I vårt daglige liv kan vi møte situasjoner der vi ikke klarer å avgjøre om staten er sann eller falsk. Fuzzy refererer til noe som er uklart eller vagt. Fuzzy Logic in AI gir verdifull fleksibilitet for resonnement. Og i denne artikkelen vil vi lære om denne logikken og implementeringen av den i i følgende rekkefølge:
- Hva er Fuzzy Logic?
- Hvorfor bruker vi Fuzzy Logic?
- Arkitektur
- Medlemskapsfunksjon
- Fuzzy Logic vs Probability
- Anvendelser av Fuzzy Logic
- Fordeler ulemper
- Fuzzy Logic in AI: Eksempel
Hva er Fuzzy Logic?
Fuzzy Logic (FL) er en resonnementsmetode som ligner menneskelig resonnement . Denne tilnærmingen ligner på hvordan mennesker utfører beslutningstaking. Og det innebærer alle mellomliggende muligheter mellom JA og NEI .
De konvensjonell logikkblokk at en datamaskin forstår tar presise innganger og produserer en bestemt utdata som SANN eller FALSJ, som tilsvarer et menneskes JA eller NEI. Fuzzy-logikken ble oppfunnet av Lotfi Zadeh som observerte at i motsetning til datamaskiner har mennesker et annet spekter av muligheter mellom JA og NEI, for eksempel:
Fuzzy-logikken fungerer på nivåene av mulighetene for inngang for å oppnå en bestemt produksjon. Nå snakker vi om implementeringen av denne logikken:
Den kan implementeres i systemer med forskjellige størrelser og funksjoner som mikrocontrollere, store nettverk eller arbeidsstasjonsbaserte systemer.
Det kan også implementeres i maskinvare programvare eller en kombinasjon av både .
Hvorfor bruker vi Fuzzy Logic?
Generelt bruker vi det fuzzy logiske systemet til både kommersielle og praktiske formål som:
Den styrer maskiner og forbrukerprodukter
Hvis ikke nøyaktig resonnement, gir det i det minste akseptabel resonnement
Dette hjelper deg med å håndtere usikkerhet innen ingeniørfag
Så nå som du vet om Fuzzy-logikk i AI og hvorfor vi faktisk bruker den, la oss gå videre og forstå arkitekturen til denne logikken.
Fuzzy Logic Architecture
Den uklare logikkarkitekturen består av fire hoveddeler:
Regler - Den inneholder alle reglene og hvis så vilkårene som ekspertene tilbyr for å kontrollere beslutningssystemet. Den siste oppdateringen i fuzzy teorien gir forskjellige effektive metoder for design og tuning av fuzzy kontrollere . Vanligvis reduserer denne utviklingen antall uklare regler.
Uklarhet - Dette trinnet konverterer innganger eller skarpe tall til uklare sett. Du kan måle skarpe innganger med sensorer og sende dem inn i kontrollsystem for videre behandling. Den deler inngangssignalet i fem trinn som-
Inferensmotor - Det bestemmer graden av samsvar mellom uklare innspill og reglene. I følge inntastingsfeltet vil det bestemme reglene som skal sparkes. Kombinere de sparkede reglene, danner kontrollhandlingene.
Defuzzifisering - Defuzzification-prosessen konverterer de uklare settene til en skarp verdi. Det finnes forskjellige typer teknikker tilgjengelig, og du må velge den best egnede med et ekspertsystem.
Så dette handlet om fuzzy logics arkitektur i AI. La oss nå forstå medlemsfunksjonen.
pivot og unpivot i sql server
Medlemskapsfunksjon
Medlemskapsfunksjonen er en kurve som definerer hvordan hvert punkt i inngangsplass er kartlagt til medlemsverdi mellom 0 og 1. Det lar deg kvantifisere språklige termer og representerer et uklart sett grafisk. En medlemsfunksjon for et uklart sett A på diskursens univers er definert som & muA: X → [0.1]
Det kvantifiserer graden av medlemskap av elementet i X til det uklare settet A.
x-akse representerer diskursens univers.
y-aksen representerer gradene av medlemskap i [0, 1] intervallet.
Det kan være flere medlemsfunksjoner som gjelder for å forvirre en numerisk verdi. Enkle medlemsfunksjoner brukes da de komplekse funksjonene ikke gir presisjon i utdataene. Medlemskapet fungerer for LP, MP, S, MN og LN er:
De trekantede formene for medlemsfunksjonen er vanligst blant forskjellige andre medlemsfunksjonsformer. Her varierer inngangen til 5-nivå fuzzifier fra -10 volt til +10 volt . Derfor endres tilsvarende produksjon også.
Fuzzy Logic vs Probability
| Fuzzy Logic | Sannsynlighet |
| I fuzzy logikk prøver vi i utgangspunktet å fange det essensielle begrepet vaghet. | Sannsynlighet er knyttet til hendelser og ikke fakta, og disse hendelsene vil enten inntreffe eller ikke inntreffe |
| Fuzzy Logic fanger betydningen av delvis sannhet | Sannsynlighetsteori fanger opp delvis kunnskap |
| Uklar logikk tar sannhetsgrader som matematisk grunnlag | Sannsynlighet er en matematisk modell for uvitenhet |
Så dette var noen av forskjellene mellom uklar logikk i AI og sannsynlighet. La oss nå se på noen av anvendelsene av denne logikken.
Anvendelser av Fuzzy Logic
Fuzzy-logikken brukes i forskjellige felt som bilsystemer, innenlandske varer, miljøkontroll, etc. Noen av de vanligste applikasjonene er:
Den brukes i luftfartsfelt til høydekontroll av romfartøy og satellitt.
hva er instanse i python
Dette styrer fart og trafikk i bilsystemer.
Den brukes til beslutningssystemer og personlig evaluering i storbedriftens virksomhet.
Det styrer også pH, tørking, kjemisk destillasjonsprosess i kjemisk industri .
Uklar logikk brukes i Naturlig språkbehandling og forskjellige intensive .
Det brukes mye i moderne kontrollsystemer slik som ekspertsystemer.
Fuzzy Logic etterligner hvordan en person ville ta beslutninger, bare mye raskere. Dermed kan du bruke den med Nevrale nettverk .
Dette var noen av de vanlige bruksområdene til Fuzzy Logic. La oss nå se på fordelene og ulempene ved å bruke Fuzzy Logic i AI.
Fordeler og ulemper ved Fuzzy Logic
Uklar logikk gir enkel resonnement som ligner menneskelig resonnement. Det er flere slike fordeler å bruke denne logikken, for eksempel:
Strukturen til Fuzzy Logic Systems er enkelt og forståelig
Fuzzy logikk er mye brukt til kommersiell og praktiske formål
Det hjelper deg å kontrollmaskiner og forbrukerprodukter
Det hjelper deg å takle usikkerhet innen ingeniørfag
For det meste robust som ingen presise innganger kreves
Hvis tilbakemeldingssensoren slutter å virke, kan du programmer det inn i situasjonen
Du kan enkelt endre det for å forbedre eller endre systemytelsen
Rimelige sensorer kan brukes som hjelper deg med å holde den totale systemkostnaden og kompleksiteten lav
Dette var de forskjellige fordelene med uklar logikk. Men det har noen ulemper også:
Fuzzy logikk er ikke alltid nøyaktig . Så resultatene oppfattes ut fra antakelser og er kanskje ikke allment akseptert
Den kan ikke gjenkjenne i tillegg til skriv mønstre
Validering og bekreftelse av et uklart kunnskapsbasert systembehov omfattende testing med maskinvare
Å sette nøyaktige, uklare regler og medlemsfunksjoner er en vanskelig oppgave
Noen ganger er den uklare logikken forvirret med sannsynlighetsteori
Dette var noen av fordelene og ulempene ved å bruke uklar logikk i AI. La oss nå ta et eksempel fra den virkelige verden og forstå hvordan denne logikken fungerer.
Fuzzy Logic in AI: Eksempel
Utformingen av et uklart logikksystem starter med et sett med medlemsfunksjoner for hver inngang og et sett for hver utgang. Et sett med regler blir deretter brukt på medlemsfunksjonene for å gi en skarp utgangsverdi. La oss ta et eksempel på prosesskontroll og forstå uklar logikk.
Trinn 1
Her, Temperatur er innspill og Viftehastighet er utdata. Du må opprette et sett med medlemsfunksjoner for hver inngang. En medlemsfunksjon er ganske enkelt en grafisk fremstilling av de uklare variabelsettene. For dette eksemplet vil vi bruke tre fuzzy sett, Kald, varm og Varmt . Vi oppretter deretter en medlemsfunksjon for hvert av de tre temperatursettene:
Steg 2
I neste trinn vil vi bruke tre fuzzy sett for utgangen, Sakte, middels og Fort . Et sett med funksjoner opprettes for hvert utgangssett, akkurat som for inngangssettene.
den nyeste teknologien innen kunstig intelligens
Trinn 3
Nå som vi har definert våre medlemsfunksjoner, kan vi lage regler som vil definere hvordan medlemsfunksjonene skal brukes på det endelige systemet. Vi vil lage tre regler for dette systemet.
- Hvis det er varmt så raskt
- Hvis det er varmt, så er det middels
- Og hvis det er kaldt så sakte
Disse reglene gjelder for medlemsfunksjonene for å produsere den skarpe utgangsverdien for å drive systemet. Dermed for en inngangsverdi på 52 grader , vi krysser medlemsfunksjonene. Her bruker vi to regler da krysset skjer på begge funksjonene. Du kan utvide skjæringspunktene til utgangsfunksjonene for å produsere et skjæringspunkt. Deretter kan du kutte av utgangsfunksjonene i høyden på skjæringspunktene.
Dette var en veldig enkel forklaring på hvordan de fuzzy logiske systemene fungerer. I et reelt fungerende system ville det være mange innganger og muligheten for flere utganger. Dette vil resultere i et ganske komplekst sett med funksjoner og mange flere regler.
Med dette har vi kommet til slutten av vår Fuzzy Logic in AI-artikkel. Jeg håper du forsto hva som er uklar logikk og hvordan den fungerer.
Sjekk også ut Kurset er kuratert av fagfolk i bransjen i henhold til bransjens krav og krav. Du vil mestre konseptene som SoftMax-funksjon, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) og jobbe med biblioteker som Keras & TFLearn. Kurset er spesielt kuratert av bransjeeksperter med sanntidsstudier.
Har du spørsmål til oss? Vennligst nevn det i kommentarfeltet i 'Fuzzy Logic in AI', så kommer vi tilbake til deg.