Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Übersicht zu Verfahren des Soft Computing © INFORM 1990-1996Slide 1 Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D-52076 Aachen - Tel.:

Ähnliche Präsentationen


Präsentation zum Thema: "Übersicht zu Verfahren des Soft Computing © INFORM 1990-1996Slide 1 Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D-52076 Aachen - Tel.:"—  Präsentation transkript:

1 Übersicht zu Verfahren des Soft Computing © INFORM Slide 1 Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D Aachen - Tel.: Fax: Internet: Optimiert für 1024x768 /256 Farben Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D Aachen - Tel.: Fax: Internet: Optimiert für 1024x768 /256 Farben Technologien des Soft Computing X Adaptive Verfahren X Fuzzy Logik X Neuronale Netze X NeuroFuzzy X Fuzzy Clustering X Genetische Optimierung Technologien des Soft Computing X Adaptive Verfahren X Fuzzy Logik X Neuronale Netze X NeuroFuzzy X Fuzzy Clustering X Genetische Optimierung

2 Entwicklung intelligenter Technologien © INFORM Slide Künstliche Intelligenz Lernende Systeme Operations Research Künstliche Neuron. Netze Prozeßbeobachter Fuzzy Control Expertensysteme Chaos Theorie NeuroFuzzy Soft Computing TechnikTechnik Anwendung Anwendung

3 Anwendungen intelligenter Technologien © INFORM Slide 3 Regeln / Steuern Embedded Control AutomatisierungProzeßtechnik Modellieren SimulationProzeßmodellReglermodell Entscheiden DiagnoseSteuerungKlassifizierung Auswerten VisualisierungAggregationOptimierung

4 Intelligentes Regeln und Steuern © INFORM Slide 4 Regler Regeln /Steuern Embedded Control ProzeßtechnikAutomatisierung Zustandsregler / Filter Expertensystem Fuzzy Control

5 Intelligentes Regeln mit Fuzzy Control Intelligentes Regeln mit Fuzzy Control © INFORM Slide 5 Messen Stellen Fuzzifizierung Inferenz Defuzzifizierung ya=ya= ya=ya= (x e ) Aufbau eines Regler- Kennfelds durch Expertise

6 Adaptives Regeln und Steuern © INFORM Slide 6 Regler Regeln / Steuern Embedded Control ProzeßtechnikAutomatisierung Fuzzy Control Zustandsregler / Filter Expertensysteme Parametrierer Prozeßbeobachter Parameteroptimierung Fuzzy Logik

7 Adaptives Regeln mit Fuzzy Control © INFORM Slide 7 Fuzzy Control Fuzzy Logik Adaptive Anforderungen an den Regler beschreibbar XDurch gemeinsame Struktur Vernetzung von Regler und Parametrierer XLösung durch Aufbau von Mehrgrößenreglern Adaptive Anforderungen an den Regler beschreibbar XDurch gemeinsame Struktur Vernetzung von Regler und Parametrierer XLösung durch Aufbau von Mehrgrößenreglern Einfache Struktur := Komplexe Regelformulierung Komplexe Struktur := Einfache Regelformulierung

8 Selbstkonfigurierendes Regeln und Steuern © INFORM Slide 8 Regler Regeln / Steuern Embedded Control ProzeßtechnikAutomatisierung Parametrierer Daten Künstliche Neuronale Netze NeuroFuzzy

9 Selbstkonfigurierendes Regeln durch KNN © INFORM Slide 9 Regler Regeln / Steuern Embedded Control ProzeßtechnikAutomatisierung Parametrierer Lernverfahren Künstliches Neuronales Netz Daten ya=ya= ya=ya= (x e )

10 Selbstkonfigurierendes Regeln durch NeuroFuzzy © INFORM Slide 10 Regler Regeln /Steuern Embedded Control ProzeßtechnikAutomatisierung Parametrierer Lernverfahren Fuzzy Control Daten 0 1 µ ya=ya=ya=ya= (x e,p ) Regeln / Steuern

11 Modellieren © INFORM Slide 11 Modellieren SimulationReglermodellProzeßmodell Mathematik Fuzzy Logik KNN Daten NeuroFuzzy

12 Modellieren mit Fuzzy Logik © INFORM Slide 12 Modellieren SimulationReglermodellProzeßmodell 0 1 µ µ

13 Modellieren mit KNN © INFORM Slide 13 Modellieren SimulationReglermodellProzeßmodell Daten Daten Modellieren

14 Entscheiden © INFORM Slide 14 Entscheiden DiagnoseKlassifizierungSteuerung Operations Research Expertensysteme Fuzzy Entscheider KNN

15 Regelbasierte Klassifikation durch Expertensysteme © INFORM Slide 15 konventionelle Programierung Expertensysteme Eigenschaften XFeste Schwellen zur Entscheidung XErgebnis ist Zuordnung zu vorgegebener Klasse Eigenschaften XFeste Schwellen zur Entscheidung XErgebnis ist Zuordnung zu vorgegebener Klasse Entscheiden

16 Eigenschaften XFuzzy Regeln erlauben natürlichsprachliche Formulierung von Klassifikationsregeln XZustandsorientierte Sichtweise für transparenten Aufbau komplexer Systeme XÜberwachung des Klassifikationsraums XErgebnis ist Zuordnung zu vorgegebener Klasse Eigenschaften XFuzzy Regeln erlauben natürlichsprachliche Formulierung von Klassifikationsregeln XZustandsorientierte Sichtweise für transparenten Aufbau komplexer Systeme XÜberwachung des Klassifikationsraums XErgebnis ist Zuordnung zu vorgegebener Klasse Regelbasierte Klassifikation durch Fuzzy Logik © INFORM Slide 16 Fuzzy Datenanalyse Entscheiden

17 Eigenschaften XKlassifikation wird durch repräsentative Beispiele trainiert XDurch Interpolation Funktion im gesamten Zustandsraum XErgebnis ist Zuordnung zu vorgegebener Klasse Eigenschaften XKlassifikation wird durch repräsentative Beispiele trainiert XDurch Interpolation Funktion im gesamten Zustandsraum XErgebnis ist Zuordnung zu vorgegebener Klasse Klassifikation durch künstliche neuronale Netze © INFORM Slide 17 NeuroFuzzy KNN EntscheidenEntscheiden

18 Auswerten durch Datenanalyse © INFORM Slide 18 Prozeß Daten Datenerfassung Filter Fuzzy Logik Daten- raum Daten- raum X1X1 X1X1 X2X2 X2X2 X3X3 X3X3 X4X4 X4X4 Extraktion Merkmal Statistik Clustern Fuzzy Clustern Merkmals- raum Strukturensuche KNN Fuzzy Logik NeuroFuzzy Entscheiden Auswerten VisualisierungAggregationOptimierung AggregationOptimierung

19 Anwendung von Clusterverfahren XReduktion von Datenmengen XAuffinden typischer Muster XErgebnis des Clustering sind Merkmale, keine Analyse Anwendung von Clusterverfahren XReduktion von Datenmengen XAuffinden typischer Muster XErgebnis des Clustering sind Merkmale, keine Analyse Aggregation durch Clustern © INFORM Slide 19

20 Aggregation durch Fuzzy Clustering © INFORM Slide 20 Konventionelle und Fuzzy Clusterverfahren Konventionelles Clustern XElemente genau in eine Klasse XUnsinnige Klassenbildung möglich Konventionelles Clustern XElemente genau in eine Klasse XUnsinnige Klassenbildung möglich Fuzzy Clustern XZugehörigkeitsgrad zu Cluster XLösung von Problemen, die durch starre Klassen nicht lösbar sind XMit weniger Klassen bessere Klassifizierungen Fuzzy Clustern XZugehörigkeitsgrad zu Cluster XLösung von Problemen, die durch starre Klassen nicht lösbar sind XMit weniger Klassen bessere Klassifizierungen Fuzzy Clustering löst die Aufgabe Aggregation

21 Optimierung © INFORM Slide 21 System Güte f(x) Suchen eines Optimums zu einem Gütekriterium XGütefunktion oder Daten? XMinimum oder Maximum? XStetiger Lösungsraum? (Lokale Minima/Maxima) XDimension des Lösungsraums? XDimension des Parameterraums? Suchen eines Optimums zu einem Gütekriterium XGütefunktion oder Daten? XMinimum oder Maximum? XStetiger Lösungsraum? (Lokale Minima/Maxima) XDimension des Lösungsraums? XDimension des Parameterraums? Operations Research Fuzzy Control Genetische Verfahren Bolzmann Tabu Lernende Systeme NeuroFuzzyKNN

22 Optimierung durch Genetische Verfahren © INFORM Slide 22 Parameter System Mutation Optimierung durch XMutation: Veränderung der Parameter Optimierung durch XMutation: Veränderung der Parameter XSelektion der besten Lösung(en) Selektion System

23 Genetische Optimierung eines Fuzzy Systems © INFORM Slide 23 Mutation Selektion Parameter System System Optimierung von Fuzzy System Parametern XMutation: Veränderung der Parameter Optimierung von Fuzzy System Parametern XMutation: Veränderung der Parameter XSelektion der besten Lösung(en) Optimierung


Herunterladen ppt "Übersicht zu Verfahren des Soft Computing © INFORM 1990-1996Slide 1 Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D-52076 Aachen - Tel.:"

Ähnliche Präsentationen


Google-Anzeigen