A mindennapi életünkben olyan helyzetekkel szembesülhetünk, amikor nem tudjuk megállapítani, hogy az állam igaz vagy hamis. A Fuzzy valami homályos vagy homályos dologra utal. Az Fuzzy Logic az AI-ben értékes rugalmasságot kínál az érveléshez. Ebben a cikkben megismerjük ezt a logikát és annak megvalósítását a következő sorrendben:
- Mi az a Fuzzy Logic?
- Miért használjuk a Fuzzy Logic-ot?
- Építészet
- Tagsági funkció
- Fuzzy Logic vs Valószínűség
- A Fuzzy Logic alkalmazásai
- Előnyök hátrányok
- Fuzzy Logic in AI: Példa
Mi az a Fuzzy Logic?
Zavaros logika (FL) olyan érvelési módszer, amely hasonlít emberi érvelés . Ez a megközelítés hasonló ahhoz, ahogyan az emberek végzik a döntéshozatalt. És magában foglal minden köztes lehetőséget IGEN és NEM .
Az hagyományos logikai blokk hogy a számítógép megérti a pontos bemenetet és határozott kimenetet állít elő IGAZ vagy HAMIS, ami egyenértékű az emberi IGEN vagy NEM értékkel. A Fuzzy logikát találta fel Lotfi Zadeh aki megfigyelte, hogy a számítógépekkel ellentétben az embereknek lehetőségei eltérõek az IGEN és a NEM között, például:
A Fuzzy logika a bemenet lehetőségeinek szintjein működik, hogy egy meghatározott kimenetet elérhessen. Most ennek a logikának a megvalósításáról beszélünk:
Különböző méretű és képességű rendszerekben valósítható meg, mint pl mikrovezérlők, nagy hálózatban vagy munkaállomás-alapú rendszerek.
Ezenkívül megvalósítható hardver szoftver vagy ezek kombinációja mindkét .
sql szerverintegrációs szolgáltatások ssis lépésről lépésre
Miért használjuk a Fuzzy Logic-ot?
Általában a fuzzy logikai rendszert kereskedelmi és gyakorlati célokra is használjuk, például:
Azt vezérli a gépeket és fogyasztói termékek
Ha nem pontos érvelés, akkor legalább megadja elfogadható érvelés
Ez segít a bizonytalanság a mérnöki munkában
Tehát most, hogy ismeri a Fuzzy logikát az AI-ban, és miért használjuk valójában, lépjünk tovább és értsük meg ennek a logikának az architektúráját.
Fuzzy Logic Architecture
A fuzzy logikai architektúra négy fő részből áll:
Szabályok - Tartalmazza az összes szabályt és a szakértők által a döntéshozatali rendszer ellenőrzésére felajánlott „ha-akkor” feltételeket. A fuzzy elmélet legújabb frissítése különböző hatékony módszereket kínál a tervezéshez és a hangoláshoz fuzzy vezérlők . Ezek a fejlemények általában csökkentik a fuzzy szabályok számát.
Fuzzifikáció - Ez a lépés konvertálja a bemeneteket vagy az éles számokat fuzzy halmazokká. Az éles bemeneteket szenzorokkal mérheti és továbbíthatja az vezérlő rendszer további feldolgozásra. Öt lépésre osztja a bemeneti jelet, például:
Következtetési motor - Meghatározza a fuzzy input és a szabályok közötti egyezés mértékét. A beviteli mező szerint ő dönti el az eldobandó szabályokat. Az elbocsátott szabályok kombinálásával alakítsa ki az ellenőrzési műveleteket.
Defuzzifikáció - A Defuzzifikációs folyamat a fuzzy halmazokat éles értékekké alakítja. Különböző típusú technikák állnak rendelkezésre, és szakértői rendszerrel kell kiválasztani a legmegfelelőbbet.
Szóval, ez a fuzzy logika architektúrájáról szólt az AI-ben. Most értsük meg a tagsági funkciót.
Tagsági funkció
A tagsági funkció a grafikon amely meghatározza, hogy az egyes pontok hogyan beviteli hely 0 és 1 közötti tagsági értékhez van hozzárendelve. Ez lehetővé teszi számszerűsítse a nyelvi kifejezéseket és grafikusan ábrázolnak egy fuzzy halmazt. Az X diskurzus univerzumának homályos A halmazához tartozó tagsági függvény a következő & muA: X → [0,1]
Számszerűsíti az X-ben lévő elem tagságának mértékét az A fuzzy halmazhoz.
x tengely képviseli a beszéd univerzumát.
y tengely a tagság mértékét jelöli a [0, 1] intervallumban.
A numerikus érték fuzzifikálásához több tagsági funkció is alkalmazható. Az egyszerű tagsági függvényeket használják, mivel az összetett függvények nem adnak pontosságot a kimenetben. A tagsági funkciók LP, MP, S, MN és LN vannak:
A háromszög tagsági függvényalakok a legkülönbözőbb más tagsági függvényalakok között vannak. Itt az 5 szintű fuzzifier bemenete változó -10 volt és +10 volt között . Ezért a megfelelő kimenet is változik.
Fuzzy Logic vs Valószínűség
| Zavaros logika | Valószínűség |
| A fuzzy logikában alapvetően a homályosság alapvető fogalmát próbáljuk megragadni. | A valószínűség eseményekhez és nem tényekhez kapcsolódik, és ezek az események vagy bekövetkeznek, vagy nem fognak bekövetkezni |
| A Fuzzy Logic megragadja a részigazság jelentését | A valószínűségelmélet megragadja a részleges ismereteket |
| A fuzzy logika az igazság fokozatait veszi matematikai alapként | A valószínűség a tudatlanság matematikai modellje |
Tehát ezek voltak a különbségek az AI fuzzy logikája és a valószínűsége között. Most nézzük meg ennek a logikának néhány alkalmazását.
A Fuzzy Logic alkalmazásai
A Fuzzy logikát különböző területeken használják, például autóipari rendszerekben, háztartási cikkekben, környezetvédelemben stb. Néhány általános alkalmazás a következő:
A repülőgépipar mert magasságszabályozás űrhajók és műholdak.
Ez vezérli a sebesség és forgalom ban,-ben autóipari rendszerek.
Arra használják döntéshozatali támogató rendszerek és személyes értékelés a nagyvállalati üzletágban.
Ugyancsak ellenőrzi a pH-t, a szárítást és a kémiai desztillációs folyamatot vegyipar .
A fuzzy logikát a Természetes nyelv feldolgozása és különféle intenzív .
Széles körben használják korszerű vezérlőrendszerek mint például a szakértői rendszerek.
A Fuzzy Logic utánozza, hogy az ember hogyan hozna döntéseket, csak sokkal gyorsabban. Így használhatja Neurális hálózatok .
Ezek voltak a Fuzzy Logic gyakori alkalmazásai. Most vessünk egy pillantást a Fuzzy Logic AI-ben történő használatának előnyeire és hátrányaira.
A Fuzzy Logic előnyei és hátrányai
A fuzzy logika egyszerű érvelést nyújt, hasonlóan az emberi érveléshez. Több ilyen is van előnyei ennek a logikának a használatát, például:
A Fuzzy Logic Systems felépítése az könnyű és érthető
amazon ec2 bemutató kezdőknek
A fuzzy logikát széles körben használják kereskedelmi és gyakorlati célokra
Segít vezérlő gépek és fogyasztási cikkek
Segít a bizonytalanság a mérnöki munkában
Többnyire erős mivel nincs szükség pontos bemenetre
Ha a visszacsatolás-érzékelő nem működik, akkor megteheti programozza be a helyzetbe
tudsz könnyen módosítható a rendszer teljesítményének javítása vagy módosítása
Olcsó érzékelők használható, amely segít a rendszer teljes költségének és komplexitásának alacsony szinten tartásában
Ezek voltak a fuzzy logika különböző előnyei. De van néhány hátrányai is:
A fuzzy logika az nem mindig pontos . Tehát az eredményeket feltételezések alapján érzékelik, és nem biztos, hogy széles körben elfogadják őket
Azt nem ismeri fel szintén típusú minták
Érvényesítés és ellenőrzés egy fuzzy tudásalapú rendszer igényeinek kiterjedt tesztelés hardverrel
Pontos, fuzzy szabályok és tagsági függvények beállítása a nehéz feladat
Időnként a fuzzy logika az zavaros val vel Valószínűségi elmélet
mi a módszer javascript
Tehát ezek voltak a fuzzy logika AI-ben történő alkalmazásának előnyei és hátrányai. Vegyünk egy valós példát, és értsük meg ennek a logikának a működését.
Fuzzy Logic in AI: Példa
A fuzzy logikai rendszer kialakítása az egyes bemenetekhez tartozó tagsági függvények és az egyes kimenetek halmazával kezdődik. Ezután egy sor szabályt alkalmaznak a tagsági függvényekre, hogy éles kimeneti értéket kapjanak. Vegyünk egy példát a folyamatszabályozásra, és értsük meg a fuzzy logikát.
1. lépés
Itt, Hőfok a bemenet és ventilátor sebesség a kimenet. Minden bemenethez létre kell hoznia egy tagsági függvénykészletet. A tagsági függvény egyszerűen a fuzzy változóhalmazok grafikus ábrázolása. Ebben a példában három fuzzy készletet fogunk használni, Hideg, meleg és Forró . Ezután létrehozunk egy tagsági függvényt mindhárom hőmérséklet-készlethez:
2. lépés
A következő lépésben három fuzzy készletet használunk a kimenethez, Lassú, közepes és Gyors . Minden kimeneti halmazhoz hozzárendel egy függvénykészlet, ugyanúgy, mint a bemeneti halmazokhoz.
3. lépés
Most, hogy meghatároztuk tagsági funkcióinkat, létrehozhatjuk azokat a szabályokat, amelyek meghatározzák, hogy a tagsági függvények hogyan lesznek alkalmazva a végleges rendszerre. Három szabályt fogunk létrehozni ehhez a rendszerhez.
- Ha forró, akkor gyorsan
- Ha Meleg, akkor Közepes
- És ha hideg, akkor lassú
Ezek a szabályok a tagsági függvényekre vonatkoznak, hogy előállítsák a rendszer hajtásának éles kimeneti értékét. Így a bemeneti értékhez 52 fok , keresztezzük a tagsági funkciókat. Itt két szabályt alkalmazunk, mivel a metszés mindkét függvénynél előfordul. A metszéspontokat kiterjesztheti a kimeneti függvényekre, hogy metszőpontot állítson elő. Ezután megcsonkíthatja a kimeneti függvényeket a metsző pontok magasságában.
Ez nagyon egyszerű magyarázat volt a fuzzy logikai rendszerek működésére. Valódi működő rendszerben sok bemenet és több kimenet lehetősége lenne. Ez egy meglehetősen összetett függvénykészletet és még sok más szabályt eredményezne.
Ezzel a Fuzzy Logic in AI cikkünk végére értünk. Remélem, megértette, mi a fuzzy logika és hogyan működik.
Nézze meg a A tanfolyamot az ipari szakemberek gondozzák, az ipar követelményeinek és igényeinek megfelelően. Elsajátítja az olyan fogalmakat, mint a SoftMax funkció, az Autoencoder Neural Networks, a Restricted Boltzmann Machine (RBM), és olyan könyvtárakkal fog dolgozni, mint a Keras és a TFLearn. A tanfolyamot ipari szakemberek készítették, valós idejű esettanulmányokkal.
Van egy kérdésünk? Kérjük, említse meg a „Fuzzy Logic in AI” megjegyzés rovatában, és mi kapcsolatba lépünk Önnel.