Układy logiki rozmytej. Co to jest?
|
|
- Ludwika Kania
- 6 lat temu
- Przeglądów:
Transkrypt
1 PUAV Wykład 14
2 Co to jest?
3 Co to jest? Logika rozmyta (fuzzy logic) jest to dział matematyki precyzyjnie formalizujący nieprecyzyjne, nieformalne ludzkie rozumowanie.
4 Co to jest? Logika rozmyta (fuzzy logic) jest to dział matematyki precyzyjnie formalizujący nieprecyzyjne, nieformalne ludzkie rozumowanie. Logika rozmyta wykorzystuje pojęcia zbioru rozmytego i algebry zbiorów rozmytych, które można uznać za uogólnienie tradycyjnej teorii mnogości i algebry Boole a.
5 Co to jest? Logika rozmyta (fuzzy logic) jest to dział matematyki precyzyjnie formalizujący nieprecyzyjne, nieformalne ludzkie rozumowanie. Logika rozmyta wykorzystuje pojęcia zbioru rozmytego i algebry zbiorów rozmytych, które można uznać za uogólnienie tradycyjnej teorii mnogości i algebry Boole a. Logika rozmyta umożliwia tworzenie skutecznych algorytmów decyzyjnych i metod sterowania dla problemów, dla których tradycyjny model matematyczny nie jest znany lub jest zbyt skomplikowany, aby mógł być użyteczny do celów praktycznych.
6 Zalety
7 Zalety Zastosowania logiki rozmytej wynikają z obserwacji, że człowiek jest w stanie sterować bardzo złożonymi obiektami i procesami posługując się prostymi regułami wynikającymi z praktycznej wiedzy i doświadczenia.
8 Zalety Zastosowania logiki rozmytej wynikają z obserwacji, że człowiek jest w stanie sterować bardzo złożonymi obiektami i procesami posługując się prostymi regułami wynikającymi z praktycznej wiedzy i doświadczenia. Algorytmy logiki rozmytej nie wymagają dużej dokładności danych wejściowych ani dużej precyzji obliczeń.
9 Zalety Zastosowania logiki rozmytej wynikają z obserwacji, że człowiek jest w stanie sterować bardzo złożonymi obiektami i procesami posługując się prostymi regułami wynikającymi z praktycznej wiedzy i doświadczenia. Algorytmy logiki rozmytej nie wymagają dużej dokładności danych wejściowych ani dużej precyzji obliczeń. Algorytmy logiki rozmytej prowadzą do prostych implementacji technicznych.
10 Zalety Zastosowania logiki rozmytej wynikają z obserwacji, że człowiek jest w stanie sterować bardzo złożonymi obiektami i procesami posługując się prostymi regułami wynikającymi z praktycznej wiedzy i doświadczenia. Algorytmy logiki rozmytej nie wymagają dużej dokładności danych wejściowych ani dużej precyzji obliczeń. Algorytmy logiki rozmytej prowadzą do prostych implementacji technicznych. Możliwe są implementacje w postaci układów analogowych.
11 Zbiory rozmyte Przykład trzech zbiorów rozmytych dla temperatury 1.0 µ(t) niska umiarkowana 28 C wysoka T C
12 Zbiory rozmyte Przykład trzech zbiorów rozmytych dla temperatury 1.0 µ(t) niska umiarkowana 28 C wysoka T C Zbiór rozmyty charakteryzuje się funkcją przynależności, która może przybierać wartości od 0 do 1.
13 Zbiory rozmyte Przykład trzech zbiorów rozmytych dla temperatury 1.0 µ(t) niska umiarkowana 28 C wysoka T C Zbiór rozmyty charakteryzuje się funkcją przynależności, która może przybierać wartości od 0 do 1. Przykładowo, dla zbiorów określonych jak wyżej temperatura 28 C należy do zbioru temperatur umiarkowanych z wartością przynależności 0,4 oraz do zbioru temperatur wysokich z wartością przynależności 0,6.
14 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty
15 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z
16 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z b: singleton
17 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z b: singleton c: funkcja Gaussa
18 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z b: singleton c: funkcja Gaussa d: funkcja trapezoidalna
19 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z b: singleton c: funkcja Gaussa d: funkcja trapezoidalna e: funkcja trójkątna
20 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z b: singleton c: funkcja Gaussa d: funkcja trapezoidalna e: funkcja trójkątna f: funkcja typu S
21 Zbiory rozmyte i funkcje przynależności 1.0 µ(p) 0 a b c g d e f p Funkcje przynależności mogą mieć różne kształty a: funkcja typu Z b: singleton c: funkcja Gaussa d: funkcja trapezoidalna e: funkcja trójkątna f: funkcja typu S g: zbiór tradycyjny
22 Operacje logiczne na zbiorach rozmytych
23 Operacje logiczne na zbiorach rozmytych B = NIE A; B to zbiór rozmyty, dla którego µ B = 1 - µ A
24 Operacje logiczne na zbiorach rozmytych B = NIE A; B to zbiór rozmyty, dla którego µ B = 1 - µ A C = A LUB B; C to zbiór rozmyty, dla którego µ C = max( µ A, µ B )
25 Operacje logiczne na zbiorach rozmytych B = NIE A; B to zbiór rozmyty, dla którego µ B = 1 - µ A C = A LUB B; C to zbiór rozmyty, dla którego µ C = max( µ A, µ B ) C = A I B; C to zbiór rozmyty, dla którego µ C = min( µ A, µ B )
26 Operacje logiczne na zbiorach rozmytych B = NIE A; B to zbiór rozmyty, dla którego µ B = 1 - µ A C = A LUB B; C to zbiór rozmyty, dla którego µ C = max( µ A, µ B ) C = A I B; C to zbiór rozmyty, dla którego µ C = min( µ A, µ B ) Operacje logiczne na zbiorach rozmytych sprowadzają się do operacji arytmetycznych na wartościach funkcji przynależności.
27 Operacje logiczne na zbiorach rozmytych B = NIE A; B to zbiór rozmyty, dla którego µ B = 1 - µ A C = A LUB B; C to zbiór rozmyty, dla którego µ C = max( µ A, µ B ) C = A I B; C to zbiór rozmyty, dla którego µ C = min( µ A, µ B ) Operacje logiczne na zbiorach rozmytych sprowadzają się do operacji arytmetycznych na wartościach funkcji przynależności. Operacje te mogą być więc wykonywane cyfrowo, a także przez niezbyt skomplikowane układy analogowe.
28 Operacje logiczne na zbiorach rozmytych Funkcja NOT (NIE, negacja) B = NIE A gdy µ B = 1 - µ A 1.0 µ(p) µ A 0 p
29 Operacje logiczne na zbiorach rozmytych Funkcja NOT (NIE, negacja) B = NIE A gdy µ B = 1 - µ A 1.0 µ(p) µ A µ B 0 p
30 Operacje logiczne na zbiorach rozmytych Funkcja OR (LUB) C = A LUB B gdy µ C = max( µ A, µ B ) 1.0 µ(p) µ A µ B 0 p
31 Operacje logiczne na zbiorach rozmytych Funkcja OR (LUB) C = A LUB B gdy µ C = max( µ A, µ B ) 1.0 µ(p) µ µ C A µ B 0 p
32 Operacje logiczne na zbiorach rozmytych Funkcja AND (I) C = A I B gdy µ C = min( µ A, µ B ) 1.0 µ(p) µ A µ B 0 p
33 Operacje logiczne na zbiorach rozmytych Funkcja AND (I) C = A I B gdy µ C = min( µ A, µ B ) 1.0 µ(p) µ A µ B 0 µ C p
34 Zmienne lingwistyczne
35 Zmienne lingwistyczne Zmienną lingwistyczną nazywamy zmienną, której wartościami są terminy zaczerpnięte z języka naturalnego, a nie liczby
36 Zmienne lingwistyczne Zmienną lingwistyczną nazywamy zmienną, której wartościami są terminy zaczerpnięte z języka naturalnego, a nie liczby Przykład: jeśli temperatura jest zmienną lingwistyczną, to możemy jej nadawać wartości takie, jak niska, wysoka, umiarkowana, upał, zimno itp.
37 Zmienne lingwistyczne Zmienną lingwistyczną nazywamy zmienną, której wartościami są terminy zaczerpnięte z języka naturalnego, a nie liczby Przykład: jeśli temperatura jest zmienną lingwistyczną, to możemy jej nadawać wartości takie, jak niska, wysoka, umiarkowana, upał, zimno itp. Wartościom zmiennych lingwistycznych przyporządkowuje się odpowiednio zdefiniowane zbiory rozmyte.
38 Zmienne lingwistyczne Zmienną lingwistyczną nazywamy zmienną, której wartościami są terminy zaczerpnięte z języka naturalnego, a nie liczby Przykład: jeśli temperatura jest zmienną lingwistyczną, to możemy jej nadawać wartości takie, jak niska, wysoka, umiarkowana, upał, zimno itp. Wartościom zmiennych lingwistycznych przyporządkowuje się odpowiednio zdefiniowane zbiory rozmyte. Szczególne przypadki: zmiennej, której odpowiada ściśle określona wartość liczbowa (np. gdy temperatura = normalna oznacza 18 C) przyporządkowany jest singleton; zakresowi ściśle określonemu (np. od 15,0 C do 25,0 C ) odpowiada zbiór tradycyjny
39 Reguły wnioskowania
40 Reguły wnioskowania Zmienne lingwistyczne pozwalają wyrażać zależności oraz reguły wnioskowania lub algorytmy sterowania w języku naturalnym
41 Reguły wnioskowania Zmienne lingwistyczne pozwalają wyrażać zależności oraz reguły wnioskowania lub algorytmy sterowania w języku naturalnym Przykład reguły sterowania układem klimatyzacji: JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały)
42 Reguły wnioskowania Zmienne lingwistyczne pozwalają wyrażać zależności oraz reguły wnioskowania lub algorytmy sterowania w języku naturalnym Przykład reguły sterowania układem klimatyzacji: JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Tutaj temperatura, wilgotność i nawiew ciepłego powietrza są zmiennymi lingwistycznymi, wysoka, niska i bardzo mały to wartości tych zmiennych (odpowiadają im zbiory rozmyte), a całość jest regułą wnioskowania.
43 Reguły wnioskowania Zmienne lingwistyczne pozwalają wyrażać zależności oraz reguły wnioskowania lub algorytmy sterowania w języku naturalnym Przykład reguły sterowania układem klimatyzacji: JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Tutaj temperatura, wilgotność i nawiew ciepłego powietrza są zmiennymi lingwistycznymi, wysoka, niska i bardzo mały to wartości tych zmiennych (odpowiadają im zbiory rozmyte), a całość jest regułą wnioskowania. JEST oznacza tu przynależność do zbioru rozmytego (w stopniu określonym przez funkcję przynależności).
44 Reguły wnioskowania
45 Przykład ogólniejszy: Układy logiki rozmytej Reguły wnioskowania JEŚLI (a JEST A) I (b JEST B) LUB (c JEST C) TO (d JEST D)
46 Przykład ogólniejszy: Układy logiki rozmytej Reguły wnioskowania JEŚLI (a JEST A) I (b JEST B) LUB (c JEST C) TO (d JEST D) gdzie A, B, C są to zbiory rozmyte dla zmiennych wejściowych, D jest zbiorem rozmytym dla zmiennej wyjściowej, JEST oznacza wartość funkcji przynależności dla zmiennych wejściowych i wyjściowych do odpowiednich zbiorów rozmytych
47 Przykład ogólniejszy: Układy logiki rozmytej Reguły wnioskowania JEŚLI (a JEST A) I (b JEST B) LUB (c JEST C) TO (d JEST D) gdzie A, B, C są to zbiory rozmyte dla zmiennych wejściowych, D jest zbiorem rozmytym dla zmiennej wyjściowej, JEST oznacza wartość funkcji przynależności dla zmiennych wejściowych i wyjściowych do odpowiednich zbiorów rozmytych Z tego rodzaju reguł, wyrażonych w języku naturalnym przy użyciu zmiennych lingwistycznych, konstruuje się algorytmy klasyfikacji, sterowania czy też podejmowania decyzji.
48 Sterownik rozmyty (fuzzy logic controller)
49 Sterownik rozmyty (fuzzy logic controller) Sterownik rozmyty jest to szczególnego rodzaju mikrokotroler, układ implementujący sprzętowo algorytmy zbudowane przy wykorzystaniu logiki rozmytej. Na wejściu i na wyjściu są konkretne wartości liczbowe, jak na przykład wartość temperatury, wilgotności czy szybkości nawiewu ciepłego powietrza.
50 Sterownik rozmyty (fuzzy logic controller) Sterownik rozmyty jest to szczególnego rodzaju mikrokotroler, układ implementujący sprzętowo algorytmy zbudowane przy wykorzystaniu logiki rozmytej. Na wejściu i na wyjściu są konkretne wartości liczbowe, jak na przykład wartość temperatury, wilgotności czy szybkości nawiewu ciepłego powietrza. Algorytmy logiki rozmytej działają w trzech krokach: fuzzyfikacja ( rozmywanie ): polega na określeniu wartości funkcji przynależności dla wielkości wejściowych wnioskowanie: polega na wykonaniu operacji logicznych na zbiorach rozmytych (tj. operacji na wartościach funkcji przynależności) zgodnie z regułami wnioskowania defuzzyfikacja ( wyostrzanie ): określanie wartości liczbowych zmiennych wyjściowych na podstawie kształtu zbiorów rozmytych otrzymanych w wyniku procedury wnioskowania.
51 Sterownik rozmyty (fuzzy logic controller) Stan obiektu: wartości zmiennych wejściowych Algorytm (Zbiory rozmyte, ich funkcje przynależności oraz reguły wnioskowania)
52 Sterownik rozmyty (fuzzy logic controller) Stan obiektu: wartości zmiennych wejściowych Algorytm (Zbiory rozmyte, ich funkcje przynależności oraz reguły wnioskowania) Układ fuzzyfikacji
53 Sterownik rozmyty (fuzzy logic controller) Stan obiektu: wartości zmiennych wejściowych Algorytm (Zbiory rozmyte, ich funkcje przynależności oraz reguły wnioskowania) Układ fuzzyfikacji Układ logiki wnioskowania
54 Sterownik rozmyty (fuzzy logic controller) Stan obiektu: wartości zmiennych wejściowych Algorytm (Zbiory rozmyte, ich funkcje przynależności oraz reguły wnioskowania) Układ fuzzyfikacji Układ logiki wnioskowania Układ defuzzyfikacji
55 Sterownik rozmyty (fuzzy logic controller) Stan obiektu: wartości zmiennych wejściowych Algorytm (Zbiory rozmyte, ich funkcje przynależności oraz reguły wnioskowania) Układ fuzzyfikacji Układ logiki wnioskowania Układ defuzzyfikacji Wynik: wartości zmiennych sterujących
56 Sterownik rozmyty (fuzzy logic controller) Stan obiektu: wartości zmiennych wejściowych Algorytm (Zbiory rozmyte, ich funkcje przynależności oraz reguły wnioskowania) Układ fuzzyfikacji Układ logiki wnioskowania Układ defuzzyfikacji Wynik: wartości zmiennych sterujących Sterownik rozmyty może implementować jeden konkretny algorytm lub być układem programowalnym
57 Jak to działa? Fuzzyfikacja µ(t) Wynik: wartości funkcji przynależności do zbiorów rozmytych Wysoka T µ(t) Umiarkowana T µ(t) Niska T Zmienna wejściowa: temperatura T = 28 C Dla n zmiennych wejściowych i m zbiorów rozmytych zdefiniowanych dla każdej zmiennej otrzymujemy n m wartości funkcji przynależności do tych zbiorów.
58 Jak to działa? Fuzzyfikacja µ(t) Wynik: wartości funkcji przynależności do zbiorów rozmytych Wysoka T µ(t) Umiarkowana T µ(t) Niska T 0 Zmienna wejściowa: temperatura T = 28 C Dla n zmiennych wejściowych i m zbiorów rozmytych zdefiniowanych dla każdej zmiennej otrzymujemy n m wartości funkcji przynależności do tych zbiorów.
59 Jak to działa? Fuzzyfikacja µ(t) Wynik: wartości funkcji przynależności do zbiorów rozmytych Wysoka µ(t) µ(t) T Umiarkowana T Niska T Zmienna wejściowa: temperatura T = 28 C Dla n zmiennych wejściowych i m zbiorów rozmytych zdefiniowanych dla każdej zmiennej otrzymujemy n m wartości funkcji przynależności do tych zbiorów.
60 Jak to działa? Fuzzyfikacja µ(t) Wynik: wartości funkcji przynależności do zbiorów rozmytych T Wysoka 0.6 µ(t) µ(t) Umiarkowana T Niska T Zmienna wejściowa: temperatura T = 28 C Dla n zmiennych wejściowych i m zbiorów rozmytych zdefiniowanych dla każdej zmiennej otrzymujemy n m wartości funkcji przynależności do tych zbiorów.
61 Jak to działa? Wnioskowanie Reguła typu I JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) wysoka T µ(h) niska } H temperatura: T = 28 C wilgotność H = 30 %
62 Jak to działa? Wnioskowanie Reguła typu I JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) wysoka T µ(h) niska 0.6 } H temperatura: T = 28 C wilgotność H = 30 %
63 Jak to działa? Wnioskowanie Reguła typu I JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) wysoka T µ(h) niska 0.6 } 0.35 H temperatura: T = 28 C wilgotność H = 30 %
64 Jak to działa? Wnioskowanie Reguła typu I JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Reguła I oznacza: wybieramy mniejszą wartość µ(t) wysoka T µ(h) niska 0.6 } 0.35 H temperatura: T = 28 C wilgotność H = 30 %
65 Jak to działa? Wnioskowanie Reguła typu I JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Reguła I oznacza: wybieramy mniejszą wartość µ(t) wysoka T µ(h) niska 0.6 } H temperatura: T = 28 C wilgotność H = 30 %
66 Jak to działa? Wnioskowanie Reguła typu I JEŚLI (temperatura JEST wysoka) I (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Reguła I oznacza: wybieramy mniejszą wartość µ(t) wysoka T µ(h) niska 0.6 } H temperatura: T = 28 C wilgotność H = 30 % Wynik: zgodnie z tą regułą nawiew ciepłego powietrza powinien należeć do zbioru nawiewów bardzo małych, a waga tego wyniku wynosi 0,35.
67 Jak to działa? Wnioskowanie Reguła typu LUB JEŚLI (temperatura JEST wysoka) LUB (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) wysoka T µ(h) niska } H temperatura: T = 28 C wilgotność H = 30 %
68 Jak to działa? Wnioskowanie Reguła typu LUB JEŚLI (temperatura JEST wysoka) LUB (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) wysoka T µ(h) niska 0.6 } H temperatura: T = 28 C wilgotność H = 30 %
69 Jak to działa? Wnioskowanie Reguła typu LUB JEŚLI (temperatura JEST wysoka) LUB (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) wysoka T µ(h) niska 0.6 } 0.35 H temperatura: T = 28 C wilgotność H = 30 %
70 Jak to działa? Wnioskowanie Reguła typu LUB JEŚLI (temperatura JEST wysoka) LUB (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Reguła LUB oznacza: wybieramy większą wartość µ(t) wysoka T µ(h) niska 0.6 } 0.35 H temperatura: T = 28 C wilgotność H = 30 %
71 Jak to działa? Wnioskowanie Reguła typu LUB JEŚLI (temperatura JEST wysoka) LUB (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Reguła LUB oznacza: wybieramy większą wartość µ(t) wysoka T µ(h) niska 0.6 } ,6 H temperatura: T = 28 C wilgotność H = 30 %
72 Jak to działa? Wnioskowanie Reguła typu LUB JEŚLI (temperatura JEST wysoka) LUB (wilgotność JEST niska) TO (nawiew ciepłego powietrza JEST bardzo mały) Reguła LUB oznacza: wybieramy większą wartość µ(t) wysoka T µ(h) niska 0.6 } ,6 H temperatura: T = 28 C wilgotność H = 30 % Wynik: zgodnie z tą regułą nawiew ciepłego powietrza powinien należeć do zbioru nawiewów bardzo małych, a waga tego wyniku wynosi 0,6.
73 Jak to działa? Łączenie reguł Interpretacja wyniku działania reguły: funkcja przynależności do wyjściowego zbioru rozmytego jest ucięta 0.35 µ(v) nawiew bardzo mały Jeśli kilka reguł oddziałuje na tę samą zmienną wyjściową, odpowiednie zbiory rozmyte łączy się przy pomocy operatora LUB. V
74 Jak to działa? Łączenie reguł Interpretacja wyniku działania reguły: funkcja przynależności do wyjściowego zbioru rozmytego jest ucięta 0.35 µ(v) nawiew bardzo mały Jeśli kilka reguł oddziałuje na tę samą zmienną wyjściową, odpowiednie zbiory rozmyte łączy się przy pomocy operatora LUB. V µ(v) Z reguły 1 V
75 Jak to działa? Łączenie reguł Interpretacja wyniku działania reguły: funkcja przynależności do wyjściowego zbioru rozmytego jest ucięta 0.35 µ(v) nawiew bardzo mały Jeśli kilka reguł oddziałuje na tę samą zmienną wyjściową, odpowiednie zbiory rozmyte łączy się przy pomocy operatora LUB. V µ(v) µ(v) V Z reguły 1 Z reguły 2 V
76 Jak to działa? Łączenie reguł Interpretacja wyniku działania reguły: funkcja przynależności do wyjściowego zbioru rozmytego jest ucięta 0.35 µ(v) nawiew bardzo mały Jeśli kilka reguł oddziałuje na tę samą zmienną wyjściową, odpowiednie zbiory rozmyte łączy się przy pomocy operatora LUB. V µ(v) µ(v) LUB V Z reguły 1 Z reguły 2 V
77 Jak to działa? Łączenie reguł Interpretacja wyniku działania reguły: funkcja przynależności do wyjściowego zbioru rozmytego jest ucięta 0.35 µ(v) nawiew bardzo mały Jeśli kilka reguł oddziałuje na tę samą zmienną wyjściową, odpowiednie zbiory rozmyte łączy się przy pomocy operatora LUB. V µ(v) µ(v) LUB = V V Z reguły 1 Z reguły 2
78 Jak to działa? Łączenie reguł Interpretacja wyniku działania reguły: funkcja przynależności do wyjściowego zbioru rozmytego jest ucięta 0.35 µ(v) nawiew bardzo mały Jeśli kilka reguł oddziałuje na tę samą zmienną wyjściową, odpowiednie zbiory rozmyte łączy się przy pomocy operatora LUB. V µ(v) µ(v) LUB = µ(v) V V Z reguły 1 Z reguły 2 Wynik V
79 Jak to działa? Defuzzyfikacja Defuzzyfikacja oznacza określenie wartości zmiennej wyjściowej na podstawie kształtu wyjściowego zbioru rozmytego. Można to wykonać na kilka sposobów, jednym z często stosowanych jest wyznacznie środka ciężkości funkcji przynależności. µ(v) V Wyjściowy zbiór rozmyty dla zmiennej nawiew ciepłego powietrza
80 Jak to działa? Defuzzyfikacja Defuzzyfikacja oznacza określenie wartości zmiennej wyjściowej na podstawie kształtu wyjściowego zbioru rozmytego. Można to wykonać na kilka sposobów, jednym z często stosowanych jest wyznacznie środka ciężkości funkcji przynależności. Dla zmiennej V, której funkcja przynależności do zbioru wyjściowego jest µ ( V ), wyjściowa wartość jest wyznaczana ze wzoru V wy = 0 Vµ ( V )dv 0 µ ( V )dv µ(v) V Wyjściowy zbiór rozmyty dla zmiennej nawiew ciepłego powietrza
81 Jak to działa? Defuzzyfikacja Defuzzyfikacja oznacza określenie wartości zmiennej wyjściowej na podstawie kształtu wyjściowego zbioru rozmytego. Można to wykonać na kilka sposobów, jednym z często stosowanych jest wyznacznie środka ciężkości funkcji przynależności. Dla zmiennej V, której funkcja przynależności do zbioru wyjściowego jest µ ( V ), wyjściowa wartość jest wyznaczana ze wzoru V wy = 0 Vµ ( V )dv 0 µ ( V )dv µ(v) V wy V Wyjściowy zbiór rozmyty dla zmiennej nawiew ciepłego powietrza Wyjściowa wartość zmiennej nawiew ciepłego powietrza
82 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
83 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
84 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
85 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
86 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
87 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
88 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
89 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V
90 Jak to działa? Defuzzyfikacja Uproszczony przykład: jedna zmienna wejściowa, jedna zmienna wyjściowa i jedna reguła JEŚLI (temperatura JEST wysoka) TO (nawiew ciepłego powietrza JEST bardzo mały) µ(t) µ(v) nawiew bardzo mały T V µ(t) nawiew bardzo mały T V Wyższa temperatura -> słabszy nawiew
91 Uogólnienia Operatory logiczne oraz wzory określające sposób defuzzyfikacji mogą być definiowane na wiele sposobów.
92 Uogólnienia Operatory logiczne oraz wzory określające sposób defuzzyfikacji mogą być definiowane na wiele sposobów. Operator logiczny LUB, reprezentowany w przykładach przez funkcję max, jest w ogólności określany jako operator S-normy, musi on spełniać następujące warunki: S(1, 1) = 1 S(x, 0) = S(0, x) = x S(x, y) S(u, v) if x < u and y < v S(x, y) = S(y, x) S(x, S(u, v)) = (S(S(x, u), v)
93 Uogólnienia
94 Uogólnienia Operator logiczny I, reprezentowany w przykładach przez funkcję min, jest w ogólności określany jako operator T-normy, musi on spełniać następujące warunki: T(0, 0) = 0 T(x, 1) = T(1, x) = x T(x, y) T(u, v) if x < u and y < v T(x, y) = T(y, x) T(x, T(u, v)) = (T(T(x, u), V)
95 Uogólnienia We wnioskowaniu można użyć dowolnego sposobu zdefiniowania operatorów S-normy i T-normy, jeśli spełniają one podane wcześniej warunki.
96 Uogólnienia We wnioskowaniu można użyć dowolnego sposobu zdefiniowania operatorów S-normy i T-normy, jeśli spełniają one podane wcześniej warunki. Przykład S-normy i T-normy:
97 Uogólnienia We wnioskowaniu można użyć dowolnego sposobu zdefiniowania operatorów S-normy i T-normy, jeśli spełniają one podane wcześniej warunki. Przykład S-normy i T-normy: (oba argumenty ograniczone do przedziału [0, 1]): T-norma: T(x, y) = xy (zwykłe mnożenie) S-norma: S(x, y) = (x + y - xy) (S-norma nie może być zdefiniowana przez zwykłe dodawanie, bo !)
98 Uogólnienia We wnioskowaniu można użyć dowolnego sposobu zdefiniowania operatorów S-normy i T-normy, jeśli spełniają one podane wcześniej warunki. Przykład S-normy i T-normy: (oba argumenty ograniczone do przedziału [0, 1]): T-norma: T(x, y) = xy (zwykłe mnożenie) S-norma: S(x, y) = (x + y - xy) (S-norma nie może być zdefiniowana przez zwykłe dodawanie, bo !) Uwaga: chociaż zbiory rozmyte są uogólnieniem zbiorów teorii mnogości, to reguły algebry Boole a w ogólności nie są słuszne w teorii zbiorów rozmytych!
99 Jak tego użyć w praktyce?
100 Jak tego użyć w praktyce? Wybór liczby i kształtu zbiorów rozmytych dla zmiennych wejściowych, oraz reguł wnioskowania zależy od problemu, jaki rozwiązujemy. Trafność tych wyborów decyduje o skuteczności algorytmu.
101 Jak tego użyć w praktyce? Wybór liczby i kształtu zbiorów rozmytych dla zmiennych wejściowych, oraz reguł wnioskowania zależy od problemu, jaki rozwiązujemy. Trafność tych wyborów decyduje o skuteczności algorytmu. Wybór reprezentacji operatorów logicznych oraz metody defuzzyfikacji zależy od wybranej techniki implementacji i ma niewielki wpływ na wyniki działania algorytmu.
102 Implementacje Implementacja programowa: w postaci oprogramowania komputerowego, definicje funkcji przynależności, operatory logiczne i sposób defuzzyfikacji są realizowane jako odpowiednie procedury lub funkcje Implementacja sprzętowa cyfrowa: specjalizowany układ cyfrowy, wszystkie wielkości reprezentowane jako liczby, bloki fuzzyfikacji, wnioskowania i defuzzyfikacji to bloki wykonujące odpowiednie operacje w technice cyfrowej Implementacja sprzętowa analogowa: specjalizowany układ analogowy, wszystkie wielkości reprezentowane jako wartości napięć lub prądów, bloki fuzzyfikacji, wnioskowania i defuzzyfikacji to bloki wykonujące odpowiednie operacje w technice analogowej
103 Implementacje Implementacja programowa: program komputerowy (często dla mikrokontrolera); działa najwolniej, największe zużycie energii, obliczenia dokładne (ale wystarczą zwykle liczby 8-bitowe, a nawet 4- bitowe) Implementacja sprzętowa cyfrowa: działa szybciej, układ może być programowalny, umiarkowane zużycie energii, obliczenia dokładne (ale wystarczą zwykle liczby 8-bitowe, a nawet 4-bitowe) Implementacja sprzętowa analogowa: działa najszybciej, programowalność bardzo ograniczona, obliczenia realizowane analogowo mało dokładne (co nie jest problemem!)
104 Implementacje sprzętowe: blok fuzzyfikacji Jest to zbiór układów, z których każdy przyporządkowuje zmiennej wejściowej wartość funkcji przynależności do jednego zbioru rozmytego (MFC). Liczba tych układów jest równa liczbie wszystkich zbiorów rozmytych. In1 a MFC A MFC B MFC C µ A (a) µ B (a) µ C (a) Wartości funkcji przynależności dla zmiennej wejściowej In1 = a In2 b MFC D MFC E µ D (b) µ E (b) Wartości funkcji przynależności dla zmiennej wejściowej In2 = b
105 Implementacje sprzętowe: blok wnioskowania
106 Implementacje sprzętowe: blok wnioskowania Ten blok jest zbiorem bramek logicznych logiki rozmytej, czyli układów wykonujących operacje negacji, I, LUB. Bramki te połączone są w sposób wynikający z reguł wnioskowania. Jest to odpowiednik tradycyjnego kombinacyjnego układu logicznego.
107 Implementacje sprzętowe: blok wnioskowania Ten blok jest zbiorem bramek logicznych logiki rozmytej, czyli układów wykonujących operacje negacji, I, LUB. Bramki te połączone są w sposób wynikający z reguł wnioskowania. Jest to odpowiednik tradycyjnego kombinacyjnego układu logicznego. Schemat bloku wnioskowania wynika z przyjętych reguł wnioskowania. Istnieją metody minimalizacji logicznej takiego układu, ale są one odmienne od metod znanych z teorii układów logicznych, bo algebra Boole a nie jest prawdziwa dla układów logiki rozmytej.
108 Implementacje sprzętowe: blok wnioskowania JEŚLI (a JEST A) I (b JEST D) TO... (reguła 1) JEŚLI (a JEST B) LUB (b JEST E) TO... (reguła 2) JEŚLI (a JEST C) I NIE (b JEST E) TO (reguła 3) Z bloku fuzzyfikacji µ A (a) µ B (a) µ C (a) µ D (b) µ E (b) AND OR NOT AND w 1 w 2 w 3 Wyniki
109 Implementacje sprzętowe: blok defuzzyfikacji JEŚLI (a JEST A) I (b JEST D) TO (x JEST X) (reguła 1) JEŚLI (a JEST B) LUB (b JEST E) TO (x JEST Y) (reguła 2) JEŚLI (a JEST C) I NIE (b JEST E) TO (z JEST Z) (reguła 3) Z bloku wnioskowania w 1 w 2 w 3 Połączenie reguł 1 i 2 Defuzzyfikacja x z Wyniki
110 Sterownik jako czarna skrzynka Wejścia Sterownik jest to generator pewnej wielowymiarowej funkcji nieliniowej Wyjścia
111 Sterownik jako czarna skrzynka Wejścia Sterownik jest to generator pewnej wielowymiarowej funkcji nieliniowej Wyjścia
112 Sterownik jako czarna skrzynka Przykład funkcji - dwie zmienne wejściowe (5 zbiorów rozmytych dla jednej, 4 dla drugiej), jedna zmienna wyjściowa, 6 reguł.
113 Output voltage Vout, V Układy logiki rozmytej Implementacje analogowe Vdd 2 4 Vref Vref2 Vs1 4 4 Vs2 2 Vs3 10 Vin Vout (a) Input voltage Vin, V 1.8 (b) Przykład układu CMOS generującego trapezoidalną funkcję przynależności A. Żochowski, praca magisterska, IMiO PW
114 Output current, ma Układy logiki rozmytej Implementacje analogowe Vdd 1.2 8/5 4/5 1.0 Iref1 Iin 8/5 4/5 4/5 Iout / /5 2/5 Iref Input current, ma Przykład układu CMOS generującego trapezoidalną funkcję przynależności (układ pracujący w trybie prądowym) A. Wałkanis, praca magisterska, IMiO PW
115 Implementacje analogowe a MIN(a,b) a MAX(a,b) b b Przykład układów CMOS realizujących operacje min i max A. Żochowski, praca magisterska, IMiO PW
116 Implementacje analogowe Vdd Vdd Ia Iout Ib Ia Iref("1") Ib Iout Iout = MAX(Ia,Ib) Iout = NOT(MAX(Ia,Ib)) Przykład układów CMOS realizujących operacje min i max (układy pracujące w trybie prądowym) A. Wałkanis, praca magisterska, IMiO PW
117 Implementacje analogowe Wejścia n p i µ p i 1 n 1 ( ) µ ( p i ) Dzielenie Wyjście Idea układu realizującego defuzzyfikację (całkowanie przybliżone sumowaniem) T. Miki, H. Matsumoto, K. Ohto and T. Yamakawa, Silicon Implementation for a Novel High-Speed Fuzzy Inference Engine: Mega-FLIPS Analog Fuzzy Processor, J. of Intelligent and Fuzzy Systems, vol. 1, pp , 1993.
118 Podsumowanie
119 Podsumowanie Układy logiki rozmytej pozwalają budować skuteczne algorytmy decyzyjne, klasyfikacji, sterowania bez tradycyjnych modeli matematycznych, a przy wykorzystaniu ludzkiego doświadczenia. Implementacje mogą wykorzytywać technikę analogową
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 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 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 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 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 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 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 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 szczegółowoInżynieria 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 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 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 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 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 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 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 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 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 szczegółowoSID 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
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 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 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 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 Sterowanie
Bardziej szczegółowoSterowniki Programowalne (SP)
Sterowniki Programowalne (SP) Wybrane aspekty procesu tworzenia oprogramowania dla sterownika PLC Podstawy języka funkcjonalnych schematów blokowych (FBD) Politechnika Gdańska Wydział Elektrotechniki i
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 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 szczegółowoKOMPUTERY 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
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 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 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 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 szczegółowoWSTĘP. Budowa bramki NAND TTL, ch-ka przełączania, schemat wewnętrzny, działanie 2
WSTĘP O liczbie elementów użytych do budowy jakiegoś urządzenia elektronicznego, a więc i o możliwości obniżenia jego ceny, decyduje dzisiaj liczba zastosowanych w nim układów scalonych. Najstarszą rodziną
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 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 szczegółowoSieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte
Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,
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 szczegółowoTemat: 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
Bardziej szczegółowoLiteratura. adów w cyfrowych. Projektowanie układ. Technika cyfrowa. Technika cyfrowa. Bramki logiczne i przerzutniki.
Literatura 1. D. Gajski, Principles of Digital Design, Prentice- Hall, 1997 2. C. Zieliński, Podstawy projektowania układów cyfrowych, PWN, Warszawa 2003 3. G. de Micheli, Synteza i optymalizacja układów
Bardziej szczegółowoTranzystor JFET i MOSFET zas. działania
Tranzystor JFET i MOSFET zas. działania brak kanału v GS =v t (cutoff ) kanał otwarty brak kanału kanał otwarty kanał zamknięty w.2, p. kanał zamknięty Co było na ostatnim wykładzie? Układy cyfrowe Najczęściej
Bardziej szczegółowoInstrukcja do ćwiczeń nr 4 typy i rodzaje zmiennych w języku C dla AVR, oraz ich deklarowanie, oraz podstawowe operatory
Instrukcja do ćwiczeń nr 4 typy i rodzaje zmiennych w języku C dla AVR, oraz ich deklarowanie, oraz podstawowe operatory Poniżej pozwoliłem sobie za cytować za wikipedią definicję zmiennej w informatyce.
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 szczegółowoTechnika cyfrowa Synteza układów kombinacyjnych (I)
Sławomir Kulesza Technika cyfrowa Synteza układów kombinacyjnych (I) Wykład dla studentów III roku Informatyki Wersja 2.0, 05/10/2011 Podział układów logicznych Opis funkcjonalny układów logicznych x 1
Bardziej szczegółowoWstęp do Techniki Cyfrowej... Algebra Boole a
Wstęp do Techniki Cyfrowej... Algebra Boole a Po co AB? Świetne narzędzie do analitycznego opisu układów logicznych. 1854r. George Boole opisuje swój system dedukcyjny. Ukoronowanie zapoczątkowanych w
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 szczegółowoPolitechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki
Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki http://www.ipbm.simr.pw.edu.pl/ Teoria maszyn i podstawy automatyki semestr zimowy 2017/2018
Bardziej szczegółowo1 Wprowadzenie do algorytmiki
Teoretyczne podstawy informatyki - ćwiczenia: Prowadzący: dr inż. Dariusz W Brzeziński 1 Wprowadzenie do algorytmiki 1.1 Algorytm 1. Skończony, uporządkowany ciąg precyzyjnie i zrozumiale opisanych czynności
Bardziej szczegółowoArchitektura komputerów Wykład 2
Architektura komputerów Wykład 2 Jan Kazimirski 1 Elementy techniki cyfrowej 2 Plan wykładu Algebra Boole'a Podstawowe układy cyfrowe bramki Układy kombinacyjne Układy sekwencyjne 3 Algebra Boole'a Stosowana
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 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 szczegółowoPodstawowe operacje arytmetyczne i logiczne dla liczb binarnych
1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie
Bardziej szczegółowoTHE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS
Journal of KONES Internal Combustion Engines 2005, vol. 12, 3-4 THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS Mariusz Topolski Politechnika Wrocławska,
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 szczegółowoPrzetworniki cyfrowo-analogowe C-A CELE ĆWICZEŃ PODSTAWY TEORETYCZNE
Przetworniki cyfrowo-analogowe C-A CELE ĆWICZEŃ Zrozumienie zasady działania przetwornika cyfrowo-analogowego. Poznanie podstawowych parametrów i działania układu DAC0800. Poznanie sposobu generacji symetrycznego
Bardziej szczegółowo0.1. Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek zdań.
Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej Wykład ELEMENTY LOGIKI ALGEBRA BOOLE A Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek
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 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 szczegółowoTechnika cyfrowa Synteza układów kombinacyjnych
Sławomir Kulesza Technika cyfrowa Synteza układów kombinacyjnych Wykład dla studentów III roku Informatyki Wersja 2.0, 05/10/2011 Podział układów logicznych Opis funkcjonalny układów logicznych x 1 y 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 szczegółowoWprowadzenie do algorytmiki
Wprowadzenie do algorytmiki Pojecie algorytmu Powszechnie przyjmuje się, że algorytm jest opisem krok po kroku rozwiązania postawionego problemu lub sposób osiągnięcia jakiegoś celu. Wywodzi się z matematyki
Bardziej szczegółowoAutomatyka w Inżynierii Środowiska - Laboratorium Karta Zadania 1 ZASOBNIKOWY UKŁAD PRZYGOTOWANIA C.W.U.
Automatyka w Inżynierii Środowiska - Laboratorium Karta Zadania 1 ZASOBNIKOWY UKŁAD PRZYGOTOWANIA C.W.U. Oprogramować programem narzędziowym TAC MENTA sterownik TAC XENTA 301 zasobnikowego układu przygotowania
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 szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoAlgorytm. Krótka historia algorytmów
Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne
Bardziej szczegółowoĆWICZENIE 15 BADANIE WZMACNIACZY MOCY MAŁEJ CZĘSTOTLIWOŚCI
1 ĆWICZENIE 15 BADANIE WZMACNIACZY MOCY MAŁEJ CZĘSTOTLIWOŚCI 15.1. CEL ĆWICZENIA Celem ćwiczenia jest poznanie podstawowych właściwości wzmacniaczy mocy małej częstotliwości oraz przyswojenie umiejętności
Bardziej szczegółowoZwykle układ scalony jest zamknięty w hermetycznej obudowie metalowej, ceramicznej lub wykonanej z tworzywa sztucznego.
Techniki wykonania cyfrowych układów scalonych Cyfrowe układy scalone dzielimy ze względu na liczbę bramek elementarnych tworzących dany układ na: małej skali integracji SSI do 10 bramek, średniej skali
Bardziej szczegółowoWykład nr 1 Techniki Mikroprocesorowe. dr inż. Artur Cichowski
Wykład nr 1 Techniki Mikroprocesorowe dr inż. Artur Cichowski ix jy i j {0,1} {0,1} Dla układów kombinacyjnych stan dowolnego wyjścia y i w danej chwili czasu zależy wyłącznie od aktualnej kombinacji stanów
Bardziej szczegółowoCyfrowe Elementy Automatyki. Bramki logiczne, przerzutniki, liczniki, sterowanie wyświetlaczem
Cyfrowe Elementy Automatyki Bramki logiczne, przerzutniki, liczniki, sterowanie wyświetlaczem Układy cyfrowe W układach cyfrowych sygnały napięciowe (lub prądowe) przyjmują tylko określoną liczbę poziomów,
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
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 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 szczegółowoElementy logiki. Algebra Boole a. Analiza i synteza układów logicznych
Elementy logiki: Algebra Boole a i układy logiczne 1 Elementy logiki dla informatyków Wykład III Elementy logiki. Algebra Boole a. Analiza i synteza układów logicznych Elementy logiki: Algebra Boole a
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 szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoLogika binarna. Prawo łączności mówimy, że operator binarny * na zbiorze S jest łączny gdy (x * y) * z = x * (y * z) dla każdego x, y, z S.
Logika binarna Logika binarna zajmuje się zmiennymi mogącymi przyjmować dwie wartości dyskretne oraz operacjami mającymi znaczenie logiczne. Dwie wartości jakie mogą te zmienne przyjmować noszą przy tym
Bardziej szczegółowoDefinicje. Algorytm to:
Algorytmy Definicje Algorytm to: skończony ciąg operacji na obiektach, ze ściśle ustalonym porządkiem wykonania, dający możliwość realizacji zadania określonej klasy pewien ciąg czynności, który prowadzi
Bardziej szczegółowoRys. 2. Symbole dodatkowych bramek logicznych i ich tablice stanów.
Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z funktorami realizującymi podstawowe funkcje logiczne poprzez zaprojektowanie, wykonanie i przetestowanie kombinacyjnego układu logicznego realizującego
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoCyfrowe układy kombinacyjne. 5 grudnia 2013 Wojciech Kucewicz 2
Cyfrowe układy kombinacyjne 5 grudnia 2013 Wojciech Kucewicz 2 Cyfrowe układy kombinacyjne X1 X2 X3 Xn Y1 Y2 Y3 Yn Układy kombinacyjne charakteryzuje funkcja, która każdemu stanowi wejściowemu X i X jednoznacznie
Bardziej szczegółowoElektronika cyfrowa i mikroprocesory. Dr inż. Aleksander Cianciara
Elektronika cyfrowa i mikroprocesory Dr inż. Aleksander Cianciara Sprawy organizacyjne Warunki zaliczenia Lista obecności Kolokwium końcowe Ocena końcowa Konsultacje Poniedziałek 6:-7: Kontakt Budynek
Bardziej szczegółowoPolitechnika Gdańska. Gdańsk, 2016
Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra Systemów Geoinformatycznych Aplikacje Systemów Wbudowanych Programowalne Sterowniki Logiczne (PLC) Krzysztof Bikonis Gdańsk,
Bardziej szczegółowoPodstawy Automatyki. Wykład 13 - Układy bramkowe. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 13 - Układy bramkowe Instytut Automatyki i Robotyki Warszawa, 2015 Układy z elementów logicznych Bramki logiczne Elementami logicznymi (bramkami logicznymi) są urządzenia o dwustanowym sygnale wyjściowym
Bardziej szczegółowoSreszczenie. Słowa kluczowe: sterowanie, poziom cieczy, regulator rozmyty
Ewa Wachowicz Katedra Systemów Sterowania Politechnika Koszalińska STEROWANIE POZIOMEM CIECZY W ZBIORNIKU Z WYKORZYSTANIEM REGULATORA ROZMYTEGO Sreszczenie W pracy omówiono układ regulacji poziomu cieczy,
Bardziej szczegółowoMikrokontroler ATmega32. Język symboliczny
Mikrokontroler ATmega32 Język symboliczny 1 Język symboliczny (asembler) jest językiem niskiego poziomu - pozwala pisać programy złożone z instrukcji procesora. Kody instrukcji są reprezentowane nazwami
Bardziej szczegółowoAUTO-STROJENIE REGULATORA TYPU PID Z WYKORZYSTANIEM LOGIKI ROZMYTEJ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 75 Electrical Engineering 2013 Łukasz NIEWIARA* Krzysztof ZAWIRSKI* AUTO-STROJENIE REGULATORA TYPU PID Z WYKORZYSTANIEM LOGIKI ROZMYTEJ Zagadnienia
Bardziej szczegółowoSztuczna 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
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
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 szczegółowoMetoda ułamka prądu zwarcia
Metoda ułamka prądu zwarcia Zakłada się, że Imp / Isc = const (ki 0,78 0,92) Mierzony jest Isc, a prąd pracy modułu utrzymywany jest na wartości ki Isc Metody pomiaru zależność bliższa proporcjonalnej
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 szczegółowoMetoda 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
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 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 szczegółowoĆwiczenie 25 Temat: Interfejs między bramkami logicznymi i kombinacyjne układy logiczne. Układ z bramkami NOR. Cel ćwiczenia
Ćwiczenie 25 Temat: Interfejs między bramkami logicznymi i kombinacyjne układy logiczne. Układ z bramkami NOR. Cel ćwiczenia Zapoznanie się z techniką połączenia za pośrednictwem interfejsu. Zbudowanie
Bardziej szczegółowoKATEDRA INFORMATYKI TECHNICZNEJ. Ćwiczenia laboratoryjne z Logiki Układów Cyfrowych. ćwiczenie 204
Opracował: prof. dr hab. inż. Jan Kazimierczak KATEDA INFOMATYKI TECHNICZNEJ Ćwiczenia laboratoryjne z Logiki Układów Cyfrowych ćwiczenie 204 Temat: Hardware'owa implementacja automatu skończonego pełniącego
Bardziej szczegółowoWstęp do Techniki Cyfrowej... Układy kombinacyjne
Wstęp do Techniki Cyfrowej... Układy kombinacyjne Przypomnienie Stan wejść układu kombinacyjnego jednoznacznie określa stan wyjść. Poszczególne wyjścia określane są przez funkcje boolowskie zmiennych wejściowych.
Bardziej szczegółowoPODSTAWY INŻYNIERI WIEDZY
Z1-PU7 WYDANIE N1 Strona 1 z 4 (pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: PODSTAWY INŻYNIERI WIEDZY 2. Kod przedmiotu: PIW 3. Karta przedmiotu ważna od roku akademickiego: 2012/2013 4. Forma
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoAutomatyzacja i robotyzacja procesów produkcyjnych
Automatyzacja i robotyzacja procesów produkcyjnych Instrukcja laboratoryjna Technika cyfrowa Opracował: mgr inż. Krzysztof Bodzek Cel ćwiczenia. Celem ćwiczenia jest zapoznanie studenta z zapisem liczb
Bardziej szczegółowoAKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ
KDEMI MORSK KTEDR NWIGCJI TECHNICZEJ ELEMETY ELEKTRONIKI LORTORIUM Kierunek NWIGCJ Specjalność Transport morski Semestr II Ćw. 4 Podstawy techniki cyfrowej Wersja opracowania Marzec 5 Opracowanie: mgr
Bardziej szczegółowoI. KARTA PRZEDMIOTU CEL PRZEDMIOTU WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI EFEKTY KSZTAŁCENIA
I. KARTA PRZEDMIOTU 1. Nazwa przedmiotu: PODSTAWY PROGRAMOWANIA. Kod przedmiotu: Ovi1 3. Jednostka prowadząca: Wydział Mechaniczno-Elektryczny 4. Kierunek: Mechatronika 5. Specjalność: Eksploatacja Systemów
Bardziej szczegółowoPodstawy Automatyki. Wykład 13 - Układy bramkowe. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 13 - Układy bramkowe Instytut Automatyki i Robotyki Warszawa, 2015 Układy z elementów logicznych Bramki logiczne Elementami logicznymi (bramkami logicznymi) są urządzenia o dwustanowym sygnale wyjściowym
Bardziej szczegółowo