WdSI/C

From WikiZMSI

Spis treści 1 Ćwiczenia 1 --- Zasady budowy sterowników rozmytych 1.1 Literatura do ćwiczeń 1.2 Lista zagadnień omówionych na ćwiczeniach i wymaganych na zaliczenie 2 Ćwiczenia 2 --- Przykład sterownika rozmytego 2.1 Zadania i problemy do analizy: 2.2 Lista zagadnień na zaliczenie 3 Ćwiczenia 3 --- Algorytmy przeszukiwania przestrzeni stanów 3.1 Lista zagadnień na zaliczenie 3.2 Linki pomocnicze 4 Ćwiczenia 4 --- Sztuczne Sieci Neuronowe - perceptron: działanie 4.1 Na zaliczenie 5 Ćwiczenia 5 --- Sztuczne Sieci Neuronowe - uczenie regułą perceptronu 5.1 Na zaliczenie 6 Ćwiczenia 6 --- Sztuczne Sieci Neuronowe - sieci konkurencyjne

Ćwiczenia 1 --- Zasady budowy sterowników rozmytych

Literatura do ćwiczeń

1. L. Rutkowski "Metody i techniki sztucznej inteligencji" w tym rozdziały: 4.2, 4.3, 4.8, 4.9

Lista zagadnień omówionych na ćwiczeniach i wymaganych na zaliczenie

(nie jest to wersja ostateczna)

1. Co to jest sterownik?
2. Czym różni się sterownik rozmyty od konwencjonalnego (PI, PID)?
3. Jaka jest różnica pomiędzy logiką boolowską i logiką rozmytą? (przykłady wyjaśniające różnicę)
4. Definicja zbioru rozmytego.
5. Jaką postać mają reguły opisujące działanie sterownika rozmytego?
6. Co to jest zmienna lingwistyczna i wartości lingwistyczne? (przykłady)
7. Model sterownika rozmytego.
8. Na czym polega faza rozmywania (fuzyfikacji)?
9. Typy funkcji przynależności.
10. Jeżeli z czujnika sterownika pobrana jest dla pewnej zmiennej X wartość ostra x, to jaki będzie wynik rozmycia dla dowolnie przyjętych wartości lingwistycznych dla owej zmiennej? (X i x mogą być zadane)
11. Podać trzy sposoby reprezentacji bazy reguł wykorzystywanej w bloku wnioskowania. (na przykładzie)
12. Na czym polega proces inferencji (wnioskowania)?
13. Jeżeli dana jest baza reguł RB1 i wiemy, że wynikiem rozmycia jest μA(x)=a, μB(x)=b i μC(y)=c, to co jest wynikiem inferencji? (A,B,C, i a,b,c mogą być zadane)
14. Na czym polega proces rozmywania (defuzyfikacji)?
15. Jakie metody rozmywania stosuje się w sterownikach rozmytych?
16. Jaki będzie wynik wyostrzenia (defuzyfikacji) jeżeli w wyniku wnioskowania uzyskano, że zmienna wyjściowa należy do zbiorów rozmytych A i B z μA=a i μB=b? (A,B i a,b mogą być zadane)

Ćwiczenia 2 --- Przykład sterownika rozmytego

Na ćwiczeniach omawiany jest przykład kontrolera rozmytego dźwigu stworzonego przy użyciu narzędzia do projektowania systemów rozmytych FuzzyTech. Wersję demonstracyjną oprogramowania można pobrać spod zakładki demo. Do jej zainstalownia potrzebne jest hasło, które otrzymuje się po wcześniejszej rejestracji.

Opis problemu i sterownika rozmytego można znaleźć na stronie fuzzyTECH.com oraz manualu dołączonym do wersji demonstracyjnej [strony: 9-24 i 116-130] .

Do utrwalenia zagadnień z logiki rozmytej można wykorzystać manual i Primer z FuzzyTech'a.

Po uruchomieniu programu demonstracyjnego należy:

1. Przeanalizować poszczególne bloki modelu:
   • rozmycia (fuzyfikacji): zwrócić uwagę na niesymetryczność rozkładu MBF (funkcji przynależności),
   • inferencji: liczba reguł, wartości DoS (degree of support) i operatory (agregacji wejśc i reguł),
   • wyostrzenia (defuzyfikacji): rozkład klas wyjściowych, metody defuzyfikcji.
2. Obejrzeć zachowanie następujących elementów modelu podczas symulacji:
   • wejść,
   • reguł,
   • wyjścia,
   • model (Plot 3D - opcja Debug RCU),
   • zmiany wartości wejść i wyjścia w czasie (Time Plot opcja Debug RCU).

Zadania i problemy do analizy:

1. Skasować reguły z bazy i zastąpić je własnymi, takimi by sterowanie obywało się bez analizy kąta wychylenia od pionu (jedno wejście).
2. Zmodyfikować bazę reguł, tym razem tak by opisywała przesuwanie na miejsce przeładunku nie dopuszczając do wahań (nawet przyniewielkich kątach przeciwdziałać wychyleniom).
3. Zbadać jaki wpływ na zachowanie dźwigu ma zmiana funkcji przynależności (wejściowych, wyjściowych) z wielokątnych na gładkie? Obejrzeć kształt charakterystyki regulatora (powierzchnie modelu 3D). Zastanowić się czym są wywołane zmiany zachowania sterownika.
4. Zmienić operator agregacji, tak by nie zmieniać koniunkcyjnego charakteru przesłanki (MIN na PROD).
5. Zmienić operator akumulacji z MAX na BSUM i obserwować zmiany.
6. Zmienić metodę defuzyfikacji na wszystkie dostępne warianty. Obserwować efektywność sterowania oraz proces defuzyfikacji.

Lista zagadnień na zaliczenie

1. Podać przykład wartości lingwistycznych dla zmiennej odległość i przedstawić je jako zbiory rozmyte.
2. Model sterownika rozmytego dźwigu (rysunek z opisem).
3. Jaki jest wynik fuzyfikacji gdy na wejściu pojawi się wartość kąta wychylenia (-15 stopni).
4. Podać przykład reguł dla sterownika rozmytego dźwigu.
5. Co to jest współczynnik DoS i kiedy jest wykorzystywany?
6. Podać bazę reguł dla sterownika dźwigu uwzględniając tylko odległość od celu.
7. Jaki będzie wynik inferencji gdy dane są reguły RB1 i wiemy, że wynikiem rozmycia jest przynależność kąta wychylenia do zbiorów A i B i odległości do zbiorów C i D, jeżeli używamy operatorów
   1. PROD i MAX
   2. MIN i MAX
   3. PROD i BSUM
   4. MIN i BSUM (Uwaga: RB1, A, B, C, D i wartości przynależności będą zadane).
8. Jaka jest różnica w metodzie defuzyfikacji środka ciężkości i wysokości? Która jest bardziej złożona obliczeniowo?
9. Jaki będzie wynik wynik wyostrzenia (defuzyfikacji) metodą wysokości jeżeli wiemy, że moc (wyjście) należy do zbiorów rozmytych A i B. (Uwaga: A, B i wartości przynależności będą zadane).
10. Co to jest powierzchnia modelu? Od czego zależy jej kształt i rozpiętość?
11. Do czego służy wykres czasowy zmian wejść i wyjść?

Ćwiczenia 3 --- Algorytmy przeszukiwania przestrzeni stanów

Na ćwiczeniach omówiono na przykładzie zadania "bucket problem" z pojemnościami 4 i 3 wykorzystanie strategii wszerz i w głąb. Należy pamiętać o kolejności rozwiązywania problemów:

1. Określenie w formalny sposób czym jest stan w zadaniu (ile zmiennych jest potrzebnych na reprezentację stanu i jaka jest ich dziedzina)
2. Przedstawienie stanu początkowego i końcowego (rozwiązania) zgodnie z przyjęta wcześniej notacją stanu.
3. Określenie zbioru akcji (reguł przejścia), które będą stanowiły krawędzie w drzewie (grafie) reprezentującym przejścia od stanu do stanu. Reguły powinny być jak najbardziej uniwersalne i mogą zawierać zbiór ograniczeń zapewniających, że generowane stany mieszczą się w zakresie stanów dopuszczalnych.
4. Zastosowanie wybranej strategi przeszukiwania drzewa.

Lista zagadnień na zaliczenie

1. Jak działa strategia wszerz?
2. Jak działa strategia w głąb?
3. Jakie są wady i zalety każdej z metod?
4. Podaj jaka może być reprezentacja stanu dla zadania X. Przedstaw stan początkowy i końcowy dla przyjętej notacji.
5. Podaj (kilka) reguł przejścia (akcji) dla zadania X.
6. Narysuj drzewo dla zadania X używając strategii wszerz (lub w głąb) rozwijając je do poziomu d=3.
7. Czym różni się drzewo od grafu?
8. Narysuj graf dla zadania X używając strategii w głąb rozwijając go do ścieżki o długości d=4.

(X - to jakieś zadanie z grupy problemów przedstawionych w linkach pomocniczych).

Linki pomocnicze

1. Różne zagadki logiczne z rozwiązaniami
2. Gry logiczne
3. Applet demonstrujący działanie różnych algorytmów przeszukiwania na przykładzie układanki.

Ćwiczenia 4 --- Sztuczne Sieci Neuronowe - perceptron: działanie

Zagadnienia omówione na ćwiczeniach:

1. Architektura perceptronu.
2. Obliczanie wyjścia z sieci neuronowej
3. Od czego zależy liczba wejść i wyjść w SSN.
4. Geometryczna interpretacja działania perceptronu. Wyznaczanie wag
5. geometrycznie.
6. Pojęcie granicy decyzyjnej (płaszczyzny separacji). Wzór na płaszczyznę.
7. Przykłady problemów klasyfikacji separowalnych liniowo.
8. Perceptron z wieloma wyjściami.

Na zaliczenie

• Analiza Solved problems P4.1, P4.2, P4.3 z [1] str. od 4-21 do 4-26
• Ćwiczenia E4.1, E4.2, E4.3 z [2] str. 4-36

Ćwiczenia 5 --- Sztuczne Sieci Neuronowe - uczenie regułą perceptronu

Zagadnienia omówione na ćwiczeniach:

1. Uczenie nadzorowane (z nauczycielem) i nienadzorowane (bez nauczyciela) SSN.
2. Budowa zbioru uczącego.
3. Na czym polega zadanie klasyfikacji.
4. Reguła perceptronu.
5. Algorytm uczenia (dostrajania wag) regułą perceptronu.
6. Odręczna symulacja uczenia regułą perceptronu na przykładzie dwu i trójwejściowego perceptronu.

Na zaliczenie

Ćwiczenia od E4.4 do 4.9 z [3] str. od 4-37 do 4-38

Ćwiczenia 6 --- Sztuczne Sieci Neuronowe - sieci konkurencyjne

Z użyciem Matlaba zapoznać się z zasadami działania sieci konkurencyjnej. Poleceniem nnd uruchomić zestaw programów demonstracyjnych do sieci neuronowych. Przyciskiem [Table of contents] wyświetlić spis treści. Zapoznać się z demonstracjami z rozdziału XIV pt: Competitive Classification i Competitive learning.