V každodennom živote sa môžeme stretnúť so situáciami, keď nedokážeme určiť, či je stav pravdivý alebo nepravdivý. Fuzzy označuje niečo, čo je nejasné alebo vágne. Fuzzy Logic v AI poskytuje cennú flexibilitu pri uvažovaní. A v tomto článku sa dozvieme o tejto logike a jej implementácii v v nasledujúcom poradí:
- Čo je to Fuzzy Logic?
- Prečo používame Fuzzy Logic?
- Architektúra
- Funkcia členstva
- Fuzzy Logic vs Pravdepodobnosť
- Aplikácie fuzzy logiky
- Výhody nevýhody
- Fuzzy Logic in AI: Example
Čo je to Fuzzy Logic?
Fuzzy Logic (FL) je podobný spôsob uvažovania ľudské uvažovanie . Tento prístup je podobný tomu, ako ľudia vykonávajú rozhodovanie. Zahŕňa všetky stredné možnosti medzi nimi ÁNO a Č .
The konvenčný logický blok počítač rozumie, prijíma presný vstup a produkuje jednoznačný výstup ako TRUE alebo FALSE, ktorý je ekvivalentom ÁNO alebo NIE ľudskej bytosti. Fuzzy logiku vymyslel Lotfi Zadeh ktorý poznamenal, že na rozdiel od počítačov majú ľudia medzi ANO a NIE rôzne možnosti, ako napríklad:
Fuzzy logika pracuje na úrovniach možností vstupu, aby sa dosiahol určitý výstup. Teraz hovoríme o implementácii tejto logiky:
Môže byť implementovaný v systémoch s rôznymi veľkosťami a schopnosťami ako napr mikrokontroléry, veľké siete alebo systémy založené na pracovných staniciach.
Môže byť tiež implementovaný v hardvér softvér alebo kombinácia oboje .
Prečo používame Fuzzy Logic?
Všeobecne používame fuzzy logický systém na komerčné aj praktické účely, ako napríklad:
rámec riadený údajmi v príklade webového ovládača selénu
To riadi stroje a spotrebiteľské produkty
Ak nie je presné zdôvodnenie, aspoň poskytuje prijateľné zdôvodnenie
To pomáha pri riešení problémov s neistota v strojárstve
Takže, keď už viete o fuzzy logike v AI a prečo ju vlastne používame, poďme ďalej a pochopme architektúru tejto logiky.
Fuzzy logická architektúra
Architektúra fuzzy logiky sa skladá zo štyroch hlavných častí:
Pravidlá - Obsahuje všetky pravidlá a prípadné podmienky ponúkané odborníkmi na kontrolu rozhodovacieho systému. Nedávna aktualizácia fuzzy teórie poskytuje rôzne efektívne metódy pre návrh a ladenie fuzzy radiče . Tento vývoj zvyčajne znižuje počet fuzzy pravidiel.
Fuzzifikácia - Tento krok prevádza vstupy alebo ostré čísla na fuzzy množiny. Ostré vstupy môžete merať pomocou senzorov a vložiť ich do riadiaci systém na ďalšie spracovanie. Rozdeľuje vstupný signál do piatich krokov, napríklad
Inferenčný motor - Určuje stupeň zhody medzi fuzzy vstupom a pravidlami. Podľa vstupného poľa rozhodne o pravidlách, ktoré sa majú vykonať. Kombináciou spustených pravidiel vytvorte kontrolné akcie.
Defuzzifikácia - Proces defuzzifikácie prevádza fuzzy množiny na ostrú hodnotu. K dispozícii sú rôzne typy techník a musíte si zvoliť tú najvhodnejšiu s odborným systémom.
Išlo teda o architektúru fuzzy logiky v AI. Poďme si teraz uvedomiť funkciu členstva.
Funkcia členstva
Funkciou členstva je a graf ktorá definuje, ako každý bod v vstupný priestor je namapovaná na hodnotu členstva medzi 0 a 1. Umožňuje vám to kvantifikovať jazykové termíny a graficky predstavujú fuzzy množinu. Členská funkcia pre fuzzy množinu A vo vesmíre diskurzu X je definovaná ako & muA: X → [0,1]
Vyčísľuje stupeň príslušnosti prvku v X k fuzzy množine A.
os x predstavuje vesmír diskurzu.
os y predstavuje stupne členstva v intervale [0, 1].
Na fuzzifikáciu číselnej hodnoty môže byť použiteľných viac funkcií členstva. Používajú sa jednoduché funkcie členstva, pretože zložité funkcie nepridávajú presnosť na výstupe. Členstvo funguje pre LP, MP, S, MN a LN sú:
Trojuholníkové tvary funkcie členstva sú najbežnejšie medzi rôznymi inými tvarmi funkcií členstva. Tu sa vstup do päťstupňového fuzzifikátora líši -10 voltov až +10 voltov . Preto sa zmení aj zodpovedajúci výstup.
Fuzzy Logic vs Pravdepodobnosť
Fuzzy Logic | Pravdepodobnosť |
Vo fuzzy logike sa v podstate snažíme zachytiť základný koncept neurčitosti. | Pravdepodobnosť je spojená s udalosťami, a nie s faktami, a tieto udalosti sa stanú alebo nenastanú |
Fuzzy Logic zachytáva význam čiastočnej pravdy | Teória pravdepodobnosti zachytáva čiastočné vedomosti |
Fuzzy logika berie stupne pravdy ako matematický základ | Pravdepodobnosť je matematický model nevedomosti |
To boli teda niektoré z rozdielov medzi fuzzy logikou v AI a pravdepodobnosťou. Poďme sa teraz pozrieť na niektoré aplikácie tejto logiky.
Aplikácie fuzzy logiky
Fuzzy logika sa používa v rôznych oblastiach, ako sú automobilové systémy, domáci tovar, kontrola prostredia atď. Niektoré z bežných aplikácií sú:
Používa sa v letecké a kozmické pole pre kontrola nadmorskej výšky kozmických lodí a satelitu.
Týmto sa ovláda rýchlosť a premávka v automobilové systémy.
Používa sa na systémy na podporu rozhodovania a osobné hodnotenie v podnikaní veľkých spoločností.
Tiež riadi pH, sušenie a proces chemickej destilácie v chemický priemysel .
Fuzzy logika sa používa v Spracovanie prirodzeným jazykom a rôzne intenzívne .
Vo veľkej miere sa používa v moderné riadiace systémy napríklad expertné systémy.
Fuzzy Logic napodobňuje, ako by sa človek rozhodoval, len oveľa rýchlejšie. Môžete ho teda použiť s Neurálne siete .
Toto boli niektoré z bežných aplikácií Fuzzy Logic. Teraz sa pozrime na výhody a nevýhody používania Fuzzy Logic v AI.
Výhody a nevýhody fuzzy logiky
Fuzzy logika poskytuje jednoduché uvažovanie podobné ľudskému uvažovaniu. Takých je viac výhody použitia tejto logiky, ako napríklad:
Štruktúra fuzzy logických systémov je ľahké a zrozumiteľné
Fuzzy logika je široko používaná pre komerčný a praktické účely
čo robí formát v pythone
Pomáha vám to riadiace stroje a spotrebné výrobky
Pomáha vám vyrovnať sa s neistota v strojárstve
Väčšinou robustný pretože nie sú potrebné presné vstupy
Ak snímač spätnej väzby prestane fungovať, môžete naprogramuj to do situácie
Môžeš ľahko upraviť vylepšenie alebo zmena výkonu systému
Lacné snímače je možné použiť, čo vám pomôže udržať nízke celkové náklady na systém a jeho zložitosť
To boli rôzne výhody fuzzy logiky. Ale má nejaké nevýhody tiež:
Fuzzy logika je nie vždy presné . Výsledky sú teda vnímané na základe predpokladov a nemusia byť všeobecne akceptované
To nedokáže rozpoznať rovnako ako aj typové vzory
Validácia a overenie fuzzy znalostných systémových potrieb rozsiahle testovanie s hardvérom
Nastaviť presné, fuzzy pravidlá a funkcie členstva je a neľahká úloha
Fuzzy logika niekedy je zmätený s teória pravdepodobnosti
To boli niektoré z výhod a nevýhod použitia fuzzy logiky v AI. Teraz si vezmime príklad zo skutočného sveta a pochopme fungovanie tejto logiky.
Fuzzy Logic in AI: Example
Návrh fuzzy logického systému začína sadou funkcií členstva pre každý vstup a sadou pre každý výstup. Na funkcie členstva sa potom použije sada pravidiel, aby sa získala ostrá výstupná hodnota. Uveďme si príklad riadenia procesu a pochopme fuzzy logiku.
rozdiel medzi preťažením a prepísaním v c ++
Krok 1
Tu, Teplota je vstup a Rýchlosť ventilátora je výstup. Pre každý vstup musíte vytvoriť sadu funkcií členstva. Funkcia členstva je jednoducho grafické znázornenie súborov fuzzy premenných. V tomto príklade použijeme tri fuzzy množiny, Studené, teplé a Horúce . Potom vytvoríme funkciu členstva pre každú z troch sád teploty:
Krok 2
V ďalšom kroku použijeme pre výstup tri fuzzy množiny, Pomalé, stredné a Rýchlo . Pre každú výstupnú množinu sa vytvorí sada funkcií rovnako ako pre vstupné množiny.
Krok 3
Teraz, keď máme definované naše členské funkcie, môžeme vytvoriť pravidlá, ktoré definujú, ako sa členské funkcie budú aplikovať na konečný systém. Vytvoríme tri pravidlá pre tento systém.
- Ak je horúco, tak rýchlo
- Ak je teplý, potom stredný
- A ak je zima, tak pomaly
Tieto pravidlá sa vzťahujú na funkcie členstva, ktoré vytvárajú ostrú výstupnú hodnotu pre riadenie systému. Teda pre vstupnú hodnotu 52 stupňov , pretíname členské funkcie. Tu uplatňujeme dve pravidlá, pretože križovatka sa vyskytuje na oboch funkciách. Prierezové body môžete rozšíriť na výstupné funkcie a vytvoriť tak priesečník. Potom môžete výstupné funkcie skrátiť vo výške priesečníkov.
Toto bolo veľmi jednoduché vysvetlenie toho, ako fungujú systémy fuzzy logiky. V skutočne fungujúcom systéme by bolo veľa vstupov a možnosť viacerých výstupov. To by malo za následok pomerne zložitý súbor funkcií a mnoho ďalších pravidiel.
Týmto sme sa dostali na koniec nášho článku Fuzzy Logic in AI. Dúfam, že ste pochopili, čo je fuzzy logika a ako to funguje.
Skontrolujte tiež Kurz je zostavený profesionálmi v odbore podľa priemyselných požiadaviek a požiadaviek. Osvojíte si pojmy ako funkcia SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) a prácu s knižnicami ako Keras & TFLearn. Kurz bol špeciálne zostavený odborníkmi v odbore s prípadovými štúdiami v reálnom čase.
Máte na nás otázku? Uveďte to prosím v sekcii komentárov „Fuzzy Logic in AI“ a my sa vám ozveme.