Sztuczna inteligencja : Zbiory rozmyte cz. III

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

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.

Zadanie 0 gdy nie mamy logiki rozmytej

Sztuczna inteligencja: zbiory rozmyte

Cel projektu: Wymogi dotyczące sprawozdania:

Sztuczna inteligencja : Zbiory rozmyte cz. 2

INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

SZTUCZNA INTELIGENCJA

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

ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE

Zasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.

SZTUCZNA INTELIGENCJA

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

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska

Kurs logiki rozmytej - zadania. Wojciech Szybisty

ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH

WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)

6. Zagadnienie parkowania ciężarówki.

Tworzenie rozmytego systemu wnioskowania

METODY INTELIGENCJI OBLICZENIOWEJ wykład 6

Piotr Sobolewski Krzysztof Skorupski

Wnioskowanie rozmyte. Krzysztof Patan

7. Zagadnienie parkowania ciężarówki.

Rozmyte systemy doradcze

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

Inteligencja obliczeniowa

Podstawy sztucznej inteligencji

Jeśli przeszkoda jest blisko to przyhamuj

Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska

Inteligencja obliczeniowa

Logika rozmyta. Agnieszka Nowak - Brzezińska

Logika Stosowana. Wykład 5 - Zbiory i logiki rozmyte Część 1. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017

PODSTAWY BIOSTATYSTYKI ĆWICZENIA

ALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO

SID Wykład 7 Zbiory rozmyte

Sztuczna Inteligencja Projekt

Logika rozmyta. Agnieszka Nowak - Brzezińska

Układy logiki rozmytej. Co to jest?

ZASTOSOWANIE LOGIKI ROZMYTEJ W BUDOWIE SYSTEMÓW ZARZĄDZANIA WIEDZĄ PRODUKCYJNĄ

Temat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej

Logika rozmyta. Agnieszka Nowak - Brzezioska

Logika rozmyta. Agnieszka Nowak - Brzezioska

Problemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonych przypadkach daje się opisać tylko w sposób nieprecyzyjny, np.

Sterownik rozmyty (na przykładzie parkowania samochodu)

Sterowanie z wykorzystaniem logiki rozmytej

1 Podstawy rachunku prawdopodobieństwa

Zagadnienia AI wykład 1

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Systemy uczące się wykład 1

Rachunek Prawdopodobieństwa i Statystyka

{H B= 6 kn. Przykład 1. Dana jest belka: Podać wykresy NTM.

THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

ELEMENTY TEORII ZBIORÓW ROZMYTYCH

Technologie i systemy oparte na logice rozmytej

Logika Stosowana Ćwiczenia

Metody sterowania sterowanie rozmyte System rozmyty (patrz MiPI) użyty jako sterownik/regulator nazywamy sterownikiem/regulatorem rozmytym

Temat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:

Systemy ekspertowe : program PCShell

STATYSTYKA OPISOWA. Przykłady problemów: - badanie opinii publicznej na temat preferencji wyborczych;

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

ELEMENTY SZTUCZNEJ INTELIGENCJI. Wstęp do logiki rozmytej

Zadanie 1. Plik Nowy Kod. lub naciskając ikonę Nowy kod (jak na rysunku) Tworzymy bibliotekę o nazwie lab wpisując instrukcję

Systemy ekspertowe - wiedza niepewna

Rozwiązywanie równań nieliniowych

Przedmiot statystyki. Graficzne przedstawienie danych.

Wykład 2 Zmienne losowe i ich rozkłady

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)

Rozkład Gaussa i test χ2

Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014

Lekcja 3: Elementy logiki - Rachunek zdań

Temat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Kurs logiki rozmytej. Wojciech Szybisty

LABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f

WYKORZYSTANIE ZBIORÓW ROZMYTYCH DO OCENY SKUTECZNOŚCI DOSTAWCY MATERIAŁÓW BUDOWLANYCH W PROCESIE LOGISTYCZNYM

Wykłady 14 i 15. Zmienne losowe typu ciągłego

Algorytm. a programowanie -

Zmienne losowe. Powtórzenie. Dariusz Uciński. Wykład 1. Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski

Sterownik (regulator) rozmyty przykład [1]

Testowanie hipotez statystycznych

Prawdopodobieństwo i rozkład normalny cd.

4,5. Dyskretne zmienne losowe (17.03; 31.03)

Zarządzanie ryzykiem finansowym

Dyskretne zmienne losowe



Statystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH

3. Podstawowe pojęcia statystyki matematycznej i rachunku prawdopodobieństwa wykład z Populacja i próba

Rozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej

Metody systemowe i decyzyjne w informatyce

Reprezentacja rozmyta - zastosowania logiki rozmytej

Interwałowe zbiory rozmyte

Transkrypt:

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,..., x n }: Załóżmy : Teraz: liczba 7, A = µ A(x 1) x 1 +... + µ A(x n) x n = n µ A (x) i=1 x X = {1, 2, 3, 4, 5, 6, 7, 8} A = { 0 2, 0 1, 0.3 3, 0.7 4, 1 5, 0.7 6, 0.3 8 } liczby bliskie 7 (w jakimś stopniu będące siódemką).

Przypomnijmy kilka definicji: nośnik zbioru rozmytego A: supp(a) = {x X : µ A (x) > 0} jądro zbioru rozmytego A: core(a) = {x X : µ A (x) = 1} α-cięcie zbioru rozmytego A: A α = {x X : µ A (x) α} dla α [0, 1]

Przykład: Wybrane α-przekroje: A 0 = {1, 2,..., 10} A 0.1 = {2, 4, 5, 8, 9, 10} A 0.3 = {4, 5, 8, 9, 10} A 0.7 = {5, 8, 9} X = {1, 2,..., 10} A = { 0 1, 0.1 2, 0 3, 0.3 4, 0.8 5, 0 6, 0 7, 1 8, 1 9, 0.6 10 } A = { 0.1 2, 0.3 4, 0.8 5, 1 8, 1 9, 0.6 10 }

Przykład: Wybrane α-przekroje: A 0 = {1, 2,..., 10} A 0.1 = {2, 4, 5, 8, 9, 10} A 0.3 = {4, 5, 8, 9, 10} A 0.7 = {5, 8, 9} core(a) = {8, 9} X = {1, 2,..., 10} A = { 0 1, 0.1 2, 0 3, 0.3 4, 0.8 5, 0 6, 0 7, 1 8, 1 9, 0.6 10 } supp(a) = {2, 4, 5, 8, 9, 10} A = { 0.1 2, 0.3 4, 0.8 5, 1 8, 1 9, 0.6 10 }

Zadanie Dla podanego zbioru: A = { 0 1, 0 2, 0 3, 0 4, 0 5, 0.2 6, 0.5 7, 0.8 8, 1 9, 0.7 10, 0.4 11 } Określ: nośnik zbioru A; jądro(rdzeń) liczność zbioru (card(a)) α-przekroje : 0.5 i 0.8.

Załóżmy : Teraz mamy: X = {1, 2, 3, 4, 5, 6, 7} A = { 0.9 3, 1 4, 0.6 6 } B = { 0.7 3, 1 5, 0.4 6 } A B = { 0.63 3, 0.24 6 }

Załóżmy : Teraz mamy: Załóżmy : więc: X = {1, 2, 3, 4, 5, 6, 7} A = { 0.9 3, 1 4, 0.6 6 } B = { 0.7 3, 1 5, 0.4 6 } A B = { 0.63 3, 0.24 6 } X = {1, 2, 3, 4, 5, 6} A = { 0.3 2, 1 3, 0.7 5, 0.9 6 } Á = { 1 1, 0.7 2, 1 4, 0.3 5, 0.1 6 }

Koncentracja zbioru: Rozcieńczenie zbioru: µ CON(A) (x) = (µ A (x)) 2 µ DIL(A) (x) = (µ A (x)) 0.5 Rysunek: Koncentracja i rozcieńczenie zbioru X = {1, 2, 3, 4} A = { 0.4 2, 0.7 3, 1 4 } CON(A) = { 0.16 2, 0.49 3, 1 4 } DIL(A) = { 0.63 2, 0.84 3, 1 4 }

Zadanie 2 Dwa zbiory rozmyte reprezentują obraz samochodu i ciężarówki, i są zdefiniowane następująco: Car = { 0.5 truck, 0.4 motor, 0.3 boat, 0.9 car, 0.1 house } Truck = { 1 truck, 0.1 motor, 0.4 boat, 0.4 car, 0.2 house } Car Truck not(car) Car not(car) Car Truck Car not(truck) Car not(car)

Rysunek: Przykładowy wykres Zadanie 3 Zaznacz na wykresie następujące wartości: nie małe i nie duże; małe lub średnie; średnie i duże.

Dany jest system rozmyty z następującymi zmiennymi: wiek kierowcy (20, 60) moc samochodu (20, 220) ryzyko (0, 10) W systemie znajdują się następujące reguły: IF kierowca = młody AND moc = duża THEN ryzyko = wysokie IF kierowca = młody AND moc = średnia THEN ryzyko = średnie IF kierowca = średni AND moc = duża THEN ryzyko = średnie IF kierowca = średni AND moc = średnia THEN ryzyko = niskie

Dla każdej zmiennej lingwistycznej : kierowca, moc samochodu, ryzyko - określono wartości zmiennych lingwistycznych. 1 kierowca młody średni dojrzały 2 moc samochodu 3 ryzyko mała średnia duża małe średnio-niskie średnie średnio-wysokie wysokie

Dla każdej wartości podanych zmiennych lingwistycznych przygotowana została funkcja przynależności:

Wyznacz ryzyko towarzystwa ubezpieczeniowego dla klienta (zaznaczając na wykresie obszar będący rezultatem wnioskowania): Wiek = 35 i Moc samochodu = 145 KM Reguła 1 : min {0.45; 0.35} = 0.35 Reguła 2 : min {0.45; 0.6} = 0.45 Reguła 3 : min {0.25; 0.35} = 0.25 Reguła 4 : min {0.25; 0.6} = 0.25 Maksimum z reguły 2 i 3 : max {0.45; 0.25} = 0.45

Przykład: Przygotowanie systemu Mamdani dla zdolności kredytowej: Zarobki małe średnie wysokie Umowa o pracę+ krótka średnia długa Prawdopodobieństwo przyznania kredytu małe średnie duże

Sprawozdanie Budowa systemu rozmytego opartego o wnioskowanie Mamdani: 1 Określenie zmiennych i ich zakresów ( 2 zmienne wejściowe + 1 zmienna wyjściowa); 2 Podanie wartości zmiennych lingwistycznych ( 3 przedziały dla każdej zmiennej); 3 Zdefiniowanie funkcji przynależności ( dla każdej wartości zmiennej linwistycznej - funkcje trójkątne ); 4 Przedstawienie zmiennych lingwistycznych na wykresie; 5 Przygotowanie reguł postaci IF THEN ( 4 reguły ); 6 Podanie 3 przykładowych wartości dla zmiennych wejściowych; 7 Zaznaczenie na wykresie obszaru będącego rezultatem wnioskowania.