Искусственный интеллект - нечеткие логические системы

Нечеткие логические системы (FLS) выдают приемлемый, но определенный выходной сигнал в ответ на неполный, неоднозначный, искаженный или неточный (нечеткий) ввод.

Что такое нечеткая логика?

Нечеткая логика (FL) - это метод рассуждения, напоминающий рассуждения человека. Подход FL имитирует способ принятия решений у людей, который включает в себя все промежуточные возможности между цифровыми значениями YES и NO.

Обычный логический блок, который может понять компьютер, принимает точный ввод и выдает определенный вывод как ИСТИНА или ЛОЖЬ, что эквивалентно ДА или НЕТ человека.

Изобретатель нечеткой логики Лотфи Заде заметил, что в отличие от компьютеров, принятие решений человеком включает в себя ряд возможностей между ДА и НЕТ, таких как -

ВНИМАТЕЛЬНО ДА
ВОЗМОЖНО ДА
НЕ МОГУ СКАЗАТЬ
ВОЗМОЖНО НЕТ
УЖЕ НЕТ

Нечеткая логика работает на уровнях возможностей ввода для достижения определенного результата.

Реализация

  • Он может быть реализован в системах с различными размерами и возможностями - от небольших микроконтроллеров до больших сетевых систем управления на рабочих станциях.

  • Это может быть реализовано в аппаратном, программном обеспечении или комбинации того и другого.

Почему нечеткая логика?

Нечеткая логика полезна в коммерческих и практических целях.

  • Он может контролировать машины и потребительские товары.
  • Это может не дать точных рассуждений, но приемлемых рассуждений.
  • Нечеткая логика помогает справиться с неопределенностью в технике.

Архитектура нечетких логических систем

У этого есть четыре главных части как показано -

  • Модуль фаззификации - преобразует входные данные системы, которые являются четкими числами, в нечеткие множества. Он разбивает входной сигнал на пять шагов, таких как -

LP х большой положительный
член парламента х средний положительный
S х маленький
Миннесота х средний отрицательный
Л.Н. х большой отрицательный
  • База знаний - хранит правила IF-THEN, предоставленные экспертами.

  • Механизм логического вывода - он моделирует процесс мышления человека, делая нечеткий вывод на входах и правилах IF-THEN.

  • Модуль дефаззификации - преобразует нечеткий набор, полученный механизмом логического вывода, в четкое значение.

Нечеткая логическая система

Функции принадлежности работают на нечетких множествах переменных.

Функция членства

Функции принадлежности позволяют количественно определять лингвистический термин и графически представлять нечеткое множество. Функция принадлежности нечеткого множества A во вселенной дискурса X определяется как μ A : X → [0,1].

Здесь каждый элемент X отображается на значение между 0 и 1. Это называется значением или степенью членства . Он количественно определяет степень принадлежности элемента в X нечеткому множеству A.

  • Ось х представляет вселенную дискурса.
  • Ось Y представляет степени принадлежности в интервале [0, 1].

Может быть несколько функций принадлежности, применимых для нечеткого числового значения. Простые функции членства используются, поскольку использование сложных функций не добавляет большей точности в вывод.

Все функции членства для LP, MP, S, MN и LN показаны ниже:

Членство в FL

Треугольные формы функции принадлежности наиболее распространены среди различных других форм функции принадлежности, таких как трапециевидная, одиночная и гауссовская.

Здесь вход для 5-уровневого фаззайзера варьируется от -10 вольт до +10 вольт. Следовательно, соответствующий вывод также изменяется.

Пример системы нечеткой логики

Рассмотрим систему кондиционирования с 5-уровневой системой нечеткой логики. Эта система регулирует температуру кондиционера, сравнивая температуру в помещении и целевое значение температуры.

Система нечеткой логики переменного тока

Алгоритм

  • Определите лингвистические переменные и термины (начало)
  • Построить функции членства для них. (Начало)
  • Построить базу знаний правил (начало)
  • Преобразуйте четкие данные в нечеткие наборы данных, используя функции членства. (Фаззификация)
  • Оцените правила в базе правил. (Механизм логического вывода)
  • Объедините результаты каждого правила. (Механизм логического вывода)
  • Преобразуйте выходные данные в нечеткие значения. (Дефаззификация)

развитие

Шаг 1 - Определите лингвистические переменные и термины

Лингвистические переменные - это входные и выходные переменные в форме простых слов или предложений. Для комнатной температуры лингвистические термины - холодный, теплый, горячий и т. Д.

Температура (t) = {очень холодно, холодно, тепло, очень тепло, тепло}

Каждый член этого набора является лингвистическим термином и может охватывать некоторую часть общих значений температуры.

Шаг 2 - Построить функции членства для них

Функции принадлежности температурной переменной таковы:

MF системы переменного тока

Шаг 3 - Построить правила базы знаний

Создайте матрицу значений комнатной температуры в зависимости от целевых значений температуры, которые система кондиционирования воздуха должна предоставить.

Комнатная температура. / Target Очень холодно Холодный Тепло Горячий Очень горячо
Очень холодно Без изменений Высокая температура Высокая температура Высокая температура Высокая температура
Холодный здорово Без изменений Высокая температура Высокая температура Высокая температура
Тепло здорово здорово Без изменений Высокая температура Высокая температура
Горячий здорово здорово здорово Без изменений Высокая температура
Очень горячо здорово здорово здорово здорово Без изменений

Внедрить набор правил в базу знаний в виде структур IF-THEN-ELSE.

Старший Условие действие
1 ЕСЛИ температура = (холодная ИЛИ очень_холодная) И цель = теплый ТО Высокая температура
2 ЕСЛИ температура = (Горячая ИЛИ Very_Hot) И цель = Теплая ТО здорово
3 ЕСЛИ (температура = тепло) И (цель = тепло), ТО Без изменений

Шаг 4 - Получить нечеткое значение

Операции нечеткого множества выполняют оценку правил. Операции, используемые для OR и AND, - это Max и Min соответственно. Объедините все результаты оценки, чтобы сформировать окончательный результат. Этот результат является нечетким значением.

Шаг 5 - Выполните дефаззификацию

Дефаззификация затем выполняется в соответствии с функцией принадлежности выходной переменной.

DeFuzzied Value

Области применения нечеткой логики

Основные области применения нечеткой логики:

Автомобильные Системы

  • Автоматические коробки передач
  • Четырехколесное рулевое управление
  • Контроль окружающей среды автомобиля

Бытовая электроника

  • Hi-Fi системы
  • Копиры
  • Фото и видеокамеры
  • телевидение

Товары для дома

  • Микроволновые печи
  • Холодильники
  • Тостеры
  • Пылесосы
  • Стиральные машины

Контроль окружающей среды

  • Кондиционеры / Сушилки / Нагреватели
  • Увлажнители

Преимущества ФЛС

  • Математические понятия в нечетких рассуждениях очень просты.

  • Вы можете изменить FLS, просто добавляя или удаляя правила из-за гибкости нечеткой логики.

  • Системы нечеткой логики могут принимать неточную, искаженную, зашумленную входную информацию.

  • FLS легко построить и понять.

  • Нечеткая логика - это решение сложных проблем во всех сферах жизни, в том числе в медицине, так как оно напоминает человеческое мышление и принятие решений.

Недостатки ФЛС

  • Системного подхода к проектированию нечетких систем не существует.
  • Они понятны только тогда, когда просто.
  • Они подходят для задач, которые не требуют высокой точности.