Podstawowe rodzaje modeli rozmytych

Slides:



Advertisements
Podobne prezentacje
Metody badania stabilności Lapunowa
Advertisements

Analiza współzależności zjawisk
System lingwistyczny - wnioskowanie
Metody Sztucznej Inteligencji 2012/2013Zastosowania systemów rozmytych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Zastosowania.
Sieć jednokierunkowa wielowarstwowa
Mechanizm wnioskowania rozmytego
Sztuczna Inteligencja Reprezentacja wiedzy I Logika przybliżona
REGUŁOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE Część 1
WYKŁAD 2 SYSTEMY EKSPERTOWE cz.2.
KNW- Wykład 8 Wnioskowanie rozmyte.
Sztuczna Inteligencja Reprezentacja wiedzy I Logika przybliżona
Systemy dynamiczneOdpowiedzi systemów – modele różniczkowe i różnicowe Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Systemy.
Systemy rozmyte Systemami rozmytymi nazywamy systemy (statyczne lub dynamiczne) w których wykorzystujemy zbiory rozmyte i właściwy im aparat matematyczny.
Obserwowalność System ciągły System dyskretny u – wejścia y – wyjścia
Model lingwistyczny – wnioskowanie Mamdani’ego
Model Takagi – Sugeno – Kang’a - TSK
Zapis informacji Dr Anna Kwiatkowska.
Konstrukcja, estymacja parametrów
Dodatkowe własności funkcji B-sklejanych zawężenie f do K Rozważmy funkcjeIch zawężenia do dowolnego przedziałutworzą układ wielomianów. Dla i=k ten układ.
Sterowalność i obserwowalność
Metody Lapunowa badania stabilności
Własności funkcji liniowej.
Systemy/modele rozmyte – podstawy i struktury
Wykład 25 Regulatory dyskretne
Obserwatory zredukowane
Wybrane modele rozmyte i schematy wnioskowania
AUTOMATYKA i ROBOTYKA (wykład 5)
formalnie: Rozmyte systemy wnioskujące
Systemy/modele rozmyte – podstawy i struktury
Teoria sterowania 2012/2013Sterowalność - osiągalność Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Sterowalność - osiągalność
Teoria sterowania 2011/2012Stabilno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Stabilność Stabilność to jedno.
II. Matematyczne podstawy MK
Sterowalność - osiągalność
Modelowanie zjawisk gospodarczych
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Do technik tych zalicza się: * sztuczne sieci neuronowe
PRZYGOTOWALI Bartosz Pawlik Daniel Sawa Marcin Turbiński.
Teoria sterowania SN 2014/2015Sterowalność, obserwowalność Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Sterowalność -
Systemy dynamiczne 2014/2015Sterowalność - osiągalność  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Sterowalność i obserwowalność.
Sterowanie rozmyte i neuronowe I
Zagadnienia AI wykład 4.
Zagadnienia AI wykład 2.
Zagadnienia AI wykład 5.
Ćwiczenia 8 Aproksymacja funkcji
Wnioskowanie Mamdani’ego
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Metody Sztucznej Inteligencji – technologie rozmyte i neuronowe Wnioskowanie Mamdani’ego - rozwinięcia  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii.
Modelowanie i identyfikacja 2014/2015Modele rozmyte  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Systemy rozmyte są modelami.
D. Ciołek BADANIA OPERACYJNE – wykład 2
 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modelowanie rozmyte – podstawy,
Model GRID znaczenie NMT o postaci GRID strategie interpolacji: dane → GRID stosowane metody interpolacji omówienie wybranych metod przykłady.
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Temat – 5 Modelowanie różniczkowe.
Etapy procesu sterowania rozmytego
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego I © Kazimierz Duzinkiewicz, dr hab.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego II © Kazimierz Duzinkiewicz, dr hab.
Modele nieliniowe sprowadzane do liniowych
O ODPORNOŚCI KONWENCJONALNEGO OBSERWATORA LUENBERGERA ZREDUKOWANEGO RZĘDU Ryszard Gessing Instytut Automatyki Politechnika Śląska.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie formalne © Kazimierz Duzinkiewicz, dr hab. inż.
Elementy cyfrowe i układy logiczne
Modelowanie i podstawy identyfikacji
Funkcje liniowe.
Systemy neuronowo – rozmyte
Teoria sterowania Wykład /2016
Jednorównaniowy model regresji liniowej
Metody sztucznej inteligencji
Sterowanie procesami ciągłymi
Sztuczna Inteligencja Reprezentacja wiedzy I Logika przybliżona
Zapis prezentacji:

Podstawowe rodzaje modeli rozmytych

Model Mamdaniego jest zbiorem reguł, z których każda definiuje jeden rozmyty punkt w tej przestrzeni. Zbiór rozmytych punktów tworzy wykres rozmyty, w którym interpolacja pomiędzy punktami zależy od użytych elementów aparatu logiki rozmytej. Modelowany system SISO realizuje odwzorowanie y = (x-2)^2 +2. Rozmyty model Mamdaniego tego systemu może mieć postać zbioru reguł oraz funkcji przynależności.

Model Mamdaniego Model Mamdaniego jest reprezentowany przez zbiór reguł o postaci: R1: JEŚLI (x jest A1) TO (y jest B1), R2: JEŚLI (x jest A2) TO (y jest B2), R3: JEŚLI (x jest A3) TO (y jest B3), gdzie: A1= około 1, A2 = około 2, A3 = około 4, B1 = około 2, B2 = około 1, B3 = około 5, x należy do przedziału (1,4).

Model Mamdaniego

Model Takagi–Sugeno Modele Takagi–Sugeno różnią się od modeli Mamdaniego postacią reguł. O ile w przypadku modelu Mamdaniego systemu jedno wejście jedno wyjście reguła ma postać: JEŚLI (x jest A) TO (y jest B), gdzie: A,B – zbiory rozmyte typu “mały”, “blisko” 5”, to w przypadku modelu TS reguły mają postać: JEŚLI (x jest A) TO (y = f(x)). Ich konkluzja zawiera funkcję f(x), a nie zbiór rozmyty. Funkcja ta może być nieliniowa, chociaż najczęściej stosuje się funkcje liniowe. Wówczas reguły TS mają formę: JEŚLI (x jest A) TO (y = ax+b), Modele Takagi–Sugeno należy stosować głównie wtedy, gdy funkcje przynależności mają charakter trapezowy lub podobny.

Model Takagi–Sugeno

Model relacyjny Ich zasadniczą cechą jest to, że reguły lingwinistyczne nie są traktowane jako całkowicie prawdziwe, lecz jako częściowo (mniej lub bardziej) prawdziwe. Poszczególnym regułom przypisuje się odpowiedni współczynnik ufności. Baza reguł reprezentowana jest przez rozmytą relację, a do jej identyfikacji i analizy stosowana jest teoria równań relacyjnych. Sens współczynnika ufności reguł wyjaśniony zostanie w przykładzie: Baza reguł określa relację między zdolnościami dziecka oraz jego wynikami w nauce. R1: Dziecko zdolne uczy się dobrze. R2: Dziecko średnio – zdolne uczy się średnio. R3: Dziecko niezdolne uczy się źle. Reguły te można przedstawić w postaci tabeli relacyjnej ze współczynnikami ufności równymi 1 lub 0 wiążącymi zbiory rozmyte wejścia ze zbiorami wyjścia.

Model relacyjny

Wielomodele Niejednoznaczność systemu Wiele modeli dla konkretnego wejścia Zwiększenie wymiaru przestrzeni wejścia

Wielomodele