A következtetés „axiómái” Következtetés távolságalapú operátorokkal.

Slides:



Advertisements
Hasonló előadás
Deduktív adatbázisok.
Advertisements

Összetett kísérleti tervek és kiértékelésük:
Természetes számok 0, 1, 2, 3, ..., 24, 25, ..., 1231, 1232, ..., n, ...  = {0, 1, 2, 3, ..., n,...} a természetes számok halmaza Műveletek: összeadás.
Bizonytalanság  A teljesen megbízható következtetést lehetővé tevő tudás hiánya  Egy esemény bizonytalansága  objektív  szubjektív  Módszerek  numerikus.
Az integrált áramkörök (IC-k) tervezése
Összetett kísérleti tervek és kiértékelésük
Függvények Egyenlőre csak valós-valós függvényekkel foglalkozunk.
Determinisztikus programok. Szintaxis: X : Pvalt program változók E : Kifkifejezések B : Lkiflogikai kifejezések C : Utsutasítások.
Műveletek mátrixokkal
Koordináta transzformációk
Koordináta transzformációk
Geometriai modellezés
Szerkezeti leírás Összetevők és beültetésük Összetevők és beültetésük Általános kiosztás (generic map) Általános kiosztás (generic map) Generate parancs.
FelültöltésVHDL Felültöltés (Overloading) n Áttekintés n Példák.
Jelek frekvenciatartományban
Jelek frekvenciatartományban
Bayes hálók október 20. Farkas Richárd
Dr. Dombi József.  Folytonos adatok Korreláció  Diszkrét adatok ?
UNIVERSITY OF SZEGED D epartment of Software Engineering UNIVERSITAS SCIENTIARUM SZEGEDIENSIS Programozás II. 9. Gyakorlat Alap file műveletek.
Jt Java Kifejezések,precedencia. jt 2 Egy kifejezés operandusokból és operátorokból (műveletekből) áll. A kifejezésben szerepelhet egy vagy több operandus,
Készítette: Pető László
CELLACÍMZÉSI MÓDOK A TÁBLÁZATKEZELŐ PROGRAMBAN
A NAT és az élő idegennyelvek Az új NAT szükségessége Köznevelés tartalmi egysége Kulturális javak: minden tanuló férhessen hozzá Közös.
Bizonytalanság A teljesen megbízható következtetést lehetővé tevő tudás hiánya Egy esemény bizonytalansága  objektív  szubjektív Módszerek  numerikus.
Bizonytalanság A teljesen megbízható következtetést lehetővé tevő tudás hiánya Egy esemény bizonytalansága  objektív  szubjektív Módszerek  numerikus.
EMC © Farkas György.
Fejezetek a matematikából
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
9. ELŐADÁS A KAPUK KÉSLELTETŐ HATÁSÁNAK FIGYELEMBEVÉTELE
A virtuális technológia alapjai Dr. Horváth László Budapesti Műszaki Főiskola Neumann János Informatikai Kar, Alkalmazott.
Fuzzy logika Fuzzy következtetési rendszerek 7/20/20141.
Fuzzy rendszerek mérnöki megközelítésben I
Differenciál számítás
Binom négyzete.
1.3 Relációk Def. (rendezett pár) (a1 , a2 ) := {{a1} , {a1 , a2 }} .
Reprezentációs függvény. Adva egy adattípus absztrakt és konkrét specifikációja: d a = ( A, F, E a ); d c = ( C, G, E c ); A = {A 0,..., A n };C = {C 0,...,
Matematika III. előadások Építőmérnök BSc szak PMMINB313
Asszimptotikus viszonyok. Asszimptotikus viszonyok számításánál felhasználható ismeretek: 1.Az asszimptotikus viszonyok reláció-tulajdonságai: A következő.
Varianciaanalízis 12. gyakorlat.
MATEMATIKA ÉS INFORMATIKA I.
Halmazok Összefoglalás.
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Kuti Zsuzsa szakmai vezető.
Lineáris algebra.
FERMENTÁCIÓS GYAKORLAT
Alapszint 2.  Készíts makrót, ami a kijelölt cellákat egybenyitja, a tartalmat vízszintesen és függőlegesen középre igazítja és 12 pontos betűméretűre.
Fuzzy rendszerek dr. Szilágyi László.
Halmazműveletek.
Természetes és formális nyelvek Jellemzők, szintaxis definiálása, Montague, extenzió - intenzió, kategóriákon alapuló gramatika, alkalmazások.
Elemi döntési módszerek példa: 4 alternatíva, 6 szempont
Minőségtechnikák I. (Megbízhatóság)
Összetett adattípusok
ONTOLÓGIA és TUDÁSREPREZENTÁCIÓ Szőts Miklós Alkalmazott Logikai Laboratórium
Többtényezős ANOVA.
Érvelés, bizonyítás, következmény, helyesség
Az idegen nyelvi kompetenciák fejlesztése, valamint az intézményeken belüli implementáció és megyei szaktanácsadás. KOMPETENCIA-KONFERENCIA Debrecen, 2006.
Bizonytalanság A teljesen megbízható következtetést lehetővé tevő tudás hiánya Egy esemény bizonytalansága  objektív  szubjektív Módszerek  numerikus.
Az osztály tanulmányi előmenetelének tanulmányozása vizsgálata! Függvények magyarázata!
Koncepció: Specifikáció: e par exp i = eb imp bod ib Specifikáció elemzése: tulajdonságok felírása a koncepció alapján + tulajdonságok bizonyítása.
Egyenesvonalú (lineáris) adatszerkezetek
Táblázatkezelés KÉPLETEK.
Fuzzy rendszerek mérnöki megközelítésben III Fuzzy következtetési rendszerek Takács Márta.
PÁRHUZAMOS ARCHITEKTÚRÁK – 13 INFORMÁCIÓFELDOLGOZÓ HÁLÓZATOK TUDÁS ALAPÚ MODELLEZÉSE Németh Gábor.
PhD beszámoló 2003/2004 I. félév Készítette: Iváncsy Renáta Konzulens: Dr. Vajk István.
Amortizációs elemzés Alapelv: nem egy-egy művelet lefutási idejét vizsgáljuk, hanem több műveletét együtt, sokszor Eredmény: átlagolt időszükséglet időátlagban.
Algoritmusok és Adatszerkezetek I.
1.3 Relációk Def. (rendezett pár) (a1 , a2) := {{a1} , {a1 , a2 }} .
ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)
A mesterséges neuronhálók alapjai
Algoritmusok és Adatszerkezetek I.
Előadás másolata:

A következtetés „axiómái” Következtetés távolságalapú operátorokkal

Az “axiómák” (out1)Ha a szabálybemenet egybeesik a szabálypremisszával, akkor az adott szabály kimenete is egybeeseik a szabálykövetkezménnyel (köv. oldal, 2.szabály) (out2)Bármely fuzzy szám típusú A’ szabálybemenetre (magja nem üres halmaz) nem tüzelhet az összes szabály. (out3)A teljes szabálykimenet része a szabálykövetkezmények konvex lezártjának. Moser, B., Navara., M., (2002), Fuzzy Controllers with Conditionally Firing Rules, IEEE Transactions on Fuzzy Systems, (out-input4) at least one of the rules is fired

A1A’ B1 B1’ A2A’=A2B2=B2’ B1 B’ B2’

Következtetés távolságalapú operátorokkal Az If... Then szabály modellje: B’ i (y)=sup x  X (T(A’(x),Imp(A i (x),B i (y)))

Általánosítva Bi’(y)=sup x  X (OPCON1(A’(x),OPCON2(Ai(x),Bi(y))) Az OPCON1 és OPCON2 kapcsolatok általánosított konjunktív típusú műveletek (pl. min vagy t-norma).

Használjuk ugyanazt a konjunktív műveletet az i-dik szabálykimenet számítására, és használjuk az ilyen műveletek asszociatív tulajdonságát, illetve a folytonosságot (a supremum miatt): B i ’(y)= OPCON (sup x  X (OPCON (A’(x),A i (x))),B i (y)). DOF i =sup x  X (OPCON (A’(x),A i (x))), DOF i az i-dik szabály tüzelési szintje, és elsősorban a szabálybemenet és a szabálypremissza egybeesésétől, illetve az egybesesés szintjétől (sup) függ. (Lásd az előző óra anyagát!)

Mi történne, ha a konjunktív (esetleg diszjunktív) típusú műveletek közül a megfelelő távolságalapú műveletet alkalmaznánk? Mi lehetne a tüzelési szint?

min 0.2 max Tüzelési szint

max 0.2 max Tüzelési szint=1, de az egybeesés nem teljes!

degree of coincidence (Doc) az egybeesés (hasonlóság, similarity) mértéke: B’(y) = T(Doc,B(y))

min 0.2 min

max 0.2 max

Az egyebeesési mérték alkalmazásával egy olyan következtetési rendszert kapunk, amely megfelel a fuzzy következtetési rendszer „axiómái” által támasztott feltételeknek.

A Doc tulajdonságai  e  [0,1] – Doc  [0,1], – Doc=1, ha A és A’ teljesen fedik egymást, azaz B’(y) =B(y), – Doc=0, ha A és A’ halmazok nem találkoznak, azaz B’(y) =0.

Hogyan határozzuk meg a teljes szabálykimenetet?

Az egyes szabályok kimeneteit „aggregáljuk” Az aggregálásra alkalmazhatunk általánosságban például diszjunktív (vagy típusú) műveletet: