Definicja. Złożenie zbioru rozmytego i relacji rozmytej. Rozważmy. zbiór rozmyty A X z funkcją przynależności

Wielkość: px
Rozpocząć pokaz od strony:

Download "Definicja. Złożenie zbioru rozmytego i relacji rozmytej. Rozważmy. zbiór rozmyty A X z funkcją przynależności"

Transkrypt

1 Zagadnienia I

2 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 definiujem jao zbiór rozmt =RY oreślon następująco sup{ } X T R gdzie T jest operatorem t norm.

3 Złożenie zbioru rozmtego i relacji rozmtej cd Jeżeli Ta b=min{a b} wówczas otrzmujem sup{min{ }} X tzw. złożenie tpu sup-min R Jeżeli Ta b= ab wówczas otrzmujem sup{ } X tzw. złożenie tpu sup-product R

4 Przład Niech X={ 3 } Y={ }. Rozważm zbiór rozmt oraz relację rozmtą R oreśloną macierzą

5 Przład Rozważm złożenie R tpu sup-min. Rezultatem taiego złożenia jest zbiór rozmt postaci gdzie: ma{min{ 0;0};min{04;};min{06;07}} ma{min{ 0;0};min{04;03};min{06;}} Zatem 06 06

6 Wniosowanie Logia dwuwartościowa Reguła modus ponens reguła odrwania przesłana impliacja wniose Jeżeli prawdziwe jest zdanie i prawdziwa jest impliacja wówczas prawdziwe jest zdanie. Przład Mare jest ierowcą Mare ma prawo jazd Jeżeli Mare jest ierowcą i z tego że Mare jest ierowcą wnia że Mare ma prawo jazd to Mare ma prawo jazd.

7 Logia dwuwartościowa Reguła modus tollens przesłana 0 impliacja 0 0 wniose Jeżeli fałszwe jest zdanie i prawdziwa jest impliacja wówczas fałszwe jest zdanie. Przład Mare jest ierowcą Mare ma prawo jazd Mare nie jest ierowcą Mare nie ma prawa jazd Jeżeli Mare nie ma prawa jazd i z tego że Mare jest ierowcą wnia że ma prawo jazd to Mare nie jest ierowcą.

8 Zmienna lingwistczna Zmienną lingwistczną nazwam zmienną tórej wartościami są słowa lub zdania w jęzu naturalnm lub sztucznm. Powższe słowa lub zdania nazwam wartościami lingwistcznmi zmiennej lingwistcznej. Przład Niech będzie zmienną lingwistczną oznaczającą wie. Wartości zmiennej lingwistcznej należą do zbioru T={ star bardzo star nie ta star zupełnie młod młod bardzo młod } Do ażdego z elementów zbioru T można przporządować pewien zbiór rozmt.

9 Wniosowanie przbliżone Przjmijm że zdania wstępujące w regułach modus ponens oraz modus tollens zawierają niepreczjne oreślenia. Oznacza to że zdaniom tm odpowiadają pewne zbior rozmte. Rozmta reguła modus ponens jest JEŻELI jest TO jest jest przesłana impliacja wniose gdzie: X i Y są zbiorami rozmtmi są zmiennmi lingwistcznmi

10 Przład Prędość samochodu jest duża Jeżeli prędość samochodu jest bardzo duża to poziom hałasu jest wsoi przesłana impliacja Poziom hałasu w samochodzie jest średniowsoi wniose Zmienne lingwistczne prędość samochodu Zbiór wartości: T ={mała średnia duża bardzo duża} poziom hałasu Zbiór wartości: T ={mał średni średniowsoi wsoi}

11 Przład cd Zbior rozmte: = bardzo duża prędość samochodu = duża prędość samochodu = wsoi poziom hałasu = średniowsoi poziom hałasu Jaa jest różnica międz nierozmtą i rozmtą regułą modus ponens? jest JEŻELI jest TO jest przesłana impliacja jest wniose To samo zdanie To samo zdanie Zbior różne zbliżone Zbior różne zbliżone

12 Zbiór rozmt jest złożeniem zbioru rozmtego i rozmtej impliacji tóra jest równoważna pewnej relacji rozmtej RXY czli Zatem sup{ } X T gdzie jest funcją prznależności relacji R. Jeżeli Tab=min{ab} wówczas sup{min{ }} X

13 Rozmta reguła modus tollens jest JEŻELI jest TO jest jest przesłana impliacja wniose gdzie: X i Y są zbiorami rozmtmi Przład są zmiennmi lingwistcznmi Poziom hałasu w samochodzie jest średniowsoi Jeżeli prędość samochodu jest bardzo duża to poziom hałasu jest wsoi przesłana impliacja Prędość samochodu jest duża wniose

14 Zbiór rozmt jest złożeniem rozmtej impliacji i zbioru rozmtego impliacja jest równoważna pewnej relacji rozmtej RXY czli Zatem Y sup{ } gdzie jest funcją prznależności relacji R. Jeżeli Tab=min{ab} wówczas sup{min{ }} Y T

15 Model Mamdaniego T gdzie T jest dowolną t-normą. Przład Reguła tpu minimum } min{ Reguła tpu iloczn Larsena

16 Zauważm że min{ } Wniose Reguł tpu Mamdaniego nie są impliacjami w sensie logicznm.

17 Model logiczn Definicja Funcję I: [0] [0] spełniającą następujące waruni: a a3 Ia a Ia3 a dla a a a3 [0 ] a a3 Ia a Ia a3 dla a a a3 [0 ] 3 I a dla a [0 ] Ia dla a [0 ] I0 0 nazwam impliacją rozmtą.

18 Przład Impliacja binarna Impliacja Łuasiewicza I ab=ma{- ab} I ab=min{- a+b} Impliacja Reichenbacha I ab=min{- a+ab} Impliacja Gödela I a b b dla dla a a b b Funcja I impliacji pozwala nam definiować funcję prznależności dla I impliacja jest relacją rozmtą RXY

19 Impliacja binarna - ma{- } Impliacja Gödela

20 Impliacja binarna - + min{- + }

21 Rozmte sstem wniosujące b móc sterować pewnm procesem technologicznm lub tez pracą urządzeń onieczne jest zbudowanie modelu na podstawie tórego można będzie podejmować deczje związane ze sterowaniem. W wielu przpadach znalezienie odpowiedniego modelu jest problemem trudnm nieied wmagającm przjęcia różnego tpu założeń upraszczającch. Zastosowanie sstemów rozmtch do sterowania procesami technologicznmi nie wmaga od nas znajomości tch procesów. Konstruujem po prostu rozmte reguł postępowania w postaci zdań warunowch: IF... THEN...

22 Schemat rozmtego sstemu wniosującego aza reguł lo rozmwania X lo wniosowania... N lo wostrzania

23 aza reguł aza reguł model lingwistczn stanowi reprezentacje wiedz esperta o możliwch wartościach zmiennch stanu o pożądanm stanie urządzenia itp. Przjmuje się dla potrzeb sterowania ze przesłana ja i wniose są oniuncjami prostch fatów rozmtch. Na bazę reguł słada się wiec zbiór pewnch rozmtch reguł postaci JEŻELI jest I... I n jest n TO jest I... I m jest m gdzie i j są zbiorami rozmtmi i są zmiennmi wejściowmi a j są zmiennmi wjściowmi modelu lingwistcznego.

24 Preczjniej dla N reguł: R : JEŻELI jest I jest I I n jest n K TO gdzie: = N. jest I jest I I m jest m K i X i R i= n - zbior rozmte j Y j R j= n - zbior rozmte [ n ] T =X X n [ m ] T =Y Y m n - zmienne wejściowe i m zmienne wjściowe

25 Założenia: poszczególne reguł R = N są powiązane ze sobą za pomocą operatora lub. wjścia m są od siebie niezależne. Oznacza to że reguł mają salarne wjście: R : JEŻELI jest I jest I I n jest n TO gdzie Y R. jest Zmienne n oraz mogą przjmować zarówno wartości niepreczjne oreślone słownie np. małe średnie duże jai i wartości liczbowe.

26 Oznaczm: X =X X X n = n Powższą regułę możem przedstawić jao rozmtą impliację: R : = N Regułę R możem też interpretować jao relację rozmtą oreśloną na zbiorze X Y tzn: R X X jest zbiorem rozmtm o funcji prznależności R

27 lo rozmwania Sstem sterowania z logią rozmtą operują na zbiorach rozmtch. Zatem onretna wartość... n] [ X sgnału wejściowego sterownia rozmtego podlega operacji rozmwania ang. fuzzfiacation w wniu tórej zostaje odwzorowana w zbiór rozmt X = X X X n. Zwle stosuje się rozmwanie tpu singleton ' 0 Zbiór jest wejściem blou wniosowania.

28 lo wniosowania Przjmijm że na wejściu blou wniosowania mam zbiór rozmt X = X X X n. Znajdziem odpowiedni zbiór rozmt na wjściu z blou wniosowania Przpade Na wjściu otrzmujem N zbiorów rozmtch uogólnioną regułą modus ponens. Y zgodnie z Wówczas: '... N Funcja prznależności zbioru ma postać sup{ ' } X T

29 Przład Przjmijm n= t-norma jest tpu min rozmte wniosowanie definiuje reguła min oraz iloczn artezjańsi zbiorów oreślon jest przez min. Wówczas: } sup{ ' T X }} {min{ sup ' X }}} min{ {min{ sup ' X Ponieważ: } min{ ' ' ' ' ' } min{

30 Przład cd Ostatecznie }} {min{ sup ' ' X X Przład Przjmijm n= t-norma jest tpu iloczn rozmte wniosowanie definiuje reguła iloczn oraz iloczn artezjańsi zbiorów oreślon jest przez iloczn. Wówczas: } sup{ ' X } { sup ' X } { sup ' ' X X

31 Przpade Na wjściu blou wniosowania otrzmujem jeden zbiór rozmt Y oreślon wzorem: ' ' N N Funcja prznależności zbioru ma postać '... ' N S S S gdzie S jest dowolną s normą i } sup{ ' T X

32 Przład 3 Rozważm rozmt sstem wniosując z bazą reguł: R : JEŻELI jest I jest TO jest R : JEŻELI jest I jest TO jest Na wejście sterownia podano sgnał X ] [ W wniu rozmwania tpu singleton otrzmujem zbior rozmte o funcjach prznależności ' '

33 Przład 3 cd Wznaczm sgnał wjściow sterownia rozmtego. Otrzmujem wówczas: }} {min{ sup ' ' X X Jao t -normę przjmijm minimum. Ponadto załóżm że } min{ } min{ ' ' ' ' Zatem: }} {min{ sup X X

34 Przład 3 cd } min{ } min{ prz czm Ostatecznie otrzmujem } min{ } } min{min{ oraz }} ma{min{ ' Worzstując regułę tpu minimum

35 min ' ' ma{min{ }} '

36 Powtórzm rozumowanie z przładu 3 ale dla reguł tpu iloczn. Przład 4 Wówczas: Ostatecznie otrzmujem } } ma{min{ '

37 min ' ' ma{min{ } } '

38 lo wostrzania Ja już wiem na wjściu blou wniosowania otrzmujem: N zbiorów rozmtch z funcjami prznależności lub Jeden zbiór rozmt ' z funcją prznależności ' Pojawia się problem ja ze zbiorów Y będącą tzw. wartością sterowania. uzsać jedną wartość Procedurę uzsania nazwam wostrzaniem ang. defuzzification.

39 . Metoda center average defuzzification Wartość uzsujem za pomocą wzoru N N gdzie jest puntem w tórm funcja ma wartość masmalną.

40 . Metoda center of sums defuzzification Wartość uzsujem za pomocą wzoru Y Y N N d d Jeżeli na wjściu blou wniosowania mam jeden zbiór wznaczam następująco 3. Metoda center of gravit ' wówczas Y Y d ' d '

41 W przpadu dsretnm otrzmujem N ' N ' Interpretacja geometrczna '

42 Napełnianie wiadra Napełniam wiadro wodą. Chcem zbudować sterowni rozmt tór dla otrzmanej na wejściu wsoości wod h w wiadrze wznacz nam ąt a na zaworze. Im więsz ąt tm szbsze napełnianie wiadra. aza reguł: JEŻELI wiadro jest pełne TO wstrzmaj napełnianie JEŻELI wiadro jest wpełnione w połowie TO napełniaj wolno JEŻELI wiadro jest puste TO napełniaj szbo

43 Napełnianie wiadra cd Niepreczjne oreślenia wstępujące w bazie reguł oreślam następującmi zbiorami rozmtmi: = = =3

44 Napełnianie wiadra cd W rozważanm przpadu zmienne: wsoość h ąt a Ponadto: n= N=3 bo 3 reguł

45 Napełnianie wiadra cd - blo rozmwania Na wejściu sterowni rozmt otrzmuje atualną wsoość wod w wiadrze sgnał wejściow: Sgnał ten poddajem operacji rozmwania czli oreślam dla niego zbiór rozmt: ' 0 Zbiór ten będzie wejściem blou wniosowania.

46 Napełnianie wiadra cd - blo wniosowania aza reguł: JEŻELI wiadro jest pełne TO wstrzmaj napełnianie JEŻELI wiadro jest wpełnione w połowie TO napełniaj wolno JEŻELI wiadro jest puste TO napełniaj szbo

47 Napełnianie wiadra cd - blo wniosowania } sup{ ' T X Musim znaleźć następujące funcje prznależności: } sup{ ' T X } sup{ ' T X

48 Napełnianie wiadra cd - blo wniosowania Przjmijm że impliacja jest oreślona ta ja w modelu Mamdaniego tzn: min{ } Ponadto załóżm że: a T b min{ a b}

49 Napełnianie wiadra cd - blo wniosowania } min{ }} sup{min{ } sup{ X T X Otrzmujem wówczas:

50 Napełnianie wiadra cd - blo wniosowania = = =3

51 Napełnianie wiadra cd - blo wostrzania Znaleźliśm już zbior rozmte będące wjściem blou wniosowania. Musim teraz znaleźć wartość numerczną ąta wsoości wod w wiadrze wejście sterownia. dla Możem to zrobić na przład ta: 0 75 a a 075

52 Sterowanie suwnicą przenosząca ontener Za pomocą suwnic musim przenieść ontener z ładuniem z jednego miejsca na drugie. Jedna w momencie odładania go na miejsce mogą wstąpić zbt duże ołsania. Celem naszm jest taie poierowanie suwnica b nie został zniszczon nasz ładune.

53 Sterowanie suwnicą przenosząca ontener cd Naszmi danmi są: odległość wóza dstans z ontenerem od pozcji docelowej oraz ąt wchlenia. Jeżeli wóze z ontenerem jest w dużej odległości od położenia docelowego suwnica może poruszać się z dużą szbością. Jedna gd zbliża się ona do ońca drogi musim zadbać o tłumienie ołsania ontenera na linie. W momencie gd jesteśm juz bardzo bliso onieczne jest łagodne pozbawione ołsań doprowadzenie ontenera do miejsca docelowego.

54 Sterowanie suwnicą przenosząca ontener cd - +

55 Sterowanie suwnicą przenosząca ontener cd aza reguł: JEŻELI ąt = dodatni mał I d = zero TO p = ujemna średnia JEŻELI ąt = zero I d = zero TO p = zero JEŻELI ąt = dodatni mał I d = blisi TO p = ujemna średnia JEŻELI ąt = zero I d = blisi TO p = zero JEŻELI ąt = ujemn mał I d = blisi TO p = dodatnia średnia JEŻELI ąt = ujemn mał I d = średni TO p = dodatnia duża JEŻELI ąt = ujemn duż I d = średni TO p = dodatnia średnia JEŻELI ąt = zero I d = duż TO p = dodatnia średnia JEŻELI ąt = ujemn I d = duż TO p = dodatnia duża

56 Sterowanie suwnicą przenosząca ontener cd Zmienne lingwistczne: KĄT możliwe wartości: ujemn duż ujemn mał zero dodatni mał dodatni duż DYSTNS możliwe wartości: zero blisi średni duż MOC możliwe wartości: ujemna duża ujemna mała zero dodatnia mała dodatnia duża

57 Sterowanie suwnicą przenosząca ontener cd Zbior rozmte ąt

58 Sterowanie suwnicą przenosząca ontener cd Zbior rozmte dstans

59 Sterowanie suwnicą przenosząca ontener cd Zbior rozmte moc

60 Sterowanie suwnicą przenosząca ontener pliacja: mbfuzzit Strona www:

61 Sterowanie suwnicą przenosząca ontener aza reguł Lin: mbfuzzit

Wstęp do Sztucznej Inteligencji: Laboratorium Sterownik rozmyty

Wstęp 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 szczegółowo

Zagadnienia AI wykład 3

Zagadnienia AI wykład 3 Zagadnienia I wyład 3 Rozmyte systemy wniosujące by móc sterować pewnym procesem technologicznym lub tez pracą urządzeń onieczne jest zbudowanie modelu, na podstawie tórego można będzie podejmować decyzje

Bardziej szczegółowo

Modelowanie niepewności

Modelowanie niepewności Modelowanie niepewności rzetwarzanie numerczne informacji niepewnej niepełnej nej i niepreczjnej lan władu Źródła a niepewności informacji odejście probabilistczne do modelowania niepewności - twierdzenie

Bardziej szczegółowo

Logika klasyczna i rozmyta. Rozmyte złożenie relacji (ang. fuzzy composition) Złożenie relacji (ang. composition)

Logika klasyczna i rozmyta. Rozmyte złożenie relacji (ang. fuzzy composition) Złożenie relacji (ang. composition) Złożenie relacji ang. compoition) Niech X Y, Y Z. Ptanie: X Z? Cz można znaleźć taą relację, tóra wiąże te ame element z X, tóre zawiera z tmi ammi elementami z Z, tóre zawiera? Czli cz zuam X Z. Przład

Bardziej szczegółowo

ELEMENTY TEORII ZBIORÓW ROZMYTYCH

ELEMENTY TEORII ZBIORÓW ROZMYTYCH ELEMENTY TEORII ZBIORÓW ROZMYTYCH OPRACOWAŁ: M. KWIESIELEWICZ POJĘCIA NIEPRECYZYJNE ODDZIAŁYWANIA CZŁOWIEK-OBIEKT TECHNICZNY OTOCZENIE (Hoang 990: człowieka na otoczenie, np.: ergonomiczna konstrukcja

Bardziej szczegółowo

Politechnika Poznańska, Katedra Sterowania i Inżynierii Systemów Wykład 12, str. 1 C 1 C 2 C 3 1. * x 2. x 2. or max then (min)

Politechnika Poznańska, Katedra Sterowania i Inżynierii Systemów Wykład 12, str. 1 C 1 C 2 C 3 1. * x 2. x 2. or max then (min) Politechnika Poznańska, Katedra Sterowania i Inżnierii Sstemów Wkład, str. Implikacja rozmta A B A, B µ A (x, µ B ( x A, B µ A B (x, µ A B (x, = min(µ A (x, µ B ( lub µ A B (x, = µ A (x µ B ( 38. Wnioskowanie

Bardziej szczegółowo

Rysunek 1-1. Przykładowy zbiór klasyczny (nierozmyty) oraz jego funkcja przynale żności.

Rysunek 1-1. Przykładowy zbiór klasyczny (nierozmyty) oraz jego funkcja przynale żności. Podstaw logiki rozmtej i regulatorów rozmtch. Zbiór rozmt Pojęcie zbioru rozmtego zostało wprowadzone przez L. A. Zadeha w 965. Celem wprowadzenia tego pojęcia bła chęć modelowania procesów złożonch, w

Bardziej szczegółowo

Teoria zbiorów w rozmytych

Teoria zbiorów w rozmytych 8 Teori ziorów w rozmtch Teori ziorów w rozmtch ng. fuzz set tpu 8 Oprcown przez L.. Zdeh w 965 Powstł w celu reprezentcji niepreczj ci jęz j nturlnego ng. vgueness i jego pojęć Nie m związu zu z Ŝdnmi

Bardziej szczegółowo

Zbiory rozmyte. Teoria i zastosowania we wnioskowaniu aproksymacyjnym

Zbiory rozmyte. Teoria i zastosowania we wnioskowaniu aproksymacyjnym Zior rozmte Teori i zstosowni we wniosowniu prosmcjnm PODSTWOWE POJĘCI Motwcje Potrze opisni zjwis i pojęć wielozncznch i niepreczjnch użwnch swoodnie w jęzu nturlnm np. wso tempertur młod człowie średni

Bardziej szczegółowo

A i A j lub A j A i. Operator γ : 2 X 2 X jest ciągły gdy

A 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 szczegółowo

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka Zmienna losowa ozszerzenie znaczenia funcji zmiennej rzeczwistej na przpadi, ied zmienna niezależna nie jest liczbą rzeczwistą: odległość to funcja par puntów, obwód trójąta, to funcja oreślona na zbiorze

Bardziej szczegółowo

Sterowanie rozmyte. mgr inż. Piotr Fiertek p. 544

Sterowanie rozmyte. mgr inż. Piotr Fiertek p. 544 Sterowanie rozmte mgr inż. Piotr iertek p. 544 Literatura do wkładu: D. Driankov H. Hellendoorn M. einfrank Wprowadzenie do sterowania ozmtego Wdawnictwo Naukowo-Techniczne Warszawa 996 Piegat A.: Modelowanie

Bardziej szczegółowo

MODYFIKACJE ALGORYTMU UŚREDNIANIA WYKŁADNICZEGO DO USUWANIA ZAKŁÓCENIA ADDYTYWNEGO

MODYFIKACJE ALGORYTMU UŚREDNIANIA WYKŁADNICZEGO DO USUWANIA ZAKŁÓCENIA ADDYTYWNEGO POZA UIVE RSITY OF TE COLOGY ACADE MIC JOURALS o 80 Electrical Engineering 04 Grzegorz MIKOŁAJCZAK* Jaub PĘKSIŃSKI* Janusz KOWALSKI** MODYFIKACJE ALGORYTMU UŚREDIAIA WYKŁADICZEGO DO USUWAIA ZAKŁÓCEIA ADDYTYWEGO

Bardziej szczegółowo

STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.

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

Bardziej szczegółowo

Wykład Analiza jakościowa równań różniczkowych

Wykład Analiza jakościowa równań różniczkowych Na podstawie książki J. Rusinka, Równania różniczkowe i różnicowe w zarządzaniu, Oficna Wdawnicza WSM, Warszawa 2005. 21 maja 2012 Definicja Stabilność Niech = F (x, ) będzie równaniem różniczkowm. Rozwiązanie

Bardziej szczegółowo

Wektory. P. F. Góra. rok akademicki

Wektory. P. F. Góra. rok akademicki Wektor P. F. Góra rok akademicki 009-0 Wektor zwiazan. Wektorem zwiazanm nazwam parę punktów. Jeżeli parę tę stanowią punkt,, wektor przez nie utworzon oznaczm. Graficznie koniec wektora oznaczam strzałką.

Bardziej szczegółowo

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 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 szczegółowo

Ekstrema funkcji dwóch zmiennych

Ekstrema funkcji dwóch zmiennych Wkład z matematki inżnierskiej Ekstrema funkcji dwóch zmiennch JJ, IMiF UTP 18 JJ (JJ, IMiF UTP) EKSTREMA 18 1 / 47 Ekstrema lokalne DEFINICJA. Załóżm, że funkcja f (, ) jest określona w pewnm otoczeniu

Bardziej szczegółowo

12. FUNKCJE WIELU ZMIENNYCH. z = x + y jest R 2, natomiast jej

12. FUNKCJE WIELU ZMIENNYCH. z = x + y jest R 2, natomiast jej 1. FUNKCJE WIELU ZMIENNYCH 1.1. FUNKCJE DWÓCH ZMIENNYCH Funkcją dwóch zmiennch określoną w zbiorze D R nazwam przporządkowanie każdej parze liczb () D dokładnie jednej liczb rzeczwistej z. Piszem prz tm

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

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

Bardziej szczegółowo

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. 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 szczegółowo

Zadania do rozdziału 10.

Zadania do rozdziału 10. Zadania do rozdziału 0. Zad.0.. Jaką wsokość musi mieć pionowe zwierciadło ab osoba o wzroście.80 m mogła się w nim zobaczć cała. Załóżm, że ocz znajdują się 0 cm poniżej czubka głow. Ab prawidłowo rozwiązać

Bardziej szczegółowo

25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx

25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx 5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 3

RÓWNANIA RÓŻNICZKOWE WYKŁAD 3 RÓWNANIA RÓŻNICZKOWE WYKŁAD 3 Równania różniczkowe liniowe Metoda przewidwań Metoda przewidwań całkowania równania niejednorodnego ' p( x) opiera się na następującm twierdzeniu. Twierdzenie f ( x) Suma

Bardziej szczegółowo

Programowanie nieliniowe optymalizacja funkcji wielu zmiennych

Programowanie nieliniowe optymalizacja funkcji wielu zmiennych Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu

Bardziej szczegółowo

Technologie i systemy oparte na logice rozmytej

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

Bardziej szczegółowo

Całkowanie przez podstawianie i dwa zadania

Całkowanie przez podstawianie i dwa zadania Całkowanie przez podstawianie i dwa zadania Antoni Kościelski Funkcje dwóch zmiennch i podstawianie Dla funkcji dwóch zmiennch zachodzi następując wzór na całkowanie przez podstawianie: f(x(a, b), (a,

Bardziej szczegółowo

Pierwiastki kwadratowe z liczby zespolonej

Pierwiastki kwadratowe z liczby zespolonej Pierwiastki kwadratowe z liczb zespolonej Pierwiastkiem kwadratowm z liczb w C nazwam każdą liczbę zespoloną z C, dla której z = w. Zbiór wszstkich pierwiastków oznaczam smbolem w. Innmi słow w = {z C

Bardziej szczegółowo

STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI

STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI INTELIGENTNE TECHNIKI KOMPUTEROWE wkłd STNDRDOWE FUNKCJE PRZYNLEŻNOŚCI GUSSOWSK F. PRZYNLEŻNOŚCI ' μ ( ; ', ) ep μ().5 ' środek; określ szerokość krzwej.5 3 F. PRZYNLEŻNOŚCI KLSY s dl - dl c- sc ( ;,,

Bardziej szczegółowo

SKRYPT Z MATEMATYKI. Wstęp do matematyki. Rafał Filipów Piotr Szuca

SKRYPT Z MATEMATYKI. Wstęp do matematyki. Rafał Filipów Piotr Szuca Publikacja współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego SKRYPT Z MATEMATYKI Wstęp do matematki Rafał Filipów Piotr Szuca Publikacja współfinansowana przez Unię Europejską

Bardziej szczegółowo

f x f y f, jest 4, mianowicie f = f xx f xy f yx

f x f y f, jest 4, mianowicie f = f xx f xy f yx Zestaw 14 Pochodne wŝszch rzędów Niech będzie dana funkcja x f określona w pewnm obszarze D Przpuśćm Ŝe f x istnieją pochodne cząstkowe tej funkcji x x Pochodne cząstkowe tch pochodnch jeŝeli istnieją

Bardziej szczegółowo

4. Schematy blokowe; algebra schematów blokowych

4. Schematy blokowe; algebra schematów blokowych 57. Schemat bloowe; algebra chematów bloowch W ażdm złożonm ładzie atomati można wodrębnić wpółpracjące ze obą element protze, tórch właściwości ą znane i formłowane np. w potaci tranmitancji operatorowej.

Bardziej szczegółowo

Liczby zespolone. Niech C = R 2. Zdefiniujmy dwa działania w C. Dodawanie + : C 2 C zdefiniowane jest przez

Liczby zespolone. Niech C = R 2. Zdefiniujmy dwa działania w C. Dodawanie + : C 2 C zdefiniowane jest przez Liczb zespolone Ciało liczb zespolonch Niech C = R. Zdefiniujm dwa działania w C. Dodawanie + : C C zdefiniowane jest przez (, ) + (, ) = ( +, + ). Ćwiczenie. Obliczm (, ) + (, 0) =.................................................

Bardziej szczegółowo

Metody numeryczne. Wykład nr 2. dr hab. Piotr Fronczak

Metody numeryczne. Wykład nr 2. dr hab. Piotr Fronczak Metod numerczne Wład nr dr hab. Piotr Froncza Przbliżone rozwiązwanie równań nieliniowch Jedno równanie z jedną niewiadomą Szuam pierwiastów rzeczwistch równania =. zwle jest uncją nieliniową zatem orzstam

Bardziej szczegółowo

Uwaga 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:

Uwaga 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 szczegółowo

Realizacja funkcji przełączających

Realizacja funkcji przełączających Realizacja funkcji przełączającch. Wprowadzenie teoretczne.. Podstawowe funkcje logiczne Funkcja logiczna NOT AND OR Zapis = x x = = x NAND NOR.2. Metoda minimalizacji funkcji metodą tablic Karnaugha Metoda

Bardziej szczegółowo

ROZWIĄZANIA I ODPOWIEDZI

ROZWIĄZANIA I ODPOWIEDZI Zastosowania matematki w analitce medcznej zestaw do kol. semestr. - rozwiązania i odpowiedzi (część I). ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. a) Rozważając dwa przpadki ze względu na moduł mam: skąd ostatecznie,3>.

Bardziej szczegółowo

1 Podstawowe oznaczenia

1 Podstawowe oznaczenia Poniżej mogą Państwo znaleźć skondensowane wiadomości z wykładu. Należy je traktować jako przegląd pojęć, które pojawiły się na wykładzie. Materiały te nie są w pełni tożsame z tym co pojawia się na wykładzie.

Bardziej szczegółowo

19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego

19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego 19. Wbrane układ regulacji Przkład 19.1 19.1. Korekcja nieliniowa układów w K s 2 Rs. 19.1. Schemat blokow układu orginalnego 1 Zbadać możliwość stabilizacji układu za pomocą nieliniowego prędkościowego

Bardziej szczegółowo

Metoda podziału zbioru obiektów na wielokryterialne klastry jakościowe

Metoda podziału zbioru obiektów na wielokryterialne klastry jakościowe BIULET ISTTUTU SSTEMÓW IFOMATCZCH (03) Metoda podziału zbioru obietów na wielorterialne lastr jaościowe A. AMELJAŃCZK aameljancz@wat.edu.pl Insttut Sstemów Informatcznch Wdział Cberneti WAT ul. S. Kalisiego,

Bardziej szczegółowo

Młodzieżowe Uniwersytety Matematyczne. Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego REGUŁA GULDINA

Młodzieżowe Uniwersytety Matematyczne. Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego REGUŁA GULDINA Młodzieżowe Uniwerstet Matematczne Projekt współfinansowan przez Unię Europejską w ramach Europejskiego Funduszu połecznego REGUŁA GULDINA dr Bronisław Pabich Rzeszów marca 1 Projekt realizowan przez Uniwerstet

Bardziej szczegółowo

Wnioskowanie rozmyte. Krzysztof Patan

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

Bardziej szczegółowo

Cykl III ćwiczenie 3. Temat: Badanie układów logicznych

Cykl III ćwiczenie 3. Temat: Badanie układów logicznych Ckl III ćwiczenie Temat: Badanie układów logicznch Ćwiczenie składa się z dwóch podtematów: Poziom TTL układów logicznch oraz Snteza układów kombinacjnch Podtemat: Poziom TTL układów logicznch. Wprowadzenie

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ wykład 6

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

Bardziej szczegółowo

Automatyka. Treść wykładów: Układ kombinacyjny AND. Układ sekwencyjny synchroniczny. Układ sekwencyjny asynchroniczny. Układ sekwencyjny synchroniczny

Automatyka. Treść wykładów: Układ kombinacyjny AND. Układ sekwencyjny synchroniczny. Układ sekwencyjny asynchroniczny. Układ sekwencyjny synchroniczny Treść wkładów: Automatka dr inż. Szmon Surma szmon.surma@polsl.pl zawt.polsl.pl pok. 202, tel. +48 32 603 4136 1. Podstaw automatki 2. Układ kombinacjne, 3. Układ sekwencjne snchronicze, 4. Układ sekwencjne

Bardziej szczegółowo

14. Grupy, pierścienie i ciała.

14. Grupy, pierścienie i ciała. 4. Grup, pierścienie i ciała. Definicja : Zbiór A nazwam grupą jeśli jest wposaŝon w działanie wewnętrzne łączne, jeśli to działanie posiada element neutraln i kaŝd element zbioru A posiada element odwrotn.

Bardziej szczegółowo

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

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

Bardziej szczegółowo

σ-ciało zdarzeń Niech Ω będzie niepustym zbiorem zdarzeń elementarnych, a zbiór F rodziną podzbiorów zbioru Ω spełniającą warunki: jeśli A F, to A F;

σ-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 szczegółowo

Macierze normalne. D : Dowolną macierz kwadratową można zapisać w postaci A = B + ic gdzie ( ) B = A + A B = A + A = ( A + A)

Macierze normalne. D : Dowolną macierz kwadratową można zapisać w postaci A = B + ic gdzie ( ) B = A + A B = A + A = ( A + A) Macierze normalne Twierdzenie: Macierz można zdiagonalizować za pomocą unitarnej transformacji podobieństwa wted i tlko wted gd jest normalna (AA A A). ( ) D : Dowolną macierz kwadratową można zapisać

Bardziej szczegółowo

Zasada indukcji matematycznej

Zasada 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 szczegółowo

Warsztat pracy matematyka

Warsztat pracy matematyka Warsztat prac matematka Izabela Bondecka-Krzkowska Marcin Borkowski Jęzk matematki Teoria Jednm z podstawowch pojęc matematki jest pojęcie zbioru. Teorię opisującą zbior nazwa sie teorią mnogości. Definicja

Bardziej szczegółowo

4 Klasyczny rachunek zdań

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

Bardziej szczegółowo

Z funkcji zdaniowej x + 3 = 7 można otrzymać zdania w dwojaki sposób:

Z funkcji zdaniowej x + 3 = 7 można otrzymać zdania w dwojaki sposób: Z funkcji zdaniowej + 3 = 7 można otrzmać zdania w dwojaki sposób: podstawiając w tej funkcji zdaniowej za stałe będące nazwami liczb np. 4 2 itp. poprzedzając tę funkcję zdaniową zwrotami: dla każdego

Bardziej szczegółowo

Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.

Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów. Wkład Test zgodności. Test zgodności służą do werikacji hipotez mówiącch, że a dstrbuanta rozkładu populacji ma określoną z gór postać unkcjną b dstrbuant rozkładów dwóch populacji nie różnią się w sposób

Bardziej szczegółowo

Wartości i wektory własne

Wartości i wektory własne Rozdział 7 Wartości i wektor własne Niech X będzie skończenie wmiarową przestrzenią liniową nad ciałem F = R lub F = C. Niech f : X X będzie endomorfizmem, tj. odwzorowaniem liniowm przekształającm przestrzeń

Bardziej szczegółowo

Rozwiązywanie belek prostych i przegubowych wyznaczanie reakcji i wykresów sił przekrojowych 6

Rozwiązywanie belek prostych i przegubowych wyznaczanie reakcji i wykresów sił przekrojowych 6 ozwiązwanie beek prostch i przegubowch wznaczanie reakcji i wkresów sił przekrojowch 6 Obciążenie beki mogą stanowić sił skupione, moment skupione oraz obciążenia ciągłe q rs. 6.. s. 6. rzed przstąpieniem

Bardziej szczegółowo

Zmienne losowe typu ciągłego. Parametry zmiennych losowych. Izolda Gorgol wyciąg z prezentacji (wykład III)

Zmienne losowe typu ciągłego. Parametry zmiennych losowych. Izolda Gorgol wyciąg z prezentacji (wykład III) Zmienne losowe tpu ciągłego. Parametr zmiennch losowch. Izolda Gorgol wciąg z prezentacji (wkład III) Zmienna losowa tpu ciągłego Zmienna losowa X o ciągłej dstrbuancie F nazwa się zmienną losową tpu ciągłego,

Bardziej szczegółowo

Automatyka. Treść wykładów: Układ sekwencyjny synchroniczny. Układ kombinacyjny AND. Układ sekwencyjny asynchroniczny. Układ sekwencyjny synchroniczny

Automatyka. Treść wykładów: Układ sekwencyjny synchroniczny. Układ kombinacyjny AND. Układ sekwencyjny asynchroniczny. Układ sekwencyjny synchroniczny Automatka dr inż. Szmon Surma szmon.surma@polsl.pl zawt.polsl.pl/studia pok. 202, tel. +48 32 603 4136 Treść wkładów: 1. Podstaw automatki 2. Układ kombinacjne, 3. Układ sekwencjne snchronicze, 4. Układ

Bardziej szczegółowo

11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA

11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA OBWODY SYGNAŁY Wkład : Czwórniki klasfikacja, równania. CZWÓRNK KLASYFKACJA, RÓWNANA.. WELOBEGNNK A WELOWROTNK CZWÓRNK Definicja. Jeśli: wielobiegunnik posiada parzstą liczbę zacisków (tzn. mn) zgrupowanch

Bardziej szczegółowo

Optyka Fourierowska. Wykład 7 Filtracja przestrzenna

Optyka Fourierowska. Wykład 7 Filtracja przestrzenna Optka Fourierowska Wkład 7 Filtracja przestrzenna Optczna obróbka inormacji Układ liniowe są bardzo użteczne w analizie układów obrazującch Koncepcja ta pozwala na analizę pól optcznch w dziedzinie częstości

Bardziej szczegółowo

Pochodna funkcji wykład 5

Pochodna funkcji wykład 5 Pochodna funkcji wkład 5 dr Mariusz Grządziel 8 listopada 2010 Funkcja logistczna 40 Rozważm funkcję logistczną = f 0 (t) = 1+5e 0,5t Funkcja f może bć wkorzstana np. do modelowania wzrostu mas ziaren

Bardziej szczegółowo

Przestrzenie liniowe w zadaniach

Przestrzenie liniowe w zadaniach Przestrzenie linioe zadaniach Zadanie 1. Cz ektor [3, 4, 4 jest kombinacja linioa ektoró [1, 1, 1, [1, 0, 1, [1, 3, 5 przestrzeni R 3? Roziazanie. Szukam x,, z R takich, że [3, 4, 4 x [1, 1, 1 + [1, 0,

Bardziej szczegółowo

Matematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki

Matematyka 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 szczegółowo

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 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 szczegółowo

Logika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017

Logika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017 Logika Stosowana Wykład 1 - Logika zdaniowa Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 30 Plan wykładu 1 Język

Bardziej szczegółowo

Systemy przetwarzania sygnałów

Systemy przetwarzania sygnałów Sstem przetwarzania sgnałów x(t) (t)? x(t) Sstem przetwarzania sgnałów (t) Sstem przetwarzania sgnałów sgnał ciągł x(t) (t)=h(x(t)) Sstem czasu ciągłego (t) np. megafon - wzmacniacz analogow sgnał dskretn

Bardziej szczegółowo

Rozwiązanie równań stanu dla układów liniowych - pola wektorowe

Rozwiązanie równań stanu dla układów liniowych - pola wektorowe Rozwiązanie równań stanu dla układów liniowch - pola wektorowe Przgotowanie: Dariusz Pazderski Wprowadzenie Rozważm liniowe równanie stanu układu niesingularnego stacjonarnego o m wejściach: ẋ = A+ Bu,

Bardziej szczegółowo

Równania różniczkowe cząstkowe

Równania różniczkowe cząstkowe Równania różniczkowe cząstkowe Definicja: Równaniem różniczkowm cząstkowm nazwam takie równanie różniczkowe w którm wstępuje co najmniej jedna pochodna cząstkowa niewiadomej funkcji dwóch lub więcej zmiennch

Bardziej szczegółowo

PRÓBNY EGZAMIN GIMNAZJALNY

PRÓBNY EGZAMIN GIMNAZJALNY PRÓNY EGZMIN GIMNZJLNY Z MTEMTYKI ZESTW PRZYGOTOWNY PRZEZ SERWIS WWW.ZDNI.INFO 19 MRC 2016 CZS PRCY: 90 MINUT 1 Informacja do zadań 1 i 2 Promocja w zakładzie frzjerskim jest zwiazana z wiekiem klienta

Bardziej szczegółowo

lim = 0, gdzie d n oznacza najdłuższą przekątną prostokątów

lim = 0, gdzie d n oznacza najdłuższą przekątną prostokątów 9. CAŁKA POWÓJNA 9.. Całka podwójna w prostokącie Niech P będzie prostokątem opisanm na płaszczźnie OXY nierównościami: a < < b, c < < d, a f(,) funkcją określoną i ograniczoną w tm prostokącie. Prostokąt

Bardziej szczegółowo

Stan naprężenia. Przykład 1: Tarcza (płaski stan naprężenia) Określić siły masowe oraz obciążenie brzegu tarczy jeśli stan naprężenia wynosi:

Stan naprężenia. Przykład 1: Tarcza (płaski stan naprężenia) Określić siły masowe oraz obciążenie brzegu tarczy jeśli stan naprężenia wynosi: Stan naprężenia Przkład 1: Tarcza (płaski stan naprężenia) Określić sił masowe oraz obciążenie brzegu tarcz jeśli stan naprężenia wnosi: 5 T σ. 8 Składowe sił masowch obliczam wkonując różniczkowanie zapisane

Bardziej szczegółowo

Bloki funkcjonalne. stanowią wyposażenie bibliotek komputerowych systemów projektowania. Każdy układ cyfrowy składamy z bloków funkcjonalnych ZPT

Bloki funkcjonalne. stanowią wyposażenie bibliotek komputerowych systemów projektowania. Każdy układ cyfrowy składamy z bloków funkcjonalnych ZPT Bloki funkcjonalne stanowią wposażenie bibliotek komputerowch sstemów projektowania Licznik Mux Rejestr Każd układ cfrow składam z bloków funkcjonalnch Edtor graficzn IN CLK CK IN LB[7..] STOP] OUT CLOK

Bardziej szczegółowo

Wiedza niepewna i wnioskowanie (c.d.)

Wiedza niepewna i wnioskowanie (c.d.) Wiedza niepewna i wnioskowanie (c.d.) Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Wnioskowanie przybliżone Wnioskowanie w logice tradycyjnej (dwuwartościowej) polega na stwierdzeniu

Bardziej szczegółowo

Równania różniczkowe cząstkowe

Równania różniczkowe cząstkowe Równania różniczkowe cząstkowe Definicja Równaniem różniczkowm cząstkowm nazwam takie równanie różniczkowe w którm wstępuje co najmniej jedna pochodna cząstkowa niewiadomej funkcji dwóch lub więcej zmiennch

Bardziej szczegółowo

Równania różniczkowe

Równania różniczkowe Równania różniczkowe I rzędu Andrzej Musielak Równania różniczkowe Równania różniczkowe I rzędu Równanie różniczkowe pierwszego rzędu to równanie w którm pojawia się zmienna x, funkcja tej zmiennej oraz

Bardziej szczegółowo

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

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

Bardziej szczegółowo

Elementy cyfrowe i układy logiczne

Elementy cyfrowe i układy logiczne Element cfrowe i układ logiczne Wkład 6 Legenda Technika cfrowa. Metod programowania układów PLD Pamięć ROM Struktura PLA Struktura PAL Przkład realizacji 3 4 5 6 7 8 Programowanie PLD po co? ustanowić

Bardziej szczegółowo

SZEREG CZASOWY Y zjawisko badane w różnych okresach lub momentach czasu. Dynamika zjawiska to zmiana zjawiska w czasie. Przykład. Y średni kurs akcji

SZEREG CZASOWY Y zjawisko badane w różnych okresach lub momentach czasu. Dynamika zjawiska to zmiana zjawiska w czasie. Przykład. Y średni kurs akcji SZEREG CZASOWY Y zjawisko badane w różnch okresach lub momentach czasu. Dnamika zjawiska to zmiana zjawiska w czasie. Przkład. Y średni kurs akcji firm OPTMUS na giełdzie Okres: notowania od 1.03.2010

Bardziej szczegółowo

Minimalizacja kosztów

Minimalizacja kosztów Minimalizacja kosztów 1. (na wkładzie) Firma genealogiczna Korzenie produkuje dobro korzstając z jednego nakładu x użwając funkcji produkcji f(x) = x. (a) Ile jednostek x jest potrzebnch do wprodukowania

Bardziej szczegółowo

Wykorzystanie logiki rozmytej w badaniach petrofizycznych

Wykorzystanie 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 szczegółowo

Rozwiązywanie belek prostych i przegubowych wyznaczanie reakcji i wykresów sił przekrojowych 4-5

Rozwiązywanie belek prostych i przegubowych wyznaczanie reakcji i wykresów sił przekrojowych 4-5 ozwiązwanie beek prostch i przegubowch wznaczanie reakcji i wkresów sił przekrojowch - Obciążenie beki mogą stanowić sił skupione, moment skupione oraz obciążenia ciągłe q rs... s.. rzed przstąpieniem

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4 ZADANIA - ZESTAW 4 Zadanie 4. 0-0,4 c 0 0, 0, Wznacz c. Wznacz rozkład brzegowe. Cz, są niezależne? (odp. c = 0,3 Zadanie 4.- 0-0,4 0,3 0 0, 0, Wznaczć macierz kowariancji i korelacji. Cz, są skorelowane?

Bardziej szczegółowo

Wykład 10. Funkcje wielu zmiennych

Wykład 10. Funkcje wielu zmiennych Wkład 1. Funkcje wielu zmiennch dr Mariusz Grządziel 6 maja 1 (ostatnie poprawki: 1 maja 1) Funkcje wielu zmiennch Przestrzeń dwuwmiarowa, oznaczana w literaturze matematcznej smbolem R, może bć utożsamiona

Bardziej szczegółowo

Systemy rozmyte i ich zastosowania. Krzysztof Rykaczewski

Systemy 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 szczegółowo

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Materiał ddaktczne na zajęcia wrównawcze z matematki dla studentów pierwszego roku kierunku zamawianego Inżnieria Środowiska w ramach projektu Era inżniera pewna lokata na przszłość Projekt Era inżniera

Bardziej szczegółowo

Sztuczna inteligencja : Zbiory rozmyte cz. III

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,...,

Bardziej szczegółowo

Metody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy

Metody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie

Bardziej szczegółowo

Przenoszenie niepewności

Przenoszenie niepewności Przenoszenie niepewności Uwaga wstępna: pojęcia niepewność pomiarowa i błąd pomiarow są stosowane wmiennie. Załóżm, że wielkość jest funkcją wielkości,,, dla którch niepewności (,, ) są znane (wnikają

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 5

RÓWNANIA RÓŻNICZKOWE WYKŁAD 5 RÓWNANIA RÓŻNICZKOWE WYKŁAD 5 Równania różniczkowe rzędu drugiego Równania rzędu drugiego sprowadzalne do równań rzędu pierwszego Równanie różniczkowe rzędu drugiego postaci F ( x, ', ") 0 ( nie wstępuje

Bardziej szczegółowo

BADANIE PRZEBIEGU ZMIENNOŚCI FUNKCJI

BADANIE PRZEBIEGU ZMIENNOŚCI FUNKCJI Wkład z matematki inżnierskiej BADANIE PRZEBIEGU ZMIENNOŚCI FUNKCJI IMiF UTP 06 przed wkonaniem wkresu... BADANIE PRZEBIEGU ZMIENNOŚCI FUNKCJI Wkonujem wkres funkcji wznaczaja c wcześniej: 1 dziedzinȩ

Bardziej szczegółowo

Wstęp. Przygotowanie materiału doświadczalnego do badań. Zastosowanie logiki rozmytej do obliczeń

Wstęp. 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 szczegółowo

FINAŁ 10 marca 2007 r. KLASA PIERWSZA - POZIOM PODSTAWOWY Czas pisania 90 minut. x +

FINAŁ 10 marca 2007 r. KLASA PIERWSZA - POZIOM PODSTAWOWY Czas pisania 90 minut. x + FINAŁ 0 marca 007 r. KLASA PIERWSZA - POZIOM PODSTAWOWY Czas pisania 90 minut ZADANIE Największ wspóln dzielnik dwóch liczb naturalnch wnosi 6, a ich najmniejsza wspólna wielokrotność tch liczb równa jest

Bardziej szczegółowo

Analiza Matematyczna II.1, kolokwium rozwiazania 9 stycznia 2015, godz. 16:15 19:15

Analiza Matematyczna II.1, kolokwium rozwiazania 9 stycznia 2015, godz. 16:15 19:15 Analiza Matematczna II., kolokwium rozwiazania 9 stcznia 05, godz. 6:5 9:5 0. Podać definicj e zbioru miar 0. Udowodnić, że jeśli A = {(x,, z) : (x )(x + + z ) = 0}, to l (A) = 0. Zbiorem miar zero jest

Bardziej szczegółowo

Piotr Sobolewski Krzysztof Skorupski

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

Bardziej szczegółowo

lim Np. lim jest wyrażeniem typu /, a

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

Bardziej szczegółowo

Lekcja 3: Elementy logiki - Rachunek zdań

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

Bardziej szczegółowo

Zadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą

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

Bardziej szczegółowo

Temat: Model SUGENO. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

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

Bardziej szczegółowo

Mikroekonomia II. Narz ¾edzia matematyczne. f 0 (x) = 0. f (x) = 5. f 0 (x) = ax a 1 = ax a 1. f (x) = p x = x 1 2. d (bf(x)) dx.

Mikroekonomia II. Narz ¾edzia matematyczne. f 0 (x) = 0. f (x) = 5. f 0 (x) = ax a 1 = ax a 1. f (x) = p x = x 1 2. d (bf(x)) dx. Mikroekonomia II Narz edzia matematczne Pochodne. Funkcja sta a f () = b f 0 () = 0 f () = 5 f 0 () = 0 2. Funkcja wk adnicza f () = a f 0 () = a a = a a f () = p = 2 f 0 () = 2 2 = 2 2. Funkcja logartmiczna

Bardziej szczegółowo

2. CHARAKTERYSTYKI GEOMETRYCZNE FIGUR PŁASKICH

2. CHARAKTERYSTYKI GEOMETRYCZNE FIGUR PŁASKICH dam Bodnar: Wtrzmałość Materiałów. Charakterstki geometrczne figur płaskich.. CHRKTERSTKI GEOMETRCZNE FIGUR PŁSKICH.. Definicje podstawowch charakterstk geometrcznch Podczas zajęć z wtrzmałości materiałów

Bardziej szczegółowo