Ikdienas dzīvē mēs varam saskarties ar situācijām, kad mēs nespējam noteikt, vai valsts ir patiesa vai nepatiesa. Neskaidrs attiecas uz kaut ko neskaidru vai neskaidru. Fuzzy Logic in AI nodrošina vērtīgu elastību spriešanai. Šajā rakstā mēs uzzināsim par šo loģiku un tās ieviešanu šādā secībā:
- Kas ir neskaidra loģika?
- Kāpēc mēs izmantojam Fuzzy Logic?
- Arhitektūra
- Dalības funkcija
- Neskaidra loģika vs varbūtība
- Fuzzy Logic lietojumi
- Priekšrocības un trūkumi
- Fuzzy Logic in AI: Piemērs
Kas ir neskaidra loģika?
Neskaidra loģika (FL) ir argumentācijas metode, kas līdzinās cilvēka pamatojums . Šī pieeja ir līdzīga tam, kā cilvēki veic lēmumu pieņemšanu. Un tas ietver visas starpposma iespējas starp JĀ un NĒ .
The parastais loģikas bloks ka dators saprot precīzu ievadi un rada noteiktu izvadi kā TRUE vai FALSE, kas ir līdzvērtīgs cilvēka JĀ vai NĒ. Fuzzy loģiku izgudroja Lotfi Zadeh kurš novēroja, ka atšķirībā no datoriem cilvēkiem ir atšķirīgas iespējas starp JĀ un NĒ, piemēram:
kas ir dekss jaudā bi
Fuzzy loģika darbojas uz ievades iespēju līmeņiem, lai sasniegtu noteiktu rezultātu. Tagad, runājot par šīs loģikas ieviešanu:
To var ieviest dažāda lieluma un iespēju sistēmās, piemēram, mikrokontrolleri, lieli tīklā vai darbstaciju sistēmas.
Arī to var ieviest aparatūra, programmatūra vai to kombinācija gan .
Kāpēc mēs izmantojam Fuzzy Logic?
Parasti mēs izmantojam neskaidras loģikas sistēmu gan komerciāliem, gan praktiskiem mērķiem, piemēram:
Tā kontrolē mašīnas un patērētāju produkti
Ja tas nav precīzs pamatojums, tas vismaz sniedz pieņemams pamatojums
Tas palīdz tikt galā ar nenoteiktība inženierzinātnēs
Tātad, tagad, kad jūs zināt par Fuzzy loģiku AI un kāpēc mēs to faktiski izmantojam, turpināsim un sapratīsim šīs loģikas arhitektūru.
Neskaidras loģikas arhitektūra
Neskaidra loģiskā arhitektūra sastāv no četrām galvenajām daļām:
Noteikumi - Tajā ir visi noteikumi un nosacījumi, ja eksperti piedāvā lēmumu pieņemšanas sistēmas kontroli. Nesenais neskaidras teorijas atjauninājums nodrošina dažādas efektīvas metodes to izstrādei un pielāgošanai izplūdušie kontrolieri . Parasti šie notikumi samazina neskaidru noteikumu skaitu.
Izplūdums - Šis solis pārveido ievadi vai kraukšķīgos skaitļus izplūdušajās kopās. Jūs varat izmērīt kraukšķīgos ievadus ar sensoriem un tos ievadīt kontroles sistēma tālākai apstrādei. Tas sadala ieejas signālu piecos posmos, piemēram,
Secinājumu dzinējs - Tas nosaka neskaidras ievades un noteikumu atbilstības pakāpi. Atbilstoši ievades laukam tā izlems, kādi noteikumi tiks izpildīti. Apvienojot atlaistos noteikumus, izveidojiet kontroles darbības.
Defuzzifikācija - Defuzzifikācijas process izplūdušos kopas pārveido par kraukšķīgu vērtību. Ir pieejami dažādi paņēmieni, un jums ir jāizvēlas vispiemērotākais paņēmiens ar ekspertu sistēmu.
Tātad, tas bija par neskaidras loģikas arhitektūru AI. Tagad sapratīsim dalības funkciju.
Dalības funkcija
Dalības funkcija ir a grafiks kas nosaka, kā katrs punkts ievades telpa tiek kartēts uz dalības vērtību no 0 līdz 1. Tas ļauj jums kvantitatīvi izteikt valodas terminus un grafiski attēlo neskaidru kopu. Dalības funkcija neskaidrajai A kopai A diskursa Visumā ir definēta kā & muA: X → [0,1]
Tas kvantificē X elementa dalības pakāpi izplūdušajai kopai A.
x ass pārstāv diskursa Visumu.
y ass apzīmē dalības pakāpes intervālā [0, 1].
Skaitliskās vērtības noteikšanai var būt vairākas dalības funkcijas. Tiek izmantotas vienkāršas dalības funkcijas, jo sarežģītās funkcijas nepievieno precizitāti izvadē. Dalība darbojas LP, MP, S, MN un LN ir:
Trīsstūrveida dalības funkcijas formas ir visizplatītākās starp dažādām citām dalības funkciju formām. Šeit ievads 5 līmeņu fuzzifier atšķiras no -10 volti līdz +10 volti . Tādējādi mainās arī attiecīgā produkcija.
Neskaidra loģika vs varbūtība
| Neskaidra loģika | Varbūtība |
| Neskaidrā loģikā mēs būtībā cenšamies uztvert būtisko neskaidrību jēdzienu. | Varbūtība ir saistīta ar notikumiem, nevis faktiem, un šie notikumi vai nu notiks, vai nenotiks |
| Fuzzy Logic ietver daļējas patiesības nozīmi | Varbūtību teorija atspoguļo daļējas zināšanas |
| Neskaidra loģika kā matemātisku pamatu ņem patiesības pakāpes | Varbūtība ir matemātisks nezināšanas modelis |
Tātad, šīs bija dažas atšķirības starp neskaidru loģiku AI un varbūtību. Apskatīsim dažas no šīs loģikas lietojumprogrammām.
Fuzzy Logic lietojumi
Fuzzy loģiku izmanto dažādās jomās, piemēram, automobiļu sistēmās, sadzīves precēs, vides kontrolē utt. Daži no izplatītākajiem lietojumiem ir:
To lieto aviācijas un kosmosa lauks priekš augstuma kontrole kosmosa kuģu un satelītu.
Tas kontrolē ātrums un satiksme iekš automobiļu sistēmas.
To lieto lēmumu pieņemšanas atbalsta sistēmas un personīgais novērtējums lielu uzņēmumu biznesā.
Tas arī kontrolē pH, žāvēšanu un ķīmiskās destilācijas procesu ķīmiskā rūpniecība .
Neskaidra loģika tiek izmantota Dabas valodas apstrāde un dažādas intensīvas .
To plaši izmanto modernas vadības sistēmas piemēram, ekspertu sistēmas.
Fuzzy Logic atdarina to, kā cilvēks pieņem lēmumus, tikai daudz ātrāk. Tādējādi jūs varat to izmantot ar Neironu tīkli .
java kods, lai pārtrauktu programmu
Šie bija daži no Fuzzy Logic izplatītākajiem lietojumiem. Apskatīsim Fuzzy Logic izmantošanas AI priekšrocības un trūkumus.
Fuzzy Logic priekšrocības un trūkumi
Neskaidra loģika nodrošina vienkāršu pamatojumu, kas līdzīgs cilvēka pamatojumam. Tādu ir vairāk priekšrocības kā izmantot šo loģiku, piemēram:
Fuzzy Logic Systems struktūra ir viegli un saprotami
Izplūdušo loģiku plaši izmanto komerciāla un praktiskiem mērķiem
Tas jums palīdz vadības mašīnas un patēriņa preces
Tas palīdz jums tikt galā ar nenoteiktība inženierzinātnēs
Pārsvarā izturīgs jo nav vajadzīgas precīzas ievades
Ja atgriezeniskās saites sensors vairs nedarbojas, varat to ieprogrammēt situācijā
Jūs varat viegli modificēt lai uzlabotu vai mainītu sistēmas veiktspēju
Lēti sensori var izmantot, kas palīdz uzturēt zemas sistēmas kopējās izmaksas un sarežģītību
Tās bija neskaidras loģikas dažādās priekšrocības. Bet tam ir daži trūkumi arī:
Neskaidra loģika ir ne vienmēr precīzi . Tātad rezultāti tiek uztverti, balstoties uz pieņēmumiem, un tie var nebūt plaši pieņemti
Tā nevar atpazīt kā arī tipa modeļi
Apstiprināšana un pārbaude uz neskaidras, uz zināšanām balstītas sistēmas vajadzībām plaša testēšana ar aparatūru
Precīzu, neskaidru kārtulu un dalības funkciju iestatīšana ir a grūts uzdevums
Dažreiz neskaidra loģika ir apjucis ar varbūtības teorija
Tātad, šīs bija dažas no neskaidras loģikas izmantošanas AI priekšrocībām un trūkumiem. Ņemsim piemēru reālajā pasaulē un sapratīsim šīs loģikas darbību.
Fuzzy Logic in AI: Piemērs
Neskaidras loģikas sistēmas dizains sākas ar dalības funkciju kopumu katrai ieejai un kopu katrai izejai. Pēc tam dalības funkcijām tiek piemērots noteikumu kopums, lai iegūtu skaidru izejas vērtību. Ņemsim procesa vadības piemēru un sapratīsim neskaidru loģiku.
1. solis
Šeit, Temperatūra ir ievade un Ventilatora ātrums ir izeja. Katram ievadam ir jāizveido dalības funkciju kopums. Dalības funkcija ir vienkārši neskaidru mainīgo kopu grafisks attēlojums. Šajā piemērā mēs izmantosim trīs neskaidras kopas, Auksts, silts un Karsts . Pēc tam mēs izveidosim dalības funkciju katrai no trim temperatūras kopām:
2. solis
Nākamajā solī izejai izmantosim trīs neskaidras kopas, Lēns, vidējs un Ātri . Katrai izvades kopai tiek izveidots funkciju kopums tāpat kā ievades kopām.
3. solis
Tagad, kad mums ir definētas mūsu dalības funkcijas, mēs varam izveidot noteikumus, kas noteiks, kā dalības funkcijas tiks piemērotas galīgajai sistēmai. Mēs izveidosim trīs šīs sistēmas noteikumus.
- Ja karsts, tad ātri
- Ja silts, tad vidējs
- Un, ja auksts, tad lēns
Šie noteikumi attiecas uz dalības funkcijām, lai iegūtu kraukšķīgu izvades vērtību sistēmas darbināšanai. Tādējādi, ja ieejas vērtība ir 52 grādi , mēs krustojamies ar dalības funkcijām. Šeit mēs izmantojam divus noteikumus, jo krustojums notiek abās funkcijās. Krustošanās punktus var paplašināt līdz izejas funkcijām, lai izveidotu krustpunktu. Pēc tam jūs varat saīsināt izvades funkcijas krustojošo punktu augstumā.
Tas bija ļoti vienkāršs izskaidrojums par neskaidro loģisko sistēmu darbību. Reālā darba sistēmā būtu daudz ieeju un vairāku izejas iespēju. Tā rezultātā tiktu izveidots diezgan sarežģīts funkciju kopums un daudz vairāk noteikumu.
Ar to mēs esam nonākuši mūsu Fuzzy Logic in AI rakstā. Es ceru, ka jūs sapratāt, kas ir neskaidra loģika un kā tā darbojas.
Pārbaudiet arī Kursu kurē nozares profesionāļi atbilstoši nozares prasībām un prasībām. Jūs apgūsiet tādus jēdzienus kā SoftMax funkcija, Autoencoder neironu tīkli, Restricted Boltzmann Machine (RBM) un strādāsiet ar tādām bibliotēkām kā Keras & TFLearn. Kursu ir īpaši kurējuši nozares eksperti ar reāllaika gadījumu izpēti.
Vai mums ir jautājums? Lūdzu, pieminējiet to komentāru sadaļā “Fuzzy Logic in AI”, un mēs ar jums sazināsimies.