Zagadnienia AI wykład 5.

Slides:



Advertisements
Podobne prezentacje
Metody badania stabilności Lapunowa
Advertisements

Pochodna Pochodna  funkcji y = f(x)  określona jest jako granica stosunku przyrostu wartości funkcji y do odpowiadającego mu przyrostu zmiennej niezależnej.
System lingwistyczny - wnioskowanie
Metody Sztucznej Inteligencji 2012/2013Zastosowania systemów rozmytych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Zastosowania.
Mechanizm wnioskowania rozmytego
Metoda simpleks Simpleks jest uniwersalną metodą rozwiązywania zadań programowania liniowego. Jest to metoda iteracyjnego poprawiania wstępnego rozwiązania.
REGUŁOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE Część 1
Inteligencja Obliczeniowa Zbiory rozmyte, modelowanie wiedzy.
VI Rachunek predykatów
Badania operacyjne. Wykład 2
KNW- Wykład 8 Wnioskowanie rozmyte.
„METODA FOURIERA DLA JEDNORODNYCH WARUNKÓW BRZEGOWYCH f(0)=f(a)=0”
Inteligencja Obliczeniowa Klasteryzacja i uczenie bez nadzoru.
Systemy rozmyte Systemami rozmytymi nazywamy systemy (statyczne lub dynamiczne) w których wykorzystujemy zbiory rozmyte i właściwy im aparat matematyczny.
Model lingwistyczny – wnioskowanie Mamdani’ego
Model Takagi – Sugeno – Kang’a - TSK
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania.
Metoda simpleks opracowanie na podstawie „Metody wspomagające podejmowanie decyzji w zarządzaniu” D. Witkowska, Menadżer Łódź Simpleks jest uniwersalną.
OPORNOŚĆ HYDRAULICZNA, CHARAKTERYSTYKA PRZEPŁYWU
Metody Symulacyjne w Telekomunikacji (MEST) Wykład 6/7: Analiza statystyczna wyników symulacyjnych  Dr inż. Halina Tarasiuk
Hipotezy statystyczne
Konstrukcja, estymacja parametrów
Metody Lapunowa badania stabilności
ETO w Inżynierii Chemicznej MathCAD wykład 4.. Analiza danych Aproksymacja danych.
Systemy/modele rozmyte – podstawy i struktury
Wykład 25 Regulatory dyskretne
Obserwatory zredukowane
Rozważaliśmy w dziedzinie czasu zachowanie się w przedziale czasu od t0 do t obiektu dynamicznego opisywanego równaniem różniczkowym Obiekt u(t) y(t) (1a)
Wybrane modele rozmyte i schematy wnioskowania
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
MECHANIKA 2 Wykład Nr 11 Praca, moc, energia.
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
formalnie: Rozmyte systemy wnioskujące
Języki i automaty część 3.
Modelowanie i Identyfikacja 2011/2012 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Warstwowe.
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
Systemy/modele rozmyte – podstawy i struktury
Metody sterowania – sterowanie rozmyte
Ostyganie sześcianu Współrzędne kartezjańskie – rozdzielenie zmiennych
Wnioskowanie w stylu Takagi - Sugeno.
Sterowanie – metody alokacji biegunów II
MS Excel - wspomaganie decyzji
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
PRZYGOTOWALI Bartosz Pawlik Daniel Sawa Marcin Turbiński.
METODY PODEJMOWANIA DECYZJI
Sterowanie rozmyte i neuronowe I
Zagadnienia AI wykład 4.
Zagadnienia AI wykład 2.
Zagadnienia AI wykład 6.
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.
Metody sztucznej inteligencji – technologie rozmyte i neuronoweReguła propagacji wstecznej  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów.
 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 Modelowanie rozmyte – podstawy,
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.
STATYSTYKA – kurs podstawowy wykład 8 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie formalne © Kazimierz Duzinkiewicz, dr hab. inż.
Elementy cyfrowe i układy logiczne
Metody optymalizacji Wykład /2016
Modelowanie i podstawy identyfikacji
Podstawowe rodzaje modeli rozmytych
Systemy neuronowo – rozmyte
Teoria sterowania Wykład /2016
Metody sztucznej inteligencji
Sterowanie procesami ciągłymi
Zapis prezentacji:

Zagadnienia AI wykład 5

Rozmyte systemy wnioskujące Aby móc sterować pewnym procesem technologicznym lub tez pracą urządzeń konieczne jest zbudowanie modelu, na podstawie którego można będzie podejmować decyzje związane ze sterowaniem. W wielu przypadkach znalezienie odpowiedniego modelu jest problemem trudnym, niekiedy wymagającym przyjęcia różnego typu założeń upraszczających. Zastosowanie systemów rozmytych do sterowania procesami technologicznymi nie wymaga od nas znajomości tych procesów. Konstruujemy po prostu rozmyte reguły postępowania w postaci zdań warunkowych: IF ... THEN ...

Schemat rozmytego systemu wnioskującego Baza reguł Blok rozmywania Blok wnioskowania Blok wyostrzania

Przykład 1 (minimum) Przyjmijmy n=2 (dwa wejścia), t-norma jest typu min, rozmyte wnioskowanie definiuje reguła min oraz iloczyn kartezjański zbiorów określony jest przez min. Ponieważ: Ostatecznie:

Przykład 2 (iloczyn) Przyjmijmy n=2, t-norma jest typu iloczyn, rozmyte wnioskowanie definiuje reguła iloczyn oraz iloczyn kartezjański zbiorów określony jest przez iloczyn. Ponieważ: Ostatecznie:

Co na wyjściu bloku wnioskowania? Na wyjściu bloku wnioskowania otrzymujemy jeden zbiór rozmyty B’Y określony wzorem: Funkcja przynależności zbioru ma postać gdzie S jest dowolną s –normą i Często:

Blok rozmywania – przykład Rozważmy rozmyty system wnioskujący z bazą reguł: R1: JEŻELI x1 jest A11 I x2 jest A21 TO y jest B1 R2: JEŻELI x1 jest A12 I x2 jest A22 TO y jest B2 Na wejście sterownika podano sygnał W wyniku rozmywania typu singleton otrzymujemy zbiory rozmyte o funkcjach przynależności

Przykład 1 (cd) Podstawmy te funkcje przynależności do przykładu 1 (minimum): Wówczas: Ostatecznie (sumujemy dwa zbiory):

Przykład 1 (cd) min

Przykład 3 Pozostańmy przy systemie wnioskującym z przykładu 1 (minimum) ale przyjmijmy, że implikacja jest modelowana przez iloczyn: Ponieważ mamy 2 sygnały na wejściu: Wówczas: Ostatecznie otrzymujemy:

Przykład 3 (cd) min

Przykład 4 Załóżmy, że w przy pomocy satelity na pewnym obszarze dokonane zostały pomiary 3 parametrów , H, .  H  Zakres zmienności parametrów jest następujący [0,255] H[0,1] [0,90] Na podstawie uzyskanych wyników chcemy dokonać klasyfikacji terenu: teren miejski, las, pole uprawne, droga

Przykład 4 (cd) Przyjmujemy, że z każdą z wielkości , H,  związana jest pewna zmienna lingwistyczna (oznaczmy je przez , H, ). Możliwe wartości tych zmiennych to: {bardzo niskie, niskie, średnie, wysokie, bardzo wysokie} H {bardzo niskie, niskie, średnie, wysokie}  {niskie, średnie, wysokie} Ponieważ wartości powyższych zmiennych są nieprecyzyjne zatem z każdą z tych wartości możemy związać pewien zbiór rozmyty

Przykład 4 (cd) Przyjmijmy, że zbiory te są zdefiniowane następująco:

Przykład 4 (cd) Baza reguł: Regułą  H  Teren 1 Bardzo wysokie Średnie Miejski 2 Wysokie lub bardzo wysokie Bardzo niskie Średnie/wysokie 3 Wysokie Las 4 5 Średnie/niskie Pola uprawne 6 Niskie lub bardzo niskie Niskie 7 Droga

Z bazy reguł odczytujemy, że interesują nas reguły 3 i 4. Przykład 4 (cd) Na wejściu sterownika otrzymujemy 3 wartości liczbowe charakteryzujące każdy piksel na obrazku Przyjmijmy, że x=[160,0.8,30] Policzmy stopień przynależności piksela o takich wartościach parametrów do klasy las. Z bazy reguł odczytujemy, że interesują nas reguły 3 i 4. Obliczamy w jakim stopniu rozważany piksel spełnia te reguły. Np. implikacja min reguła(3)=min{wysokie(160), wysokie(0,8)}=min{0.74, 1}=0.74

Przykład 4 (cd) Stopień przynależności piksela o takich wartościach parametrów do klasy las możemy obliczyć następująco: las([160,0.8,30])= max{reguła(3), reguła(4)} W efekcie piksel o danych wartościach parametrów może należeć do kilku klas z różnymi stopniami przynależności np. teren miejski([160,0.8,30])=0,4 las([160,0.8,30])=0,7 pole uprawne([160,0.8,30])=0,5 droga([160,0.8,30])=0,9 Aby otrzymać jednoznaczną przynależność musimy wyostrzyć wynik otrzymany z bloku wnioskowania. Możemy przyjąć, że pozostajemy przy największej wartości. Zatem wynik klasyfikacji to: droga.

Przykład 4 (cd)  H  Rezultat klasyfikacji

Koniec wykładu 5