I vårt dagliga liv kan vi möta situationer där vi inte kan avgöra om staten är sant eller falskt. Fuzzy hänvisar till något som är oklart eller vagt. Fuzzy Logic in AI ger värdefull flexibilitet för resonemang. Och i den här artikeln kommer vi att lära oss om denna logik och dess implementering i i följande sekvens:
- Vad är Fuzzy Logic?
- Varför använder vi Fuzzy Logic?
- Arkitektur
- Medlemskapsfunktion
- Fuzzy Logic vs Probability
- Tillämpningar av Fuzzy Logic
- Fördelar och nackdelar
- Fuzzy Logic in AI: Exempel
Vad är Fuzzy Logic?
Rolig logik (FL) är en metod för resonemang som liknar mänskligt resonemang . Detta tillvägagångssätt liknar hur människor utför beslutsfattande. Och det involverar alla mellanliggande möjligheter mellan JA och NEJ .
De konventionellt logikblock som en dator förstår tar exakt inmatning och producerar en bestämd utdata som SANT eller FALSK, vilket motsvarar en människas JA eller NEJ. Fuzzy-logiken uppfanns av Lotfi Zadeh som observerade att människor, till skillnad från datorer, har olika möjligheter mellan JA och NEJ, såsom:
Fuzzy-logiken fungerar på nivåerna av möjligheterna för inmatning för att uppnå en bestämd produktion. Nu talar vi om implementeringen av denna logik:
Det kan implementeras i system med olika storlekar och funktioner som mikrokontroller, stora nätverk eller arbetsstationsbaserade system.
Det kan också implementeras i hårdvara mjukvara eller en kombination av både .
Varför använder vi Fuzzy Logic?
Generellt använder vi det otydliga logiksystemet för både kommersiella och praktiska ändamål som:
den styr maskiner och konsumentprodukter
Om inte korrekt resonemang ger det åtminstone acceptabelt resonemang
Detta hjälper till att hantera osäkerhet inom teknik
Så nu när du vet om Fuzzy-logik i AI och varför använder vi den faktiskt, låt oss gå vidare och förstå arkitekturen för denna logik.
Fuzzy Logic Architecture
Den suddiga logiska arkitekturen består av fyra huvuddelar:
Regler - Den innehåller alla regler och de om-då villkor som experterna erbjuder för att kontrollera beslutsfattandet. Den senaste uppdateringen i fuzzy-teorin ger olika effektiva metoder för design och inställning av suddiga styrenheter . Vanligtvis minskar denna utveckling antalet otydliga regler.
Fuzzification - Detta steg konverterar ingångar eller skarpa siffror till fuzzy uppsättningar. Du kan mäta skarpa ingångar med sensorer och skicka dem till kontrollsystem för vidare bearbetning. Den delar ingångssignalen i fem steg såsom-
Inferensmotor - Det bestämmer graden av matchning mellan suddig inmatning och reglerna. Enligt inmatningsfältet kommer det att avgöra vilka regler som ska avfyras. Kombinera de sparkade reglerna och bilda kontrollåtgärderna.
Defuzzification - Defuzzification-processen omvandlar de suddiga uppsättningarna till ett skarpt värde. Det finns olika typer av tekniker tillgängliga, och du måste välja den bäst lämpade med ett expertsystem.
Så det handlade om arkitekturen för suddig logik i AI. Låt oss nu förstå medlemsfunktionen.
Medlemskapsfunktion
Medlemskapsfunktionen är en Graf som definierar hur varje punkt i inmatningsutrymme mappas till medlemsvärde mellan 0 och 1. Det gör att du kan kvantifiera språkliga termer och representerar en suddig uppsättning grafiskt. En medlemsfunktion för en suddig uppsättning A på diskursens universum definieras som & muA: X → [0,1]
Det kvantifierar graden av medlemskap i elementet i X till den otydliga uppsättningen A.
x-axel representerar diskursens universum.
y-axeln representerar graden av medlemskap i intervallet [0, 1].
Det kan finnas flera medlemsfunktioner som kan användas för att förvirra ett numeriskt värde. Enkla medlemsfunktioner används eftersom de komplexa funktionerna inte lägger till precision i utdata. Medlemskapet fungerar för LP, MP, S, MN och LN är:
De triangulära medlemsfunktionsformerna är vanligast bland olika andra medlemsfunktionsformer. Här varierar ingången till 5-nivå fuzzifier från -10 volt till +10 volt . Därför ändras också motsvarande utdata.
Fuzzy Logic vs Probability
| Rolig logik | Sannolikhet |
| I suddig logik försöker vi i princip att fånga det väsentliga begreppet vaghet. | Sannolikheten är förknippad med händelser och inte fakta, och dessa händelser kommer antingen att inträffa eller inte inträffa |
| Fuzzy Logic fångar innebörden av partiell sanning | Sannolikhetsteori fångar delvis kunskap |
| Fuzzy logic tar sanningsgrader som en matematisk grund | Sannolikhet är en matematisk modell av okunnighet |
Så det här var några av skillnaderna mellan suddig logik i AI och sannolikhet. Låt oss nu titta på några av tillämpningarna av denna logik.
Tillämpningar av Fuzzy Logic
Fuzzy-logiken används inom olika områden som bilsystem, inhemska varor, miljökontroll etc. Några av de vanliga applikationerna är:
Det används i flygfält för höjdkontroll av rymdfarkoster och satellit.
SQL-serverintegrationstjänster SSIS steg för steg-handledning
Detta styr hastighet och trafik i bilsystem.
Det används för beslutsfattande stödsystem och personlig utvärdering i storföretagets verksamhet.
Det kontrollerar också pH, torkning, kemisk destillationsprocess i kemisk industri .
Fuzzy logic används i Naturlig språkbehandling och olika intensiva .
Det används i stor utsträckning i moderna styrsystem såsom expertsystem.
Fuzzy Logic härmar hur en person skulle fatta beslut, bara mycket snabbare. Således kan du använda den med Neurala nätverk .
Dessa var några av de vanliga tillämpningarna av Fuzzy Logic. Låt oss nu titta på fördelarna och nackdelarna med att använda Fuzzy Logic i AI.
Fördelar och nackdelar med Fuzzy Logic
Luddig logik ger enkelt resonemang som liknar mänskligt resonemang. Det finns fler sådana fördelar att använda denna logik, såsom:
Strukturen för Fuzzy Logic Systems är lätt och förståeligt
Fuzzy logic används ofta för kommersiell och praktiska ändamål
Det hjälper dig att styrmaskiner och konsumentprodukter
Det hjälper dig att hantera osäkerhet inom teknik
För det mesta robust eftersom inga exakta ingångar krävs
Om återkopplingssensorn slutar fungera kan du programmera det in i situationen
Du kan enkelt ändra för att förbättra eller ändra systemprestanda
Billiga sensorer kan användas som hjälper dig att hålla den totala systemkostnaden och komplexiteten låg
Dessa var de olika fördelarna med suddig logik. Men det har några nackdelar också:
Luddig logik är inte alltid korrekt . Så resultaten uppfattas utifrån antaganden och kanske inte accepteras allmänt
den kan inte känna igen såväl som typmönster
Validering och verifiering av ett suddigt kunskapsbaserat systembehov omfattande testning med hårdvara
Att ställa in exakta, suddiga regler och medlemsfunktioner är ett svår uppgift
Ibland är den otydliga logiken förvirrad med sannolikhetsteori
Så detta var några av fördelarna och nackdelarna med att använda suddig logik i AI. Låt oss nu ta ett verkligt exempel och förstå hur denna logik fungerar.
Fuzzy Logic in AI: Exempel
Utformningen av ett suddigt logiksystem börjar med en uppsättning medlemsfunktioner för varje ingång och en uppsättning för varje utgång. En uppsättning regler tillämpas sedan på medlemsfunktionerna för att ge ett skarpt utdatavärde. Låt oss ta ett exempel på processkontroll och förstå suddig logik.
Steg 1
Här, Temperatur är ingången och Fläkthastighet är utgången. Du måste skapa en uppsättning medlemsfunktioner för varje ingång. En medlemsfunktion är helt enkelt en grafisk representation av de otydliga variabeluppsättningarna. I det här exemplet använder vi tre suddiga uppsättningar, Kall varm och Varm . Vi skapar sedan en medlemsfunktion för var och en av tre temperaturuppsättningar:
Steg 2
I nästa steg kommer vi att använda tre suddiga uppsättningar för utdata, Långsam, Medium och Snabb . En uppsättning funktioner skapas för varje utgångssats precis som för ingångssatserna.
Steg 3
Nu när vi har definierade våra medlemsfunktioner kan vi skapa regler som definierar hur medlemsfunktionerna ska tillämpas på det slutliga systemet. Vi kommer att skapa tre regler för detta system.
- Om det är varmt så snabbt
- Om det är varmt än Medium
- Och om det är kallt så långsamt
Dessa regler gäller för medlemsfunktionerna för att producera det skarpa utmatningsvärdet för att driva systemet. För ett ingångsvärde på 52 grader , vi korsar medlemsfunktionerna. Här tillämpar vi två regler eftersom korsningen sker på båda funktionerna. Du kan utöka skärningspunkterna till utgångsfunktionerna för att skapa en skärningspunkt. Du kan sedan avkorta utgångsfunktionerna på skärningspunktens höjd.
Detta var en mycket enkel förklaring av hur de otydliga logiska systemen fungerar. I ett riktigt fungerande system skulle det finnas många ingångar och möjligheten till flera utgångar. Detta skulle resultera i en ganska komplex uppsättning funktioner och många fler regler.
Med detta har vi kommit till slutet av vår Fuzzy Logic i AI-artikel. Jag hoppas att du förstod vad som är suddig logik och hur det fungerar.
Kolla också in Kursen är kuraterad av branschpersonal enligt branschens krav och krav. Du kommer att behärska begreppen som SoftMax-funktion, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) och arbeta med bibliotek som Keras & TFLearn. Kursen har specialiserats av branschexperter med fallstudier i realtid.
Har du en fråga till oss? Vänligen nämna det i kommentarsektionen i ”Fuzzy Logic in AI” så återkommer vi till dig.