Übersicht zu Verfahren des Soft Computing Tutorium © Bernhard Krause INFORM GmbH Aachen Pascalstraße 23 D-52076 Aachen - Tel.: 02408-9456-80 Fax: 02408-9456-85 Email: hotline@inform-ac.com Internet: www.fuzzytech.com Optimiert für 1024x768 /256 Farben Technologien des “Soft Computing” Adaptive Verfahren Fuzzy Logik Neuronale Netze NeuroFuzzy Fuzzy Clustering Genetische Optimierung © INFORM 1990-1996 Slide 1
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 1990-1996 Slide 2
Anwendungen intelligenter Technologien Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Modellieren Simulation Prozeßmodell Reglermodell Entscheiden Diagnose Steuerung Klassifizierung Auswerten Visualisierung Aggregation Optimierung © INFORM 1990-1996 Slide 3
Zustandsregler / Filter Intelligentes Regeln und Steuern Regeln /Steuern Embedded Control Automatisierung Prozeßtechnik Zustandsregler / Filter Fuzzy Control Expertensystem Regler © INFORM 1990-1996 Slide 4
ya= (xe) Intelligentes Regeln mit Fuzzy Control Aufbau eines Regler-Kennfelds durch Expertise Messen Fuzzifizierung Inferenz Defuzzifizierung ya= (xe) Stellen © INFORM 1990-1996 Slide 5
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 1990-1996 Slide 6
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 1990-1996 Slide 7
Künstliche Neuronale Netze Selbstkonfigurierendes Regeln und Steuern Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Regler NeuroFuzzy Künstliche Neuronale Netze Parametrierer Daten © INFORM 1990-1996 Slide 8
Künstliches Neuronales Netz Selbstkonfigurierendes Regeln durch KNN Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik Künstliches Neuronales Netz Regler ya= (xe) Parametrierer Lernverfahren Daten © INFORM 1990-1996 Slide 9
ya= (xe ,p ) Selbstkonfigurierendes Regeln durch NeuroFuzzy Regler Regeln /Steuern Regeln / Steuern Embedded Control Automatisierung Prozeßtechnik 1 µ -10 -5 +5 +10 ya= (xe ,p ) Regler Fuzzy Control Parametrierer Lernverfahren Daten © INFORM 1990-1996 Slide 10
Modellieren Daten Modellieren Simulation Prozeßmodell Reglermodell Mathematik KNN Daten NeuroFuzzy Fuzzy Logik © INFORM 1990-1996 Slide 11
Modellieren mit Fuzzy Logik Simulation Prozeßmodell Reglermodell 1 µ -10 -5 +5 +10 µ © INFORM 1990-1996 Slide 12
Modellieren mit KNN Daten Modellieren Modellieren Simulation Prozeßmodell Reglermodell Daten © INFORM 1990-1996 Slide 13
Entscheiden Entscheiden Diagnose Steuerung Klassifizierung Expertensysteme Operations Research Fuzzy Entscheider KNN © INFORM 1990-1996 Slide 14
konventionelle Programierung Regelbasierte Klassifikation durch Expertensysteme Entscheiden konventionelle Programierung Expertensysteme Eigenschaften Feste Schwellen zur Entscheidung Ergebnis ist Zuordnung zu vorgegebener Klasse © INFORM 1990-1996 Slide 15
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 1990-1996 Slide 16
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 1990-1996 Slide 17
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 1990-1996 Slide 18
Aggregation durch Clustern Anwendung von Clusterverfahren Reduktion von Datenmengen Auffinden typischer Muster Ergebnis des Clustering sind Merkmale, keine Analyse © INFORM 1990-1996 Slide 19
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 1990-1996 Slide 20
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 1990-1996 Slide 21
Optimierung durch Genetische Verfahren Mutation Optimierung durch Mutation: Veränderung der Parameter Selektion der besten Lösung(en) Selektion Parameter System D System © INFORM 1990-1996 Slide 22
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 1990-1996 Slide 23