Mi az Fuzzy Logic az AI-ben és mik az alkalmazásai?

A Fuzzy Logic az AI-ben egy érvelési módszer. Ez a megközelítés hasonló ahhoz, ahogyan az emberek végzik a döntéshozatalt, és minden lehetőséget magában foglal az igen és a nem között.

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?

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 .



fuzzy logic - fuzzy logika az AI-ben - edureka

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:

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 jelentésétA valószínűségelmélet megragadja a részleges ismereteket
A fuzzy logika az igazság fokozatait veszi matematikai alapkéntA 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.