729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581
|
|
- Pernilla Åström
- för 7 år sedan
- Visningar:
Transkript
1 Fuzzy logic
2
3 Innehåll Fuzzy logic Inledning Jämförelse mellan fuzzy logic och tvåvärdeslogik Fuzzy sets Linvistiska variabler Operatorer If- then Fuzzy inference Fuzzification of the input variable Apply fuzzy operator Aggregate all outputs Defuzzification Litteraturförteckning... 10
4 1. Inledning I det här arbetet ska jag förklara vad fuzzy logic är. Jag kommer kort jämföra fuzzy logic med traditionell tvåvärdeslogik för att sedan gå in mer i detalj på olika delar i fuzzy logic. Jag kommer också att försöka visa på hur fuzzy logic kan användas och fördjupa mig i vissa viktiga begrepp. Detta är ett försök att på ett överskådligt sätt visa hur fuzzy logic fungerar, illustrerat med både bilder och text, för att göra det så lätt att förstå som möjligt. 2. Jämförelse mellan fuzzy logic och tvåvärdeslogik. I den traditionella logiken använder man sig ofta av värdena sant eller falskt. Alla delar i världen delas sedan upp mellan värdena sant respektive falskt. Antingen är ett påstående sant eller falskt, alltså är påståendet glaset är fullt antingen sant eller falskt. I grunden är det ingenting konstigt med den vanliga tvåvärdeslogiken, men i vardagligt tal mellan människor, och ute i världen, så är saker sällan så bestämda. Lofti A. Zadeh föreslog därför 1965 en teori som bygger på det som kallas för fuzzy sets, därav fick teorin namnet fuzzy set theory. Teorin bygger på att istället för att någonting är sant eller inte, kan det vara sant till olika grader. Ett exempel är om ett glas med vatten är fullt eller inte, hur mycket vatten måste det vara i glaset för att det ska vara fullt? I fuzzy logic kan glaset istället delas upp i flera olika mängder exempelvis fullt, halvfullt eller tomt. Då kan mängden vatten i glaset ingå i exempelvis fullt och halvfullt till olika grader. Dessa grader ligger fortfarande mellan värdet 1=sant och 0=falskt, men till olika grader. Detta är inte det samma som probabilistisk logik, där sannolikheten för någonting räknas ut, utan hanterar endast olika grader av sanning. 3. Fuzzy sets. I traditionell tvåvärdelogik använder man sig av så kallade crisp sets, som skulle kunna ses som en rak linje vid ett visst värde. Säg till exempel att en person är ung om den är under 18 år, då kommer en person antingen att ingå i mängden ung eller inte. Om personen är mellan 0-18 år, är alltså sanningsvärdet för att personen är ung=1- Figur 1 Crisp sets och fuzzy sets Om en person då är 20 år, indikerat av det grå strecket, kommer personen att ingå i kategorin gammal, och sanningsvärdet för ung=0, medan sanningsvärdet för gammal=1. Detta ger en värld med hårda värden, som är enkla att urskilja från varandra, men som inte stämmer särskilt bra överens med hur vi människor ser på världen. För att beskriva delar i världen som inte är skarpt definierade Lofti A. Zadeh 1965 en ny sorts logik, baserad på det som istället kallas för fuzzy sets, eller oskarpa set. Setens intervall ändras, så att
5 gammal ung är 0-18, och gammal , vilket ger en graf som ser ut som den till höger. Nu ingår en person som är gammal i båda seten, ung och gammal, men till olika grader. För att se till hur många grader någonting ingår i varje set mäter man ut höjden på y- axeln där värdet på x- axeln korsar de olika seten. I exemplet ovan ser man att en 20- åring ingår i setet gammal=0,6 och setet ung=0,3. 0,3 + 0,6 blir inte 1, vilket också visar på skillnaden mot probabilistisk logik, då det inte är sannolikheten att man är med i ett av seten man räknar ut, utan med hur mycket man tillhör de olika seten. 4. Linvistiska variabler Ord som ung och gammal, full eller tom, har inga fasta värden i världen. Om man säger att x är 20 år har vi direkt en variabel x som har ett fast värde = 20. Men om man säger att x är gammal, då har variabeln x inget fast värde, vilket gör att det är en variabel av ett annat slag, nämligen en lingvistisk variabel. Detta används inom fuzzy logic för att tillåta en mer flexibel världsbild, där man inte måste veta exakta gränser för olika saker i världen. Istället kan man använda sig av variabler som för tungt lastad och använda operatorer på det. 5. Operatorer Att räkna på fuzzy sets skiljer sig inte mycket från att räkna på den vanliga tvåvärdeslogiken. Man kan göra ungefär samma saker trots att det är medlemskapsgrad man räknar på istället för sanningsvärden. Man använder ungefär samma operatorer; and, or och nor, men de ser inte riktigt likadana ut som i tvåvärdeslogiken. (Riza C. Berkan, Sheldon L. Trubatch, 1997) Snitt liknar or i sitt utförande och räknas ut genom att ta det minsta medlemskapsvärdet. Vi använder oss av medlemskapsvärdet som en viss variabel har. Om vi använder exemplet från tidigare med att vara ung eller inte skulle formeln för det kunna se ut som följer, där snittet är symbolen?. MIN {μa(x)?μb(x)} = MIN (0.3, 0.6) = 0.3 Figur 2 snitt Union liknar and i sitt utförande och representeras genom att ta det högsta medlemskapsvärdet. Det är alltså likadant som snitt fast tvärtom och representeras av symbolen U. Precis som innan används siffrorna från exemplet med att vara ung eller gammal och ger följande formel.
6 MAX{µA(x)UµB(x)} = MAX (0.3, 0.6) = 0.6 Figur 3 Union Komplement - linkar not I sitt utförande, och är alltså en sorts negering. Detta får man fram genom att ta 1- µa(x). För exemplet med att vara ung skulle det alltså bli, då man tillhör ung med 0,3; 1-µA(x) = 1-0,3 = 0,7. Figur 4 Komplement
7 6. If- then En viktig del inom fuzzy logic är IF- THEN regler, eller om- så regler. Dessa är regler som är uppdelade i ett eller flera inputvärden (antecedenten), och ett outputvärde (konsekvensen). Regeln blir då If antecedenten then konsekvensen Man kan byta antecedenten och konsekvensen till vilka värden man vill, och det kan också ingå flera antecedenter före en konsekvens, men då måste dessa vara uppdelade av en operator. Exempelvis; If x and y then z Där x och y är antecedenter medan z är en konsekvens. 7. Fuzzy inference. Fuzzy inference är den process som sammankopplar alla delar i fuzzy logic, och ger en output givet en input. Detta sker i fem steg, innehållandes de delar som beskrivits ovan. Problemet som kommer användas för att beskriva de fem stegen är hur man ska gå till väga för att ge dricks på en restaurang. 1. Fuzzification of the input variable Det första steget är att ta input, och bestämma till vilken grad den tillhör ett visst fuzzy set. Om maten kan rankas på en skala mellan 1-10 och vi har en lingvistisk variabel delicious, försöker man sedan att bestämma hur mycket maten ingår i variabeln delicious. I fallet nedan rankas maten som en 8, och får då tillhörighet 0,7 i delicios. Figur 5 Fuzzification (källa mathworks) 2. Apply fuzzy operator Om vi har flera variabler att utgå ifrån, exempelvis hur maten smakar och hur servicen var, för att bestämma hur mycket dricks vi ska ge måste vi använda en fuzzy operator, snitt eller union. Låt oss säga att servicen får värdet 3, och att detta inte ingår i setet good, då får servicen 0,0 som värde, alltså var den inte särskilt bra. Nu kan vi använda oss av snitt- regeln för att bestämma värdet på restaurangen (ta det högsta värdet för maten och servicen och använd det).
8 Figur 6 Beskriver hur fuzzy operators fungerar. (källa mathworks) 3. Aggregate all outputs Om man kan ge olika mycket dricks beroende på hur servicen har varit måste man i detta steg slå ihop alla regler man har för att bestämma hur mycket dricks man ska ge. Om man kan ge tre olika nivåer av dricks, dåligt, medel eller mycket så måste man ha med regler som kan behandla detta. 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 4. Defuzzification I defuzzification ska man göra det oskarpa värdet som man nu har skarpt igen. Det finns flera metoder för att göra detta, och de har lite olika användningsområden. En av de enklaste att förklara är center of area, som går ut på att man räknar ut areans mittpunkt för hela setet, och låter detta blir det slutliga värdet för opperationen.
9 8. Diskussion Fuzzy logic är en logik skapad för att beskriva att det finns gånger när världen inte är varken sann eller falsk, utan till olika grader sann och falsk. Att ett glas vatten kan vara både fullt eller tomt är givet, men det kan också vara olika mycket fullt eller tomt nästan in i oändlighet. Detta är något som den traditionella tvåvärdeslogiken inte tar hänsyn till, där är det antingen sant eller falskt, och jar tror att fuzzy logic tack vare sina mer oskarpa linjer kan komma visa sig vara rätt väg att gå för att kunna få maskiner att faktiskt röra sig själva ute i världen. Inte enbart att utföra beräkningar på platsen där de står, utan att faktiskt kunna röra sig i en ständigt föränderlig värld där objekt rör på sig, förändrar sig och är oskarpt definierade. Det kan kanske i slutändan även vara vägen att gå för att få maskiner att tänka mer likt människor än de gör i dag, om nu detta skulle vara ett mål att försöka uppnå.
10 8. Litteraturförteckning Riza C. Berkan, Sheldon L. Trubatch Fuzzy systems design principles- Building fuzzy if-then rule bases ( 1997) Shigeo Abe - Neural networks and fuzzy systems - theory and application(1995) inference- process.html;jsessionid=696705b5c0a5c2846a61b04c21c0?s_tid=doc_12b (18/6 2013)
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 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. 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 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 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 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 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 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 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 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 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 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 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. 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 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 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 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 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 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 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 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 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 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 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 merÖvningshäfte 2: Induktion och rekursion
GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2017 INLEDANDE ALGEBRA Övningshäfte 2: Induktion och rekursion Övning D Syftet är att öva förmågan att utgående från enkla samband, aritmetiska och geometriska,
Läs merHur implementera algoritmerna på maskinnivå - datorns byggstenar
Hur implementera algoritmerna på maskinnivå - datorns byggstenar Binära tal Boolesk logik grindar och kretsar A A extern representation intern representation minnet i datorn extern representation 1000001
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 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 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 merFuzzy%Logic% Linköpings&Universitet&
729G11 HT212 ArtificiellIntelligensII Carno535 FuzzyLogic LinköpingsUniversitet Fördjupningsarbete Caroline Norén 91131-172 Carno535 729G11 HT212 ArtificiellIntelligensII Carno535 729G11 HT212 ArtificiellIntelligensII
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 merSanning och lögnare. Rasmus Blanck VT2017. FT1200, LC1510 och LGFI52
rasmus.blanck@gu.se FT1200, LC1510 och LGFI52 VT2017 Vad är sanning? Vi verkar använda begreppet utan större problem till vardags. Det kanske vore intressant att ha en definition: P är sann om och endast
Läs merFilosofisk logik Kapitel 15. Robin Stenwall Lunds universitet
Filosofisk logik Kapitel 15 Robin Stenwall Lunds universitet Dagens upplägg Första ordningens mängdlära Naiv mängdlära Abstraktionsaxiomet (eg. comprehension) Extensionalitetsaxiomet Små mängder Ordnade
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 merTommy Färnqvist, IDA, Linköpings universitet. 2 Strukturer 2 2.1 Domäner... 2 2.2 Tolkningar... 3
Föreläsning 2 Semantik 729G06 Logikdelen Föreläsningsanteckningar i Programmering och logik 27 januari 2014 Tommy Färnqvist, IDA, Linköpings universitet 2.1 Innehåll Innehåll 1 Lite mer syntax 1 2 Strukturer
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 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 mer7. Max 0/1/0. 8. Max 0/2/1. 9. Max 0/0/ Max 2/0/0
7. Max 0/1/0 14 Korrekt svar (t.ex. 16514 = 44 a ) +1 C M 8. Max 0/2/1 a) Godtagbart angivet intervall, t.ex. då x är mellan 3 och 4 +1 C B med korrekt använda olikhetstecken ( 3 < x < 4 ) +1 C K b) Korrekt
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 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 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 merKortaste Ledningsdragningen mellan Tre Städer
Kortaste Ledningsdragningen mellan Tre Städer Tre städer A, B och C, belägna som figuren till höger visar, ska förbindas med fiberoptiska kablar. En så kort ledningsdragning som möjligt vill uppnås för
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson LÄSANVISNINGAR VECKA 36 VERSION 1. ARITMETIK FÖR RATIONELLA OCH REELLA TAL, OLIKHETER, ABSOLUTBELOPP ADAMS P.1 Real Numbers and the Real
Läs merSatslogik grundläggande definitioner 3. Satslogik. Uppgift 1. Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar)
Satslogik grundläggande definitioner Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar) Modeller, logisk konsekvens och ekvivalens Några notationella förenklingar Kompletta mängder
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 merBedömningsanvisningar
Bedömningsanvisningar Exempel på ett godtagbart svar anges inom parentes. Till en del uppgifter är bedömda elevlösningar bifogade för att ange nivån på bedömningen. Om bedömda elevlösningar finns i materialet
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 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 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 merFormell logik Kapitel 9. Robin Stenwall Lunds universitet
Formell logik Kapitel 9 Robin Stenwall Lunds universitet Kapitel 9: Introduktion till kvantifiering Vi har hittills betraktat logiska resonemang vars giltighet enbart beror på meningen hos konnektiv som
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 merTentamen i. TDDC67 Funktionell programmering och Lisp
1 Linköpings tekniska högskola Institutionen för datavetenskap Anders Haraldsson Tentamen i TDDC67 Funktionell programmering och Lisp och äldre kurser TDDC57 Programmering, Lisp och funktionell programmering
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 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 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 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 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 mer5B1147. Envariabelanalys. MATLAB Laboration. Laboration 1. Gränsvärden och Summor
5B47 MATLAB Laboration Laboration Gränsvärden och Summor joycew@kth.se uvehag@kth.se Innehåll Uppgift a... Problem... Lösning... Grafisk bestämning av gränsvärden... Beräkning av gränsvärden...2 Uppgift
Läs mersanningsvärde, kallas utsagor. Exempel på utsagor från pass 1 är
PASS 7. EKVATIONSLÖSNING 7. Grundbegrepp om ekvationer En ekvation säger att två matematiska uttryck är lika stora. Ekvationen har alltså ett likhetstecken och två deluttryck på var sin sida om likhetstecknet.
Läs merDD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik
DD1350 Logik för dataloger Fö 7 Predikatlogikens semantik 1 Kryssprodukt av mängder Om A och B är två mängder så är deras kryssprodukt A B mängden av alla par (a,b), där a A och b B. Ex: A={1,2}, B={3,4},
Läs merMA2047 Algebra och diskret matematik
MA2047 Algebra och diskret matematik Något om logik och mängdlära Mikael Hindgren 5 september 2018 Utsagor Utsaga = Påstående som har sanningsvärde Utsagan kan vara sann (S) eller falsk (F) öppen eller
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 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 merANDREAS REJBRAND NV3ANV Matematik Matematiskt språk
ANDREAS REJBRAND NV3ANV 2006-02-14 Matematik http://www.rejbrand.se Matematiskt språk Innehållsförteckning MATEMATISKT SPRÅK... 1 INNEHÅLLSFÖRTECKNING... 2 INLEDNING... 3 MÄNGDER... 4 Att uttrycka en mängd...
Läs mer732G Linköpings universitet 732G11. Johan Jernlås. Översikt. Repetition. Felsökning. Datatyper. Referenstyper. Metoder / funktioner
732G11 Linköpings universitet 2011-01-21 1 2 3 4 5 6 Skapa program Kompilera: Källkod Kompilator bytekod Köra: Bytekod Virtuell maskin Ett riktigt program Hej.java class Hej { public static void main (
Läs meri LabVIEW. Några programmeringstekniska grundbegrepp
Institutionen för elektroteknik Några programmeringstekniska grundbegrepp 1999-02-16 Inledning Inom datorprogrammering förekommer ett antal grundbegrepp som är i stort sett likadana oberoende om vi talar
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 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 merMatematik. Kursprov, vårterminen Bedömningsanvisningar. för samtliga skriftliga provdelar
Kursprov, vårterminen 2012 Matematik Bedömningsanvisningar för samtliga skriftliga provdelar 1a Prov som återanvänds omfattas av sekretess enligt 17 kap. 4 offentlighets- och sekretesslagen. Detta prov
Läs merDD1350 Logik för dataloger
DD1350 Logik för dataloger Fö 8 Axiomatiseringar 1 Modeller och bevisbarhet Sedan tidigare vet vi att: Om en formel Φ är valid (sann i alla modeller) så finns det ett bevis för Φ i naturlig deduktion.
Läs merFormell logik Kapitel 1 och 2. Robin Stenwall Lunds universitet
Formell logik Kapitel 1 och 2 Robin Stenwall Lunds universitet Kapitel 1: Atomära satser Drömmen om ett perfekt språk fritt från vardagsspråkets mångtydighet och vaghet (jmf Leibniz, Russell, Wittgenstein,
Läs merAnna: Bertil: Cecilia:
Marco Kuhlmann 1 Osäkerhet 1.01 1.02 1.03 1.04 1.05 Intelligenta agenter måste kunna hantera osäkerhet. Världen är endast delvist observerbar och stokastisk. (Jmf. Russell och Norvig, 2014, avsnitt 2.3.2.)
Läs mer4-5 Kvadrater och rotuttryck Namn:...
4-5 Kvadrater och rotuttryck Namn:... Inledning Du har nu lärt dig en hel del om kvadrater i kapitlet om ytorparallellogrammer. Du lärde dig bland annat att om kvadratens sida var given, säg 5 cm så kan
Läs merFTEA12:4 Vetenskapsteori. Realism och anti-realism
FTEA12:4 Vetenskapsteori Realism och anti-realism Realism vs. anti-realism Ontologi: Finns det en värld som är oberoende medvetandet? Semantik: Är sanning en objektiv språk-värld relation? Epistemologi:
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 merStatistiska samband: regression och korrelation
Statistiska samband: regression och korrelation Vi ska nu gå igenom något som kallas regressionsanalys och som innebär att man identifierar sambandet mellan en beroende variabel (x) och en oberoende variabel
Läs merNp MaB vt Låt k = 0 och rita upp de båda linjerna. Bestäm skärningspunkten mellan linjerna.
Vid bedömning av ditt arbete med uppgift nummer 17 kommer läraren att ta hänsyn till: Hur väl du beräknar och jämför trianglarnas areor Hur väl du motiverar dina slutsatser Hur väl du beskriver hur arean
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 merLösningar Datastrukturer TDA
Lösningar Datastrukturer TDA416 2016 12 21 roblem 1. roblem 2. a) Falskt. Urvalssortering gör alltid samma mängd av jobb. b) Sant. Genom att ha en referens till sista och första elementet, kan man nå både
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 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 merFöreläsningsanteckningar och övningar till logik mängdlära
Inledande matematisk analys tma970, 010, logik, mängdlära Föreläsningsanteckningar och övningar till logik mängdlära Dessa öreläsningsanteckningar kompletterar mycket kortattat kap 0 och appendix B i Persson/Böiers,
Läs merSemantik och pragmatik (Serie 3)
Semantik och pragmatik (Serie 3) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 37 Logik: språk tanke (Saeed kapitel 4.) Satser uttrycker (ofta) tankar. Uttrycksrikedom
Läs merFilosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium. v. 2.0, den 29/ III. Metalogik 17-19
Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium IV v. 2.0, den 29/4 2013 III. Metalogik 17-19 Modeller för satslogiken 18.1 Vi har tidigare sagt att en modell är en tolkning av en teori
Läs merFTEA21:3 Spr akfilosofi F orel asning III Martin J onsson
FTEA21:3 Språkfilosofi Föreläsning III Martin Jönsson Att lära Fyra argument mot tanken att mening är någonting mentalt. En semantisk princip (principen att mening fixerar referens) En ny filosofisk fråga
Läs merLösningar och kommentarer till uppgifter i 2.3
Lösningar och kommentarer till uppgifter i 2.3 2303 d) TB: Jaha, nu gäller det att kunna sina deriveringsregler. Polynom kommer man alltid ihåg hur de ska deriveras. f(x) = 4x 2 + 5x 3 ger derivatan f
Läs merLabbrapport svängande skivor
Labbrapport svängande skivor Erik Andersson Johan Schött Olof Berglund 11th October 008 Sammanfattning Grunden för att finna matematiska samband i fysiken kan vara lite svårt att förstå och hur man kan
Läs merMatematik. Kursprov, vårterminen Bedömningsanvisningar. för samtliga skriftliga provdelar
Kursprov, vårterminen 2012 Matematik Bedömningsanvisningar för samtliga skriftliga provdelar 1b Prov som återanvänds omfattas av sekretess enligt 17 kap. 4 offentlighets- och sekretesslagen. Detta prov
Läs merProgrammering i C++ En manual för kursen Datavetenskaplig introduktionskurs 5p
Programmering i C++ En manual för kursen Datavetenskaplig introduktionskurs 5p Skriven av Michael Andersson Introduktion Programmering I högnivåspråk fokuserar på själv problemet (algoritmen) istället
Läs mer3. Välj den sprajt (bild) ni vill ha som fallande objekt, t ex en tårta, Cake. Klicka därefter på OK.
Moment 2: Klonspel Instruktioner för deltagare Idag ska du få lära dig om: Kloner - kopior av samma figur (sprajt) Variabler - ett värde, exempelvis antal poäng Slumptal - slå en tärning för att välja
Läs merKravgränser. Provet består av Del B, Del C, Del D samt en muntlig del och ger totalt 63 poäng varav 24 E-, 21 C- och 18 A-poäng.
Kravgränser Provet består av Del B, Del C, Del D samt en muntlig del och ger totalt 63 poäng varav 24 E-, 21 C- och 18 A-poäng. Kravgräns för provbetyget E: 17 poäng D: 25 poäng varav 7 poäng på minst
Läs merGamla tentemensuppgifter
Inte heller idag någon ny teori! Gamla tentemensuppgifter 1 Bestäm det andragradspolynom vars kurva skär x-axeln i x = 3 och x = 1 och y-axeln i y = 3 f(x) = (x 3)(x + 1) = x x 3 är en bra start, men vi
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 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 merLKT325/LMA521: Faktorförsök
Föreläsning 2 Innehåll Referensfördelning Referensintervall Skatta variansen 1 Flera mätningar i varje grupp. 2 Antag att vissa eekter inte existerar 3 Normalfördelningspapper Referensfördelning Hittills
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 merÖVNINGSUPPGIFTER KAPITEL 9
ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar
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 mer