Kaj je mehka logika v umetni inteligenci in kakšne so njene aplikacije?



Fuzzy Logic v AI je metoda sklepanja. Ta pristop je podoben načinu, kako ljudje izvajajo odločanje, in vključuje vse možnosti med da in ne.

V vsakdanjem življenju se lahko soočimo s situacijami, ko ne moremo ugotoviti, ali je stanje resnično ali napačno. Fuzzy se nanaša na nekaj, kar je nejasno ali nejasno. Fuzzy Logic v umetni inteligenci nudi dragoceno prilagodljivost za razmišljanje. V tem članku bomo spoznali to logiko in njeno izvajanje v v naslednjem zaporedju:

Kaj je Fuzzy Logic?

Mehka logika (FL) je način razmišljanja, ki je podoben človeško sklepanje . Ta pristop je podoben načinu, kako ljudje izvajajo odločanje. In vključuje vse vmesne možnosti med DA in ŠT .





razlika med hash tabelo in hash map

mehka logika - mehka logika v AI - edureka

The običajni logični blok da računalnik razume, sprejme natančen vhod in ustvari določen izhod kot TRUE ali FALSE, kar je enakovredno človekovemu DA ali NE. Mehko logiko je izumil Lotfi Zadeh ki so opazili, da imajo ljudje za razliko od računalnikov različne možnosti med DA in NE, na primer:



Fuzzy logika deluje na ravni možnosti vnosa, da doseže določen izhod. Zdaj, ko govorimo o izvajanju te logike:

  • Lahko se izvaja v sistemih z različnimi velikostmi in zmožnostmi, kot so mikrokrmilniki, veliki omrežni ali sistemi, ki temeljijo na delovnih postajah.



  • Prav tako ga je mogoče implementirati v strojna oprema, programska oprema ali kombinacija oboje .

Zakaj uporabljamo Fuzzy Logic?

Na splošno sistem mehke logike uporabljamo tako za komercialne kot praktične namene, kot so:

  • To nadzoruje stroje in potrošniški izdelki

  • Če ne natančno obrazložitev, vsaj vsebuje sprejemljivo obrazložitev

  • To pomaga pri reševanju negotovost v inženirstvu

Zdaj, ko veste o mehki logiki v umetni inteligenci in zakaj jo dejansko uporabljamo, pojdimo naprej in razumemo arhitekturo te logike.

Mehka logična arhitektura

Mehka logična arhitektura je sestavljena iz štirih glavnih delov:

  • Pravila - Vsebuje vsa pravila in pogoje, ki jih ponujajo strokovnjaki za nadzor sistema odločanja. Nedavna posodobitev v mehki teoriji ponuja različne učinkovite metode za načrtovanje in uglaševanje mehki krmilniki . Običajno ta dogajanja zmanjšajo število nejasnih pravil.

  • Mehčanje - Ta korak pretvori vhode ali jasne številke v mehke množice. Jasne vhode lahko izmerite s senzorji in jih prenesete v nadzorni sistem za nadaljnjo obdelavo. Vhodni signal razdeli na pet korakov, na primer

  • Mehanizem sklepanja - Določa stopnjo ujemanja med mehkimi vnosi in pravili. Glede na vnosno polje bo odločal o pravilih, ki jih je treba sprožiti. S kombinacijo odpuščenih pravil oblikujte nadzorne akcije.

  • Razmazovanje - Postopek razmazovanja pretvori mehke množice v ostro vrednost. Na voljo so različne vrste tehnik, s strokovnim sistemom pa morate izbrati najprimernejšo.

Torej, tu je šlo za arhitekturo mehke logike v AI. Zdaj pa razumimo funkcijo članstva.

Funkcija članstva

Funkcija članstva je a graf ki določa, kako bo vsaka točka v vhodni prostor je preslikana na vrednost članstva med 0 in 1. Omogoča vam kvantificirati jezikovne izraze in grafično predstavljajo mehke množice. Funkcija članstva za mehki niz A v vesolju diskurza X je definirana kot & muA: X → [0,1]

Kvantificira stopnjo pripadnosti elementa v X mehkemu nizu A.

  • os x predstavlja vesolje diskurza.

  • os y predstavlja stopnje članstva v intervalu [0, 1].

Za mešanje številčne vrednosti je mogoče uporabiti več funkcij članstva. Uporabljajo se enostavne funkcije članstva, saj kompleksne funkcije ne dodajo natančnosti v izhodu. Funkcije članstva za LP, MP, S, MN in LN so:

Trikotne oblike funkcij članstva so najpogostejše med različnimi drugimi oblikami funkcij članstva. Tu se vhod v 5-stopenjski fuzzifier razlikuje -10 voltov do +10 voltov . Zato se spremeni tudi ustrezen izhod.

Mehka logika vs verjetnost

Mehka logika Verjetnost
V mehki logiki v bistvu poskušamo ujeti bistveni koncept nejasnosti.Verjetnost je povezana z dogodki in ne z dejstvi, ti dogodki pa se bodo zgodili ali ne
Fuzzy Logic zajema pomen delne resniceTeorija verjetnosti zajema delno znanje
Mehka logika vzame resnične stopnje kot matematično osnovoVerjetnost je matematični model nevednosti

To so bile nekatere razlike med mehko logiko v umetni inteligenci in verjetnostjo. Zdaj pa si oglejmo nekaj aplikacij te logike.

Aplikacije Fuzzy Logic

Fuzzy logika se uporablja na različnih področjih, kot so avtomobilski sistemi, domače blago, nadzor okolja itd. Nekatere pogoste aplikacije so:

  • Uporablja se v vesoljsko polje za nadzor nadmorske višine vesoljskih plovil in satelitov.

  • Ta nadzoruje hitrost in promet v avtomobilski sistemi.

  • Uporablja se za sistemi za podporo odločanju in osebno ocenjevanje v poslu velikega podjetja.

  • Nadzira tudi pH, sušenje, postopek kemične destilacije v kemična industrija .

    najnovejša tehnologija v umetni inteligenci
  • V jeziku je uporabljena mehka logika Obdelava naravnega jezika in različne intenzivne .

  • Veliko se uporablja v sodobni nadzorni sistemi kot so strokovni sistemi.

  • Fuzzy Logic posnema, kako bi se človek odločal, le veliko hitreje. Tako ga lahko uporabljate z Nevronske mreže .

To je bilo nekaj pogostih aplikacij Fuzzy Logic. Zdaj pa si oglejmo prednosti in slabosti uporabe Fuzzy Logic v AI.

Prednosti in slabosti mehke logike

Mehka logika zagotavlja preprosto razmišljanje, podobno človeškemu. Takih je še več prednosti uporabe te logike, kot so:

  • Struktura Fuzzy Logic Systems je enostavno in razumljivo

  • Mehka logika se pogosto uporablja za komercialni in praktične namene

  • Pomaga vam nadzorni stroji potrošniških izdelkov

  • Pomaga vam pri spopadanju z negotovost v inženirstvu

  • Večinoma robusten saj niso potrebni natančni vnosi

  • Če senzor povratnih informacij preneha delovati, lahko ga programirajte v situacijo

  • Ti lahko enostavno spremeniti izboljšati ali spremeniti delovanje sistema

  • Poceni senzorji se lahko uporablja, kar vam pomaga pri nizkih splošnih sistemskih stroških in zahtevnosti

To so bile različne prednosti mehke logike. Toda nekaj jih ima slabosti kot tudi:

  • Mehka logika je ni vedno natančen . Rezultati so torej zaznani na podlagi predpostavk in morda niso splošno sprejeti

  • To ne more prepoznati tako dobro, kot vzorci tipa

  • Preverjanje in preverjanje mehkih sistemskih potreb, ki temeljijo na znanju obsežno testiranje s strojno opremo

  • Nastavitev natančnih, nejasnih pravil in funkcij članstva je a težka naloga

  • Včasih je mehka logika zmeden s teorija verjetnosti

To je bilo nekaj prednosti in slabosti uporabe mehke logike v AI. Zdaj pa vzemimo resnični primer in razumemo delovanje te logike.

Mehka logika v umetni inteligenci: primer

Zasnova mehkega logičnega sistema se začne z naborom funkcij članstva za vsak vhod in naborom za vsak izhod. Nato se za funkcije članstva uporabi nabor pravil, da se dobi jasna izhodna vrednost. Vzemimo primer nadzora procesa in razumemo mehko logiko.

Korak 1

Tukaj, Temperatura je vnos in Hitrost ventilatorja je izhod. Za vsak vnos morate ustvariti nabor funkcij članstva. Funkcija članstva je preprosto grafični prikaz nizov mehkih spremenljivk. Za ta primer bomo uporabili tri mehke sklope, Hladno, toplo in Vroče . Nato bomo ustvarili funkcijo članstva za vsakega od treh sklopov temperature:

2. korak

V naslednjem koraku bomo za izhod uporabili tri mehke sklope, Počasi, srednje in Hitro . Za vsak izhodni niz se ustvari nabor funkcij, tako kot za vhodne nize.

3. korak

Zdaj, ko imamo definirane funkcije članstva, lahko ustvarimo pravila, ki bodo opredelila, kako bodo funkcije članstva uporabljene v končnem sistemu. Za ta sistem bomo ustvarili tri pravila.

  • Če vroče, potem hitro
  • Če je toplo, potem srednje
  • In, če je hladno, potem počasi

Ta pravila veljajo za funkcije članstva za izdelavo jasne izhodne vrednosti za pogon sistema. Tako je za vhodno vrednost 52 stopinj , sečemo članske funkcije. Tu uporabljamo dve pravili, ko se presečišče zgodi pri obeh funkcijah. Presečišča lahko razširite na izhodne funkcije, da dobite presečišče. Nato lahko izhodne funkcije obrežete na višini presečišč.

To je bila zelo preprosta razlaga, kako delujejo mehki logični sistemi. V resničnem delujočem sistemu bi bilo veliko vhodov in možnost več izhodov. To bi povzročilo dokaj zapleten nabor funkcij in še veliko več pravil.

S tem smo prišli do konca našega članka Fuzzy Logic in AI. Upam, da ste razumeli, kaj je mehka logika in kako deluje.

Oglejte si tudi Tečaj pripravljajo strokovnjaki iz panoge v skladu z zahtevami in zahtevami panoge. Obvladali boste koncepte, kot so funkcija SoftMax, nevronske mreže samodejnega kodiranja, omejeni stroj Boltzmann (RBM) in delo s knjižnicami, kot sta Keras in TFLearn. Tečaj so posebej pripravili strokovnjaki iz industrije s študijami primerov v realnem času.

Imate vprašanje za nas? Prosimo, omenite ga v oddelku za komentarje v 'Fuzzy Logic in AI' in javili se vam bomo.