Apakah Fuzzy Logic di AI dan Apa aplikasinya?

Dalam kehidupan kita sehari-hari, kita mungkin menghadapi situasi di mana kita tidak dapat menentukan sama ada keadaan itu benar atau salah. Fuzzy merujuk kepada sesuatu yang tidak jelas atau tidak jelas. Fuzzy Logic in AI memberikan fleksibiliti yang berharga untuk berfikir. Dan dalam artikel ini, kita akan belajar mengenai logik ini dan pelaksanaannya di mengikut urutan berikut:

• Apa itu Fuzzy Logic?
• Mengapa kita menggunakan Fuzzy Logic?
• Senibina
• Fungsi Keahlian
• Logik kabur vs Kebarangkalian
• Aplikasi Logik Fuzzy
• Kebaikan keburukan
• Logik kabur dalam AI: Contoh

Apa itu Fuzzy Logic?

Logik kabur (FL) adalah kaedah penaakulan yang menyerupai penaakulan manusia . Pendekatan ini serupa dengan bagaimana manusia melakukan pembuatan keputusan. Dan ia melibatkan semua kemungkinan pertengahan antara YA dan TIADA .

The blok logik konvensional yang difahami oleh komputer memerlukan input yang tepat dan menghasilkan output yang pasti sebagai BENAR atau SALAH, yang setara dengan YA atau TIDAK manusia. Logik Fuzzy diciptakan oleh Lotfi Zadeh yang melihat bahawa tidak seperti komputer, manusia mempunyai kemungkinan yang berlainan antara YA dan TIDAK, seperti:

Logik Fuzzy berfungsi pada tahap kemungkinan input untuk mencapai output yang pasti. Sekarang, bercakap mengenai pelaksanaan logik ini:

• Ia dapat dilaksanakan dalam sistem dengan ukuran dan kemampuan yang berbeza seperti pengawal mikro, rangkaian besar atau sistem berasaskan stesen kerja.

  
  
  

• Juga, ia dapat dilaksanakan di perkakasan, perisian atau gabungan antara kedua-duanya .

Mengapa kita menggunakan Fuzzy Logic?

Secara amnya, kami menggunakan sistem logik kabur untuk tujuan komersial dan praktikal seperti:

• Ia mengendalikan mesin dan produk pengguna

  cara mengimbas watak dalam java

• Sekiranya tidak beralasan tepat, sekurang-kurangnya memberikan penaakulan yang boleh diterima

• Ini membantu dalam menangani ketidakpastian dalam bidang kejuruteraan

Oleh itu, setelah anda mengetahui mengenai logik Fuzzy dalam AI dan mengapa kita menggunakannya, mari teruskan dan memahami seni bina logik ini.

Senibina Logik Fuzzy

Senibina logik kabur terdiri daripada empat bahagian utama:

• Peraturan - Ini berisi semua peraturan dan syarat jika-kemudian yang ditawarkan oleh para pakar untuk mengendalikan sistem pengambilan keputusan. Kemas kini terbaru dalam teori kabur memberikan kaedah berkesan yang berbeza untuk reka bentuk dan penalaan pengawal kabur . Biasanya, perkembangan ini mengurangkan bilangan peraturan kabur.

• Pengaburan - Langkah ini menukar input atau nombor yang tajam menjadi set kabur. Anda boleh mengukur input tajam oleh sensor dan memasukkannya ke dalam sistem kawalan untuk pemprosesan selanjutnya. Ia membahagikan isyarat input menjadi lima langkah seperti-

• Enjin Inferens - Ini menentukan tahap pertandingan antara input kabur dan peraturan. Menurut bidang input, ia akan memutuskan peraturan yang akan dipecat. Menggabungkan peraturan yang dipecat, membentuk tindakan kawalan.

• Defuzzification - Proses Defuzzification mengubah set kabur menjadi nilai yang tajam. Terdapat pelbagai jenis teknik yang ada, dan anda perlu memilih yang paling sesuai dengan sistem pakar.

Jadi, ini mengenai seni bina logik kabur dalam AI. Sekarang, mari kita fahami fungsi keahlian.

Fungsi Keahlian

Fungsi keahlian adalah graf yang menentukan bagaimana setiap titik di ruang input dipetakan ke nilai keahlian antara 0 dan 1. Ini membolehkan anda menghitung istilah linguistik dan mewakili kumpulan kabur secara grafik. Fungsi keanggotaan untuk set A yang kabur pada alam wacana X ditakrifkan sebagai & muA: X → [0.1]

Ini mengukur tahap keahlian elemen dalam X ke set A yang kabur.

• paksi-x mewakili alam wacana.

• paksi-y mewakili darjah keahlian dalam selang [0, 1].

Terdapat banyak fungsi keahlian yang dapat digunakan untuk menghilangkan nilai angka. Fungsi keahlian sederhana digunakan kerana fungsi kompleks tidak menambah ketepatan dalam output. Keahlian berfungsi untuk LP, MP, S, MN, dan LN adalah:

Bentuk fungsi keahlian segitiga paling biasa di antara pelbagai bentuk fungsi keahlian yang lain. Di sini, input ke fuzzifier 5 peringkat berbeza dari -10 volt hingga +10 volt . Oleh itu output yang sepadan juga berubah.

Logik kabur vs Kebarangkalian

Jadi, ini adalah beberapa perbezaan antara logik kabur dalam AI dan kebarangkalian. Sekarang, mari kita lihat beberapa aplikasi logik ini.

Aplikasi Logik Fuzzy

Logik Fuzzy digunakan dalam berbagai bidang seperti sistem automotif, barang domestik, kawalan persekitaran, dan lain-lain. Beberapa aplikasi umum adalah:

• Ia digunakan di bidang aeroangkasa untuk kawalan ketinggian kapal angkasa dan satelit.

• Ini mengawal kelajuan dan lalu lintas di dalam sistem automotif.

• Ia digunakan untuk sistem sokongan membuat keputusan dan penilaian peribadi dalam perniagaan syarikat besar.

• Ini juga mengendalikan pH, pengeringan, proses penyulingan kimia di industri kimia .

• Logik kabur digunakan dalam Pemprosesan bahasa semula jadi dan pelbagai intensif .

• Ia digunakan secara meluas di sistem kawalan moden seperti sistem pakar.

• Fuzzy Logic meniru bagaimana seseorang akan membuat keputusan, hanya lebih cepat. Oleh itu, anda boleh menggunakannya dengan Rangkaian Neural .

Ini adalah beberapa aplikasi umum dari Fuzzy Logic. Sekarang, mari kita lihat kelebihan dan kekurangan menggunakan Fuzzy Logic di AI.

Kelebihan & Kekurangan Logik Fuzzy

Logik kabur memberikan penaakulan mudah yang serupa dengan penaakulan manusia. Terdapat lebih banyak lagi kelebihan menggunakan logik ini, seperti:

• Struktur Sistem Logik Fuzzy adalah mudah dan difahami

• Logik kabur digunakan secara meluas untuk komersial dan tujuan praktikal

• Ia membantu anda mesin kawalan dan produk pengguna

  tambah dua nombor dalam java

• Ia membantu anda menangani masalah tersebut ketidakpastian dalam bidang kejuruteraan

• Selalunya mantap kerana tidak memerlukan input yang tepat

• Sekiranya sensor maklum balas berhenti berfungsi, anda boleh atur cara itu ke dalam keadaan

• Awak boleh mudah ubah suai untuk meningkatkan atau mengubah prestasi sistem

• Sensor murah boleh digunakan yang membantu anda memastikan kos dan kerumitan sistem keseluruhan rendah

Ini adalah kelebihan logik kabur yang berbeza. Tetapi, ia mempunyai beberapa keburukan juga:

• Logik kabur adalah tidak selalu tepat . Jadi hasilnya dirasakan berdasarkan andaian dan mungkin tidak diterima secara meluas

• Ia tidak dapat mengenali sama baiknya corak jenis

• Pengesahan dan Pengesahan keperluan sistem berasaskan pengetahuan yang kabur ujian yang luas dengan perkakasan

• Menetapkan peraturan yang tepat, kabur dan, fungsi keanggotaan adalah tugas yang susah

• Kadang-kadang, logik kabur adalah keliru dengan teori kebarangkalian

Jadi, ini adalah beberapa kelebihan dan kekurangan penggunaan logik kabur dalam AI. Sekarang, mari kita ambil contoh dunia nyata dan memahami cara logik ini.

Logik kabur dalam AI: Contoh

Reka bentuk sistem logik kabur bermula dengan satu set fungsi keahlian untuk setiap input dan satu set untuk setiap output. Satu set peraturan kemudian diterapkan pada fungsi keanggotaan untuk menghasilkan nilai output yang tajam. Mari kita ambil contoh kawalan proses dan memahami logik kabur.

Langkah 1

Di sini, Suhu adalah input dan Kelajuan kipas adalah output. Anda harus membuat satu set fungsi keahlian untuk setiap input. Fungsi keahlian hanyalah gambaran grafik dari set pemboleh ubah kabur. Untuk contoh ini, kita akan menggunakan tiga set kabur, Sejuk, Hangat dan Panas . Kami kemudian akan membuat fungsi keahlian untuk setiap tiga set suhu:

Langkah 2

Pada langkah seterusnya, kami akan menggunakan tiga set kabur untuk output, Perlahan, Sederhana dan Cepat . Satu set fungsi dibuat untuk setiap set output sama seperti set input.

cara mendapatkan panjang javascript array

Langkah 3

Setelah fungsi keanggotaan kita ditentukan, kita dapat membuat peraturan yang akan menentukan bagaimana fungsi keanggotaan akan diterapkan ke sistem akhir. Kami akan membuat tiga peraturan untuk sistem ini.

• Sekiranya Panas maka Cepat
• Sekiranya Hangat maka Sederhana
• Dan, jika Sejuk maka Lambat

Peraturan ini berlaku untuk fungsi keanggotaan untuk menghasilkan nilai output yang tajam untuk mendorong sistem. Oleh itu, untuk nilai input sebanyak 52 darjah , kita memotong fungsi keahlian. Di sini, kami menerapkan dua peraturan kerana persimpangan berlaku pada kedua fungsi tersebut. Anda boleh memanjangkan titik persimpangan ke fungsi output untuk menghasilkan titik persilangan. Anda kemudian dapat memotong fungsi output pada ketinggian titik-titik bersilang.

Ini adalah penjelasan yang sangat mudah mengenai bagaimana sistem logik kabur berfungsi. Dalam sistem kerja yang sebenarnya, akan ada banyak input dan kemungkinan beberapa output. Ini akan menghasilkan satu set fungsi yang cukup kompleks dan banyak lagi peraturan.

Dengan ini, kami telah sampai pada akhir artikel Logik Fuzzy kami dalam AI. Saya harap anda memahami apa itu logik kabur dan bagaimana ia berfungsi.

Juga, periksa Kursus dikendalikan oleh profesional industri mengikut keperluan & permintaan industri. Anda akan menguasai konsep seperti fungsi SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) dan bekerjasama dengan perpustakaan seperti Keras & TFLearn. Kursus ini telah dikuratori khas oleh pakar industri dengan kajian kes masa nyata.

Ada soalan untuk kami? Sila sebutkan di bahagian komen 'Fuzzy Logic in AI' dan kami akan menghubungi anda.