Apa itu Logika Fuzzy? ArchiDiagram dan Aplikasi Struktur
Evelyn Clarke
โก Ringkasan Cerdas
Logika Fuzzy adalah metode penalaran multi-nilai di mana kebenaran mengambil nilai riil apa pun antara 0 dan 1, memungkinkan mesin untuk menangani informasi yang samar, parsial, dan tidak pasti seperti halnya penilaian manusia.
Apa itu Logika Fuzzy?
Logika Fuzzy Logika fuzzy adalah logika bernilai banyak di mana nilai kebenaran suatu variabel dapat berupa bilangan real apa pun antara 0 dan 1. Logika ini menangani konsep kebenaran parsial. Dalam kehidupan nyata, kita sering menghadapi situasi di mana kita tidak dapat memutuskan apakah suatu pernyataan sepenuhnya benar atau sepenuhnya salah. Pada saat itulah, logika fuzzy menawarkan fleksibilitas yang sangat berharga untuk penalaran.
Nilai itu disebut tingkat keanggotaan: 0 berarti tidak ada keanggotaan sama sekali, 1 berarti keanggotaan penuh, dan 0.7 berarti keanggotaan sebagian. Algoritma fuzzy menimbang semua data yang tersedia pada skala tersebut dan kemudian mengambil keputusan terbaik yang mungkin untuk input yang diberikan. Metode ini meniru pengambilan keputusan manusia, yang mempertimbangkan setiap kemungkinan antara nilai digital T dan F.
Sejarah Sistem Logika Fuzzy
Logika bernilai banyak sebenarnya lebih tua dari namanya: Jan ลukasiewicz mendeskripsikan logika bernilai tiga pada tahun 1920-an. Langkah penting terjadi pada tahun 1965, ketika Lotfi Zadeh, seorang profesor di UC Berkeley di California, menerbitkan makalah tersebut. โHimpunan Kaburโ in Informasi dan KontrolIa mengamati bahwa logika komputer konvensional tidak dapat memanipulasi data yang mewakili ide-ide manusia yang subjektif atau tidak jelas.
Ide tersebut mencapai ranah perangkat keras pada tahun 1974, ketika Ebrahim Mamdani membangun pengontrol fuzzy pertama yang berfungsi untuk mesin uap; para pembuat Jepang mengkomersialkannya sepanjang tahun 1980-an. Algoritma fuzzy kini mencakup teori kontrol hingga kecerdasan buatan, membiarkan komputer membedakan data yang tidak sepenuhnya benar maupun sepenuhnya salah โ "agak gelap", "cukup terang", dan sebagainya.
Ciri-ciri Logika Fuzzy
Berikut beberapa karakteristik penting dari logika fuzzy:
- Fleksibel dan mudah diterapkan Mesin belajar teknik
- Membantu Anda meniru logika pemikiran manusia
- Kebenaran tidak terbatas pada dua nilai; setiap derajat antara 0 dan 1 dapat mewakili solusi.
- Metode yang sangat cocok untuk penalaran yang tidak pasti atau perkiraan
- Logika fuzzy memandang inferensi sebagai proses menyebarkan batasan elastis
- Logika fuzzy memungkinkan Anda untuk membangun fungsi nonlinier dengan kompleksitas sembarang.
- Logika fuzzy sebaiknya dibangun dengan bimbingan lengkap dari para ahli
Kapan tidak menggunakan logika fuzzy
Logika fuzzy bukanlah solusi untuk segalanya. Sama pentingnya untuk memahami di mana Anda sebaiknya tidak menggunakannya.
Berikut adalah beberapa situasi di mana Anda sebaiknya menghindari logika fuzzy:
- Jika Anda tidak dapat dengan mudah memetakan ruang input ke ruang output
- Logika fuzzy sebaiknya tidak digunakan ketika akal sehat biasa sudah dapat menyelesaikan masalah.
- Banyak pengontrol konvensional bekerja dengan baik tanpa logika fuzzy sama sekali.
Logika Fuzzy Architekstur
Arsitektur Logika Fuzzy memiliki empat bagian utama, dan diagram di bawah ini menunjukkan bagaimana input yang jelas (crisp input) melewati keempat bagian tersebut:
Basis Aturan
Ia berisi semua aturan dan kondisi IF-THEN yang ditawarkan oleh para ahli untuk mengendalikan sistem pengambilan keputusan. Penelitian terbaru dalam teori fuzzy menyediakan berbagai metode untuk perancangan dan penyetelan pengendali fuzzy, dan metode-metode ini secara signifikan mengurangi jumlah aturan yang dibutuhkan oleh suatu himpunan fuzzy.
Fuzzifikasi
Fuzzifikasi mengubah input: ia mengubah angka pasti menjadi himpunan fuzzy. Input pasti diukur oleh sensor โ suhu ruangan, tekanan, dan sebagainya โ dan diteruskan ke sistem kontrol untuk diproses lebih lanjut. Konversi dilakukan oleh sebuah fungsi keanggotaan, sebuah kurva yang memetakan setiap nilai input yang mungkin ke derajat keanggotaan antara 0 dan 1.
Mesin Inferensi
Algoritma ini menentukan tingkat kecocokan antara input fuzzy dan setiap aturan. Berdasarkan persentase kecocokan tersebut, algoritma memutuskan aturan mana yang perlu diterapkan pada bidang input yang diberikan. Aturan-aturan yang diterapkan kemudian digabungkan untuk mengembangkan tindakan kontrol.
Defuzzifikasi
Terakhir, defuzzifikasi mengubah himpunan fuzzy kembali menjadi nilai pasti tunggal. Beberapa teknik tersedia โ Metode centroid, bisector, dan metode berbasis maksimum. adalah pilihan yang umum โ jadi pilihlah yang paling sesuai dengan kebutuhan Anda. sistem ahli.
Logika Fuzzy vs. Probabilitas
Ketidakpastian dan probabilitas seringkali dikacaukan, padahal keduanya menjawab pertanyaan yang berbeda.
| Logika Fuzzy | Kemungkinan |
|---|---|
| Fuzzy: Derajat keanggotaan Tom dalam himpunan orang tua adalah 0.90. | Kemungkinan: Ada kemungkinan 90% bahwa Tom sudah tua. |
| Logika fuzzy mengambil derajat kebenaran sebagai dasar matematis pada model fenomena ketidakjelasan. | Probabilitas adalah model matematika ketidaktahuan. |
Renyah vs. Fuzzy
| Garing | kabur |
|---|---|
| Ini memiliki batas ketat T atau F | Batas fuzzy dengan derajat keanggotaan |
| Beberapa pengaturan waktu yang tepat bisa jadi tidak jelas | Ini tidak bisa renyah. |
| Benar/Salah {0,1} | Nilai keanggotaan pada [0,1] |
| Dalam logika yang tegas, hukum Pengecualian Tengah dan Non-Kontradiksi mungkin berlaku atau mungkin tidak berlaku. | Dalam logika fuzzy, hukum Pengecualian Tengah dan Non-Kontradiksi berlaku. |
Teori Himpunan Klasik vs. Teori Himpunan Fuzzy
| Set Klasik | Teori Himpunan Fuzzy |
|---|---|
| Kelas benda yang mempunyai batas tajam. | Kelas objek tidak mempunyai batasan yang tegas. |
| Himpunan klasik ditentukan oleh batas-batas yang jelas, yaitu adanya kejelasan mengenai letak batas-batas himpunan tersebut. | Himpunan fuzzy selalu mempunyai batas-batas yang ambigu, misalnya terdapat ketidakpastian mengenai letak batas-batas himpunan tersebut. |
| Banyak digunakan dalam desain sistem digital | Digunakan terutama dalam pengendali fuzzy dan sistem penalaran perkiraan. |
Contoh Logika Fuzzy
Diagram di bawah ini membuat skala keanggotaan menjadi lebih konkret. Dalam sistem fuzzy, nilai-nilai tersebut dilambangkan dengan angka dari 0 hingga 1, di mana 1.0 berarti kebenaran mutlak dan 0.0 berarti kesalahan mutlak.
Area Aplikasi Logika Fuzzy
Tabel di bawah ini menunjukkan penerapan logika fuzzy oleh perusahaan-perusahaan ternama dalam produk mereka.
| Produk | Perusahaan | Logika Fuzzy |
|---|---|---|
| Rem anti-lock | Nissan | Gunakan logika fuzzy untuk mengontrol rem dalam situasi berbahaya, bergantung pada kecepatan mobil, akselerasi, kecepatan roda, dan percepatan roda. |
| Transmisi otomatis | NOK/Nissan | Logika fuzzy digunakan untuk mengontrol injeksi bahan bakar dan pengapian berdasarkan pengaturan throttle, temperatur air pendingin, RPM, dll. |
| mesin otomatis | honda, nissan | Digunakan untuk memilih gigi berdasarkan beban mesin, gaya mengemudi, dan kondisi jalan. |
| Mesin fotokopi | Canon | Digunakan untuk menyesuaikan tegangan drum berdasarkan kepadatan gambar, kelembapan, dan suhu. |
| Kontrol pelayaran | Nissan, Isuzu, Mitsubishi | Digunakan untuk menyesuaikan pengaturan throttle guna mengatur kecepatan dan akselerasi mobil. |
| Mesin pencuci piring | Matsushita | Digunakan untuk menyesuaikan siklus pembersihan, strategi pembilasan dan pencucian, tergantung pada jumlah piring dan jumlah makanan yang disajikan di atas piring. |
| Kontrol lift | Fujitec, Mitsubishi Listrik, Toshiba | Digunakan untuk mengurangi waktu tunggu berdasarkan lalu lintas penumpang. |
| Sistem diagnostik golf | Golf Maruman | Memilih tongkat golf berdasarkan ayunan dan fisik pegolf. |
| Manajemen kebugaran | Omron | Aturan yang tidak jelas diterapkan untuk memeriksa kebugaran karyawan mereka. |
| Kontrol tempat pembakaran | Baja Nippon | Mencampur semen |
| Oven microwave | bahan kimia mitsubishi | Menetapkan strategi daya dan memasak |
| Komputer Palmtop | Hitachi, Tajam, Sanyo, Toshiba | Mengenali karakter Kanji tulisan tangan |
| Pengetsaan plasma | Mitsubishi Electric | Menetapkan waktu dan strategi etsa |
Catatan: Banyak dari produk-produk ini berasal dari masa booming peralatan elektronik nirkabel pada akhir tahun 1980-an dan 1990-an; Matsushita telah beroperasi sebagai Panasonic sejak tahun 2008.
Kelebihan Sistem Logika Fuzzy
Para insinyur terus menggunakan pengontrol fuzzy karena mereka mendapatkan toleransi terhadap input yang tidak teratur dengan harga murah.
- Struktur sistem logika fuzzy sederhana dan mudah dipahami.
- Logika fuzzy banyak digunakan untuk tujuan komersial dan praktis
- Logika fuzzy dalam AI membantu Anda mengendalikan mesin dan produk konsumen.
- Meskipun mungkin tidak menawarkan penalaran yang tepat, namun penalaran tersebut dapat diterima dalam praktik.
- Logika fuzzy masuk Data Mining membantu Anda menghadapi ketidakpastian dalam bidang teknik
- Secara umum cukup andal, karena tidak memerlukan input yang tepat.
- Perangkat ini dapat diprogram untuk tetap bekerja dalam situasi di mana sensor umpan balik berhenti merespons.
- Itu dapat dengan mudah dimodifikasi untuk meningkatkan atau mengubah kinerja sistem
- Sensor yang murah dapat digunakan, yang membantu Anda menjaga biaya dan kompleksitas sistem secara keseluruhan tetap rendah.
- Ini memberikan solusi yang sangat efektif untuk masalah-masalah kompleks.
Kekurangan Sistem Logika Fuzzy
- Logika fuzzy tidak selalu akurat; hasilnya diperoleh dari asumsi, sehingga mungkin tidak diterima secara luas.
- Sistem fuzzy dengan sendirinya tidak belajar, tidak seperti sistem lainnya. saraf jaringan dengan kemampuannya mengenali pola
- Validasi dan verifikasi sistem berbasis pengetahuan fuzzy memerlukan pengujian ekstensif dengan perangkat keras.
- Menetapkan aturan fuzzy dan fungsi keanggotaan yang tepat adalah tugas yang sulit.
- Logika fuzzy seringkali disalahartikan dengan teori probabilitas, dan kedua kosakata tersebut tercampur aduk.
