En el nostre dia a dia, és possible que ens enfrontem a situacions en què no puguem determinar si l’estat és cert o fals. Fuzzy es refereix a quelcom que no és clar o és imprecís. Fuzzy Logic en IA proporciona una valuosa flexibilitat per al raonament. I en aquest article, coneixerem aquesta lògica i la seva implementació a en la següent seqüència:
- Què és Fuzzy Logic?
- Per què fem servir Fuzzy Logic?
- Arquitectura
- Funció de pertinença
- Fuzzy Logic vs Probability
- Aplicacions de Fuzzy Logic
- Avantatges i desavantatges
- Fuzzy Logic en IA: exemple
Què és Fuzzy Logic?
Lògica difusa (FL) és un mètode de raonament que s’assembla raonament humà . Aquest enfocament és similar a com els humans realitzen la presa de decisions. I implica totes les possibilitats intermèdies entre SÍ i NO .
El bloc lògic convencional que un ordinador entén que té una entrada precisa i produeix una sortida definida com a VERITAT o FALS, que equival al SÍ o al NO d’un ésser humà. La lògica difusa va ser inventada per Lotfi Zadeh qui va observar que a diferència dels ordinadors, els humans tenim un ventall diferent de possibilitats entre SÍ i NO, com ara:
La lògica Fuzzy funciona en els nivells de possibilitats d’entrada per aconseguir una sortida definida. Ara, parlant de la implementació d’aquesta lògica:
Es pot implementar en sistemes amb diferents mides i capacitats, com ara microcontroladors, grans en xarxa o bé sistemes basats en estacions de treball.
També es pot implementar a maquinari, programari o una combinació de tots dos .
Per què fem servir Fuzzy Logic?
En general, fem servir el sistema de lògica difusa per a fins comercials i pràctics, com ara:
Això controla les màquines i productes del Consumidor
Si no és un raonament precís, almenys proporciona raonament acceptable
Això ajuda a tractar el incertesa en enginyeria
Per tant, ara que ja coneixeu la lògica difusa a la intel·ligència artificial i per què l’utilitzem realment, anem a continuar i entenem l’arquitectura d’aquesta lògica.
Fuzzy Logic Architecture
L'arquitectura de lògica difusa consta de quatre parts principals:
Normes - Conté totes les regles i les condicions de si oferides pels experts per controlar el sistema de presa de decisions. La recent actualització de la teoria difusa proporciona diferents mètodes eficaços per al disseny i la posada a punt controladors difusos . Normalment, aquests desenvolupaments redueixen el nombre de regles difuses.
Fuzzificació - Aquest pas converteix les entrades o els nombres nítids en conjunts difusos. Podeu mesurar les entrades nítides mitjançant sensors i passar-les al fitxer sistema de control per a un processament posterior. Divideix el senyal d'entrada en cinc passos, com ara:
Motor d’inferència - Determina el grau de concordança entre l'entrada difusa i les regles. Segons el camp d’introducció, decidirà les regles que s’han d’activar. Combinant les regles activades, formeu les accions de control.
Desfuzzificació - El procés de desfuzzificació converteix els conjunts difusos en un valor nítid. Hi ha diferents tipus de tècniques disponibles i heu de seleccionar la més adequada amb un sistema expert.
Per tant, es tractava de l’arquitectura de la lògica difusa a la IA. Ara, entenem la funció de pertinença.
Funció de pertinença
La funció de pertinença és a gràfic que defineix com cada punt del fitxer espai d'entrada està assignat al valor de pertinença entre 0 i 1. Us ho permet quantificar termes lingüístics i representar gràficament un conjunt difús. Es defineix una funció de pertinença per a un conjunt difús A de l'univers del discurs X & muA: X → [0,1]
Quantifica el grau de pertinença de l’element en X al conjunt difús A.
eix x representa l’univers del discurs.
i-axis representa els graus de pertinença a l'interval [0, 1].
com convertir un doble a un int java
Hi pot haver diverses funcions de pertinença aplicables per definir un valor numèric. S'utilitzen funcions de pertinença simples ja que les funcions complexes no aporten precisió a la sortida. Les funcions de pertinença a LP, MP, S, MN i LN són:
Les formes de funció de pertinença triangular són més freqüents entre altres formes de funcions de pertinença. Aquí, l’entrada al difusor de 5 nivells varia de -10 volts a +10 volts . Per tant, la sortida corresponent també canvia.
Fuzzy Logic vs Probability
Lògica difusa | Probabilitat |
En una lògica difusa, bàsicament intentem captar el concepte essencial de la indefinició. | La probabilitat s’associa amb esdeveniments i no amb fets, i aquests esdeveniments es produiran o no es produiran |
Fuzzy Logic capta el significat de la veritat parcial | La teoria de la probabilitat capta coneixement parcial |
La lògica difusa pren els graus de veritat com a base matemàtica | La probabilitat és un model matemàtic d’ignorància |
Per tant, aquestes eren algunes de les diferències entre la lògica difusa en IA i la probabilitat. Ara fem una ullada a algunes de les aplicacions d’aquesta lògica.
Aplicacions de Fuzzy Logic
La lògica Fuzzy s'utilitza en diversos camps com ara sistemes d'automoció, béns domèstics, control del medi ambient, etc. Algunes de les aplicacions habituals són:
S'utilitza a camp aeroespacial per control d’altitud de naus espacials i satèl·lit.
Això controla el fitxer velocitat i trànsit al sistemes d'automoció.
S'utilitza per sistemes de suport a la presa de decisions i avaluació personal en el negoci de grans empreses.
També controla el pH, l'assecat i el procés de destil·lació química a la indústria química .
S'utilitza la lògica difusa Processament del llenguatge natural i diversos intensius .
S'utilitza àmpliament a sistemes de control moderns com ara sistemes experts.
Fuzzy Logic imita com una persona prendria decisions, però molt més ràpidament. Per tant, podeu utilitzar-lo amb Xarxes neuronals .
Aquestes van ser algunes de les aplicacions més habituals de Fuzzy Logic. Ara fem una ullada als avantatges i desavantatges d’utilitzar Fuzzy Logic a IA.
Avantatges i desavantatges de Fuzzy Logic
La lògica difusa proporciona un raonament senzill similar al raonament humà. N’hi ha més avantatges d'utilitzar aquesta lògica, com ara:
L’estructura de Fuzzy Logic Systems és fàcil i entenedor
La lògica difusa s’utilitza àmpliament per comercial i finalitats pràctiques
T’ajuda màquines de control i productes de consum
T'ajuda a tractar amb incertesa en enginyeria
Sobretot robust ja que no calen entrades precises
Si el sensor de retroalimentació deixa de funcionar, podeu fer-ho programa-ho a la situació
Tu pots modificar fàcilment per millorar o alterar el rendiment del sistema
Sensors econòmics es pot utilitzar, cosa que us ajuda a mantenir el cost i la complexitat generals del sistema baixos
Aquests eren els diferents avantatges de la lògica difusa. Però, en té desavantatges també:
La lògica difusa és no sempre precís . Per tant, els resultats es perceben basant-se en suposicions i és possible que no siguin àmpliament acceptats
Això no ho puc reconèixer així com patrons de tipus
Validació i verificació d'un sistema difús basat en el coneixement de les necessitats proves extenses amb maquinari
Establir regles exactes i difuses i funcions de pertinença és un tasca difícil
De vegades, la lògica difusa és confós amb teoria de la probabilitat
Per tant, aquests van ser alguns dels avantatges i desavantatges d’utilitzar la lògica difusa a la IA. Ara, prenem un exemple del món real i entenem el funcionament d’aquesta lògica.
Fuzzy Logic en IA: exemple
El disseny d’un sistema de lògica difusa comença amb un conjunt de funcions de pertinença per a cada entrada i un conjunt per a cada sortida. A continuació, s'aplica un conjunt de regles a les funcions de pertinença per obtenir un valor de sortida nítid. Prenem un exemple de control de processos i entenem la lògica difusa.
Pas 1
Aquí, Temperatura és l'entrada i La velocitat del ventilador és la sortida. Heu de crear un conjunt de funcions de pertinença per a cada entrada. Una funció de pertinença és simplement una representació gràfica dels conjunts de variables difuses. Per a aquest exemple, utilitzarem tres conjunts difusos, Freda, càlida i Calent . A continuació, crearem una funció de pertinença per a cadascun dels tres conjunts de temperatura:
Pas 2
Al següent pas, utilitzarem tres conjunts difusos per a la sortida, Lent, mitjà i Ràpid . Es crea un conjunt de funcions per a cada conjunt de sortida igual que per als conjunts d’entrada.
Pas 3
Ara que tenim les funcions de pertinença definides, podem crear les regles que definiran com s’aplicaran les funcions de pertinença al sistema final. Crearem tres regles per a aquest sistema.
- Si és calent, ràpid
- Si és càlid, llavors és mitjà
- I, si és fred, llavors és lent
Aquestes regles s'apliquen a les funcions de pertinença per produir el valor de sortida nítid que condueix el sistema. Per tant, per a un valor d'entrada de 52 graus , creuem les funcions de pertinença. Aquí, estem aplicant dues regles ja que la intersecció es produeix en ambdues funcions. Podeu estendre els punts d'intersecció a les funcions de sortida per produir un punt d'intersecció. A continuació, podeu truncar les funcions de sortida a l'alçada dels punts que es creuen.
Aquesta va ser una explicació molt senzilla de com funcionen els sistemes de lògica difusa. En un sistema de treball real, hi hauria moltes entrades i la possibilitat de diverses sortides. Això resultaria en un conjunt de funcions bastant complex i moltes més regles.
Amb això, hem arribat al final del nostre article de Fuzzy Logic in AI. Espero que hagueu entès què és la lògica difusa i com funciona.
Consulteu també el fitxer El curs està comissariat per professionals de la indústria segons els requisits i les exigències de la indústria. Dominarà conceptes com ara la funció SoftMax, les xarxes neuronals del codificador automàtic, la màquina restringida de Boltzmann (RBM) i treballareu amb biblioteques com Keras i TFLearn. El curs ha estat especialment comissariat per experts del sector amb estudis de casos en temps real.
Tens alguna pregunta? Esmenteu-lo a la secció de comentaris de 'Fuzzy Logic in AI' i us respondrem.