Fuzzy%Logic% Linköpings&Universitet&
|
|
- Christer Olofsson
- för 5 år sedan
- Visningar:
Transkript
1 729G11 HT212 ArtificiellIntelligensII Carno535 FuzzyLogic LinköpingsUniversitet Fördjupningsarbete Caroline Norén Carno535
2 729G11 HT212 ArtificiellIntelligensII Carno535
3 729G11 HT212 ArtificiellIntelligensII Carno535 Innehållsförteckning Inledning(...(4 Crisp(set((Fuzzy(set(...(5 Medlemskapsfunktion(...(6 De(olika(medlemskapsfunktionerna(...(6 Operationer(...(8 Union(...(8 Snitt(...(8 Komplement(...(9 Lingvistiska(Variabler(...(9 Hedges(...(9 Fuzzy(Rules(...(1 Fuzzy(kontrollsystem(...(11 Preproccessing(...(11 Fuzzification(...(11 Rule(Base(...(11 Inference(Engine(...(11 Defuzzification(...(12 CenterAofAArea...12 CenterAofAMaximum...12 MeanAofAMaximum...12 Exempel(...(Error!Bookmarknotdefined. Var(används(Fuzzy(logic?(...(15 Referenser(...(16
4 729G11 HT212 ArtificiellIntelligensII Carno535 Inledning Tillskillnadfråndenvanligapredikatlogikendärettpåståendeenbartkanvara santellerfalsktsåkanmanifuzzylogicsägaattettpåståendeärmersanteller integenomattanvändasigavmellanliggandevärdenmellannollochett,s.k. medlemsgrader.människorssättattresonerakringsakeräroprecisaoch luddigamedandatorerssättattresonerakringtingärprecis[3].genomfuzzy Logicsträckermanutpådenvanligalogikensgränserochkangenomdenlåta datorerochmaskinerattresoneraochfattabeslutkringvagapåståendenliktdet människorgör.genomlingvistiskavariablerochifathenreglersåkanmange intelligenstillenmaskinochfådenattbeslutavilkethandlingsomskagöras. Ommatenärförkall ställindenimicron FuzzyLogicskapades1965avLotfiZadeh,enproffessoriComputerSciencevid universiteteticaliforninen,berkley[6]ochhanbeskriversjälvfuzzylogicsom Computingwithwords [5]justförattmananvändersigavordpåsammaplats sommanannarsskullanvändasigavsiffrorvidresonemang. SomtidigarenämntsåanvändersigFuzzyLogicavmedlemsgrader,ettvärde mellannollochettsomsägerhursantnågontingär,därvärdetnollärfalskt, värdetettärsantochvärdenadäremellanolikagraderavsantberoendepåhur näraettdettavärdeligger.detärviktigtattskiljapåfuzzylogicochprobalistisk Logikdåprobalistiskhargraderavsannolikhetochintegraderavhursant någontingär.
5 729G11 HT212 ArtificiellIntelligensII Carno535 CrispsetFuzzyset Inomlogikensåanvändermansigavset,vilketmankanbeskrivasomen samlingavobjektienuniversaldiskurs,attmedlemskapenisetetberorpå sammanhanget.inomfuzzylogicsåskiljermanpådetsomkallasförcrispset ävenkallat Klassisktset avvissa[1].crispsetärdetsomanvändsiförsta ordningenspredikatlogikochdessaobjektidennaharbaraettvärde,santeller falskt,vilketintealltidgerenrepresentativbildomkringdekategoriersomär luddiga.omviharviktpåäpplensomexempel,såfinnsdetäpplensomärolika stora.enligtcrispsetsåskullevisägaattomettäppleväger2gsåräknasdet somattäppletärtung.omettäppledåharvikten199gramsåskulledetäpplet räknassomettlättäpplefastskillnadenärsåpasslitenmellandessatvåäpplen. DärärettexempelsommankaniställetkananvändasigavFuzzyset.IettFuzzy setsåharobjektenisetetettvärdesomärgraderadpåvaddenharför medlemskapisetetgenomenmedlemskapsfunktion.medlemskapetgraderarpå vilkenskalaobjektetärmedlemisetetellerinte,destonärmarevärdet1 elementethardestosannareärdetisetet.såiställetförattdradenskarpa skillnadenpåviktenpådessaäpplensåkanmandåsägaattvianvänderossav Fuzzysetsåskulleettäpplesomväger199gramräknassomt.ex.storttillen skalapå.9.alltså,detär.9santattäppletärstort. Figur1.EngrafsomvisarskillnadenmellanFuzzySet(Rödlinje)ochCrispset (SvartLinje). Äpplen( Vikt((g)( Värde(i(Crisp( Värde(i(Fuzzy( A A A A Tabell1.EntabellsomvisarhurmedlemskapsgraderingenkanseutiCrispset, respektivefuzzyset.
6 729G11 HT212 ArtificiellIntelligensII Carno535 Medlemskapsfunktion InomFuzzysetsåfinnsdetuniversum,ettuniversumärallaobjektsomfinnsi denkategorinsomärrelevantochdettauniversumberorheltpåkontexten.på engelskasåheterdet UniverseofDiscourse [1].Exempelpåvadsomkanvara ettuniversumärallaheltal,elleromviharettsetomallabarnsåkanvårt universuminnehållaallamänniskorsomfinns. Ilogikensåkanfuzzysetuttryckassom Α={<x,μA(x)> x U} IdettasetsomvikallarförA,endelavsetetärsjälvamedlemskapsfunktionen μa(x),somgällerförallaobjekt(x)somvihariuniversumetu.<x,μa(x)>ärdet somvidefinierarsomparochsägerattviharettobjektx,ochdenharett medlemskapisetet,μa(x).medlemskapsfunktionenärettvärdeiintervallet mellannollochett.destohögrevärde,destohögremedlemskap. μ 1 Eftersomvimedfuzzysetexpanderardetklassiskasetetmeddessavärdenför medlemskapsåskullemankunnasägaattdetklassiskasetetärettspecialfallav fuzzysetsomärbegränsattilldetvåvärdernanollochett[1]. Deolikamedlemskapsfunktionerna Detfinnsfleraolikaslagsmedlemskapsfunktioner,mendevanligasteär trapezoid,triangular,smoothtrapezoidochsmoothtriangular.mendetfinns ävenandramedlemskapsfunktionersomtillexempelgaussianochgeneralized bellsomärandraversioneravsmoothtrapezoidalafunktioner. μtrapezoid(x;a,b,c,d)=!!!!!!!!!!!!!!!!!, x a!!!!!! 1!!!!!!!!!, b x c!!!!!!!!!!!!!!!!!!!!!!, d
7 729G11 ArtificiellIntelligensII HT212 Carno535 figur2.trapezoidalmedlemsfunktion Ifigur2såvisasdethurenTrapezoidmedlemsfunktionserutbådegrafiskoch matematiskt.entrapezoidmedlemsfunktionharfyrastyckenbrytpunkter; nollpunktenpåvänstersida(a),nollpunkenförhögersida(d),axelpunktenför vänstersida(b)ochsistaxelpunktenförhögersida(d).detärdessapunktersom användsnärmanskaanvändasigavdenmatematiskafunktionenföratträkna utmedlemskapsfunktionenförentrapezoid.omduanvändersigaven triangularmedlemskapsfunktioniställetsåbyterduutb x cmotb=c, eftersomientriangularafunktionsåharbochcsammapunkt. EnsmoothtrapezoidfunktionserungefärlikadanutsomenvanligtrapezoidA funktion,förutomattmangöromdettillencosinusafunktioneftersomdenna funktiontillskillnadfråndenvanligatrapezoidinteärlinjär.!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!, x a!!! μsmoothtrapezoid(x;a,b,c,d)= ½ +!½cos!(!!!)!!!!!!!!!!!, a x b 1!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!, b x c!!! ½ +!½cos!(!!!)!!!!!!!!!!!, c x d!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!, d Figur3,Smoothtrapezoidmedlemsfunktion 7
8 729G11 HT212 ArtificiellIntelligensII Carno535 Operationer Förattgenereraettnyttsetfråntvåredanexisterandesetsåmåstevianvända ossavolikaoperationerförattdetskafungera.devanligasteoperationernasom mananvändersigomärunionochsnittmenävenkomplementkanförekomma. Union!!!!! =!!A B! =!"#!A!,!B!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! Unionmenasmedattmangörettnyttsetavalla elementsomärmedlemmariantingena,beller ibåda.såunionenavaochbgerettnyttset meddennyamedlemsfunktionenmax!a x,!b x. Medlemskapsfunktionenvisardenhögstagradenav relevansmellanvarjeelementochdetnyasetet. Figur4illustrerartvåsetdärdengråaytanvisar unionen. {1,2,3,4} {3,4,5,6}={1,2,3,4,5,6} Figur4, Unionenavtvåfuzzyset Snitt!!!!!!!!!!!!!!!!! B =!!A B! = min!a x,!b x!! Snitts.kintersectionpåengelska,ärnärmangörettnytt setavdeelementsomärmedlemmaribådeaochb. SnittetavAochBgerdennyamedlemsfunktionen min!a x,!b x.medlemskapsfunktionen representerardetminstagradenavrelevansmellan varjeelementochdetnyafuzzysetet.figur5illustrerar tvåsetdärdengråaytanvisarsnittet. {1,2,3,4} {2,3,4,5,6}={2,3,4} Figur5. Snittetavtvåfuzzyset
9 729G11 HT212 ArtificiellIntelligensII Carno535 Komplement!! =!!ca! =!!!A! Ettkomplementgällerförallaelementiuniversumetsomintegernågon relevans,alltsåsominteärmediseten.dennyamedlemskapsfunktionenblir!!!a!,där1representerardenhögstagradenavtillhörighet.figur6 illustrerartvåfuzzysetdärdengråytanvisarkomplementetavdessaseti sammauniversum. Figur6.Komplemen] tetavtvåunieradefuzzy set. LingvistiskaVariabler Lingvistiskavariableranvändersigavordellermeningarsomvärdeniställetför siffrorsomdenalgebraiskavariabelngör.denlingvistiskavariabelnisigären slagsetikettettnamnochkaninnehållafleravärden.enuppsättningavdessa värdenkallasför termset ochvarjeelementisetetkallasförlingvistisktvärde. Alltså,omviharenlingvistiskvariabel Ålder såkandesslingvistiskavariabler vara ung,väldigtungosv iettuniversumsomärt.ex.mellantill1år. Ålder={Ung,väldigtung,gammal,medelgammal} Hedges Hedgeärettordsomagerarpåenterm/ordochmodifierarochförstärkerdess betydelse.detvikallarför primaryterm ärenlingvistiskvariabelsomvimåste definieraiförvägsåsomstark,lång,kort.medanhedgesärdetsomären modifieradterm.omviharviharsammaexempelsomvihadepålingvistiska variableromålder,såharvidetlingvistiskavärdet ung ochomviläggertillen hedgesåvifårennyterm,idettafall väldigtung. Väldigt ändrardåhela betydelsenavdentermenvihadefrånbörjan.idessaresonemangsåändrar
10 729G11 HT212 ArtificiellIntelligensII Carno535 hedgedengamlamedlemskapsfunktioneniettlingvistisktvärdeochresultatet blirattvifårenheltny,detfinnsegentligeningaskrivnareglerhurmangörom medlemsfunktionenmenmankant.ex.genomattantagligenkvadrera,eller användarotenurmedettlämpligttalpåvårmedlemsfunktionförattfåettnytt värde,beroendepåommanvillökaellersänkadettidigarevärdet.däremotså gällerdetattvarakonsekvent,attmananvändersigavsammaförändringvid sammatypavhedges. Ung={<x,μA(x)>,μung(x)=,μung(x),x U} Väldigtung={<x,μA(x)>,μVäldigtung(x)=,μ 2 ung(x),x U} Extremtung={<x,μA(x)>,μExtremtung(x)=,μ 3 ung(x),x U} Merellermindreung={<x,μA(x)>,μmemung(x)=,μ 1/3 ung(x),x U} FuzzyRules Enfuzzyruleärenregelsombeståravenantecentochenkonsekvent,iformav enifathenregelochharformenavenantecedentochenkonsekvent.en antecedentärenellerfleravariablersombeskriveretttillståndinnanmandra enslutsats,alltsådetsommankankallaförinputavärde.enkonsekventär däremotmotsatsen,enellerfleravariablersomrepresenterarenslutsatseller handling,detsomävenkankallasföroutputavärde. IfxisAthenyisB DärAochBärolikaset,och xisa ärantecentenoch yisb ärkonsekventen. ExempelpåenIfAthenregelkanvara Ommatenärväldigtkall,såvärmden längreimicron.förattendatorskakunnafattaettbeslutomviskavärma matenlängresåmåstedenförstdefinieravadsommenasmed väldigtkallt och hurmycketlängremanskavärma.detbeslutasgenomattmananvändersigav medlemskapsfunktionen.
11 729G11 HT212 ArtificiellIntelligensII Carno535 Fuzzykontrollsystem FörattettFuzzykontrollsystemskafungerasåmåstedenföljavissastegföratt kunnafattabeslutsomliknarhurmänniskorfattarbeslut.förstfårdeninett crispavärdeochavrundadettillettvärdevikananvändaossav,sedanföratt dettavärdeskakunnaanvändassåmåstemananvändasigavfuzzificationför attgöraomvärdettilllingvistiskavariabler.senkommermantillsteget beslutsfattning,därbestämsdethurdefuzzylogicoperationernaskaanvändas ochdärsammanslårmanävenallaifathenreglersommanharanväntsigav, dettagörsmedhjälpavenkunskapsbasochinferenceegine.outputavärdena manfårutomvandlassedantillcrispavärdengenomattanvändasigav defuzzification. Preproccessing Iettkontrollsystemsåtarsystemetsjälvframettvärdesommankanmätaoch fattaettbeslutkring,detäroftastettcrispvärdesomkanvarat.ex.1eller2.i preproccessingsåavrundarviavdettacrispavärdetillnärmstanivåsåattdet bättreskapassadevärdensomvianvänderossav.vigöromdevärdenvihar fåttinsåattviskakunnaanvändadem. Fuzzification Fuzzificationärenprocessdärmanbryternerinputtillettellerfleraolikafuzzy set,dessainputavärdenäroftastcrispavärdensommanmåste fuzziera.genom fuzzificationsålåterinputavärdernaochoutputavärdernaiettregelbaserat kontrollsystemattbliuttrycktailingvistiskatermer. RuleBase Iregelbasenfinnsallareglersomviharbestämtskafinnasiregelbasen,deär skrivnaiifathenreglersomnämnsovan.ifxisathenyisb.iregelbasenså användermansigoftaavmatrisenförattenkeltkunnastrukturerauppreglerna ochlättaresevilketbeslutsomskafattas. InferenceEngine InfcerenceEngineärsammankoppladmedregelbasenochhjälpertillattskapa enoutputavdereglersomfinnsiregelbasen.inferenceengineskaparett medlemskapsvärdeförvarjetillståndavregelniregelbasen.inferenceengine användersigavtrestegförattkunnafåframenoutput;aggregering,aktivering ochackumulering.aggregeringinnebärattmanförsökerfåframhurstorgrad varjeregeluppfyllerdevärdenvihar,detärbarainputenmananvändersigav ochmansertillatträttmålfattasfördeninputenmanhar.iaktiveringenså använderviavutavärdetvifåravaggregeringenochberoendepåvadviharför reglersåanvänderviossavminamaxellerunifieringellersnittomviharflera premisserivåraregleriregelbasen.iackumuleringellersammanslagningenså
12 729G11 HT212 ArtificiellIntelligensII Carno535 samlarviihopallaaktiveradeslutsatserochskaparengrafgenomunifiering ellermax. Defuzzification DefuzzificationärenprcocessdärviharettlingvistiskoutputAvärdesomvihar fåttavinferenceengineochdettavärdebehövermanöversättatillettcrispa värde,atthittadetvärdesombästrepresenterardenlingvistiskavariabelnvi harsomoutput.föromettkontrollsystemharanväntsigavfuzzylogicsåkan dethabetydelseommangöromoutputadatantillettvärdesominteärettfuzzya värde.defuzzificationäralltsåhelttvärtemotfuzzification.detfinnsettflertal olikametodermankananvändasigavmendevanligasteärcenteraofaarea, CenterAofAMaximumochMeanAofAMaximum. CenterKofKArea CoA,beräknarmittpunktenavdetsammansattaområdetsomrepresenterar outputenochgördettillettcrispavärde. CenterKofKMaximum CoM,idennametodsåanvändsbaradehögstavärdenai medlemskapsfunktionen.detnyavärdetbestämsgenomatthittadenplatsen därvärdernaärbalanserade,alltsådärcrispavärdetochfuzzyavärdetharsamma värde.andraområdenförutommaximaanvändsinteidennametod. MeanKofKMaximum MoM,dennametodanvändsnärmanintekantillämpaCoM.Dethändernär medlemskapsfunktionensmaxinteärunikochmanmåsteväljamellannågonav dessaalternativ. Exempel Fuzzification Omviäterpåenlitefinarerestaurangochvivilllämnadrickstillservitörenså kanvibestämmahurmycketdricksvikangesåkanvitänkapåtvåfaktorer, beroendepåhurgodmatenvarochberoendepåhurgodservicenvar.omviska skattadettamedattgedetettbetygmellan1och1,såkanvigeattmatenvar godmedbetyget8,ochservicenvarganskadåligsådenfårbara3.våråttaoch treaärtvåstyckencrispvärdensomvikananvändasominputavärdenföratt bestämmahurmycketdrickssomviskage.genomfuzzifieringsåkanvigedessa inputavärdenettmedlemskapideolikafuzzysetssomvibestämtskafinnas.att matenvargod,gavvien8ibetygpåskala1a1såskulledenfåettmedlemskap på,7iettfuzzysetsomvikallarför Utmärkt.Närvikollarpåservicen,såfick denenbarten3ivårbetygsättningvilketräknassom Dålig,alltsåsåfårdenett medlemskappåivårtfuzzyset Perfekt.
13 729G11 HT212 ArtificiellIntelligensII Carno535 Regelsättning Närvikommertillregelsättningen,därvianvänderossavIFATHENreglersåsom omservicenärbraellermatenvarutmärkt(=antecenten)sågebrameddricks (=konsekventen)såmåstevianvändaossavoperationerförattfåframrätt värdeviskaanvändaossav.eftersomviharett eller ivårregelsåanvändervi ossavunionen,alltsåmax.!!!! B =!!A B! = max!a,7,!b, =!!!A B,7!! Efteroperationensåfårviettnyttfuzzyset,somvikankallaför Generöst som vianvänderossavförattbeslutahurmycketdrickssomviskage.meddettanya setsåanvänderviossavimplikationförattmatchadetresultatetavdetvifick frånvåroperator,ochdetvigöräregentligenattklippaavtoppenavvårtset,för vifårintegemerdricksändetsomärtillåtetmeddessainputssomvihar.
14 729G11 HT212 ArtificiellIntelligensII Carno535 Sammanslagning Isammanslagningbetyderattduslårihopellerkombinerarallamöjligaregler somfinnsförattmanskakunnasättadetiettnyttsetsombeståravallatyperav utfall,alltsåallatyperavhurmycketdricksmankanfå.dettagörsförattvi sedanskakunnafattaettbeslutomhurmycketdricksvisenareskage.beroende påvadmankangefördrickssåmåsteallaalternativfinnasmedivåraregler. T.ex.omvivillgedåligtmeddricks,lagommeddricksellermycketdricks. If( Or/and( Then( Servicenärdålig OchMatenäräcklig Gedåligtmeddricks Servicenärbra Gelagommeddricks Servicenärperfekt Ellermatenutmärkt Gemycketdricks Isammanslagningensåkanvidåfåframennygrafsomvianvänderossavför attbestämmahurexakthurmycketdricksviskainästasteg,defuzzification. Defuzzification IDefuzzificationärstegetdärvifrånettfuzzyset,såsom mycketdricks skafå tillbakaettcrispset,eftersomsystemetharsagtattviskagemycketdricksså kandetvarabraattvetahurmycketdricksviskage.denmetodensomär lämpligastattanvändasigidettaexempelärcenteraofaarea.denberäknarut mittenpunktenavdenoutputenvifickutochgenomdennametodsåkanvi räknautattvitillexempelskage16,7idricks
15 729G11 HT212 ArtificiellIntelligensII Carno535 VaranvändsFuzzylogic? FuzzylogicanvändsiFuzzykontrollsystemochiexpertsystemochmedhjälpav densåkanmaskinermedhjälpavmänskligtspråkfattabeslutliktdetmänniskor görgenomattanvändasigavuttrycksomärlitevaga.fuzzylogicanvändsi mångavanligavardagsproduktersåsomtvättmaskiner,luftkondioneringaroch kameror.detfuzzylogicanvändsavdekontrollasystemsomintemedsäkerhet vetomderasinputsärsantellerfalskt,t.ex.luftkonditionering.ommanintevet omdetärvarmtellerkalltirummet,utandetkanskeärnågontingmittemellan såärfuzzylogicmycketbättreanvändasigavänklassisklogik.fuzzylogichar blivitväldigtstortsedanstartenochkommerförmodligenväxasigännustörreju mertidengår. Medfuzzylogicsåharmangåttettstegframåtattfåmänniskoratttänkaoch resonerasommänniskor,detsomärettavmålenmedai.manärinteframme däränmendetäranbrabitpåvägen,ochjaginteattfuzzyslogicsdagaräröver, tvärtemotjagtrorattdetkommerblistörreiframtidenänvaddetredanäridag ochattflermaskinerkommerattanvändasigavdennalogik.
16 729G11 HT212 ArtificiellIntelligensII Carno535 Referenser [1]Jantzen,Jan.26.TutorialonFuzzyLogic.Lyngby;TechnicalUniversityof Denmark [2]Berkan,RizaC.,Trubatch,SheldonL.1997FuzzySystemsDesignPrinciples; BuldingFuzzyIFATHENRuleBases,NY;IEEEPress [3]Simoes,MarceloG.IntroductiontoFuzzyLogic.Coloradoschoolofmines [4]Zadeh,LoftiA.1992.FuzzylogicandthecalculusofFuzzyIfAThenRules.IEEE [5]Zadeh,LoftiA.1996.FuzzyLogic=Computingwithwords.Vol.4No.2IEEE [6]Hellman,M.FuzzyLogicIntroduction. [7]Jantzen,Jan.1998.TutorialonFuzzyLogic.Lyngby;TechnicalUniversityof Denmark [8]EAmath.Fuzzyinference Besökt:212A9A216:
FUZZY LOGIC. Christopher Palm chrpa087
FUZZY LOGIC 900223-1554 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
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 mer729G11 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 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 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 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 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 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 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 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 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: 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 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 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 merTaligenkänning* !!!!!!!! !HMM!och!Viterbi! Ellinor!Andersson,! !
Taligenkänning HMMochViterbi EllinorAndersson,92091393801 LinköpingsUniversitet ArtificiellIntelligensII,729G11 Ht2012 2012909912 Sammanfattning Dennaprojektuppsatsbehandlartaligenkänningochdeolikadelmomentsomkrävsför
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 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 merSymbolisk data. quote. (define a 1) (define b 2) (jacek johan david) (list a b)
Symbolisk data (1 2 3 4) (a b c d) (jacek johan david) ((jacek "jacek@cs.lth.se") (johan "johang@cs.lth.se") (david "dat99dpe@ludat.lth.se")) ((anna 13) (per 11) (klas 9) (eva 4)) (+ (* 23 4) (/ y x))
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 merBegreppen "mängd" och "element" är grundläggande begrepp i matematiken.
MÄNGDER Grundläggande begrepp och beteckningar Begreppen "mängd" och "element" är grundläggande begrepp i matematiken. Vi kan beskriva (ange, definiera) en mängd som innehåller ändligt många element genom
Läs merFöreläsning 9 Exempel
Föreläsning 9 Exempel Intervallhalveringsmetoden DA2001 (Föreläsning 9) Datalogi 1 Hösten 2013 1 / 24 Föreläsning 9 Exempel Intervallhalveringsmetoden Newton-Raphsons metod DA2001 (Föreläsning 9) Datalogi
Läs merAlgebra I, 1MA004. Lektionsplanering
UPPSALA UNIVERSITET Matematiska Institutionen Dan Strängberg HT2016 Fristående, IT, KandDv, KandMa, Lärare 2016-11-02 Algebra I, 1MA004 Lektionsplanering Här anges rekommenderade uppgifter ur boken till
Läs merFöreläsning 9 Exempel. Intervallhalveringsmetoden. Intervallhalveringsmetoden... Intervallhalveringsmetoden...
Föreläsning 9 Intervallhalveringsmetoden Intervallhalveringsmetoden Newton-Raphsons metod Mer om rekursion Tidskomplexitet Procedurabstraktion Representation Bra om ni läst följande avsnitt i AS: Procedures
Läs merF2 SANNOLIKHETSLÄRA (NCT )
Stat. teori gk, ht 2006, JW F2 SANNOLIKHETSLÄRA (NCT 4.1-4.2) Ordlista till NCT Random experiment Outcome Sample space Event Set Subset Union Intersection Complement Mutually exclusive Collectively exhaustive
Läs merAdderare. Digitalteknik 7.5 hp distans: 4.6 Adderare 4.45
Digitalteknik 7.5 hp distans: 4.6 Adderare 4.45 Adderare Addition av två tal innebär att samma förfarande upprepas för varje position i talet. För varje position sakapas en summasiffra och en minnessiffra.
Läs merAdderare. Digitalteknik 7.5 hp distans: 4.6 Adderare 4.45
Digitalteknik 7.5 hp distans: 4.6 Adderare 4.45 Adderare Addition av två tal innebär att samma förfarande upprepas för varje position i talet. För varje position sakapas en summasiffra oh en minnessiffra.
Läs merIE1206 Embedded Electronics
E1206 Embedded Electronics Le1 Le3 Le4 Le2 Ex1 Ex2 PC-block Documentation, Seriecom, Pulse sensor,, R, P, series and parallel KC1 LAB1 Pulse sensors, Menu program Start of program task Kirchhoffs laws
Läs merKapitel 1. betecknas detta antal med n(a). element i B; bet. A B. Den tomma mängden är enligt överenskommelsen en delmängd. lika; bet. A = B.
Kapitel 1 Mängdlära Begreppet mängd är fundamentalt i vårt tänkande; en mängd är helt allmänt en samling av objekt, vars antal kan vara ändligt eller oändligt. I matematiken kallas dessa objekt mängdens
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-06-01 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merMängdlära. Kapitel Mängder
Kapitel 2 Mängdlära 2.1 Mängder Vi har redan stött på begreppet mängd. Med en mängd menar vi en väldefinierad samling av objekt eller element. Ordet väldefinierad syftar på att man för varje tänkbart objekt
Läs merFöreläsningsanteckningar S6 Grafteori
HT 009 Tobias Wrigstad Introduktion till grafteori På den här föreläsningen tar vi upp elementär grafteori och försöker introducera termer och begrepp som blir viktigare i senare kurser. Subjektivt tycker
Läs merIE1206 Embedded Electronics
E106 Embedded Electronics Le1 Le3 Le4 Le Ex1 Ex P-block Documentation, Seriecom, Pulse sensor,, R, P, series and parallel K1 LAB1 Pulse sensors, Menu program Start of program task Kirchhoffs laws Node
Läs merI kursen i endimensionell analys är mängden av reella tal (eng. real number), R, fundamental.
Lunds tekniska högskola Datavetenskap Lennart ndersson Föreläsningsanteckningar EDF10 4 Mängder 4.1 Motivering Mängden är den mest grundläggande diskreta strukturen. Nästan alla matematiska begrepp går
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 merMatematik för språkteknologer
1 / 23 Matematik för språkteknologer Mängdlära Mats Dahllöf Institutionen för lingvistik och filologi Januari 2015 Mängdlära matematik för kategorier En mängd svarar mot en helt godtycklig kategori. Elementrelationen
Läs merTortoise ) Tortoise ) Hållbar)design)för)Kinas)möbelmarknad! Sustainable)design)for)the)Chinese)furniture)market)! Maja$Björnsdotter$ $
Linköpingsuniversitet CarlMalmstenFurnitureStudies,CampusLidingö Tortoise HållbardesignförKinasmöbelmarknad! Kandidatuppsats!16hp Möbeldesign Vårterminen2017 LIUEIEIETEKEGEE17/01333EESE Tortoise SustainabledesignfortheChinesefurnituremarket!
Läs merLära dig analysera större och mer komplicerade problem och formulera lösningar innan du implementerar.
Laboration 5 Mängder Syfte Lära dig analysera större och mer komplicerade problem och formulera lösningar innan du implementerar. Lära dig kombinera på ett lämpligt sätt de begrepp och metoder som du har
Läs mer4x 2 dx = [polynomdivision] 2x x + 1 dx. (sin 2 (x) ) 2. = cos 2 (x) ) 2. t = cos(x),
Lunds Tekniska Högskola Matematik Helsingborg Lösningar Analys, FMAA5 9-8-9. a) e sinx) cosx) dx e sinx) + C. b) 4x dx polynomdivision] x + x + x + dx x x + ] ln x + + ) ln) + ) ln) ln). c) Trigonometriska
Läs merUppsala universitet Institutionen för lingvistik och filologi. Grundbegrepp: Mängder och element Delmängder
Mängder Joakim Nivre Uppsala universitet Institutionen för lingvistik och filologi Översikt Grundbegrepp: Mängder och element Delmängder Operationer på mängder: Union och snitt Differens och komplement
Läs merFöreläsning 1: Tal, mängder och slutledningar
Föreläsning 1: Tal, mängder och slutledningar Tal Tal är organiserade efter några grundläggande egenskaper: Naturliga tal, N De naturliga talen betecknas med N och innehåller alla positiva heltal, N =
Läs merAsymptotisk komplexitetsanalys
1 Asymptotisk komplexitetsanalys 2 Lars Larsson 3 4 VT 2007 5 Lars Larsson Asymptotisk komplexitetsanalys 1 Lars Larsson Asymptotisk komplexitetsanalys 2 et med denna föreläsning är att studenterna skall:
Läs merIF1330 Ellära KK1 LAB1 KK2 LAB2. tentamen
IF330 Ellära F/Ö F/Ö4 F/Ö F/Ö5 F/Ö3 Strömkretslära Mätinstrument Batterier Likströmsnät Tvåpolsatsen KK LAB Mätning av U och I F/Ö6 F/Ö7 Magnetkrets Kondensator Transienter KK LAB Tvåpol mät och sim F/Ö8
Läs merSkapa hashtabell. En hashtabell kan ses som en lista där programmeraren associerar egna nycklar (index) till varje element som ska läggas i tabellen :
(Hashtabell) En hashtabell kan ses som en lista där programmeraren associerar egna nycklar (index) till varje element som ska läggas i tabellen : Nycklar: 5 1 12 Element: maj jan dec 1/20 Skapa hashtabell
Läs merPatient matsedel Flytande kost vecka 1
Flytande kost vecka 1 Flytande kost vecka 2 Äpple o päronsoppa Flytande kost vecka 3 Äppel och päronsoppa Flytande kost vecka 4 Äppel och Päronsoppa Flytande kost vecka 5 Äppel och päronsoppa Flytande
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 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 merTentamen i Digitala system - EITA15 15hp varav denna tentamen 4,5hp
Tentamen i Digitala system - EITA15 15hp varav denna tentamen 4,5hp Institutionen för elektro- och informationsteknik Campus Helsingborg, LTH 2018-01-09 8.00-13.00 (förlängd 14.00) Uppgifterna i tentamen
Läs merFöreläsning 2 5/6/08. Reguljära uttryck 1. Reguljära uttryck. Konkatenering och Kleene star. Några operationer på språk
Reguljära uttryck Ändliga automater och reguljära uttryck Språk som är och inte är reguljära Konkatenering och Kleene star Två strängar u och v (på alfabetet )kan konkateneras till strängen uv Givet två
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 merFuzzy Logic (Kompletterad)
729G11 - ARTIFICELL INTELLIGENS 2 Fuzzy Logic (Kompletterad) Jonatan Andersson jonan259 2012-09-19 INNEHÅLLSFÖRTECKNING 1. Inledning... 3 2. Fuzzy logic och tvåvärdeslogik... 4 2.1 Fuzzy sets... 4 2.1
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 merMatematiska uppgifter
Elementa Första häftet 3220. Bestäm alla reella tal x för vilka 3 x x + 2. 322. Pelles och Palles sammanlagda ålder är 66 år. Pelle är dubbelt så gammal som Palle var när Pelle var hälften så gammal som
Läs merBegreppen "mängd" och "element" är grundläggande begrepp i matematiken.
MÄNGDER Grundläggande begrepp och beteckningar egreppen "mängd" och "element" är grundläggande begrepp i matematiken. Vi kan beskriva (ange, definiera) en mängd som innehåller ändligt många element genom
Läs merJonas Sandström jonsa831@student.liu.se Linköpings universitet
JonasSandström jonsa831@student.liu.se Linköpingsuniversitet 20120925 Innehåll Syftetmedstudien...3 FriendlyReader...3 Sammanfattning...3 Tillvägagångssätt...3 Riktlinjer...3 EnwebbsidaförnedladdningavFriendlyReader.exeochwebbenkätfrågor...3
Läs merFractal Sets: Dynamical, Dimensional and Topological Properties
DEGREE PROJECT IN TECHNOLOGY, FIRST CYCLE, 15 CREDITS STOCKHOLM, SWEDEN 2018 Fractal Sets: Dynamical, Dimensional and Topological Properties NANCY WANG KTH ROYAL INSTITUTE OF TECHNOLOGY SCHOOL OF ENGINEERING
Läs merMESI i Intel Core 2 Duo
MESI i Intel Core 2 Duo Sammanfattning Denna rapport beskriver en processor (Intel Core 2 Duo) vars cache coherence protokoll är MESI. Rapporten beskriver hur processorn är uppbyggd, hur många kärnor den
Läs merSatsa på infrastrukturen en lösning på många utmaningar
Satsa på infrastrukturen en lösning på många utmaningar Fackförbundet ST 2014-06-17 Referens: Karin Morild, Utredare: 08-790 52 34 karin.morild@st.org Tore Englén, WSP Analys & Strategi: 010-722 86 20
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 merRepetition Mekanik, grundkurs
Repetition Mekanik, grundkurs Kraft är en vektor och beskrivs med storlek riktning och angreppspunkt F= Fe + F e + Fe x x y y z z Kraften kan flytta längs sin verkninglinje Addera krafter Moment i planet
Läs mer(N) och mängden av heltal (Z); objekten i en mängd behöver dock inte vara tal. De objekt som ingår i en mängd kallas för mängdens element.
Grunder i matematik och logik (2017) Mängdlära Marco Kuhlmann 1 Grundläggande begrepp Mängder och element 2.01 En mängd är en samling objekt. Två standardexempel är mängden av naturliga tal (N) och mängden
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 merSannolikhetsfördelningar
Sannolikhetsfördelningar Uppdaterad: 171205 Har jag använt någon bild som jag inte får använda? Låt mig veta så tar jag bort den. christian.karlsson@ckfysik.se [1] Olika slags slumpförsök [2] Sannolikhetsfördelningar
Läs merIntroduktion till Jasmine 1.2 ODQL
Introduktion till Jasmine 1.2 ODQL I detta avsnitt beskrivs ett antal praktiska handgrepp som behövs för att köra Jasmine ODQL. 1 ODQL miljön Man kan enklast köra ODQL mot Jasmine från ett vanligt Command
Läs merSVENSKA BANGOLFFÖRBUNDET. Årsberättelse 2010. Årets Bangolfare Jan-Åke Persson, Sjövikens IF
Läs mer
Övningar i MATLAB. 1. Antag x = 2 och y = 5. Beräkna följande i MATLAB a) yx 3 /(x-y) b) 3x/2y c) 3xy/2 d) x 5 /(x 5-1)
Övningar i MATLAB V1 1. Antag x = och y = 5. Beräkna följande i MATLAB a) yx 3 /(x-y) b) 3x/y c) 3xy/ d) x 5 /(x 5-1). a, b, c, d och f är skalärer. Skriv MATLAB uttryck för att beräkna och visa följande
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 merFÖRELÄSNING 1 ANALYS MN1 DISTANS HT06
FÖRELÄSNING ANALYS MN DISTANS HT06 JONAS ELIASSON Detta är föreläsningsanteckningar för distanskursen Matematik A - analysdelen vid Uppsala universitet höstterminen 2006. Förberedande material Här har
Läs merför skolledare på folkhögskola program och anmälan
2012-01-03 Tillordförande ochtillrektorvidfolkhögskolan Rektorsutbildning för skolledare på folkhögskola program och anmälan RektorsutbildningenvidUppsalaUniversitetanordnarenutbildningförfolkhögskolans
Läs merTENTAMEN I DATASTRUKTURER OCH ALGORITMER DVG B kl. 14:00-19:00
TENTAMEN I DATASTRUKTURER OCH ALGORITMER DVG B03 170117 kl. 14:00-19:00 Ansvarig Lärare: Donald F. Ross Hjälpmedel: Inga. Algoritmerna finns i de respektive uppgifterna eller i bilagarna. *** OBS *** Betygsgräns:
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 1
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 1 Sannolikhetslära (LLL Kap 5) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course,
Läs merExperimentella metoder 2014, Räkneövning 1
Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) 0.3 6 0.0 00.5 7 99.98 3 00.0 8 99.80 4 99.95 9
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
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 merInstitutionen för tillämpad mekanik, Chalmers tekniska högskola TENTAMEN I HÅLLFASTHETSLÄRA F MHA 081 20 AUGUSTI 2010
Institutionen för tillämpad mekanik, halmers tekniska högskola TENTEN I HÅFSTHETSÄ F H 8 UGUSTI ösningar Tid och plats: 8.3.3 i V huset. ärare besöker salen ca 9.3 samt. Hjälpmedel:. ärobok i hållfasthetslära:
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07
Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07 Bengt Ringnér August 31, 2007 1 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Händelser och sannolikheter
Läs merLaboration 2 Mekanik baskurs
Laboration 2 Mekanik baskurs Utförs av: William Sjöström Oskar Keskitalo Uppsala 2014 12 11 1 Introduktion När man placerar ett föremål på ett lutande plan så kommer föremålet att börja glida längs med
Läs merIntroduktion till Git
Introduktion till UPP-gruppen Christoffer Holm Institutionen för datavetenskap (IDA) 1 1 3 / 11 Krav på användning av i kursen, 3 / 11 Krav på användning av i kursen, Men vad är det? 3 / 11 Krav på användning
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
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 merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs merTECHNICAL DATA SHEET CENTARI 600 BASLACK BESKRIVNING
BESKRIVNING Baslack för användning i 2skiktssystem för solida, metallic och pearlkulörer för lackering av bilar, lastbilar och bussar. Sammansättning baserad på akrylcopolymer. PRODUKTER AM AB50 AB60 AB380
Läs merFöreläsning 6 Programmeringsteknik och Matlab DD1312
Föreläsning 6 Programmeringsteknik och Matlab DD1312 Hashtabeller Funktioner filer särfall (Hashtabell) En hashtabell kan ses som en lista där programmeraren associerar egna nycklar (index) till varje
Läs merFöreläsning 5 Innehåll. Val av algoritm och datastruktur. Analys av algoritmer. Tidsåtgång och problemets storlek
Föreläsning 5 Innehåll Val av algoritm och datastruktur Algoritmer och effektivitet Att bedöma och jämföra effektivitet för algoritmer Begreppet tidskomplexitet Det räcker inte med att en algoritm är korrekt
Läs merFöreläsning 12. Tidsharmoniska fält, komplexa fält (Kap ) Plana vågor (Kap ) i Griffiths
1 Föreläsning 12 9.1-9.3.2 i Griffiths Tidsharmoniska fält, komplexa fält (Kap. 9.1.2) Tidsharmoniska fält (dvs. fält som varierar sinus- eller cosinusformigt i tiden) har stora tillämpningsområden i de
Läs merOMTENTAMEN I DATASTRUKTURER OCH ALGORITMER DVG B kl. 14:15 19:15
OMTENTAMEN I DATASTRUKTURER OCH ALGORITMER DVG B03 150609 kl. 14:15 19:15 Ansvarig Lärare: Donald F. Ross Hjälpmedel: Inga. Algoritmerna finns i de respektive uppgifterna eller i bilogarna. *** OBS ***
Läs merMängder. 1 Mängder. Grunder i matematik och logik (2015) 1.1 Grundläggande begrepp. 1.2 Beskrivningar av mängder. Marco Kuhlmann
Marco Kuhlmann 1 Diskret matematik handlar om diskreta strukturer. I denna lektion kommer vi att behandla den mest elementära diskreta strukturen, som alla andra diskreta strukturer bygger på: mängden.
Läs merProgrammeringsmetodik DV1 Programkonstruktion 1. Moment 8 Om abstrakta datatyper och binära sökträd
Programmeringsmetodik DV1 Programkonstruktion 1 Moment 8 Om abstrakta datatyper och binära sökträd PK1&PM1 HT-06 moment 8 Sida 1 Uppdaterad 2005-09-22 Tabeller En viktig tillämpning är tabellen att ifrån
Läs merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Slumpförsök Med slumpförsök (random experiment) menar vi försök som upprepade gånger utförs på samma sätt men som kan få olika utfall Enkla exempel är slantsingling och tärningskast
Läs merÖvervakningssystem. -skillnader i bilder. Uppsala Universitet Signaler och System ht Lärare: Mathias Johansson
Uppsala Universitet Signaler och System ht 02 2002-12-07 Övervakningssystem -skillnader i bilder Lärare: Mathias Johansson Gruppen: Jakob Brundin Gustav Björcke Henrik Nilsson 1 Sammanfattning Syftet med
Läs merAtt göra investeringskalkyler med hjälp av
MIO040 Industriell ekonomi FK 2013-02-21 Inst. för Teknisk ekonomi och Logistik Mona Becker Att göra investeringskalkyler med hjälp av Microsoft Excel 2007 Förord Föreliggande PM behandlar hur man gör
Läs merDatastrukturer, algoritmer och programkonstruktion (DVA104, HT 2014) Föreläsning 5
Datastrukturer, algoritmer och programkonstruktion (DVA104, HT 2014) Föreläsning 5? FORTSÄTTNING TRÄD RECAP (förra föreläsningen) RECAP (förra föreläsningen) Träd är icke-linjära datastrukturer som ofta
Läs merTeknisk Beräkningsvetenskap I Tema 1: Avrundning och populationsmodellering
Teknisk Beräkningsvetenskap I Tema 1: Avrundning och populationsmodellering Eddie Wadbro 5 november 2014 Eddie Wadbro, Tema 1: Avrundning och populationsmodellering, 5 november 2014 (1 : 21) Innehåll Datoraritmetik
Läs merFöreläsning 9 Innehåll
Föreläsning 9 Innehåll Binära sökträd algoritmer för sökning, insättning och borttagning, implementering effektivitet balanserade binära sökträd, AVL-träd Abstrakta datatyperna mängd (eng. Set) och lexikon
Läs merExempel för diskreta och kontinuerliga stokastiska variabler
Stokastisk variabel ( slumpvariabel) Sannolikhet och statistik Stokastiska variabler HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Stokastisk variabel, slumpvariabel (s.v.): Funktion: Resultat
Läs merTNA004 Analys II Tentamen Lösningsskisser
TNA004 Analys II Tentamen 20-06-0 Lösningsskisser. a) De båda kurvorna skär varandra i x 0 och x. På intervallet 0 x är x x. Området D är då det skuggade i figuren nedan, där även en tunn rektangel är
Läs merVar ligger tyngdkrafternas enkraftsresultant? Totala tyngdkraftmomentet (mätt i origo) för kropp bestående av partiklar: M O. # m j.
1 KOMIHÅG 4: --------------------------------- Enkraftsresultantens existens. Vanliga resultanter vid analys av jämvikter. Jämviktsanalys: a) Kraftanalys - rita+symboler b) Jämviktslagar- Euler 1+2 c)
Läs merTentamen'('Datastrukturer,'algoritmer'och'programkonstruktion.'
Tentamen'('Datastrukturer,'algoritmer'och'programkonstruktion.' Skrivtid: 08.30 13.30 Hjälpmedel: Inga Lärare: Betygsgränser DVA104' Akademin)för)innovation,)design)och)teknik) Onsdag)2014:01:15) Caroline
Läs mer