В ежедневния ни живот може да се сблъскаме със ситуации, при които не можем да определим дали състоянието е вярно или невярно. Неясно се отнася до нещо, което е неясно или неясно. Размитата логика в AI предоставя ценна гъвкавост за разсъждения. И в тази статия ще научим за тази логика и нейното прилагане през в следната последователност:
- Какво е Fuzzy Logic?
- Защо използваме Fuzzy Logic?
- Архитектура
- Функция за членство
- Размита логика срещу вероятност
- Приложения на Fuzzy Logic
- Предимства недостатъци
- Размита логика в AI: Пример
Какво е Fuzzy Logic?
Размита логика (FL) е метод на разсъждение, който прилича човешки разсъждения . Този подход е подобен на начина, по който хората извършват вземането на решения. И включва всички междинни възможности между ДА и НЕ .
The конвенционален логически блок че компютърът разбира, че взима прецизно въвеждане и произвежда определен изход като TRUE или FALSE, което е еквивалентно на ДА или НЕ на човека. Размитата логика е измислена от Лотфи Заде които са забелязали, че за разлика от компютрите, хората имат различен набор от възможности между ДА и НЕ, като например:
Размитата логика работи на нивата на възможностите на входа за постигане на определен резултат. Сега, говорейки за прилагането на тази логика:
Може да се внедри в системи с различни размери и възможности като микроконтролери, големи мрежови или базирани на работни станции системи.
Също така, той може да бъде внедрен в хардуер, софтуер или комбинация от и двете .
java class loader интервю въпроси
Защо използваме Fuzzy Logic?
Като цяло използваме размитата логическа система както за търговски, така и за практически цели, като например:
То управлява машини и потребителски продукти
Ако не са точни разсъждения, то поне ги предоставя приемливи разсъждения
Това помага при справяне с несигурност в инженерството
И така, след като вече знаете за размитата логика в AI и защо всъщност я използваме, нека продължим и да разберем архитектурата на тази логика.
Размита логическа архитектура
Размитата логическа архитектура се състои от четири основни части:
Правила - Той съдържа всички правила и условията, предлагани от експертите за контрол на системата за вземане на решения. Неотдавнашната актуализация на размитата теория предоставя различни ефективни методи за проектиране и настройка на размити контролери . Обикновено тези разработки намаляват броя на размитите правила.
Размиване - Тази стъпка преобразува входовете или отчетливите числа в размити множества. Можете да измерите отчетливите входове от сензори и да ги предадете в контролна система за по-нататъшна обработка. Той разделя входния сигнал на пет стъпки като-
Двигател за извод - Определя степента на съвпадение между размито въвеждане и правилата. Според полето за въвеждане той ще реши правилата, които трябва да бъдат задействани. Комбинирайки уволнените правила, оформете контролните действия.
Дефузификация - Процесът на дефузификация превръща размитите набори в ясна стойност. Налични са различни видове техники и трябва да изберете най-подходящия с експертна система.
И така, ставаше въпрос за архитектурата на размитата логика в AI. Сега, нека разберем функцията за членство.
Функция за членство
Функцията за членство е a графика което определя как всяка точка в входно пространство се преобразува в стойност на членството между 0 и 1. Това ви позволява да количествено определят езикови термини и представляват графичен размит набор. Функция за членство за размит набор A във вселената на дискурс X се дефинира като & muA: X → [0,1]
Той количествено определя степента на принадлежност на елемента в X към размития набор А.
оста x представлява вселената на дискурса.
оста y представлява степента на членство в интервала [0, 1].
Може да има множество функции за членство, приложими за размиване на числова стойност. Използват се прости функции за членство, тъй като сложните функции не добавят прецизност в изхода. Функциите за членство за LP, MP, S, MN и LN са:
Триъгълните форми на функцията за членство са най-често срещани сред различни други форми на функции за членство. Тук входът към 5-степенния размивател варира от -10 волта до +10 волта . Следователно съответният изход също се променя.
Размита логика срещу вероятност
| Размита логика | Вероятност |
| В размитата логика ние основно се опитваме да уловим съществената концепция за неяснота. | Вероятността е свързана със събития, а не с факти и тези събития или ще се случат, или няма да се случат |
| Размитата логика улавя значението на частичната истина | Теорията на вероятностите улавя частични знания |
| Размитата логика приема истинските степени като математическа основа | Вероятността е математически модел на невежеството |
И така, това бяха някои от разликите между размитата логика в AI и вероятността. Сега нека да разгледаме някои от приложенията на тази логика.
Приложения на Fuzzy Logic
Размитата логика се използва в различни области като автомобилни системи, домашни стоки, контрол на околната среда и др. Някои от често срещаните приложения са:
Използва се в космическо поле за контрол на височината на космически кораби и сателит.
Това контролира скорост и трафик в автомобилни системи.
Използва се за системи за подкрепа при вземане на решения и лична оценка в бизнеса на голямата компания.
Той също така контролира рН, сушенето, процеса на химическа дестилация в химическа индустрия .
В нея се използва размита логика Обработка на естествен език и различни интензивни .
Той се използва широко в модерни системи за управление като експертни системи.
Размитата логика имитира как човек би взел решения, но много по-бързо. По този начин можете да го използвате с Невронни мрежи .
Това бяха някои от често срещаните приложения на Fuzzy Logic. Сега нека да разгледаме предимствата и недостатъците на използването на Fuzzy Logic в AI.
Предимства и недостатъци на размитата логика
Размитата логика предоставя прости разсъждения, подобни на човешките разсъждения. Има още такива предимства за използване на тази логика, като например:
Структурата на Fuzzy Logic Systems е лесно и разбираемо
Java как да използвам итератор
Размитата логика е широко използвана за търговски и практически цели
Помага ти машини за управление и потребителски продукти
Помага ви да се справите с несигурност в инженерството
Най-вече здрав тъй като не се изискват точни входове
Ако сензорът за обратна връзка спре да работи, можете програмирайте го в ситуацията
Можеш лесно се модифицират тя за подобряване или промяна на производителността на системата
Евтини сензори може да се използва, което ви помага да поддържате общите разходи и сложност на системата ниски
Това бяха различните предимства на размитата логика. Но има някои недостатъци както и:
Размитата логика е не винаги точни . Така че резултатите се възприемат въз основа на предположения и може да не бъдат широко приети
То не може да разпознае както и типови модели
Проверка и проверка на размити нужди на системата, базирана на знания обширно тестване с хардуер
Задаването на точни, размити правила и функции за членство е a трудна задача
Понякога размитата логика е такава объркан с теория на вероятностите
в python се използва методът __init__ на клас
И така, това бяха някои от предимствата и недостатъците на използването на размита логика в AI. Сега, нека вземем пример от реалния свят и да разберем работата на тази логика.
Размита логика в AI: Пример
Дизайнът на размита логическа система започва с набор от функции за членство за всеки вход и набор за всеки изход. След това набор от правила се прилага към функциите за членство, за да се получи ясна изходна стойност. Нека вземем пример за управление на процеса и да разберем размитата логика.
Етап 1
Тук, Температура е входът и Скорост на вентилатора е изходът. Трябва да създадете набор от функции за членство за всеки вход. Функцията за членство е просто графично представяне на размитите набори от променливи. За този пример ще използваме три размити множества, Студено, топло и Горещо . След това ще създадем функция за членство за всеки от трите набора от температури:
Стъпка 2
В следващата стъпка ще използваме три размити набора за изхода, Бавно, средно и Бърз . За всеки изходен набор се създава набор от функции, точно както за входните набори.
Стъпка 3
Сега, когато имаме дефинирани функции за членство, можем да създадем правилата, които ще определят как функциите за членство ще бъдат приложени към крайната система. Ще създадем три правила за тази система.
- Ако горещо, тогава бързо
- Ако топло, то средно
- И ако е студено, тогава бавно
Тези правила се прилагат за функциите за членство, за да се получи ясна изходна стойност за задвижване на системата. По този начин, за входна стойност от 52 градуса , ние пресичаме функциите за членство. Тук прилагаме две правила, тъй като пресичането се случва и за двете функции. Можете да разширите точките на пресичане до изходните функции, за да създадете точка на пресичане. След това можете да отсечете изходните функции на височината на пресичащите се точки.
Това беше много просто обяснение за това как функционират размитите логически системи. В реална работеща система ще има много входове и възможност за няколко изхода. Това би довело до доста сложен набор от функции и много повече правила.
С това стигнахме до края на нашата Fuzzy Logic в AI статия. Надявам се, че сте разбрали какво е размита логика и как работи.
Също така вижте Курсът се подготвя от професионалисти в бранша според изискванията и изискванията на бранша. Ще овладеете понятията като функцията SoftMax, автокодиращи невронни мрежи, ограничена машина на Boltzmann (RBM) и ще работите с библиотеки като Keras & TFLearn. Курсът е специално подготвен от експерти в бранша с казуси в реално време.
Имате въпрос към нас? Моля, споменете го в раздела за коментари на „Размита логика в AI“ и ние ще се свържем с вас.