В нашей повседневной жизни мы можем столкнуться с ситуациями, когда мы не можем определить, истинно это состояние или ложно. Нечеткий относится к чему-то нечеткому или расплывчатому. Нечеткая логика в ИИ обеспечивает ценную гибкость для рассуждений. И в этой статье мы узнаем об этой логике и ее реализации в в следующей последовательности:
- Что такое нечеткая логика?
- Почему мы используем нечеткую логику?
- Архитектура
- Функция членства
- Нечеткая логика против вероятности
- Приложения нечеткой логики
- Преимущества недостатки
- Нечеткая логика в AI: пример
Что такое нечеткая логика?
Нечеткая логика (FL) - это метод рассуждений, напоминающий человеческое мышление . Этот подход аналогичен тому, как люди принимают решения. И это включает в себя все промежуточные возможности между ДА и Нет .
В обычный логический блок что компьютер понимает, принимает точный ввод и выдает определенный вывод как ИСТИНА или ЛОЖЬ, что эквивалентно человеческому ДА или НЕТ. Нечеткая логика была изобретена Лотфи Заде кто заметил, что, в отличие от компьютеров, у людей есть разные возможности между ДА и НЕТ, например:
Нечеткая логика работает на уровнях возможностей ввода для достижения определенного результата. Теперь поговорим о реализации этой логики:
Его можно реализовать в системах с разными размерами и возможностями, например: микроконтроллеры, большие сетевые или системы на базе рабочих станций.
Также это может быть реализовано в аппаратное обеспечение или комбинация и то и другое .
Почему мы используем нечеткую логику?
Как правило, мы используем систему нечеткой логики как в коммерческих, так и в практических целях, например:
Это управляет машинами и потребительские товары
Если это не точное рассуждение, оно, по крайней мере, дает приемлемое рассуждение
логистическая регрессия в коде Python
Это помогает справиться с неопределенность в технике
Итак, теперь, когда вы знаете о нечеткой логике в ИИ и о том, почему мы на самом деле ее используем, давайте продолжим и разберемся с архитектурой этой логики.
Архитектура нечеткой логики
Архитектура нечеткой логики состоит из четырех основных частей:
Правила - Он содержит все правила и условия «если-то», предлагаемые экспертами для контроля системы принятия решений. Недавнее обновление нечеткой теории предоставляет различные эффективные методы для разработки и настройки нечеткие контроллеры . Обычно такие разработки сокращают количество нечетких правил.
Фаззификация - На этом этапе входные данные или четкие числа преобразуются в нечеткие множества. Вы можете измерить четкость входных сигналов с помощью датчиков и передать их в система контроля для дальнейшей обработки. Он разбивает входной сигнал на пять шагов, например:
Механизм логического вывода - Он определяет степень соответствия между нечетким вводом и правилами. В соответствии с полем ввода он определит правила, которые должны быть запущены. Комбинируя сработавшие правила, формируем управляющие воздействия.
Дефаззификация - Процесс дефаззификации преобразует нечеткие множества в четкие значения. Доступны разные типы техник, и вам нужно выбрать наиболее подходящий из них с помощью экспертной системы.
Итак, речь шла об архитектуре нечеткой логики в ИИ. Теперь давайте разберемся с функцией принадлежности.
Функция членства
Функция принадлежности - это график это определяет, как каждая точка в входное пространство сопоставляется со значением членства от 0 до 1. Это позволяет вам количественно определять лингвистические термины и графически представляют нечеткое множество. Функция принадлежности нечеткого множества A во вселенной дискурса X определяется как & muA: X → [0,1]
Он количественно определяет степень принадлежности элемента X нечеткому множеству A.
ось абсцисс представляет собой вселенную дискурса.
ось Y представляет степени принадлежности к интервалу [0, 1].
Для нечеткости числового значения может быть несколько функций принадлежности. Используются простые функции принадлежности, поскольку сложные функции не добавляют точности в вывод. Функции принадлежности для LP, MP, S, MN и LN находятся:
Треугольные формы функций принадлежности наиболее распространены среди различных других форм функций принадлежности. Здесь вход в 5-уровневый фаззификатор варьируется от От -10 вольт до +10 вольт . Следовательно, соответствующий вывод также изменяется.
Нечеткая логика против вероятности
| Нечеткая логика | Вероятность |
| В нечеткой логике мы в основном пытаемся уловить основную концепцию неопределенности. | Вероятность связана с событиями, а не с фактами, и эти события либо произойдут, либо не произойдут. |
| Нечеткая логика отражает значение частичной истины | Теория вероятностей фиксирует частичное знание |
| Нечеткая логика принимает степени истинности как математическую основу | Вероятность - математическая модель незнания |
Итак, это были некоторые из различий между нечеткой логикой в ИИ и вероятностью. Теперь давайте посмотрим на некоторые применения этой логики.
Приложения нечеткой логики
Нечеткая логика используется в различных областях, таких как автомобильные системы, бытовые товары, контроль окружающей среды и т. Д. Некоторые из распространенных приложений:
Он используется в аэрокосмическая отрасль для контроль высоты космических аппаратов и спутников.
Это контролирует скорость и трафик в автомобильные системы.
Он используется для системы поддержки принятия решений и личная оценка в бизнесе большой компании.
Он также контролирует pH, сушку, процесс химической дистилляции в химическая индустрия .
Нечеткая логика используется в Обработка естественного языка и различные интенсивные .
Он широко используется в современные системы управления такие как экспертные системы.
Нечеткая логика имитирует то, как человек принимает решения, только намного быстрее. Таким образом, вы можете использовать его с Нейронные сети .
Это были некоторые из распространенных приложений нечеткой логики. Теперь давайте посмотрим на преимущества и недостатки использования нечеткой логики в AI.
Преимущества и недостатки нечеткой логики
Нечеткая логика обеспечивает простые рассуждения, аналогичные рассуждениям человека. Есть еще такие преимущества использования этой логики, например:
Структура систем нечеткой логики легко и понятно
Нечеткая логика широко используется для коммерческий и практические цели
Это помогает вам управляющие машины и потребительские товары
Это поможет вам справиться с неопределенность в технике
в чем разница между переопределением и перегрузкой
Главным образом крепкий поскольку точные данные не требуются
Если датчик обратной связи перестает работать, вы можете запрограммировать это в ситуацию
Ты можешь легко изменить это для улучшения или изменения производительности системы
Недорогие датчики может использоваться, что помогает снизить общую стоимость и сложность системы
Это были разные преимущества нечеткой логики. Но в нем есть недостатки также:
Нечеткая логика не всегда точно . Таким образом, результаты воспринимаются на основе предположений и не могут быть широко приняты.
Это не могу распознать а также шаблоны шрифтов
Валидация и проверка потребностей нечеткой системы, основанной на знаниях обширное тестирование с оборудованием
Установка точных, нечетких правил и функций принадлежности - это сложное задание
Иногда нечеткая логика смущенный с участием теория вероятности
Итак, это были некоторые из преимуществ и недостатков использования нечеткой логики в ИИ. Теперь давайте возьмем реальный пример и поймем, как работает эта логика.
Нечеткая логика в AI: пример
Проектирование системы нечеткой логики начинается с набора функций принадлежности для каждого входа и набора для каждого выхода. Затем к функциям принадлежности применяется набор правил, чтобы получить четкое выходное значение. Давайте возьмем пример управления процессом и разберемся с нечеткой логикой.
Шаг 1
Вот, Температура это вход и Скорость вентилятора это выход. Вы должны создать набор функций принадлежности для каждого входа. Функция принадлежности - это просто графическое представление наборов нечетких переменных. В этом примере мы будем использовать три нечетких множества, Холодный теплый и Горячей . Затем мы создадим функцию принадлежности для каждого из трех наборов температуры:
Шаг 2
На следующем шаге мы будем использовать три нечетких набора для вывода, Медленный, средний и Быстрый . Набор функций создается для каждого набора выходов, как и для наборов входов.
Шаг 3
Теперь, когда у нас определены наши функции принадлежности, мы можем создать правила, которые будут определять, как функции принадлежности будут применяться к окончательной системе. Мы создадим три правила для этой системы.
- Если жарко, то быстро
- Если теплый, то средний
- И если холодно, то медленно
Эти правила применяются к функциям принадлежности, чтобы получить четкое выходное значение для управления системой. Таким образом, для входного значения 52 градуса , мы пересекаем функции принадлежности. Здесь мы применяем два правила, поскольку пересечение происходит для обеих функций. Вы можете расширить точки пересечения до выходных функций, чтобы получить точку пересечения. Затем вы можете обрезать выходные функции по высоте точек пересечения.
Это было очень простое объяснение того, как работают системы нечеткой логики. В реальной рабочей системе было бы много входов и возможность нескольких выходов. Это привело бы к довольно сложному набору функций и множеству других правил.
На этом мы подошли к концу нашей статьи о нечеткой логике в AI. Надеюсь, вы поняли, что такое нечеткая логика и как она работает.
Также ознакомьтесь с Курс курируется профессионалами отрасли в соответствии с отраслевыми требованиями и требованиями. Вы освоите такие концепции, как функция SoftMax, нейронные сети автоэнкодера, ограниченная машина Больцмана (RBM) и будете работать с такими библиотеками, как Keras и TFLearn. Курс был специально подготовлен отраслевыми экспертами с тематическими исследованиями в реальном времени.
Есть вопрос к нам? Пожалуйста, укажите это в разделе комментариев «Нечеткая логика в AI», и мы свяжемся с вами.