Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

18
Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel

Transcript of Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Page 1: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Fuzzy-Logik und unscharfe Mengen

Seminar: Semantic WebDozent : M. ThallerReferent: Rasmus Krempel

Page 2: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Boolesche Logik

Zustände:Wahr (1)Falsch(0)

Operatoren :Konjunktion(UND ∧)Disjunktion(ODER ∨)Negation(NICHT )

Page 3: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Einfache Verarbeitung

Boolesche Logik ist eindeutig und nimmt wenige zustände ein

Page 4: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Fuzzy-Logik

fuzzy = unscharf, verschwommen, flaumig

Ein Wert kann nicht nur Wahr oder Falsch annehmen

Zwischen 0 (Wahr) und 1 (Falsch) können alle Realen Zahlen angenommen werden

Fließender Übergang zwischen 0 und 1

Page 5: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Konjunktion(∧ Disjunktion(∨ Negation(

Wie geht Fuzzy-Logik mit den logischen Operationen um?

Page 6: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Negation(

Die Negation ist die einfachste und eindeutigste Operation in der Fuzzy-Logik

Page 7: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Konjunktion( ) ,Disjunktion( )∧ ∨

Problem:In der Fuzzy-Logik ist es nicht eindeutig wie Verfahren

werden soll!

Die Operatoren können, je nach Annahme anders Funktionieren!

Zwei Beispiele:Minimum-Maximum Operation

Drastic Product Operation

Page 8: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Konjunktion(∧

Minimum-Maximum:Wenn x<y dann x ansonsten y

0.4∧0.6 = 0.4Es wird immer der kleinere der Beiden genommen!

Drastic Product:Nur Wenn x oder y =1 sind ist das Ergebnis das jeweils

andere!0.4∧0.6 = 00.4∧1 = 0.4

Page 9: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Disjunktion(∨

Minimum-maximum:Wenn x<y dann y ansonsten x

0.4∨0.6 = 0.6Es wird immer der größere der Beiden genommen!

Drastic Sum:Wenn x oder y = 0 ist das Ergebnis das jeweils andere!

Ansonsten ist es 1.0.4∨0.6 = 10.4∨0 = 0.4

Page 10: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Unscharfe Mengen

Ein Element einer Unscharfen Menge gehört nur zu einem Gewissen Grad einer Menge an

Durch diese Übergänge lässt sich nicht boolesch sagen ob etwas zu einer Menge gehört oder zu einer anderen

Die Zugehörigkeit ist nicht ausschließlich Wahr oder Falsch sondern kann zu einem Grad angegeben werden

Page 11: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Unscharfe Mengen

Unscharfe Mengen besitzen einen Kern der dem Booleschen Wahr entspricht und einen abklingenden

Rand.

Page 12: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Leicht oder Schwer

Beispiel:

5 Kilo : leicht =1, schwer = 0 15 Kilo: leicht = 0.8, schwer = 0.2

Page 13: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Mehrere unscharfe Mengen

Vorteil: Fließende ÜbergängeNachteil: Ein Wert kann immer nur Mitglied 2er Mengen sein

Fuzzy-Logik erleichtert Hier das unscharfe Operieren mit kontinuierlichen Variablen

Page 14: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Muss es immer Linear sein?

Die Übergänge können durch Verschiedene Funktionen ausgedrückt werden!

Page 15: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Fuzzy-Logik auf Computern

Problem:

Computerhardware basiert auf der Boolescher Logik

Fuzzy-Logik muss somit durch Software implementiert werdenIm Nachteil Zur Booleschen Logik ist die Fuzzy-Logik umfangreicher und in Ihrer eigenen Anwendung uneindeutig ist.(Operatoren)

Page 16: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Fuzzy-Logik und Semantic web

RuleML unterstüzt einen Wert der Degree heißt und mit dem sich auch Gerade abbilden lassen

Es gab eine Gruppe die Fuzzy-Logik in RuleML Implementieren wollten(FuzzyRuleML). Letzte Lebenszeichen 2006

Fuzzy-Logik ist nur für bestimmte Anwendungen interessant

Die Grade die man für eine Ausprägung annimmt lassen sich schlecht Standardisiert zu verwenden da es sich meist auf Persönlich Einschätzungen bezieht.

Page 17: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.

Ende

Page 18: Fuzzy-Logik und unscharfe Mengen Seminar: Semantic Web Dozent : M. Thaller Referent: Rasmus Krempel.