In unserem täglichen Leben können wir Situationen gegenüberstehen, in denen wir nicht feststellen können, ob der Zustand wahr oder falsch ist. Fuzzy bezieht sich auf etwas, das unklar oder vage ist. Fuzzy Logic in AI bietet wertvolle Flexibilität für das Denken. In diesem Artikel erfahren Sie mehr über diese Logik und ihre Implementierung in in der folgenden Reihenfolge:
- Was ist Fuzzy Logic?
- Warum verwenden wir Fuzzy Logic?
- Die Architektur
- Mitgliedschaftsfunktion
- Fuzzy Logic vs Wahrscheinlichkeit
- Anwendungen von Fuzzy Logic
- Vorteile Nachteile
- Fuzzy Logic in AI: Beispiel
Was ist Fuzzy Logic?
Fuzzy Logic (FL) ist eine ähnliche Argumentationsmethode menschliches Denken . Dieser Ansatz ähnelt der Art und Weise, wie Menschen Entscheidungen treffen. Und es beinhaltet alle Zwischenmöglichkeiten dazwischen JA und NEIN .
Das herkömmlicher Logikblock dass ein Computer versteht, nimmt präzise Eingaben entgegen und erzeugt eine bestimmte Ausgabe als WAHR oder FALSCH, was dem JA oder NEIN eines Menschen entspricht. Die Fuzzy-Logik wurde von erfunden Lotfi Zadeh die beobachteten, dass Menschen im Gegensatz zu Computern unterschiedliche Möglichkeiten zwischen JA und NEIN haben, wie zum Beispiel:
Die Fuzzy-Logik arbeitet mit den Ebenen der Eingabemöglichkeiten, um eine bestimmte Ausgabe zu erzielen. Sprechen wir nun über die Implementierung dieser Logik:
Es kann in Systemen mit unterschiedlichen Größen und Fähigkeiten implementiert werden, wie z Mikrocontroller, groß vernetzt oder Workstation-basierte Systeme.
Es kann auch in implementiert werden Hardware Software oder eine Kombination von beide .
So erstellen Sie ein Objektarray in Java
Warum verwenden wir Fuzzy Logic?
Im Allgemeinen verwenden wir das Fuzzy-Logik-System sowohl für kommerzielle als auch für praktische Zwecke wie:
Es steuert Maschinen und Verbraucherprodukte
Wenn nicht genau argumentiert, liefert es zumindest akzeptable Argumentation
Dies hilft beim Umgang mit dem Unsicherheit in der Technik
Nachdem Sie nun die Fuzzy-Logik in der KI kennen und wissen, warum wir sie tatsächlich verwenden, wollen wir die Architektur dieser Logik verstehen.
Fuzzy-Logik-Architektur
Die Fuzzy-Logik-Architektur besteht aus vier Hauptteilen:
Regeln - Es enthält alle Regeln und Wenn-Dann-Bedingungen, die von den Experten zur Kontrolle des Entscheidungsfindungssystems angeboten werden. Das jüngste Update in der Fuzzy-Theorie bietet verschiedene effektive Methoden für das Design und die Abstimmung von Fuzzy-Controller . Normalerweise reduzieren diese Entwicklungen die Anzahl der Fuzzy-Regeln.
Fuzzifizierung - Dieser Schritt konvertiert Eingaben oder die knackigen Zahlen in Fuzzy-Sets. Sie können die gestochen scharfen Eingaben mit Sensoren messen und an die weiterleiten Kontrollsystem zur Weiterverarbeitung. Es teilt das Eingangssignal in fünf Schritte auf, wie z.
Inferenz-Engine - Er bestimmt den Übereinstimmungsgrad zwischen der Fuzzy-Eingabe und den Regeln. Entsprechend dem Eingabefeld entscheidet es, welche Regeln ausgelöst werden sollen. Kombinieren Sie die ausgelösten Regeln und bilden Sie die Kontrollaktionen.
Defuzzifizierung - Der Defuzzifizierungsprozess konvertiert die Fuzzy-Sets in einen gestochen scharfen Wert. Es stehen verschiedene Arten von Techniken zur Verfügung, und Sie müssen die am besten geeignete mit einem Expertensystem auswählen.
Es ging also um die Architektur der Fuzzy-Logik in der KI. Lassen Sie uns nun die Zugehörigkeitsfunktion verstehen.
Mitgliedschaftsfunktion
Die Zugehörigkeitsfunktion ist a Graph das definiert, wie jeder Punkt in der Eingaberaum wird einem Mitgliedschaftswert zwischen 0 und 1 zugeordnet sprachliche Begriffe quantifizieren und stellen eine Fuzzy-Menge grafisch dar. Eine Zugehörigkeitsfunktion für eine Fuzzy-Menge A im Universum des Diskurses X ist definiert als & muA: X → [0,1]
Es quantifiziert den Zugehörigkeitsgrad des Elements in X zur Fuzzy-Menge A.
x-Achse repräsentiert das Universum des Diskurses.
y-Achse repräsentiert den Grad der Zugehörigkeit im Intervall [0, 1].
Es können mehrere Zugehörigkeitsfunktionen vorhanden sein, um einen numerischen Wert zu verwirren. Einfache Zugehörigkeitsfunktionen werden verwendet, da die komplexen Funktionen die Ausgabe nicht präziser machen. Die Mitgliedschaft funktioniert für LP, MP, S, MN und LN sind:
Die dreieckigen Zugehörigkeitsfunktionsformen sind unter verschiedenen anderen Zugehörigkeitsfunktionsformen am häufigsten. Hier variiert die Eingabe zum 5-Level-Fuzzifier von -10 Volt bis +10 Volt . Daher ändert sich auch die entsprechende Ausgabe.
Fuzzy Logic vs Wahrscheinlichkeit
| Fuzzy Logic | Wahrscheinlichkeit |
| In der Fuzzy-Logik versuchen wir grundsätzlich, das wesentliche Konzept der Unbestimmtheit zu erfassen. | Die Wahrscheinlichkeit ist mit Ereignissen und nicht mit Fakten verbunden, und diese Ereignisse treten entweder auf oder nicht |
| Fuzzy Logic erfasst die Bedeutung der partiellen Wahrheit | Die Wahrscheinlichkeitstheorie erfasst Teilwissen |
| Die Fuzzy-Logik verwendet Wahrheitsgrade als mathematische Grundlage | Wahrscheinlichkeit ist ein mathematisches Modell der Unwissenheit |
Dies waren also einige der Unterschiede zwischen der Fuzzy-Logik in der KI und der Wahrscheinlichkeit. Schauen wir uns nun einige Anwendungen dieser Logik an.
Anwendungen von Fuzzy Logic
Die Fuzzy-Logik wird in verschiedenen Bereichen wie Automobilsystemen, Haushaltswaren, Umgebungskontrolle usw. verwendet. Einige der gängigen Anwendungen sind:
Es wird in der verwendet Luft- und Raumfahrt zum Höhenkontrolle von Raumfahrzeugen und Satelliten.
Dies steuert die Geschwindigkeit und Verkehr in dem Automobilsysteme.
Es wird genutzt für Entscheidungsunterstützungssysteme und persönliche Bewertung im Großunternehmen.
Es steuert auch den pH-Wert, das Trocknen und den chemischen Destillationsprozess in der Chemieindustrie .
Fuzzy-Logik wird in verwendet Verarbeitung natürlicher Sprache und verschiedene intensive .
Es wird ausgiebig in verwendet moderne Steuerungssysteme wie Expertensysteme.
Fuzzy Logic ahmt nach, wie eine Person Entscheidungen treffen würde, nur viel schneller. Somit können Sie es mit verwenden Neuronale Netze .
Dies waren einige der gängigen Anwendungen der Fuzzy-Logik. Schauen wir uns nun die Vor- und Nachteile der Verwendung von Fuzzy Logic in AI an.
Vor- und Nachteile von Fuzzy Logic
Die Fuzzy-Logik bietet einfaches Denken ähnlich dem menschlichen Denken. Es gibt mehr solche Vorteile der Verwendung dieser Logik, wie zum Beispiel:
Die Struktur von Fuzzy Logic Systems ist einfach und verständlich
Konvertieren eines Strings in ein Datum in Java
Fuzzy-Logik ist weit verbreitet für kommerziell und praktische Zwecke
Es hilft dir dabei Kontrollmaschinen und Konsumgüter
Es hilft Ihnen, mit dem umzugehen Unsicherheit in der Technik
Meistens robust da keine genauen Eingaben erforderlich sind
Wenn der Rückkopplungssensor nicht mehr funktioniert, können Sie programmiere es in die Situation
Sie können leicht zu ändern es, um die Systemleistung zu verbessern oder zu ändern
Preiswerte Sensoren kann verwendet werden, um die Gesamtsystemkosten und die Komplexität niedrig zu halten
Dies waren die verschiedenen Vorteile der Fuzzy-Logik. Aber es hat einige Nachteile auch:
Fuzzy-Logik ist nicht immer genau . Die Ergebnisse werden daher auf der Grundlage von Annahmen wahrgenommen und möglicherweise nicht allgemein akzeptiert
Es kann nicht erkennen ebenso gut wie Muster eingeben
Validierung und Verifikation eines unscharfen wissensbasierten Systembedarfs umfangreiche Tests mit Hardware
Das Festlegen genauer, unscharfer Regeln und Zugehörigkeitsfunktionen ist a schwierige Aufgabe
Manchmal ist die Fuzzy-Logik verwirrt mit Wahrscheinlichkeitstheorie
Jenkins gegen Marionette gegen Koch
Dies waren einige der Vor- und Nachteile der Verwendung von Fuzzy-Logik in der KI. Nehmen wir nun ein Beispiel aus der Praxis und verstehen die Funktionsweise dieser Logik.
Fuzzy Logic in AI: Beispiel
Der Entwurf eines Fuzzy-Logik-Systems beginnt mit einer Reihe von Zugehörigkeitsfunktionen für jeden Eingang und einer Reihe für jeden Ausgang. Ein Satz von Regeln wird dann auf die Zugehörigkeitsfunktionen angewendet, um einen klaren Ausgabewert zu erhalten. Nehmen wir ein Beispiel für die Prozesssteuerung und verstehen die Fuzzy-Logik.
Schritt 1
Hier, Temperatur ist die Eingabe und Lüftergeschwindigkeit ist die Ausgabe. Sie müssen für jede Eingabe eine Reihe von Zugehörigkeitsfunktionen erstellen. Eine Zugehörigkeitsfunktion ist einfach eine grafische Darstellung der Fuzzy-Variablensätze. In diesem Beispiel werden drei Fuzzy-Mengen verwendet. Kalt Warm und Heiß . Wir werden dann eine Zugehörigkeitsfunktion für jeden der drei Temperatursätze erstellen:
Schritt 2
Im nächsten Schritt werden wir drei Fuzzy-Sets für die Ausgabe verwenden: Langsam, mittel und Schnell . Für jeden Ausgabesatz wird ebenso wie für die Eingabesätze eine Reihe von Funktionen erstellt.
Schritt 3
Nachdem wir unsere Zugehörigkeitsfunktionen definiert haben, können wir die Regeln erstellen, die definieren, wie die Zugehörigkeitsfunktionen auf das endgültige System angewendet werden. Wir werden drei Regeln für dieses System erstellen.
- Wenn heiß, dann schnell
- Wenn warm, dann mittel
- Und wenn kalt, dann langsam
Diese Regeln gelten für die Zugehörigkeitsfunktionen, um den gestochen scharfen Ausgabewert für das System zu erzeugen. Somit ist für einen Eingabewert von 52 Grad Wir überschneiden die Zugehörigkeitsfunktionen. Hier wenden wir zwei Regeln an, da der Schnittpunkt bei beiden Funktionen auftritt. Sie können die Schnittpunkte auf die Ausgabefunktionen erweitern, um einen Schnittpunkt zu erstellen. Sie können dann die Ausgabefunktionen auf der Höhe der Schnittpunkte abschneiden.
Dies war eine sehr einfache Erklärung für die Funktionsweise der Fuzzy-Logik-Systeme. In einem realen Arbeitssystem gäbe es viele Eingänge und die Möglichkeit mehrerer Ausgänge. Dies würde zu einem ziemlich komplexen Satz von Funktionen und vielen weiteren Regeln führen.
Damit sind wir am Ende unseres Artikels über Fuzzy Logic in AI angelangt. Ich hoffe, Sie haben verstanden, was Fuzzy-Logik ist und wie sie funktioniert.
Schauen Sie sich auch die Der Kurs wird von Branchenfachleuten gemäß den Anforderungen und Anforderungen der Branche kuratiert. Sie beherrschen die Konzepte wie SoftMax-Funktion, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) und arbeiten mit Bibliotheken wie Keras & TFLearn. Der Kurs wurde speziell von Branchenexperten mit Echtzeit-Fallstudien kuratiert.
Hast du eine Frage an uns? Bitte erwähnen Sie es in den Kommentaren von 'Fuzzy Logic in AI' und wir werden uns bei Ihnen melden.