Igapäevases elus võime kokku puutuda olukordadega, kus me ei suuda kindlaks teha, kas riik on tõene või vale. Fuzzy tähistab midagi ebaselget või ebamäärast. Tehisintellekti hägune loogika pakub arutlemiseks väärtuslikku paindlikkust. Selles artiklis õpime selle loogika ja selle rakendamise kohta aastal järgmises järjestuses:
- Mis on udune loogika?
- Miks me kasutame Fuzzy Logicut?
- Arhitektuur
- Liikmelisuse funktsioon
- Hägus loogika vs tõenäosus
- Fuzzy Logicu rakendused
- Eelised ja puudused
- Fuzzy loogika tehisintellektis: näide
Mis on udune loogika?
Hägus loogika (FL) on sarnane arutlusviis inimlik arutluskäik . See lähenemine sarnaneb inimeste otsustusprotsessiga. Ja see hõlmab kõiki vahepealseid võimalusi JAH ja EI .
The tavapärane loogikaplokk et arvuti mõistab täpset sisestust ja toodab kindla väljundi kui TÕENE või VALE, mis on samaväärne inimese JAH või EI. Fuzzy loogika leiutas Lotfi Zadeh kes täheldasid, et erinevalt arvutitest on inimestel JAH ja EI erinevad võimalused, näiteks:
Fuzzy loogika töötab sisendi võimaluste tasemel kindla väljundi saavutamiseks. Nüüd, rääkides selle loogika rakendamisest:
Seda saab rakendada erineva suuruse ja võimalustega süsteemides, näiteks mikrokontrollerid, suured võrguga või tööjaamapõhised süsteemid.
Samuti saab seda rakendada aastal Riistvara Tarkvara või nende kombinatsioon mõlemad .
Miks me kasutame Fuzzy Logicut?
Üldiselt kasutame hägusa loogika süsteemi nii ärilistel kui ka praktilistel eesmärkidel, näiteks:
See juhib masinaid ja tarbekaupu
Kui see pole täpne põhjendus, siis see vähemalt annab vastuvõetav põhjendus
See aitab ebakindlus inseneritöös
Niisiis, nüüd, kui teate tehisintellekti Fuzzy loogikast ja miks me seda tegelikult kasutame, lähme edasi ja mõistame selle loogika arhitektuuri.
Fuzzy Logic Arhitektuur
Hägus loogikaarhitektuur koosneb neljast põhiosast:
kuidas kasutada komplekte javas
Reeglid - See sisaldab kõiki reegleid ja tingimusi, mida eksperdid pakuvad otsuste tegemise süsteemi kontrollimiseks. Hiljutine häguse teooria värskendus pakub erinevaid efektiivseid meetodeid nende kujundamiseks ja häälestamiseks hägused kontrollerid . Tavaliselt vähendavad need arengud uduste reeglite arvu.
Udusus - See samm teisendab sisendid või teravad arvud uduseks komplektiks. Saate mõõta teravaid sisendeid andurite abil ja edastada need kontrollsüsteem edasiseks töötlemiseks. See jagab sisendsignaali viieks etapiks, näiteks
Järelduste mootor - See määrab uduse sisendi ja reeglite vastavusastme. Vastavalt sisendväljale otsustab ta vallandatavad reeglid. Kombineerides vallandatud reeglid, moodustage kontrollitoimingud.
Defuzzifitseerimine - Defuzzification protsess muudab udused komplektid teravaks väärtuseks. Saadaval on erinevat tüüpi tehnikaid ja peate valima ekspertsüsteemiga sobivaima.
See puudutas tehisintellekti hägusa loogika arhitektuuri. Mõistkem nüüd liikmelisuse funktsiooni.
Liikmelisuse funktsioon
Liikmelisuse funktsioon on a graafik see määratleb, kuidas iga punkt sisendruum kaardistatakse liikmelisuse väärtusega vahemikus 0 kuni 1. See võimaldab teil kvantifitseerida keelelised terminid ja kujutavad udust kogumit graafiliselt. Diskursuse X universumi hägusa hulga A liikmefunktsioon on määratletud järgmiselt & muA: X → [0,1]
See kvantifitseerib X-i elemendi liikuvusastme uduse hulga A-ga.
x-telg esindab diskursuse universumit.
y-telg tähistab liikmelisuse astmeid vahemikus [0, 1].
Numbrilise väärtuse summutamiseks võib olla mitu liikmesfunktsiooni. Kasutatakse lihtsaid liikmelisuse funktsioone, kuna keerukad funktsioonid ei lisa väljundis täpsust. Liikmelisus toimib LP, MP, S, MN ja LN on:
Kolmnurkse liikmefunktsiooni kujundid on kõige levinumad paljude teiste liikmefunktsiooni kujundite seas. Siin varieerub 5-tasemel fuzzifektori sisend vahemikus -10 volti kuni +10 volti . Seega muutub ka vastav väljund.
Hägus loogika vs tõenäosus
Hägus loogika | Tõenäosus |
Hägusas loogikas püüame põhimõtteliselt tabada hägususe olulise mõiste. | Tõenäosus on seotud sündmuste ja mitte faktidega ning need sündmused kas toimuvad või neid ei toimu |
Fuzzy Logic haarab osalise tõe tähenduse | Tõenäosusteooria haarab osalisi teadmisi |
Hägus loogika võtab matemaatilise alusena tõekraadid | Tõenäosus on teadmatuse matemaatiline mudel |
Nii olid need mõned erinevused tehisintellekti hägusa loogika ja tõenäosuse vahel. Vaatame nüüd selle loogika mõningaid rakendusi.
Fuzzy Logicu rakendused
Fuzzy loogikat kasutatakse erinevates valdkondades, nagu näiteks autosüsteemid, kodukaubad, keskkonnakontroll jne. Mõned levinumad rakendused on:
Seda kasutatakse lennunduse valdkonnas jaoks kõrguse kontroll kosmoseaparaatide ja satelliitide abil.
See kontrollib kiirus ja liiklus aastal autotööstuse süsteemid.
Seda kasutatakse otsuste tegemise tugisüsteemid ja isiklik hindamine suurettevõtete äris.
Samuti kontrollib see pH - taset, kuivatamist ja keemilist destilleerimisprotsessi keemiatööstus .
Fuzzy loogikat kasutatakse Loomuliku keele töötlemine ja mitmesugused intensiivsed .
Seda kasutatakse laialdaselt aastal kaasaegsed juhtimissüsteemid nagu näiteks ekspertsüsteemid.
Fuzzy Logic jäljendab seda, kuidas inimene langetaks otsuseid, ainult palju kiiremini. Seega saate seda kasutada Närvivõrgud .
Need olid mõned Fuzzy Logicu levinumad rakendused. Vaatame nüüd Fuzzy Logicu tehisintellektis kasutamise eeliseid ja puudusi.
Fuzzy Logicu eelised ja puudused
Hägus loogika pakub lihtsat arutluskäiku, mis sarnaneb inimese arutluskäiguga. Selliseid on veel eelised selle loogika kasutamisest, näiteks:
Fuzzy Logic Systems struktuur on lihtne ja arusaadav
Fuzzy loogikat kasutatakse laialdaselt kaubanduslikud ja praktilistel eesmärkidel
See aitab teil juhtimismasinad ja tarbekaupu
See aitab teil lahendada ebakindlus inseneritöös
Enamasti jõuline kuna täpseid sisendeid pole vaja
Kui tagasiside andur enam ei tööta, saate seda teha seda programmeerida olukorda
Sa saad kergesti muuta süsteemi toimivuse parandamiseks või muutmiseks
kümnendkohast binaarse pythoni koodini
Odavad andurid saab kasutada, mis aitab teil süsteemi üldisi kulusid ja keerukust madalal hoida
Need olid häguse loogika erinevad eelised. Kuid sellel on mõned puudused samuti:
Hägune loogika on mitte alati täpne . Nii et tulemusi tajutakse eelduste põhjal ja neid ei pruugi laialdaselt aktsepteerida
See ei suuda ära tunda sama hästi kui tüüpi mustrid
Valideerimine ja kontrollimine häguste teadmistepõhiste süsteemivajaduste kohta ulatuslik testimine riistvaraga
Täpsete, uduste reeglite ja liikmelisuse funktsioonide seadmine on a raske ülesanne
Vahel on hägune loogika segaduses koos tõenäosusteooria
Nii olid need häguse loogika kasutamise tehisintellektis mõned eelised ja puudused. Võtame nüüd reaalse maailma näite ja mõistame selle loogika toimimist.
Fuzzy loogika tehisintellektis: näide
Hägusa loogikasüsteemi kujundus algab iga sisendi liikmefunktsioonide ja iga väljundi komplektiga. Seejärel rakendatakse liikmefunktsioonidele reeglite kogumit, et saada terav väljundväärtus. Võtame protsessi juhtimise näite ja mõistame hägusat loogikat.
Samm 1
Siin, Temperatuur on sisend ja Ventilaatori kiirus on väljund. Iga sisendi jaoks peate looma liikmefunktsioonide komplekti. Liikmelisusfunktsioon on lihtsalt uduste muutujate komplektide graafiline esitus. Selles näites kasutame kolme udust komplekti, Külm, soe ja Kuum . Seejärel loome liikmelisuse funktsiooni kõigi kolme temperatuuri komplekti jaoks:
2. samm
Järgmises etapis kasutame väljundiks kolme udust komplekti, Aeglane, keskmine ja Kiire . Iga väljundkomplekti jaoks luuakse funktsioonide komplekt nagu ka sisendkomplektide jaoks.
3. samm
Nüüd, kui oleme oma liikmefunktsioonid määratlenud, saame luua reeglid, mis määratlevad, kuidas liikmesfunktsioonid lõplikus süsteemis rakendatakse. Loome selle süsteemi jaoks kolm reeglit.
- Kui kuum siis kiire
- Kui soe, siis keskmine
- Ja kui külm on siis aeglane
Need reeglid kehtivad liikmefunktsioonide jaoks, et toota süsteemi juhtimiseks karge väljundväärtus. Seega sisendväärtuse puhul 52 kraadi , ristume liikmelisuse funktsioonidega. Siin rakendame kahte reeglit, kuna ristmik toimub mõlemal funktsioonil. Lõikepunkti saamiseks saate laiendada ristumiskohti väljundfunktsioonidele. Seejärel saate kärpimispunktide kõrgusel väljundfunktsioone kärpida.
See oli väga lihtne selgitus hägusate loogikasüsteemide toimimise kohta. Päris töötavas süsteemis oleks palju sisendeid ja mitme väljundi võimalus. Selle tulemuseks oleks üsna keeruline funktsioonide kogum ja veel palju reegleid.
Sellega oleme jõudnud oma Fuzzy Logic in AI artikli lõppu. Loodan, et saite aru, mis on hägune loogika ja kuidas see töötab.
Vaadake ka Kursuse kureerivad tööstuse spetsialistid vastavalt tööstusharu nõuetele ja nõudmistele. Sa valdad selliseid mõisteid nagu funktsioon SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) ja töötad raamatukogudega nagu Keras & TFLearn. Kursuse on spetsiaalselt kureerinud valdkonna eksperdid reaalajas juhtumiuuringutega.
Kas teil on meile küsimus? Palun mainige seda jaotises „Fuzzy Logic in AI” kommentaaride jaotises ja võtame teiega ühendust.