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