U našem svakodnevnom životu mogli bismo se suočiti sa situacijama u kojima nismo u mogućnosti utvrditi je li stanje istinito ili lažno. Nejasno se odnosi na nešto što je nejasno ili nejasno. Fuzzy Logic u AI pruža dragocjenu fleksibilnost za zaključivanje. I u ovom ćemo članku naučiti o ovoj logici i njezinoj primjeni u sustavu u slijedećem slijedu:
- Što je nejasna logika?
- Zašto koristimo Fuzzy Logic?
- Arhitektura
- Funkcija članstva
- Nejasna logika vs vjerojatnost
- Primjene nejasne logike
- Prednosti mane
- Nejasna logika u AI: Primjer
Što je nejasna logika?
Mutna logika (FL) je metoda obrazloženja koja sliči ljudsko rasuđivanje . Ovaj pristup sličan je načinu na koji ljudi provode donošenje odluka. I uključuje sve posredne mogućnosti između DA i NE .
The konvencionalni logički blok koje računalo razumije, uzima precizan unos i daje određeni izlaz kao TRUE ili FALSE, što je ekvivalent DA ili NE čovjeka. Fuzzy logiku izumio je Lotfi Zadeh koji su primijetili da za razliku od računala, ljudi imaju različite mogućnosti između DA i NE, kao što su:
Fuzzy logika djeluje na razinama mogućnosti unosa kako bi se postigao određeni izlaz. Sada, razgovarajući o provedbi ove logike:
Može se implementirati u sustave različitih veličina i mogućnosti kao što su mikrokontroleri, veliki umreženi ili sustavi temeljeni na radnim stanicama.
Također, može se implementirati u Hardver softver ili kombinacija oba .
Zašto koristimo Fuzzy Logic?
Općenito, sustav nejasne logike koristimo u komercijalne i praktične svrhe kao što su:
To upravlja strojevima i potrošački proizvodi
Ako nije točno obrazloženje, ono barem pruža prihvatljivo obrazloženje
To pomaže u rješavanju nesigurnost u inženjerstvu
Dakle, sada kad znate za Fuzzy logiku u AI i zašto je zapravo koristimo, krenimo dalje i shvatimo arhitekturu ove logike.
Fuzzy Logic Arhitektura
Nejasna logička arhitektura sastoji se od četiri glavna dijela:
Pravila - Sadrži sva pravila i ako ih tada nude uvjeti stručnjaka za kontrolu sustava donošenja odluka. Nedavno ažuriranje u nejasnoj teoriji pruža različite učinkovite metode za dizajn i podešavanje nejasne kontrolere . Obično ti događaji smanjuju broj nejasnih pravila.
Fuzzifikacija - Ovaj korak pretvara ulaze ili svježe brojeve u nejasne skupove. Možete izmjeriti oštre ulaze pomoću senzora i proslijediti ih u kontrolni sustav za daljnju obradu. Ulazni signal dijeli na pet koraka kao što su-
Inference Engine - Određuje stupanj podudaranja između nejasnih unosa i pravila. Prema polju za unos, odlučit će o pravilima koja će se aktivirati. Kombinirajući otpuštena pravila, formirajte kontrolne akcije.
Otuživanje - Proces defuzzifikacije pretvara nejasne skupove u oštru vrijednost. Dostupne su različite vrste tehnika, a sa stručnim sustavom morate odabrati onu koja najbolje odgovara.
Dakle, ovdje se radilo o arhitekturi nejasne logike u AI. Sada, shvatimo funkciju članstva.
Funkcija članstva
Funkcija članstva je a graf koja definira kako će svaka točka u ulazni prostor preslikava se na vrijednost članstva između 0 i 1. Omogućuje vam kvantificirati jezične pojmove a grafički predstavljaju nejasan skup. Funkcija članstva za nejasni skup A u svemiru diskursa X definira se kao & muA: X → [0,1]
Kvantificira stupanj pripadnosti elementa u X nejasnom skupu A.
x-os predstavlja svemir diskursa.
os y predstavlja stupnjeve članstva u intervalu [0, 1].
Za fuzzifikaciju numeričke vrijednosti može se primijeniti više funkcija članstva. Koriste se jednostavne funkcije članstva jer složene funkcije ne dodaju preciznost u izlazu. Funkcije članstva za LP, MP, S, MN i LN su:
Trokutasti oblici funkcije članstva najčešći su među raznim drugim oblicima funkcija članstva. Ovdje se ulaz u fuzzifier od 5 razina razlikuje -10 volti do +10 volti . Stoga se odgovarajući izlaz također mijenja.
Nejasna logika vs vjerojatnost
| Mutna logika | Vjerojatnost |
| U nejasnoj logici u osnovi pokušavamo uhvatiti bitni koncept neodređenosti. | Vjerojatnost je povezana s događajima, a ne s činjenicama, a ti događaji će se ili dogoditi ili se neće dogoditi |
| Fuzzy Logic bilježi značenje djelomične istine | Teorija vjerojatnosti obuhvaća djelomično znanje |
| Nejasna logika uzima stupnjeve istine kao matematičku osnovu | Vjerojatnost je matematički model neznanja |
Dakle, to su bile neke od razlika između nejasne logike u AI i vjerojatnosti. Pogledajmo sada neke od primjena ove logike.
Primjene nejasne logike
Fuzzy logika koristi se u raznim poljima kao što su automobilski sustavi, domaća roba, kontrola okoliša itd. Neke od uobičajenih primjena su:
Koristi se u zrakoplovno polje za kontrola nadmorske visine svemirskih letjelica i satelita.
Ovo kontrolira brzina i promet u automobilski sustavi.
Koristi se za sustavi potpore donošenju odluka i osobna procjena u poslovanju velike tvrtke.
Također kontrolira pH, sušenje, postupak kemijske destilacije u kemijska industrija .
U sustavu se koristi nejasna logika Obrada prirodnog jezika i razne intenzivne .
Intenzivno se koristi u suvremeni sustavi upravljanja kao što su ekspertni sustavi.
Fuzzy Logic oponaša način na koji bi osoba donosila odluke, samo puno brže. Dakle, možete ga koristiti sa Neuronske mreže .
Ovo su bile neke od uobičajenih primjena Fuzzy Logic. Pogledajmo sada prednosti i nedostatke upotrebe Fuzzy Logic u AI.
Prednosti i nedostaci neizrazite logike
Nejasna logika pruža jednostavno zaključivanje slično ljudskom. Takvih je još prednosti korištenja ove logike, kao što su:
Struktura nejasnih logičkih sustava je lako i razumljivo
Nejasna logika se široko koristi za komercijalni i praktične svrhe
To vam pomaže upravljački strojevi i potrošačke proizvode
Pomaže vam u suočavanju s nesigurnost u inženjerstvu
Uglavnom robustan jer nisu potrebni precizni unosi
Ako senzor povratnih informacija prestane raditi, možete programirati ga u situaciju
Možeš lako modificirati to za poboljšanje ili promjenu performansi sustava
Jeftini senzori može se koristiti što vam pomaže u održavanju ukupnih troškova i složenosti sustava na niskom nivou
To su bile različite prednosti neizrazite logike. Ali, ima neke nedostaci također:
Nejasna logika je nije uvijek točna . Dakle, rezultati se percipiraju na temelju pretpostavki i možda neće biti široko prihvaćeni
To ne mogu prepoznati kao i tipski obrasci
Provjera valjanosti i provjera nejasnih potreba sustava utemeljenih na znanju opsežno testiranje s hardverom
logistic regresija python primjer koda
Postavljanje točnih, nejasnih pravila i funkcija članstva je težak zadatak
Ponekad je nejasna logika zbunjen s teorija vjerojatnosti
Dakle, to su bile neke od prednosti i nedostataka korištenja neizrazite logike u AI. Uzmimo sada primjer iz stvarnog svijeta i shvatimo kako funkcionira ova logika.
Nejasna logika u AI: Primjer
Dizajn nejasnog logičkog sustava započinje skupom funkcija članstva za svaki ulaz i skupom za svaki izlaz. Skup pravila se zatim primjenjuje na funkcije članstva dajući oštru izlaznu vrijednost. Uzmimo primjer upravljanja procesima i razumijemo nejasnu logiku.
Korak 1
Ovdje, Temperatura je ulaz i Brzina ventilatora je izlaz. Za svaki ulaz morate stvoriti skup funkcija za članstvo. Funkcija članstva jednostavno je grafički prikaz nejasnih skupova varijabli. Za ovaj ćemo primjer upotrijebiti tri nejasna skupa, Hladno, Toplo i Vruće . Zatim ćemo stvoriti funkciju članstva za svaki od tri seta temperature:
Korak 2
U sljedećem ćemo koraku za izlaz koristiti tri nejasna skupa, Polako, srednje i Brzo . Skup funkcija se kreira za svaki izlazni skup baš kao i za ulazne skupove.
3. korak
Sad kad smo definirali svoje funkcije članstva, možemo stvoriti pravila koja će definirati kako će se funkcije članstva primijeniti na konačni sustav. Stvorit ćemo tri pravila za ovaj sustav.
- Ako je vruće onda brzo
- Ako je toplo onda srednje
- A ako je hladno onda polako
Ova se pravila primjenjuju na funkcije članstva kako bi proizvele oštru izlaznu vrijednost za pogon sustava. Dakle, za ulaznu vrijednost od 52 stupnja , presiječemo funkcije članstva. Ovdje primjenjujemo dva pravila jer se presijecanje događa na obje funkcije. Točke presijecanja možete proširiti na izlazne funkcije da biste stvorili točku presijecanja. Zatim možete isjeći izlazne funkcije na visini točaka koje se sijeku.
Ovo je bilo vrlo jednostavno objašnjenje kako funkcioniraju nejasni logički sustavi. U stvarnom radnom sustavu bilo bi mnogo ulaza i mogućnost nekoliko izlaza. To bi rezultiralo prilično složenim skupom funkcija i mnogim drugim pravilima.
Ovime smo došli do kraja našeg članka o Fuzzy Logic u AI. Nadam se da ste razumjeli što je to neizrazita logika i kako ona funkcionira.
Također, pogledajte Tečaj pripremaju profesionalci u industriji prema industrijskim zahtjevima i zahtjevima. Svladati ćete koncepte kao što su SoftMax funkcija, Neuronske mreže automatskog kodiranja, Ograničeni Boltzmannov stroj (RBM) i raditi s bibliotekama poput Kerasa i TFLearna. Tečaj su posebno pripremili industrijski stručnjaci sa studijama slučajeva u stvarnom vremenu.
Imate pitanje za nas? Molimo vas da ga spominjete u odjeljku za komentare 'Fuzzy Logic in AI', a mi ćemo vam se javiti.