Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Rebekka Eggemeyer Geändert vor über 10 Jahren
1
Übersicht zu Verfahren des Soft Computing
Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D Aachen - Tel.: Fax: Internet: Optimiert für 1024x768 /256 Farben Technologien des “Soft Computing” Adaptive Verfahren Fuzzy Logik Neuronale Netze NeuroFuzzy Fuzzy Clustering Genetische Optimierung © INFORM Slide 1
2
Künstliche Intelligenz Künstliche Neuron. Netze
Entwicklung intelligenter Technologien Künstliche Intelligenz 1940 Lernende Systeme 1950 Operations Research 1960 Künstliche Neuron. Netze 1970 Prozeßbeobachter Technik Fuzzy Control 1980 Expertensysteme Chaos Theorie Anwendung 1990 NeuroFuzzy 2000 Soft Computing © INFORM Slide 2
3
Anwendungen intelligenter Technologien
Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Modellieren Simulation Prozeßmodell Reglermodell Entscheiden Diagnose Steuerung Klassifizierung Auswerten Visualisierung Aggregation Optimierung © INFORM Slide 3
4
Zustandsregler / Filter
Intelligentes Regeln und Steuern Regeln /Steuern Embedded Control Automatisierung Prozeßtechnik Zustandsregler / Filter Fuzzy Control Expertensystem Regler © INFORM Slide 4
5
ya= (xe) Intelligentes Regeln mit Fuzzy Control
Aufbau eines Regler-Kennfelds durch Expertise Messen Fuzzifizierung Inferenz Defuzzifizierung ya= (xe) Stellen © INFORM Slide 5
6
Zustandsregler / Filter Parameteroptimierung
Adaptives Regeln und Steuern Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Zustandsregler / Filter Parametrierer Fuzzy Control Expertensysteme Regler Parameteroptimierung Fuzzy Logik Prozeßbeobachter © INFORM Slide 6
7
Adaptives Regeln mit Fuzzy Control
Adaptive Anforderungen an den Regler beschreibbar Durch gemeinsame Struktur Vernetzung von Regler und Parametrierer Lösung durch Aufbau von Mehrgrößenreglern Einfache Struktur := Komplexe Regelformulierung Fuzzy Control Fuzzy Logik Komplexe Struktur := Einfache Regelformulierung © INFORM Slide 7
8
Künstliche Neuronale Netze
Selbstkonfigurierendes Regeln und Steuern Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Regler NeuroFuzzy Künstliche Neuronale Netze Parametrierer Daten © INFORM Slide 8
9
Künstliches Neuronales Netz
Selbstkonfigurierendes Regeln durch KNN Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Künstliches Neuronales Netz Regler ya= (xe) Parametrierer Lernverfahren Daten © INFORM Slide 9
10
ya= (xe ,p ) Selbstkonfigurierendes Regeln durch NeuroFuzzy Regler
Regeln /Steuern Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik 1 -10 -5 +5 +10 ya= (xe ,p ) Regler Fuzzy Control Parametrierer Lernverfahren Daten © INFORM Slide 10
11
Modellieren Daten Modellieren Simulation Prozeßmodell Reglermodell
Mathematik KNN Daten NeuroFuzzy Fuzzy Logik © INFORM Slide 11
12
Modellieren mit Fuzzy Logik
Simulation Prozeßmodell Reglermodell 1 -10 -5 +5 +10 © INFORM Slide 12
13
Modellieren mit KNN Daten Modellieren Modellieren Simulation
Prozeßmodell Reglermodell Daten © INFORM Slide 13
14
Entscheiden Entscheiden Diagnose Steuerung Klassifizierung
Expertensysteme Operations Research Fuzzy Entscheider KNN © INFORM Slide 14
15
konventionelle Programierung
Regelbasierte Klassifikation durch Expertensysteme Entscheiden konventionelle Programierung Expertensysteme Eigenschaften Feste Schwellen zur Entscheidung Ergebnis ist Zuordnung zu vorgegebener Klasse © INFORM Slide 15
16
Regelbasierte Klassifikation durch Fuzzy Logik
Entscheiden Fuzzy Datenanalyse Eigenschaften Fuzzy Regeln erlauben natürlichsprachliche Formulierung von Klassifikationsregeln Zustandsorientierte Sichtweise für transparenten Aufbau komplexer Systeme Überwachung des Klassifikationsraums Ergebnis ist Zuordnung zu vorgegebener Klasse © INFORM Slide 16
17
Klassifikation durch künstliche neuronale Netze
Entscheiden Entscheiden KNN NeuroFuzzy Eigenschaften Klassifikation wird durch repräsentative Beispiele trainiert Durch Interpolation Funktion im gesamten Zustandsraum Ergebnis ist Zuordnung zu vorgegebener Klasse © INFORM Slide 17
18
Auswerten durch Datenanalyse
Visualisierung Aggregation Optimierung Aggregation Optimierung Prozeß Daten Datenerfassung Daten- raum X1 X2 X3 X4 Extraktion Merkmal Merkmals- raum Strukturensuche Statistik KNN Filter Clustern Entscheiden Fuzzy Logik Fuzzy Logik Fuzzy Clustern NeuroFuzzy © INFORM Slide 18
19
Aggregation durch Clustern
Anwendung von Clusterverfahren Reduktion von Datenmengen Auffinden typischer Muster Ergebnis des Clustering sind Merkmale, keine Analyse © INFORM Slide 19
20
Konventionelle und Fuzzy Clusterverfahren
Aggregation durch Fuzzy Clustering Aggregation Konventionelle und Fuzzy Clusterverfahren Konventionelles Clustern Elemente genau in eine Klasse Unsinnige Klassenbildung möglich Fuzzy Clustering löst die Aufgabe Fuzzy Clustern Zugehörigkeitsgrad zu Cluster Lösung von Problemen, die durch starre Klassen nicht lösbar sind Mit weniger Klassen bessere Klassifizierungen © INFORM Slide 20
21
f(x) Optimierung D Operations Research
Suchen eines Optimums zu einem Gütekriterium Gütefunktion oder Daten? Minimum oder Maximum? Stetiger Lösungsraum? (Lokale Minima/Maxima) Dimension des Lösungsraums? Dimension des Parameterraums? Lernende Systeme NeuroFuzzy KNN Operations Research System D Güte Fuzzy Control Genetische Verfahren Bolzmann Tabu f(x) © INFORM Slide 21
22
Optimierung durch Genetische Verfahren
Mutation Optimierung durch Mutation: Veränderung der Parameter Selektion der besten Lösung(en) Selektion Parameter System D System © INFORM Slide 22
23
Genetische Optimierung eines Fuzzy Systems
Optimierung von Fuzzy System Parametern Mutation: Veränderung der Parameter Selektion der besten Lösung(en) Parameter System Selektion Mutation D System © INFORM Slide 23
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.