Aufbau der Vorlesung Gliederung: Fuzzy Logik - CES
Aufbau der Vorlesung Gliederung: Fuzzy Logik - CES
Aufbau der Vorlesung Gliederung: Fuzzy Logik - CES
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Vorlesung</strong> “Intelligente Datenanalye”<br />
Universität Karlsruhe, ITEC (Prof. J. Henkel)<br />
Dr. F. Feldbusch<br />
Freiheitsgrade bei <strong>Fuzzy</strong>-Regeln<br />
<strong>Fuzzy</strong> Regeln<br />
1. Linguistischen Eingangs- und Ausgangsvariablen LV und<br />
<strong>der</strong>en Zugehörigkeitsfunktionen<br />
– Einflußbereich<br />
– Anzahl<br />
– Form<br />
2. Menge von unscharfen Regeln R<br />
3. T-Norm T<br />
4. Implikationsstrategie I,<br />
5. T-CO-Norm T*<br />
6. Defuzzifizierungsverfahren DE.<br />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<br />
• Gitterbasiert<br />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<br />
University of California<br />
Intelligente Datenanalyse – F4.27 at Berkeley 27<br />
Klassifikation <strong>der</strong> Verfahren<br />
– klassischer Ansatz (Wang & Mendel ‘92)<br />
– Erweiterung (Higgins & Goodman ‘93)<br />
– NEFCLASS (Nauck & Kruse ‘92)<br />
• Finetuning Regelbasis<br />
– <strong>Fuzzy</strong>-MLP (Mitra & Pal ‘94)<br />
– Bewertung von Regeln (Delgado & Gonzalez ‘93)<br />
• Regionenbasiert<br />
– Aktivierungs/Inhibitions-Rechtecke (Abe & Lan ‘95)<br />
– RecBF und <strong>Fuzzy</strong> Graph (Berthold & Huber ‘95)<br />
University of California<br />
Intelligente Datenanalyse – F4.28 at Berkeley 28<br />
14