Fuzzymengen – Was ist das?

Slides:



Advertisements
Ähnliche Präsentationen
Definition [1]: Sei S eine endliche Menge und sei p eine Abbildung von S in die positiven reellen Zahlen Für einen Teilmenge ES von S sei p definiert.
Advertisements

Programmierung 1 - Repetitorium
Algebraische Zahlen: Exaktes Rechnen mit Wurzeln
Schnelle Matrizenoperationen von Christian Büttner
Finale Semantik und beobachtbares Verhalten
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2012.
Ein Modellansatz zur Beschreibung von Vagheiten
Einige entscheidbare bzw. rekursiv aufzählbare Sprachen
1 Vorlesung Informatik 2 Algorithmen und Datenstrukturen (02 – Funktionenklassen) Prof. Dr. Th. Ottmann.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (19 - Analyse natürlicher Bäume) Prof. Th. Ottmann.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (02 – Funktionenklassen) Tobias Lauer.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen Halbzeit: Was haben wir bisher gelernt? Prof. Th. Ottmann.
Kapitel 5 Stetigkeit.
Kapitel 1 Die natürlichen und die ganze Zahlen. Kapitel 1: Die natürlichen und die ganzen Zahlen © Beutelspacher/Zschiegner April 2005 Seite 2 Inhalt.
Kapitel 6 Differenzierbarkeit. Kapitel 6: Differenzierbarkeit © Beutelspacher Juni 2005 Seite 2 Inhalt 6.1 Die Definition 6.2 Die Eigenschaften 6.3 Extremwerte.
Kapitel 2 Die rationalen und die irrationalen Zahlen.
Mathematische Grundlagen
V. Algebra und Geometrie
Quaternionen Eugenia Schwamberger.
Mathematische Grundlagen und Rechnen mit algebraischen Zahlen
§14 Basis und Dimension (14.1) Definition: V sei wieder ein K-Vektorraum. Eine Menge B von Vektoren aus V heißt Basis von V, wenn B ist Erzeugendensystem.
Folie 1 § 30 Erste Anwendungen (30.2) Rangberechnung: Zur Rangberechnung wird man häufig die elementaren Umformungen verwenden. (30.1) Cramersche Regel:
§9 Der affine Raum – Teil 2: Geraden
§11 Skalarprodukt. Euklidische Räume
§8 Gruppen und Körper (8.1) Definition: Eine Gruppe G ist eine Menge zusammen mit einer Verknüpfung, die jedem Paar (a,b) von Elementen aus G ein weiteres.
Binomialverteilung: Beispiel
Matrix-Algebra Grundlagen 1. Matrizen und Vektoren
§10 Vektorraum. Definition und Beispiele
§17 Produkte und Quotienten von Vektorräumen
§24 Affine Koordinatensysteme
Grenzen der Regularität
Vektoren Grundbegriffe für das Information Retrieval
Zeit: 13h-15h Datum: Raum: IFW B42
Effiziente Algorithmen
§10 Vektorraum. Definition und Beispiele
§23 Basiswechsel und allgemeine lineare Gruppe
Mehrkriterielle Optimierung mit Metaheuristiken
Wahrscheinlichkeit Zufallsexperiment:
Formale Sprachen Grammatiken und die Chomsky-Hierarchie
Lineare Funktionen und ihre Schaubilder, die Geraden
Formale Sprachen Mathematische Grundlagen Rudolf FREUND, Marian KOGLER.
Vorwissen: Begriff der Steigung Geradengleichung Polynomfunktionen Monotonie und Extremwerte In den ersten Beispielen werden dieses Wissen allerdings wiederholt.
Noam CHOMSKY, Sheila GREIBACH
ENDLICHE KÖRPER RSA – VERFAHREN.
Automaten, formale Sprachen und Berechenbarkeit II SoSe 2004 Prof. W. Brauer Teil 3: Potenzreihen und kontextfreie Sprachen (Vgl. Buch von A. Salomaa)
Arne Vater Wintersemester 2006/ Vorlesung
Reelle Zahlen Grundrechenarten √2, √3, √5, … V 0.1.
Stetige Kleinste-Quadrate-Approximation
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Geoinformation II 6. Sem. Vorlesung Mai 2000 Konstruktion des Voronoi-Diagramms.
Nichtlineare Optimierung
Folie 1 §21 Das Produkt von Matrizen (21.1) Definition: Für eine (m,n)-Matrix A und eine (n,s)-Matrix B ist das (Matrizen-) Produkt AB definiert als (21.2)
Lineare Algebra 11. Matrizen Eine m  n-Matrix ist ein Raster aus m  n Koeffizienten, die in m Zeilen und n Spalten angeordnet sind. = (a ij )
Theorie, Anwendungen, Verallgemeinerungen
Grundlagen01Logik 02Mengen 03Relationen Arithmetik04Die natürlichen Zahlen 05Erweiterungen der Zahlenmenge Elementare Geometrie06Ebene Geometrie 07Trigonometrie.
2. Einzielentscheidungen mit einem Szenarium
Kapitel 4 Restklassen (die modulo-Rechnung)
2. Einzielentscheidungen mit einem Szenarium
Syntax, Semantik, Spezifikation - Grundlagen der Informatik R. Hartwig Kapitel 3 / 1 Algebraische Hülle und Homomorphie A = [A, F ] sei  -Algebra. Eine.
Das Konzept unscharfer Mengen
Graphische Datenverarbeitung
Wann ist eine Funktion (über den natürlichen Zahlen) berechenbar?
 Sortigkeit oder Arität
Folie 1 §8 Gruppen und Körper (8.1) Definition: Eine Gruppe G ist eine Menge zusammen mit einer Verknüpfung, die jedem Paar (a,b) von Elementen aus G ein.
Vertiefungsstoff zum Thema „Darstellung von Zahlen“
Potenzen, Wurzeln & Logarithmen
Theorie der unscharfen Mengen
§23 Basiswechsel und allgemeine lineare Gruppe
ReduSoft Ltd. Kurzbeschreibungen zu einigen Modulen, die im Programm MathProf 5.0 unter dem Themenbereich Algebra implementiert sind. Matrizen.
 Präsentation transkript:

Fuzzymengen – Was ist das? Zuordnung von Werten zu Elementen x aus X einer Menge M durch charakteristische Funktion: Problem Anwendungen fordern „Übergänge“ zwischen Zugehörigkeit und Nicht-Zugehörigkeit zu einer Menge Zugehörigkeitswerte 0,1 werden erweitert zu reellem Einheitsintervall I Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Was ist das? man erhält neue charakteristische Funktion scharfe Mengen sind spezielle unscharfe Mengen unscharfe Menge ist durch Zugehörigkeitsfunktion eindeutig bestimmt: wichtige Größen: Träger: Höhe: Kern: Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Was ist das? weitere scharfe Mengen zuordenbar: α-Schnitt: scharfer α-Schnitt: α-Komponente: A ist durch (scharfen) α-Schnitt eindeutig bestimmt und lässt sich in scharfe Mengen zerlegen Kern: Träger: Fuzzymengen – Ein Modellansatz Frieder Jacobi

Mengenoperationen t-Norm-basierte Operationen ist eine binäre Operation t: kommutativ, assoziativ, monoton wachsend 1 als neutrales Element, 0 als Nullelement für beliebige muss gelten: nicht interaktiv heißt eine t-Norm, wenn gilt: und besonders: daraus folgt Idempotenz Fuzzymengen – Ein Modellansatz Frieder Jacobi

Mengenoperationen t-Norm-basierte Operationen Durchschnitt ist definiert durch: übliche t-Normen ( ): Durchschnitt t0: algebraisches Produkt t1: beschränktes Produkt t2: drastisches Produkt t3: es gilt: Fuzzymengen – Ein Modellansatz Frieder Jacobi

Mengenoperationen t-Norm-basierte Operationen t-Conorm st ist eine zu t duale t-Conorm Definition: binäre Operation kommutativ, assoziativ, monoton wachsend für beliebige muss gelten: Fuzzymengen – Ein Modellansatz Frieder Jacobi

Mengenoperationen t-Norm-basierte Operationen Vereinigung wird aus Durchschnitt mittels Komplementbildung erzeugt: übliche t-Conormen ( ): Vereinigung s0: algebraische Summe s1: beschränkte Summe s2: drastische Summe s3: es gilt: Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Ein Modellansatz Mengenoperationen ZADEH (1965) Verallgemeinerungen der elementaren mengenalgebraischen Operationen für unscharfe Mengen Vereinigung: Durchschnitt: Komplement: erkannte als einzige nicht-interaktive Verknüpfung, es gilt: deutete andere Varianten an Fuzzymengen – Ein Modellansatz Frieder Jacobi

Mengenoperationen einparametrische t-Norm-basierte Operationen einparametrische Familien von t-Normen Teilklassen der Menge der möglichen t-Normen für bestimmte Parameterwerte streben die Durchschnitte und Vereinigungen gegen die bereits definierten ausreichend umfangreich einfach handhabbar, überschaubar Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Ein Modellansatz Mengenoperationen Erweiterungsprinzip: sei g eine n-stellige Funktion in X: lässt sich g auf unscharfe Zahlen aus erweitern? soll sich aus ergeben Zugehörigkeitswerte sollen Zugehörigkeitswert bestimmen wird so zu erweitert, dass gilt: gilt auch α-Schnitt-weise: statt min ist jede andere t-Norm möglich, min ist jedoch üblich Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Ein Modellansatz Zahlenarithmetik praktischer Ansatz: Zugehörigkeitsfunktion sollte nur 1 Maxima haben, d.h. die Menge ist konvex: Grundbereich sollte Menge der reellen Zahlen sein: unscharfe Zahl: , d.h. Kern ist Einermenge unscharfes Intervall: jede unscharfe Zahl ist ein unscharfes Intervall gewöhnliche Zahlen sind besondere unscharfe Zahlen Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Ein Modellansatz Zahlenarithmetik Grundrechenarten: Erweiterungsprinzip wird angewendet: für Summe, Differenz und Produkt sei # das entsprechende Operationszeichen (+,-,*) Negatives Quotient: nur für unscharfes Intervall Kehrwert Quotient Fuzzymengen – Ein Modellansatz Frieder Jacobi

Fuzzymengen – Ein Modellansatz Zahlenarithmetik für Rechnen mit unscharfen Zahlen können folgende Vereinbarungen vorteilhaft sein: Intervall ist monoton steigend, Intervall monoton fallend beide Intervalle sind einem bestimmten Funktionstyp zuzuordnen falls die Einschränkungen der Zugehörigkeitsfunktion interessieren nur auf und werden genannt Fuzzymengen – Ein Modellansatz Frieder Jacobi

Zahlenarithmetik L/R-Darstellung unscharfer Zahlen Definition eine L/R-Darstellung einer unscharfen Zahl liegt vor, falls A durch seiner Zugehörigkeitsfunktion angegeben wird sind lineare Funktionen, heißt A unscharfe Zahl mit linearer L/R-Zerlegung oder dreiecksförmig gilt zusätzlich und , dann heißt A trapezförmig man schreibt genau dann, wenn und Fuzzymengen – Ein Modellansatz Frieder Jacobi

Zahlenarithmetik L/R-Darstellung unscharfer Zahlen seien und unscharfe Zahlen mit linearer L/R-Darstellung Summe Differenz Negatives Multiplikation mit Skalar Beispiel: Fuzzymengen – Ein Modellansatz Frieder Jacobi

Zahlenarithmetik L/R-Darstellung unscharfer Zahlen Produkt und Quotient unscharfer Zahlen mit linearer L/R-Darstellung sind i.A. keine unscharfer Zahlen mit linearer L/R-Darstellung mehr es existieren Näherungsformeln ( ): Produkt: Quotient: Kehrwert: Multiplikation ohne Einschränkung der Träger man setzt und findet: und erhält als Näherungsformel: Fuzzymengen – Ein Modellansatz Frieder Jacobi