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 />
• Gitterbasiert<br />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<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 />
Universität Karlsruhe<br />
ITEC (Prof. J. Henkel)<br />
University of California<br />
Intelligente Datenanalyse – F4.47 at Berkeley 47<br />
<strong>Fuzzy</strong>-MLP <strong>Fuzzy</strong> MLP<br />
• Idee: Ersetze die „Gewichtete Summe“ und<br />
„Sigmoidfunktion“ durch „t-norm“ und „tconorm“<br />
für „UND“ und „ODER“<br />
• Die Und-O<strong>der</strong>-Struktur des Netzes erlaubt die<br />
Interpretation als Regeln<br />
• Lernverfahren: Backpropagation<br />
• t-norm: min, product (ab)<br />
• t-conorm: max, probabilistic sum (a+b-ab)<br />
• Eingabe: Zugehörigkeit zu Zugerhörigkeitsfkt.<br />
University of California<br />
Intelligente Datenanalyse – F4.48 at Berkeley 48<br />
24