FUZZY LOGIC. Christopher Palm chrpa087
|
|
- Barbro Sundberg
- för 5 år sedan
- Visningar:
Transkript
1 FUZZY LOGIC
2
3 Innehållsförteckning INLEDNING...2 HUR DET FUNGERAR...3 Crisp Sets och Fuzzy Sets...3 Operatorer...5 IF THEN regler...7 FUZZY INFERENCE...7 Fuzzification...8 Regelsättning...8 Sammanslagning...9 Defuzzification DISKUSSION REFERENSLISTA
4 Inledning Vad är fuzzy logic eller oskarp logik? I vanlig predikatlogik så utgår man från att ett predikat antingen är sant, eller om det finns en negation framför, är falskt. Vanlig logik består därför oftast av två värden, sant eller falskt, true eller false. Det finns ingenting emellan dessa två bestämda värdena. Ett exempel är ifall du tänker dig ett föremål som skrivbordsstolen du sitter på när du studerar, antingen finns den, eller så finns den inte. Det sanna (värdet 1) i det här fallet att den existerar, eftersom du sitter på den, och det falska (värdet 0) att den inte finns, vilket då leder till att du inte kan sitta på stolen, eftersom att den inte existerar. Fuzzy Logic, eller oskarp logik är det som visar att det kan finnas värden som är mellan sant och falskt, det vill säga i grader av sanning. Se då även hur oskarp logik skiljer sig från probabalistisk logik, där man räknar ut hur stor sannolikheten är för någonting att vara sant. Fuzzy Logic behandlar grader av sanning. Ta som exempel, ett glas med vatten, i vanlig logik så är glaset antingen fyllt med vatten som ger det värdet 1, eller tomt som ger värdet 0. Inom fuzzy logic så kan glaset vara helt fyllt, nästan fyllt, halvfyllt, och så vidare. Anledningen till att man använder sig av de binära talen 1 och 0 är för att underlätta uträkningen av grader av sanning, då talet 1 är helt sant, och talet 0 är helt falskt, true = 1, false = 0. För att återgå till exemplet med glaset, så kan man säga att glaset nästan är helt fyllt eller att glaset nästan är tomt. Vad man då gör är att man beräknar hur stor grad av sanning det ena uttrycket har och beräknar hur stor grad sanning det andra uttrycket har, vilket leder till att man kommer att se vilket av uttrycken det är som har en högre grad av sanning. 2
5 Hur det fungerar Crisp Sets och Fuzzy Sets För att på ett enkelt sätt visa hur det fungerar (vilket också är det sättet man vanligtvis gör det på) så använder man sig av så kallade crisp sets och fuzzy sets. Crisp sets kan förklaras i ett exempel då man kan ta längd på människor. För att i en graf visa vad som menas så kan man börja med att först förklara själva grafen, i X-axeln (x) på en graf har man värden, i det här fallet längd på människor. På Y-axeln (µ) däremot har man grader av sanning. Då kan man sätta in en så kallad crisp set, som också är en medlemfunktion. Crisp setets intervall ligger mellan , kort = [130,150]. (se graf 1.) (Graf 1, exempel på ett crisp set) Detta är ett exempel på ett crisp set. Det vill säga att man sätter ett intervall mellan två värden. Är man sedan inom det värdet så är graden av sannolikhet = 1, dvs, är din längd mellan 130 och 150, så kan man säga att crisp setet står för längder som anses vara korta, alltså, så är du kort. Variabeln kort är en lingvistisk variabel som används inom Fuzzy logic för de mer luddiga variablerna då variabeln kort inte definierar vad som är kort. Problemet är att med crisp set blir ett problem då man använder sig av fler crisp sets i en graf. Om vi säger att man har tre stycken sets; 3
6 kort = [130,150] medel = [150,170] lång = [170,190] (Graf 2, tre crisp sets) Problemet här är att även om man är att övergången från medel till lång påvisar att man är medel vid 170cm, men om någon plötsligt växer 0,1 cm till att vara 170,1cm. Är man då klassad som lång vid en tiondels centimeters skillnad, eller kan man fortfarande kallas medel? Enligt crisp set så är graden av sanning sådan att ligger man vid 170,1 cm så är graden av sanning att du är medel = 0. År 1965 introducerade Zadeh, fuzzy sets. Detta är en av orsakerna till varför fuzzy logic är en så pass oskarp logik, då det inte är konkret. Den har nämligen oskarpa gränser. Ändrar man setens intervall; kort = [120,150] medel = [155,165] lång = [170,200] Men även gör om dem till fuzzy sets så kommer grafen att se ut så här. (se graf 3.) 4
7 (Graf 3, tre fuzzy sets) Som man nu ser så blir fuzzy sets parallelltrapetser som gör de bestämda intervallen oskarpa, då de är 170,1 cm inte endast inom setet lång, utan även medel, fast med olika grader av sanning. Operatorer I fuzzy sets, precis som i crisp sets, finns det grundläggande operatorer man kan använda sig av för att kunna göra en skärningspunkt, unifiering och negering av fuzzy sets. Dessa visas både i formel och grafiskt, för att på ett simpelt sätt förklara hur de ser ut då de feta linjerna i graferna är de man räknar på senare. 5
8 Snitt, Fuzzy or. Ex, mellan seten medel och lång skulle se ut så här: M L = µ M L (x) = max(µ M (x), µ L (x)) (Graf 4, Union) Unionen, Fuzzy AND. M L = µ M L (x) = min(µ M (x), µ L (x)) (Graf 5, Snitt) Negering, Fuzzy NEGATION. M = µ M (x) = 1 - µ M (x) 6
9 (Graf 6, För att enkelt visa hur en negation ser ut så använder vi endast en fuzzy set, medel.) Den visar egentligen den uppochnervända versionen av setet.) IF-THEN-regler En annan viktig aspekt av Fuzzy Logic är de så kallade IF-THEN -regler. En enda regel är uppdelad i två delar, antecedenten och konsekvensen, där antecedenten är den input man ska ha, medan konsekvensen ger outputen. Så om man tänker sig: if antecedenten then konsekvensen Där man kan byta ut antecedenten till x är A och konsekvensen till y är B : if x är A then y är B Men det går även att göra två delar av antecedenten, vad man däremot måste finnas mellan de två delarna är antingen union-operatorn eller snitt-operatorn. Så det kan se ut så här if x är A and/or z är C then y är B Fuzzy Inference Det som återstår av grundläggande Fuzzy Logic är Fuzzy Inference. Fuzzy Inference består av en sammanslagning av fuzzy sets, fuzzy operatorer och if-then-reglerna. 7
10 Fuzzification Består av att man ska ha inputs som man ska fuzzifiera genom att skapa fuzzy sets genom medlemskapsfunktioner. Så om man tänker sig att man sitter på en restaurang, har precis ätit klart, ska just betala notan och ska försöka bestämma hur mycket dricks man ska ge servitören. För att bestämma så kan man utgå från två påverkande faktorer, hur maten smakade och hur bra service det var på restaurangen. Graderar man allting från skala 1 till 10, så om man ger maten en 8, då anser man att maten var utmärkt, vilket är en lingvistisk variabel, detta ger µ = 0,7. Se bild nedan. Regelsättning Där man i det här fallet kommer använda sig av snitt-regeln (operatorn där man tar maxgraden): Om servicen är perfekt eller maten är utmärkt då ska man ge generöst med dricks. [Om/if (servicen är perfekt) eller (maten är utmärkt)] = Antecedenten, [Då/then(ska man ge generöst med dricks)] = Konsekvensen. Där man ger servicen en 3 i betyg. Vilket i det här fallet betyder att servicen inte är god alls, och att grader i sanning av att servicen skulle vara perfekt är lika med 0,0. 8
11 Fuzzy OR: P U = max(µ P (0,0), µ L (0,7)) = µ P U (0,7) Resultatet av operatorn blir 0,7, detta ska i egentligen nästa steg implementeras genom att man använder sig av implikationen DÅ/THEN för att kunna bestämma hur pass generöst med dricks man ska ge. Meningen är att resultatet för Fuzzy OR ska klippa av toppen av setet Generöst för att det ska matcha det tillåtna från fuzzy OR-operatorn. Sammanslagning Här är det meningen att man ska slå ihop eller kombinera alla möjliga regler som finns för att kunna sätta in det i ett set, som består av alla typer av dricks man kan ge, så att man ska kunna ta ett beslut. Om man kan ge dåligt med dricks, medel med dricks eller generöst med dricks, så måste man ha regler som tar med alla dessa tre. 9
12 Regel 1: Om servicen är dålig och maten är äcklig då ska man ge dåligt med dricks Regel 2: Om Servicen är bra då ska man ge medel med dricks Regel 3: Om servicen är perfekt eller maten är utmärkt då ska man ge generöst med dricks. Defuzzification Defuzzifiering är i princip motsatsen till fuzzifieringen, man ska helt enkelt göra det oskarpa skarpt igen. Detta gör man genom att använda sig en av flertalet metoder, i det här fallet blir det metoden Centroid (Mathworks.) som också kallas COA (Centre Of Area), där man räknar ut areans mittpunkt på hela setet. Areans mittpunkt. Diskussion Fuzzy Logic används i flertalet områden. Fuzzy Expertsystem kan idag stå för linjär och ickelinjär kontroll, mönsterigenkänning, finansiella system, operationsforskning, dataanalys. Sony s gamla PalmTop använde sig av en fuzzy beslutträdsinlärningsalgoritm, för att kunna känna igen skrift på dess touchskärm. Nuförtiden börjar även fuzzy logic användas med en sammanslagning av bland annat genetiska algoritmer och neuroberäkning/kalkyl, någonting som man idag kallar för soft computing, som till skillnad från hard computing tar hand om precisionen, så tar soft computing upp det ej preciserade i världen. Man tror även att 10
13 soft computing kommer spela en stor roll inom att designen av MIQ, eller Machine IQ, så mycket bättre än vad den är idag. Personligen tycker jag att Fuzzy Logic är en väldigt intressant typ av logic, där det känns som att man har kanske på något sätt lyckats få fram ett sätt som gör att en maskin kan tänka mer (men definitivt inte exakt) som en människa. Fuzzy Logic känns samtidigt som att det är ett sätt för oss människor att använda ett mer ickekonkret sätt att använda logik, om man endast bara ser på de lingvistiska variablerna som att vi tycker att längden på en specifik människa är medel. På ett sätt känns det som att människan har skapat denna logik, endast för att förenkla det för sig själv samtidigt som att det egentligen nästan aldrig finns någonting konkret med denna logik. Men å andra sidan så är det en logik som just tolkar dessa lingvistiska variabler för att kunna räkna på dessa luddiga sätt människan ser saker på. 11
14 Referenslista Ross, T, J., Fuzzy Logic With Engineering Applications. University of New Mexico, USA. Wiley M. Hellman. Fuzzy Logic Introduction /10-10, /10-10, /10-10, /10-10,
729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581
Fuzzy logic 880328-2535 Innehåll Fuzzy logic... 1 1. Inledning... 4 2. Jämförelse mellan fuzzy logic och tvåvärdeslogik.... 4 3. Fuzzy sets.... 4 4. Linvistiska variabler... 5 5. Operatorer... 5 6. If-
Läs merFuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping
Fuzzy Logic När oskarpa definitioner blir kristallklara Linköpings Universitet Linköping Sammanfattning I denna fördjupningsuppgift har jag fokuserat på Fuzzy Logic och försökt att beskriva det på ett
Läs merInnehållsförtekning Sida. Inledning 3 Vad är fuzzy logic? 3 Mängder 3 Medlemsfunktioner 5 Operationer 6 Fuzzification 8 Litteraturförteckning 9
Fuzzy Logic Innehållsförtekning Sida Inledning 3 Vad är fuzzy logic? 3 Mängder 3 Medlemsfunktioner 5 Operationer 6 Fuzzification 8 Litteraturförteckning 9 2 Inledning Med detta fördjupningsarbete vill
Läs merFuzzy Logic Linköpings Universitet
Fuzzy Logic Linköpings Universitet 2 Innehållsförteckning 1. Inledning... 4 2. Bakgrund... 4 3. Fuzzy Logic... 5 3.1. Fuzzy Sets... 6 4. Operatorer... 7 4.1. Union och snitt... 7 4.2. IF, THEN, AND och
Läs merLINKÖPINGS UNIVERSITET. Fuzzy Logic. Johan Brage 9/16/2012
LINKÖPINGS UNIVERSITET Fuzzy Logic Johan Brage 9/16/2012 Innehållsförteckning 1. Inledning... 1 2. Fuzzy Logic... 2 3. Crisp Sets... 3 4. Fuzzy Sets... 4 4.1 Operatorer... 5 4.2 IF-THEN... 7 4.3 Hedges...
Läs merFuzzy control systems
Institutionen för datavetenskap Artificiell intelligens II, 729g11 Projekt HT-12 LINKÖPING UNIVERSITET Fuzzy control systems Användning av fuzzy logic I tvättmaskiner Karolin Nissa 9/17/2012 Abstract Den
Läs merArtificiell Intelligens II, 729g11 Linköpings universitet Fuzzy logic
Fuzzy logic Sammanfattning Inom klassiska logiska system är ett påstående antingen sant eller falskt. Fuzzy logic använder sig istället av grader av medlemskap som är värden mellan 0(inte alls sant) och
Läs mer2017% Fuzzy%Logic% %%%%%% LISA%NILSSON% %LISNI222%
2017% Fuzzy%Logic% %%%%%% LISA%NILSSON% %LISNI222% Innehållsförteckning0 1.#Inledning# 3% 1.1% Syfte( 3% 1.#Fuzzy#Logic# 4% 1.1(Bakgrund( 4% 2.#Fuzzy#Set# 5% 2.1(Fuzzy(set(vs(crisp(set( 5% 2.2(Medlemskap(
Läs merFuzzy Logic: Den oskarpa skarpheten
Fuzzy Logic: Den oskarpa skarpheten Av: 1 Innehåll Inledning... 3 Vad är Fuzzy Logic?... 4 Fuzzy sets... 4 Medlemsskapsfunktion... 5 Operatorer... 7 Union... 7 Snitt... 8 Komplement... 8 Exempel med de
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs mer729G11 ARTIFICIELL INTELLIGENS 2, LINKÖPINGS UNIVERSITET. Fuzzy Logic. Caroline Allmér, caral
729G11 ARTIFICIELL INTELLIGENS 2, LINKÖPINGS UNIVERSITET Fuzzy Logic Caroline Allmér, caral281 2011-09-19 Innehåll Innehåll... 2 1. Inledning... 3 2. Hur det fungerar... 4 2.1 Crisp-set och fuzzy set...
Läs merFördjupningsarbete HT 2012 FUZZY LOGIC
FUZZY LOGIC 1 Innehåll Bakgrund & Introduktion till fuzzy logic... 3 Syfte... 3 Fuzzy sets... 4 Hedges... 5 Fuzzy set logic... 6 IF-THEN relger... 7 Fuzzy Inference... 7 Användandet utav fuzzy logic i
Läs merFUZZY LOGIC. - Var går gränsen? Lovisa Rönmark lovro
FUZZY LOGIC - Var går gränsen? Sammanfattning Det här fördjupningsarbetet är gjort I kursen Artificiell Intelligens 2 på Linköpings Universitet. Syftet med arbetet är att ta upp och förklara ämnet Fuzzy
Läs merMolly Lundberg 729G43 Kognitionsvetenskap mollu341 Artificiell Intelligens Linköpings Universitet. Fuzzy Logic. Vad är det och hur fungerar det?
Fuzzy Logic Vad är det och hur fungerar det? Molly Lundberg Sammanfattning Den här rapporten har ämnat att skapa förståelse i vad Fuzzy Logic är för något, hur det fungerar och hur det används. Traditionell
Läs merFuzzy logic. Julia Birgersson, julbi
Fuzzy logic, Innehållsförteckning Inledning 3 Vad är Fuzzy Logic, varför finns det? 3 Fuzzy sets och crisp sets 4 Medlemsfunktioner 4 Operationer 7 Lingvistiska termer och lingvistiska variabler 9 Artificiell
Läs merWilliam Hernebrink
Fuzzy Logic @student.liu.se 1 Sammanfattning Följande arbete är ett individuellt kursmoment som omfattar 3hp i kursen Artificiell Intelligens II (729G11) vid Linköpings universitet. I denna litteraturstudie
Läs merFuzzy Logic och dess implementering i ett företagsspel
Fuzzy Logic och dess implementering i ett företagsspel Phian632 Philip Anzén Linköpings Universitet Artificiell Intelligens II, 729g11 2012-09-16 Innehåll 1. Inledning...3 2. Översikt av Fuzzy Logic...4
Läs merFuzzy%Logic% Linköpings&Universitet&
729G11 HT212 ArtificiellIntelligensII Carno535 FuzzyLogic LinköpingsUniversitet Fördjupningsarbete Caroline Norén 91131-172 Carno535 729G11 HT212 ArtificiellIntelligensII Carno535 729G11 HT212 ArtificiellIntelligensII
Läs merFuzzy logic och fuzzy kontrollsystem
Fuzzy logic och fuzzy kontrollsystem - med neurala nätverk Sofie Nyström - sofny263 Artificiell Intelligens II 729G11 2012-09-16 Sammanfattning Detta arbete är gjort som ett fördjupningsarbete i kursen
Läs merLogik och kontrollstrukturer
Logik och kontrollstrukturer Flödet av instruktioner i ett programmeringsspråk bygger vi upp med hjälp av dess kontrollstrukturer. I C har vi exemplen if, if else, while, do while. Dessutom finns switch
Läs merFussy sets och Fuzzy logik Luddigt eller självklart? Kognitionsvetenskap, 729G11 Sandra Svanberg, sansv418 19/09/2011 Linköpings universitet
Luddigt eller självklart? Kognitionsvetenskap, 729G11 Sandra Svanberg, sansv418 19/09/2011 Linköpings universitet 2 2 3 Innehållsförteckning 1 Figur och tabellförteckning... 4 Sammanfattning... 6 2 Inledning...
Läs merNär det oskarpa ger skärpa
En litteraturstudie om oskarp logik av för kursen Artificiell intelligens 729G43 Innehållsförteckning Inledning... 2 Syfte... 2 Upplägg och litteratur... 2 Varför använda oskarp logik?... 2 Oskarp mängdteori...
Läs merKonsultarbete, Hitta maximal volym fo r en la da
Konsultarbete, Hitta maximal volym fo r en la da Uppgift 2. Maximal låda. I de fyra hörnen på en rektangulär pappskiva klipper man bort lika stora kvadrater. Flikarna viks sedan upp så att vi får en öppen
Läs merJavaScript del 3 If, Operatorer och Confirm
JavaScript del 3 If, Operatorer och Confirm Under förra uppgiften så kollade vi på hur användaren kan ge oss information via promt(), vi använde den informationen både för att skriva ut den och för att
Läs merSanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden.
MATEMATISK LOGIK Matematisk logik formaliserar korrekta resonemang och definierar formellt bindeord (konnektiv) mellan påståenden (utsagor, satser) I matematisk logik betraktar vi påståenden som antingen
Läs merFuzzy Logic. Ellinor Ihs Håkansson, ellih
Fuzzy Logic, 2016-01-09 Innehållsförteckning Introduktion... 3 Vad är Fuzzy Logic?... 3 Fuzzy eller crisp?... 4 Fuzzy set... 5 Medlemskapsfunktioner... 6 Operationer... 8 Fuzzy expert systems och Fuzzy
Läs mer1 Suddig logik och gitter
UPPSALA UNIVERSITET Matematiska institutionen Erik Palmgren Kompletterande material Algebra DV2 ht-2000 1 Suddig logik och gitter Suddig logik (engelska: fuzzy logic) är en utvidgning av vanlig boolesk
Läs merLaboration Fuzzy Logic
BILAGA B Laboration Fuzzy Logic Lär dig simulera ett program! ABB INDUSTRIGYMNASIUM Fuzzy Logic Wikingsons Wåghalsiga Wargar Projekt ABB VT 2006 Västerås Innehåll 1 Introduktion... 3 2 Uppgiften... 3 2.1
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)
Läs merÖvningshäfte 1: Logik och matematikens språk
GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2014 INLEDANDE ALGEBRA Övningshäfte 1: Logik och matematikens språk Övning A Målet är att genom att lösa och diskutera några inledande uppgifter få erfarenheter
Läs merSystem.out.println("Jaså du har "+ antalhusdjur+ " husdjur"); if ( antalhusdjur > 5 ) System.out.println("Oj det var många);
1 Villkor och styrsatser I de program vi sett tidigare har programkörning inneburit att sats efter sats utförts i den ordning de skrivits i källkoden. Vi har inte kunna ändra programmets uppförande beroende
Läs merSemantik och pragmatik (Serie 4)
Semantik och pragmatik (Serie 4) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 30 Så här långt (satslogik) Konjunktion (p q): att två enklare satser båda är uppfyllda.
Läs merMålet för D1 är att studenterna ska kunna följande: Använda några av de vanligaste PROC:arna. Sammanställa och presentera data i tabeller och grafiskt
Datorövning 1 Statistisk teori med tillämpningar Repetition av SAS Syfte Syftet med Datoröving 1 (D1) är att repetera de SAS-kunskaperna från tidigare kurser samt att ge en kort introduktion till de studenter
Läs merLogik. Dr. Johan Hagelbäck.
Logik Dr. Johan Hagelbäck johan.hagelback@lnu.se http://aiguy.org Vad är logik? Logik handlar om korrekta och inkorrekta sätt att resonera Logik är ett sätt att skilja mellan korrekt och inkorrekt tankesätt
Läs merLektion 8: Konstruktion av semantiska tablåer för PTL-formler
Lektion 8: Konstruktion av semantiska tablåer för PTL-formler Till denna lektion hör uppgift 2, 6 och 0 i lärobokens avsnitt.6 (sid. 255). Lös uppgift 2 genom att konstruera en semantisk tablå. Följande
Läs merResonemang under osäkerhet. Bayes Certainty factors Dempster-Schafer Fuzzy logic
Resonemang under osäkerhet Bayes Certainty factors Dempster-Schafer Fuzzy logic Varför resonera med sannolikheter? Om agenten vet tillräckligt om världen, kan den med logik få fram planer som garanterat
Läs merAnvända några av de vanligaste PROC:arna. Sammanställa och presentera data i tabeller och grafiskt
Datorövning 1 Statistisk teori med tillämpningar Repetition av SAS Syfte Syftet med Datoröving 1 (D1) är att repetera de SAS-kunskaperna från tidigare kurser samt att ge en kort introduktion till de studenter
Läs merPredikatlogik: Normalformer. Klas Markström
1 Precis som i satslogik så är det bekvämt att kunna hitta en normalform för meningar. Om vi kan utgå från att alla meningar är på normalform så behöver vi t.e.x. inte bekymra oss om en massa specialfall
Läs mer729G04 Programmering och diskret matematik. Python 2: Villkorssatser, sanningsvärden och logiska operatorer
729G04 Programmering och diskret matematik Python 2: Villkorssatser, sanningsvärden och logiska operatorer Föreläsningsöversikt Vad händer när vi kör vår pythonkod? Programmerare Villkorssatser Jämförelser
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2013-10-31 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 11 Maximalt antal poäng 30 Krav för 3 i betyg 14 poäng Krav för 4 i betyg 19 poäng,
Läs merMATEMATIKENS SPRÅK. Avsnitt 1
Avsnitt 1 MATEMATIKENS SPRÅK Varje vetenskap, liksom varje yrke, har sitt eget språk som ofta är en blandning av vardagliga ord och speciella termer. En instruktionshandbok för ett kylskåp eller för en
Läs merUtsagor (Propositioner) sammansatta utsagor sanningstabeller logisk ekvivalens predikat (öppna utsagor) kvantifierare Section
Föreläsning 1 Utsagor (Propositioner) sammansatta utsagor sanningstabeller logisk ekvivalens predikat (öppna utsagor) kvantifierare Section 1.1-1.3 i kursboken Definition En utsaga (proposition) är ett
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merSemantik och pragmatik
Semantik och pragmatik OH-serie 5 http://stp.lingfil.uu.se/~matsd/uv/uv12/semp/ Mats Dahllöf Institutionen för lingvistik och filologi Januari 2012 Så här långt Konjunktion (p q): att två enklare satser
Läs merDen räta linjens ekvation
Den räta linjens ekvation Här följer en dialog mellan studenten Tor-Björn (hädanefter kallad TB) och hans lärare i matematik Karl-Ture Hansson (nedan kallad KTH). När vi möter dem för första gången är
Läs merDel I: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt i provhäftet.
Del I: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt i provhäftet. 1) a) Bestäm ekvationen för den räta linjen i figuren. (1/0/0) b) Rita i koordinatsystemet en rät linje
Läs merOskarp logik - en flervärdeslogik för framtiden? Karl Bruno Linköpings universitet 2006-10-15
- en flervärdeslogik för framtiden? Karl Bruno Linköpings universitet 2006-10-15 Sammanfattning Oskarp logik är en utvidgning av den klassiska logiken. Den baseras på oskarpa mängder, mängder till vilka
Läs mer1. Lära sig beräkna kon densintervall och täckningsgrad 2. Lära sig rita en exponentialfördelning 3. Lära sig illustrera centrala gränsvärdessatsen
Datorövning 2 Statistikens Grunder 2 Syfte 1. Lära sig beräkna kon densintervall och täckningsgrad 2. Lära sig rita en exponentialfördelning 3. Lära sig illustrera centrala gränsvärdessatsen Exempel Beräkna
Läs merDen räta linjens ekvation
Den räta linjens ekvation Här följer en dialog mellan studenten Tor-Björn (hädanefter kallad TB) och hans lärare i matematik Karl-Ture Hansson (nedan kallad KTH). När vi möter dem för första gången är
Läs merVarför är logik viktig för datavetare?
Varför är logik viktig för datavetare? 1. Datavetenskap handlar ofta om att automatisera processer som tidigare styrts av människor. Intuition, intelligens och mänskliga resonemang ersätts av beräkningar.
Läs merSidor i boken KB 6, 66
Sidor i boken KB 6, 66 Funktioner Ordet funktion syftar inom matematiken på en regel som innebär att till varje invärde associeras ett utvärde. Ofta beskrivs sambandet mellan invärde och utvärde med en
Läs merDel A: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt på provpappret.
NAN: KLASS: Del A: Digitala verktyg är inte tillåtna. Endast svar krävs. Skriv dina svar direkt på provpappret. 1) a) estäm ekvationen för den räta linjen i figuren. b) ita i koordinatsystemet en rät linje
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2014-01-10 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 10 Maximalt antal poäng 30 Krav för 3 i betyg 1 Krav för 4 i betyg 19 poäng, vara minst
Läs merInledande programmering med C# (1DV402) Summera med while"-satsen
Summera med while"-satsen Upphovsrätt för detta verk Inledande programmering med C# (1DV402) Detta verk är framtaget i anslutning till kursen Inledande programmering med C# vid Linnéuniversitetet. Du får
Läs merSPELTESTNING FUZZY LOGIC. Kandidatuppsats i Informatik. Patrik Lundqvist Michael Enhörning VT 2010
SPELTESTNING FUZZY LOGIC Kandidatuppsats i Informatik Patrik Lundqvist Michael Enhörning VT 2010 Svensk titel: Speltestning Engelsk titel: Gametesting Utgivningsår: 2010 Författare: Patrik Lundqvist, Michael
Läs merFler uppgifter på andragradsfunktioner
Fler uppgifter på andragradsfunktioner 1 I grafen nedan visas tre andragradsfunktioner. Bestäm a,b och c för p(x) = ax 2 + bx + c genom att läsa av lämpliga punkter i grafen. 10 5 1 3 5 Figur 1: 2 Vi har
Läs merFunktioner. Räta linjen
Sidor i boken 14-143, 145-147 Funktioner. Räta linjen Här följer en dialog mellan studenten Tor-Björn (hädanefter kallad TB) och hans lärare i matematik Karl-Ture Hansson (nedan kallad KTH). När vi möter
Läs merIntroduktion till formella metoder Programmeringsmetodik 1. Inledning
Introduktion till formella metoder Programmeringsmetodik 1. Inledning Fokus på imperativa program (ex. C, Java) program betyder härefter ett imperativt program Program bestäms i en abstrakt mening av hur
Läs merDatorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik II 1 Predikatlogik, generella
Läs merEtt Oskarpt Beslut. Om Oskarp Logik i Speldesign. Mikael Hedenström
Ett Oskarpt Beslut Om Oskarp Logik i Speldesign Mikael Hedenström Examensarbete i speldesign, 15 högskolepoäng Speldesign och grafik/speldesign och programmering, vt 2013 Handledare: Kim Solin, Tommi Lipponen
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag En konstruktionsreduktion Fler bevis av NP-fullständighet 2 Teori Repetition Ett problem tillhör
Läs merLogisk semantik I. 1 Lite om satslogik. 1.1 Konjunktioner i grammatisk bemärkelse. 1.2 Sant och falskt. 1.3 Satssymboler. 1.
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik I 1 Lite om satslogik 1.1
Läs merIntroduktion till programmering SMD180. Föreläsning 4: Villkor och rekursion
Introduktion till programmering Föreläsning 4: Villkor och rekursion 1 1 Några inbyggda funktioner (med resultat!) Konverterar mellan de grundläggande typerna: >>> int("32") 32 >>> int(3.999) 3 >>> float(32)
Läs merData, typ, selektion, iteration
Data, typ, selektion, iteration En programmeringkurs på halvfart IDT, MDH ttp://www.negative-g.com/nolimits/no%20limits%20defunct%20coasters.htm 1 Dagens agenda Talrepresentation Typkonvertering Sekvens
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs mery = x x = Bestäm ekvationen för en linje där k = 2 och som går genom punkten ( 1, 3). 2/0/0
Del A: Digitala verktyg är tillåtna. Skriv dina lösningar på separat papper. 1) En TV reparatörs arbete kostar kronor, där antalet arbetstimmar. y = 200 + 150x x = a) Ange och tolka den linjära funktionens
Läs mer1.2 Polynomfunktionens tecken s.16-29
Detta avsnitt handlar om olikheter. < mindre än > större än mindre än eller lika med (< eller =) större än eller lika med (> eller =) Vilka tal finns mellan 2 och 5? Alla tal som är större än 2. Och samtidigt
Läs merFöreläsning 15. Logik med tillämpningar
Föreläsning 15 Logik med tillämpningar 00-05-22 Innehåll Exempel på expertsystem Eliza Min forskning Vad är ett beslutsstöd? Exempel på byggda beslutsstöd The production line för beslutsstöd. Extraktionsfasen
Läs merLogik. Boolesk algebra. Logik. Operationer. Boolesk algebra
Logik F4 Logik Boolesk algebra EDAA05 Roger Henriksson Jonas Wisbrant Konsten att, och vetenskapen om, att resonera och dra slutsatser. Vad behövs för att man ska kunna dra en slutsats? Hur kan man dra
Läs merKomponentvisa operationer,.-notation Multiplikation (*), division (/) och upphöj till (ˆ) av vektorer följer vanliga vektoralgebraiska
Matlab-föreläsning 3 (4), 17 september, 2015 Innehåll Sekvenser (från förra föreläsningen) Upprepning med for-slingor och while-slingor Villkorssatser med if - then -else - Logik Sekvenser - repetion från
Läs merFöreläsning 13. Träd
Föreläsning 13 Träd Träd Ett träd är en datastruktur som tillåter oss att modellera sådant som vi inte kan modellera med linjära datastrukturer. Ett datavetenskapligt träd består av noder med pilar emellan.
Läs mer*UXSS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW
*USS YQLQJ±/RJLNPHGWLOOlPSQLQJDUYW 8SSJLIW Här kommer några teoretiska frågor, skriv svaren med egna ord, dvs skriv inte av ohbilderna: a. Vad är en beslutsprocedur? En algoritm som terminerar och som
Läs merFöreläsning 10 Datalogi 1 DA2001. Utskrift på skärmen. Syntax. print( Hej ) Hur är det? Hej. print( Hej,end= ) print( Hur är det? ) HejHur är det?
Föreläsning 10 Datalogi 1 DA2001 python introduktion Variabler Datatyp Aritmetiska operatorer av typer Reserverade ord logiska operatorer If-sats kommentarer på skärmen print( Hej ) print( Hur är det?
Läs merInnehåll. Föreläsning 7. Satslogiken är för grov. Samma sak i predikatlogik: Första ordningens predikatlogik. Logik med tillämpningar
Innehåll Föreläsning 7 Logik med tillämpningar 99-03-01 Första ordningens predikatlogik Objekt, predikat, kvantifierare Funktioner, termer, wffs Bindning och räckvidd Tolkningar och värderingar Satisfiering,
Läs merLogik för datavetare DVK:Log Tisdagen 28 oktober 2014. Institutionen för dataoch systemvetenskap David Sundgren
Institutionen för dataoch systemvetenskap David Sundgren Logik för datavetare DVK:Log Tisdagen 28 oktober 2014 Skrivtid: 9 00-13 00. Inga hjälpmedel utom formelsamlingen på nästa sida är tillåtna. För
Läs merLabb i Datorsystemteknik och programvaruteknik Programmering av kalkylator i Visual Basic
Labb i Datorsystemteknik och programvaruteknik Programmering av kalkylator i Visual Basic Inledning Starta Microsoft Visual Studio 2005. Välj create Project Välj VB + Vindows Application och välj ett nytt
Läs merRIEMANNSUMMOR. Den bestämda integralen definieras med hjälp av Riemannsummor. Låt vara en begränsad funktion,, reella tal och. lim.
RIEMANNSUMMOR Låt vara en begränsad funktion,, reella tal och. Den bestämda integralen definieras med hjälp av ä ä, ; lim. Om funktionen har en elementär primitivfunktion då är insättningsformeln (Newton-
Läs merOutline. For. I istället för att följa det normala ordningen, man ändra den. I i Java får man inte göra hopp hur som helst
Outline Objektorienterad Programmering (TDDC77) Föreläsning IV: while, for, do while, switch, arrayer Ahmed Rezine IDA, Linköpings Universitet Hösttermin 2016 Ordning Villkorliga hopp I Normalt sett så
Läs merTENTAMEN: Algoritmer och datastrukturer. Läs detta!
1 (6) TENTAMEN: Algoritmer och datastrukturer Läs detta! Uppgifterna är inte avsiktligt ordnade efter svårighetsgrad. Börja varje uppgift på ett nytt blad. Skriv ditt idnummer på varje blad (så att vi
Läs merTentamen Datastrukturer (DAT036)
Tentamen Datastrukturer (DAT036) Datum och tid för tentamen: 2014-04-25, 14:00 18:00. Författare: Nils Anders Danielsson. Ansvarig: Nils Anders Danielsson. Nås på 0700 620 602 eller anknytning 1680. Besöker
Läs merHornklausuler i satslogiken
Hornklausuler i satslogiken Hornklausuler (efter logikern Alfred Horn) är ett viktigt specialfall som tillåter effektiva algoritmer och ligger till grund för regelbaserade expertsystem och logiska programspråk
Läs mer732G Linköpings universitet 732G11. Johan Jernlås. Översikt. Repetition. Strukturdiagram. Styra. Algoritmer. Val
732G11 Linköpings universitet 2011-01-26 1 2 3 4 Program recept 1 spaghetti = 100; 2 salt = 1; 3 olja = 5; 4 köttbullar = 8; 5 ketchup = 0,5; 6 koka(salt, spaghetti); 7 micra(köttbullar); 8 Om(micron ==
Läs mer1 Föreläsning Implikationer, om och endast om
1 Föreläsning 1 Temat för dagen, och för dessa anteckningar, är att introducera lite matematisk terminologi och notation, vissa grundkoncept som kommer att vara genomgående i kursen. I grundskolan presenteras
Läs merDD1361 Programmeringsparadigm HT17
DD1361 Programmeringsparadigm HT17 Logikprogrammering 1 Dilian Gurov, KTH Delkursinnehåll Logisk versus procedurell läsning Kontrollflöde: Unifiering, Backtracking, Snitt Induktiva datatyper och rekursion
Läs merFöreläsning 9: NP-fullständighet
Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till
Läs merKomplexitetsklasser och repetition
Algoritmer, datastrukturer och komplexitet, hösten 2016 Uppgifter till övning 12 Komplexitetsklasser och repetition Uppgifter på komplexitetsklasser co-np-fullständighet Ett diskret tekniskt diagnosproblem
Läs merPYTHON SNABBREPETITION MEN FÖRST LITE ALLMÄNT OM PROGRAMMERING 729G04 PYTHON 2. Dagens Python
Dagens Python 729G04 PYTHON 2 Mer om funktioner Villkorssatser JODY FOO Department of Computer and Information Science (IDA) Linköping University, Sweden Linköpings universitet 1 2 MEN FÖRST LITE ALLMÄNT
Läs merIntroduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4
Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa
Läs mer7, Diskreta strukturer
Objektorienterad modellering och diskreta strukturer 7, Diskreta strukturer Sven Gestegård Robertz Datavetenskap, LTH 2015 Modeller Matematiska modeller Kontinuerliga modeller Kontinuerliga funktioner
Läs merLinjära ekvationer med tillämpningar
UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Olof Johansson, Nina Rudälv 2006-10-17 SÄL 1-10p Linjära ekvationer med tillämpningar Avsnitt 2.1 Linjära ekvationer i en variabel
Läs merTSFS06: Bayesianska nätverk i GeNIe - kort handledning
TSFS06: Bayesianska nätverk i GeNIe - kort handledning GeNIe är en grafisk utvecklingsmiljö för inferensberäkningar med bland annat Bayesianska nätverk. Verktyget är utvecklat vid Decision Systems Laboratory,
Läs merProvet består av Del I, Del II, Del III samt en muntlig del och ger totalt 76 poäng varav 28 E-, 24 C- och 24 A-poäng.
NpMac vt 01 Del I Del II Provtid Hjälpmedel Uppgift 1-10. Endast svar krävs. Uppgift 11-15. Fullständiga lösningar krävs. 10 minuter för del I och del II tillsammans. Formelblad och linjal. Kravgränser
Läs merLösa ekvationer på olika sätt
Lösa ekvationer på olika sätt I denna aktivitet ska titta närmare på hur man kan lösa ekvationer på olika sätt. I kurserna lär du dig att lösa första- och andragradsekvationer exakt med algebraiska metoder.
Läs merStatistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs
Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs TE/RC Datorövning 4 Syfte: 1. Lära sig beräkna konfidensintervall och täckningsgrad 2. Lära sig rita en exponentialfördelning 3. Lära sig illustrera
Läs merBooleska variabler och översättning mellan programuttryck och booleska variabler
Vad är Boolesk algebra Lite förenklat kan man säga att Boolesk algebra är räkneregler konstruerade av den engelske matematikern Gerge Boole för att kunna räkna med logiska uttryck. I den booleska algebran
Läs merProgrammering A. Johan Eliasson johane@cs.umu.se
Programmering A Johan Eliasson johane@cs.umu.se 1 Jag Undervisar mest grundläggande programmering på Institutionen för datavetensakap Applikationsutveckling för iphone Applikationsutveckling i Java Datastrukturer
Läs merDD1361 Programmeringsparadigm HT15
DD1361 Programmeringsparadigm HT15 Logikprogrammering 1 Dilian Gurov, TCS Innehåll Logikprogrammering Kontrollflöde Unifiering Backtracking Negation Snitt Induktiva datatyper och rekursion Inbyggda datatyper:
Läs merp /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik
DD1350 Logik för dataloger Fö 3 Satslogikens semantik 1 Kort repetition Satslogik formellt språk för att uttrycka påståenden med variabler och konnektiv /\, \/,, t.ex. p /\ q r 1 Kort repetition Naturlig
Läs merKapitel Ekvationsräkning
Kapitel Ekvationsräkning Din grafiska räknare kan lösa följande tre typer av beräkningar: Linjära ekvationer med två till sex okända variabler Högregradsekvationer (kvadratiska, tredjegrads) Lösningsräkning
Läs mer