Mikä on Fuzzy Logic tekoälyssä ja mitkä ovat sen sovellukset?

AI: n sumea logiikka on päättelymenetelmä. Tämä lähestymistapa on samanlainen kuin miten ihmiset tekevät päätöksentekoa ja sisältää kaikki mahdollisuudet kyllä ​​ja ei.

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?

Sumea logiikka (FL) on muistutusmenetelmä inhimillinen päättely . Tämä lähestymistapa on samanlainen kuin ihmisten päätöksenteko. Ja siihen sisältyy kaikki välivaihtoehdot välillä JOO ja EI .





sumea logiikka - sumea logiikka tekoälyssä - edureka

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:

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 merkityksenTodennäköisyysteoria kerää osittaista tietoa
Sumea logiikka pitää totuusastetta matemaattisena perustanaTodennäköisyys 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.