Zagadnienia AI wykład 3
|
|
- Karolina Majewska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Zagadnienia I wyład 3
2 Rozmyte systemy wniosujące by móc sterować pewnym procesem technologicznym lub tez pracą urządzeń onieczne jest zbudowanie modelu, na podstawie tórego można będzie podejmować decyzje związane ze sterowaniem. W wielu przypadach znalezienie odpowiedniego modelu jest problemem trudnym, nieiedy wymagającym przyjęcia różnego typu założeń upraszczających. Zastosowanie systemów rozmytych do sterowania procesami technologicznymi nie wymaga od nas znajomości tych procesów. Konstruujemy po prostu rozmyte reguły postępowania w postaci zdań warunowych: IF... THEN...
3 Schemat rozmytego systemu wniosującego aza reguł lo rozmywania X lo wniosowania,,..., N y lo wyostrzania
4 aza reguł aza reguł model lingwistyczny stanowi reprezentacje wiedzy esperta o możliwych wartościach zmiennych stanu, o pożądanym stanie urządzenia, itp. Przyjmuje się dla potrzeb sterowania, ze przesłana ja i wniose są oniuncjami prostych fatów rozmytych. Na bazę reguł słada się więc zbiór pewnych rozmytych reguł postaci JEŻELI jest I... I n jest n TO y jest I... I y m jest m, gdzie i, j są zbiorami rozmytymi, i są zmiennymi wejściowymi, a y j są zmiennymi wyjściowymi modelu lingwistycznego.
5 Precyzyjniej dla N reguł: R : JEŻELI jest I jest I I n jest K n TO y jest I y jest I I y m jest K m gdzie: =,,N. i X i R, i=,,n, - zbiory rozmyte j Y j R, j=,,m, - zbiory rozmyte [,, n ]=X X n [y,,y m ]=yy Y m,, n - zmienne wejściowe i y,,y m zmienne wyjściowe
6 Założenia: poszczególne reguły R =,,N są powiązane ze sobą za pomocą operatora lub. wyjścia y,,y m są od siebie niezależne. Oznacza to, że reguły mają salarne wyjście: R : JEŻELI jest I jest I I n jest n TO gdzie Y R. y jest Zmienne,, n oraz y mogą przyjmować zarówno wartości nieprecyzyjne oreślone słownie np. małe, średnie, duże jai i wartości liczbowe.
7 Oznaczmy: X =X X X n = n Regułę możemy przedstawić jao rozmytą impliację: R :, =,,N Regułę R możemy też interpretować jao relację rozmytą oreśloną na zbiorze X Y, tzn: R X Y jest zbiorem rozmytym o funcji przynależności R, y, y
8 Schemat rozmytego systemu wniosującego aza reguł lo rozmywania X lo wniosowania lo wyostrzania
9 lo rozmywania Systemy sterowania z logią rozmytą operują na zbiorach rozmytych. Zatem onretna wartość,,..., n] [ X sygnału wejściowego sterownia rozmytego podlega operacji rozmywania ang. fuzzyfiacation, w wyniu tórej zostaje odwzorowana w zbiór rozmyty X = X X X n. Często stosuje się rozmywanie typu singleton: ', 0, Zbiór jest wejściem blou wniosowania.
10 Schemat rozmytego systemu wniosującego aza reguł lo rozmywania X lo wniosowania,,..., N y lo wyostrzania
11 lo wniosowania Przyjmijmy, że na wejściu blou wniosowania mamy zbiór rozmyty X = X X X n. Znajdziemy odpowiedni zbiór rozmyty na wyjściu z blou wniosowania Przypade Na wyjściu otrzymujemy N zbiorów rozmytych uogólnioną regułą modus ponens. Y zgodnie z Wówczas: ',,..., N Funcja przynależności zbioru ma postać y sup{ ', y} X T
12 Przyład Przyjmijmy n=, t-norma jest typu min, rozmyte wniosowanie definiuje reguła min oraz iloczyn artezjańsi zbiorów oreślony jest przez min. Wówczas: }, sup{ ' y y T X }},, {min{ sup ' y X }}},,min{ {min{ sup ' y X Ponieważ: }, min{, ' ' ' ' ' }, min{,
13 Przyład cd Ostatecznie }},,,, {min{ sup ' ', y y X X Przyład Przyjmijmy n=, t-norma jest typu iloczyn, rozmyte wniosowanie definiuje reguła iloczyn oraz iloczyn artezjańsi zbiorów oreślony jest przez iloczyn. Wówczas: }, sup{ ' y y X } { sup ' y X } { sup ' ', y X X
14 Przypade Na wyjściu blou wniosowania otrzymujemy jeden zbiór rozmyty Y oreślony np. wzorem: ' ' N N W ogólności funcja przynależności zbioru ma postać '... ' y y y y N S S S gdzie S jest dowolną s normą i }, sup{ ' y y T X
15 lo rozmywania przyład Rozważmy rozmyty system wniosujący z bazą reguł: R : JEŻELI jest I jest TO y jest R : JEŻELI jest I jest TO y jest Na wejście sterownia podano sygnał X ], [ W wyniu rozmywania typu singleton otrzymujemy zbiory rozmyte o funcjach przynależności ' '
16 }},,,, {min{ sup ' ', y y X X Podstawmy tę funcję przynależności do przyładu minimum: ' ' Wówczas: }},, ma{min{, ' y y },,, min{, y y Ostatecznie sumujemy dwa zbiory: lo rozmywania przyład
17 lo rozmywania przyład y y y y y y y y min ' y ' y ma{min{,,, y}} ' y
18 , y y Pozostańmy przy systemie wniosującym z przyładu minimum ale przyjmijmy, że impliacja jest modelowana przez iloczyn: Ostatecznie otrzymujemy: } }, ma{min{, ' y y }, min{, Ponieważ mamy sygnały na wejściu: } },,, {min{ sup ' ', y y X X Wówczas: lo rozmywania przyład
19 lo rozmywania przyład y y y y y y y y min ' y ' y ma{min{, }, y} ' y
20 Schemat rozmytego systemu wniosującego aza reguł lo rozmywania X lo wniosowania,,..., N y lo wyostrzania
21 lo wyostrzania Ja już wiemy na wyjściu blou wniosowania otrzymujemy: N zbiorów rozmytych z funcjami przynależności y lub Jeden zbiór rozmyty ' z funcją przynależności ' y Pojawia się problem ja ze zbiorów y Y będącą tzw. wartością sterowania. uzysać jedną wartość Procedurę uzysania y nazywamy wyostrzaniem ang. defuzzification.
22 Metody wyostrzania
23 Metody wyostrzania
24 Metody wyostrzania
25 Metody wyostrzania
26 Metody wyostrzania
27 Przyłady
28 Ryzyo ubezpieczeniowe Zmienne lingwistyczne: WIEK możliwe wartości: młody, średni, stary MOC SMOCHODU możliwe wartości: mała, średnia, duża RYZYKO możliwe wartości: nisie, średnio-nisie, średnie, średnio-wysoie, wysoie
29 Ryzyo ubezpieczeniowe
30 Ryzyo ubezpieczeniowe
31 Ryzyo ubezpieczeniowe
32 Ryzyo ubezpieczeniowe Reguły: IF wie młody ND moc duża THEN ryzyo wysoie IF wie młody ND moc średnia THEN ryzyo średnio-wysoie IF wie średni ND moc duża THEN ryzyo średnio-wysoie IF wie średni ND moc średnia THEN ryzyo średnie
33 Ryzyo ubezpieczeniowe Załadamy, że ierowca ma 33 lata i samochód o mocy 60 KM 0,7 0,3 33
34 Ryzyo ubezpieczeniowe Załadamy, że ierowca ma 33 lata i samochód o mocy 60 KM 0,8 0, 60
35 Ryzyo ubezpieczeniowe Reasumując: mlody sredni stary mala srednia duza wie 33 wie 33 wie 33 0 moc ,7 0,3 moc 60 0, moc 60 0,8 Ja zadziałają reguły?
36 Ryzyo ubezpieczeniowe Reguła IF wie młody ND moc duża THEN ryzyo wysoie wysoie wie 33, moc 60 min{ mlody wie 33, duza moc 60} min{0.7,0.8} 0.7 Reguła IF wie młody ND moc średnia THEN ryzyo średnio-wysoie sredniowysoie wie 33, moc 60 min{ mlody wie 33, srednia moc 60} min{0.7,0.} 0.
37 Ryzyo ubezpieczeniowe Reguła 3 IF wie średni ND moc duża THEN ryzyo średnio-wysoie sredniowysoie min{ Reguła 4 sredni wie wie 33, moc 33, duza 60 moc 60} min{0.3,0.8} 0.3 IF wie średni ND moc średnia THEN ryzyo średnie srednie min{ wie 33, moc 60 sredni wie 33, srednia moc 60} min{0.3,0.} 0.
38 Ryzyo ubezpieczeniowe Otrzymujemy zatem: Reguła Wie Moc Ryzyo 0,8 0,7 0,7 - wysoie 0,7 0, 0,-średnio-wysoie 3 0,3 0,8 0,3-średnio-wysoie* 4 0,3 0, 0,-średnie *Operacja masimum jao operator agregacji wyniów wniosowania uzysanych na podstawie pojedynczych reguł
39 Ryzyo ubezpieczeniowe Konretną wartość wyliczamy stosując wybraną metodę wyostrzania.
40 Sterowanie suwnicą przenoszącą ontenery Za pomocą suwnicy musimy przenieść ontener z ładuniem z jednego miejsca na drugie. Jedna w momencie odładania go na miejsce mogą wystąpić zbyt duże ołysania. Celem naszym jest taie poierowanie suwnica by nie został zniszczony nasz ładune.
41 Sterowanie suwnicą przenosząca ontenery Zmienne lingwistyczne: ODLEGŁOŚĆ możliwe wartości: zero, mała, duża KĄT WYCHYLENIE możliwe wartości: ujemny duży, ujemny mały, zero, dodatni mały, dodatni duży MOC możliwe wartości: ujemna duża, ujemna mała, zero, dodatnia mała, dodatnia duża
42 Sterowanie suwnicą przenosząca ontenery aza reguł: JEŻELI d = duża TO P = duża JEŻELI d = mała I ąt = ujemny duży TO P = dodatnia średnia JEŻELI d = mała I ąt = ujemny mały LU zero LU dodatni mały TO P = dodatnia średnia JEŻELI d = mała I ąt = dodatni duży TO P = ujemna średnia JEŻELI d = zero I ąt = dodatni duży LU mały TO P = ujemna średnia JEŻELI d = zero I ąt = zero TO P = zero JEŻELI d = zero I ąt = ujemny mały TO P = dodatnia średnia JEŻELI d = zero I ąt = ujemny duży TO P = dodatnia duża
43 Sterowanie suwnicą przenosząca ontenery
44 Sterowanie suwnicą przenosząca ontenery
45 Sterowanie suwnicą przenosząca ontenery Wyniowa funcja przynależności
46 Klasyfiacja Załóżmy, że w przy pomocy satelity na pewnym obszarze doonane zostały pomiary 3 parametrów, H,. H Zares zmienności parametrów jest następujący [0,55] H[0,] [0,90] Na podstawie uzysanych wyniów chcemy doonać lasyfiacji terenu: teren miejsi, las, pole uprawne, droga
47 Klasyfiacja Przyjmujemy, że z ażdą z wielości, H, związana jest pewna zmienna lingwistyczna oznaczmy je przez, H,. Możliwe wartości tych zmiennych to: {bardzo nisie, nisie, średnie, wysoie, bardzo wysoie} H {bardzo nisie, nisie, średnie, wysoie} {nisie, średnie, wysoie} Ponieważ wartości powyższych zmiennych są nieprecyzyjne zatem z ażdą z tych wartości możemy związać pewien zbiór rozmyty
48 Klasyfiacja Przyjmijmy, że zbiory te są zdefiniowane następująco:
49 Klasyfiacja aza reguł: Regułą H Teren ardzo wysoie Średnie Miejsi Wysoie lub bardzo wysoie ardzo nisie Średnie/wysoie Miejsi 3 Wysoie Wysoie Las 4 Średnie Wysoie Średnie/wysoie Las 5 Średnie Średnie Średnie/nisie Pola uprawne 6 Średnie Nisie lub bardzo nisie Nisie Pola uprawne 7 ardzo nisie Droga
50 Klasyfiacja Na wejściu sterownia otrzymujemy 3 wartości liczbowe charateryzujące ażdy pisel na obrazu Przyjmijmy, że [, H, ] =[60,0.8,30] Policzmy stopień przynależności pisela o taich wartościach parametrów do lasy las. Z bazy reguł odczytujemy, że interesują nas reguły 3 i 4. Obliczamy w jaim stopniu rozważany pisel spełnia te reguły. Np. impliacja min reguła3=min{ wysoie 60, wysoie 0,8}=min{0.74, }=0.74
51 Przyład 4 cd Stopień przynależności pisela o taich wartościach parametrów do lasy las możemy obliczyć następująco: las[60,0.8,30]= ma{reguła3, reguła4} W efecie pisel o danych wartościach parametrów może należeć do ilu las z różnymi stopniami przynależności np. teren miejsi[60,0.8,30]=0,4 las[60,0.8,30]=0,7 pole uprawne[60,0.8,30]=0,5 droga[60,0.8,30]=0,9 by otrzymać jednoznaczną przynależność musimy wyostrzyć wyni otrzymany z blou wniosowania. Możemy przyjąć, że pozostajemy przy najwięszej wartości. Zatem wyni lasyfiacji to: droga.
52 Przyład 4 cd H Rezultat lasyfiacji
53 Sterownii rozmyte i programowanie wejście PROGRM KOMPUTEROWY STEROWNIK ROZMYTY oddzielny pli wyjście
54 Fuzzy Control Language Fuzzy Control Language FCL to języ pozwalający budować definiować sterownii rozmyte. Definicja sterownia rozmytego zapisana jest w pliu testowym z rozszerzeniem fcl. Pli fcl zawiera instrucje oreślające parametry sterownia. Instrucje te zawarte są w następującym elemencie: FUNCTION_LOCK //instrucje END_FUNCTION_LOCK
55 Fuzzy Control Language FCL Chcemy zbudować przyładowy sterowni rozmyty, tóry dla otrzymanej na wejściu odległości od przeszody odleglosc wyznaczy nam prędość predosc pojazdu. Wyorzystamy dwie zmienne lingwistyczne: odleglosc wejście sterownia predosc wyjście steronia W języu FCL zapisujemy to następująco: VR_INPUT odleglosc : REL; END_VR VR_OUTPUT predosc : REL; END_VR
56 FCL - wejście Przyjmijmy, że interesuje nas odleglosc w przedziale [0,000] m. Konretna wartość zmiennej odleglosc będzie podana na wejściu naszego sterownia. Wartość ta będzie następnie rozmyta. Przyjmijmy, że zmienna odleglosc będzie przyjmowała następujące 3 wartości:
57 FCL - wejście FUZZIFY odleglosc TERM mala := 0, 50, 350, 0 ; TERM srednia := 50, 0 400, 600, 750,0; TERM duza := 650, 0 850, 000, ; END_FUZZIFY
58 FCL - wyjście Przyjmijmy, że interesuje nas predosc w przedziale [0,00] m/h. Konretna wartość zmiennej predosc będzie zwrócona na wyjściu naszego sterownia. Wartość ta będzie efetem wyostrzania. Przyjmijmy, że zmienna predosc będzie przyjmowała następujące 3 wartości:
59 FCL - wyjście DEFUZZIFY predosc TERM mala := 0, 5, 40,0; TERM srednia := 30,0 45, 55, 70, 0; TERM duza := 60, 0 75, 00, ; METHOD : CO; METOD WYOSTRZNI END_DEFUZZIFY
60 FCL - wyostrzanie Metody wyostrzania: COG - Centre of Gravity COGS - Centre of Gravity for Singletons CO - Centre of rea LM - Left Most Maimum RM - Right Most Maimum Możemy teraz przystąpić do zdefiniowania bazy reguł.
61 FCL baza reguł Przyjmijmy następującą bazę reguł: JEŻELI odleglosc jest mala TO predosc jest mala JEŻELI odleglosc jest srednia TO predosc jest srednia JEŻELI odleglosc jest duza TO predosc jest duza W języu FCL zapisujemy to następująco: RULE : IF odleglosc IS mala THEN predosc IS mala; RULE : IF odleglosc IS srednia THEN predosc IS srednia; RULE 3 : IF odleglosc IS duza THEN predosc IS duza;
62 FCL ND i OR Ponadto musimy oreślić jeszcze: Metodę ND i OR do wyorzystania po lewej stronie impliacji Mamy do wyboru: W języu FCL zapisujemy to następująco: ND : MIN; Wystarczy, że oreślimy jeden operator!
63 FCL - atywacja Ponadto musimy oreślić jeszcze: Metodę atywacji impliacja! Mamy do wyboru: W języu FCL zapisujemy to następująco: CT : MIN;
64 FCL - agregacja Ponadto musimy oreślić jeszcze: Metodę agregacji suma zbiorów! Mamy do wyboru: W języu FCL zapisujemy to następująco: CCU : MX;
65 FCL blo reguł Ostatecznie blo reguł w FCL wygląda następująco: RULELOCK No ND : MIN; CT : MIN; CCU : MX; RULE : IF odleglosc IS mala THEN predosc IS mala; RULE : IF odleglosc IS srednia THEN predosc IS srednia; RULE 3 : IF odleglosc IS duza THEN predosc IS duza; END_RULELOCK Ja zobaczymy bloów taich może być ila!
66 FCL przyładowe wyjście W naszym przyładowym programie otrzymujemy na wyjściu olejno:
67 FCL przyładowe wyjście Ostatecznie po przejściu iludziesięciu iteracji:
68 Podejmowanie decyzji w otoczeniu rozmytym Teoria zbiorów rozmytych pozwala na podejmowanie decyzji z tzw. otoczeniu rozmytym. Rozważmy zbiór opcji oznaczony przez X op ={}. Cel rozmyty definiujemy jao zbiór rozmyty G oreślony w zbiorze opcji. Zbiór G jest zatem opisany funcją przynależności G : X op [0,] Ograniczenie rozmyte definiujemy też jao zbiór rozmyty C oreślony w zbiorze opcji. C : X op [0,]
69 Rozważmy zadanie wyznaczenia decyzji osiągającej cel rozmyty G i jednocześnie spełniającej ograniczenie rozmyte C. Decyzja rozmyta jest zbiorem rozmytym D oreślonym następująco: Z definicji iloczynu: D= G C D =T{ G, C } gdzie X op i T jest dowolną t-normą. W przypadu gdy mamy n> celów rozmytych oraz m> ograniczeń rozmytych G,,G n C,,C m
70 Decyzja rozmyta jest wówczas następującym zbiorem rozmytym: czyli D= G G n C C m D =T{ G,, Gn, C,, Cm } gdzie X op. Decyzją masymalizującą jest opcja *X, taa, że * ma D Zauważmy, że decyzja zależy nie tylo od zbiorów G,,G n oraz C,,C n ale taże od t-normy w definicji funcji przynależności zbioru D. W poniższych przyładach będziemy wyznaczać decyzję rozmytą typu minimum tzn. przyjmujemy, że t-norma jest postaci minimum. X op D
71 Przyład podział dywidendy Walne zgromadzenie acjonariuszy ustala wysoość dywidendy przypadającej na jedną ację. Wysoość dywidendy jest zmienną lingwistyczną przyjmującą dwie wartości: atracyjna, umiarowana Wartość atracyjna dywidendy jest celem opisanym przez zbiór rozmyty G zdefiniowany na zbiorze opcji X op ={: 0<<=70} przy czym opcja jest wyrażona w złotówach. Przyjmijmy, że: G dla dla dla
72 Wartość umiarowana dywidendy jest ograniczeniem opisanym przez zbiór rozmyty C zdefiniowany na zbiorze opcji X op ={: 0<<=70} z funcją przynależności: C dla dla dla C G 0,
73 Decyzja rozmyta D =min{ G, C } Decyzja masymalizująca * spełnia warune * ma min{, } D X op G C C G 0,5 D 0 X* zatem wysoość wypłaconej dywidendy wynosi *=35.
74 Przyład politya zatrudnienia Załóżmy że pewna firma ogłosiła onurs na stanowiso asystenta dyretora. W czasie oceny andydatów brane są pod uwagę następujące czynnii: G doświadczenie G obsługa omputera G 3 młody wie G 4 znajomość języa obcego Celem firmy jest znalezienie najlepszego zaaceptuje oferowane wynagrodzenie. andydata, tóry C aceptacja oferowanego wynagrodzenia
75 Kandydaci,, 3, 4 są oceniani biorąc pod uwagę cele G, G, G 3, G 4. W efecie dostajemy następujące zbiory rozmyte oreślone na X op ={,, 3, 4 } 0,5 0, 0,7 0,6 G 3 4 0, 0,6 0,9 0, G 3 4 0,7 0,4 0,7 0,9 G , 0,8 0,6 0,7 G4 Ponadto: 0,3 C 0, 3 3 0, ,4
76 Decyzja rozmyta jest wówczas następującym zbiorem rozmytym: D= G G n C Ostatecznie otrzymujemy decyzję rozmytą postaci: Zatem D 0, 0, 0,5 3 0, 4 *= 3 zatem najlepszym andydatem na stanowiso jest andydat 3.
77 Przyład 3 ustalenie ceny nowego produtu Naszym zadaniem jest ustalenie ceny nowego produtu. Przyjmijmy, że wymagania dotyczące ceny nowego produtu są następujące: W produt powinien mieć nisą cenę. W produt powinien mieć cenę blisą onurencyjnej. W 3 produt powinien mieć cenę blisą podwójnej cenie wytworzenia. Przyjmijmy ponadto, że: X op =[0, 60] Cena onurencyjna = 35 zł Koszt wytworzenia = 0 zł
78 nisa cena zbiór rozmyty dla dla 0 50 pozost. cena blisa onurencyjnej zbiór rozmyty dla dla dla pozost.
79 cena blisa podwójnej cenie wytworzenia zbiór rozmyty 3 Decyzja rozmyta dla dla dla pozost. D =min{,, 3 } Decyzja masymalizująca * spełnia warune D X 3 op * ma min{,, }
80 Ostatecznie otrzymujemy: 0,5 3 D X* *=37,4 Zauważmy, że zbiór cena onurencyjna ma wpływ na decyzję rozmytą D ale nie ma wpływu na decyzję masymalizującą *.
81 Zmodyfiujmy wymaganie W w następujący sposób: W produt powinien mieć bardzo nisą cenę. W produt powinien mieć cenę blisą onurencyjnej. W 3 produt powinien mieć cenę blisą podwójnej cenie wytworzenia. 3 0,5 D X* *=36,5
82 Zmodyfiujmy wymaganie W w następujący sposób: W produt powinien mieć raczej nisą cenę. W produt powinien mieć cenę blisą onurencyjnej. W 3 produt powinien mieć cenę blisą podwójnej cenie wytworzenia. 3 0,5 D X* *=37,5
83 Koniec wyładu
Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoZasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.
Zasada rozszerzania f U V U jest zbiorem rozmytym V = f( ), jest obrazem zbioru Przeniesienie rozmytości w odwzorowaniu f na zbiór v) = ( v)? ( f ( ) = sup ( u) gdy ( v) 0 1 = 1 u f ( v) f( ) ( v) 1 0
Bardziej szczegółowoCel projektu: Wymogi dotyczące sprawozdania:
W ramach zajęć proszę wykonać sprawozdanie z logiki rozmytej. Sprawozdanie powinno realizować zadanie wnioskowania rozmytego. Cel projektu: Student projektuje bazę wiedzy wnioskowania rozmytego (kilka,
Bardziej szczegółowoRozmyte systemy doradcze
Systemy ekspertowe Rozmyte systemy doradcze Plan. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte (systemy doradcze). typu
Bardziej szczegółowoDefinicja. Złożenie zbioru rozmytego i relacji rozmytej. Rozważmy. zbiór rozmyty A X z funkcją przynależności
Zagadnienia I Złożenie zbioru rozmtego i relacji rozmtej Rozważm zbiór rozmt X z funcją prznależności relację rozmtą RX Y z funcją prznależności Definicja R Złożenie zbioru rozmtego i relacji rozmtej R
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
Bardziej szczegółowoWnioskowanie rozmyte. Krzysztof Patan
Wnioskowanie rozmyte Krzysztof Patan Wprowadzenie Informacja precyzyjna jest to jedyna postać informacji akceptowanej przez konwencjonalne metody matematyczne, najczęściej dostarczana jest przez precyzyjne
Bardziej szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
Bardziej szczegółowoZadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą
Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad
Bardziej szczegółowoTechnologie i systemy oparte na logice rozmytej
Zagadnienia I Technologie i systemy oparte na logice rozmytej Mają zastosowania w sytuacjach kiedy nie posiadamy wystarczającej wiedzy o modelu matematycznym rządzącym danym zjawiskiem oraz tam gdzie zbudowanie
Bardziej szczegółowoA i A j lub A j A i. Operator γ : 2 X 2 X jest ciągły gdy
3. Wyład 7: Inducja i reursja struturalna. Termy i podstawianie termów. Dla uninięcia nieporozumień notacyjnych wprowadzimy rozróżnienie między funcjami i operatorami. Operatorem γ w zbiorze X jest funcja
Bardziej szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie
Bardziej szczegółowoZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE
SYSTEMY ROZMYTE ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 2 965 Lotfi A. Zadeh: Fuzzy sets Metoda reprezentacji wiedzy wyrażonej w języku naturalnym: Temperatura wynosi 29 o C informacja liczbowa - naturalna
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoWykorzystanie logiki rozmytej w badaniach petrofizycznych
NAFTA-GAZ, ROK LXXII, Nr / DOI: 1.1/NG...1 Barbara Darła, Małgorzata Kowalsa-Włodarczy Instytut Nafty i Gazu Państwowy Instytut Badawczy Wyorzystanie logii rozmytej w badaniach petrofizycznych Praca ta
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 3 Zbiory rozmyte logika rozmyta Sterowniki wielowejściowe i wielowyjściowe, relacje rozmyte, sposoby zapisu reguł, aproksymacja funkcji przy użyciu reguł rozmytych, charakterystyki przejściowe
Bardziej szczegółowoALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO
Szybkobieżne Pojazdy Gąsienicowe (2) Nr 2, 24 Mirosław ADAMSKI Norbert GRZESIK ALGORYTM PROJEKTOWANIA CH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO. WSTĘP
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. III
Instytut Informatyki Uniwersytetu Śląskiego lab 3 Notacja Zadeha: symboliczny zapis zbioru rozmytego dla przestrzeni dyskretnej. Dla X jest przestrzenią o skończonej liczbie elementów X = {x 1, x 2,...,
Bardziej szczegółowoW narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.
Zadanie 0 Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad wartośd funkcji przynależności
Bardziej szczegółowoWstęp do Sztucznej Inteligencji: Laboratorium Sterownik rozmyty
Wstęp do Sztucznej Inteligencji: Laboratorium Sterowni rozmt Zbior rozmte pozwalają w sposób usstematzowan modelować pojęcia niepreczjne, jaimi ludzie posługują się na co dzień. Przładem może bć wrażenie
Bardziej szczegółowoWstęp. Przygotowanie materiału doświadczalnego do badań. Zastosowanie logiki rozmytej do obliczeń
Przedstawiona praca jest ontynuacją próby wprowadzenia metody logii rozmytej do rutynowych modelowań geologicznych. Wyorzystując dane laboratoryjne i otworowe uzupełniano z jej pomocą braujące fragmenty
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 4 (Fuzzy logic) 23 listopad 2011 Plan wykładu 1 Systemy wnioskowania z danymi niepewnymi 2 3 Inteligentne systemy z wiedzą Systemy z wiedzą składają się z dwóch części: 1 Baza wiedzy (KB): zbioru
Bardziej szczegółowoSztuczna inteligencja: zbiory rozmyte
Instytut Informatyki Uniwersytetu Śląskiego lab 1 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Każdy element
Bardziej szczegółowo7. Zagadnienie parkowania ciężarówki.
7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoMatematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki
Matematya dysretna Wyład 2: Kombinatorya Gniewomir Sarbici Kombinatorya Definicja Kombinatorya zajmuje się oreślaniem mocy zbiorów sończonych, w szczególności mocy zbiorów odwzorowań jednego zbioru w drugi
Bardziej szczegółowoσ-ciało zdarzeń Niech Ω będzie niepustym zbiorem zdarzeń elementarnych, a zbiór F rodziną podzbiorów zbioru Ω spełniającą warunki: jeśli A F, to A F;
Zdarzenie losowe i zdarzenie elementarne Zdarzenie (zdarzenie losowe) - wyni pewnej obserwacji lub doświadczenia; może być ilościowy lub jaościowy. Zdarzenie elementarne - najprostszy wyni doświadczenia
Bardziej szczegółowoTEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM
EORI OBWODÓW I SYGNŁÓW LBORORIUM KDEMI MORSK Katedra eleomuniacji Morsiej Ćwiczenie nr 2: eoria obwodów i sygnałów laboratorium ĆWICZENIE 2 BDNIE WIDM SYGNŁÓW OKRESOWYCH. Cel ćwiczenia Celem ćwiczenia
Bardziej szczegółowoTworzenie rozmytego systemu wnioskowania
Tworzenie rozmytego systemu wnioskowania Wstęp W odróżnieniu od klasycznych systemów regałowych modele rozmyte pozwalają budowad modele wnioskujące oparte o język naturalny, dzieki czemu inżynierom wiedzy
Bardziej szczegółowoUwaga 1.1 Jeśli R jest relacją w zbiorze X X, to mówimy, że R jest relacją w zbiorze X. Rozważmy relację R X X. Relację R nazywamy zwrotną, gdy:
Matematya dysretna - wyład 1. Relacje Definicja 1.1 Relacją dwuargumentową nazywamy podzbiór produtu artezjańsiego X Y, tórego elementami są pary uporządowane (x, y), taie, że x X i y Y. Uwaga 1.1 Jeśli
Bardziej szczegółowoTemat: Model SUGENO. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model SUGENO Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoMETODY INTELIGENCJI OBLICZENIOWEJ wykład 6
METODY INTELIGENCJI OBLICZENIOWEJ wykład 6 2 ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 965 Lotfi A. Zadeh: : Fuzzy sets In almost every case you can build the same product without fuzzy logic, but fuzzy
Bardziej szczegółowoUkłady logiki rozmytej. Co to jest?
PUAV Wykład 14 Co to jest? Co to jest? Logika rozmyta (fuzzy logic) jest to dział matematyki precyzyjnie formalizujący nieprecyzyjne, nieformalne ludzkie rozumowanie. Co to jest? Logika rozmyta (fuzzy
Bardziej szczegółowoPodstawy rachunku prawdopodobieństwa (przypomnienie)
. Zdarzenia odstawy rachunu prawdopodobieństwa (przypomnienie). rawdopodobieństwo 3. Zmienne losowe 4. rzyład rozładu zmiennej losowej. Zdarzenia (events( events) Zdarzenia elementarne Ω - zbiór zdarzeń
Bardziej szczegółowoĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH
Politechnika Białostocka Wydział Elektryczny Katedra Automatyki i Elektroniki ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH Pracownia
Bardziej szczegółowoMetody sterowania sterowanie rozmyte System rozmyty (patrz MiPI) użyty jako sterownik/regulator nazywamy sterownikiem/regulatorem rozmytym
System rozmyty (patrz MiPI) użyty jako sterownik/regulator nazywamy sterownikiem/regulatorem rozmytym Sterowanie rozmyte jest sterowaniem za pomocą reguł Sterowanie rozmyte można sklasyfikować jako: -
Bardziej szczegółowoZadanie 0 gdy nie mamy logiki rozmytej
Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad
Bardziej szczegółowoColloquium 3, Grupa A
Colloquium 3, Grupa A 1. Z zasobów obliczeniowych pewnego serwera orzysta dwóch użytowniów. Każdy z nich wysyła do serwera zawsze trzy programy naraz. Użytowni czea, aż serwer wyona obliczenia dotyczące
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I IDENTYFIKACJA Logika rozmyta podstawy wnioskowania w GUI Fuzzy. Materiały pomocnicze do laboratorium
Bardziej szczegółowoANALIZA CZASOWO-KOSZTOWA PLANOWANEGO PRZEDSIĘWZIĘCIA BUDOWLANEGO PRZY ZASTOSOWANIU ZBIORÓW ROZMYTYCH
ANALIZA CZASOWO-OSZTOWA PLANOWANEGO PRZEDSIĘWZIĘCIA BUDOWLANEGO PRZY ZASTOSOWANIU ZBIORÓW ROZMYTYCH Andrzej MINASOWICZ, Bartosz OSTRZEWA Wydział Inżynierii Lądowej, Politechnia Warszawsa, l. Armii Ldowej
Bardziej szczegółowoWYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)
WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte) Motywacje:! przezwyciężenie wad tradycyjnych algorytmów komputerowych, które zawodzą zwłaszcza w sytuacjach, w których człowiek
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
Bardziej szczegółowoWybrane rozkłady zmiennych losowych i ich charakterystyki
Rozdział 1 Wybrane rozłady zmiennych losowych i ich charaterystyi 1.1 Wybrane rozłady zmiennych losowych typu soowego 1.1.1 Rozład równomierny Rozpatrzmy esperyment, tóry może sończyć się jednym z n możliwych
Bardziej szczegółowoWYKORZYSTANIE STEROWNIKÓW ROZMYTYCH DO OPTYMALIZACJI PRACY LINII DO EKSTRUDOWANIA PRODUKTÓW ROŚLINNYCH
InŜynieria Rolnicza 7/2006 Adam Eielsi Katedra Organizacji i InŜynierii Producji Szoła Główna Gospodarstwa Wiejsiego w Warszawie WYKORZYSTANIE STEROWNIKÓW ROZMYTYCH DO OPTYMALIZACJI PRACY LINII DO EKSTRUDOWANIA
Bardziej szczegółowoPiotr Sobolewski Krzysztof Skorupski
Plan prezentacji Logika rodzaje Logika klasyczna Logika wielowartościowa Logika rozmyta Historia powstania Definicje Zbiory rozmyte Relacje rozmyte Systemy rozmyte Modele Zastosowanie w optymalizacji przykłady
Bardziej szczegółowo(U.3) Podstawy formalizmu mechaniki kwantowej
3.10.2004 24. (U.3) Podstawy formalizmu mechanii wantowej 33 Rozdział 24 (U.3) Podstawy formalizmu mechanii wantowej 24.1 Wartości oczeiwane i dyspersje dla stanu superponowanego 24.1.1 Założenia wstępne
Bardziej szczegółowoImplementacja rozmytych systemów wnioskujących w zdaniach regulacji
Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 5 Implementacja rozmytych systemów wnioskujących w zdaniach regulacji Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika
Bardziej szczegółowoLogika rozmyta. Agnieszka Nowak - Brzezińska
Logika rozmyta Agnieszka Nowak - Brzezińska Geneza Logiki rozmytej Za twórcę teorii zbiorów rozmytych i logiki rozmytej uważa się Lotfiego A. Zadeha, który w 1965 roku opublikował artykuł Fuzzy Sets (Information
Bardziej szczegółowoWAHADŁO SPRĘŻYNOWE. POMIAR POLA ELIPSY ENERGII.
ĆWICZENIE 3. WAHADŁO SPRĘŻYNOWE. POMIAR POLA ELIPSY ENERGII. 1. Oscylator harmoniczny. Wprowadzenie Oscylatorem harmonicznym nazywamy punt materialny, na tóry,działa siła sierowana do pewnego centrum,
Bardziej szczegółowoArytmetyka liczb binarnych
Wartość dwójkowej liczby stałoprzecinkowej Wartość dziesiętna stałoprzecinkowej liczby binarnej Arytmetyka liczb binarnych b n-1...b 1 b 0,b -1 b -2...b -m = b n-1 2 n-1 +... + b 1 2 1 + b 0 2 0 + b -1
Bardziej szczegółowoInterwałowe zbiory rozmyte
Interwałowe zbiory rozmyte 1. Wprowadzenie. Od momentu przedstawienia koncepcji klasycznych zbiorów rozmytych (typu 1), były one krytykowane za postać jaką przybiera funkcja przynależności. W przypadku
Bardziej szczegółowoMODYFIKACJA KOSZTOWA ALGORYTMU JOHNSONA DO SZEREGOWANIA ZADAŃ BUDOWLANYCH
MODYFICJ OSZTOW LGORYTMU JOHNSON DO SZEREGOWNI ZDŃ UDOWLNYCH Michał RZEMIŃSI, Paweł NOW a a Wydział Inżynierii Lądowej, Załad Inżynierii Producji i Zarządzania w udownictwie, ul. rmii Ludowej 6, -67 Warszawa
Bardziej szczegółowo9. Sprzężenie zwrotne własności
9. Sprzężenie zwrotne własności 9.. Wprowadzenie Sprzężenie zwrotne w uładzie eletronicznym realizuje się przez sumowanie części sygnału wyjściowego z sygnałem wejściowym i użycie zmodyiowanego w ten sposób
Bardziej szczegółowoAlgebra liniowa z geometrią analityczną
WYKŁAD. Własności zbiorów liczbowych. Podzielność liczb całowitych, relacja przystawania modulo, twierdzenie chińsie o resztach. Liczby całowite Liczby 0,±,±,±3,... nazywamy liczbami całowitymi. Zbiór
Bardziej szczegółowoJeśli przeszkoda jest blisko to przyhamuj
Rozmyte systemy regułowe Informacja, którą przetwarzają ludzie często (prawie zawsze) jest nieprecyzyjna, a mimo to potrafimy poprawnie wnioskować i podejmować decyzję, czego klasyczne komputery nie potrafią.
Bardziej szczegółowoOptymalizacja harmonogramów budowlanych - problem szeregowania zadań
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowisa, Szoła Główna Gospodarstwa Wiejsiego, Warszawa, ul. Nowoursynowsa 159 e-mail: mieczyslaw_polonsi@sggw.pl Założenia Optymalizacja harmonogramów
Bardziej szczegółowoReprezentacja rozmyta - zastosowania logiki rozmytej
17.06.2009 Wrocław Bartosz Chabasinski 148384 Reprezentacja rozmyta - zastosowania logiki rozmytej 1. Wstęp Celem wprowadzenia pojęcia teorii zbiorów rozmytych była potrzeba matematycznego opisania tych
Bardziej szczegółowoTemat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model TS + ANFIS Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoSystemy rozmyte i ich zastosowania. Krzysztof Rykaczewski
Systemy rozmyte i ich zastosowania Krzysztof Rykaczewski 21 czerwca 2006 SPIS TREŚCI Spis treści 1 Wstęp 1 2 Podstawowe pojęcia i definicje logiki rozmytej 1 2.1 Przykłady funkcji przynależności..................
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
Bardziej szczegółowoZARYS METODY OPISU KSZTAŁTOWANIA SKUTECZNOŚCI W SYSTEMIE EKSPLOATACJI WOJSKOWYCH STATKÓW POWIETRZNYCH
Henry TOMASZEK Ryszard KALETA Mariusz ZIEJA Instytut Techniczny Wojs Lotniczych PRACE AUKOWE ITWL Zeszyt 33, s. 33 43, 2013 r. DOI 10.2478/afit-2013-0003 ZARYS METODY OPISU KSZTAŁTOWAIA SKUTECZOŚCI W SYSTEMIE
Bardziej szczegółowoA. Cel ćwiczenia. B. Część teoretyczna
A. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z wsaźniami esploatacyjnymi eletronicznych systemów bezpieczeństwa oraz wyorzystaniem ich do alizacji procesu esplatacji z uwzględnieniem przeglądów
Bardziej szczegółowoPOLITECHNIKA ŚWIĘTOKRZYSKA w Kielcach WYDZIAŁ MECHATRONIKI I BUDOWY MASZYN ZAKŁAD MECHATRONIKI LABORATORIUM PODSTAW AUTOMATYKI INSTRUKCJA
POLITECHNIKA ŚWIĘTOKRZYSKA w Kielcach WYDZIAŁ MECHATRONIKI I BUDOWY MASZYN ZAKŁAD MECHATRONIKI LABORATORIUM PODSTAW AUTOMATYKI INSTRUKCJA ĆWICZENIE LABORATORYJNE NR 4 Temat: Identyfiacja obietu regulacji
Bardziej szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
dr Bartłomiej Roici atedra Maroeonomii i Teorii Handlu Zagranicznego Wydział Nau Eonomicznych UW dr Bartłomiej Roici Maroeonomia II Model Solowa z postępem technologicznym by do modelu Solowa włączyć postęp
Bardziej szczegółowoBramki logiczne V MAX V MIN
Bramki logiczne W układach fizycznych napięcie elektryczne może reprezentować stany logiczne. Bramką nazywamy prosty obwód elektroniczny realizujący funkcję logiczną. Pewien zakres napięcia odpowiada stanowi
Bardziej szczegółowoELEMENTY SZTUCZNEJ INTELIGENCJI. Wstęp do logiki rozmytej
ELEMENTY SZTUCZNEJ INTELIGENCJI 1 Wstęp do logiki rozmytej PLN 1. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte: 1. typu
Bardziej szczegółowoLogika Stosowana. Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta. Marcin Szczuka. Instytut Informatyki UW
Logika Stosowana Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika
Bardziej szczegółowoMetody probabilistyczne Rozwiązania zadań
Metody robabilistyczne Rozwiązania zadań 6. Momenty zmiennych losowych 8.11.2018 Zadanie 1. Poaż, że jeśli X Bn, to EX n. Odowiedź: X rzyjmuje wartości w zbiorze {0, 1,..., n} z rawdoodobieństwami zadanymi
Bardziej szczegółowoTemat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Projektowanie sterownika rozmytego Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie System
Bardziej szczegółowoAnaliza nośności poziomej pojedynczego pala
Poradni Inżyniera Nr 16 Atualizacja: 09/016 Analiza nośności poziomej pojedynczego pala Program: Pli powiązany: Pal Demo_manual_16.gpi Celem niniejszego przewodnia jest przedstawienie wyorzystania programu
Bardziej szczegółowoZasada indukcji matematycznej
Sławomir Jemielity Zasada inducji matematycznej Są różne sformułowania tej zasady, mniej lub bardziej abstracyjne My będziemy się posługiwać taą: Niech T(n) oznacza twierdzenie dotyczące liczby naturalnej
Bardziej szczegółowolim Np. lim jest wyrażeniem typu /, a
Wykład 3 Pochodna funkcji złożonej, pochodne wyższych rzędów, reguła de l Hospitala, różniczka funkcji i jej zastosowanie, pochodna jako prędkość zmian 3. Pochodna funkcji złożonej. Jeżeli funkcja złożona
Bardziej szczegółowoTemat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej
Wrocław, 13.01.2016 Metody sztucznej inteligencji Prowadzący: Dr hab. inż. Ireneusz Jabłoński Temat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej Wykonał: Jakub Uliarczyk, 195639
Bardziej szczegółowoLogika rozmyta. Agnieszka Nowak - Brzezińska
Logika rozmyta Agnieszka Nowak - Brzezińska Geneza Logiki rozmytej Za twórcę teorii zbiorów rozmytych i logiki rozmytej uważa się Lotfiego A. Zadeha, który w 1965 roku opublikował artykuł Fuzzy Sets (Information
Bardziej szczegółowoKurs logiki rozmytej - zadania. Wojciech Szybisty
Kurs logiki rozmytej - zadania Wojciech Szybisty 2009 Spis treści 1 Zadania - zbiory rozmyte 3 2 Zadania - relacje rozmyte 6 3 Zadania - logika rozmyta 11 1 Zadania - zbiory rozmyte 3 Przykłady rozwiązywania
Bardziej szczegółowoWykład 21: Studnie i bariery cz.1.
Wyład : Studnie i bariery cz.. Dr inż. Zbigniew Szlarsi Katedra Eletronii, paw. C-, po.3 szla@agh.edu.pl http://layer.uci.agh.edu.pl/z.szlarsi/ 3.6.8 Wydział Informatyi, Eletronii i Równanie Schrödingera
Bardziej szczegółowoElementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Bardziej szczegółowoProblemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonych przypadkach daje się opisać tylko w sposób nieprecyzyjny, np.
ZBIORY ROZMYTE Problemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonyc przypadkac daje się opisać tylko w sposób nieprecyzyjny, np. W dużym mieście, powinien istnieć regionalny port
Bardziej szczegółowo7. Klasyfikacja skończenie generowanych grup przemiennych
32 7 Klasyfiacja sończenie generowanych grup przemiennych W tym rozdziale zajmiemy sie sończenie generowanymi grupami przemiennymi Zgodnie z tradycja be dziemy sie pos lugiwać zapisem addytywnym Dzia lanie
Bardziej szczegółowoIndukcja matematyczna
Inducja matematyczna Inducja jest taą metodą rozumowania, za pomocą tórej od tezy szczegółowej dochodzimy do tezy ogólnej. Przyład 1 (o zanurzaniu ciał w wodzie) 1. Kawałe żelaza, tóry zanurzyłem w wodzie,
Bardziej szczegółowo( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego
Obliczanie gradientu błędu metodą uładu dołączonego /9 Obliczanie gradientu błędu metodą uładu dołączonego Chodzi o wyznaczenie pochodnych cząstowych funcji błędu E względem parametrów elementów uładu
Bardziej szczegółowoβ blok sprzężenia zwrotnego
10. SPRZĘŻENE ZWROTNE Przypomnienie pojęcia transmitancji. Transmitancja uładu jest to iloraz jego odpowiedzi i wymuszenia. W uładach eletronicznych wymuszenia i odpowiedzi są zwyle prądami lub napięciami
Bardziej szczegółowoIndukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Bardziej szczegółowo13. 13. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE
Część 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3. 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3.. Metoda trzech momentów Rozwiązanie wieloprzęsłowych bele statycznie niewyznaczalnych można ułatwić w znaczącym
Bardziej szczegółowoPomiary napięć przemiennych
LABORAORIUM Z MEROLOGII Ćwiczenie 7 Pomiary napięć przemiennych . Cel ćwiczenia Celem ćwiczenia jest poznanie sposobów pomiarów wielości charaterystycznych i współczynniów, stosowanych do opisu oresowych
Bardziej szczegółowoZagadnienia AI wykład 1
Zagadnienia AI wykład Podręcznik do wykładu: Leszek Rutkowski Metody i techniki sztucznej inteligencji Wydawnictwo Naukowe PWN Prezentacje do wykładu będą sukcesywnie umieszczane na stronie: http://merlin.fic.uni.lodz.pl/mskulimowski/
Bardziej szczegółowoKodowanie informacji w systemach cyfrowych
Wprowadzenie do inżynierii przetwarzania informacji. Ćwiczenie 2. Kodowanie informacji w systemach cyfrowych Cel dydatyczny: Nabycie umiejętności posługiwania się różnymi odami wyorzystywanymi w systemach
Bardziej szczegółowoLogika rozmyta typu 2
Logika rozmyta typu 2 Zbiory rozmyte Funkcja przynależności Interwałowe zbiory rozmyte Funkcje przynależności przedziałów Zastosowanie.9.5 Francuz Polak Niemiec Arytmetyka przedziałów Operacje zbiorowe
Bardziej szczegółowoLogika Stosowana Ćwiczenia
Logika Stosowana Ćwiczenia Systemy sterowania wykorzystujące zbiory rozmyte Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Semestr letni 2014/15 Marcin Szczuka (MIMUW) Logika Stosowana 2014/15
Bardziej szczegółowoSterowanie z wykorzystaniem logiki rozmytej
Sterowanie z wykorzystaniem logiki rozmytej konspekt seminarium Paweł Szołtysek 24 stycznia 2009 1 Wstęp 1.1 Podstawy logiki rozmytej Logika rozmyta jest rodzajem logiki wielowartościowej, stanowi uogólnienie
Bardziej szczegółowoMetody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015
Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Zadanie Rozważmy następujący model strzelania do tarczy. Współrzędne puntu trafienia (, Y ) są niezależnymi zmiennymi losowymi o jednaowym rozładzie normalnym N ( 0, σ ). Punt (0,0) uznajemy za środe tarczy,
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoW. Guzicki Próbna matura, grudzień 2014 r. poziom rozszerzony 1
W. Guzicki Próbna matura, grudzień 01 r. poziom rozszerzony 1 Próbna matura rozszerzona (jesień 01 r.) Zadanie 18 kilka innych rozwiązań Wojciech Guzicki Zadanie 18. Okno na poddaszu ma mieć kształt trapezu
Bardziej szczegółowoPROCENTY, PROPORCJE, WYRAŻENIA POTEGOWE
PROCENTY, PROPORCJE, WYRAŻENIA POTEGOWE ORAZ ŚREDNIE 1. Procenty i proporcje DEFINICJA 1. Jeden procent (1%) pewnej liczby a to setna część tej liczby, tórą oznacza się: 1% a, przy czym 1% a = 1 p a, zaś
Bardziej szczegółowoi = n = n 1 + n 2 1 i 2 n 1. n(n + 1)(2n + 1) n (n + 1) =
Druga zasada inducji matematycznej Niech m będzie liczbą całowitą, niech p(n) będzie ciągiem zdań zdefiniowanych na zbiorze {n Z: n m} oraz niech l będzie nieujemną liczbą całowitą. Jeśli (P) wszystie
Bardziej szczegółowo