T2 - Künstliche Intelligenz und Fuzzy Logik Flashcards
Soft Computing
- Ist im Gegensatz zu konventionellem hard computing toleranter für Ungenauigkeiten ud Unsicherheiten
- Verbindet Fuzzy Logic, neuronale Netze, genetische Algorithmen und probabilistic computing
Vorteile:
Wenn die Komplexität eines Systems ansteigt, verlieren präzise Aussagen an Sinn und sinnvolle Aussagen an Präzision
Klassische Mengentheorie nach Cantor
“Eine Menge ist eine Zusammenfassung von Objekten unseres Denkens zu einem Ganzen”
* Beispielsweise beschreibbar durch Aufzählung{1; 2; 7} und Zugehörigkeit (0,1)
* Die klassische Mengenlehre arbeitet mit scharfen Mengen
* Beispielsweise klare, konstante unterscheidung zwischen großem, normalem oder extremem Abfluss
Fuzzy Sets: unscharfe Mengen
Durch Definition eines Zugehörigkeitsgrades im Bereich von 0 bis 1 existiert ein gradient zwischen den Mengen
Fuzzy Model - Ablaufschema
- scharfe Werte -> Fuzzifizierung -> Linguistische Terme -> Fuzzy Regelinterferenz (Aussagenlogik) -> Linguistische Terme -> Defuzzifizierung -> scharfe Werte
- Lingustische Terme -> Fuzzy Regelinterferenz -> Linguistische Terme -> Defuzzifizierung -> scharfer Wert
- Wie 1 nur mit doppeltem Fokus auf Ling -> Regelinterferenz
Definitionen
Linguistische Variable
eine Variable, deren Werte sprachliche Konstrukte sind, welche inhaltlich durch scharfe Mengen definiert werden
Fuzzifizierung
Die Umsetzung realer Zahlen in linguistische Variablen
Fuzzy-Regelinterferenz
Die Anwendung der Fuzzy-Regeln auf die ling. Variablen
Defuzzifizierung
Die Rücktransformierung von Fuzzy-Werten in scharfe Werte
Defuzzifizierung
Nutzen der Schwerpunktmethode
* Flächenintegral durch Funktionswertintegral
Vor- und Nachteile der Fuzzy Logik
Pro:
* kann mit unscharfen Daten arbeiten
* einfach und transparent
* leicht Anpassbar
* Einsatz von “know how”
Contra:
* heuristische Optimierung
* lernunfähig
* Bedarf an einer Regelgrundlage
Biologisches Neuron - künstliches Neuron
Dendriten - Eingänge
Gewichte - Synapsen
Soma - Aktivierung
Axon - Ausgang
Mathematisches Modell eines Neurons
Aktivierungsfunktion
Das Ergebnis der Propagation-Funktion wird verwendet um die Aktivierung des Neurons mit der Aktivierungsfunktion zu berechnen
Propagation-Funktion
Alle von Neuron gesendeten Eingangswert werden gesammelt und gewichtet
(autonome) Künstliche Neuronale Netze
- Eingangsschicht aus Neuronen, werden in verborgenen Schichten verknüpft. In der Ausgangsschicht werden die Ergebnisse ausgegeben
- Wichtig ist eine ausgiebige Trainingsphase bei dem Netz das gewünschte Verhalten beigebracht wird
- Die Trainingsphase baut auf Beispieldatensätzen mit bekanntem Input und Output auf
- Die ANN/KNN baut auf einem Black-Box-Verhalten auf - wir wissen nicht was in den verborgenen Schichten passiert
Lernregeln
überwachtes Lernen
Jeder Trainingsschritt wird überwacht. Dies ist nützlich, wenn ein gegebenes Eingangsmuster ein spezielles Ausgangsmuster hervorrufen muss
unüberwachtes Lernen
Bei regelbehafteten Zusammenhängen innerhalb einer Umgebung sind gewöhnlich keine speziellen Ausgangsmuster vorhanden mit denen der Trainingsprozess überwacht werden kann
Vor- und Nachteile Neuronaler Netze
Pro:
* schnelle Optimierung
* Lernfähigkeit
* kein Regelwissen notwendig
Contra:
* Black-Box-Verhalten
* keine Modifizierung oder Know-How
* Nur scharfe Daten
* schwieriges Netzdesign
Methodenwahl Neuro oder Fuzzy
- bekannte, relevante Einflussgrößen -> Anzahl der Einflussgrößen ist klein (<20) -> es gibt bekannte Zusammenhänge zwischen den Einflussgrößen -> Fuzzy Logik
- nicht genau bekannte Einflussgrößen, mit Beispieldaten -> hoch dimensionaler Eingaberaum -> Zusammenhänge sind nicht bekannt oder ändern sich -> ANN
Die Kombination beider Ansätze (NeuroFuzzy-Systeme) eliminieren die Nachteile der einzelnen Ansätze
-> Fuzzy-Interferenz als verborgene Schicht, Fuzzifizierung als Eingang, Defuzzifizierung als Ausgang
