Sa ating pang-araw-araw na buhay, maaaring harapin natin ang mga sitwasyon kung saan hindi natin matukoy kung ang estado ay totoo o mali. Ang malabo ay tumutukoy sa isang bagay na hindi malinaw o malabo. Ang Fuzzy Logic sa AI ay nagbibigay ng mahalagang kakayahang umangkop para sa pangangatuwiran. At sa artikulong ito, malalaman natin ang tungkol sa lohika na ito at ang pagpapatupad nito sa sa sumusunod na pagkakasunud-sunod:
- Ano ang Fuzzy Logic?
- Bakit gumagamit kami ng Fuzzy Logic?
- Arkitektura
- Pag-andar ng pagiging miyembro
- Fuzzy Logic vs Probability
- Mga aplikasyon ng Fuzzy Logic
- Mga Kalamangan at Kalamangan
- Fuzzy Logic sa AI: Halimbawa
Ano ang Fuzzy Logic?
Fuzzy Logic Ang (FL) ay isang paraan ng pangangatuwiran na kahawig pangangatuwiran ng tao . Ang pamamaraang ito ay katulad ng kung paano gumanap ang mga tao ng pagpapasya. At nagsasangkot ito ng lahat ng mga posibilidad na pagitan sa pagitan Oo at HINDI .
gumamit ng sawa sa visual studio
Ang maginoo block ng lohika na nauunawaan ng isang computer ay tumatagal ng tumpak na pag-input at gumagawa ng isang tiyak na output bilang TUNAY o MALI, na katumbas ng YES o HINDI ng isang tao. Ang malabo na lohika ay naimbento ni Lotfi Zadeh na nagmamasid na hindi tulad ng mga computer, ang mga tao ay may iba't ibang mga posibilidad sa pagitan ng YES at HINDI, tulad ng:
Gumagana ang malabo na lohika sa mga antas ng mga posibilidad ng pag-input upang makamit ang isang tiyak na output. Ngayon, pinag-uusapan ang tungkol sa pagpapatupad ng lohika na ito:
Maaari itong ipatupad sa mga system na may iba't ibang laki at kakayahan tulad ng mga micro-Controller, malaking network o mga system na nakabatay sa workstation.
Gayundin, maaari itong ipatupad sa hardware, software o isang kombinasyon ng pareho .
Bakit gumagamit kami ng Fuzzy Logic?
Pangkalahatan, ginagamit namin ang malabo na sistema ng lohika para sa parehong komersyal at praktikal na mga layunin tulad ng:
Ito kinokontrol ang machine at mga produktong consumer
Kung hindi tumpak na pangangatuwiran, nagbibigay ito kahit papaano katanggap-tanggap na pangangatuwiran
Nakakatulong ito sa pagharap sa kawalang-katiyakan sa engineering
Kaya, ngayon na alam mo ang tungkol sa Fuzzy lohika sa AI at bakit talaga natin ito ginagamit, magpatuloy tayo at maunawaan ang arkitektura ng lohika na ito.
Fuzzy Logic Architecture
Ang malabo na arkitektura ng lohika ay binubuo ng apat na pangunahing mga bahagi:
Panuntunan - Naglalaman ito ng lahat ng mga patakaran at mga kondisyong if-pagkatapos na inaalok ng mga dalubhasa upang makontrol ang sistema ng paggawa ng desisyon. Ang kamakailang pag-update sa malabo na teorya ay nagbibigay ng iba't ibang mga mabisang pamamaraan para sa disenyo at pag-tune ng malabo na mga kinokontrol . Karaniwan, binabawas ng mga pagpapaunlad na ito ang bilang ng mga malabo na patakaran.
Pag-init - Ang hakbang na ito ay nagko-convert ng mga input o malulutong na numero sa mga malabo na set. Maaari mong sukatin ang mga malulutong na input ng mga sensor at ipasa ang mga ito sa control system para sa karagdagang pagproseso. Hinahati nito ang input signal sa limang mga hakbang tulad ng-
Hinihiling na Engine - Tinutukoy nito ang antas ng tugma sa pagitan ng malabo na pag-input at ng mga patakaran. Ayon sa patlang ng pag-input, magpapasya ito sa mga patakaran na dapat tanggalin. Pinagsasama ang mga fired fired, bumuo ng mga pagkilos na kontrol.
Defuzzification - Ang proseso ng Defuzzification ay nagko-convert ng mga malabo na set sa isang malutong na halaga. Mayroong iba't ibang mga uri ng mga diskarte na magagamit, at kailangan mong piliin ang pinaka-ugma sa isa sa isang dalubhasang sistema.
Kaya, ito ay tungkol sa arkitektura ng malabo na lohika sa AI. Ngayon, unawain natin ang pagpapaandar ng pagiging miyembro.
Pag-andar ng pagiging miyembro
Ang pagpapaandar na kasapi ay a grapiko na tumutukoy kung paano ang bawat punto sa input space ay nai-map sa halaga ng pagiging kasapi sa pagitan ng 0 at 1. Pinapayagan kang kuwentahin ang mga term na pangwika at kumakatawan sa isang malabo na hanay ng grapiko. Ang isang pagpapaandar sa pagiging miyembro para sa isang malabo na set A sa sansinukob ng diskurso X ay tinukoy bilang & muA: X → [0.1]
Kinakalkula nito ang antas ng pagiging kasapi ng elemento sa X hanggang sa malabo na set A.
x-axis kumakatawan sa sansinukob ng diskurso.
y-axis kumakatawan sa mga degree ng pagiging miyembro sa agwat ng [0, 1].
Maaaring magkaroon ng maraming mga pag-andar ng pagiging miyembro na nalalapat upang bigyang-halaga ang isang numerong halaga. Ang mga simpleng pag-andar ng pagiging miyembro ay ginagamit bilang mga kumplikadong pag-andar ay hindi nagdaragdag ng katumpakan sa output. Ang membership function para sa Ang LP, MP, S, MN, at LN ay:
Ang mga tatsulok na mga katangian ng pag-andar ng pagiging miyembro ay pinakakaraniwan sa iba`t ibang mga iba pang mga hugis ng pag-andar ng pagiging miyembro. Dito, nag-iiba ang input sa 5-level fuzzifier mula sa -10 volts hanggang +10 volts . Samakatuwid nagbabago rin ang kaukulang output.
Fuzzy Logic vs Probability
| Fuzzy Logic | Ang posibilidad |
| Sa malabo na lohika, sinusubukan naming makuha ang mahahalagang konsepto ng pagiging hindi malinaw. | Ang posibilidad ay naiugnay sa mga kaganapan at hindi katotohanan, at ang mga kaganapang iyon ay maaaring maganap o hindi mangyayari |
| Kinukuha ng Fuzzy Logic ang kahulugan ng bahagyang katotohanan | Ang teorya ng posibilidad ay nakakakuha ng bahagyang kaalaman |
| Ang malabo na lohika ay tumatagal ng mga degree sa katotohanan bilang batayan sa matematika | Ang posibilidad ay isang matematika na modelo ng kamangmangan |
Kaya, ito ang ilan sa mga pagkakaiba sa pagitan ng malabo na lohika sa AI at posibilidad. Ngayon, tingnan natin ang ilan sa mga application ng lohika na ito.
Mga aplikasyon ng Fuzzy Logic
Ang Fuzzy na lohika ay ginagamit sa iba't ibang larangan tulad ng mga automotive system, domestic kalakal, kontrol sa kapaligiran, atbp. Ilan sa mga karaniwang aplikasyon ay:
Ginagamit ito sa larangan ng aerospace para sa kontrol sa altitude ng spacecraft at satellite.
Kinokontrol nito ang bilis at trapiko nasa mga sistema ng automotive.
Ginagamit ito para sa mga sistema ng suporta sa paggawa ng desisyon at personal na pagsusuri sa malaking negosyo ng kumpanya.
Kinokontrol din nito ang ph, drying, proseso ng paglilinis ng kemikal sa industriya ng kemikal .
pag-uri-uriin ang array c ++ pababang
Ginagamit ang malabo na lohika sa Pagproseso ng natural na wika at iba`t ibang intensive .
Malawakang ginagamit ito sa modernong mga sistema ng pagkontrol tulad ng mga dalubhasang sistema.
Ginagaya ng Fuzzy Logic kung paano magpapasya ang isang tao, mas mabilis lamang ito. Kaya, maaari mo itong magamit sa Mga Neural Network .
Ito ang ilan sa mga karaniwang aplikasyon ng Fuzzy Logic. Ngayon, tingnan natin ang mga pakinabang at kawalan ng paggamit ng Fuzzy Logic sa AI.
Mga Advantage at Disadvantage ng Fuzzy Logic
Ang malabo na lohika ay nagbibigay ng simpleng pangangatuwiran na katulad ng pangangatuwiran ng tao. Mayroong higit na tulad kalamangan ng paggamit ng lohika na ito, tulad ng:
Ang istraktura ng Fuzzy Logic Systems ay madali at naiintindihan
Malawakang ginagamit ang malabo na lohika komersyal at praktikal na hangarin
Tinutulungan ka nitong control machine at mga produktong consumer
Tinutulungan ka nitong harapin ang kawalang-katiyakan sa engineering
Karamihan matatag bilang walang eksaktong tumpak na pag-input
Kung tumigil sa paggana ang feedback sensor, maaari mo programa ito sa sitwasyon
Kaya mo madaling baguhin upang mapabuti o baguhin ang pagganap ng system
Mga murang sensor maaaring magamit na makakatulong sa iyo na panatilihing mababa ang pangkalahatang gastos ng system at pagiging kumplikado
Ito ang magkakaibang kalamangan ng malabo na lohika. Ngunit, mayroon itong ilan dehado din:
Malabo ang lohika hindi laging tama . Kaya't ang mga resulta ay pinaghihinalaang batay sa mga pagpapalagay at maaaring hindi matanggap nang malawak
Ito hindi makilala pati na rin ang mga pattern ng uri
Pagpapatunay at Pagpapatunay ng isang malabo pangangailangan ng system na nakabatay sa kaalaman malawak na pagsubok gamit ang hardware
Ang pagtatakda ng eksakto, malabo na mga panuntunan at, mga pagpapaandar ng pagiging miyembro ay isang mahirap na pagsubok
Sa mga oras, ang malabo na lohika ay naguguluhan kasama teorya ng posibilidad
Kaya, ito ang ilan sa mga pakinabang at kawalan ng paggamit ng malabo na lohika sa AI. Ngayon, kumuha tayo ng isang halimbawa sa totoong mundo at maunawaan ang paggana ng lohika na ito.
Fuzzy Logic sa AI: Halimbawa
Ang disenyo ng isang malabo na sistema ng lohika ay nagsisimula sa isang hanay ng mga pag-andar ng pagiging miyembro para sa bawat pag-input at isang hanay para sa bawat output. Ang isang hanay ng mga patakaran ay inilalapat sa mga pagpapaandar ng pagiging kasapi upang magbunga ng isang malutong na halaga ng output. Kumuha tayo ng isang halimbawa ng pagpigil sa proseso at maunawaan ang malabo na lohika.
Hakbang 1
Dito, Temperatura ay ang input at Bilis ng bentilador ay ang output. Kailangan mong lumikha ng isang hanay ng mga pagpapaandar ng pagiging kasapi para sa bawat input. Ang isang pag-andar ng pagiging miyembro ay simpleng isang graphic na representasyon ng mga malabo na hanay ng variable. Para sa halimbawang ito, gagamit kami ng tatlong malabo na hanay, Malamig maligamgam at Mainit . Lilikha kami ng isang function ng pagiging miyembro para sa bawat isa sa tatlong mga hanay ng temperatura:
Hakbang 2
Sa susunod na hakbang, gagamit kami ng tatlong mga malabo na set para sa output, Mabagal, Katamtaman at Mabilis . Ang isang hanay ng mga pagpapaandar ay nilikha para sa bawat set na output tulad din ng mga set ng input.
Hakbang 3
Ngayon na mayroon kaming tinukoy na mga pag-andar sa pagiging miyembro, makakalikha kami ng mga patakaran na tutukoy sa kung paano mailalapat ang mga pagpapaandar ng pagiging miyembro sa panghuling sistema. Lilikha kami ng tatlong mga patakaran para sa sistemang ito.
- Kung Mainit pagkatapos Mabilis
- Kung Warm pagkatapos Medium
- At, kung Cold pagkatapos ay Mabagal
Nalalapat ang mga patakarang ito sa mga pagpapaandar ng pagiging miyembro upang makagawa ng malulutong na halaga ng output upang himukin ang system. Kaya, para sa isang halaga ng pag-input ng 52 degree , intersect namin ang mga pagpapaandar ng pagiging miyembro. Dito, naglalapat kami ng dalawang mga patakaran habang nangyayari ang intersection sa parehong mga pag-andar. Maaari mong pahabain ang mga puntos ng intersection sa mga pagpapaandar na output upang makabuo ng isang intersecting point. Maaari mo ring maputol ang mga pagpapaandar na output sa taas ng mga intersecting point.
Ito ay isang napaka-simpleng paliwanag kung paano gumagana ang malabo na mga system ng lohika. Sa isang tunay na gumaganang system, maraming mga input at ang posibilidad ng maraming mga output. Magreresulta ito sa isang medyo kumplikadong hanay ng mga pag-andar at marami pang mga patakaran.
Sa pamamagitan nito, nakarating kami sa dulo ng aming artikulong Fuzzy Logic sa AI. Inaasahan kong naunawaan mo kung ano ang malabo na lohika at kung paano ito gumagana.
Gayundin, suriin ang Ang kurso ay na-curate ng mga propesyonal sa industriya ayon sa mga kinakailangan at hinihingi sa industriya. Mapagtutuunan mo ang mga konsepto tulad ng pag-andar ng SoftMax, Autoencoder Neural Networks, Pinaghihigpitang Boltzmann Machine (RBM) at gagana sa mga aklatan tulad ng Keras & TFLearn. Ang kurso ay espesyal na na-curate ng mga eksperto sa industriya na may real-time na mga pag-aaral ng kaso.
May tanong ba sa amin? Mangyaring banggitin ito sa seksyon ng mga komento ng 'Fuzzy Logic in AI' at babalikan ka namin.