Advertisement

Informatik-Spektrum

, Volume 38, Issue 6, pp 510–522 | Cite as

Fuzzy-Pattern-Klassifikatoren als Modelle

  • Steffen F. BocklischEmail author
  • Franziska Bocklisch
HAUPTBEITRAG FUZZY-PATTERN-KLASSIFIKATOREN ALS MODELLE

Zusammenfassung

Modelle dienen der Speicherung von Wissen und als Basis für Entscheidungen. Sie finden Anwendung in unterschiedlichsten Bereichen wie Technik, Medizin, Wirtschaft, Psychologie, Umwelt oder Verkehr. Gerade für komplexe Zusammenhänge sind Verfahren, die auf interpretierbaren Mustern beruhen, hoch flexibel und adaptiv. Die Theorie der Fuzzy Sets hat nun das Potenzial, gleitende Übergänge zwischen den Mustern zu beschreiben und damit realitätsnahe Modelle zu entwerfen. In dem Beitrag wird speziell die Fuzzy-Pattern-Klassifikation ausgeführt, die eine parametrische Zugehörigkeitsfunktion nutzt, mit der Muster auch in hochdimensionalen Merkmalsräumen beschrieben werden können. An zwei aktuellen, deutlich unterschiedlichen Anwendungen wird beispielhaft gezeigt, wie das gleiche Modellierungskonzept in humanwissenschaftlichen (psychologischen) und in technischen Bereichen einsetzbar ist. Konkret handelt es sich zum einen um den Einsatz linguistischer Antwortskalen in Fragebogenaktionen und zum anderen um die Zeitreihen-Prognose (konkret des fluktuierenden Energieertrags von Photovoltaikanlagen). Es ist Anliegen, hierbei zumindest exemplarisch den fundamentalen Charakter und damit auch die Transdisziplinarität der Fuzzy Theorie zu zeigen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

References

  1. 1.
    Baur M, Bocklisch SF (2001) Similarity based local model approach for nonlinear modelling. In: Proc. European Control Conference ECC2001, pp 3905–3910Google Scholar
  2. 2.
    Baur M (2004) Modellierung und Regelung nichtlinearer dynamischer Mehrgrößensysteme auf der Basis von fuzzy-verknüpften lokalen linearen Modellen, Dissertation, TU ChemnitzGoogle Scholar
  3. 3.
    Beyth-Marom R (1982) How probable is probable? A numerical translation of verbal probability expressions. J Forecasting 1:257–269CrossRefGoogle Scholar
  4. 4.
    Bilz F, Bocklisch SF, Meyer W, Peschel M, Straube B (1978) Fuzzy concepts for systems identification of biomedical systems. In: Proc. 7th IFAC-World-Congress Helsinki, pp 499–507Google Scholar
  5. 5.
    Bocklisch SF, Meyer W, Straube B (1979) Fuzzy clustering and classification for the identification of process types in technical and biomedical systems. In: Proc. 5th IFAC-Symposium on Identification and System Parameter Estimation, Darmstadt, vol. 1, pp 679–687Google Scholar
  6. 6.
    Bocklisch SF (1986) A diagnosis system based on fuzzy classification. Comput Ind 7(1):73–82CrossRefGoogle Scholar
  7. 7.
    Bocklisch SF, Priber U (1986) A parametric fuzzy classification concept. In: Bocklisch SF, Orlovski S, Peschel M, Nishiwaki Y (eds) Fuzzy Sets Applications, Methodological Approaches, and Results. Akademie-Verlag, Berlin, pp 147–156Google Scholar
  8. 8.
    Bocklisch SF, Bilz F, Schüler W (1986) A fuzzy classification diagnosis system. In: Bocklisch SF, Orlovski S, Peschel M, Nishiwaki Y (eds) Fuzzy Sets Applications, Methodological Approaches, and Results. Akademie-Verlag, Berlin, pp 203–212Google Scholar
  9. 9.
    Bocklisch SF (1987) Prozeßanalyse mit unscharfen Verfahren. Verlag Technik, BerlinGoogle Scholar
  10. 10.
    Bocklisch F (2012) Die Analyse und Bewertung vager linguistischer Terme mittels fuzzy Methodik. Dissertation, TU ChemnitzGoogle Scholar
  11. 11.
    Bocklisch F, Bocklisch SF, Krems JF (2011) The fuzziness of verbal response scales: the STAI-T questionnaire. In: Galichet S, Montero J, Mauris G (eds) Proc. 7th Conference of the European Society for Fuzzy Logic and Technology, EUSFLAT-2011, Aix-Les-Bains, France, pp 592–597Google Scholar
  12. 12.
    Bocklisch F, Stephan M, Wulfken B, Bocklisch SF, Krems JK (2011) How medical expertise influences the understanding of symptom intensities – a fuzzy approach. In: Holzinger A, Simonic K-M (eds) USAB 2011, LNCS 7058. Springer, pp 703–706Google Scholar
  13. 13.
    Bocklisch F, Bocklisch SF, Krems JF (2012) Sometimes, often and always – exploring the vague meanings of frequency expressions. Behav Res Meth Instr 44:144–157CrossRefGoogle Scholar
  14. 14.
    Bocklisch SF, Bocklisch F (2015). Tutorial for FXC Software Tool. https://www-user.tu-chemnitz.de/ frab/Tutorial_FXC_Software.pdf, letzter Zugriff: 2.5.2015Google Scholar
  15. 15.
    Budescu DV, Karelitz TM, Wallsten TS (2003) Predicting the directionality of probability words from their membership functions. J Behav Decis Making 16:159–180CrossRefGoogle Scholar
  16. 16.
    Cohen S, Kamarck T, Mermelstein R (1983) A global measure of perceived stress. J Health Soc Behav 24(4):385–396CrossRefGoogle Scholar
  17. 17.
    Dambreville R, Blanc P, Chanussot J, Boldo D (2014) Very short term forecasting of the Global Horizontal Irradiance using a spatio-temporal autoregressive model. Renew Energ 72:291–300CrossRefGoogle Scholar
  18. 18.
    Groß S (2011) Optimierung von Antwortskalen am Beispiel des Trierer Inventars zum chronischen Stress (TICS). Bachelorarbeit, TU ChemnitzGoogle Scholar
  19. 19.
    Kabranov O (1999) Adaptiver Fuzzy Pattern Attraktor Regler, Dissertation, TU ChemnitzGoogle Scholar
  20. 20.
    Scheunert U (2001) Fuzzy-Mengen-Verknüpfung und Fuzzy-Arithmetik zur Sensor-Daten-Fusion. Dissertation, TU ChemnitzGoogle Scholar
  21. 21.
    Schulz P, Schlotz W, Becker P (2004) Trierer Inventar zum chronischen Stress (TICS). Hogrefe, GöttingenGoogle Scholar
  22. 22.
    Seising R (2010) Unscharfe Mengen in der DDR. In: Coy W, Schirmbacher P (Hrsg) Informatik in der DDR – Tagung Berlin 2010. Tagungsband zum 4. Symposium ,,Informatik in der DDR“ am 16. und 17. September 2010 in Berlin, Humboldt Universität zu Berlin, S 217–231Google Scholar
  23. 23.
    Teigen KH, Brun W (2003) Verbal expressions of uncertainty and probability. In: Hardman D (ed) Thinking: Psychological Perspectives on Reasoning, Judgment and Decision Making. Wiley and Sons, Chichester, pp 125–145Google Scholar
  24. 24.
    Zadeh L A (1965) Fuzzy sets. Inform Control 8:338–353zbMATHCrossRefMathSciNetGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.Fakultät für Elektrotechnik und InformationstechnikTU ChemnitzChemnitzDeutschland
  2. 2.Fakultät für Human- und SozialwissenschaftenTU ChemnitzChemnitzDeutschland

Personalised recommendations