Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowaniaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Logika rozmyta

Informacje ogólne

Kod przedmiotu: 0800-AR2LOGRO Kod Erasmus / ISCED: (brak danych) / (0541) Matematyka
Nazwa przedmiotu: Logika rozmyta
Jednostka: Wydział Fizyki, Astronomii i Informatyki Stosowanej
Grupy:
Strona przedmiotu: http://fizyka.umk.pl/~osokolov/LR/
Punkty ECTS i inne: 4.00
Język prowadzenia: polski
Wymagania wstępne:

Znajomość wybranych działów matematyki, informatyki (logika matematyczna ,teoria prawdopodobieństwa, matematyka dyskretna, algorytmy i struktury danych) i teorii sterowania, z pracy w środowisku MatLab i Simulink.

Rodzaj przedmiotu:

przedmiot obowiązkowy

Całkowity nakład pracy studenta:

Godziny realizowane z udziałem nauczycieli ( godz.):

- udział w wykładach - 30

- udział w ćwiczeniach– 30

Czas poświęcony na pracę indywidualną studenta ( godz.):

- przygotowanie do wykładu-15

- przygotowanie do ćwiczeń – 25

- czytanie literatury- 5

- przygotowanie do egzaminu- 15

Łącznie: 120 godz. ( 4 ECTS)


Efekty uczenia się - wiedza:

W01: Ma wiedzę w zakresie matematyki dyskretnej, logiki matematycznej, niezbędnych do zastosowania logiki rozmytej – K_W01

W02: Opisuje działania systemów podejmowania decyzji za pomocą modeli, zawierających układy programowe w postaci logiki rozmytej –K_W02

W03: Charakteryzuje aparat pojęciowy logiki i zbiorów rozmytych i oraz możliwości ich zastosowania w modelowaniu i projektowaniu inteligentnych systemów podejmowania decyzji – K_W11


Efekty uczenia się - umiejętności:

U01: Wykorzystuje narzędzia programistyczne MatLab i Simulink, pozwalające na realizację projektów w zakresie tworzenia układów na podstawie logiki rozmytej –K_U05

U02: Analizuje złożoność algorytmów tworzenia układów rozmytych w zależności od typu modelu – Mamdani, Sugeno, Cukamoto i inne K_U06


Efekty uczenia się - kompetencje społeczne:

K01: potrafi precyzyjnie formułować pytania działalności naukowej, zwłaszcza w rozbudowie i zastosowaniu układów z elementami sztucznej inteligencji, do których odnosi się logika rozmyta - K_K01


Metody dydaktyczne:

Metoda dydaktyczna podająca:

- wykład informacyjny (konwencjonalny)

Wykład, forma bezpośrednia: prezentacja i dyskusja

Metoda dydaktyczna poszukująca:

- laboratoryjna

Laboratoria, forma bezpośrednia: zadania w trakcie zajęć


Metody dydaktyczne podające:

- wykład konwersatoryjny

Skrócony opis:

Przedmiot omawia szereg zagadnień dotyczących różnych sposobów reprezentacji nieokreśloności za pomocą zbiorów rozmytych. Prezentowane są także zagadnienia związane ze logiką rozmytą a systemami rozmytymi, projektowanie systemów rozmytych w środowisku MatLab/Simulink.

Pełny opis:

1. Zbiory rozmyte. Funkcja przynależności. Sposoby wyznaczenia funkcji przynależności. Typy funkcji przynależności.

2. Operacji na zbiorach rozmytych. T-norma. S-norma (T-konorma)

3. Operacji logiki rozmytej

4. Zmienne lingwistyczne. Operacje na zmiennych lingwistycznych

5. Rozmyta reguła wnioskowania. Zasada uogólnienia Zadeho

6. Algebra liczb rozmytych. Trójkątne liczby rozmyte. L-R liczby.

7. Funkcje rozmyte. Rozmyte relacje. Kompozycja relacji

8. Elementy systemu rozmytego.

9. Modele rozmyte z wnioskowaniem typu Mamdani

10. Modele Larsena. Modele Tsukamoto

11. Modele z wnioskowaniem typu Takagi – Sugeno

12. Logika rozmyta w Matlabie. Fuzzy Logic Toolbox. Elementy systemu rozmytego

13. Zastosowanie w systemach sterowania.

14. Systemy neuronowo-rozmyte. Architektura ANFIS Wnioskowanie Takagi –Sugeno. Warstwy ANFIS.

15. Cele grupowania. Idea klasteryzacji. Grupowanie hierarchiczne. Dendrogram

16. Logika rozmyta typu 2.

Literatura:

Literatura podstawowa:

1. Piegat A.. Modelowanie i sterowanie rozmyte. Akademicka Oficyjna Wydawnicza EXIT, Warszawa, 1999.

2. Babuszka R. Fuzzy modelin for control. Kluwer Academic Publisher, Boston, 1998.

3. Kacprzyk J. Zbiory rozmyte w analizie systemowej. Wydawnictwo naukowe PWN, Warszawa, 1994.

4. Zadeh L.A. Fuzzy sets, Information and control, 8, 338-353 (1968)

Literatura uzupełniająca:

1. O. Sokolov, Prezentacje wykładu w postaci elektronicznej

2. Rutkowski L. Metody i techniki sztucznej inteligencji. Wydawnictwo naukowe PWN, Warszawa, 2009

Metody i kryteria oceniania:

Metody oceniania:

zaliczenie na ocenę - W01-W03, K01, U01,U02

Kryteria oceniania:

Wykład: pisemne zaliczenie na ocenę (pytania otwarte)

ndst -30 pkt (30%)

dst- 50 pkt (50%)

dst plus- 75 pkt (75%)

db- 90 pkt (90%)

db plus- 95 pkt (95%)

bdb- 100 pkt (100%)

ćwiczenia: zaliczenie na ocenę na podstawie sprawozdań

ndst -30 pkt (30%)

dst- 50 pkt (50%)

dst plus- 75 pkt (75%)

db- 90 pkt (90%)

db plus- 95 pkt (95%)

bdb- 100 pkt (100%)

Praktyki zawodowe:

nie dotyczy

Zajęcia w cyklu "Semestr zimowy 2019/20" (zakończony)

Okres: 2019-10-01 - 2020-02-28
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Oleksandr Sokolov
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Ćwiczenia - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)

Okres: 2020-10-01 - 2021-02-21
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Oleksandr Sokolov
Prowadzący grup: Oleksandr Sokolov
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Ćwiczenia - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.