1 / 47

Fuzzy-Logik

Fuzzy-Logik. Eine Einführung in unscharfe Logik. Nils Becker, November 2012. Inhalt. Idee Unscharfe Mengen Entscheidungsfindung Fuzzifizierung Regeln Inferenzoperationen Defuzzifizierung Abschluss. Idee. 1965: Theorie der unscharfen Mengen, Prof. Lotfi Zadeh, Berkeley Idee:

frayne
Download Presentation

Fuzzy-Logik

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Fuzzy-Logik Eine Einführung in unscharfe Logik Nils Becker, November 2012

  2. Inhalt • Idee • Unscharfe Mengen • Entscheidungsfindung • Fuzzifizierung • Regeln • Inferenzoperationen • Defuzzifizierung • Abschluss

  3. Idee • 1965: Theorie der unscharfen Mengen, Prof. Lotfi Zadeh, Berkeley • Idee: • Klassische Mengenlehre bildet menschliche Sprache schlecht ab • „Temperatur ist relativ hoch“

  4. Beispiel: Große MenschenUnscharfe Mengen 1,58m 1,75m 1,80m 1,81m 1,85m 1,95m

  5. Beispiel: Große Menschen – klassische MengenlehreUnscharfe Mengen nicht große Menschen große Menschen 1,58m 1,75m 1,80m 1,81m 1,85m 1,95m >1,80m

  6. Beispiel: Große Menschen – unscharfe MengenlehreUnscharfe Mengen eher groß μ kaumgroß 1 0,35 0,85 1 1 1 0,5 0 1,58m 1,75m 1,80m 1,82m 1,85m 1,95m

  7. DefinitionUnscharfe Mengen • Zugehörigkeitsgrad μ:(Elemente gehören zu gewissem Grad zur Menge • μteuer(Porsche 911) = 0.99 = 99% • μteuer(VW Polo)= 0.10 = 10% • Zugehörigkeitsfunktion: Definiert Zugehörigkeitsgrad μ 1 0,5 0 G

  8. Darstellungsformen (1)Unscharfe Mengen Grund-menge • Geordnete Paare • Grafisch (Kurvenform) μ μ(xi) 1 0,5 A 0 xi G

  9. Darstellungsformen (2)Unscharfe Mengen A B μA(xi) μB(xi) μ 1 0,5 xi 0 G

  10. Darstellungsformen (3) – Venn-DiagrammUnscharfe Mengen μ(x) = 1 G μ(x) > 0 & μ(x) < 1

  11. Darstellungsformen (3) – Venn-DiagrammUnscharfe Mengen Xi mit μA(Xi) = 1 & μB(Xi) > 0 μA(x) = 1 μB(x) = 1 G μA(x) > 0 & μA (x) < 1 μB(x) > 0 & μB (x) < 1

  12. Unscharfe Mengen - Mengenoperationen Vereinigung Beispiel

  13. Unscharfe Mengen - MengenoperationenSchnittmenge Beispiel

  14. Unscharfe Mengen - MengenoperationenKomplement Wichtig: schließt auch mit = 0 ein Beispiel

  15. Unscharfe Mengen - MengenoperationenEigenschaften • Distributivgesetze sind erfüllt, d.h. es gilt: • Theorem von De Morgan ist erfüllt: Beweise u.a.: „Einführung in die Fuzzy-Logik“, Dirk H. Traeger, 1994, S.18ff

  16. Unscharfe Mengen – Logische OperatorenUnd-Operator • Minimum-Operator (=== Schnittmenge) = min( • Produkt-Operator = • Summe größer 1 = max(0;

  17. Unscharfe Mengen – Logische OperatorenUnd-Operator (Beispiel)

  18. Unscharfe Mengen – Logische OperatorenOder-Operator • Maximum-Operator (=== Vereinigung) = max( • Summe - Produkt = • Summe (max. 1) = min(1;

  19. Unscharfe Mengen – Logische OperatorenOder-Operator (Beispiel)

  20. Unscharfe Mengen – Kompensatorische OperatorenGamma-Operator UND γ=0 Keine Kompensation ODER γ=1 VolleKompensation 170km/h 230km/h 130km/h

  21. Fuzzy-Logik

  22. Fuzzy-LogikÜbersicht Input Fuzzifizierung Regeln erstellen Inferenz Defuzzifizierung Output

  23. Fuzzy-Logik: FuzzifizierungEin-und Ausgangsvariablen Beispiel: Automatisches Bremssystem • Eingangsvariablen • Geschwindigkeit (km/h) • Abstand (m) • Ausgangsvariable • Bremsdruck (bar)

  24. Fuzzy-Logik: FuzzifizierungLinguistische Variable: Geschwindigkeit • Wertebereich: 0 – 240km/h • Linguistische Terme/Fuzzy Sets: • Sehr niedrig • Niedrig • Mittel • Hoch • Sehr hoch

  25. Fuzzy-Logik: FuzzifizierungFuzzy-Sets: Geschwindigkeit

  26. Fuzzy-Logik: FuzzifizierungLinguistische Variable: Abstand • Wertebereich: 0 – 300m • Linguistische Terme/Fuzzy Sets: • klein • mittel • groß

  27. Fuzzy-Logik: FuzzifizierungFuzzy-Sets: Abstand

  28. Fuzzy-Logik: FuzzifizierungLinguistische Variable: Bremsdruck • Wertebereich: 0 – 3bar • Linguistische Terme/Fuzzy Sets: • Sehr schwach • Schwach • Mittel • Stark • Sehr stark

  29. Fuzzy-Logik: FuzzifizierungFuzzy-Sets: Bremsdruck

  30. Fuzzy-LogikRegeln erstellen • WENN Geschwindigkeit „sehr niedrig“ ODER Abstand „groß“ DANN bremse „sehr schwach“ • WENN Geschwindigkeit „hoch“ UND Abstand „mittel“ DANN bremse „stark“ • …

  31. Fuzzy-Logik: Regeln erstellenRegelmatrix

  32. Fuzzy-LogikRegel auswählen • Beispiel: • Geschwindigkeit: 90km/h • Abstand: 100m 90km/h 100m

  33. Fuzzy-Logik: Regeln erstellenRegelmatrix 1 2 3 4 5 6 7 8 9 10 11 12 14 15 13

  34. Fuzzy-LogikInferenz: Max/Min-Inferenz • Regel 5: • Regel 8: • Regel 13: 25 67

  35. Fuzzy-Logik: EinschubInferenzmethoden • Max/Min-Inferenz • ODER = Minimum; UND = Maximum • Max/Prod-Inferenz: • ODER = Summe – Produkt; UND = Produkt

  36. Fuzzy-LogikDefuzzifizierung: Flächenschwerpunkt Flächenschwerpunkt = (2; 0,24) Bremsdruck: 2 bar

  37. Fuzzy-LogikDefuzzifizierung: Flächenschwerpunkt • Fläche • Flächenschwerpunkt (xi, yi) sind die Koordinaten welche das Polygon beschreiben

  38. Fuzzy-Logik: DefuzzifizierungsalternativeDefuzzifizierung: Singleton

  39. Fuzzy-Logik: DefuzzifizierungsalternativeDefuzzifizierung: Singleton am Beispiel Bremsdruck: 2,2 bar

  40. Fuzzy-LogikDefuzzifizierungsmethoden • Flächenschwerpunkt • Rechenaufwendig • häufig gutes Ergebnis • Singleton • sehr einfach • häufig ausreichendes Ergebnis

  41. Hilfsmittel, Anwendung, Literatur

  42. Tools • jFuzzyLogic • Verwendet FCL • Eclipse-Plugin • Bibliotheks-funktion • Viele andereTools sind veraltet

  43. Anwendung • Bildverarbeitung: Bildstabilisierung • Steuerung/Überwachung von Industrieanlagen • Robotik • Expertensysteme

  44. Vor- und Nachteile

  45. Literatur und Websites • Einführung in die Fuzzy-Logik, Traeger • Neuronale Netze & Fuzzy-Logik, Seraphin • Fuzzy Logic, Müller, http://www.gerhardmueller.de/docs/FuzzyLogic/FuzzyLogic.html • Grundlagen der Fuzzy-Logik, Reinarz, http://reinarz.org/dirk/fuzzykugel/fuzzy.html • Diese Präsentation: http://nilsbecker.net/thm/fuzzy.pdf (bald verfügbar)

  46. Vielen Dank für die Aufmerksamkeit

  47. Bildquellen Foto Zadeh: http://www.cs.tu-dortmund.de/nps/Medienpool/Home/Lotfi_A__Zadeh_2004_.jpg HighTech Fuzzy Logic: http://www.ujf.biz/texte/HT_FuzzL3.JPG Stickman: http://sustainablecoastlineshawaii.files.wordpress.com/2012/02/stickman.gif Schwarzes Auto: http://www.mazda.de/assets/master/cars/cx-5/exterior/colours/1/car-black-mica.png Rotes Auto: http://imgs.mi9.com/uploads/car/445/red-cool-car-of-choice_422_6920.jpg Weisses Auto: http://grabbaggraphics.com/wp-content/uploads/2012/05/White-Car-Psd.png Precision vsSignificance: http://radio.feld.cvut.cz/matlab/toolbox/fuzzy/signific.gif Bremssystem: http://auto.701pages.com/article_gallery/281.jpg Reiskocher: http://3.bp.blogspot.com/_SmrT6OptGzU/TRqnj76fQrI/AAAAAAAAA94/dM_PCx0678M/s1600/sanyo-35-cup-fuzzy-logic-rice-cooker.jpg Roboter: http://www.decodedscience.com/robots-for-autism-therapy-koalas-fuzzy-logic/996

More Related