Aufbau der Vorlesung Gliederung: Fuzzy Logik - CES
Aufbau der Vorlesung Gliederung: Fuzzy Logik - CES
Aufbau der Vorlesung Gliederung: Fuzzy Logik - CES
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<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 />
NEFCLASS (2)<br />
Erfahrung: Regeln sind besser durch <strong>Fuzzy</strong>-Clustering<br />
Verfahren zu bestimmen<br />
1. Durchlauf:<br />
– Erzeugen von Neuronen durch Finden <strong>der</strong><br />
Kombinationen von ZFkt mit den höchsten<br />
Zugehörigkeitswerten für ein Datum.<br />
– Gibt es eine solche Regel nicht, wird eine neue erzeugt.<br />
Nur die besten k Regeln werden danach zu Neuronen.<br />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<br />
University of California<br />
Intelligente Datenanalyse – F4.41 at Berkeley 41<br />
NEFCLASS (3)<br />
• 2. Durchlauf: Lernen <strong>der</strong> Parameter <strong>der</strong><br />
Zugehörigkeitsfkt. (nur Dreiecke erlaubt)<br />
• Idee: Bündeln von Verbindungen für gleiche<br />
Zugehörigkeitsfunktionen erlaubt das spätere<br />
Anwenden von linguistischen Variablen.<br />
• Lernen durch modifiziertes Backpropagation (ein<br />
Gewicht hat drei Parameter)<br />
University of California<br />
Intelligente Datenanalyse – F4.42 at Berkeley 42<br />
21