1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje. Definicja 1 Funkcję postaci f. nazwiemy n-argumentową funkcją boolowską.

Podobne dokumenty
Systemy ekspertowe. Generowanie reguł minimalnych. Część czwarta. Autor Roman Simiński.

Systemy ekspertowe : Tablice decyzyjne

Maszyna Turinga. Algorytm. czy program???? Problem Hilberta: Przykłady algorytmów. Cechy algorytmu: Pojęcie algorytmu

O MACIERZACH I UKŁADACH RÓWNAŃ

15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej

Definicja macierzy Typy i właściwości macierzy Działania na macierzach Wyznacznik macierzy Macierz odwrotna Normy macierzy RACHUNEK MACIERZOWY

RACHUNEK MACIERZOWY. METODY OBLICZENIOWE Budownictwo, studia I stopnia, semestr 6. Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska

Języki formalne i automaty Ćwiczenia 3

1 Macierze i wyznaczniki

3.4. Przekształcenia gramatyk bezkontekstowych

Języki formalne i automaty Ćwiczenia 1

Macierz o wymiarach m n. a 21. a 22. A =

Sztuczna Inteligencja Projekt

Obliczanie. dr hab. inż. Joanna Józefowska, prof. PP 1

Języki i operacje na językach. Teoria automatów i języków formalnych. Definicja języka

dr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;

B jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;

Część wspólna (przekrój) A B składa się z wszystkich elementów, które należą jednocześnie do zbioru A i do zbioru B:

Met Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn

System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy

Analiza matematyczna i algebra liniowa Macierze

Treści programowe. Matematyka. Efekty kształcenia. Literatura. Terminy wykładów i ćwiczeń. Warunki zaliczenia. tnij.org/ktrabka

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

. : a 1,..., a n F. . a n Wówczas (F n, F, +, ) jest przestrzenią liniową, gdzie + oraz są działaniami zdefiniowanymi wzorami:

Wprowadzenie i pojęcia wstępne.

LI Olimpiada Matematyczna Rozwiązania zadań konkursowych zawodów stopnia trzeciego 3 kwietnia 2000 r. (pierwszy dzień zawodów)

Zadania z algebry liniowej Iloczyn skalarny, przestrzenie euklidesowe

DB Algebra liniowa semestr zimowy 2018

φ(x 1,..., x n ) = a i x 2 i +

pneumatyka GMP Racibórz, ul. Grzonki 5, tel , fax , infolinia

Wykład 14. Elementy algebry macierzy

macierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same

Zasada indukcji matematycznej

Macierze i Wyznaczniki

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej

1 Zbiory. 1.1 Kiedy {a} = {b, c}? (tzn. podać warunki na a, b i c) 1.2 Udowodnić, że A {A} A =.

Matematyka Dyskretna 2/2008 rozwiązania. x 2 = 5x 6 (1) s 1 = Aα 1 + Bβ 1. A + B = c 2 A + 3 B = d

Programowanie liniowe. Tadeusz Trzaskalik

Teoretyczne podstawy zbiorów przybliżonych

Wyk lad 10 Przestrzeń przekszta lceń liniowych

Ÿ1 Oznaczenia, poj cia wst pne

Baza w jądrze i baza obrazu ( )

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Wykład 7 Macierze i wyznaczniki

Matematyka dyskretna. Andrzej Łachwa, UJ, B/14

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

1 Zbiory i działania na zbiorach.

Gramatyki, wyprowadzenia, hierarchia Chomsky ego. Gramatyka

Analiza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń

1.1 Definicja. 1.2 Przykład. 1.3 Definicja. Niech G oznacza dowolny, niepusty zbiór.

Analiza funkcjonalna 1.

DODATEK 1: Wtedy h(α) = 1 oraz h(β) = 0. Jak pamiętamy ze szkoły, obraz sumy zbiorów jest sumą obrazów tych zbiorów. Mamy zatem:

10. Kolorowanie wierzchołków grafu

Technika cyfrowa Synteza układów kombinacyjnych (I)

Sztuczna inteligencja

Metoda list prostych Wykład II. Agnieszka Nowak - Brzezińska

Algebra Boole a. Ćwiczenie Sprawdź, czy algebra zbiorów jestrównież algebrą Boole a. Padaj wszystkie elementy takiej realizacji.

Macierze. Rozdział Działania na macierzach

Jaki język zrozumie automat?

Rozwiązania około dwustu łatwych zadań z języków formalnych i złożoności obliczeniowej i być może jednego chyba trudnego (w trakcie tworzenia)

ALGEBRA LINIOWA. Wykład 2. Analityka gospodarcza, sem. 1. Wydział Zarządzania i Ekonomii Politechnika Gdańska

3. Wykład Układy równań liniowych.

Wyk lad 9 Baza i wymiar przestrzeni liniowej

Minimalizacja form boolowskich

Przekształcenia liniowe

a 11 a a 1n a 21 a a 2n... a m1 a m2... a mn a 1j a 2j R i = , C j =

Funkcja Boolowska. f:b n B, gdzieb={0,1} jest zbiorem wartości funkcji. Funkcja boolowska jest matematycznym modelem układu kombinacyjnego.

Rozwiązanie zadania 1. Krok Tym razem naszym celem jest, nie tak, jak w przypadku typowego zadania transportowego

Zadania z analizy matematycznej - sem. I Granice funkcji, asymptoty i ciągłość

1 Działania na zbiorach

Metoda list inwersyjnych. Wykład III

Technika cyfrowa Synteza układów kombinacyjnych

Minimalizacja funkcji boolowskich - wykład 2

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej

Przekształcenia liniowe

Wykład 2. Prawdopodobieństwo i elementy kombinatoryki

Optymalizacja reguł decyzyjnych względem pokrycia

Minimalizacja form boolowskich UC1, 2009

Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania

Testowanie hipotez statystycznych.

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.

Sztuczna Inteligencja Projekt

Matematyczna wieża Babel. 4. Ograniczone maszyny Turinga o językach kontekstowych materiały do ćwiczeń

2. Definicja pochodnej w R n

Algebra abstrakcyjna

Wyk lad 9 Baza i wymiar przestrzeni liniowej

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Programowanie Współbieżne. Algorytmy

0. ELEMENTY LOGIKI. ALGEBRA BOOLE A

Wprowadzenie do zbiorów przybliżonych

ROZDZIAŁ 1. Rachunek funkcyjny

Zestaw zadań 5: Sumy i sumy proste podprzestrzeni. Baza i wymiar. Rzędy macierzy. Struktura zbioru rozwiązań układu równań.

, A T = A + B = [a ij + b ij ].

5. Rozwiązywanie układów równań liniowych

Algebra WYKŁAD 3 ALGEBRA 1

Projekt Informatyka przepustką do kariery współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego

Rozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm

1. Wstęp do logiki. Matematyka jest nauką dedukcyjną. Nowe pojęcia definiujemy za pomocą pojęć pierwotnych lub pojęć uprzednio wprowadzonych.

Transkrypt:

1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje Definicja 1 Funkcję postaci f n :{ 0, 1} { 0, 1} nazwiemy n-argumentową funkcją boolowską. Definicja 2 1 2 Term g = x 1 x x ( ϕ ) ( ϕ ) ( ϕr ) i i2 i r ( 0) L, gdzie ϕk {0,1}, x x ik ( ) =, x x ik ik 1 =, ik {1,2,,n}, k = 1,,r nazwiemy implikantem funkcji boolowskiej f(x1,,xn), jeżeli jest prawdziwa dla każdego wartościowania V nierówność g(v) f(v). Implikant g nazwiemy implikantem pierwszym, jeżeli nie można z niego usunąć żadnej zmiennej tak, aby powyższa nierówność była nadal prawdziwa. ik Definicja 3 Funkcja rozróżnialności fa dla systemu informacyjnego A jest a funkcją boolowską m boolowskich wartości a 1,...,a m, i odpowiadających im atrybutów a1,..., am, którą definiujemy następująco: f ( a1,..., a m ) { c ij :1 j < i n, c } A gdzie : c = { a : a c ij} ij = ij fmg(a) oznacza funkcję boolowską zbudowaną z MG(A) w analogiczny sposób jak fa z M(A). PRIME_MG(A) oznacza zbiór wszystkich implikantów pierwszych.

Definicja 4 Dokładna reguła α β jest optymalna, jeżeli: 1. Każdy element sumy w α ma minimalną liczbę deskryptorów, tzn. jeżeli β otrzymaliśmy z α przez eliminację któregoś deskryptora, to β α nie jest prawdziwe w A 2. Jeśli reguła αu β (gdzie u jest informacją o pewnym obiekcie w A) jest prawdziwa, to istnieje podzbiór u u u taki, że reguła αu β jest prawdziwa i β jest sumą w α. Twierdzenie 1.1 { α U : ( δ ( x) R x, t, u A k & t Pr ime _ MG k ( A,, x) & u = INF( t, A*, x))} { δ A = θ : θr gdzie INF( t, A*, x) = {( a, a( x)) : a A( t)} jest optymalną regułą decyzyjną. k }

2. Przykład generowania reguł minimalnych Sposób wyliczania reguł minimalnych przedstawiono dla tablicy decyzyjnej A=(U,A {d}) umieszczonej poniżej, gdzie U={x1,...x8}, C={a,b,c}- atrybuty warunkowe, d jest atrybutem decyzjnym. U C a b c d x1 0 0 0 0 x2 0 1 0 1 x3 0 0 1 0 x4 1 1 0 1 x5 1 1 1 1 x6 1 1 1 0 x7 0 0 1 2 x8 1 0 1 2 Tablica decyzyjna

1. Tworzymy uogólniony atrybut decyzyjny Α, którego wartości dodajemy do tablicy decyzyjnej, co przedstawia tabela 3.2. U C a b c Α x1 0 0 0 {0} x2 0 1 0 {1} x3 0 0 1 {0,2 x4 1 1 0 {1} x5 1 1 1 {0,1} x6 1 1 1 {0,1} x7 0 0 1 {0,2 x8 1 0 1 {2} Tablica decyzyjna z uogólnionym atrybutem decyzyjnym

Uwaga! Dla uproszczenia dalszych obliczeń usuwamy powielone (identyczne) obiekty. Zatem usunięty zostaje obiekt x6 i x7, a tablica 3.2 przyjmuje następującą postać: U C a b c Α x1 0 0 0 {0} x2 0 1 0 {1} x3 0 0 1 {0,2} x4 1 1 0 {1} x5 1 1 1 {0,1} X8 1 0 1 {2} Tablica decyzyjna po usunięciu obiektów powielonych

2. Tworzymy macierz nierozróżnialności M(C), która została przedstawiona poniżej: x1 x2 x3 x4 x5 x8 x1 b c ab abc ac x2 b bc a ac abc x3 c bc abc ab a x4 ab a abc c bc x5 abc ac ab c b x8 ac abc a bc b Macierz nierozróżnialności dla tablicy decyzyjnej 3.3. Zbiór α = {{0}, {1},{2},{0,1},{0,2}}. 3. Wyliczamy reguły minimalne dla δa ={0} czyli reguły postaci α δa ={0} Aby utworzyć te reguły należy utworzyć uogólnioną macierz rozróżnialności dla obiektu x1. MG(A,{0},x1) to pierwsza kolumna w tabeli 3.4. Niepuste elementy tej macierzy to b, c, ab, abc, ac. Funkcja rozróżnialności odpowiadająca tej macierzy ma postać: f MG(A,{0},x1) (a, b, c) = b*c*(a+b)*(a+b+c)*(a+c).

Uwaga! 1. Obliczenia odbywają się na zmiennych boolowskich tzn: X*X=X oraz X+X=X 2. Dla zmiennych boolowskich (1+X) = 1 (gdzie 1 to True). 3. W dalszych obliczeniach dla ułatwienia symbol * będzie opuszczany. f MG(A,{0},x1) (a, b, c) = (abc +bbc) * (aa + ac + ab + bc + ac + cc)= aaabc + aabcc+ aabbc + abbcc + aabcc + abccc + aabbc + abbcc + abbbc + bbbcc + abbcc + bbccc) Po dokonaniu minimalizacji funkcji boolowskich otrzymaliśmy: f MG(A,{0},x1) (a, b, c) =abc +bc =bc(a +1) = bc Zatem funkcja pierwszych implikantów Prime_MG(A,{0},x1}={bc}. Podstawiając do tab. 3.4 wiersz 1 otrzymujemy następującą regułę minimalną: b0c0 δa ={0}. 4. Wyliczamy reguły minimalne dla δa ={1} czyli reguły postaci β δa ={1}. MG(A,{1},x2) oraz MG(A,{1},x4). f MG(A,{1}, x2) (a, b, c) = b*(b+c)* (a+c) * (a+b+c) = (bb+bc)*(aa + ab + ac + ac+ bc + cc) = (aabb + abbb + abbc + abbc+ bbbc + bbcc + aabc + abbc + abcc + abcc+ bbcc + bccc) = ab + abc + bc = ab(c + 1) + bc = ab + bc Prime_MG(A,{1},x2}={ab, bc}. Zatem otrzymujemy dwie reguły minimalne : a0b1,, a1c0

f MG(A,{1}, x4) (a, b, c) = ( a+b)*(a+b+c) * c*( b+c)= (aa+ ab+ ac+ ab+ bb+ bc)*( bc + cc) = (aabc+ abbc+ abcc+ abbc+ bbbc+ bbcc + aacc+ abcc+ accc+ abcc+ bbcc+ bccc) = abc + bc +ac = bc(a+1) + ac= bc +ac Prime_MG(A,{1},x4}={ ac, bc}. Zatem otrzymujemy dwie reguły minimalne: a1c0, b1c0 Ostatecznie otrzymujemy A- optymalną regułę decyzyjną: a0b1, + a1c0 + b1c0 δa ={1}. 5. Wyliczamy reguły minimalne dla δa ={2} czyli reguły postaci χ δa ={2}. MG(A,{2},x8) f MG(A,{2}, x8) (a, b, c) = (a+c)*(a+b+c) * a* (b+c)* b = (aa + ab + ac + ac + bc + cc) *(abb+abc) = (aaabb + aabbb + aabbc + aabbc + abbbc + abbcc + aaabc + aabbc + aabcc + aabcc + abbcc + abccc) = ab + abc = ab(1+c) = ab Prime_MG(A,{2},x8}={ab}. Zatem otrzymujemy: a1b0 δa ={2}. 6. Wyliczamy reguły minimalne dla δa ={0,1} czyli reguły postaci δ δa ={0,1}. MG(A,{0,1},x5) f MG(A,{0,1}, x5) (a, b, c) = (a+b+c) * (a+c)*(a+b) * c* b = (aa+ ba+ ca + ac +bc +cc) * (abc + bbc) = (aabc+ aabbc+ abcc + aabcc +abbcc +abccc + aabbc+ bbbca+ bbacc + bbacc +bbbcc +bbccc) = abc+bc= bc(1+a) = bc Prime_MG(A,{0,1},x5}={bc}.

Zatem otrzymujemy: b1c1 δa ={0,1}. 7. Wyliczamy reguły minimalne dla δa ={0,2} czyli reguły postaci ε δa ={0,2}. MG(A,{0,2},x3) f MG(A,{0,2}, x3) (a, b, c) = c* (b+c)* (a+b+c) *(a+b)* a = (bc+cc) * (aaa + aab + aac+ aab + abb + abc) = (aaabc + aabbc + aabcc+ aabbc + abbbc + abbcc + aaacc + aabcc + aaccc+ aabcc + abbcc + abccc) = abc + ac = ac(b+1) = ac Prime_MG(A,{0,1},x5}={ac}. Otrzymujemy: a0c1 δa ={0,2}. Ostatecznie otrzymane zostały następujące reguły minimalne pierwszego typu: b0c0 δa ={0} a0b1,+ a1c0+ b1c0 δa ={1} a1b0 δa ={2} b1c1 δa ={0,1} a0c1 δa ={0,2}