Co je fuzzy logika v AI a jaké jsou její aplikace?

V našem každodenním životě se můžeme potýkat se situacemi, kdy nejsme schopni určit, zda je stav pravdivý nebo nepravdivý. Fuzzy označuje něco, co je nejasné nebo vágní. Fuzzy Logic v AI poskytuje cennou flexibilitu pro uvažování. A v tomto článku se dozvíme o této logice a její implementaci v v následujícím pořadí:

• Co je to Fuzzy Logic?
• Proč používáme Fuzzy Logic?
• Architektura
• Funkce členství
• Fuzzy logika vs pravděpodobnost
• Aplikace fuzzy logiky
• Výhody nevýhody
• Fuzzy Logic in AI: Example

Co je to Fuzzy Logic?

Fuzzy Logic (FL) je metoda uvažování, která se podobá lidské uvažování . Tento přístup je podobný tomu, jak lidé provádějí rozhodování. A zahrnuje všechny mezilehlé možnosti mezi nimi ANO a NE .

The konvenční logický blok kterému počítač rozumí, přijímá přesný vstup a vytváří určitý výstup jako PRAVDA nebo NEPRAVDA, který je ekvivalentní ANO nebo NE lidské bytosti. Fuzzy logiku vynalezl Lotfi Zadeh kdo pozoroval, že na rozdíl od počítačů mají lidé různé možnosti mezi ANO a NE, například:

Fuzzy logika pracuje na úrovních možností vstupu, aby dosáhla určitého výstupu. Nyní hovoříme o implementaci této logiky:

• Může být implementován v systémech s různými velikostmi a schopnostmi, jako je mikrokontroléry, velké sítě nebo systémy založené na pracovních stanicích.

  
  
  

• Lze jej také implementovat v hardware, software nebo kombinace oba .

Proč používáme Fuzzy Logic?

Obecně používáme fuzzy logický systém pro komerční i praktické účely, jako například:

jak obrátit řetězce v pythonu

• To řídí stroje a spotřební zboží

• Pokud není přesné zdůvodnění, přinejmenším poskytuje přijatelné uvažování

• To pomáhá při jednání s nejistota ve strojírenství

Takže teď, když víte o fuzzy logice v AI a proč ji vlastně používáme, pojďme dál a pochopme architekturu této logiky.

Fuzzy logická architektura

Architektura fuzzy logiky se skládá ze čtyř hlavních částí:

• Pravidla - Obsahuje všechna pravidla a podmínky „if-then“, které odborníci nabízejí pro kontrolu rozhodovacího systému. Nedávná aktualizace fuzzy teorie poskytuje různé účinné metody pro návrh a ladění fuzzy regulátory . Tento vývoj obvykle snižuje počet fuzzy pravidel.

• Fuzzifikace - Tento krok převádí vstupy nebo ostrá čísla do fuzzy množin. Můžete měřit ostré vstupy pomocí senzorů a předávat je do kontrolní systém k dalšímu zpracování. Rozdělí vstupní signál do pěti kroků, například -

• Inference Engine - Určuje míru shody mezi fuzzy vstupem a pravidly. Podle vstupního pole rozhodne o pravidlech, která mají být spuštěna. Kombinací aktivovaných pravidel vytvořte kontrolní akce.

• Defuzzifikace - Proces defuzzifikace převádí fuzzy sady na ostrou hodnotu. K dispozici jsou různé typy technik a je třeba vybrat tu nejvhodnější s odborným systémem.

Jednalo se tedy o architekturu fuzzy logiky v AI. Pojďme pochopit funkci členství.

Funkce členství

Funkce členství je a graf který definuje, jak každý bod v vstupní prostor je mapována na hodnotu členství mezi 0 a 1. Umožňuje vám to kvantifikovat jazykové termíny a graficky představují fuzzy množinu. Funkce členství pro fuzzy množinu A ve vesmíru diskurzu X je definována jako & muA: X → [0,1]

Kvantifikuje stupeň příslušnosti prvku v X k fuzzy množině A.

• osa x představuje vesmír diskurzu.

• osa y představuje stupně členství v intervalu [0, 1].

K fuzzifikaci číselné hodnoty lze použít několik funkcí členství. Používají se jednoduché funkce členství, protože složité funkce nepřidávají na výstupu přesnost. Členství funguje pro LP, MP, S, MN a LN jsou:

Tvary trojúhelníkové tvary funkce členství jsou nejběžnější mezi různými jinými tvary funkcí členství. Zde se vstup do 5úrovňového fuzzifikátoru liší -10 voltů až +10 voltů . Proto se odpovídající výstup také změní.

Fuzzy logika vs pravděpodobnost

To tedy byly některé z rozdílů mezi fuzzy logikou v AI a pravděpodobností. Nyní se podívejme na některé z aplikací této logiky.

Aplikace fuzzy logiky

Fuzzy logika se používá v různých oblastech, jako jsou automobilové systémy, domácí zboží, řízení prostředí atd. Mezi běžné aplikace patří:

• Používá se v letecké pole pro ovládání nadmořské výšky kosmických lodí a satelitu.

• Tím se ovládá rychlost a provoz v automobilové systémy.

• Používá se pro systémy podpory rozhodování a osobní hodnocení v podnikání velkých společností.

• Rovněž řídí pH, sušení a proces chemické destilace v chemický průmysl .

• Fuzzy logika se používá v Zpracování přirozeného jazyka a různé intenzivní .

• To je široce používán v moderní řídicí systémy jako jsou expertní systémy.

• Fuzzy Logic napodobuje, jak by se člověk rozhodoval, jen mnohem rychleji. Můžete jej tedy použít s Neuronové sítě .

To byly některé z běžných aplikací Fuzzy Logic. Nyní se podívejme na výhody a nevýhody používání Fuzzy Logic v AI.

Výhody a nevýhody fuzzy logiky

Fuzzy logika poskytuje jednoduché uvažování podobné lidskému uvažování. Je jich více výhody použití této logiky, například:

• Struktura fuzzy logických systémů je snadné a srozumitelné

• Fuzzy logika je široce používána pro komerční a praktické účely

  co dělá formát v pythonu

• Pomůže vám to řídicí stroje a spotřební zboží

• Pomůže vám vypořádat se s nejistota ve strojírenství

• Většinou robustní protože nejsou nutné žádné přesné vstupy

• Pokud snímač zpětné vazby přestane fungovat, můžete naprogramujte to do situace

• Můžeš snadno upravit zlepšit nebo změnit výkon systému

• Levná čidla lze použít, což vám pomůže udržet nízké celkové náklady a složitost systému

To byly různé výhody fuzzy logiky. Ale má nějaké nevýhody také:

• Fuzzy logika je ne vždy přesné . Výsledky jsou tedy vnímány na základě předpokladů a nemusí být široce přijímány

• To nemůže rozpoznat stejně jako typové vzory

• Ověření a ověření potřeb fuzzy znalostního systému rozsáhlé testování s hardwarem

• Nastavení přesných, fuzzy pravidel a funkcí členství je a obtížný úkol

• Někdy je fuzzy logika zmatený s teorie pravděpodobnosti

To byly některé z výhod a nevýhod používání fuzzy logiky v AI. Pojďme si vzít příklad z reálného světa a pochopit fungování této logiky.

Fuzzy Logic in AI: Example

Návrh fuzzy logického systému začíná sadou funkcí členství pro každý vstup a sadou pro každý výstup. Sada pravidel se poté použije na funkce členství, aby se dosáhlo ostré výstupní hodnoty. Uveďme si příklad řízení procesu a pochopme fuzzy logiku.

který ide je nejlepší pro javu

Krok 1

Tady, Teplota je vstup a Rychlost ventilátoru je výstup. Pro každý vstup musíte vytvořit sadu funkcí členství. Funkce členství je jednoduše grafické znázornění sad fuzzy proměnných. V tomto příkladu použijeme tři fuzzy množiny, Studený teply a Horký . Poté vytvoříme funkci členství pro každou ze tří sad teplot:

Krok 2

V dalším kroku použijeme pro výstup tři fuzzy množiny, Pomalé, střední a Rychle . Pro každou výstupní sadu je vytvořena sada funkcí stejně jako pro vstupní sady.

Krok 3

Nyní, když máme definované naše členské funkce, můžeme vytvořit pravidla, která definují, jak budou členské funkce aplikovány na finální systém. Pro tento systém vytvoříme tři pravidla.

• Pokud je horko, pak rychle
• Pokud je teplý, pak střední
• A pokud je zima, pak pomalu

Tato pravidla se vztahují na funkce členství k produkci ostré výstupní hodnoty pro řízení systému. Tedy pro vstupní hodnotu 52 stupňů , protínáme členské funkce. Zde aplikujeme dvě pravidla, protože křižovatka se vyskytuje u obou funkcí. Průsečíky můžete rozšířit na výstupní funkce a vytvořit tak průsečík. Potom můžete výstupní funkce zkrátit ve výšce protínajících se bodů.

Toto bylo velmi jednoduché vysvětlení, jak fungují fuzzy logické systémy. Ve skutečném fungujícím systému by existovalo mnoho vstupů a možnost několika výstupů. Výsledkem by byla poměrně složitá sada funkcí a mnoho dalších pravidel.

Tím jsme se dostali na konec našeho článku Fuzzy Logic in AI. Doufám, že jste pochopili, co je fuzzy logika a jak funguje.

Podívejte se také na Kurz je kurátorem profesionálů v oboru podle požadavků a požadavků odvětví. Osvojíte si pojmy jako funkce SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) a pracujete s knihovnami jako Keras & TFLearn. Kurz byl speciálně připraven odborníky z oboru s případovými studiemi v reálném čase.

Máte na nás dotaz? Uveďte to prosím v sekci komentářů „Fuzzy Logic in AI“ a my se vám ozveme.