Dunaújvárosi Főiskola Informatikai Intézet

Hasonló dokumentumok
Algoritmusok Tervezése. Fuzzy rendszerek Dr. Bécsi Tamás

Valószínűségi változók. Várható érték és szórás

Logikai ágensek. Mesterséges intelligencia március 21.

Számítási intelligencia

Matematikai logika és halmazelmélet

BEVEZETÉS A FUZZY-ELVŰ SZABÁLYOZÁSOKBA. Jancskárné Dr. Anweiler Ildikó főiskolai docens. PTE PMMIK Műszaki Informatika Tanszék

Kijelentéslogika, ítéletkalkulus

Negáció igazságtáblája. Propozicionális logika -- levezetések. Diszjunkció igazságtáblája. Konjunkció igazságtáblája. Kondicionális igazságtáblája

Kijelentéslogika, ítéletkalkulus

A logikai következmény

Intelligens irányítások

Matematikai logika. 3. fejezet. Logikai m veletek, kvantorok 3-1

Bizonytalanság. Mesterséges intelligencia április 4.

3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

2. Alapfogalmak, műveletek

A matematika nyelvéről bevezetés

Knoch László: Információelmélet LOGIKA

BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK

Intelligens irányítások

ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)

A matematika nyelvér l bevezetés

Matematikai logika NULLADRENDŰ LOGIKA

Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik

Fuzzy halmazok jellemzői

Elsőrendű logika. Mesterséges intelligencia március 28.

9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

3. Magyarország legmagasabb hegycsúcsa az Istállós-kő.

17. előadás: Vektorok a térben

Mesterséges Intelligencia MI

AZ INFORMATIKA LOGIKAI ALAPJAI

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

Valószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.

A logika, és a matematikai logika alapjait is neves görög tudós filozófus Arisztotelész rakta le "Analitika" című művében, Kr.e. IV. században.

MYCIN. Szakértői rendszer

A F u z z y C L I P S a l a p j a i

Dunaújvárosi Főiskola Informatikai Intézet. Intelligens ágensek. Dr. Seebauer Márta. főiskolai tanár

Analízis előadás és gyakorlat vázlat

MATEMATIKA EMELT SZINTŰ SZÓBELI VIZSGA TÉMAKÖREI (TÉTELEK) 2012

Mesterséges Intelligencia 1

1. A matematikai logika alapfogalmai. 2. A matematikai logika műveletei

Matematika alapjai; Feladatok

Diszkrét matematika I.

Valószín ségszámítás és statisztika

Mesterséges Intelligencia MI

2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)

Az informatika logikai alapjai

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

Bizonytalan tudás kezelése

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

Halmazelmélet. 1. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Halmazelmélet p. 1/1

1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét!

Az informatika logikai alapjai

1. tétel Halmazok és halmazok számossága. Halmazműveletek és logikai műveletek kapcsolata.

MATEMATIK A 9. évfolyam. 2. modul: LOGIKA KÉSZÍTETTE: VIDRA GÁBOR

Logika és informatikai alkalmazásai kiskérdések február Mikor mondjuk, hogy az F formula a G-nek részformulája?

Diszkrét matematika I.

Diszkrét matematika gyakorlat 1. ZH október 10. α csoport

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

5. A kiterjesztési elv, nyelvi változók

Eötvös Loránd Tudományegyetem Természettudományi Kar. Fuzzy optimalizálás. BSc Szakdolgozat

A félév során előkerülő témakörök

Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból

Máté: Számítógép architektúrák

A bizonytalanságkezelés modelljeinek osztályozása

Diszkrét matematika II., 8. előadás. Vektorterek

MATEMATIKA EMELT SZINTŰ SZÓBELI VIZSGA TÉMAKÖREI (TÉTELEK) 2005

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

Matematika javítóvizsga témakörök 10.B (kompetencia alapú )

Feladatok MATEMATIKÁBÓL

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit.

6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK. BSc Matematika I. BGRMA1HNND, BGRMA1HNNC

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

LOGIKA ÉS ÉRVELÉSTECHNIKA

mtologatók részére szeretettel Achs Ágnes

Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny

ÍRÁSBELI BELSŐ VIZSGA MATEMATIKA 8. évfolyam reál tagozat Az írásbeli vizsga gyakorlati és elméleti feladatai a következő témakörökből származnak.

Válogatott fejezetek a logikai programozásból ASP. Answer Set Programming Kelemen Attila

Logika es sz am ıt aselm elet I. r esz Logika 1/36

LOGIKA ÉS ÉRVELÉSTECHNIKA

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

FUZZY LOGIKAI IRÁNYÍTÁS

Követelmény a 6. évfolyamon félévkor matematikából

Egyenletek, egyenlőtlenségek, egyenletrendszerek I.

Követelmény az 5. évfolyamon félévkor matematikából

Az egyenes egyenlete: 2 pont. Az összevont alak: 1 pont. Melyik ábrán látható e függvény grafikonjának egy részlete?

Matematika 11. évfolyam

2019/02/11 10:01 1/10 Logika

BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai

Térinformatikai algoritmusok Elemi algoritmusok

Fuzzy Rendszerek. 2. előadás Fuzzy következtető rendszerek. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz.

Fuzzy rendszerek. A fuzzy halmaz és a fuzzy logika

Specifikáció. B logikai formula, a bemeneti feltétel, K logikai formula, a kimeneti feltétel, A az algoritmus, amelyre az állítás vonatkozik.

Döntések vizsgálata klasszikus és fuzzy halmazelméleti megközelítésben tudásbázisú keretrendszer alkalmazásával

ÖSSZEVONT ÓRÁK A MÁSIK CSOPORTTAL. tartósság, megerősítés, visszacsatolás, differenciálás, rendszerezés. SZÁMTANI ÉS MÉRTANI SOROZATOK (25 óra)

Érettségi előkészítő emelt szint évf. Matematika. 11. évfolyam. Tematikai egység/fejlesztési cél

PRÓBAÉRETTSÉGI MATEMATIKA május-június KÖZÉPSZINT. Vizsgafejlesztő Központ

Nagy Gábor compalg.inf.elte.hu/ nagy

Algoritmusok helyességének bizonyítása. A Floyd-módszer

Átírás:

Dunaújvárosi Főiskola Informatikai Intézet Bizonytalanságkezelés Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu

Bizonytalan tudás forrása A klasszikus logikában a kijelentések vagy igazak vagy hamisak. A természetes nyelvekben az állítások nem világosan megfogalmazottak homályos tudás Ha az étel túl forró, akkor várj. az adott pillanatban nem meghatározottak bizonytalan kijelentések A hallgatók legalább 50%-a jó jegyet kap.

Holnap esni fog. Az Euro árfolyama emelkedni fog. Bizonytalan tudás A kijelentések igazak vagy hamisak ugyan, de az adott pillanatban még nem lehet ezt eldönteni. A klasszikus logikát valószínűségértékekkel kell kiegészíteni. A valószínűségértékek statisztikai adatokon alapulnak. Legyen Ω egy véges eseménytér. P=[0,1] függvényt valószínűségfüggvénynek nevezünk, ha teljesül a következő feltétel: P(Ω) =1 P(X Y) = P(X) +P(Y) X, Y Ω, ahol X Y= Kielégíthetetlen esemény Monotónia Szubtraktivitás Szubadditivitás Additivitás Komplemens P( )=0 X Y P(X) P(Y) X Y P(Y X C ) = P(Y) - P(X) P(X Y) P(X) + P(Y) P(X Y) = P(X) + P(Y) - P(X Y) P(X C ) = 1 - P(X)

Dr. Seebauer Márta: Me

Példa feltételes valószínűségre X kijelentés: A kocsi motorja furcsán zörög. P(X)= 0,08 Y kijelentés: Olajat kellett cserélni. P(Y)= 0,06 Az esetek 60%-ban, amikor olajcserét végeztek, az ok a motor furcsa zöreje volt P(X Y)=0,6 Annak a valószínűsége, hogy a furcsa motorzaj esetén olajat kell cserélni: 0,6*0,06 P(Y X) = = 0,08 0,45

Bizonytalansági tényező Certainty Factors, CF egy kijelentés erősségének numerikus értéke, amely tapasztalaton vagy háttértudáson alapul. CF(H E)=[-1,1] H Hipotézis (Esemény) E Evidencia (Feltétel) 1. szabály: Esik 0,9 Rossz idő van. 2. szabály: Fúj a szél 0,7 Rossz idő van. 3. szabály: Süt a Nap -0,9 Rossz idő van. Modus ponens: A B A B CF(Rossz idő van Esik) = 0,9. CF(Esik E)=1. CF(Rossz idő van)= CF(Esik E)* CF(Rossz idő van Esik) = 1*0,9 = 0,9 a = CF(Rossz idő van Esik) = 0,9. b = CF(Rossz idő van Fúj a szél) = 0,7. CF(Esik E)=1. CF(Fúj a szél E)=1. CF(Rossz idő van Esik Fúj a szél)= a+b-a*b= 0,9+0,7-0,7*0,9 = 0,97

A Mycin bizonytalanságkezelése Kapcsolat CFkiszámítása Feltétel ÉS CF(a b E) min (CF(a E),CF(b E) VAGY CF(a b E) max (CF(a E),CF(b E) Nem CF( P E) -CF(P E) Szabály CF(H E) CF(P E)*CF(H P) Két CF H-ra CF(H E 1, E 2 ) CF 1 +CF 2 -CF 1 *CF 2 CF 1 és CF 2 pozitív CF 1 +CF 2 +CF 1 *CF 2 CF 1 és CF 2 negatív (CF 1 +CF 2 )/1-min( CF 1, CF 2 ) CF 1 *CF 2 <0 nem meghatározott CF 1 *CF 2 = -1-1,0-0,8-0,6-0,2 0 0,2 0,6 0,8 1,0 Biztosan hamis Lehet, hogy hamis Valószínűleg hamis Majdnem bizonyosan hamis Dr. Seebauer Márta: Mesterséges intelligencia. Ismeretlen Lehet, hogy igaz Valószínűleg igaz Majdnem Biztosan igaz bizonyosan igaz

Fuzzy modell Klasszikus logika: fiatal(x), fiatal(x) fiatal X=35 éves Adatbanki besorolás X=35 éves fiatal fiatal középkorú idős öreg Fuzzy logika µ életkor (X) µ középkorú (35)=0,7 1 µ fiatal (35)=0,35 fiatal középkorú idős öreg 0 35 Dr. Seebauer Márta: Mesterséges intelligencia. 50 100 X [évek]

Fuzzy halmazok A halmazelmélet Latfi Zadeh által javasolt kiterjesztése. Jelölje X az alaphalmazt (Életkor). Legyen Z egy Fuzzy halmaz, amelyet X-en értelmezünk és elemei X egy részhalmazát alkotják (Fiatal, Középkorú, Idős, Öreg). x legyen X halmaz egy eleme és z legyen Z halmaz egy eleme. X et tagságfüggvénnyel jellemezzük: µ Z : X [0,1] Z és X halmaz minden elemére érvényes µ z (x) = s Legyen Z und Z két X halmazon értelmezett Fuzzy halmaz. Z nevezhető Z részhalmazának, Z Z akkor, ha minden x X-re érvényes, hogy µ (x) µ (x)

Fuzzy halmazokkal végzett műveletek Dr. Seebauer Márta: Mesterséges intelligencia.

Fuzzy logika Kapcsolat Halmazon értelmezett művelet Konjunkció min(µ A (u), µ B (u)) Diszjunkció max(µ A (u), µ B (u)) Komplemens 1-µ A (u) Implikáció min(1,1-µ A (u) + µ B (u)) Lukasiewicz max(1-µ A (u), µ B (u)) Kleen-Dienes max(1-µ A (u), min(µ A (u), µ B (u)) Zadeh 1-µ A (u) + µ A (u)* µ B (u) Reichenbach

Nyaralás feltételei A nyaralásnak lehetőleg az igényelt szabadság idejére - június 20 és augusztus 10 közé kell esnie. Vízpartra szeretnénk menni. Az utazás legyen olcsó vagy garantált legyen a napsütés. Nyaralás tervezése Uticél Balaton Ajánlatok Időtartam 06.19. 07.12. Ár (Ft) 100000 µ ár (X) 1 0,9 Horvátország Mallorca 07.01. 07.14. 07.30. 08.12. 200000 180000 0,5 0,4 Időtartam Vízpart (Napsütés Ár) 0 100000 200000 300000 X [Ft] Uticél µ időtartam µ ár µ napsütés µ vízpart 1.modell 2.modell 3.modell Balaton 0,93 0,9 0,8 0,95 0,9 0,88 0,86 Horvátország 1 0,4 0,9 0,8 0,8 0,8 0,75 Mallorca 0,86 0,5 0,95 0,99 0,86 0,85 0,83

Fuzzy vezérlő felépítése Mért értékek Folyamat Vezérlőjelek Életlenítés Fuzzy vezérlő Fuzzy következtetés Élesítés Tudásbázis

Tudásbázis Ha X értéke kicsi pozitív és Y értéke kicsi pozitív, akkor Z értéke kicsi pozitív. Ha X értéke nagy pozitív és Y értéke kicsi pozitív, akkor Z értéke nagy pozitív. Fuzzy vezérlő működése Életlenítés konkrét bemenő értékek alapján a hozzájuk tartozó tagságfüggvény értékének meghatározása Fuzzy következtetés a tudásbázisban tárolt szabályok alapján a végkövetkeztetés tagságfüggvény értékének kiszámítása Élesítés - a tagságfüggvénye alapján a kimenet értékének megállapítása. Lehet: terület, súlypont, stb. Fuzzy vezérlő

Konténerrakodó robot vezérlése Teher szöge Távolság Teher szöge nagy kicsi nulla Távolság Bemenő értékek a teher szöge és a céltól mért távolsága. Kimenő érték a motorra adott vezérlő jel. pozitív nagy pozitív kicsi nulla lassan lassan lassan vissza lassan vissza állj negatív kicsi lassan lassan negatív nagy lassan vissza

Konténerrakodó robot vezérlése µ szög (β) nulla µ távolság (l) nulla µ teljesítmény (P) állj negatív kicsi pozitív kicsi kicsi lassan vissza lassan 1 1 1 egatív nagy pozitív nagy nagy vissza -30-20 -10 0 10 20 30 β [º] 0 10 20 30 l [m] -300-200 -100 0 P 100 200 300 [W] 1. IF távolság = nagy THEN teljesítmény = _. 2. IF távolság = kicsi AND szög = pozitív_nagy THEN teljesítmény = _vissza. 3. IF távolság = kicsi AND szög = negatív_nagy THEN teljesítmény = _. 4. IF távolság = nulla AND szög = pozitív_kicsi THEN teljesítmény = lassan_vissza. 5. IF távolság = nulla AND szög = negatív_kicsi THEN teljesítmény = lassan_. 6. IF távolság = nulla AND szög = nulla THEN teljesítmény = állj. Teher szöge: β = -20º Távolság: l = 5m Motorteljesítmény: P = 170W