Hvad er fuzzy logik? ArchiTekturdiagram og anvendelse

⚡ Smart opsummering

Fuzzy Logic er en mangesidet ræsonnementsmetode, hvor sandhed antager enhver reel værdi mellem 0 og 1, hvilket giver maskiner mulighed for at håndtere vag, delvis og usikker information stort set på samme måde som menneskelig dømmekraft gør.

🔘 Delvis sandhed: En udtalelse er ikke blot sand eller falsk; den har en grad af medlemskab i intervallet [0, 1].
☑️ Firedelt arkitektur: Hvert fuzzy-system kæder en regelbase, fuzzification, en inferensmotor og defuzzification sammen.
✅ Ekspertregler: Adfærd stammer fra menneskeskrevne HVIS-SÅ-regler, så systemet forbliver læsbart og auditerbart.
🧪 Ikke sandsynlighed: Uklarhed modellerer vaghed omkring betydning, mens sandsynlighed modellerer usikkerhed omkring resultater.
🛠️ Bevist i hardware: ABS-bremser, elevatorer, opvaskemaskiner, ovne og kameraer leveres alle med fuzzy controllere.
🇧🇷 Kendte grænser: Fuzzy-systemer lærer ikke af sig selv, og tuningregler og medlemskabsfunktioner forbliver manuelle.

Læs mere

Hvad er Fuzzy Logic?

Fuzzy Logic er en flerværdilogik, hvor sandhedsværdien af en variabel kan være et hvilket som helst reelt tal mellem 0 og 1. Den håndterer begrebet delvis sandhed. I det virkelige liv støder vi ofte på en situation, hvor vi ikke kan afgøre, om en udtalelse er fuldstændig sand eller fuldstændig falsk. På det tidspunkt tilbyder fuzzy logik meget værdifuld fleksibilitet til ræsonnement.

Den værdi kaldes grad af medlemskab0 betyder intet medlemskab overhovedet, 1 betyder fuldt medlemskab, og 0.7 betyder delvist medlemskab. En fuzzy-algoritme vejer alle tilgængelige data på den skala og træffer derefter den bedst mulige beslutning for det givne input. Metoden imiterer menneskelig beslutningstagning, som tager højde for enhver mulighed mellem de digitale værdier T og F.

Historien om Fuzzy Logic Systems

Mangeværdilogik er ældre end navnet: Jan Łukasiewicz beskrev en treværdilogik i 1920'erne. Det afgørende skridt kom i 1965, da Lotfi Zadeh, professor ved UC Berkeley i Californien, udgav artiklen. "Uklare sæt" in Information og kontrolHan observerede, at konventionel computerlogik ikke kunne manipulere data, der repræsenterede subjektive eller uklare menneskelige ideer.

Ideen nåede hardware i 1974, da Ebrahim Mamdani byggede den første fungerende fuzzy-controller til en dampmaskine; japanske producenter kommercialiserede den i løbet af 1980'erne. Fuzzy-algoritmer spænder nu over kontrolteori til kunstig intelligens, hvilket lader en computer skelne mellem data, der hverken er strengt sande eller strengt falske - "lidt mørke", "ret lyse" og så videre.

Karakteristika ved Fuzzy Logic

Her er nogle vigtige karakteristika ved fuzzy logik:

Fleksibel og nem at implementere machine learning teknik
Hjælper dig med at efterligne logikken i den menneskelige tanke
Sandhed er ikke begrænset til to værdier; enhver grad mellem 0 og 1 kan repræsentere en løsning
Meget velegnet metode til usikker eller tilnærmet begrundelse
Fuzzy logik betragter inferens som en proces til at udbrede elastiske begrænsninger
Fuzzy logik giver dig mulighed for at bygge ikke-lineære funktioner af vilkårlig kompleksitet
Fuzzy logik bør bygges med fuldstændig vejledning fra eksperter

Hvornår skal man ikke bruge fuzzy logic

Fuzzy logic er aldrig en kur mod alt. Det er lige så vigtigt at forstå, hvor du ikke bør bruge den.

Her er visse situationer, hvor du er bedre stillet ved at undgå fuzzy logic:

Hvis du ikke nemt kan knytte et inputrum til et outputrum
Fuzzy logik bør ikke bruges, når almindelig sund fornuft allerede løser problemet.
Mange konventionelle controllere fungerer fint uden nogen form for fuzzy logik overhovedet

Fuzzy Logic Architecture

Fuzzy Logic-arkitekturen har fire hoveddele, og diagrammet nedenfor viser, hvordan et skarpt input bevæger sig gennem dem alle:

Fuzzy logikarkitektur med regelbase, fuzzification, inferensmotor og defuzzification — Fuzzy Logic Architecture

Regelgrundlag

Den indeholder alle de regler og HVIS-SÅ-betingelser, som eksperterne tilbyder til at styre beslutningssystemet. Nyere arbejde inden for fuzzy-teori giver forskellige metoder til design og finjustering af fuzzy-controllere, og disse metoder reducerer antallet af regler, som et fuzzy-sæt har brug for, betydeligt.

Fuzzificering

Fuzzificering konverterer input: den omdanner skarpe tal til fuzzy-sæt. Krispige input måles af sensorer - stuetemperatur, tryk osv. - og sendes til styresystemet til videre behandling. Konverteringen udføres af en medlemskabsfunktion, en kurve, der kortlægger enhver mulig inputværdi til en medlemskabsgrad mellem 0 og 1.

Inferensmotor

Den bestemmer graden af overensstemmelse mellem det fuzzy input og hver regel. Baseret på denne procentvise overensstemmelse beslutter den, hvilke regler der skal anvendes på det givne inputfelt. De anvendte regler kombineres derefter for at udvikle kontrolhandlingerne.

defuzzifikation

Endelig konverterer defuzzificering fuzzy-sættene tilbage til en enkelt skarp værdi. Der findes flere teknikker — Centroid, bisektris og maksimumbaserede metoder er de sædvanlige valg – så vælg det, der passer bedst til dig ekspert system.

Fuzzy Logic vs. Sandsynlighed

Uklarhed og sandsynlighed forveksles rutinemæssigt, men de besvarer forskellige spørgsmål.

Fuzzy Logic	Sandsynlighed
Fuzzy: Toms grad af medlemskab i gruppen af gamle mennesker er 0.90.	Sandsynlighed: Der er 90 % chance for, at Tom er gammel.
Fuzzy logic tager sandhedsgrader som et matematisk grundlag på modellen for vaghedsfænomenet.	Sandsynlighed er en matematisk model for uvidenhed.

Sprød vs. Fuzzy

Crisp	Fuzzy
Det har en streng grænse T eller F	Fuzzy grænse med en vis grad af medlemskab
Nogle sprøde tidsindstillinger kan være uklare	Den kan ikke være sprød
Sandt/falsk {0,1}	Medlemskabsværdier på [0,1]
I skarp logik kan loven om udelukket middel og ikke-modsigelse gælde eller ej	I fuzzy logik gælder loven om udelukket midte og ikke-modsigelse

Klassisk mængdeteori vs. fuzzy mængdeteori

Klassisk sæt	Fuzzy sætteori
Klasser af objekter med skarpe grænser.	Klasser af objekter har ikke skarpe grænser.
Et klassisk sæt er defineret ved skarpe grænser, dvs. der er klarhed om placeringen af de fastsatte grænser.	Et fuzzy sæt har altid tvetydige grænser, dvs. der kan være usikkerhed om placeringen af de fastsatte grænser.
Udbredt i digitalt systemdesign	Bruges hovedsageligt i fuzzy controllere og systemer med omtrentlig ræsonnement.

Eksempler på fuzzy logik

Diagrammet nedenfor gør medlemsskalaen konkret. I et fuzzy system er værdierne betegnet med et tal fra 0 til 1, hvor 1.0 betyder absolut sandhed og 0.0 betyder absolut falskhed.

Fuzzy logisk sandhedsskala, der løber fra 0.0 absolut falsk til 1.0 absolut sand — Fuzzy Logic med Eksempel

Anvendelsesområder for Fuzzy Logic

Tabellen nedenfor viser anvendelser af fuzzy logik af kendte virksomheder i deres produkter.

Produkt	Firmanavn	Fuzzy Logic
Blokeringsfrie bremser	Nissan	Brug fuzzy logic til at styre bremser i farlige tilfælde, afhængigt af bilens hastighed, acceleration, hjulhastighed og hjulacceleration
bil transmission	kr/Nissan	Fuzzy logik bruges til at styre brændstofindsprøjtningen og tændingen baseret på gasspjældsindstilling, kølevandstemperatur, RPM osv.
Auto motor	honda, nissan	Bruges til at vælge gear baseret på motorbelastning, kørestil og vejforhold.
Kopi maskine	Canon	Bruges til at justere tromlespændingen baseret på billedtæthed, fugtighed og temperatur.
Fartpilot	Nissan, Isuzu, Mitsubishi	Bruges til at justere gashåndtagets indstilling for at indstille bilens hastighed og acceleration
Opvaskemaskine	Matsushita	Bruges til at justere rengøringscyklussen, skylle- og vaskestrategierne, afhængigt af antallet af service og mængden af mad, der serveres på servicet.
Elevatorstyring	Fujitec, Mitsubishi Electric, Toshiba	Bruges til at reducere ventetiden baseret på passagertrafik
Golf diagnosesystem	Maruman Golf	Vælger golfkølle baseret på golfspillerens sving og fysik.
Fitness management	Omron	Der blev anvendt uklare regler for at kontrollere deres medarbejderes egnethed.
Ovn kontrol	Nippon stål	Blander cement
Mikrobølgeovn	Mitsubishi Chemical	Indstiller effekt og tilberedningsstrategi
Palmtop computer	Hitachi, Sharp, Sanyo, Toshiba	Genkender håndskrevne Kanji-karakterer
Plasmaetsning	Mitsubishi Electric	Sætter ætsetid og strategi

Bemærk: Mange af disse produkter stammer fra boomet inden for fuzzy-apparater i slutningen af 1980'erne og 1990'erne; Matsushita har handlet under navnet Panasonic siden 2008.

Fordele ved Fuzzy Logic System

Ingeniører bliver ved med at bruge fuzzy controllere, fordi de køber tolerance over for rodede input billigt.

Strukturen af fuzzy logic-systemer er enkel og forståelig
Fuzzy logic er meget brugt til kommercielle og praktiske formål
Fuzzy logic i AI hjælper dig med at styre maskiner og forbrugerprodukter
Den giver måske ikke præcise argumenter, men de giver argumenter, der er acceptable i praksis
Fuzzy logik ind Data Mining hjælper dig med at håndtere usikkerheden inden for ingeniørfaget
For det meste robust, da der ikke kræves præcise input
Den kan programmeres til at fortsætte med at virke i situationer, hvor en feedbacksensor holder op med at reagere
Det kan nemt ændres for at forbedre eller ændre systemets ydeevne
Billige sensorer kan bruges, hvilket hjælper dig med at holde de samlede systemomkostninger og kompleksitet nede
Det giver en yderst effektiv løsning på komplekse problemer

Ulemper ved Fuzzy Logic Systems

Fuzzy logik er ikke altid præcis; resultaterne er udledt af antagelser, så de er muligvis ikke bredt accepterede
Fuzzy-systemer lærer ikke af sig selv, i modsætning til en neurale netværk med sin mønstergenkendelsesevne
Validering og verifikation af et fuzzy vidensbaseret system kræver omfattende test med hardware.
Det er en vanskelig opgave at fastsætte præcise fuzzy regler og medlemskabsfunktioner
Fuzzy logik forveksles ofte med sandsynlighedsteori, og de to ordforråd blandes sammen.

Ofte Stillede Spørgsmål

En medlemsfunktion er kurvekortetping hver inputværdi til en grad mellem 0 og 1. Den omdanner en sproglig betegnelse som "varm" til en form, som en controller kan beregne med.

Trekantede former passer til en enkelt ideel værdi, trapezformede former et komfortabelt bånd, Gaussiske former en jævn differentierbar kurve. Start trekantet, den billigste at beregne, og skift derefter, hvis responsen føles pludselig.

Mamdani-regler udskriver et fuzzy-sæt og læses som almindeligt ekspertsprog, hvilket passer til menneskeskabte controllere. Sugeno-regler udskriver en matematisk funktion, der er billigere at defuzzificere og nemmere at finjustere automatisk.

Centroid, tyngdepunktet for outputsættet, er den sædvanlige standardværdi og god nok til de fleste anvendelser. Bisektris og de maksimumbaserede metoder er værd at prøve, når centroidresponset er for jævnt.

I standard Zadeh-operatorerne tager AND minimum af to grader, ELLER maksimum, og IKKE subtracReducerer graden fra 1. De reduceres til boolsk logik, når hver grad er præcis 0 eller 1.

Neuro-fuzzy-systemer bevarer læsbare fuzzy-regler, men lader et netværk justere medlemskabsfunktionerne ud fra data, hvilket parrer fortolkningsevnen af ekspertregler med tilpasningsevnen af overvåget læring.

GitHub Copilot udarbejder hurtigt medlemskabsfunktioner, regeltabeller og plotter kode, hvilket fjerner det meste af standardteksten. Regelsemantikken kræver stadig en ekspert, fordi et plausibelt udseende regelsæt kan være forkert for dit anlæg.

Python Udviklere bruger scikit-fuzzy, ingeniører bruger MATLAB Fuzzy Logic Toolbox, og embedded teams skriver min-max aritmetikken i hånden. Alle tre følger fuzzify-, infer- og defuzzify-pipeline ovenfor.