierung 6 generiert aus Fuzzy-Werten eine reellwertige Stellgröße. Es gibt dafür verschiedene Vorgehensweisen: Mean of Maimum (MOM), Schwerpunktmethode (Centerof-Graphity) 5 auch Fuzzy Inferenz System (FIS) genannt 6 Bei einem Sugeno-Regler entfällt die Defuzzifizierung, da die zugrunde liegenden Regeln schon eine scharfe Konklusion liefern 8
9 4. Fuzzy-Inferenz Im llg. besteht eine logische Steuerung aus der uswertung der Regeln in folgender Form: - WENN DNN. Die gegebenen Fakten sind in der Prämisse enthalten. Gesucht ist die Fuzzy-ussage in der Konklusion bzw. die entsprechende Zugehörigkeitsfunktion. Bei den Methoden und Regeln für unscharfes Schließen spricht man über Fuzzy-Inferenz (bzw. Fuzzy Reasoning) Die meist benutzte Methode für eine unscharfe Entscheidung bei der nwendung der Fuzzy Logik in der Regelungstechnik ist die Mamdani-Implikation: ( (, y) = min( ( ), ( y)) B B. Liegt der Fuzzy-Inferenz eine Mamdani_Implikation zugrunde, so spricht man von MX- MIN-Inferenz. uswertung einer Regel: Hat man eine Regel mit mehreren Teilprämissen, z.b.: Wenn = und und n = n dann y = B so ist für einen scharfen Satz von Eingangswerten n der Erfüllungsgrad dieser Regel (d.h. der Prämisse) mit Hilfe des MIN-Operators zu bestimmen: min( ( '),..., ( ')) n n Regelauswertung von Regelsystemen: Besitzt das Regelsystem mehrere Regeln, so werden diese mit dem MX-Operator verknüpft. Dies entspricht einer ODER-Verknüpfung der Regeln (MX-MIN-Inferenz). Bsp.:.0 niedrig mittel hoch =0.45 bb. Fuzzifizierung Die Zugehörigkeitsgrade für einen scharfen Eingangswert, z.b =0.45 sind hier: ( 0.45) = 0.5, ( 0.45) = 0. 75, (0.45) 0 niedrig mittel hoch = llgemein liefert die MX-MIN-Inferenz für eine Regel der Form WENN = DNN y = B bei Vorliegen eines scharfen Eingangswertes = die folgende Fuzzy-Menge ( ', y) = min ( '), ( y) als Ergebnis (Konklusions-Fuzzy-Menge) ( ) R B 9
10 Bsp.:.0 mittel hoch 0.5 R...5 y Das Ergebnis ist hier kein scharfer Wert, sonder der bei = 0. 7 abgeschnittene Bereich von hoch (y) Regelauswertung von Regelsystemen: Besitzt das Regelsystem mehrere Regeln, so werden diese mit dem MX-Operator verknüpft. Für die resultierende Relation gilt dann: ( (, y), (, )) (, y) = ma y 7 R R Bsp.: Inferenz mit mehreren Regeln WENN = niedrig DNN y = hoch WENN = hoch DNN y = mittel Das folgende Bild zeigt die linguistischen Terme R.0 niedrig hoch mittel hoch R =.45 Für den scharfen Eingangswert =.45 kann abgelesen werden: =niedrig (.45) = 0. 5 =hoch (.45) = 0.75 Für die beiden Regeln kommt die MX-MIN-Inferenz zur nwendung. R = min(0.5, = hoch ( y)) R = min(0.75, = mittel ( y)) = ma(min( 0.5, = hoch ( y)),min(0.75, = R mittel ( 7 n dieser Stelle wird die Bedeutung von MX in der Beziehung MX-MIN-Inferenz deutlich. y
11 4.3 Defuzzifizierung Das Resultat des Inferenzvorgangs ist eine resultierende Fuzzy-Menge mit einer Zugehörigkeitsfunktion. Zur Durchführung praktischer Stellgrößenänderungen, muß man dieses Fuzzy Resultat in scharfe Stellgröße im zulässigen Bereich umwandeln. Dieser Prozeß heißt Defuzzifizierung. Es gibt eine Reihe von Defuzzifizierungsmethoden: Defuzzifizierung nach der Schwerpunktmethode (center of gravity) Der usgabewert berechnet sich aus der bszisse des Schwerpunkts der Ergebnisfläche. Bsp.: mittel hoch 0.5 R S y y Der Wert y ergibt sich als Quotient aus Moment und Fläche y' = y ( y) dy res res dy Beschränkt man sich auf lineare Zugehörigkeitsfunktionen vereinfacht sich die Rechnung erheblich, denn die Ergebnisfläche setzt sich dann aus Dreiecken und Trapezen zusammen. Der scharfe usgangswert y kann in Sonderfällen einen geringen oder keinen Zugehörigkeitsgrad zur resultierenden Fuzzy-Menge haben. Bei geeigneter Wahl der Regelbasis ist dieser Fall jedoch unwahrscheinlich.
12 niedrig mittel hoch 0.5 S y y bb.: usgangswert mit Zugehörigkeitsgrad 0. Der Wertebereich der Größe y wird nicht vollkommen ausgeschöpft. Zur usschöpfung des Wertebereichs kann, wie im folgenden Bild gezeigt eine Randerweiterung durchgeführt werden. niedrig mittel hoch.0 Schwerpunkt ohne Randerweiterung S min S ma y min 0 y ma y ' y ' min min y bb.: Schwerpunktmethode mit Randerweiterung Defuzzifizierung nach der Höhenmethode: Die Defuzzifizierung nach der Höhenmethode wird nach folgendem Beispiel veranschaulicht mittel hoch H R H = 0. Es gilt: y y y y
13 y ' = yh H + + yh H = = Die Höhenmethode ist eine einfache Näherungsmethode für die Schwerpunktmethode nmit sehr geringem Rechenaufwand. Dreiecksförmige Zugehörigkeitsfunktionen werden als Basis vorausgesetzt. 5. Regelungssysteme Das charakterische Merkmal der Fuzzy Logic in der Regelungstechnik ist die Möglichkeit, direkt das empirische Wissen eines Eperten über den zu regelnden Prozeß anzuwenden. Regelungssysteme werden in der Regelungstechnik aber schon seit Beginn des technischen Zeitalters erfolgreich realisiert. 5. Einführung Regelung tritt in fast allen technischen und natürlichen dynamischen Systemen auf. Gewünschtes Verhalten Unvollständig bekannte Einflüsse (Störungen) Beeinflussungs- Stellgrößen Dynamisches Einrichtung System Information über das Systemverhalten Beobachtungseinrichtung Die am häufigsten verwendete Regelungsstruktur ist: w + w Regler- und y Regelgröße Steuereinrichtung Regelstrecke - Meßeinrichtung 5. Beschreibung dynamischer Systeme Zur Regelung eines Systems (mit den Methoden der konventionellen Regelungstechnik) muß ein Modell für das dynamische Verhalten des Systems aufgestellt werden 8 : Falls F die Menge aller Funktionen f : R R und e ( t) F die Eingangsfunktion für das System ist, dann liegt das Ziel in der Bestimmung der Funktion T : F F, so dass a ( t) = T e ( t) den Verlauf der usgangsgröße des Systems wiedergibt. Die Funktion T beschreibt das Übertragungsverhalten des betrachteten Systems. Die konventionelle Regelungstechnik beschränkt sich auf die Betrachtung linearer Systeme 8 vgl. Skriptum,
14 Die Beziehungen zwischen Eingangs- und usgangssignal können häufig über Differentialgleichungen beschrieben werden. Falls diese Differentialgleichungen nicht linear sind, ist es üblich, sie für gewisse rbeitsbereiche näherungsweise zu linearisieren. Da sich mit Differentialgleichungen nur unhandlich rechnen lässt, werden lineare Differentialgleichungen über die Laplace-Transformation vom Zeit- in den Frequenzbereich übertragen, in welchem die nalyse leichter durchgeführt werden kann. Dabei wird einer Originalfunktion f (t) eine Bildfunktion mit Hilfe des Laplace-Integrals 0 st F( s) = f ( t) e dt zugeordnet, wobei s = σ + jω ist. F (s) wird Übertragungsfunktion genannt, falls f (t) das Übertragungsverhalten der Regelgröße beschreibt. Die Transformation in den Frequenzbereich erleichtert die Modellierung kompleer Systeme erheblich. So kann bspw. die usgangssituation einer Regelstrecke (s), die durch F (s) definiert ist, über eine Multiplikation mit der Eingangsfunktion y (s) ermittelt werden: ( s) = F( s) y( s) bzw. F ( s) = ( s) y( s) Entsprechend berechnet sich die Übertragungsfunktion einer Hintereinanderschaltung linearer Elemente als Produkt der einzelnen Übertragungsfunktionen. Bsp.: Bildung des mechanischen Systems gedämpfter mechanischer Schwinger e a = v dv m dt = d( v v ) v m Das dynamische System wird beschrieben durch eine Differentialgleichung. Ordnung: d v dc dc de dv d e + v = c c dt m m dt dt m m.... Mit T =, T = erhält man: T a ( s) + T a + a = e + T e d c Nach der Transformation in den Frequenzbereich lautet die Gleichung: T s a ( a a e + e s s) + T s ( s) + ( s) = ( s) T ( s) ( ). 4
15 a ( s) + T s Daraus kann man direkt die Übertragungsfunktion ablesen: = ( s) + T s + T s 5.3 Klassische Regelung In der Regelungstechnik werden meistens Regler eingesetzt, die zur Bestimmung der Stellgröße y die Regelabweichung w, deren bleitung w ' und das Integral t w ( τ ) dτ 0 verwenden. In der Prais weit verbreitet sind die PID-Regler, die die Stellgröße als Linearkombination der 3 nteile der Regelabweichung berechnen: P t d t w dw y( t) = P w + ( ) d PD P ( w w ( ) d D ) I w τ τ + = dt I τ τ 9 0 dt bzw. t dw y( t) = K p w + K I ( τ ) dτ + K D 0 dt K p : Proportionalverstärkung K D : Differentialverstärkung K I : Integralverstärkung Der PID-Regler bildet das Stellsignal aus der Regeldifferenz durch proportionale Verstärkung, durch Integration der Regeldifferenz und durch Differenzieren der Regeldifferenz. e + w (t) + y (t) + Es sind verschiedene Varianten des PID-Reglers möglich, indem einige Komponenten der Formel weggelassen werden. So verwendet - der P-Regler nur die Regleabweichung w - der PD-Regler w und deren bleitung - der I-Regler den Integralanteil der Regelabweichung 9 Das Problem der Regelungstechnik besteht vor allem in der Bestimmung der Regel-Parameter P, I, D, da hierzu eine genaue physikalische (mathematische) Beschreibung des zu steuernden Systems gehört 5
16 5.4 Wissensbasierte Regelung Ziel der wissensbasierten Regelung ist es, ein unbekanntes System ohne Kenntnis der eakten physikalisch / mathematischen Beschreibung des Systems regeln zu können. nstelle eines mathematischen Modells tritt hier ein Modell, das durch die nalyse des Verhaltens eines das System steuernden Eperten gewonnen wird. Liegt das Wissen ausschließlich in Form linguistischer Regeln vor, bietet sich eine Fuzzy- Regelung an, im Falle reiner Beobachtungsdaten eine Neuronale Regelung. Weitere Vorteile lassen sich aus der Kombination der nsätze erreichen. Beim Neuro-Fuzzy System kann die durch vorhandenes Epertenwissen gegebene Regelbasis durch Beobachtungsdauer und Eperimente optimiert werden, wobei die Interpretierbarkeit des Reglers erhalten bleibt Fuzzy-Regelung Ein Fuzzy-Regler benutzt keine analytischen usdrücke zur Regelung sondern eine Wissensbasis, die aus Fuzzy-Regeln besteht. Diese Regeln haben allgemein die Form: wenn (Prozesszustand) dann (Stellwert), d.h. aufgrund eines bestimmten Prozesszustands wird eine Veränderung des Stellwerts bestimmt. w w y Normalisierung Denormalisierung Regelstrecke - Fuzzifizierung Inferenz Defuzzifiz. F I D Fuzzy Controller Regelbasis Datenbasis bb.: Regelkreisstruktur mit einem Fuzzy Regler Normalisierungsblock: In diesem Block werden Eingangsgrößen geeignet skaliert und auf die normalisierte (dimensionslose) Menge umgezeichnet. Die Menge kann als Universum bezeichnet werden. Fuzzifizierungsblock F: Hier werden scharfe, gemessene oder angegebene Messwerte auf die Fuzzy-Menge überführt. Inferenzblock I: Kern des Ganzen ist die Block-Inferenz, indem der der Inferenzmechanismus (Inferenzmaschine) aus der Regelbasis und der Fuzzy-Eingangsmenge die Fuzzy- usgangsmenge in Form von Zugehörigkeitsfunktionen generiert. Defuzzifizierungsblock D: In diesem Block werden für die Fuzzy-usgangsmengen der Stellgröße die scharfen Werte der Stellgröße bestimmt. Denormalisierungsblock:In diesem Block werden dimensionslose usgangsgrößen auf die physikalischen usgangsgrößen umgerechnet. 6
17 Fuzzy Logic Controller (FLC) verwenden die Fuzzy Logic im Rahmen eines bbildungsprozesses von einer vorgegebenen Eingabe 0 : w + w y Controller (FLC) Regelstrecke - Linguistische Werte des FLC sind w, Δ für die Eingabe und Δ y für die usgabe w w Δ w bzw. ẋ w Δ y negativ null positiv Die aktuelle Die aktuelle Die aktuelle Prozessausgabe liegt um Prozessausgabe liegt Prozessausgabe liegt um einen Betrag am Sollwert einen Betrag entsprechend dem Wert entsprechend dem Wert der Größe über dem der Größe unter dem Sollwert Sollwert Die aktuelle Prozessausgabe w (t) ist gegenüber dem vorhergehenden Wert w ( t ) um einen Betrag entsprechend der Größe gewachsen Der aktuelle Wert der Steuerungsausgabe y ( t ) ist um einen Betrag entsprechend dem Wert der Größe zu verkleinern Die aktuelle Prozessausgabe ) w (t hat sich gegenüber dem vorhergehenden Wert w ( t ) nicht verändert Der aktuelle Wert der Steuerungsausgabe y ( t ) bleibt unverändert Die aktuelle Prozessausgabe w (t) ist gegenüber dem vorhergehenden Wert w ( t ) um einen Betrag entsprechend der Größe verringert Der aktuelle Wert der Steuerungsausgabe y ( t ) ist um einen Betrag entsprechend dem Wert der Größe zu vergrößern Wird für alle 3 Variablen dieselbe Menge linguistischer Werte gewählt, dann ergibt sich folgende Regelmenge in tabellarischer Form: 0 vgl. Skriptum,
18 w Δ w NG NM NK ZE PK PM PG NG NG NG NG NG NM NK ZE NM NG NG NG NM NK ZE PK NK NG NG NM NK ZE PK PM ZE NG NM NK ZR PK PM PG PK PK NK ZE PK PM PG PG PM PM ZE PK PM PG PG PG PG ZE PK PM PG PG PG PG Bsp.: Realisiere folgenden Regelkreis w + w y PI-FLC e s. 0s + mit den Fuzzy-Entwicklungswerkzeugen von MTLB und SIMULINK. Über das MTLB-Kommando simulink wurde eine Simulationsschaltung erstellt. SIMULINK hat im Simulink-Browser einen Hinweis auf die Fuzzy Logic Toolbo mit Fuzzy Logic Controller bzw. Fuzzy Logic Controller mit Ruleviewer. Der Block Fuzzy Logic Controller wird in Simulink als normaler Block verwendet. Dadurch können verschiedene Typen von Fuzzy Reglern (PID, PI, PI + PD, PI + D) realisiert werden. In dem Block Fuzzy Logic Controller sind Fuzzifizierung, Defuzzifizierung und Inferenz enthalten. Das ufstellen der Fuzzy Mengen für die Ein- und usgänge, die Zugehörigkeitsfunktionen und die Fuzzy-Regelmengen wird für den konkreten Fuzzy Logic Controller mit Hilfe des Graphical User Interface (GUI) durchgeführt. Mathworks: Simulink, Dynamic System Simulation for MTLB, MathWorks Inc.,
19 9 Dem Fuzzy Logic Controller wurde im vorliegenden Beispiel der PI- Geschwindigkeitsalgorithmus zugeordnet, der folgendermaßen abgeleitet werden kann: ) ) ( ( ) ( ) ( = + = t w w t w w d I P d I P P t y τ τ τ τ w w I P P t y + = ) ( Die zugehörigen Regeln zeigen die folgenden Darstellungen:
20 Die Simulation mischt im vorliegenden Fall kontinuierliche bzw. diskrete Signale. In der Prais bedeutet dies: nalog/digital bzw. Digital/nalog Wandler wären erforderlich. SIMULINK besitzt einen Zero-order hold block zur Umsetzung 3. Die Verwendung der Zero-order hold Blocks ist an folgende Umformungen gebunden: Δ w = w t w t w t Für die Regelabweichung schreibt man: ( ) ( ) ( ) ( ) Δw( t) = ( z ) w( t) Die usgabe ist y y t) y( t ). Die geeignete Transfer-Funktion ist: Δ = ( = z Δy = y( t) z y( t) = ( z ) y( t) bzw. y( t) Δy( t) = z Der Entwurf des Fuzzy Logic Controller erfolgt dann mit Hilfe der Fuzzy Logig Toolbo GUI über das MTLB-Kommando Fuzzy. Das Wissen vom Fuzzy-System wird dann im Workspace unter dem Namen FIP abgelegt und dem Fuzzy Logic Controller Block der Simulationsschaltung so mitgeteilt: 3 Für Entwickler ist es möglich dieses praktische Problem zu übergehen, da SIMULINK per default das Mischen diskreter und anloger Signale erlaubt. 0
21 Die beiden diskreten Filter wurden durch ngabe von Numerator und Denominator auf folgende Weise geformt: uch die Tranfer-Funktion wurde auf diese Weise bestimmt:
22 Das Verzögerungsglied (Totzeit-Glied) wurde auf folgende Weise versorgt: Jetzt kann die Simulation gestartet werden Zuvor wird noch der Parameter Stop time auf 50s gesetzt. Das Ergebnis zeigt nach dem Start der Scope:
23 5.4. nwendungen mit wissensbasierten Regelungen. Simulation mit Simulink: Wasserstanskontrolle (MTLB-Demo mit einem Fuzzy Controller Block mit Ruleviewer 4 >>sltankrule Die Simulation wird in der folgenden bbildung angezteigt: 4 Ein Beispiel aus der Fuzzy Logic Toolbo 3
24 Gesteuert wird die Wasserstandrtegelung durch folgenden Regeln: Die Regeln sind in der folgenden Liste zusammengestellt: 4
25 . Cart and Pole Simulation 5 >>slcp 5 Ein Beispiel aus der Fuzzy Logic Toolbo 5
26 Ein Rechtsklick auf den Fuzzy Controller Block führt nach Wahl von Look under Mask öffnet das folgende Subsystem 6
27 7
Einführung 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,]
Fuzzy Logik. Ausarbeitung zur Vorlesung Methoden der Künstlichen Intelligenz Betreuung: Prof. Dr. Harald Gläser
Fuzzy Logik Ausarbeitung zur Vorlesung Methoden der Künstlichen Intelligenz Betreuung: Prof. Dr. Harald Gläser an der Fachhochschule Furtwangen Hochschule für Technik und Wirtschaft Fachbereich Wirtschaftsinformatik
5. Aussagenlogik und Schaltalgebra
5. Aussagenlogik und Schaltalgebra Aussageformen und Aussagenlogik Boolesche Terme und Boolesche Funktionen Boolesche Algebra Schaltalgebra Schaltnetze und Schaltwerke R. Der 1 Aussagen Information oft
Einführung in die Robotik Regelung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12.
Einführung in die Robotik Regelung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 04. 12. 2012 The human is perhaps the most intelligent control system
Einführung 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
Kybernetik Intelligent Agents- Action Selection
Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment
Teil 1: Digitale Logik
Teil 1: Digitale Logik Inhalt: Boolesche Algebra kombinatorische Logik sequentielle Logik kurzer Exkurs technologische Grundlagen programmierbare logische Bausteine 1 Analoge und digitale Hardware bei
Institut für Leistungselektronik und Elektrische Antriebe. Übungen Regelungstechnik 2
Institut für Leistungselektronik und Elektrische Antriebe Prof. Dr.-Ing. J. Roth-Stielow Übungen Regelungstechnik 2 Inhalt der Übungen: 1. Grundlagen (Wiederholung RT1) 2. Störgrößenaufschaltung 3. Störgrößennachbildung
Die regelungstechnischen Grundfunktionen P, I, D, Totzeit und PT1. 1. Methoden zur Untersuchung von Regelstrecken
FELJC P_I_D_Tt.odt 1 Die regelungstechnischen Grundfunktionen P, I, D, Totzeit und PT1 (Zum Teil Wiederholung, siehe Kurs T2EE) 1. Methoden zur Untersuchung von Regelstrecken Bei der Untersuchung einer
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
Labor Regelungstechnik Versuch 4 Hydraulische Positionsregelung
HS oblenz FB ngenieurwesen Prof. Dr. röber Seite von 7 Versuch 4: Hydraulische Positionsregelung. Versuchsaufbau.. mfang des Versuches m Versuch werden folgende Themenkreise behandelt: - Aufbau eines Prüfstandes
Informatik I WS 07/08 Tutorium 24
Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben
PRAKTIKUM REGELUNGSTECHNIK 2
FACHHOCHSCHULE LANDSHUT Fachbereich Elektrotechnik Prof. Dr. G. Dorn PRAKTIKUM REGELUNGSTECHNIK 2 1 Versuch 2: Übertragungsfunktion und Polvorgabe 1.1 Einleitung Die Laplace Transformation ist ein äußerst
I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.
I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten
3. Die GUI-Tools der Fuzzy-Logic-Toolbox
-20-3. Die GUI-Tools der Fuzzy-Logic-Toolbox Im folgenden sollen die wichtigsten Komponenten, die Graphical user interface (GUI-) tools, zum Erstellen von Fuzzy-Produktionsregelsystemen (fuzzy inference
Betragsgleichungen und die Methode der Fallunterscheidungen
mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at
DV1_Kapitel_4.doc Seite 4-1 von 28 Rüdiger Siol 12.09.2009 16:29
Inhaltsverzeichnis 4 Boolesche lgebra... 4-2 4. lgebra der Logik, algebraische Logik... 4-2 4.. Schaltalgebra und logische Schaltungen... 4-3 4... Zustand eines digitalen Systems... 4-5 4...2 Schaltfunktion...
Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
A.1 Schaltfunktionen und Schaltnetze
Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware
183.580, WS2012 Übungsgruppen: Mo., 22.10.
VU Grundlagen digitaler Systeme Übung 2: Numerik, Boolesche Algebra 183.580, WS2012 Übungsgruppen: Mo., 22.10. Aufgabe 1: Binäre Gleitpunkt-Arithmetik Addition & Subtraktion Gegeben sind die Zahlen: A
Ernst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum
Ernst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum Protokoll-Nr.: 11 Digitalschaltungen Protokollant: Jens Bernheiden Gruppe: 2 Aufgabe durchgeführt: 25.06.1997 Protokoll
DIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
LTAM FELJC jean-claude.feltes@education.lu 1 T2EE. Regelungstechnik ASSERVISSEMENTS
LTAM FELJC jean-claude.feltes@education.lu 1 T2EE Regelungstechnik ASSERVISSEMENTS Z W E R Y S X LTAM FELJC jean-claude.feltes@education.lu 2 1. Grundlagen 1.1. Steuerung Beispiel 1: Drehzahlsteuerung
Logik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:
Lösungshinweise zu Kapitel 4
L-23 Lösungshinweise zu Kapitel 4 zu Selbsttestaufgabe 4.3 (Regelumformungen 1) Die Regeln R1, R2 und R2 sind bereits in vereinfachter Form und entsprechen genau den Regeln GA-1, GA-8 und GA-7. Die Umformung
Grundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
Simulink: Einführende Beispiele
Simulink: Einführende Beispiele Simulink ist eine grafische Oberfläche zur Ergänzung von Matlab, mit der Modelle mathematischer, physikalischer bzw. technischer Systeme aus Blöcken mittels plug-and-play
Entwurf robuster Regelungen
Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler
Theoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10
Fixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind
Formelsammlung. Wahrscheinlichkeit und Information
Formelsammlung Wahrscheinlichkeit und Information Ein Ereignis x trete mit der Wahrscheinlichkeit p(x) auf, dann ist das Auftreten dieses Ereignisses verbunden mit der Information I( x): mit log 2 (z)
Informatik A ( Frank Hoffmann)
Teillösungen zum 1. Aufgabenblatt zur Vorlesung Informatik A ( Frank Hoffmann) 1. Improvisieren Stellen Sie die Zahl 6 dar durch einen Ausdruck, der genau dreimal die Ziffer i enthält und ansonsten neben
Kapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
Die Fuzzy-Logik als methodischer Ansatz in der wissensbasierten Informationsverarbeitung
Ilka Kürbis, Ruhr-Universität Bochum, 20.Jan. 200 Die Fuzzy-Logik als methodischer Ansatz in der wissensbasierten Informationsverarbeitung am Fallbeispiel der Bewertung von luftchemischen Messdaten Logik
Herzlich Willkommen Bienvenue Welcome. Beispiele zur Mathematik-/Logikfunktion. Manfred Schleicher
Herzlich Willkommen Bienvenue Welcome Beispiele zur Mathematik-/Logikfunktion Manfred Schleicher Hinweise zur Präsentation Diese Präsentation zeigt Beispiele zur Anwendung der Mathematikfunktion: Mittelwertbildung
1.) Aufrufen des Programms WinFACT 7 (BORIS)
Dampftemperaturregelung mit WAGO und WinFACT 7 (BORIS) 1.) Aufrufen des Programms WinFACT 7 (BORIS) Über die Start Menüleiste gelangen Sie über Programme, WinFACT 7 und Blockorientierte Simulation BORIS
Ein kausaler Zusammenhang entspricht einer speziellen wahren Implikation. Beispiel: Wenn es regnet, dann wird die Erde nass.
Implikation Implikation Warum ist die Tabelle schwer zu schlucken? In der Umgangssprache benutzt man daraus folgt, also, impliziert, wenn dann, nur für kausale Zusammenhänge Eine Implikation der Form:
Grundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 3: Alphabete (und Relationen, Funktionen, Aussagenlogik) Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Oktober 2008 1/18 Überblick Alphabete ASCII Unicode
Simulink - Modelle grafisch vergleichen
Simulink - Modelle grafisch vergleichen Effizienzsteigerung bei der modellbasierten Softwareentwicklung Dr. Helmuth Stahl ExpertControl GmbH Email: hstahl@expertcontrol.com Web: www.expertcontrol.com Übersicht
Computergrundlagen Boolesche Logik, Zahlensysteme und Arithmetik
Computergrundlagen Boolesche Logik, Zahlensysteme und Arithmetik Institut für Computerphysik Universität Stuttgart Wintersemester 2012/13 Wie rechnet ein Computer? Ein Mikroprozessor ist ein Netz von Transistoren,
Was bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
Kybernetik Regelung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 19. 06.
Kybernetik Regelung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 50 2453 mohamed.oubbati@uni-ulm.de 9. 06. 202 Was ist Regelung? Regelung ist eine gezielte Beeinflussung dynamischer Systeme,
Codegenerierung für Mikrocontroller aus einem SimulinkModell (Schritt-für-Schritt-Anleitung)
Codegenerierung für Mikrocontroller aus einem SimulinkModell (Schritt-für-Schritt-Anleitung) Folgende Schritt-für-Schritt-Anleitung zeigt exemplarisch den Arbeitsablauf der CCodegenerierung für den Mikrocontroller
Bestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Neuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. 5. Aufgabenblatt: Neural Network Toolbox 1
Neuronale Netze, Fuzzy Control, Genetische Algorithmen Prof. Jürgen Sauer 5. Aufgabenblatt: Neural Network Toolbox 1 A. Mit Hilfe der GUI vom Neural Network erstelle die in den folgenden Aufgaben geforderten
Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle.
Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik Seminar Entscheidungsverfahren für logische Theorien Tobias Hebel Koblenz, am 18.02.2005 Inhaltsverzeichnis 1 Einleitung... 3 2 Grundlagen...
Lösungen zu den Übungsaufgaben aus Kapitel 5
Lösungen zu den Übungsaufgaben aus Kapitel 5 Ü5.1: Die entsprechende Bellman sche Funktionalgleichung kann angegeben werden als: Vct (, ) = max qt D { r rt t ( min{ q t, c} ) min{ q t, c} Vc ( min{ q t,
WS 2009/10. Diskrete Strukturen
WS 29/ Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws9
Der Bipolar-Transistor und die Emitterschaltung Gruppe B412
TECHNISCHE UNIVERSITÄT MÜNCHEN Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 Patrick Christ und Daniel Biedermann 16.10.2009 1. INHALTSVERZEICHNIS 1. INHALTSVERZEICHNIS... 2 2. AUFGABE 1...
3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
Entwurf von Algorithmen - Kontrollstrukturen
Entwurf von Algorithmen - Kontrollstrukturen Eine wichtige Phase in der Entwicklung von Computerprogrammen ist der Entwurf von Algorithmen. Dieser Arbeitsschritt vor dem Schreiben des Programmes in einer
Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit
Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.
Binäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
Zusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur
Regelungstechnik 1 Praktikum Versuch 2.1
Regelungstechnik 1 Praktikum Versuch 2.1 1 Prozeßidentifikation Besteht die Aufgabe, einen Prozeß (Regelstrecke, Übertragungssystem,... zu regeln oder zu steuern, wird man versuchen, so viele Informationen
Effekte einer negativen Rückführung
Effekte einer negativen Rückführung Reduziert den Effekt von Störungen und Parameteränderungen. Reduziert den Einfluß von Nichtlinearitäten. Sorgt für eine konstante Verstärkung. Verändert die Systemeigenschaften.
der einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr
Kapitel 2 Grundbegriffe der Logik 2.1 Aussagen und deren Verknüpfungen Eine Aussage wie 4711 ist durch 3 teilbar oder 2 ist eine Primzahl, die nur wahr oder falsch sein kann, heißt logische Aussage. Ein
Einfache Differentialgleichungen
Differentialgleichungen (DGL) spielen in der Physik eine sehr wichtige Rolle. Im Folgenden behandeln wir die grundlegendsten Fälle 1, jeweils mit einer kurzen Herleitung der Lösung. Dann schliesst eine
Systemarchitektur und SPICE
Systemarchitektur und SPICE systems.camp 2015 Version 1.0, 2015-04-18, pv Systemarchitektur und SPICE Gliederung Ebene 1 Motivation von SPICE Anforderungen von SPICE an eine Systemarchitektur 12.05.2015
Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
Terme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes)
Prädikatenlogik Man kann den natürlichsprachlichen Satz Die Sonne scheint. in der Prädikatenlogik beispielsweise als logisches Atom scheint(sonne) darstellen. In der Sprache der Prädikatenlogik werden
Regelungstechnik 1 Praktikum Versuch 1.1. 1 Unterschied zwischen Steuerung und Regelung Reglereinstellung mittels Schwingversuch
Regelungstechnik 1 Praktikum Versuch 1.1 1 nterschied zwischen Steuerung und Regelung Reglereinstellung mittels Schwingversuch Die Aufgabe der Regelungstechnik besteht im weitesten Sinne darin, einen bestimmten
Name: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe B
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl0-Gruppe B. Gegeben ist die Exponentialfunktion y=f x =0.8 2 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
Name: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A 1. Gegeben ist die Exponentialfunktion y=f x = 0,5 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
Doing Economics with the Computer Sommersemester 2002. Excel Solver 1
Universität Bern Kurt Schmidheiny / Manuel Wälti Doing Economics with the Computer Sommersemester 2002 Excel Solver 1 Mit dem Solver unterstützt Excel eine Funktion, mit der u.a. komplex verschachtelte
Lineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
Formeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
Kapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen
TG TECHNOLOGISCHE GRUNDLAGEN Kapitel 3 Mathematik Kapitel 3.3 Algebra Gleichungen Verfasser: Hans-Rudolf Niederberger Elektroingenieur FH/HTL Vordergut 1, 877 Nidfurn 055-654 1 87 Ausgabe: Februar 009
Ferienkurs - Experimentalphysik 2
Technische Universität München Department of Physics Ferienkurs - Experimentalphysik 2 Dienstag Daniel Jost Datum 21/08/2012 Inhaltsverzeichnis 1 Magnetostatik 1 1.1 Feldgleichungen der Magnetostatik.....................
Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
Zusammenfassung der 8. Vorlesung
Zusammenfassung der 8. Vorlesung Beschreibung und und Analyse dynamischer Systeme im im Zustandsraum Steuerbarkeit eines dynamischen Systems Unterscheidung: Zustandssteuerbarkeit, Zustandserreichbarkeit
Formale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30
Formale Methoden II SS 2008 Universität Bielefeld Teil 8, 11. Juni 2008 Gerhard Jäger Formale Methoden II p.1/30 Beispiele Anmerkung: wenn der Wahrheitswert einer Formel in einem Modell nicht von der Belegungsfunktion
Technische 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
Abiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
Bitte schreiben Sie sich in die Mailingliste der Vorlesung ein! Den Link finden Sie auf der Vorlesungshomepage.
Mailingliste Bitte schreiben Sie sich in die Mailingliste der Vorlesung ein! Den Link finden Sie auf der Vorlesungshomepage. ZUR ERINNERUNG Regulärer Stundenplan Freitag, 14-16 Uhr: Vorlesung, ExWi A6
Zusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke
Semantic Web Technologies I!
www.semantic-web-grundlagen.de Semantic Web Technologies I! Lehrveranstaltung im WS11/12! Dr. Elena Simperl! DP Dr. Sebastian Rudolph! M.Sc. Anees ul Mehdi! www.semantic-web-grundlagen.de Logik Grundlagen!
13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
Grundlagen der Informatik
Grundlagen der Informatik Teil III Boolesche Algebra, Signalarten, Elektronische Bauteile Seite 1 Boolesche Algebra George Boole => englischer Mathematiker Mitte 19. Jahrhundert Formale Sicht digitaler
Prozess-rechner. auch im Büro. Automation und Prozessrechentechnik. Prozessrechner. Sommersemester 2011. Prozess I/O. zu und von anderen Rechnern
Automation und Prozessrechentechnik Sommersemester 20 Prozess I/O Prozessrechner Selbstüberwachung zu und von anderen Rechnern Prozessrechner speziell Prozessrechner auch im Büro D A D A binäre I/O (Kontakte,
Reell. u(t) Komplex u(t), Zeitabhängig Zeitunabhängig. u(t)e jωt. Reell Û. Elektrische Größe. Spitzenwert. Komplex Û. Reell U. Effektivwert.
Aufgaben Reell u(t) Elektrische Größe Zeitabhängig Zeitunabhängig Spitzenwert Effektivwert Komplex u(t), Reell Û Komplex Û Reell U Komplex U u(t)e jωt Institut für Technische Elektronik, RWTH - Aachen
Spannungsstabilisierung
Spannungsstabilisierung 28. Januar 2007 Oliver Sieber siebero@phys.ethz.ch 1 Inhaltsverzeichnis 1 Zusammenfassung 4 2 Einführung 4 3 Bau der DC-Spannungsquelle 5 3.1 Halbwellengleichrichter........................
Java Einführung Operatoren Kapitel 2 und 3
Java Einführung Operatoren Kapitel 2 und 3 Inhalt dieser Einheit Operatoren (unär, binär, ternär) Rangfolge der Operatoren Zuweisungsoperatoren Vergleichsoperatoren Logische Operatoren 2 Operatoren Abhängig
Controlling Konzepte für pneumatische Muskeln
Controlling Konzepte für pneumatische Muskeln Ausarbeitung im Rahmen des Seminars Humanoide Roboter von Sebastian Adelstein WS04/05 Inhaltsverzeichnis Der McKibben Muskel...3 Einführung in die Regelungstheorie...3
Temporale Logiken: CTL und LTL
Westfälische Wilhelms-Universität Münster usarbeitung Temporale Logiken: CTL und LTL im Rahmen des Seminars Formale Spezifikation im WS 2005/06 Thorsten Bruns Themensteller: Prof. Dr. Herbert Kuchen Betreuer:
Lineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
Messung von Spannung und Strömen
Basismodul-Versuch 2 BM-2-1 Messung von Spannung und Strömen 1 Vorbereitung llgemeine Vorbereitung für die Versuche zur Elektrizitätslehre, insbesondere Punkt 7 ufbau eines Drehspulmesswerks Lit.: WLCHER
Dynamisch unterrichten mit Excel
Reimund Albers Dynamisch unterrichten mit Excel Erstellen von Schiebereglern 1 Dynamisch unterrichten mit Excel oder: Wie erstelle ich einen Schieberegler in Excel? Beispiel: Demonstration der Abhängigkeit
Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
Der Design- und Verifizierungsprozess von elektronischen Schaltungen. Y Diagramm
Der Design- und Verifizierungsprozess von elektronischen Schaltungen Y Diagramm Verhaltens Beschreibung Struktur Beschreibung z.b. Vout =Vin/2 Analog: Teiler Digital: Schieberegister Widerstand oder Mosfet
Entscheidungstabellen zur Testdatenermittlung
Entscheidungstabellen zur Testdatenermittlung ÜBERBLICK... 2 ERSTELLUNG VON ENTSCHEIUNGSTABELLEN... 2. AUFBAU VON ENTSCHEIUNGSTABELLEN... 2.2 BEISPIEL KFZ-VERSICHERUNG... 2 2.3 VARIANTEN... 2 3 VALIIERUNG
Ansteuerung Versuchsstand Einfachpendel
4 6 Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger Ansteuerung Versuchsstand Einfachpendel 1 Echtzeitverarbeitungssystem Host-PC Simulink Modell Code Generierung Echtzeitcode ControlDesk
Automatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung -
Institut für Innovative Inform atik-anwendungen Automatische, datengetriebene Modellgenerierung - Entwicklung und praktische Anwendung - P. Gemmar Fachhochschule Trier Entwicklung hydrologischer Modelle
Der Anschluss an einen Computer
Firmware version: 2.1 GUI version: 2.1 Board version: siehe Abbildung Der Anschluss an einen Computer Man verbindet das Controllerboard mit dem PC mit einem USB-Kabel und natürlich den Sensor mit dem entsprechenden
Toleranzberechnung/-Simulation
Summenhäufigkeit zufallsgeneriert Toleranzberechnung/-Simulation Einführung Das Ziel ist es die Auswirkung von vielen Einzeltoleranzen auf ein Funktionsmaß zu ermitteln. Bekanntlich ist das addieren der
Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
25 kann ohne Rest durch 5 geteilt werden! ist wahr
Lehrbrief 2: Lektion 8 - C -Praxis 4-1 - 5.2 Einfache Entscheidungen mit if und die Vergleichsoperatoren Nun tauchen wir immer tiefer in die Geheimnisse von C ein und beschäftigen uns mit einem sehr wichtigen
Test integrierter Schaltungen
1. CAE Link und IC Qualifizierung 1.1 Ziel 1.1.1 CAE Link Bei der letzten Übung wurden die Zeitdefinitionen und die Test Pattern manuell eingegeben. Aber bei hochintegrierten Schaltkreise muß ein anderer