Kas yra „Fuzzy Logic“ dirbtiniame intelekte ir kokios yra jo programos?

„Fuzzy Logic in AI“ yra samprotavimo metodas. Šis požiūris yra panašus į tai, kaip žmonės priima sprendimus, ir apima visas galimybes tarp „taip“ ir „ne“.

Kasdienybėje galime susidurti su situacijomis, kai negalime nustatyti, ar valstybė teisinga, ar netikra. „Fuzzy“ reiškia neaiškų ar neaiškų dalyką. Dirbtinio intelekto „Fuzzy Logic“ suteikia vertingą argumentavimo lankstumą. Šiame straipsnyje sužinosime apie šią logiką ir jos įgyvendinimą tokia seka:

Kas yra „Fuzzy Logic“?

Apytikslė logika (FL) yra panašus samprotavimo metodas žmogaus samprotavimai . Šis požiūris yra panašus į tai, kaip žmonės priima sprendimus. Ir tai apima visas tarpines galimybes tarp TAIP ir NE .



neryški logika - neryški logika dirbtiniame intelekte - edureka

The įprastas logikos blokas kad kompiuteris supranta, kad reikia tikslios įvesties ir sukuria apibrėžtą išvestį kaip TIKRA arba NETIESA, kuri prilygsta žmogaus TAIP ar NE. „Fuzzy“ logiką išrado Lotfi Zadeh kurie pastebėjo, kad skirtingai nuo kompiuterių, žmonėms yra skirtingos galimybės tarp TAIP ir NE, pavyzdžiui:

„Fuzzy“ logika veikia įvesties galimybių lygiuose, norint pasiekti apibrėžtą išvestį. Dabar, kalbėdamas apie šios logikos įgyvendinimą:

  • Tai gali būti įdiegta skirtingo dydžio ir galimybių sistemose, tokiose kaip mikrovaldikliai, dideli tinkle arba darbo stočių sistemos.

  • Be to, jis gali būti įgyvendintas Techninė įranga, programinė įranga arba jų derinys tiek .

    darbo ieškotojas ir užduočių vykdytojas hadoope

Kodėl mes naudojame „Fuzzy Logic“?

Paprastai neaiškios logikos sistemą naudojame tiek komerciniais, tiek praktiniais tikslais, pavyzdžiui:

  • Tai valdo mašinas ir vartojimo prekės

  • Jei tai nėra tikslus argumentas, tai bent jau pateikia priimtini argumentai

  • Tai padeda susitvarkyti su inžinerijos neapibrėžtumas

Taigi, dabar, kai žinote apie „Fuzzy“ logiką dirbtiniame intelekte ir kodėl mes ją iš tikrųjų naudojame, pereikime ir supraskime šios logikos architektūrą.

„Fuzzy Logic Architecture“

Apytikslę loginę architektūrą sudaro keturios pagrindinės dalys:

  • Taisyklės - Jame pateikiamos visos taisyklės ir sąlygos, kurias ekspertai siūlo kontroliuoti sprendimų priėmimo sistemą. Naujausiame neaiškios teorijos atnaujinime pateikiami skirtingi efektyvūs metodai kuriant ir derinant neryškūs valdikliai . Paprastai šie pokyčiai sumažina neryškių taisyklių skaičių.

  • Suplakimas - Šis žingsnis konvertuoja įvestis arba aiškius skaičius į neryškius rinkinius. Galite išmatuoti aiškius įvadus jutikliais ir perduoti juos į valdymo sistema tolesniam perdirbimui. Jis padalija įvesties signalą į penkis žingsnius, tokius kaip:

  • Išvadų variklis - Tai nustato neaiškios įvesties ir taisyklių atitikties laipsnį. Pagal įvesties lauką ji nuspręs, kurios taisyklės bus paleistos. Sujungdami atleistas taisykles suformuokite kontrolės veiksmus.

  • Defuzifikacija - Defuzzifikavimo procesas neaiškius rinkinius paverčia aiškia verte. Yra įvairių tipų metodų, ir jums reikia pasirinkti tinkamiausią su ekspertų sistema.

Taigi, tai buvo apie neryškios logikos architektūrą AI. Dabar supraskime narystės funkciją.

Narystės funkcija

Narystės funkcija yra a grafikas tai apibrėžia, kaip kiekvienas taškas įvesties vieta yra susietas su narystės verte nuo 0 iki 1. Tai leidžia jums kiekybiškai įvertinti kalbinius terminus ir vaizduoja neryškią rinkinį grafiškai. Neaiškios A rinkinio narystės funkcija X diskurso visatoje apibrėžiama kaip & muA: X → [0,1]

Jis kiekybiškai įvertina elemento narystės laipsnį X ​​neryškia aibe A.

  • x ašis reprezentuoja diskurso visatą.

  • y ašis nurodo narystės laipsnius [0, 1] intervale.

Skaitinei vertei suformuoti gali būti kelios narystės funkcijos. Naudojamos paprastos narystės funkcijos, nes sudėtingos funkcijos nepadeda tikslumo išvestyje. Narystės funkcijos LP, MP, S, MN ir LN yra:

Trikampės narystės funkcijos formos yra labiausiai paplitusios tarp įvairių kitų narystės funkcijos formų. Čia įvestis į 5 lygių fuzzifier skiriasi nuo Nuo -10 voltų iki +10 voltų . Taigi keičiasi ir atitinkama produkcija.

Apytikslė logika ir tikimybė

Apytikslė logika Tikimybė
Pagal neaiškią logiką mes iš esmės bandome užfiksuoti esminę neapibrėžtumo sampratą.Tikimybė siejama su įvykiais, o ne faktais, ir tie įvykiai arba įvyks, arba neįvyks
„Fuzzy Logic“ užfiksuoja dalinės tiesos prasmęTikimybių teorija fiksuoja dalines žinias
Apytikslė logika matematikos pagrindu laiko tiesos laipsniusTikimybė yra matematinis nežinojimo modelis

Taigi, tai buvo keletas neaiškios AI logikos ir tikimybės skirtumų. Pažvelkime į kai kurias šios logikos programas.

„Fuzzy Logic“ programos

„Fuzzy“ logika naudojama įvairiose srityse, tokiose kaip automobilių sistemos, buitinės prekės, aplinkos kontrolė ir kt. Kai kurios įprastos programos yra šios:

  • Jis naudojamas aviacijos erdvėje dėl aukščio kontrolė erdvėlaivių ir palydovų.

  • Tai valdo greitis ir eismas viduje automobilių sistemos.

  • Jis naudojamas sprendimų priėmimo paramos sistemos ir asmeninis vertinimas didelių įmonių versle.

  • Jis taip pat kontroliuoja pH, džiovinimą, cheminį distiliavimo procesą chemijos pramonė .

  • Naudojama neapibrėžta logika Natūralios kalbos apdorojimas ir įvairios intensyvios .

  • Jis yra plačiai naudojamas modernios valdymo sistemos pavyzdžiui, ekspertų sistemos.

  • „Fuzzy Logic“ imituoja tai, kaip žmogus priimtų sprendimus, tik daug greičiau. Taigi, galite jį naudoti su Neuroniniai tinklai .

Tai buvo keletas dažniausiai naudojamų „Fuzzy Logic“ programų. Pažvelkime į „Fuzzy Logic“ naudojimo dirbtiniame intelekte privalumus ir trūkumus.

„Fuzzy Logic“ privalumai ir trūkumai

Apytikslė logika pateikia paprastus samprotavimus, panašius į žmogaus samprotavimus. Tokių yra ir daugiau privalumai naudoti šią logiką, pavyzdžiui:

  • „Fuzzy Logic Systems“ struktūra yra lengva ir suprantama

    kaip sukurti pavienę klasę java
  • Apytikslė logika naudojama plačiai komercinis ir praktiniais tikslais

  • Tai jums padeda valdymo mašinos ir vartojimo prekės

  • Tai padeda jums susitvarkyti su inžinerijos neapibrėžtumas

  • Dažniausiai tvirtas nes nereikia tikslių įvesties

  • Jei grįžtamojo ryšio jutiklis nustoja veikti, galite jį užprogramuoti į situaciją

  • Tu gali lengvai modifikuoti pagerinti ar pakeisti sistemos veikimą

  • Nebrangūs jutikliai gali būti naudojamas, o tai padės jums išlaikyti mažą bendrą sistemos kainą ir sudėtingumą

Tai buvo skirtingi neaiškios logikos privalumai. Bet ji turi keletą trūkumų taip pat:

  • Apytikslė logika yra ne visada tiksli . Taigi rezultatai suvokiami remiantis prielaidomis ir gali būti nepriimtini

  • Tai negali atpažinti taip pat gerai tipo modeliai

  • Patvirtinimas ir patikra neaiškių žiniomis pagrįstų sistemų poreikių išsamus bandymas su aparatine įranga

  • Tikslių, neryškių taisyklių ir narystės funkcijų nustatymas yra a sunki užduotis

  • Kartais neaiški logika yra sumišęs su tikimybių teorija

    kaip mesti dvigubai int java

Taigi, tai buvo keletas neaiškios logikos naudojimo dirbtiniame intelekte privalumų ir trūkumų. Paimkime realaus pasaulio pavyzdį ir supraskime šios logikos veikimą.

„Fuzzy Logic in AI“: pavyzdys

Neaiškios loginės sistemos projektavimas prasideda nuo narystės funkcijų rinkinio kiekvienam įėjimui ir rinkinio kiekvienam išėjimui. Tada narystės funkcijoms taikomas taisyklių rinkinys, kad būtų gaunama aiški išvesties vertė. Paimkime proceso valdymo pavyzdį ir supraskime neaiškią logiką.

1 žingsnis

Čia Temperatūra yra įvestis ir Ventiliatoriaus greitis yra išvestis. Kiekvienam įėjimui turite sukurti narystės funkcijų rinkinį. Narystės funkcija yra tiesiog neryškių kintamųjų rinkinių grafinis atvaizdavimas. Šiame pavyzdyje naudosime tris neaiškius rinkinius, Šalta, šilta ir Karšta . Tada sukursime narystės funkciją kiekvienam iš trijų temperatūros rinkinių:

2 žingsnis

Kitame etape išvesties naudosime tris neaiškius rinkinius, Lėtas, vidutinis ir Greitai . Kiekvienam išvesties rinkiniui sukuriamas funkcijų rinkinys, kaip ir įvesties rinkiniams.

3 žingsnis

Dabar, kai turime apibrėžtas narystės funkcijas, galime sukurti taisykles, apibrėžiančias, kaip narystės funkcijos bus taikomos galutinei sistemai. Mes sukursime tris šios sistemos taisykles.

  • Jei karšta, tada greitai
  • Jei šilta, tada vidutinė
  • Ir, jei šalta, tada lėta

Šios taisyklės taikomos narystės funkcijoms, kad būtų sukurta aiški išvesties vertė, kuria valdoma sistema. Taigi, kai įvesties vertė yra 52 laipsniai , mes kertame narystės funkcijas. Čia mes taikome dvi taisykles, nes susikirtimas vyksta abiejose funkcijose. Norėdami sukurti susikertantį tašką, galite išplėsti sankirtos taškus iki išvesties funkcijų. Tada galite sutrumpinti išvesties funkcijas susikertančių taškų aukštyje.

Tai buvo labai paprastas neaiškios logikos sistemų paaiškinimas. Tikroje veikiančioje sistemoje būtų daug įėjimų ir galimybė keliems išėjimams. Tai sukeltų gana sudėtingą funkcijų rinkinį ir daug daugiau taisyklių.

Tuo mes baigėme savo „Fuzzy Logic in AI“ straipsnį. Tikiuosi, kad supratote, kas yra neaiški logika ir kaip ji veikia.

Be to, patikrinkite Kursą kuruoja pramonės specialistai pagal pramonės reikalavimus ir reikalavimus. Išmoksite tokias sąvokas kaip „SoftMax“ funkcija, „Autoencoder“ neuroniniai tinklai, „Restricted Boltzmann Machine“ (RBM) ir dirbsite su tokiomis bibliotekomis kaip „Keras & TFLearn“. Kursą specialiai kuravo pramonės ekspertai, atlikdami realaus laiko atvejų analizę.

Turite mums klausimą? Prašau paminėti tai „Fuzzy Logic in AI“ komentarų skyriuje ir mes su jumis susisieksime.