In ons dagelijks leven kunnen we situaties tegenkomen waarin we niet kunnen bepalen of de toestand waar of niet waar is. Fuzzy verwijst naar iets dat onduidelijk of vaag is. Fuzzy Logic in AI biedt waardevolle flexibiliteit om te redeneren. En in dit artikel leren we over deze logica en de implementatie ervan in in de volgende volgorde:
- Wat is Fuzzy Logic?
- Waarom gebruiken we Fuzzy Logic?
- Architectuur
- Lidmaatschap functie
- Fuzzy Logic versus waarschijnlijkheid
- Toepassingen van Fuzzy Logic
- Voordelen nadelen
- Fuzzy Logic in AI: voorbeeld
Wat is Fuzzy Logic?
Fuzzy Logic (FL) is een redeneermethode die lijkt op menselijke redenering . Deze benadering is vergelijkbaar met hoe mensen besluitvorming uitvoeren. En het omvat alle tussenliggende mogelijkheden tussen JA en NEE .
De conventioneel logisch blok dat een computer begrijpt, neemt nauwkeurige input en produceert een duidelijke output als WAAR of ONWAAR, wat gelijk is aan het JA of NEE van een mens. De Fuzzy-logica is uitgevonden door Lotfi Zadeh die opmerkten dat mensen, in tegenstelling tot computers, verschillende mogelijkheden hebben tussen JA en NEE, zoals:
De Fuzzy-logica werkt op de niveaus van de invoermogelijkheden om een bepaalde uitvoer te bereiken. Nu we het hebben over de implementatie van deze logica:
Het kan worden geïmplementeerd in systemen met verschillende afmetingen en mogelijkheden, zoals microcontrollers, groot netwerk of op werkstations gebaseerde systemen.
Het kan ook worden geïmplementeerd in hardware software of een combinatie van beide .
Waarom gebruiken we Fuzzy Logic?
Over het algemeen gebruiken we het fuzzy logic-systeem voor zowel commerciële als praktische doeleinden, zoals:
Het bestuurt machines en consumentenproducten
Als het geen nauwkeurige redenering is, biedt het in ieder geval aanvaardbare redenering
Dit helpt bij het omgaan met de onzekerheid in engineering
Dus nu u weet wat Fuzzy logic in AI is en waarom we het eigenlijk gebruiken, gaan we verder en de architectuur van deze logica begrijpen.
Fuzzy Logic-architectuur
De fuzzy logic-architectuur bestaat uit vier hoofdonderdelen:
hashmap-implementatie in java-voorbeeld
Reglement - Het bevat alle regels en de als-dan-voorwaarden die de experts bieden om het besluitvormingssysteem te beheersen. De recente update in de fuzzy-theorie biedt verschillende effectieve methoden voor het ontwerpen en afstemmen van fuzzy controllers . Meestal verminderen deze ontwikkelingen het aantal vage regels.
Vervaging - Deze stap zet invoer of de scherpe getallen om in vage sets. U kunt de scherpe inputs meten door sensoren en deze doorgeven aan de controle systeem voor verdere verwerking. Het splitst het ingangssignaal in vijf stappen, zoals:
Inferentiemachine - Het bepaalt de mate van overeenkomst tussen fuzzy input en de regels. Volgens het invoerveld bepaalt het de regels die moeten worden geactiveerd. Combineer de ontslagen regels en vorm de controleacties.
Defuzzificatie - Het Defuzzification-proces zet de vage sets om in een scherpe waarde. Er zijn verschillende soorten technieken beschikbaar en u moet de meest geschikte kiezen met een expertsysteem.
Dit ging dus over de architectuur van fuzzy logic in AI. Laten we nu eens kijken naar de lidmaatschapsfunctie.
Lidmaatschap functie
De lidmaatschapsfunctie is een grafiek dat bepaalt hoe elk punt in de invoerruimte wordt toegewezen aan een lidmaatschapswaarde tussen 0 en 1. Hiermee kunt u taalkundige termen kwantificeren en grafisch een vage set voorstellen. Een lidmaatschapsfunctie voor een fuzzy set A in de wereld van discours X wordt gedefinieerd als & muA: X → [0.1]
Het kwantificeert de mate van lidmaatschap van het element in X tot de fuzzy set A.
x-as vertegenwoordigt het universum van discours.
y-as vertegenwoordigt de graden van lidmaatschap in het [0, 1] -interval.
Er kunnen meerdere lidmaatschapsfuncties van toepassing zijn om een numerieke waarde te vervagen. Er worden eenvoudige lidmaatschapsfuncties gebruikt omdat de complexe functies geen precisie in de uitvoer toevoegen. Het lidmaatschap functioneert voor LP, MP, S, MN en LN zijn:
De driehoekige lidmaatschapsfunctievormen komen het meest voor onder verschillende andere lidmaatschapsfunctievormen. Hier varieert de input tot 5-level fuzzifier van -10 volt tot +10 volt . Daarom verandert ook de bijbehorende output.
Fuzzy Logic versus waarschijnlijkheid
Fuzzy Logic | Waarschijnlijkheid |
In vage logica proberen we in feite het essentiële concept van vaagheid te vatten. | Waarschijnlijkheid wordt geassocieerd met gebeurtenissen en niet met feiten, en die gebeurtenissen zullen al dan niet plaatsvinden |
Fuzzy Logic legt de betekenis van gedeeltelijke waarheid vast | Kansrekening omvat gedeeltelijke kennis |
Fuzzy logic neemt waarheidsgraden als wiskundige basis | Waarschijnlijkheid is een wiskundig model van onwetendheid |
Dit waren dus enkele van de verschillen tussen fuzzy logic in AI en waarschijnlijkheid. Laten we nu eens kijken naar enkele van de toepassingen van deze logica.
Toepassingen van Fuzzy Logic
De Fuzzy-logica wordt op verschillende gebieden gebruikt, zoals autosystemen, huishoudelijke goederen, omgevingscontrole, enz. Enkele veel voorkomende toepassingen zijn:
Het wordt gebruikt in de ruimtevaart veld voor hoogtecontrole van ruimtevaartuigen en satelliet.
Dit regelt het snelheid en verkeer in de automotive systemen.
Je gebruikt het voor ondersteunende systemen voor besluitvorming en persoonlijke evaluatie bij grote bedrijven.
Het regelt ook de pH, het drogen, het chemische destillatieproces in de chemische industrie .
Fuzzy logic wordt gebruikt in Natuurlijke taalverwerking en diverse intensieve .
Het wordt veel gebruikt in moderne controlesystemen zoals expertsystemen.
Fuzzy Logic bootst na hoe een persoon beslissingen zou nemen, maar dan veel sneller. U kunt het dus gebruiken met Neurale netwerken .
Dit waren enkele van de meest voorkomende toepassingen van de Fuzzy Logic. Laten we nu eens kijken naar de voor- en nadelen van het gebruik van Fuzzy Logic in AI.
Voordelen en nadelen van Fuzzy Logic
Fuzzy logic biedt een eenvoudige redenering, vergelijkbaar met menselijke redenering. Er zijn er meer voordelen om deze logica te gebruiken, zoals:
De structuur van Fuzzy Logic Systems is gemakkelijk en begrijpelijk
Fuzzy logic wordt veel gebruikt voor reclame en Praktische doelen
Het helpt je daarbij controle machines en consumentenproducten
Het helpt je om te gaan met de onzekerheid in engineering
Meestal robuust omdat er geen precieze invoer vereist is
Als de feedbacksensor niet meer werkt, kan dat programmeer het in de situatie
Jij kan gemakkelijk aan te passen het om de systeemprestaties te verbeteren of te wijzigen
chef is een orkestratietool
Goedkope sensoren kan worden gebruikt, wat u helpt om de totale systeemkosten en complexiteit laag te houden
Dit waren de verschillende voordelen van fuzzy logic. Maar het heeft er een paar nadelen ook:
Fuzzy logic is niet altijd nauwkeurig . De resultaten worden dus waargenomen op basis van aannames en worden mogelijk niet algemeen aanvaard
Het kan niet herkennen net zoals typ patronen
Validatie en verificatie van een vage, op kennis gebaseerde systeembehoeften uitgebreide testen met hardware
Het instellen van exacte, vage regels en lidmaatschapsfuncties is een moeilijke opdracht
Soms is de vage logica verward met waarschijnlijkheids theorie
Dit waren dus enkele van de voor- en nadelen van het gebruik van fuzzy logic in AI. Laten we nu een voorbeeld uit de echte wereld nemen en de werking van deze logica begrijpen.
Fuzzy Logic in AI: voorbeeld
Het ontwerp van een fuzzy logic-systeem begint met een set lidmaatschapsfuncties voor elke ingang en een set voor elke uitgang. Een set regels wordt vervolgens toegepast op de lidmaatschapsfuncties om een scherpe outputwaarde te verkrijgen. Laten we een voorbeeld nemen van procescontrole en fuzzy logic begrijpen.
Stap 1
Hier, Temperatuur is de input en Ventilator snelheid is de output. U moet voor elke invoer een set lidmaatschapsfuncties maken. Een lidmaatschapsfunctie is gewoon een grafische weergave van de fuzzy-variabelensets. Voor dit voorbeeld gebruiken we drie fuzzy-sets, Koud warm en Heet . We zullen dan een lidmaatschapsfunctie maken voor elk van de drie temperatuursets:
Stap 2
In de volgende stap zullen we drie fuzzy-sets gebruiken voor de uitvoer, Langzaam, gemiddeld en Snel . Voor elke outputset wordt een set functies aangemaakt, net als voor de inputsets.
Stap 3
Nu we onze lidmaatschapsfuncties hebben gedefinieerd, kunnen we de regels maken die bepalen hoe de lidmaatschapsfuncties worden toegepast op het uiteindelijke systeem. Voor dit systeem maken we drie regels.
- Als Heet dan Snel
- Indien warm dan gemiddeld
- En als het koud is, dan is het langzaam
Deze regels zijn van toepassing op de lidmaatschapsfuncties om de scherpe outputwaarde te produceren om het systeem aan te sturen. Dus voor een invoerwaarde van 52 graden , kruisen we de lidmaatschapsfuncties. Hier passen we twee regels toe, aangezien de kruising op beide functies voorkomt. U kunt de snijpunten uitbreiden naar de uitvoerfuncties om een snijpunt te produceren. U kunt dan de uitvoerfuncties afkappen ter hoogte van de kruispunten.
Dit was een heel eenvoudige uitleg van hoe de fuzzy logic-systemen werken. In een echt werkend systeem zouden er veel inputs zijn en de mogelijkheid van meerdere outputs. Dit zou resulteren in een vrij complexe set functies en veel meer regels.
Hiermee zijn we aan het einde gekomen van ons Fuzzy Logic in AI-artikel. Ik hoop dat je begreep wat vage logica is en hoe het werkt.
Bekijk ook het De cursus wordt samengesteld door professionals uit de industrie volgens de vereisten en eisen van de branche. Je beheerst de concepten zoals SoftMax-functie, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) en werkt met bibliotheken zoals Keras en TFLearn. De cursus is speciaal samengesteld door experts uit de industrie met real-time casestudy's.
Heeft u een vraag voor ons? Vermeld het in het commentaargedeelte van 'Fuzzy Logic in AI' en we nemen zo snel mogelijk contact met u op.