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 />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<br />
Regelextraktion - 1.Schritt<br />
• Für jedes Merkmal den Wertebereich bestimmen<br />
und in 2m+1 Regionen für ZF einteilen.<br />
• Zugehörigkeitsfunktionen auswählen (i. R.<br />
Dreiecke)<br />
Dieses Vorgehen ist sehr willkürlich. Oft werden<br />
Anhaltspunkte, wie Häufigkeit von Datenpunkten<br />
im Bereich o<strong>der</strong> Vorwissen verwendet.<br />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<br />
University of California<br />
Intelligente Datenanalyse – F4.31 at Berkeley 31<br />
Regelextraktion - 2. Schritt<br />
• Erzeugung <strong>der</strong> <strong>Fuzzy</strong>-Regeln<br />
– Bestimme die Zugehörigkeit eines Datensatzes zu den<br />
Regionen<br />
– Wähle die Region mit dem höchsten<br />
Zugehörigkeitswert<br />
– Erzeuge daraus eine Regel<br />
Beispiel:<br />
(x (i)<br />
1 , x2<br />
(i) , y (i) ) =><br />
x (i)<br />
1 /0,8 in PB; x2<br />
(i) /0,7 in PS; y (i) /0,9 in ZR =><br />
Regel (i): IF x1 is PB AND x2 is PS THEN y is ZR<br />
University of California<br />
Intelligente Datenanalyse – F4.32 at Berkeley 32<br />
16