Jetzt laden

Werbung
Übersicht zu Verfahren
des Soft Computing
Tutorium
© Bernhard Krause
INFORM GmbH Aachen
Pascalstraße 23
D-52076 Aachen
Technologien des “Soft Computing”
 Adaptive Verfahren
 Fuzzy Logik
 Neuronale Netze
-
 NeuroFuzzy
Tel.: 02408-9456-80
Fax: 02408-9456-85
Email: [email protected]
Internet: www.fuzzytech.com
 Fuzzy Clustering
 Genetische Optimierung
Optimiert für 1024x768 /256 Farben
© INFORM 1990-1996
Slide 1
Entwicklung intelligenter
Technologien
Künstliche Intelligenz
Lernende Systeme
1940
1950
Operations Research
Künstliche Neuron. Netze
Prozeßbeobachter
Fuzzy Control
Expertensysteme
Chaos Theorie
Anwendung
Technik
1960
1970
Technik
1980
1990
Anwendung
NeuroFuzzy
Soft Computing
© INFORM 1990-1996
2000
Slide 2
Anwendungen
intelligenter Technologien
Regeln / Steuern
Embedded Control
Automatisierung
Prozeßtechnik
Simulation
Prozeßmodell
Reglermodell
Diagnose
Steuerung
Klassifizierung
Visualisierung
Aggregation
Optimierung
Modellieren
Entscheiden
Auswerten
© INFORM 1990-1996
Slide 3
Intelligentes
Regeln und Steuern
Regeln /Steuern
Embedded Control
Automatisierung
Prozeßtechnik
Zustandsregler / Filter
Fuzzy Control
Expertensystem
Regler
© INFORM 1990-1996
Slide 4
Intelligentes Regeln mit
Fuzzy Control
Aufbau eines ReglerKennfelds durch Expertise
Messen
Fuzzifizierung
Inferenz
ya=
(xe)
Defuzzifizierung
Stellen
© INFORM 1990-1996
Slide 5
Adaptives
Regeln und Steuern
Regeln / Steuern
Embedded Control
Automatisierung
Prozeßtechnik
Zustandsregler / Filter
Fuzzy Control
Expertensysteme
Regler
Parametrierer
Prozeßbeobachter
Parameteroptimierung
Fuzzy Logik
© 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
Selbstkonfigurierendes
Regeln und Steuern
Regeln / Steuern
Embedded Control
Regler
Automatisierung
Prozeßtechnik
NeuroFuzzy
Parametrierer
Künstliche Neuronale Netze
Daten
© INFORM 1990-1996
Slide 8
Selbstkonfigurierendes
Regeln durch KNN
Regeln / Steuern
Embedded Control
Künstliches
Regler
Neuronales
Netz
Lernverfahren
Parametrierer
Automatisierung
y a=
Prozeßtechnik
(xe)
Daten
© INFORM 1990-1996
Slide 9
Selbstkonfigurierendes
Regeln durch NeuroFuzzy
Regeln
Regeln //Steuern
Steuern
Embedded Control
Automatisierung
Prozeßtechnik
1
µ
y a=
Fuzzy
Regler
Control
0
-10
-5
0
+5 +10
(xe ,p )
Lernverfahren
Parametrierer
Daten
© INFORM 1990-1996
Slide 10
Modellieren
Modellieren
Simulation
Prozeßmodell
Reglermodell
Daten
KNN
NeuroFuzzy
© INFORM 1990-1996
Mathematik
Fuzzy Logik
Slide 11
Modellieren mit Fuzzy Logik
Modellieren
Simulation
Prozeßmodell
Reglermodell
1
µ
0
-10
© INFORM 1990-1996
µ
-5
0
+5 +10
Slide 12
Modellieren mit KNN
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
Regelbasierte Klassifikation
durch Expertensysteme
Entscheiden
Classification
Prepro-
konventionelle
Programierung
Expertensysteme
cessing
If feature_1 < 0.5
Then obj_1 is class A
A
B C
Eigenschaften
 Feste Schwellen zur Entscheidung
 Ergebnis ist Zuordnung zu vorgegebener Klasse
© INFORM 1990-1996
Slide 15
Regelbasierte Klassifikation
durch Fuzzy Logik
Entscheiden
Classification
Prepro-
Fuzzy Datenanalyse
cessing
A
B C
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
KNN
NeuroFuzzy
A
B C
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
Auswerten
Visualisierung
Datenraum
Prozeß
Daten
X3
Filter
Fuzzy Logik
© INFORM 1990-1996
Optimierung
Optimierung
Merkmalsraum
Merkmal
X1
Datenerfassung
Aggregation
Aggregation
X2
X4
Extraktion
Strukturensuche
Statistik
KNN
Clustern
Fuzzy Logik
Fuzzy Clustern
NeuroFuzzy
Slide 18
Aggregation durch Clustern
Cluster 2
9
3
3
6
2
2
5
4
1
9
12
12
11 14
11 14
10
10
13
13
15
15
6
5
4
1
© INFORM 1990-1996
7
Anwendung von Clusterverfahren
 Reduktion von Datenmengen
 Auffinden typischer Muster
 Ergebnis des Clustering sind
Merkmale, keine Analyse
7
8
8
Cluster 1
Slide 19
Aggregation durch
Fuzzy Clustering
Aggregation
Konventionelle und Fuzzy
Clusterverfahren
3.9
15.1
6.9
21
51
4.9
1.9
12.1
7.8
8.5
9.2 110
140
10.1
13.1
Fuzzy Clustering
löst die Aufgabe
© INFORM 1990-1996
Konventionelles Clustern
 Elemente genau in eine Klasse
 Unsinnige Klassenbildung möglich
Fuzzy Clustern
 Zugehörigkeitsgrad zu Cluster
 Lösung von Problemen, die durch
starre Klassen nicht lösbar sind
 Mit weniger Klassen bessere
Klassifizierungen
Slide 20
Optimierung
Suchen eines Optimums zu einem Gütekriterium
 Gütefunktion oder Daten?
 Minimum oder Maximum?
 Stetiger Lösungsraum? (Lokale Minima/Maxima)
 Dimension des Lösungsraums?
 Dimension des Parameterraums?
f(x)
© INFORM 1990-1996
NeuroFuzzy
Lernende Systeme
Operations Research
System
Güte
KNN
D
Genetische Verfahren
D
Fuzzy Control
Bolzmann
Tabu
Slide 21
Optimierung durch
Genetische Verfahren
Optimierung durch
 Mutation: Veränderung der Parameter
 Selektion der besten Lösung(en)
System
Parameter
System
D
Mutation
© INFORM 1990-1996
D
Selektion
Slide 22
Genetische Optimierung
eines Fuzzy Systems
Optimierung
Optimierung von Fuzzy System Parametern
 Mutation: Veränderung der Parameter
 Selektion der besten Lösung(en)
System
Parameter
System
D
Mutation
© INFORM 1990-1996
D
Selektion
Slide 23
Herunterladen