Fuzzy Logic & Control
|
|
- Martina Kästner
- vor 6 Jahren
- Abrufe
Transkript
1 Warum einfach, wenn es auch schwer geht? Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff
2 Fuzzy Prädikatenlogik Die Prädikatenlogik erweitert die Aussagenlogik mit den Junktoren, und um den Existenzquantor und den Für Alle -Quantor. Dies gestattet Aussagen der Form es gibt ein x mit der Eigenschaft P(x) oder für alle x gilt P(x). Wahrheitswerte τ (truth values) von Aussagen die Quantoren enthalten lassen sich üblicherweise bestimmen als: x: P x = inf x { P x } x : P x = sup x { P x } 2
3 Fuzzy Relationen Es seien Ω und Ψ zwei Mengen. Das Kreuzprodukt Ω Ψ ist die Menge aller geordneten Tupel (x,y) mit x Ω und y Ψ. Eine fuzzy Relation R(x,y) ist eine Teilmenge R Ω Ψ mit Werten in [0,1], welche die Beziehung zwischen x und y beschreibt. Für diskrete Mengen lässt sich R als fuzzy Matrix schreiben. Relationen lassen sich verketten. Sei Ξ eine weitere Menge und U(y,z) eine Relation auf Ψ Ξ dann gilt für die Relation V = R U mit V(x,z) Ω Ξ: V x, z = sup y R x, y U y, z 3
4 Bemerkungen: Fuzzy Relationen Bei diskreten Mengen kann die Verkettung durch die Matrizenmultiplikation abgebildet werden. Die Elemente a jk sind Wahrheitswerte. Die Multiplikation wird per AND- und die Addition per OR- Verknüpfung berechnet. Meistens max-min... Der Fuzzy Vergleich ist ein Beispiel für eine Equivalenzrelation R(Ω,Ω). Ähnliche Relationen sind <,, etc. die sich auch fuzzy definieren lassen. Auch der klassische Implikationsoperator (P Q) ist eine Relation aus Prämisse und Konklusion. Relationen sind i.a. nicht kommutativ und das Rechnen mit ihnen ist uns nicht so geläufig... 4
5 Fuzzy Vergleich als Relation Wie groß ist der Wahrheitsgehalt der Aussage A ist (ungefähr) gleich B, d.h. τ(a B)? Nach dem Zadehschen Erweiterungsprinzip ist dies gleich dem Wert der maximalen Übereinstimmung von A und B. A B = sup x A x B x Der Wahrheitsgehalt von W(A B) ist bei dem Wert x 0 mit der größtmöglichen Übereinstimmung von A und B gegeben, z. B mit dem Min-Operator bei dem größten Wert für den A(x 0 )=B(x 0 ) gilt. 5
6 Fuzzy Logik Ein Objekt x gehört nicht nur eindeutig zu einer Menge A, sondern kann auch zugleich zu deren Komplement gehören, falls Dies bedeutet in der Fuzzy-Logik gilt kein Satz vom Widerspruch (dies hängt von der T-Norm ab!): A x {0,1} x : A x A x 0 Auch der Satz vom ausgeschlossenem Dritten ist nicht mehr uneingeschränkt gültig: x : A x A x 1 6
7 Unscharfe Logik Klassische Logik Fuzzy Logik f w 0.5 falsch wahr falsch jein wahr Klassische Logik kennt nur die Werte 0 oder 1. Fuzzy Logik definiert Wahrheitsgehalt als Menge mit einer Zugehörigkeit μ w (x) [0,1] mit μ f = μ w = 1 - μ w Epimenides: μ w = μ f 1 - μ w μ w = 0.5 7
8 Vergleich Fuzzy Logik & Control Wodrin liegt der wesentliche Unterschied zwischen logischen Aussagen und Fuzzy Reglern? Regler arbeiten meist auf einer Strecke mit scharfen Eingängen und Rückführung der defuzzifizieren Ausgangs. Fuzzy Logik benötigt Algorithmen, die mit Fuzzy Mengen Mehrfachverkettungen ermöglichen, ohne sofortiger Defuzzifizierung und Rückführung. Logik System müssen daher mit unscharfen Fuzzy Mengen und nicht nur auf scharfen Eingangswerten operieren können! 8
9 Kühlung mit scharfer Regelung Das Beispiel einer Kühlung soll den Vorteil von Fuzzy Regeln erläutern. Häufig sind scharfe Regeln unangemessen: R 1 if (temp<30) then fan off = 0 ma R 2 if (30<=temp<60) then fan low = 50 ma R 3 if (60<=temp<90) then fan high =100 ma R 4 if (temp>120) then fan very high=150ma 9
10 Scharfe Laptop Kühlung Fan current 150 ma very high 100 ma high 50 ma low AC/DC 0 ma off T / C 59 C low jedoch 61 C high unstetig. Kühlung wird bei 60 mit low-high oszillieren. 10
11 Regeln mit linguistischen Variablen Die Regeln werden unscharf formuliert: R 1 if very cold then fan off R 2 if cold then fan low R 3 if warm or hot then fan high R 4 if hot then fan very high off, low, high etc. bezeichnen linguistische Variablen, die durch Fuzzy Mengen beschrieben werden. 11
12 Linguistische Variablen ( T) 1.0 cold warm hot very hot 0.5 off Zuordnung der Temperatur zu den Fuzzy Mengen T / C Fuzzyfizierung 59 C 61 C 12
13 Fuzzy Fan Status (I) 1.0 off low high very high 0.5 Dieselben sprunghaften Regeln erlauben unscharf formuliert eine stetige Regelung! off Fan current I/mA Defuzzifizierung 59 C low high = 98 ma 61 C high very =102 ma 13
14 Truth Value Der Wahrheitswert τ(a) wird in der Fuzzy Logik mit dem Grad an Zugehörigkeit τ(a)(x) = μ A (x) zur Fuzzy Menge A identifiziert. Kleinbuchstaben stehen häufig für den jeweiligen Wahrheitswert. In einer Regel if x P then y Q, wird der Implikationsoperator I(p, q) nur aus den Wahrheitswerten p und q der Prämisse und Implikation für eine gewählte Belegung (x,y) berechnet: P Q = I p, q p:= P x q := Q y 14
15 Fuzzy Implikation Die Übersetzung der klassischen Implikation in eine Fuzzy Logik ist nicht eineindeutig. Es gibt mehrere Vorschläge für die Implikation P Q: P Q P Q P P Q P Q = max 1 p,q P Q = max 1 p,min p, q klassisch wahr P Q P Q Obige Formeln, sind abgeleitet mit Min-Max als t- und s-norm, auch dies ist frei wählbar! Allgemein wird P Q mit einer Funktion I(p,q) berechnet. 15
16 Implikationsoperatoren Bereits bei der klassischen Implikation, gibt es verschiedene Definitionen, entsprechend existieren unterschiedliche Varianten des fuzzifizierten Implikationsoperators, z.b. Gödel, Łukasiewicz. P Q = min 1,1 p q Für den Schluss P (P Q), mit approximativer Prämisse P P, soll als Konklusion Q Q erfolgen: Q = P P Q Mamdani ersetzt (P Q) durch min(p,q) und Larsen wählt das Produkt (P Q) = P*Q. Beide sind für P=0 falsch(!) da klassisch I(0,Q)=1. 16
17 Mamdani Approximation Die Rechtfertigung für die Vereinfachung nach Mamdani/Larsen lautet, in einem Expertensystem wird eine Regel mit τ(p)=0 nicht feuern und der falsche Implikationsoperator trägt nichts zum Ergebniss bei... Hierdurch vereinfacht sich der Ausdruck für die Implikation Q = P P Q auf Grund der Assoziativität von zu: Q P P Q = q Q =: q 17
18 Der generalisierte Modus Ponens Die klassische Implikation Q = P P Q fuzzyfizierter Version lautet: Q y = sup x Im Fall der vereinfachten Mamdani Implikation mit MinMax Norm ergibt dies: Q y = sup x Q y = min p,q y p = sup x T P x, I P x,q y min P x, P x in min P x, min P x,q y D.h. der Träger von Q bleibt erhalten! 18
19 Übung Berechnen Sie das Ausgabe Fuzzy Set B zur Regel if A then B, wenn das Eingabedatum A x =A x c gegen A, um eine Konstante c verschoben ist, für die Fälle: Mamdani Implikation mit I(x,y)=T(x,y)= min(x,y). Wie lautet der Algorithmus falls der Wenn-Teil aus einer Konjunktion if A 1 A 2 then B besteht? Larsen Implikation mit I(x,y)=T(x,y)=x*y. Tip: Wählen Sie für A(x) eine Dreiecksfunktion. Machen Sie gegebenenfalls Fallunterscheidungen für Kern/Träger in Abhängigkeit von c. 19
20 Fuzzy Inferenz Für eine gegebene Fuzzy Regel R: if x is A then y is B mit Fuzzy Mengen A und B, und einer Eingabe A x lautet der verallgemeinerte fuzzy modus ponens B = A A B Die Ausgabe wird berechnet mit Hilfe einer T-Norm und dem Implikationsoperator p q =: I p,q B y = sup x T A x, I A x, B y 20
21 Fuzzy Regelbasis Eine fuzzy Regelbasis mit n Regeln R j : A j B j j=1,,n wird bestimmt als System von Relationsgleichungen B j =A j R j=1,,n und die Lösung ist gegeben, wenn die Konjunktion n C= j=1 A j Gö B j nicht leer und eine Lösung für jede Regel R j ist. 21
22 Fuzzy Approximations Zu gegebener (fuzzy) Eingabe A lautet die Lösung n A j Gö B j B = A j=1 Ein Expertensystem führt die Regeln unabhängig aus und eine approximative Obermenge der Lösung ist: n B = j=1 A A j B j B Fuzzy Control erweitert(!) meistens die Lösungsmenge durch eine disjunktive Verknüpfung: n C = j=1 A A j XY B j B Zadeh's compositional rule of inference 22
23 Offene Fragen Die OR Aggregation der Ergebnisse hat sich in zahlreichen Anwendungen der Fuzzy Control bewährt, meistens mit Mamdani Inferenz... Die Wahl AND oder OR Aggregation zu verwenden hängt vom Anwendungsfall ab: Sind die Regeln unabhängige Aussagen oder sind sie streng gekoppelt? Letzteres ist vermutlich der Fall für Anwendungen von Fuzzy Logic, wo die AND Aggregation erforderlich ist. Zur Illustration dient das fuzzy computer experiment der Lab4Jefis Site... 23
24 Fuzzy Experiment Wir wollen y = 1 x mit Fuzzy Logik regelbasiert berechnen. Hierzu nehmen wir eine Fuzzy Partition mit drei Mengen und der Regelbasis: Rule Base for y = 1 x R 1 : if x is low than y is high R 2 : if x is med than y is med R 3 : if x is high than y is low 24
25 Fuzzy Partition Eine natural fuzzy partition ist eine Menge von n eindeutig überlappenden Mengen A j, mit: 0 A j A k x x, j k 1 n 1 A j x x j=1 In unserem Beispiel ist n=3 und die Regeln erfüllen R k : if x is A k then y is A n-k+1 Korrelar: Mindestens n-2 Regeln haben kein Match egal welchen Wert x annimmt. 25
26 Mamdani sup-min - Inference input value I(p,q)=min(p,q) OR-aggregation: output sets Die Ausgabe passt gut zu y =1- x final result with COG 26
27 Larsen sup-prod - Inference I(p,q)= p q OR-aggregation: Auch die sup-* Interferenz funktioniert... 27
28 Łukasiewicz - Inference min(1,1-p+q) OR-aggregation: Falls eine Regel keinen Match hat, so wird die bei Fuzzy Logik die universelle Menge geschlussfolgert. 28
29 Łukasiewicz - Inference min(1,1-p+q) OR-aggregation: Auch das Aus- Schließen nicht erfüllter Regeln in einer RE hilft nicht... 29
30 Was ist passiert...? Die Mamdani Min-/Larsen Produkt Implikationen sind keine richtigen Inferenz Operatoren, da sie beide eine (falsche) Implikation liefern: I(0,q) = 0 falls die Premise p Null ist. Genau deshalb sind sie geeignet für die OR Aggregation, da sich eine nicht feuernde Regel nicht bemerkbar macht. Implikationsoperatoren mit I(0,q)=1 werden im Fall einer OR-Aggregation überall eine 1 liefern. Daher ist AND-Aggregation für diese Operatoren die einzig mögliche Wahl... 30
31 Łukasiewicz - Inference min(1,1-p+q) AND-aggregation: Für logische Implikation ist Aggregation die richtige Wahl. 31
32 Gougen - Inference min(1,q/p) AND-aggregation: Die Form der Lösungsmenge ändert sich je nach dem ge- Wählten I(p,q)... 32
33 Gödel - Inference ={ I 1 q p q else AND-aggregation: Gödel bietet die kleinste Lösungsmenge 33
34 Vorläufiges Resultat Obgleich dies keine mathematisch schwierige und aussagekräftige Demonstration ist, stellt sich die Frage Wie sind regelbasierte Systeme, die logische Entscheidungen treffen, zu entwerfen? Für eine OR-Aggregation von Regeln sind nur die Mamdani- und Larsen Implikationen brauchbar. AND-Aggregation funktioniert am Besten mit I(0,q)=1 Operatoren, selbst wenn Rule-Engines für p=0 nicht feuern. Gibt es noch weitere Möglichkeiten der Inferenz? Die Antwort ist: Ja, aber dies ist abhängig vom gewählten Wahrheitsbegriff! 34
Fuzzy Logic & Control
The more, the fuzzier... Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Theorie Lofi Zadeh enwickelte 1967 die Fuzzy Theorie. Er erweiterte die klassische Mengenlehre um den Begriff
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 Logic & Control
Λογος ist..., wenn man trotzdem denkt. Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Agenda Klassische Mengen Regelbasierte Systeme Mehrwertige Logiken und Fuzzy Logik Fuzzy Mengen,
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
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
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume
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
Mehr5 Fuzzy Unscharfe Mengen
5 Fuzzy Unscharfe Mengen Fuzzy Unscharfe Mengen Motivation Einfaches Modell eines Fuzzy Reglers Unscharfe Mengen Interpretation linguistischer Werte Operationen auf unscharfen Mengen Fuzzy Relationen Fuzzy
MehrFuzzy-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,
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
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
MehrRepräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I. Alexander Fabisch und Benjamin Markowsky. Universität Bremen
Repräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I Alexander Fabisch und Benjamin Markowsky Universität Bremen 25.05.2010 Alexander Fabisch und Benjamin Markowsky (Universität Bremen)
MehrFuzzy Logic 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
MehrVor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen
Vor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen 09.10.2014 Herzlich Willkommen zum 2. Teil des Vorschaukurses für Mathematik! Organisatorisches Der Vorkurs besteht aus sechs Blöcken
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
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
MehrVorkurs Mathematik Logik und Beweismethoden 1
Vorkurs Mathematik Logik und Beweismethoden 1 Saskia Klaus 05. Oktober 2016 Dieser Vortrag wird schon seit vielen Jahren im Vorkurs gehalten und basiert auf der Arbeit vieler verschiedener Menschen, deren
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
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Kapitel 1: Aussagen, Mengen
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/18 19. Oktober 2017 1/27 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage
MehrKapitel 1: Grundbegriffe
Kapitel 1: Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) 1 / 20 Gliederung 1 Logik Ein ganz kurzer Ausflug in die Kombinatorik Stefan Ruzika (KO) 2
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrDe Morgan sche Regeln
De Morgan sche Regeln Durch Auswerten der Wahrheitswertetabelle stellen wir fest, dass allgemeingültig ist; ebenso (p q) p q (p q) p q. Diese beiden Tautologien werden als die De Morgan schen Regeln bezeichnet,
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Jens Struckmeier Fachbereich Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2010/11 Jens Struckmeier (Mathematik,
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16 15. Oktober 2015 Zu der Vorlesung gibt es ein Skript, welches auf meiner Homepage veröffentlicht
MehrBoolesche Algebra. Hans Joachim Oberle. Vorlesung an der TUHH im Wintersemester 2006/07 Montags, 9:45-11:15 Uhr, 14täglich TUHH, DE 22, Audimax 2
Universität Hamburg Department Mathematik Boolesche Algebra Hans Joachim Oberle Vorlesung an der TUHH im Wintersemester 2006/07 Montags, 9:45-11:15 Uhr, 14täglich TUHH, DE 22, Audimax 2 http://www.math.uni-hamburg.de/home/oberle/vorlesungen.html
MehrInformationsverarbeitung auf Bitebene
Informationsverarbeitung auf Bitebene Dr. Christian Herta 5. November 2005 Einführung in die Informatik - Informationsverarbeitung auf Bitebene Dr. Christian Herta Grundlagen der Informationverarbeitung
MehrVorlesung 3: Logik und Mengenlehre
28102013 Erinnerung: Zeilen-Stufen-Form (ZSF) eines LGS 0 0 1 c 1 0 0 0 1 0 0 1 c r 0 0 0 c r+1 0 0 0 0 0 0 0 0 0 c m Erinnerung: Information der Zeilen-Stufen-Form Aus der ZSF liest man ab: Folgerung
MehrAlphabet der Prädikatenlogik
Relationen und Alphabet der Das Alphabet der besteht aus Individuenvariablen Dafür verwenden wir kleine Buchstaben vom Ende des deutschen Alphabets, auch indiziert, z. B. x, y, z, x 1, y 2,.... Individuenkonstanten
MehrDiskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Mathematische Logik
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Mathematische Logik Aussagen Begriff Aussage: Ausdruck, welcher entweder wahr oder falsch ist e Die RWTH Aachen hat
MehrBrückenkurs Mathematik 2015
Technische Universität Dresden Fachrichtung Mathematik, Institut für Analysis Dr.rer.nat.habil. Norbert Koksch Brückenkurs Mathematik 2015 1. Vorlesung Logik, Mengen und Funktionen Ich behaupte aber, dass
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Prof. Dr. Armin Iske Department Mathematik, Universität Hamburg Technische Universität Hamburg-Harburg Wintersemester 2006/2007 Analysis I TUHH, Winter
MehrDiskrete Strukturen WS 2018/19. Gerhard Hiß RWTH Aachen
Diskrete Strukturen WS 2018/19 Gerhard Hiß RWTH Aachen Erster Teil: Grundlagen Kapitel 1, Mathematische Grundbegriffe 1.1 Aussagen Begriff (Aussage) Sprachlicher Ausdruck, welcher entweder wahr oder falsch
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.
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
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.
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrVorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
Mehr6. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 6. Vorlesung Fuzzy Systeme Entwurfsbeispiele 6. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr1 Aussagenlogik. 1.1 Aussagen. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage) Aussage = Behauptung Beispiele: Es regnet.
Grundlagen der Mathematik für Informatiker 1 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage)
MehrEinführung in die Logik (Vorkurs)
Einführung in die Logik (Vorkurs) Jürgen Koslowski 2014-04-07 Ein Beispiel Familie A will im kommenden Jahr eine Waschmaschine, ein Auto und ein Moped anschaffen. Aber falls Herr A seinen üblichen Bonus
MehrLogik I. Symbole, Terme, Formeln
Logik I Symbole, Terme, Formeln Wie jede geschriebene Sprache basiert die Prädikatenlogik erster Stufe auf einem Alphabet, welches aus den folgenden Symbolen besteht: (a) Variabeln wie zum Beispiel v 0,v
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
Mehr1. Einführung in Temporallogik CTL
1. Einführung in Temporallogik CTL Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen. Zeit wird in den hier zunächst behandelten Logiken als diskret angenommen
MehrÜbungen zur Vorlesung Einführung in die Mathematik
Übungen zur Vorlesung Einführung in die Mathematik von G. Greschonig und L. Summerer, WS 2017/18 Aufgabe 1. Zeige, dass das Quadrat einer ungeraden Zahl, vermindert um 1, stets durch 4 teilbar ist. Folgere
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 3 Tautologien In der letzten Vorlesung haben wir erklärt, wie man ausgehend von einer Wahrheitsbelegung λ der Aussagevariablen
MehrTilman Bauer. 4. September 2007
Universität Münster 4. September 2007 und Sätze nlogik von Organisatorisches Meine Koordinaten: Sprechstunden: Di 13:30-14:30 Do 9:00-10:00 tbauer@uni-muenster.de Zimmer 504, Einsteinstr. 62 (Hochhaus)
Mehrf(1, 1) = 1, f(x, y) = 0 sonst üblicherweise Konjunktion, manchmal auch
Belegungen, Wahrheitsfunktionen 1. Wie viele binäre Funktionen gibt es auf der Menge {0, 1} (d.h., Funktionen von {0, 1} 2 nach {0, 1})? Geben Sie alle diese Funktionen an, und finden Sie sinnvolle Namen
MehrEinführung in die Semantik, 5. Sitzung Aussagenlogik
Einführung in die, 5. Sitzung Aussagenlogik Göttingen 9. November 2006 Aussagenlogik Warum die formalen Sprachen der Logik? formale Sprachen haben wie jede Sprache ein Vokabular, eine und eine. Die Relation
MehrWas ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie
Was ist Logik? Geschichte der Logik eng verknüpft mit Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie man aus Aussagen andere Aussagen ableiten kann Beschränkung auf
MehrLogik Vorlesung 2: Semantik der Aussagenlogik
Logik Vorlesung 2: Semantik der Aussagenlogik Andreas Maletti 24. Oktober 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen
MehrDie Prädikatenlogik erster Stufe: Syntax und Semantik
Die Prädikatenlogik erster Stufe: Syntax und Semantik 1 Mathematische Strukturen und deren Typen Definition 1.1 Eine Struktur A ist ein 4-Tupel A = (A; (R A i i I); (f A j j J); (c A k k K)) wobei I, J,
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrGrundlagen der Mathematik
Universität Hamburg Winter 2016/17 Fachbereich Mathematik Janko Latschev Grundlagen der Mathematik Lösungsskizzen 2 Präsenzaufgaben (P2) Wir betrachten drei Teilmengen der natürlichen Zahlen: - A = {n
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
MehrLogik Vorlesung 2: Semantik der Aussagenlogik
Logik Vorlesung 2: Semantik der Aussagenlogik Andreas Maletti 24. Oktober 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen
Mehr1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
Mehr1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
MehrDiskrete Strukturen. Vorlesung 3: Naive Mengenlehre. 30. Oktober 2018
Diskrete Strukturen Vorlesung 3: Naive Mengenlehre 30. Oktober 2018 2 Organisation Prüfung: vorauss. am Freitag, den 22. Februar 2019 von 10 11 Uhr im AudiMax, HS 3, HS 9 Abmeldungen noch bis zum 12. Januar
MehrInhaltsverzeichnis. Inhaltsverzeichnis
Inhaltsverzeichnis Inhaltsverzeichnis 1 Beweistechniken 1.1 Prädikatenlogik..................................... 1. Direkter Beweis.................................... 3 1.3 Indirekter Beweis....................................
MehrBrückenkurs Mathematik. Dienstag Freitag
Brückenkurs Mathematik Dienstag 29.09. - Freitag 9.10.2015 Vorlesung 2 Mengen, Zahlen, Logik Kai Rothe Technische Universität Hamburg-Harburg Mittwoch 30.09.2015 Mengen.................................
MehrAnwendungen der Logik, SS 2008, Martin Goldstern
Anwendungen der Logik, SS 2008, Martin Goldstern Total geordnete Körper Ein total geordneter Körper ist ein Körper (K, +,, 0, 1, ) mit einer totalen (=linearen) Ordnung, die mit den Operationen verträglich
MehrMathematische Grundlagen I Logik und Algebra
Logik und Algebra Dr. Tim Haga 21. Oktober 2016 1 Aussagenlogik Erste Begriffe Logische Operatoren Disjunktive und Konjunktive Normalformen Logisches Schließen Dr. Tim Haga 1 / 21 Präliminarien Letzte
MehrEinführung in die Logik
Einführung in die Logik Klaus Madlener und Roland Meyer 24. April 2013 Inhaltsverzeichnis 1 Aussagenlogik 1 1.1 Syntax................................. 1 1.2 Semantik............................... 3 1.3
MehrZahlen und Funktionen
Kapitel Zahlen und Funktionen. Mengen und etwas Logik Aufgabe. : Kreuzen Sie an, ob die Aussagen wahr oder falsch sind:. Alle ganzen Zahlen sind auch rationale Zahlen.. R beschreibt die Menge aller natürlichen
MehrKapitel 1 Mengen. Kapitel 1 Mengen. Mathematischer Vorkurs TU Dortmund Seite 1 / 25
Kapitel 1 Mengen Kapitel 1 Mengen Mathematischer Vorkurs TU Dortmund Seite 1 / 25 Kapitel 1 Mengen Definition 1.1 (Menge) Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen.
MehrTU7 Aussagenlogik II und Prädikatenlogik
TU7 Aussagenlogik II und Prädikatenlogik Daniela Andrade daniela.andrade@tum.de 5.12.2016 1 / 32 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds
MehrTechnische Universität München. Ferienkurs Lineare Algebra 1. Mengenlehre, Aussagen, Relationen und Funktionen. 21. März 2011.
Technische Universität München Ferienkurs Lineare Algebra 1 Mengenlehre, Aussagen, Relationen und Funktionen 21. März 2011 Tanja Geib Inhaltsverzeichnis 1 Aussagen 1 2 Mengenlehre 3 2.1 Grundlegende Definitionen
MehrAussagenlogik. Aussagen und Aussagenverknüpfungen
Aussagenlogik Aussagen und Aussagenverknüpfungen Aussagen sind Sätze, von denen sich sinnvollerweise sagen läßt, sie seien wahr oder falsch. Jede Aussage besitzt also einen von zwei möglichen Wahrheitswerten,
MehrFormale Logik. PD Dr. Markus Junker Abteilung für Mathematische Logik Universität Freiburg. Wintersemester 16/17 Sitzung vom 14.
Formale Logik PD Dr. Markus Junker Abteilung für Mathematische Logik Universität Freiburg Wintersemester 16/17 Sitzung vom 14. Dezember 2016 Die formale Sprache der Prädikatenlogik: Zeichen Benutzt werden
MehrGrundkurs Mathematik I
Prof. Dr. H. Brenner Osnabrück WS 2016/2017 Grundkurs Mathematik I Vorlesung 3 Was Hänschen nicht lernt, lernt Hans nimmermehr Volksmund Was Hänschen nicht lernt, lernt Hans nimmermehr hat heute keine
MehrAussagen. Mathematik und Logik 2011W. Was ist Logik? Elementare Zahlentheorie. Logik. Aussagenlogik. Prädikatenlogik. Datentypen.
Aussagen Die mathematische verwendet mathematische Methoden, um das logische Denken formal zu beschreiben. Populäre Definition: Eine Aussage ist ein Satz, der entweder falsch oder wahr ist. Problem: Wie
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 30. Oktober 2013 ZÜ DS ZÜ
MehrKapitel 1. Aussagenlogik
Kapitel 1 Aussagenlogik Einführung Mathematische Logik (WS 2012/13) Kapitel 1: Aussagenlogik 1/17 Übersicht Teil I: Syntax und Semantik der Aussagenlogik (1.0) Junktoren und Wahrheitsfunktionen (1.1) Syntax
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
MehrModellierungsbeispiel Geräte
Was bisher geschah Modellierung von Aussagen in (klassischer) Aussagenlogik Syntax: Aussagenvariablen sind Atome Junktoren,,,, induktive Definition: Baumstruktur der Formeln strukturelle Induktion äquivalente
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Prof. Dr. Timo Reis Fachbereich Mathematik, Universität Hamburg Technische Universität Hamburg-Harburg Wintersemester 2014/2015 1 Informationsquellen
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrGrundlagen der Programmierung
GdP4 Slide 1 Grundlagen der Programmierung Vorlesung 4 vom 04.11.2004 Sebastian Iwanowski FH Wedel Grundlagen der Programmierung 1. Einführung Grundlegende Eigenschaften von Algorithmen und Programmen
Mehr1 Aussagenlogik. 1.1 Aussagen. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage) Aussage = Behauptung Beispiele: Es regnet.
Grundlagen der Mathematik für Informatiker 1 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage)
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrRückblick. Erweiterte b-adische Darstellung von Kommazahlen. 7,1875 dargestellt mit l = 4 und m = 4 Bits. Informatik 1 / Kapitel 2: Grundlagen
Rückblick Erweiterte b-adische Darstellung von Kommazahlen 7,1875 dargestellt mit l = 4 und m = 4 Bits 66 Rückblick Gleitkommazahlen (IEEE Floating Point Standard 754) lassen das Komma bei der Darstellung
MehrVorkurs Mathematik. JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer. September/Oktober Lennéstraße 43, 1. OG
Vorkurs Mathematik JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer Lennéstraße 43, 1. OG pinger@uni-bonn.de September/Oktober 2017 JProf. Dr. Pia Pinger / Dr. Andreas Pondorfer Vorkurs Mathematik September/Oktober
MehrGrundbegriffe aus Logik und Mengenlehre
Prof. Dr. B. Niethammer Dr. C. Seis, R. Schubert Institut fr Angewandte Mathematik Universitt Bonn Grundbegriffe aus Logik und Mengenlehre Wir wollen im Folgenden eine kurze Einführung in die Grundbegriffe
MehrLogik. III Logik. Propädeutikum Holger Wuschke. 19. September 2018
III Propädeutikum 2018 19. September 2018 III λoγóς="das Wort" (math.) befasst sich mit Denition Aussage Eine Aussage p ist ein sinnvolles sprachliche Gebilde mit der Eigenschaft, entweder wahr oder falsch
MehrLogik (Prof. Dr. Wagner FB AI)
Logik (Prof. Dr. Wagner FB AI) LERNZIELE: Über die Kenntnis und das Verständnis der gegebenen Definitionen hinaus verfolgt dieser Teil der Lehrveranstaltung die folgenden Lernziele: Bei gegebenen sprachlichen
MehrVorkurs Mathematik 2016 VK1: Logik-Die Kunst des Schlussfolgerns
Vorkurs Mathematik 2016 VK1: Logik-Die Kunst des Schlussfolgerns WWU Münster, Fachbereich Mathematik und Informatik PD Dr. K. Halupczok / Dr. Frank Wübbeling Aussagenlogik Definition 1: Eine Aussage ist
Mehr1. Grundlegende Konzepte der Informatik
1. Grundlegende Konzepte der Informatik Inhalt Algorithmen Darstellung von Algorithmen mit Programmablaufplänen Beispiele für Algorithmen Aussagenlogik Zahlensysteme Kodierung Peter Sobe 1 Aussagenlogik
MehrJeder Aussage p kann ein Wahrheitswert W(p) {0, 1} zugeordnet werden. Beispiele: W(Es regnet.) =? (je nach Lage der Dinge) W(Die Straße ist naß.) =?
Grundlagen der Mathematik für Informatiker 1 Grundlagen der Mathematik für Informatiker 2 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl.
MehrRückblick. Erweiterte b-adische Darstellung von Kommazahlen. 7,1875 dargestellt mit l = 4 und m = 4 Bits. Informatik 1 / Kapitel 2: Grundlagen
Rückblick Erweiterte b-adische Darstellung von Kommazahlen 7,1875 dargestellt mit l = 4 und m = 4 Bits 66 Rückblick Gleitkommazahlen (IEEE Floating Point Standard 754) lassen das Komma bei der Darstellung
Mehr4.1 Motivation. Theorie der Informatik. Theorie der Informatik. 4.1 Motivation. 4.2 Syntax der Prädikatenlogik. 4.3 Semantik der Prädikatenlogik
Theorie der Informatik 3. März 2014 4. Prädikatenlogik I Theorie der Informatik 4. Prädikatenlogik I 4.1 Motivation Malte Helmert Gabriele Röger 4.2 Syntax der Prädikatenlogik Universität Basel 3. März
MehrAusnutzen der Netzstruktur
Ausnutzen der Netzstruktur Im Australien-Färbeproblem Tasmanien unabhängig vom Rest färbbar Lösungskomplexität eigentlich O(3 6 +3 1 )=O(3 6 ) statt O(3 7 ) Zerlegbarkeit von Problemen als allgemeine Struktur-Heuristik
MehrKapitel 3 Fuzzy-Mengen und Relationen. 12. Mai 2005
Kapitel 3 Fuzzy-Mengen und Relationen 12. Mai 2005 Rückblick Darstellung unscharfer Konzepte mit Hilfe von Fuzzy-Mengen, Definition von Fuzzy-Mengen, Fuzzy-Mengen über einem festen Universum bilden einen
MehrDallmann, H. & Elster, K.H. (1991). Einführung in die höhere Mathematik, Band I. Jena: Fischer. (Kapitel 1, pp )
Logik Literatur: Dallmann, H. & Elster, K.H. (1991). Einführung in die höhere Mathematik, Band I. Jena: Fischer. (Kapitel 1, pp. 17-30) Quine, W.V.O. (1964 / 1995). Grundzüge der Logik. Frankfurt a.m.:
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 2. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 2. Juni 2005 Übersicht Wahrheitsfunktionale Fuzzy-Semantik, Eigenschaften, Lukasiewicz-Fuzzy-Logik, McNaughtons Theorem, Nichtstetige Wahrheitsfunktionale Fuzzy-Logik.
Mehr