I vores daglige liv står vi måske over for situationer, hvor vi ikke er i stand til at afgøre, om staten er sand eller falsk. Fuzzy refererer til noget, der er uklart eller vagt. Fuzzy Logic i AI giver værdifuld fleksibilitet til ræsonnement. Og i denne artikel vil vi lære om denne logik og dens implementering i i følgende rækkefølge:
- Hvad er Fuzzy Logic?
- Hvorfor bruger vi Fuzzy Logic?
- Arkitektur
- Medlemskabsfunktion
- Fuzzy Logic vs Probability
- Anvendelser af Fuzzy Logic
- Fordele ulemper
- Fuzzy Logic in AI: Eksempel
Hvad er Fuzzy Logic?
Sløret logik (FL) er en ræsonnementsmetode, der ligner menneskelig ræsonnement . Denne tilgang svarer til, hvordan mennesker udfører beslutningstagning. Og det involverer alle mellemliggende muligheder mellem JA og INGEN .
Det konventionel logikblok at en computer forstår tager præcis input og producerer en bestemt output som SAND eller FALSK, hvilket svarer til et menneskes JA eller NEJ. Fuzzy-logikken blev opfundet af Lotfi Zadeh der bemærkede, at i modsætning til computere har mennesker en anden række muligheder mellem JA og NEJ, såsom:
Fuzzy-logikken arbejder på niveauerne af mulighederne for input for at opnå en bestemt output. Nu taler vi om implementeringen af denne logik:
Det kan implementeres i systemer med forskellige størrelser og funktioner såsom mikro-controllere, store netværk eller arbejdsstationsbaserede systemer.
Det kan også implementeres i hardware, software eller en kombination af begge .
Hvorfor bruger vi Fuzzy Logic?
Generelt bruger vi det fuzzy logiske system til både kommercielle og praktiske formål såsom:
Det styrer maskiner og forbrugerprodukter
Hvis ikke nøjagtig ræsonnement, giver det i det mindste acceptabel ræsonnement
Dette hjælper med at håndtere usikkerhed inden for teknik
Så nu hvor du ved om Fuzzy-logik i AI, og hvorfor bruger vi den faktisk, lad os gå videre og forstå arkitekturen i denne logik.
Fuzzy Logic Architecture
Den fuzzy logiske arkitektur består af fire hoveddele:
Regler - Den indeholder alle reglerne og de hvis-så-betingelser, der tilbydes af eksperterne til at kontrollere beslutningsprocessen. Den seneste opdatering i fuzzy-teorien giver forskellige effektive metoder til design og tuning af fuzzy controllere . Normalt reducerer denne udvikling antallet af uklare regler.
Fuzzification - Dette trin konverterer input eller skarpe tal til fuzzy sæt. Du kan måle de skarpe indgange med sensorer og sende dem ind i kontrolsystem til yderligere behandling. Det opdeler indgangssignalet i fem trin såsom-
er-et forhold i java
Inferensmotor - Det bestemmer graden af match mellem fuzzy input og reglerne. I henhold til inputfeltet bestemmer det de regler, der skal fyres. Ved at kombinere de fyrede regler danner du kontrolhandlingerne.
Defuzzificering - Defuzzificeringsprocessen konverterer de uklare sæt til en skarp værdi. Der findes forskellige typer teknikker, og du skal vælge den bedst egnede med et ekspertsystem.
Så dette handlede om arkitektur med fuzzy logik i AI. Lad os nu forstå medlemsfunktionen.
Medlemskabsfunktion
Medlemskabsfunktionen er en kurve der definerer, hvordan hvert punkt i input plads er kortlagt til medlemskabsværdi mellem 0 og 1. Det giver dig mulighed for at kvantificere sproglige udtryk og repræsenterer et uklart sæt grafisk. En medlemsfunktion for et uklart sæt A på diskursens univers X defineres som & muA: X → [0.1]
Det kvantificerer graden af medlemskab af elementet i X til det uklare sæt A.
x-akse repræsenterer diskursens univers.
y-akse repræsenterer graderne af medlemskab i [0, 1] intervallet.
Der kan være flere medlemsfunktioner, der kan bruges til at forvirre en numerisk værdi. Enkle medlemsfunktioner bruges, da de komplekse funktioner ikke tilføjer præcision i output. Medlemskabet fungerer for LP, MP, S, MN og LN er:
De trekantede medlemsfunktionsformer er mest almindelige blandt forskellige andre medlemsfunktionsformer. Her varierer input til 5-niveau fuzzifier fra -10 volt til +10 volt . Derfor ændres den tilsvarende output også.
Fuzzy Logic vs Probability
| Sløret logik | Sandsynlighed |
| I fuzzy logik prøver vi dybest set at fange det væsentlige begreb vaghed. | Sandsynligheden er forbundet med begivenheder og ikke fakta, og disse begivenheder vil enten forekomme eller ikke forekomme |
| Fuzzy Logic fanger betydningen af delvis sandhed | Sandsynlighedsteori fanger delvis viden |
| Fuzzy logik tager sandhedsgrader som matematisk grundlag | Sandsynlighed er en matematisk model for uvidenhed |
Så disse var nogle af forskellene mellem fuzzy logik i AI og sandsynlighed. Lad os nu se på nogle af anvendelserne af denne logik.
Anvendelser af Fuzzy Logic
Fuzzy-logikken bruges inden for forskellige områder såsom bilsystemer, indenlandske varer, miljøkontrol osv. Nogle af de almindelige anvendelser er:
Det bruges i luftfartsfelt til højdekontrol af rumfartøjer og satellit.
Dette styrer hastighed og trafik i bilsystemer.
Det bruges til beslutningsstøttesystemer og personlig evaluering i den store virksomheds forretning.
Det styrer også pH, tørring, kemisk destillationsproces i kemisk industri .
Fuzzy logik bruges i Naturlig sprogbehandling og forskellige intensive .
Det bruges i vid udstrækning i moderne kontrolsystemer såsom ekspertsystemer.
Fuzzy Logic efterligner, hvordan en person ville træffe beslutninger, kun meget hurtigere. Således kan du bruge det med Neurale netværk .
Dette var nogle af de almindelige anvendelser af Fuzzy Logic. Lad os nu se på fordele og ulemper ved at bruge Fuzzy Logic i AI.
Fordele og ulemper ved Fuzzy Logic
Fuzzy-logik giver enkel ræsonnement svarende til menneskelig ræsonnement. Der er flere sådanne fordele at bruge denne logik, såsom:
Fuzzy Logic Systems struktur er let og forståeligt
Fuzzy logik er meget brugt til kommerciel og praktiske formål
Det hjælper dig med at kontrolmaskiner og forbrugerprodukter
Det hjælper dig med at håndtere usikkerhed inden for teknik
For det meste robust da der ikke kræves nogen præcise input
Hvis feedback-sensoren holder op med at arbejde, kan du programmer det ind i situationen
Du kan let at ændre det for at forbedre eller ændre systemets ydeevne
Billige sensorer kan bruges, som hjælper dig med at holde de samlede systemomkostninger og kompleksitet lave
Disse var de forskellige fordele ved fuzzy logik. Men det har nogle ulemper såvel:
hvordan man sorterer tal i c ++
Fuzzy logik er ikke altid nøjagtig . Så resultaterne opfattes ud fra antagelser og accepteres muligvis ikke bredt
Det kan ikke genkende såvel som skriv mønstre
Validering og verifikation af et fuzzy videnbaseret systembehov omfattende test med hardware
Indstilling af nøjagtige, fuzzy regler og medlemsfunktioner er en vanskelig opgave
Til tider er den fuzzy logik forvirret med sandsynlighedsteori
Så dette var nogle af fordele og ulemper ved at bruge fuzzy logik i AI. Lad os nu tage et eksempel fra den virkelige verden og forstå, hvordan denne logik fungerer.
Fuzzy Logic in AI: Eksempel
Designet af et fuzzy logiksystem starter med et sæt medlemsfunktioner for hver input og et sæt for hver output. Et sæt regler anvendes derefter på medlemsfunktionerne for at give en skarp outputværdi. Lad os tage et eksempel på proceskontrol og forstå fuzzy logik.
Trin 1
Her, Temperatur er input og Blæserhastighed er output. Du skal oprette et sæt medlemsfunktioner til hver input. En medlemsfunktion er simpelthen en grafisk repræsentation af de uklare variabelsæt. I dette eksempel bruger vi tre fuzzy sæt, Koldt, varmt og Hed . Vi opretter derefter en medlemsfunktion for hvert af de tre temperaturer:
Trin 2
I det næste trin bruger vi tre fuzzy sæt til output, Langsom, medium og Hurtig . Der oprettes et sæt funktioner for hvert output-sæt ligesom for input-sætene.
Trin 3
Nu hvor vi har defineret vores medlemsfunktioner, kan vi oprette de regler, der definerer, hvordan medlemsfunktionerne skal anvendes på det endelige system. Vi opretter tre regler for dette system.
- Hvis det er varmt, så hurtigt
- Hvis det er varmt, så er det medium
- Og hvis det er koldt, så langsomt
Disse regler gælder for medlemsfunktionerne for at producere den skarpe outputværdi til at drive systemet. For en inputværdi på 52 grader , vi skærer medlemsfunktionerne. Her anvender vi to regler, da skæringspunktet forekommer på begge funktioner. Du kan udvide skæringspunkterne til outputfunktionerne for at frembringe et skæringspunkt. Du kan derefter afkorte outputfunktionerne i højden af skæringspunkterne.
Dette var en meget enkel forklaring på, hvordan de fuzzy logiske systemer fungerer. I et rigtigt fungerende system ville der være mange input og muligheden for flere output. Dette ville resultere i et ret komplekst sæt funktioner og mange flere regler.
Med dette er vi kommet til slutningen af vores Fuzzy Logic in AI-artikel. Jeg håber, du forstod, hvad der er fuzzy logik, og hvordan det fungerer.
Tjek også Kurset er kurateret af fagfolk i branchen i henhold til branchens krav og krav. Du vil mestre begreberne som SoftMax-funktion, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) og arbejde med biblioteker som Keras & TFLearn. Kurset er specielt kurateret af brancheeksperter med realtids casestudier.
Har du et spørgsmål til os? Nævn det i kommentarfeltet i 'Fuzzy Logic in AI', så vender vi tilbage til dig.