add new repoHEADmaster

1 files changed, 170 insertions, 0 deletions

diff --git a/Master/Computational Intelligence/NeuroFuzzy/presentation/part2.tex b/Master/Computational Intelligence/NeuroFuzzy/presentation/part2.tex
new file mode 100644
index 0000000..0db1605
--- /dev/null
+++ b/Master/Computational Intelligence/NeuroFuzzy/presentation/part2.tex
@@ -0,0 +1,170 @@
+\section{Das NEFCON-Modell}
+\begin{frame}{NEFCON-Eigenschaften}
+	\begin{columns}
+		\column{.5\textwidth}
+		\begin{itemize}
+			\item Basiert auf dem 3-Schichten-Fuzzy-Perzeptron
+			\item Verwendet den Ansatz des reinforcement learnings
+			\item Besteht auf zwei Phasen
+		\end{itemize}
+		\column{.5\textwidth}
+		\includegraphics[height=0.75\textheight]{xor.png}
+	\end{columns}
+\end{frame}
+\begin{frame}{Die Phasen}
+	\begin{block}{Die erste Phase}
+		\begin{itemize}
+			\item Es bestehen zwei Möglichkeiten
+			\begin{itemize}
+				\item Manuell erstellte Regelbasis wird vervollständigt
+				\item Leere Regelbasis wird aufgebaut	
+			\end{itemize}	
+		\end{itemize}
+	\end{block}
+	\begin{block}{Die zweite Phase}
+		\begin{itemize}
+			\item Regeloptimierung indem Fuzzy-Mengen
+			\begin{itemize}
+				\item Verschoben werden
+				\item Modifiziert werden	
+			\end{itemize}
+		\end{itemize}
+	\end{block}
+\end{frame}
+	\subsection{Erlernen der Regelbasis}
+	\begin{frame}{Erlernen der Regelbasis}
+		\begin{block}{Methoden die Regelbasis zu lernen}
+			\begin{itemize}
+				\item Durch leere Regelbasis
+				\item Durch volle Regelbasis\footnote{Bisher nicht implementiert}
+				\item Durch zufällige Regelbasis\footnote{Jede mögliche Regel enthalten}
+			\end{itemize}
+		\end{block}	
+	\end{frame}
+	\begin{frame}{Dekrementierendes Regellernen}
+		\begin{itemize}
+			\item Lernen durch volle Regelbasis
+			\item Phase 1:
+			\begin{itemize}
+				\item Läuft feste Periode oder Anzahl Iterationen
+				\item Regeln werden entfernt, wenn nicht zur optimalen Ausgabe passend
+			\end{itemize}
+			\item Phase 2:
+			\begin{itemize}
+				\item Regeln mit gleicher Prämisse werden zusammegefasst
+				\item Zufällige Auswahl einer Regel aus der Regelgruppe mit gleicher Prämisse
+				\item Berechnung des Fehlers jeder Regel
+				\begin{itemize}
+					\item Anhand der Gewichtung für die aktuelle Ausgabe
+					\item Regel mit nicht kleinster Fehleranzahl der Regelgruppe werden entfernt
+					\item Selten verwendete Regeln werden zusätzlich entfernt
+				\end{itemize}
+			\end{itemize}
+		\end{itemize}
+	\end{frame}
+	\begin{frame}{Inkrementierendes Regellernen}
+		\begin{itemize}
+			\item Lernen durch leere Regelbasis
+			\item Geeignete Fuzzy-Mengen für Ein- und Ausgabe benötigt\footnote{Mindestens Anzahl muss stimmen}
+			\item Alle möglichen Kombinationen werden als Regelbasis definiert
+			\begin{itemize}
+				\item Phase 1:
+				\begin{itemize}
+					\item Entfernen der Regeln mit falschen Vorzeichen
+				\end{itemize}
+				\item Phase 2 entspricht der zweiten Phase des dekrementierenden Regellernens
+			\end{itemize}
+		\end{itemize}
+	\end{frame}
+	\subsection{Erlernen von Fuzzy-Mengen}
+	\begin{frame}{Erlernen von Fuzzy-Mengen}
+		\begin{itemize}
+			\item Vorraussetzung ist eine korrekte Regelbasis
+			\item "`Gute"' Regeln werden belohnt, "`schlechte"' bestraft
+			\item Güte der Regel wird durch einen Fuzzy-Backpropagationalgorithmus bestimmt
+		\end{itemize}
+	\end{frame}
+	\begin{frame}{Erlernen von Fuzzy-Mengen}
+		\begin{itemize}
+			\item Bewertung des Beitrags $t_k$ der Regel $R_k$ zum Ergenbis\\
+				$t_k = u^{-1}_{k}(o_k)$
+			\item Weitere Informationen zum Ergebnis sind zur Berwertung notwendig
+			\item Stellgröße mit Wert 0 = optimaler Zustand
+			\item richtiges Vorzeichen = "`gut"'
+			\item Einfluß "`guter"' Regeln wird vergrößert
+			\item Einfluß "`schlechter"' Regeln verkleinert
+		\end{itemize}
+	\end{frame}
+	\begin{frame}{Lernverfahren}
+		\begin{block}{Schritt 1}
+			\begin{itemize}
+				\item Berechne $o$ für aktuelle Messwerte.
+				\item $o$ auf System anwenden und Messwerte berechnen
+			\end{itemize}
+		\end{block}
+		\begin{block}{Schritt 2}		
+			\begin{itemize}
+				\item Berechne Fuzzy-Fehler
+			\end{itemize}
+		\end{block}
+		\begin{block}{Schritt 3}
+			\begin{itemize}
+				\item Bestimme das Vorrücken des Stellwertes im neuen Systemzustand.
+			\end{itemize}
+		\end{block}
+	\end{frame}
+	\begin{frame}{Lernverfahren}
+		\begin{block}{Schritt 4}
+			\begin{itemize}
+				\item Berechne für Regel $R_k$ Beitrag $t_k$ mit Fehlersignal $F_k$
+				\begin{displaymath}
+					F_k :=
+					\begin{cases}
+					-o * E \qquad \text{Vorzeichen von $t_k$ richtig}
+					\\
+					o * E \qquad \quad \text{Vorzeichen von $t_k$ falsch}
+					\end{cases}
+				\end{displaymath}
+			\end{itemize}
+		\end{block}
+		\begin{block}{Schritt 5}
+			\begin{itemize}
+				\item Modifizierung aller  Eingabe-Fuzzy-Mengen\\
+					$\tilde{A}_{i*}^{(k)} = (l_{i*}^{(k)},m_{i*}^{(k)},r_{i*}^{(k)})$
+				\item durch
+				\begin{displaymath}
+					\Delta l_{i*}^{(k)} = -\eta * F_k * (m_{i*}^{(k)} - l_{i*}^{(k)})
+				\end{displaymath}
+				\begin{displaymath}
+					\Delta r_{i*}^{(k)} = -\eta * F_k * (r_{i*}^{(k)} - m_{i*}^{(k)})
+				\end{displaymath}
+			\end{itemize}
+		\end{block}
+	\end{frame}
+	\begin{frame}{Lernverfahren}
+		\begin{block}{Schritt 6}
+			\begin{itemize}
+				\item Modifizierung aller Ausgabe-Fuzzy-Mengen
+					$\tilde{B}_{i*}^{(k)} = (m_{i*}^{(k)},b_{i*}^{(k)})$
+				\item durch
+				\begin{displaymath}
+					\Delta b_{j*}^{(k)} 
+					\begin{cases}
+						\eta * F_k * (b_{j*}^{(k)} - m_{j*}^{(k)}) \qquad b_{j*}^{(k)} < m_{j*}^{(k)}\\
+						\eta * F_k * (m_{j*}^{(k)} - b_{j*}^{(k)}) \qquad b_{j*}^{(k)} < m_{j*}^{(k)}
+					\end{cases}
+				\end{displaymath}
+			\end{itemize}
+		\end{block}
+	\end{frame}
+\begin{frame}{Nachteile}
+\begin{itemize}
+	\item Fuzzy-Mengen müssen monoton sein
+		\begin{itemize}
+			\item keine Gauß- \& Dreiecks-Mengen möglich
+		\end{itemize}
+	\item Nur ein Ausgabewert möglich
+	\item Regeln können nicht überprüft werden
+	\item Fehlende Fuzzy-Mengen können nicht erzeugt werden
+\end{itemize}
+\end{frame}