Päivittäisessä elämässämme saatamme kohdata tilanteita, joissa emme pysty määrittämään, onko tila totta vai väärä. Sumea viittaa johonkin epäselvään tai epämääräiseen. Tekoälyn Fuzzy Logic tarjoaa arvokasta joustavuutta päättelyyn. Ja tässä artikkelissa opimme tästä logiikasta ja sen toteutuksesta vuonna seuraavassa järjestyksessä:
- Mikä on sumea logiikka?
- Miksi käytämme Fuzzy Logicia?
- Arkkitehtuuri
- Jäsenyys
- Sumea logiikka vs. todennäköisyys
- Fuzzy Logic -sovellukset
- Edut ja haitat
- Fuzzy Logic in AI: Esimerkki
Mikä on sumea logiikka?
Sumea logiikka (FL) on muistutusmenetelmä inhimillinen päättely . Tämä lähestymistapa on samanlainen kuin ihmisten päätöksenteko. Ja siihen sisältyy kaikki välivaihtoehdot välillä JOO ja EI .
tavanomainen logiikkalohko että tietokone ymmärtää tarkan syötteen ja tuottaa tarkan tuloksen TOSI tai EPÄTOSI, joka vastaa ihmisen KYLLÄ tai EI. Fuzzy-logiikan keksi Lotfi Zadeh joka huomautti, että toisin kuin tietokoneet, ihmisillä on erilaiset mahdollisuudet KYLLÄ ja EI, kuten:
Fuzzy-logiikka toimii syöttömahdollisuuksien tasolla tavoitellun lopputuloksen saavuttamiseksi. Nyt puhumalla tämän logiikan toteuttamisesta:
Se voidaan toteuttaa järjestelmissä, joissa on erikokoisia ja -ominaisuuksia, kuten mikro-ohjaimet, suuret verkotetut tai työasemapohjaiset järjestelmät.
Lisäksi se voidaan toteuttaa vuonna laitteisto, ohjelmisto tai niiden yhdistelmä molemmat .
Miksi käytämme Fuzzy Logicia?
Yleensä käytämme sumeaa logiikkajärjestelmää sekä kaupallisiin että käytännön tarkoituksiin, kuten:
Se ohjaa koneita ja kuluttajatuotteet
komentoriviargumentit java-esimerkkikoodissa
Jos se ei ole tarkka perustelu, se ainakin antaa hyväksyttävä perustelu
Tämä auttaa käsittelemään epävarmuus suunnittelussa
Joten nyt, kun tiedät Fuzzy-logiikasta tekoälyssä ja miksi sitä todella käytämme, siirrytään eteenpäin ja ymmärretään tämän logiikan arkkitehtuuri.
Sumea logiikka-arkkitehtuuri
Sumea logiikka-arkkitehtuuri koostuu neljästä pääosasta:
Säännöt - Se sisältää kaikki säännöt ja mahdolliset ehdot, jotka asiantuntijat ovat tarjonneet päätöksentekojärjestelmän valvomiseksi. Äskettäinen sumean teorian päivitys tarjoaa erilaisia tehokkaita menetelmiä niiden suunnitteluun ja virittämiseen sumeat ohjaimet . Yleensä tämä kehitys vähentää sumeiden sääntöjen määrää.
Sumutus - Tämä vaihe muuntaa syötteet tai terävät numerot sumeiksi sarjoiksi. Voit mitata terävät tulot antureilla ja siirtää ne ohjausjärjestelmä jatkokäsittelyä varten. Se jakaa tulosignaalin viiteen vaiheeseen, kuten
Päätösmoottori - Se määrittää sumean syötteen ja sääntöjen vastaavuustason. Syöttökentän mukaan se päättää, mitkä säännöt on tarkoitus käynnistää. Yhdistä erotetut säännöt ja muodosta valvontatoimet.
Defuzzifikaatio - Defuzzification-prosessi muuntaa sumeat sarjat teräväksi arvoksi. Käytettävissä on erityyppisiä tekniikoita, ja sinun on valittava parhaiten sopiva tekniikka asiantuntijajärjestelmän avulla.
Joten, kyse oli sumean logiikan arkkitehtuurista tekoälyssä. Ymmärretään nyt jäsenyystoiminto.
Jäsenyys
Jäsenyystoiminto on a kaavio joka määrittää kuinka kukin syöttötila on kartoitettu jäsenarvoon välillä 0 ja 1. Sen avulla voit kvantifioida kielelliset termit ja edustavat sumeaa joukkoa graafisesti. Jäsenyystoiminto sumean joukolle A diskurssin X universumissa määritellään seuraavasti & muA: X → [0,1]
Se kvantifioi X: n elementin jäsenyyden asteen sumeaan joukkoon A.
x-akseli edustaa keskustelun universumia.
y-akseli edustaa jäsenyysasteita [0, 1] -välillä.
Numeerisen arvon sumuttamiseksi voi olla useita jäsenyystoimintoja. Yksinkertaisia jäsenfunktioita käytetään, koska monimutkaiset toiminnot eivät lisää tarkkuutta tuotoksessa. Jäsenyys toimii LP, MP, S, MN ja LN ovat:
Kolmion muotoiset jäsenfunktiomuodot ovat yleisimpiä muiden jäsenfunktiomuotojen joukossa. Tässä 5-tason sumuttimen tulo vaihtelee -10 volttia - +10 volttia . Siksi myös vastaava tuotos muuttuu.
Sumea logiikka vs. todennäköisyys
Sumea logiikka | Todennäköisyys |
Hämärässä logiikassa yritämme periaatteessa kaapata olennaisen käsitteen epämääräisyydestä. | Todennäköisyys liittyy tapahtumiin eikä tosiasioihin, ja nämä tapahtumat joko tapahtuvat tai eivät tapahdu |
Fuzzy Logic vangitsee osittaisen totuuden merkityksen | Todennäköisyysteoria kerää osittaista tietoa |
Sumea logiikka pitää totuusastetta matemaattisena perustana | Todennäköisyys on tietämättömyyden matemaattinen malli |
Joten nämä olivat joitain eroja sumun logiikan AI: ssa ja todennäköisyydessä. Katsotaanpa nyt joitain tämän logiikan sovelluksia.
Fuzzy Logic -sovellukset
Fuzzy-logiikkaa käytetään useilla aloilla, kuten autojärjestelmissä, kotitaloustuotteissa, ympäristön valvonnassa jne. Jotkut yleisimmistä sovelluksista ovat:
Sitä käytetään ilmailualalla varten korkeuden säätö avaruusalusten ja satelliittien.
Tämä ohjaa nopeus ja liikenne että autojärjestelmät.
Sitä käytetään päätöksenteon tukijärjestelmät ja henkilökohtainen arviointi suuryritysliiketoiminnassa.
Se ohjaa myös pH: ta, kuivumista ja kemiallista tislausprosessia kemianteollisuus .
Sumeaa logiikkaa käytetään Luonnollisen kielen käsittely ja erilaisia intensiivisiä .
Sitä käytetään laajasti nykyaikaiset ohjausjärjestelmät kuten asiantuntijajärjestelmät.
Fuzzy Logic jäljittelee kuinka henkilö tekisi päätöksiä, vain paljon nopeammin. Siksi voit käyttää sitä Neuroverkot .
Nämä olivat joitain Fuzzy Logicin yleisiä sovelluksia. Katsotaan nyt Fuzzy Logicin tekoälyn käytön etuja ja haittoja.
Fuzzy Logicin edut ja haitat
Sumea logiikka tarjoaa yksinkertaisen päättelyn, joka on samanlainen kuin ihmisen päättely. Tällaisia on enemmän etuja käyttää tätä logiikkaa, kuten:
Fuzzy Logic Systemsin rakenne on helppo ja ymmärrettävä
Fuzzy-logiikkaa käytetään laajalti kaupallinen ja käytännön tarkoituksiin
Se auttaa sinua ohjauskoneet ja kulutustavarat
kuinka julistaa joukko esineitä java
Se auttaa sinua käsittelemään epävarmuus suunnittelussa
Enimmäkseen kestävä koska tarkkoja syötteitä ei tarvita
Jos palautesensori lakkaa toimimasta, voit ohjelmoi se tilanteeseen
Sinä pystyt helposti muokattavissa se parantaa tai muuttaa järjestelmän suorituskykyä
Edulliset anturit voidaan käyttää, mikä auttaa pitämään järjestelmän kokonaiskustannukset ja monimutkaisuuden alhaisina
Nämä olivat sumean logiikan erilaisia etuja. Mutta sillä on joitain haittoja yhtä hyvin:
Sumea logiikka on ei aina tarkka . Joten tulokset koetaan oletusten perusteella, eikä niitä välttämättä hyväksytä laajalti
Se ei tunnista yhtä hyvin kuin tyyppikuviot
Vahvistus ja todentaminen sumean tietoon perustuvan järjestelmän tarpeista laaja testaus laitteiston kanssa
Tarkkojen, sumeiden sääntöjen ja jäsenfunktioiden asettaminen on a vaikea tehtävä
Toisinaan sumea logiikka on hämmentynyt kanssa todennäköisyysteoria
Joten nämä olivat joitain etuja ja haittoja sumean logiikan käytöstä tekoälyssä. Otetaan nyt tosielämän esimerkki ja ymmärretään tämän logiikan toiminta.
Fuzzy Logic in AI: Esimerkki
Sumean logiikkajärjestelmän suunnittelu alkaa joukosta jäsenfunktioita kullekin tulolle ja joukolle kullekin ulostulolle. Sitten jäsenyystoimintoihin sovelletaan sääntöjoukkoa, jotta saadaan terävä lähtöarvo. Otetaan esimerkki prosessin ohjauksesta ja ymmärretään sumea logiikka.
Vaihe 1
Tässä, Lämpötila on tulo ja Tuulettimen nopeus on lähtö. Jokaiselle syötteelle on luotava joukko jäsenfunktioita. Jäsenyysfunktio on yksinkertaisesti graafinen esitys sumeista muuttujajoukoista. Tässä esimerkissä käytämme kolmea sumeaa sarjaa, Kylmä lämmin ja Kuuma . Luomme sitten jäsenyystoiminnon jokaiselle kolmelle lämpötilasarjalle:
Vaihe 2
Seuraavassa vaiheessa käytämme lähtöön kolmea sumeaa sarjaa, Hidas, keskitaso ja Nopeasti . Jokaiselle lähtöjoukolle luodaan joukko toimintoja samoin kuin tulojoukoille.
skanneriluokka Java-esimerkeissä
Vaihe 3
Nyt kun jäsenyystoiminnot on määritelty, voimme luoda säännöt, jotka määrittelevät, miten jäsenfunktioita sovelletaan lopulliseen järjestelmään. Luomme tälle järjestelmälle kolme sääntöä.
- Jos kuuma sitten nopeasti
- Jos Lämmin, sitten Keskitaso
- Ja jos kylmä sitten hidas
Näitä sääntöjä sovelletaan jäsenyystoimintoihin tuottamaan terävä lähtöarvo järjestelmän ajamiseksi. Siten tuloarvolle 52 astetta , leikkaamme jäsenfunktiot. Tässä sovellamme kahta sääntöä, koska leikkaus tapahtuu molemmissa toiminnoissa. Voit laajentaa leikkauspisteitä ulostulotoimintoihin leikkauspisteen tuottamiseksi. Tämän jälkeen voit katkaista lähtötoiminnot leikkauspisteiden korkeudella.
Tämä oli hyvin yksinkertainen selitys sumuisen logiikan järjestelmien toiminnasta. Todellisessa toimivassa järjestelmässä olisi monia tuloja ja mahdollisuus useisiin lähtöihin. Tämä johtaisi melko monimutkaiseen toimintojen sarjaan ja moniin muihin sääntöihin.
Tämän avulla olemme päässeet Fuzzy Logic in AI -artikkelimme loppuun. Toivon, että ymmärrät, mikä on sumea logiikka ja miten se toimii.
Katso myös Kurssin kuratoivat alan ammattilaiset alan vaatimusten ja vaatimusten mukaisesti. Opit käsitteet, kuten SoftMax-toiminto, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) ja työskentelet kirjastojen, kuten Keras & TFLearn, kanssa. Kurssin ovat erikoistuneet alan asiantuntijat reaaliaikaisilla tapaustutkimuksilla.
Onko sinulla kysymys meille? Mainitse se 'Fuzzy Logic in AI' -kommenttiosassa ja palaamme sinuun.