W naszym codziennym życiu możemy napotkać sytuacje, w których nie jesteśmy w stanie określić, czy stan jest prawdziwy, czy fałszywy. Fuzzy odnosi się do czegoś, co jest niejasne lub niejasne. Logika rozmyta w sztucznej inteligencji zapewnia cenną elastyczność rozumowania. W tym artykule dowiemy się o tej logice i jej implementacji w w następującej kolejności:
- Co to jest Fuzzy Logic?
- Dlaczego używamy Fuzzy Logic?
- Architektura
- Członkostwo
- Logika rozmyta a prawdopodobieństwo
- Zastosowania Fuzzy Logic
- Zalety wady
- Logika rozmyta w AI: przykład
Co to jest Fuzzy Logic?
Logika rozmyta (FL) to metoda rozumowania, która przypomina ludzkie rozumowanie . To podejście jest podobne do tego, jak ludzie podejmują decyzje. Obejmuje wszystkie pośrednie możliwości pomiędzy TAK i NIE .
Plik konwencjonalny blok logiczny rozumiany przez komputer, pobiera precyzyjne dane wejściowe i tworzy określone wyjście jako PRAWDA lub FAŁSZ, co jest równoważne z TAK lub NIE. Logika Fuzzy została wymyślona przez Lotfi Zadeh którzy zauważyli, że w przeciwieństwie do komputerów ludzie mają inny zakres możliwości między TAK i NIE, na przykład:
Logika rozmyta działa na poziomach możliwości wejściowych w celu uzyskania określonego wyjścia. A teraz mowa o implementacji tej logiki:
Może być wdrażany w systemach o różnych rozmiarach i możliwościach, takich jak mikrokontrolery, duże sieci lub systemy oparte na stacjach roboczych.
Można go również zaimplementować w sprzęt, oprogramowanie lub połączenie obie .
Dlaczego używamy Fuzzy Logic?
Generalnie używamy systemu logiki rozmytej zarówno do celów komercyjnych, jak i praktycznych, takich jak:
To steruje maszynami i produkty konsumenckie
Jeśli nie jest to dokładne uzasadnienie, przynajmniej zapewnia dopuszczalne uzasadnienie
To pomaga w radzeniu sobie z niepewność w inżynierii
utwórz kopię obiektu java
Więc teraz, gdy wiesz już o logice rozmytej w sztucznej inteligencji i dlaczego faktycznie jej używamy, przejdźmy dalej i poznajmy architekturę tej logiki.
Architektura logiki rozmytej
Architektura logiki rozmytej składa się z czterech głównych części:
Zasady - Zawiera wszystkie zasady i warunki, jeśli-to, oferowane przez ekspertów w celu kontrolowania systemu podejmowania decyzji. Niedawna aktualizacja teorii rozmytej zapewnia różne skuteczne metody projektowania i dostrajania rozmyte kontrolery . Zwykle te zmiany zmniejszają liczbę reguł rozmytych.
Fuzzyfikacja - Ten krok konwertuje dane wejściowe lub wyraźne liczby na zestawy rozmyte. Możesz mierzyć wyraźne sygnały wejściowe przez czujniki i przekazywać je do pliku System sterowania do dalszego przetwarzania. Dzieli sygnał wejściowy na pięć etapów, takich jak:
Silnik wnioskowania - Określa stopień dopasowania między rozmytym wejściem a regułami. Zgodnie z polem wejściowym, zdecyduje o regułach, które mają zostać uruchomione. Łącząc uruchomione reguły, utwórz działania kontrolne.
Defuzzyfikacja - Proces defuzzyfikacji przekształca rozmyte zbiory w wyraźną wartość. Dostępne są różne rodzaje technik i musisz wybrać najlepiej dopasowaną z systemem eksperckim.
A więc chodziło o architekturę logiki rozmytej w sztucznej inteligencji. Przyjrzyjmy się teraz funkcji członkostwa.
Członkostwo
Funkcja członkostwa to wykres który definiuje, jak każdy punkt w przestrzeń wejściowa jest odwzorowany na wartość członkostwa z zakresu od 0 do 1. Umożliwia to określić ilościowo terminy językowe i graficznie przedstawiają rozmyty zbiór. Funkcja przynależności dla rozmytego zbioru A we wszechświecie dyskursu X jest zdefiniowana jako & muA: X → [0,1]
Kwantyfikuje stopień przynależności elementu X do zbioru rozmytego A.
oś x reprezentuje wszechświat dyskursu.
oś y reprezentuje stopnie członkostwa w przedziale [0, 1].
Może istnieć wiele funkcji członkostwa mających zastosowanie do fuzzify wartości liczbowej. Proste funkcje przynależności są używane, ponieważ funkcje złożone nie dodają precyzji w wynikach. Członkostwo działa dla LP, MP, S, MN i LN są:
Trójkątne kształty funkcji przynależności są najczęściej spotykane wśród różnych innych kształtów funkcji przynależności. Tutaj wejście do 5-poziomowego fuzzifier różni się od -10 woltów do +10 woltów . W związku z tym zmienia się również odpowiedni wynik.
Logika rozmyta a prawdopodobieństwo
| Logika rozmyta | Prawdopodobieństwo |
| W logice rozmytej zasadniczo staramy się uchwycić podstawową koncepcję niejasności. | Prawdopodobieństwo jest powiązane ze zdarzeniami, a nie z faktami, a zdarzenia te wystąpią lub nie wystąpią |
| Fuzzy Logic oddaje znaczenie częściowej prawdy | Teoria prawdopodobieństwa obejmuje częściową wiedzę |
| Logika rozmyta przyjmuje stopnie prawdy jako podstawę matematyczną | Prawdopodobieństwo to matematyczny model ignorancji |
Oto niektóre różnice między logiką rozmytą w sztucznej inteligencji a prawdopodobieństwem. Przyjrzyjmy się teraz niektórym zastosowaniom tej logiki.
Zastosowania Fuzzy Logic
Logika rozmyta jest używana w różnych dziedzinach, takich jak systemy samochodowe, artykuły gospodarstwa domowego, kontrola środowiska itp. Niektóre z typowych zastosowań to:
Jest używany w pole lotnicze dla kontrola wysokości statku kosmicznego i satelity.
To kontroluje prędkość i ruch w systemy samochodowe.
To jest używane do systemy wspomagające podejmowanie decyzji i ocena osobista w dużych firmach.
Kontroluje również pH, suszenie, proces destylacji chemicznej w przemysł chemiczny .
Logika rozmyta jest używana w programie Przetwarzanie języka naturalnego i różne intensywne .
Jest szeroko stosowany w nowoczesne systemy sterowania takie jak systemy ekspertowe.
Fuzzy Logic naśladuje sposób podejmowania decyzji przez człowieka, tylko znacznie szybciej. Dlatego możesz go używać z Sieci neuronowe .
Były to niektóre z typowych zastosowań Fuzzy Logic. Przyjrzyjmy się teraz zaletom i wadom używania Fuzzy Logic w sztucznej inteligencji.
Zalety i wady Fuzzy Logic
Logika rozmyta zapewnia proste rozumowanie podobne do rozumowania ludzkiego. Takich jest więcej Zalety korzystania z tej logiki, takiej jak:
Struktura Fuzzy Logic Systems to łatwe i zrozumiałe
Logika rozmyta jest szeroko stosowana w Reklama w telewizji i cele praktyczne
To ci pomaga maszyny sterujące i produkty konsumenckie
Pomaga radzić sobie z niepewność w inżynierii
Przeważnie krzepki ponieważ nie są wymagane żadne precyzyjne dane wejściowe
co robi format w Pythonie
Jeśli czujnik sprzężenia zwrotnego przestanie działać, możesz zaprogramuj to do sytuacji
Możesz łatwo modyfikować aby poprawić lub zmienić wydajność systemu
Niedrogie czujniki można zastosować, co pomaga utrzymać ogólny koszt i złożoność systemu na niskim poziomie
To były różne zalety logiki rozmytej. Ale ma trochę niedogodności także:
Logika rozmyta jest nie zawsze dokładne . Zatem wyniki są postrzegane na podstawie założeń i mogą nie być powszechnie akceptowane
To nie mogę rozpoznać jak również wzory typu
Walidacja i weryfikacja rozmytych potrzeb systemu opartego na wiedzy obszerne testy ze sprzętem
Ustawianie dokładnych, rozmytych reguł i funkcji członkostwa to trudne zadanie
Czasami logika rozmyta jest zmieszany z teoria prawdopodobieństwa
Oto niektóre z zalet i wad korzystania z logiki rozmytej w sztucznej inteligencji. A teraz weźmy przykład ze świata rzeczywistego i zrozummy działanie tej logiki.
Logika rozmyta w AI: przykład
Projekt systemu logiki rozmytej rozpoczyna się od zestawu funkcji przynależności dla każdego wejścia i zestawu dla każdego wyjścia. Zestaw reguł jest następnie stosowany do funkcji przynależności, aby uzyskać wyraźną wartość wyjściową. Weźmy przykład kontroli procesu i zrozummy logikę rozmytą.
Krok 1
Tutaj, Temperatura jest wejściem i Prędkość wiatraka jest wyjściem. Musisz utworzyć zestaw funkcji członkostwa dla każdego wejścia. Funkcja przynależności to po prostu graficzna reprezentacja zbiorów zmiennych rozmytych. W tym przykładzie użyjemy trzech zestawów rozmytych, Zimno ciepło i Gorąco . Następnie utworzymy funkcję przynależności dla każdego z trzech zestawów temperatur:
Krok 2
W następnym kroku użyjemy trzech rozmytych zestawów do wyjścia, Powolny, średni i Szybki . Dla każdego zestawu wyjść tworzony jest zestaw funkcji, tak jak dla zestawów wejściowych.
Krok 3
Teraz, gdy mamy już zdefiniowane funkcje członkostwa, możemy utworzyć reguły, które określą, w jaki sposób funkcje członkostwa zostaną zastosowane w ostatecznym systemie. Stworzymy trzy reguły dla tego systemu.
- Jeśli gorąco, to szybko
- Jeśli ciepłe, to średnie
- A jeśli zimno, to wolno
Reguły te mają zastosowanie do funkcji przynależności, aby wygenerować wyraźną wartość wyjściową do sterowania systemem. Tak więc dla wartości wejściowej równej 52 stopnie , przecinamy funkcje członkostwa. Tutaj stosujemy dwie reguły, ponieważ przecięcie występuje w obu funkcjach. Możesz rozszerzyć punkty przecięcia na funkcje wyjściowe, aby utworzyć punkt przecięcia. Następnie można obciąć funkcje wyjściowe na wysokości punktów przecięcia.
programy java dla serii Fibonacci
To było bardzo proste wyjaśnienie, jak działają systemy logiki rozmytej. W prawdziwym działającym systemie byłoby wiele wejść i możliwość kilku wyjść. Skutkowałoby to dość złożonym zestawem funkcji i wieloma innymi regułami.
W ten sposób dotarliśmy do końca naszego artykułu Fuzzy Logic in AI. Mam nadzieję, że zrozumiałeś, czym jest logika rozmyta i jak to działa.
Sprawdź także Kurs jest prowadzony przez profesjonalistów z branży, zgodnie z wymaganiami i wymaganiami branży. Opanujesz koncepcje, takie jak funkcja SoftMax, sieci neuronowe Autoencoder, Restricted Boltzmann Machine (RBM) i będziesz pracować z bibliotekami takimi jak Keras i TFLearn. Kurs został specjalnie wyselekcjonowany przez ekspertów branżowych z analizami przypadków w czasie rzeczywistym.
Masz do nas pytanie? Wspomnij o tym w sekcji komentarzy w „Fuzzy Logic in AI”, a my skontaktujemy się z Tobą.