Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Fuzzy rendszerek II.

    A tantárgy angol neve: Fuzzy Systems II.

    Adatlap utolsó módosítása: 2012. május 30.

    Tantárgy lejárati dátuma: 2018. június 30.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Villamosmérnöki Szak

    Mérnök Informatikus Szak

    Szabadon választható tárgy

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMJV69   4/0/0/v 4  
    3. A tantárgyfelelős személy és tanszék Dr. Kóczy László Tamás,
    4. A tantárgy előadója

     Név: Beosztás: Tanszék, Intézet:
     Dr. Kóczy T. László egy. tanár TMIT

    5. A tantárgy az alábbi témakörök ismeretére épít

    Matematika, Formális logika, Algebra

    6. Előtanulmányi rend
    Kötelező:
    NEM ( TárgyTeljesítve("BMEVITT9269") )
    VAGY
    NEM ( TárgyTeljesítve("BMEVITT9279") )

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rendek grafikus formában itt láthatók.

    Ajánlott:
    Nem vehetik fel, akik hallgatták a vitt9269 (Fuzzy II.) és vitt9279 (Fuzzy I.) tárgyat.
    7. A tantárgy célkitűzése

    Mérnöki modellezési technikákban alkalmazott közelítési és irányítástechnikai módszerek megismerése a lány számítástudomány témakörében.

    8. A tantárgy részletes tematikája

    1. hét

    A fuzzy szabályalapú modellek számítási bonyolultságának bemutatása. Exponenciális bonyolultság, kombinatorikus robbanás, kapcsolat az MP-nehéz problémákkal. Az exponenciális szabálybázis méret redukciójának lehetőségei (alap, kitevő, mindkettő). Hiányos szabálybázisok alkalmazási motivációja. Bonyolultságcsökkentés és a hiányos szabálybázisok kapcsolata. Példák hiányos szabálybázisokra. Fuzzy fedőrendszer, kapcsolat a Mamdani módszerrel.

    2. hét

    A fuzzy szabályinterpoláció alapgondolata. Graduális szabályok, analóg következtetés, a Revíziós Elv. Bonyolult állapotterek strukturális jellemzői, részben rendezés, távolság és metrika. Interpolatív fuzzy szabálybázisok. A linerális interpolációs alap algoritmus. Példák interpolatív következtetésre.

    3. hét

    A lineáris interpoláció nehézségei, abnormális konklúziók és a linearitás megőrzésének hiánya. Korrekciós eljárások. Szükséges feltételrendszerek. A lineáris hiba becslése. KH- és általánosabb interpolációs algoritmusok. Testmetszéses interpolációs algoritmus szubnormális és nemkonvex tagsági függvények esetére.

    4. hét

    A szabálybázis méretének kitevőredukciója. A Sugeno-féle fuzzy helikopter. Hierarchikus strukturált fuzzy modellek: formális leírás, következtetési algoritmus, példák. A hierarchikus fuzzy modell felállításának nehézségei. A hierarchikus fuzzy modell alkalmazhatóságának vizsgálata gyakorlati műszaki feladatok megoldásában.

    5. hét

    Cilindrikus adathalmaz-régiók feltárása, lokális modellek felállításának lehetősége. A meta-állapottér fuzzy partíciójának alkalmazása. Hierarchikus strukturált fuzzy modellek. Lokális fuzzy modellek interpolációja. Egyszerű példák ritka hierarcikus fuzzy modellek alkalmazására egyszerű gyakorlati példákon.

    6. hét

    Evolúciós módszerek alapjai. Biológiai háttér, motivációk. Bináris és valós genetikus algoritmusok. Evolúciós stratégiák, evolúciós programozás. Többpopulációs genetikus algoritmusok. Multikritériumú genetikus algoritmusok. Messy genetikus algoritmusok. Genetikus programozás.

    7. hét

    Bakteriális evolúciós algoritmusok. Egyéb evolúciós módszerek rövid bemutatása: vírus evolúciós genetikus algoritmusok, hangyakolóniák, részecske-sereg alapú optimalizáció, méhkirálynő algoritmusok, immunrendszer algoritmusok, coevolúciós algoritmusok, ragadozó-zsákmány algoritmusok. Alkalmazási feladatok.

    8. hét

    Neurális hálózatok alapjai. Történeti áttekintés. Motivációk. Kapcsolat a többi soft computing technikával. A Perceptron, többrétegű perceptron (MLP), radiális bázisfüggvény hálózatok (RBF), B-spline típusú neurális hálózatok. A különböző neurális hálózat típusok felépítése, működése, összehasonlítása.

    9. hét

    Tanulás minták alapján. A tanuló algoritmusok alapjai. A hiba-visszaterjesztéses (Back-propagation) algoritmus. A Levenberg-Marquardt algoritmus. Összehasonlítás az evolúciós módszerekkel. Globális és lokális optimalizáció összehasonlítása. Evolúciós módszerek és gradiens alapú algoritmusok kombinálása. Memetikus algoritmusok.

    10. hét

    Fuzzy szabálybázisok identifikációja. Fuzzy klaszterezés alapjai. Fuzzy C-means klaszterezés. Klaszter validációs probléma. Klaszter validációs index. Fukuyama-Sugeno index. Klaszter összevonás. Rácsháló alapú klaszterezés. Szabálykinyerés a klaszterekből. Vetítés alapú szabálykinyerés. Szeparabilitási kritérium. Hierarchikus szabálybázisok identifikációja. Szimulációs eredmények bemutatása.

    11. hét

    Fuzzy szabálybázis létrehozása bakteriális evolúciós algoritmusokkal. Szabályredukciós operátorok, lényegtelen szabályok eliminálása, hasonló szabályok összevonása. Levenberg-Marquardt algoritmus alkalmazása fuzzy szabálybázis optimalizálására. Bakteriális memetikus algoritmusok. Kölönböző típusú memetikus algoritmusok összehasonlítása fuzzy szabálybázisok optimalizálásra szimulációk alapján.

    12 . hét

    Számítási intelligencia és approximáció. Univerzális approximációs tételek. Fuzzy szabályalapú függvénygenerátorok. Kolmogorov féle univerzális közelítési módszerek vizsgálata. Az univerzalitás vizsgálata gyakorlati esetekre. Approximációs pontosság és számítási költség. Fuzzy macska-egér probléma.

    13. hét

    Fuzzy kommunikáció. Kommunikáció hiányos és pontatlan információkkal. Példák (ember-ember, ember-gép, gép-gép kommunikáció). Fuzzy döntési fák. Fuzzy szignatúrák. Kontextus függő rekonstruktív fuzzy kommunikáció. Kooperáló intelligens robotok. Alkalmazási példa bemutatása.

    14. hét

    Fuzzy gráfok. Hálózatok optimalizálása.

    ZH pótlás, házi feladat beszámoló, elővizsga.

     

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Heti 2 x 2 óra előadás
    10. Követelmények
    • A szorgalmi időszakban:
      • a foglalkozásokon való részvétel ajánlott
      • 1 ZH
      • lehetőség van nagyházifeladat készítésére, a sikeres nagyházifeladat elkészítése és előadása jeles vizsgával egyenértékű
    • A vizsgaidőszakban:
      • szóbeli vizsga
    • Elővizsga:
      • utolsó héten
    11. Pótlási lehetőségek Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható. A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható.
    12. Konzultációs lehetőségek

    Az oktatóval történő megbeszélés alapján.

    13. Jegyzet, tankönyv, felhasználható irodalom
    1. Kóczy T. László - Tikk Domonkos: Fuzzy rendszerek, Typotex Kiadó, 2000
    2. Kóczy, L. T.: Algorithmic aspects of fuzzy control, Int. Journal of Approximate Reasoning 12, 1995, pp. 159-219.
    3. Kóczy, L. T. – Hirota, K. – Muresan, L.: Interpolation in hierarchical fuzzy rule bases, Int. Journal of Fuzzy Systems, 1/2, 1999, pp. 77-84.
    4. Kóczy, L. T. – Botzheim, J. – Ruano, A. E. – Chong, A. – Gedeon, T. D.: Fuzzy rule extraction from input/output data, 2nd Euro-International Symposium on Computational Intelligence, E-ISCI 2002, Kassa, Slovak Republik, June 16-19, 2002. In: P. Sincak, J. Vascak, K. Hirota (eds.): Machine Intelligence Quo Vadis?, World Scientific Publisher, Singapore, 2003, pp. 199-216.
    5. Az előadásokon segédletek (2. 3. 4.) kerülnek kiosztásra.
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra  56
    Félévközi készülés órákra  19
    Felkészülés zárthelyire   -
    Házi feladat elkészítése   -
    Kijelölt írásos tananyag elsajátítása  25
    Vizsgafelkészülés vagy házi feladat elkészítése  20
    Összesen120
    15. A tantárgy tematikáját kidolgozta
     Név: Beosztás: Tanszék, Intézet:
     Dr. Kóczy T. László egy. tanár TMIT