W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.
|
|
- Bogdan Nowicki
- 8 lat temu
- Przeglądów:
Transkrypt
1 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 do klasy gorąco. Operując na własności logiki klasycznej, która przypomnijmy pozwoli nam jedynie korzystad z dwóch wartości logicznych: prawdy (1) i fałszu (0), wartośd funkcji przynależności do klasy GORĄCO określilibyśmy następująco: Czyli jeśli temperatura w danym dniu wyniesie 49 stopni stwierdzimy, że nieprawda, że jest gorąco. Jeśli zaś będzie 50 stopni, powiemy, że jest gorąco. Niezbyt nam się podoba taka klasyfikacja zgodnie z którą jak jest 49 stopni to jeszcze gorąco nie jest, a jak już jest o 1 stopieo więcej zaledwie, a więc 50 stopni to już jest gorąco. Niestety takie ograniczenia stawia nam właśnie logika klasyczna. Aby było możliwe określanie bardziej rozmyte takich granic klasyfikacji, możemy użyd logiki rozmytej. W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco. Zadanie 1 Załóżmy, że mniej lub bardziej gorąco jest mniej więcej w przedziale od 20 do 100 stopni. A więc chcemy mówid, że zdecydowanie jest gorąco gdy temperatura jest większa niż 100stopni, zdecydowanie nie jest gorąco gdy temperatura jest mniejsza niż 20 stopni, zaś jeśli temperatura jest między 20 a 100 stopniami wartośd powinna byd odpowiednio proporcjonalna i w zakresie od 0 do 1. Zaproponujmy więc następującą definicję tzw. Funkcji przynależności do klasy gorąco : Funkcje przynależności Temperatura( F) Stopieo gorąca Stopieo zimna Rysunek. Funkcje przynależności do klasy gorąco / zimno
2 Zatem dla temperatury np. 30 stopni: Stopieo przynależności do klasy gorąco wynosi wówczas: 0.13 Stopieo przynależności do klasy zimno wynosi Możemy też powiedzied, że po prostu gdy temperatura wynosi 30 stopni, w 13% jest gorąco a w 87% jest zimno. Dlaczego 0,13? Bo podstawiając wartośd 30 do wzoru: Która jak widad pasuje tylko do środkowego warunku: bo wartośd 30 jest między 20 a 100 stopni, zatem podstawiamy ją do wzoru: =10/80 = 1/8 = 0.125=0.13 Proszę wyznaczyd wartośd funkcji przynależności do klasy gorąco dla temperatury: 20,35,40,50,60,70,80,90,100 Zadanie 3 Dla dowolnych danych dotyczących wzrostu zaproponuj reprezentację funkcji przynależności, zgodnie z którą będziemy typowad ludzi wysokich. Zrób to tak, aby w przypadku gdy ktoś ma wzrost mniejszy niż 170 cm funkcja przynależności wynosiła 0, gdy większy niż 190 cm wartośd 1, a gdy wzrost jest między 170 a 190 to funkcja niech będzie obliczana jako: (wzrost 170 ) / 20 Zadanie 4 Dwa zbiory rozmyte reprezentują obraz samochodu i ciężarówki, i są zdefiniowane następująco: Car = {0.5 / truck, 0.4 / motor, 0.3 / boat, 0.9 / car, 0.1 / house} Truck = {1 / truck, 0.1 / motor, 0.4 / boat, 0.4 / car, 0.2 / house} Znajdź: 1. Car Truck 3. not(car) 5. Car not(car) 2. Car Truck 4. Car not(truck) 6. Car not(car) Zadanie 5 Następująca funkcja rozmyta ma byd użyta do obliczania funkcji przynależności da zbioru osób zdrowych. 1 zdrowy, 0 nie zdrowy. Wartośd między 0 a 1 ma określad stopieo przynależności do klasy zdrowych. BMI z przedziału między 20 a 25 to przesłanka do tego by uznad kogoś za zdrowego. BMI większe niż 27 albo mniejsze niż 18 na pewno nie świadczy o stanie zdrowym. Wartości BMI bliskie zakresowi wartości dla osób zdrowych a więc z od 20 do 25, to wartości z przedziału 0 a 1. Np. BMI = 19.6 to Narysuj graficznie reprezentację funkcji rozmytej health(x) reprezentującą zarówno klasę zdrowy i niezdrowy. 2. Jaki jest stopieo przynależności rozmytego zbioru dla osób zdrowych w przypadku Marka, którego BMI wynosi 26.2? A jaki jest stopieo jego przynależności do zbioru niezdrowych? 3. Oblicz swój własny BMI i określ jaki jest stopieo przynależności twojego BMI do klasy zdrowych?
3 Zadanie 6 Wiedząc, że dane są następujące reprezentacje Przykład: wysoki mężczyzna=(0/180, 1/190) niski mężczyzna=(1/160, 0/170) średniego wzrostu mężczyzna=(0/165, 1/175, 0/185) Wyznacz: a) Dopełnienie zbioru: wysoki mężczyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190) NOT wysoki mężczyzna =. b) Iloczyn zbiorów: wysoki mężczyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190) średni mężczyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190) wysoki mężczyzna średni mężczyzna =. c) Zawieranie się zbiorów wysoki mężczyzna = (0/180, 0.25/182.5, 0.5/185, 0.75/187, 1/190) bardzo wysoki mężczyzna = d) Sumę zbiorów wysoki mężczyzna = (0/165, 0/175, 0/180, 0.25/182.5, 0.5/185, 1/190) średni mężczyzna = (0/165, 1/175, 0.5/180, 0.25/182.5, 0/185, 0/190) wysoki mężczyzna średni mężczyzna =.. Zadanie 7 Nie dana będzie następująca interpretacja wzrostu danej osoby: Wyznacz graficznie funkcje przynależności do zbiorów: Compute the graphical representation of the membership function of: Small Tall (Small Medium) Tall Zadanie 8 Stopniowanie zbiorów rozmytych. Najpierw wyznacz wartości przynależności poszczególnych osób, których wiek będzie podany, do zbioru stary. Zastosuj następujące kryterium dla funkcji przynależności:
4 Imię Wiek(x) µ wiek (x) Ewa 33 Ola 43 Waldek 44 Marek 51 Anna 55 Mirela 57 Grzegorz 61 Marcin 67 Karol 85 Kasia 88 Następnie wiedząc, że można stopniowad zbiory rozmyte oblicz wartośd funkcji przynależności dla każdej osoby do zbioru bardzo stary w oparciu o wartośd funkcji przynależności zbioru stary : "stary" "bardzo stary" Zadanie 9 Proszę zaproponowad funkcję przynależności, która dla podanej godziny poda odpowiednią porę dnia. Wykorzystaj poniższą ilustrację rozwiązania: Zadanie 10 Załóżmy, że mamy dane reguły: I że funkcje przynależności do poszczególych klas dane są następująco: Wyznacz ryzyko towarzystwa ubezpieczeniowego dla klienta: a) Wiek = 35 I moc samochodu = 150 KM b) Wiek = 55 I moc samochodu = 150 KM c) Wiek = 35 I moc samochodu = 190 KM
5 Zadanie 11 Załóżmy, że systemowa baza wiedzy zawiera następujące reguły: RULE1: IF temperature is hot or warm, THEN the swimming pool is crowded. RULE2: IF temperature is cold, THEN the swimming pool is quiet. Funkcje przynależności dla poszczególnych zbiorów niech będą następujące: 1. Co jest tutaj zmienną lingwistyczną a co wartością lingwistyczną? 2. Narysuj funkcje przynależności dla temperatury i liczby sprzedawców na terenie basenu. Zadanie 12. Załóżmy, że mamy system będący prostym kontrolerem stosującym błąd sygnału e i zmiana błędu sygnału de jako dane wejściowe i zadane są 4 reguły w oparciu o które działa model rozmyty: RULE 1: IF e = P AND de = P THEN x = N RULE 2: IF e = P AND de = N THEN x = 0 RULE 3: IF e = N AND de = P THEN x = 0 RULE 4: IF e = N AND de = N THEN x = P Załóżmy, że dane są dwa zbiory rozmyte jako wartości rozmytych zmiennych wejściowych e i de: P (positive) i N (negative). Rozmyta zmienna wyjściowa ma 3 wartości: P (positive), 0 (zero), N (negative) tak jak to pokazano na rysunku powyżej. Zakładając, że wejściwe zmienne mają nastpujące wartości funkcji przynależności w zbiorach wejściowych: µ N (e) = 0.4; µ P (e) = 0.6 i µ N (de) = 0.2; i µ P (de) = 0.8 a. stosując wnioskowanie typu Mamdani wykaż, że całkowita wartośd rozmyta wyjściowego zbioru jest taka jak pokazano na poniższym rysunku (czerwona linia). Narysuj odpowiednie wykresy. b. Wyostrz wartości wyjścia stosując metodę centroidu. c. Stosując metodę zero order Sugeno oblicz wartośd wyjścia. Narysuj graficznie. d. Porównaj rezyltaty dla obu metod wnioskowania.
Zadanie 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
Zadanie 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
Sztuczna 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,...,
Sztuczna 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:
Sztuczna 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
Jeśli 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
Rozmyte 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
INŻYNIERIA 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
Cel 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,
SZTUCZNA 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
Temat: 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
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
Zasada 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
6. 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
Logika rozmyta. Agnieszka Nowak - Brzezioska
Logika rozmyta Agnieszka Nowak - Brzezioska 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
STANDARDOWE 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
Piotr 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
Podstawy 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
ZBIORY 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
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Logika rozmyta. Agnieszka Nowak - Brzezioska
Logika rozmyta Agnieszka Nowak - Brzezioska 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
Lista 2 logika i zbiory. Zad 1. Dane są zbiory A i B. Sprawdź, czy zachodzi któraś z relacji:. Wyznacz.
Lista 2 logika i zbiory. Zad 1. Dane są zbiory A i B. Sprawdź, czy zachodzi któraś z relacji:. Wyznacz. Na początek wypiszmy elementy obu zbiorów: A jest zbiorem wszystkich liczb całkowitych, które podniesione
WYKŁAD 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
Tworzenie 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
7. 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
ĆWICZENIE 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
Krok 1.Chcemy napisać dowolny tekst na ekranie, np. Witaj świecie
Laboratorium nr 1 programowanie Pythonie Krok 1.Chcemy napisać dowolny tekst na ekranie, np. Witaj świecie Efekt kompilacji (klawisz F5) będzie następujący: Krok 2. A teraz chcemy zapytać użytkownika o
Logika 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
Inteligencja 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
Implementacja 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
Temat: 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
Inżynieria 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
Logika Stosowana. Wykład 5 - Zbiory i logiki rozmyte Część 1. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 5 - Zbiory i logiki rozmyte Część 1 Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 36 Plan
ELEMENTY 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
1. Logika, funkcje logiczne, preceptron.
Sieci neuronowe 1. Logika, funkcje logiczne, preceptron. 1. (Logika) Udowodnij prawa de Morgana, prawo pochłaniania p (p q), prawo wyłączonego środka p p oraz prawo sprzeczności (p p). 2. Wyraź funkcję
Politechnika 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
WPŁYW OPÓŹNIENIA NA DYNAMIKĘ UKŁADÓW Z REGULACJĄ KLASYCZNĄ I ROZMYTĄ
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 65 Politechniki Wrocławskiej Nr 65 Studia i Materiały Nr 31 2011 Kinga GÓRNIAK* układy z opóźnieniem, regulacja rozmyta, model Mamdaniego,
Inteligencja 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
Reprezentacja 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
Wnioskowanie 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
Logika 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
Funkcja liniowa - podsumowanie
Funkcja liniowa - podsumowanie 1. Funkcja - wprowadzenie Założenie wyjściowe: Rozpatrywana będzie funkcja opisana w dwuwymiarowym układzie współrzędnych X. Oś X nazywana jest osią odciętych (oś zmiennych
Jeśli 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.
Logika 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
Sterowanie 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
Uniwersytet 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
4 Klasyczny rachunek zdań
4 Klasyczny rachunek zdań Elementy Logiki i Teorii Mnogości 2015/2016 Spis najważniejszych tautologii: (a) p p prawo wyłączonego środka (b) ( p) p prawo podwójnej negacji (c) p q q p (d) p q q p prawo
5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH
5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH Temat, którym mamy się tu zająć, jest nudny i żmudny będziemy się uczyć techniki obliczania wartości logicznej zdań dowolnie złożonych. Po co? możecie zapytać.
Uczenie się pojedynczego neuronu. Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z<0 y=1 gdy z>=0. Wówczas: W 1 x 1 + w 2 x 2 + = 0
Uczenie się pojedynczego neuronu W0 X0=1 W1 x1 W2 s f y x2 Wp xp p x i w i=x w+wo i=0 Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z=0 Wówczas: W 1 x 1 + w 2 x 2 + = 0 Algorytm
Układy 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
3. Instrukcje warunkowe
. Instrukcje warunkowe Przykłady.1. Napisz program, który pobierze od użytkownika liczbę i wypisze na ekran słowo ujemna lub nieujemna, w zależności od tego czy dana liczba jest ujemna czy nie. 1 #include
Systemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
lim 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
Statystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
FUNKCJA LINIOWA - WYKRES. y = ax + b. a i b to współczynniki funkcji, które mają wartości liczbowe
FUNKCJA LINIOWA - WYKRES Wzór funkcji liniowej (postać kierunkowa) Funkcja liniowa to funkcja o wzorze: y = ax + b a i b to współczynniki funkcji, które mają wartości liczbowe Szczególnie ważny w postaci
Zakres materiału obowiązujący do egzaminu poprawkowego z matematyki klasa 1 d LO
Zakres materiału obowiązujący do egzaminu poprawkowego z matematyki klasa 1 d LO Dział programowy. Zakres realizacji 1. Liczby, działania i procenty Liczby wymierne i liczby niewymierne-działania, kolejność
ALGORYTM 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
Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej.
Temat: WYKRYWANIE ODCHYLEO W DANYCH Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej. Przykładem Box Plot wygodną metodą
Temat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
Metoda zaburz-obserwuj oraz metoda wspinania
Metoda zaburz-obserwuj oraz metoda wspinania Algorytm zaburz-obserwuj mierzy się moc (zwykle modułu) przed i po zmianie na tej podstawie podejmuje się decyzję o kierunku następnej zmiany Metoda wspinania
FUNKCJA LINIOWA - WYKRES
FUNKCJA LINIOWA - WYKRES Wzór funkcji liniowej (Postać kierunkowa) Funkcja liniowa jest podstawowym typem funkcji. Jest to funkcja o wzorze: y = ax + b a i b to współczynniki funkcji, które mają wartości
FUNKCJA LINIOWA, RÓWNANIA I UKŁADY RÓWNAŃ LINIOWYCH
FUNKCJA LINIOWA, RÓWNANIA I UKŁADY RÓWNAŃ LINIOWYCH PROPORCJONALNOŚĆ PROSTA Proporcjonalnością prostą nazywamy zależność między dwoma wielkościami zmiennymi x i y, określoną wzorem: y = a x Gdzie a jest
Lista zadań nr 15 TERMIN ODDANIA ROZWIĄZANYCH ZADAŃ 9 marca 2015
Lista zadań nr 5 TERMIN ODDANIA ROZWIĄZANYCH ZADAŃ 9 marca 05 Liczby rzeczywiste a) planuję i wykonuję obliczenia na liczbach rzeczywistych; w szczególności obliczam pierwiastki, w tym pierwiastki nieparzystego
Technologie 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
zaznaczymy na osi liczbowej w ten sposób:
1. Zagadnienia teoretyczne. 1.1. Przedział domknięty Przykład 1. Pisząc mamy na myśli wszystkie liczby rzeczywiste od -4 do 7, razem z -4 i 7. Jeśli napiszemy, będziemy mówić o zbiorze wszystkich liczb
Prawdopodobieństwo czerwonych = = 0.33
Temat zajęć: Naiwny klasyfikator Bayesa a algorytm KNN Część I: Naiwny klasyfikator Bayesa Naiwny klasyfikator bayerowski jest prostym probabilistycznym klasyfikatorem. Naiwne klasyfikatory bayesowskie
Logika 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
Algebra Boole a i jej zastosowania
lgebra oole a i jej zastosowania Wprowadzenie Niech dany będzie zbiór dwuelementowy, którego elementy oznaczymy symbolami 0 oraz 1, tj. {0, 1}. W zbiorze tym określamy działania sumy :, iloczynu : _ oraz
Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski
Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 9. Dobór nastaw
13. Równania różniczkowe - portrety fazowe
13. Równania różniczkowe - portrety fazowe Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie rzegorz Kosiorowski (Uniwersytet Ekonomiczny 13. wrównania Krakowie) różniczkowe - portrety fazowe 1 /
Zadanie 3 Oblicz jeżeli wiadomo, że liczby 8 2,, 1, , tworzą ciąg arytmetyczny. Wyznacz różnicę ciągu. Rozwiązanie:
Zadanie 3 Oblicz jeżeli wiadomo, że liczby 8 2,, 1, 6 11 6 11, tworzą ciąg arytmetyczny. Wyznacz różnicę ciągu. Uprośćmy najpierw liczby dane w treści zadania: 8 2, 2 2 2 2 2 2 6 11 6 11 6 11 26 11 6 11
Bramki 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
Kurs 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
KOMPUTERY W STEROWANIU. Ćwiczenie 6 Projektowanie układu regulacji rozmytej
Wydział Elektryczny Zespół Automatyki (ZTMAiPC) KOMPUTERY W STEROWANIU Ćwiczenie 6 Projektowanie układu regulacji rozmytej 1. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z procedurą projektowania
Systemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
STATYSTYKA 2. Katarzyna Abramczuk
STATYSTYKA 2 Katarzyna Abramczuk Zadanie 1 W malutkiej wiosce Malutkowo są tylko 4 domy. Mieszkają w nich: DOM 1 DOM 2 DOM 3 DOM 4 Matka (35) Matka (32) Matka (32) Pan Stefan (40) Ojciec (40) Ojciec (35)
Logika intuicjonistyczna
Logika intuicjonistyczna Logika klasyczna oparta jest na pojęciu wartości logicznej zdania. Poprawnie zbudowane i jednoznaczne stwierdzenie jest w tej logice klasyfikowane jako prawdziwe lub fałszywe.
Tab. 1 Tab. 2 t t+1 Q 2 Q 1 Q 0 Q 2 Q 1 Q 0
Synteza liczników synchronicznych Załóżmy, że chcemy zaprojektować licznik synchroniczny o następującej sekwencji: 0 1 2 3 6 5 4 [0 sekwencja jest powtarzana] Ponieważ licznik ma 7 stanów, więc do ich
ZBIÓR ZADAŃ - ROZUMOWANIE I ARGUMENTACJA
ZIÓR ZŃ - ROZUMOWNIE I RGUMENTJ 0--30 Strona ZIÓR ZO O WYMGNI EGZMINYJNEGO - ROZUMOWNIE I RGUMENTJ. Zapisz sumę trzech kolejnych liczb naturalnych, z których najmniejsza jest liczba n. zy suma ta jest
Lista 3 Funkcje. Środkowa częśd podanej funkcji, to funkcja stała. Jej wykresem będzie poziomy odcinek na wysokości 4.
Lista 3 Funkcje. Zad 1. Narysuj wykres funkcji. Przykład 1:. Zacznijmy od sporządzenia tabelki dla każdej części podanej funkcji, uwzględniając podany zakres argumentów (dziedzinę): Weźmy na początek funkcję,
Instrukcja warunkowa i złoŝona.
Instrukcja warunkowa i złoŝona. Budowa pętli warunkowej. JeŜeli mielibyśmy przetłumaczyć instrukcję warunkową to brzmiałoby to mniej więcej tak: jeŝeli warunek jest spełniony, to wykonaj jakąś operację
Indukcja matematyczna
Indukcja matematyczna 1 Zasada indukcji Rozpatrzmy najpierw następujący przykład. Przykład 1 Oblicz sumę 1 + + 5 +... + (n 1). Dyskusja. Widzimy że dla n = 1 ostatnim składnikiem powyższej sumy jest n
Sztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm F-LEM1 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm F LEM 1. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu F LEM1
Podstawą w systemie dwójkowym jest liczba 2 a w systemie dziesiętnym liczba 10.
ZAMIANA LICZB MIĘDZY SYSTEMAMI DWÓJKOWYM I DZIESIĘTNYM Aby zamienić liczbę z systemu dwójkowego (binarnego) na dziesiętny (decymalny) należy najpierw przypomnieć sobie jak są tworzone liczby w ww systemach
Interwałowe 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
8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
BAZA ZADAŃ KLASA 2 TECHNIKUM FUNKCJA KWADRATOWA
BAZA ZADAŃ KLASA 2 TECHNIKUM FUNKCJA KWADRATOWA 1. Podaj zbiór wartości i monotoniczność funkcji: b) c) j) k) l) wskazówka: - oblicz wierzchołek (bez miejsc zerowych!) i naszkicuj wykres (zwróć uwagę na
Operatory AND, OR, NOT, XOR Opracował: Andrzej Nowak Bibliografia:
Operatory logiczne Komputery i ich logika AND - && Podstawy programowania w C++ Operatory AND, OR, NOT, XOR Opracował: Andrzej Nowak Bibliografia: CPA: PROGRAMMING ESSENTIALS IN C++ https://www.netacad.com
Lekcja 3: Elementy logiki - Rachunek zdań
Lekcja 3: Elementy logiki - Rachunek zdań S. Hoa Nguyen 1 Materiał a) Zdanie proste, złożone b) Spójniki logiczne (funktory zdaniotwórcze):,,,,, (alternatywa wykluczająca - XOR). c) Tautologia, zdanie
3. FUNKCJA LINIOWA. gdzie ; ół,.
1 WYKŁAD 3 3. FUNKCJA LINIOWA FUNKCJĄ LINIOWĄ nazywamy funkcję typu : dla, gdzie ; ół,. Załóżmy na początek, że wyraz wolny. Wtedy mamy do czynienia z funkcją typu :.. Wykresem tej funkcji jest prosta
METODY 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
Analiza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Metody wypełniania braków w danych ang. Missing values in data
Analiza danych wydobywanie wiedzy z danych III Metody wypełniania braków w danych ang. Missing values in data W rzeczywistych zbiorach danych dane są często nieczyste: - niekompletne (brakujące ważne atrybuty,
Następnie przypominamy (dla części studentów wprowadzamy) podstawowe pojęcia opisujące funkcje na poziomie rysunków i objaśnień.
Zadanie Należy zacząć od sprawdzenia, co studenci pamiętają ze szkoły średniej na temat funkcji jednej zmiennej. Na początek można narysować kilka krzywych na tle układu współrzędnych (funkcja gładka,
Funkcja jest różnowartościowa w zbiorze A wtedy i tylko wtedy, gdy różnym argumentom funkcja ta przyporządkowuje różne wartości.
Gdy mamy daną funkcję, poza określeniem jej dziedziny i miejsca zerowego możemy badad szczególne własności, takie jak: monotonicznośd, różnowartościowośd, parzystośd, nieparzystośd. Na temat monotoniczności
2 Dana jest funkcja logiczna w następującej postaci: f(a,b,c,d) = Σ(0,2,5,8,10,13): a) zminimalizuj tę funkcję korzystając z tablic Karnaugh,
EUROELEKTRA Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej Rok szkolny 2010/2011 Zadania dla grupy elektronicznej na zawody II. stopnia (okręgowe) 1 Na rysunku przedstawiono przebieg prądu
Wymagania edukacyjne z matematyki klasa II technikum
Wymagania edukacyjne z matematyki klasa II technikum Poziom rozszerzony Obowiązują wymagania z zakresu podstawowego oraz dodatkowo: 1. JĘZYK MATEMATYKI I FUNKCJE LICZBOWE Uczeń otrzymuje ocenę dopuszczającą
SID Wykład 7 Zbiory rozmyte
SID Wykład 7 Zbiory rozmyte Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Wstęp Language Ontological Commitment Epistemological Commitment (What exists in the world) (What an agent
FUNKCJA WYMIERNA. Poziom podstawowy
FUNKCJA WYMIERNA Poziom podstawowy Zadanie Wykonaj działania i podaj niezbędne założenia: a+ a) + ; ( pkt.) a+ a a b) + + ; ( pkt.) + m m m c) :. ( pkt.) m m+ Zadanie ( pkt.) Oblicz wartość liczbową wyrażenia