În viața noastră de zi cu zi, s-ar putea să ne confruntăm cu situații în care nu putem determina dacă starea este adevărată sau falsă. Fuzzy se referă la ceva neclar sau vag. Fuzzy Logic în AI oferă o flexibilitate valoroasă pentru raționament. Și în acest articol, vom afla despre această logică și implementarea acesteia în în următoarea ordine:
- Ce este Fuzzy Logic?
- De ce folosim Fuzzy Logic?
- Arhitectură
- Funcția de membru
- Fuzzy Logic vs Probability
- Aplicații ale Fuzzy Logic
- Avantaje dezavantaje
- Logică fuzzy în AI: Exemplu
Ce este Fuzzy Logic?
Fuzzy Logic (FL) este o metodă de raționament care seamănă raționamentul uman . Această abordare este similară cu modul în care oamenii efectuează luarea deciziilor. Și implică toate posibilitățile intermediare între DA și NU .
bloc logic convențional că un computer înțelege are nevoie de intrări precise și produce o ieșire definită ca ADEVĂRAT sau FALS, care este echivalent cu DA sau NU al unei ființe umane. Logica Fuzzy a fost inventată de Lotfi Zadeh care au observat că, spre deosebire de computere, oamenii au o gamă diferită de posibilități între DA și NU, cum ar fi:
Logica Fuzzy funcționează la nivelurile posibilităților de intrare pentru a obține o ieșire definită. Acum, vorbind despre implementarea acestei logici:
Poate fi implementat în sisteme cu dimensiuni și capacități diferite, cum ar fi microcontrolere, în rețea mare sau sisteme bazate pe stații de lucru.
De asemenea, poate fi implementat în hardware, software sau o combinație de ambii .
De ce folosim Fuzzy Logic?
În general, folosim sistemul de logică fuzzy atât în scopuri comerciale, cât și practice, cum ar fi:
Aceasta controlează mașinile și Produse pentru consumatori
Dacă nu este un raționament precis, acesta oferă cel puțin raționament acceptabil
Acest lucru ajută la tratarea cu incertitudine în inginerie
Deci, acum că știți despre logica Fuzzy în AI și de ce o folosim de fapt, să mergem mai departe și să înțelegem arhitectura acestei logici.
Fuzzy Logic Architecture
Arhitectura logică fuzzy constă din patru părți principale:
Reguli - Conține toate regulile și condițiile de oferit de experți pentru a controla sistemul de luare a deciziilor. Actualizarea recentă a teoriei fuzzy oferă diferite metode eficiente pentru proiectarea și reglarea controlere fuzzy . De obicei, aceste evoluții reduc numărul de reguli neclare.
Fuzzification - Acest pas convertește intrările sau numerele clare în seturi fuzzy. Puteți măsura intrările clare prin senzori și le puteți transmite în sistem de control pentru prelucrare ulterioară. Împarte semnalul de intrare în cinci pași, cum ar fi-
Motor de inferență - Determină gradul de potrivire între intrarea fuzzy și reguli. Conform câmpului de intrare, acesta va decide regulile care urmează să fie concediate. Combinând regulile concediate, formați acțiunile de control.
Defuzzificare - Procesul de Defuzzificare transformă seturile fuzzy într-o valoare clară. Există diferite tipuri de tehnici disponibile și trebuie să o selectați pe cea mai potrivită cu un sistem expert.
Deci, acesta a fost despre arhitectura logicii fuzzy din AI. Acum, să înțelegem funcția de membru.
Funcția de membru
Funcția de membru este o grafic care definește modul în care fiecare punct din spațiu de intrare este mapat la valoarea de membru cuprinsă între 0 și 1. Vă permite să cuantificați termenii lingvistici și să reprezinte grafic un set fuzzy. O funcție de membru pentru un set fuzzy A din universul discursului X este definită ca & muA: X → [0.1]
Cuantifică gradul de apartenență al elementului din X la setul fuzzy A.
axa x reprezintă universul discursului.
axa y reprezintă gradele de apartenență în intervalul [0, 1].
ce este rmi în java
Pot exista mai multe funcții de apartenență aplicabile pentru a estompa o valoare numerică. Funcțiile simple de apartenență sunt utilizate deoarece funcțiile complexe nu adaugă precizie în ieșire. Funcțiile de membru pentru LP, MP, S, MN și LN sunt:
Formele funcției de apartenență triunghiulară sunt cele mai frecvente printre diferitele forme ale funcției de apartenență. Aici, intrarea la fuzzifierul pe 5 niveluri variază de la -10 volți până la +10 volți . Prin urmare, ieșirea corespunzătoare se schimbă, de asemenea.
Fuzzy Logic vs Probability
| Fuzzy Logic | Probabilitate |
| În logica fuzzy, încercăm practic să surprindem conceptul esențial de vagitate. | Probabilitatea este asociată cu evenimente și nu cu fapte, iar acele evenimente vor avea loc sau nu vor avea loc |
| Fuzzy Logic surprinde sensul adevărului parțial | Teoria probabilității surprinde cunoștințe parțiale |
| Logica fuzzy ia gradele de adevăr ca bază matematică | Probabilitatea este un model matematic al ignoranței |
Deci, acestea au fost câteva dintre diferențele dintre logica fuzzy în AI și probabilitate. Acum, să aruncăm o privire la unele dintre aplicațiile acestei logici.
Aplicații ale Fuzzy Logic
Logica Fuzzy este utilizată în diverse domenii, cum ar fi sistemele auto, bunurile interne, controlul mediului etc. Unele dintre aplicațiile comune sunt:
Este folosit în câmpul aerospațial pentru controlul altitudinii a navei spațiale și a satelitului.
Aceasta controlează viteza și traficul în sisteme auto.
Este folosit pentru sisteme de sprijin pentru luarea deciziilor și evaluare personală în marea companie.
De asemenea, controlează pH-ul, uscarea, procesul de distilare chimică în industria chimica .
Logica fuzzy este utilizată în Prelucrarea limbajului natural și diverse intensive .
Este utilizat pe scară largă în sisteme moderne de control precum sistemele expert.
Fuzzy Logic imită modul în care o persoană ar lua decizii, doar mult mai repede. Astfel, îl puteți folosi cu Rețele neuronale .
Acestea au fost câteva dintre aplicațiile comune ale Fuzzy Logic. Acum, să aruncăm o privire asupra avantajelor și dezavantajelor utilizării Fuzzy Logic în AI.
Avantaje și dezavantaje ale Fuzzy Logic
Logica fuzzy oferă un raționament simplu, similar cu raționamentul uman. Există mai multe asemenea avantaje a utilizării acestei logici, cum ar fi:
Structura Fuzzy Logic Systems este ușor și de înțeles
Logica fuzzy este folosită pe scară largă pentru comercial și scopuri practice
Te ajută să mașini de control și produse de consum
Vă ajută să vă ocupați de incertitudine în inginerie
Mai ales robust deoarece nu sunt necesare intrări precise
Dacă senzorul de feedback nu mai funcționează, puteți programează-l în situație
Poti modifică cu ușurință pentru a îmbunătăți sau modifica performanța sistemului
Senzori ieftini poate fi folosit, ceea ce vă ajută să mențineți costul general al sistemului și complexitatea scăzute
Acestea au fost diferitele avantaje ale logicii fuzzy. Dar are unele dezavantaje de asemenea:
Logica fuzzy este nu întotdeauna corecte . Deci, rezultatele sunt percepute pe baza ipotezelor și este posibil să nu fie acceptate pe scară largă
Aceasta nu pot recunoaște precum și tipare tipare
Validare și verificare a unui sistem fuzzy bazat pe cunoștințe are nevoie testare extinsă cu hardware
Setarea regulilor exacte, neclare și a funcțiilor de membru este o sarcină dificilă
Uneori, logica fuzzy este confuz cu teoria probabilității
Deci, acestea au fost câteva dintre avantajele și dezavantajele utilizării logicii fuzzy în AI. Acum, să luăm un exemplu real și să înțelegem funcționarea acestei logici.
Logică fuzzy în AI: Exemplu
Proiectarea unui sistem logic fuzzy începe cu un set de funcții de apartenență pentru fiecare intrare și un set pentru fiecare ieșire. Un set de reguli este apoi aplicat funcțiilor de membru pentru a produce o valoare de ieșire clară. Să luăm un exemplu de control al procesului și să înțelegem logica neclară.
Pasul 1
Aici, Temperatura este intrarea și Viteza ventilatorului este ieșirea. Trebuie să creați un set de funcții de membru pentru fiecare intrare. O funcție de membru este pur și simplu o reprezentare grafică a seturilor de variabile fuzzy. Pentru acest exemplu, vom folosi trei seturi fuzzy, Rece cald și Fierbinte . Vom crea apoi o funcție de membru pentru fiecare dintre cele trei seturi de temperatură:
Pasul 2
În pasul următor, vom folosi trei seturi fuzzy pentru ieșire, Lent, mediu și Rapid . Un set de funcții este creat pentru fiecare set de ieșiri la fel ca și pentru seturile de intrare.
Pasul 3
Acum că avem definite funcțiile de membru, putem crea reguli care vor defini modul în care funcțiile de membru vor fi aplicate sistemului final. Vom crea trei reguli pentru acest sistem.
- Dacă este fierbinte, atunci repede
- Dacă este cald, atunci mediu
- Și, dacă este rece, atunci încet
Aceste reguli se aplică funcțiilor de apartenență pentru a produce valoarea de ieșire clară pentru a conduce sistemul. Astfel, pentru o valoare de intrare de 52 de grade , intersectăm funcțiile de membru. Aici, aplicăm două reguli pe măsură ce intersecția are loc pe ambele funcții. Puteți extinde punctele de intersecție la funcțiile de ieșire pentru a produce un punct de intersecție. Puteți trunchia apoi funcțiile de ieșire la înălțimea punctelor de intersecție.
Aceasta a fost o explicație foarte simplă a modului în care funcționează sistemele logice fuzzy. Într-un sistem de lucru real, ar exista multe intrări și posibilitatea mai multor ieșiri. Acest lucru ar avea ca rezultat un set destul de complex de funcții și multe alte reguli.
Cu aceasta, am ajuns la sfârșitul articolului nostru Fuzzy Logic in AI. Sper că ați înțeles ce este logica fuzzy și cum funcționează.
De asemenea, verificați Cursul este organizat de profesioniști din industrie conform cerințelor și cerințelor industriei. Veți stăpâni concepte precum funcția SoftMax, rețelele neuronale cu autocoder, mașina restricționată Boltzmann (RBM) și veți lucra cu biblioteci precum Keras și TFLearn. Cursul a fost special organizat de experți din industrie cu studii de caz în timp real.
Ai o întrebare pentru noi? Vă rugăm să menționați acest lucru în secțiunea de comentarii din „Fuzzy Logic in AI” și vă vom răspunde.