Tutorial sulla logica fuzzy: cos'è ArchiTecnica, Applicazione, Esempio

Cos'è la logica fuzzy?

Fuzzy Logic è definita come una forma logica a molti valori che può avere valori di verità delle variabili in qualsiasi numero reale compreso tra 0 e 1. È il concetto di verità parziale. Nella vita reale, potremmo imbatterci in una situazione in cui non riusciamo a decidere se l'affermazione è vera o falsa. A quel punto, la logica fuzzy offre una flessibilità molto preziosa per il ragionamento.

L'algoritmo di logica fuzzy aiuta a risolvere un problema dopo aver considerato tutti i dati disponibili. Quindi prende la migliore decisione possibile per l'input dato. Il metodo FL imita il modo di prendere decisioni in un essere umano che considera tutte le possibilità tra i valori digitali T e F.

Storia dei sistemi logici fuzzy

Tuttavia, il concetto di logica fuzzy era stato studiato fin dagli anni '1920. Il termine logica fuzzy fu usato per la prima volta nel 1965 da Lotfi Zadeh, professore della UC Berkeley in California. Ha osservato che la logica informatica convenzionale non era in grado di manipolare dati che rappresentavano idee umane soggettive o poco chiare.

L'algoritmo fuzzy è stato applicato a vari campi, dalla teoria del controllo all'intelligenza artificiale. È stato progettato per consentire al computer di determinare le distinzioni tra dati che non sono né veri né falsi. Qualcosa di simile al processo del ragionamento umano. Come Un po' di buio, Un po' di luminosità, ecc.

Caratteristiche della logica fuzzy

Ecco alcune caratteristiche importanti della logica fuzzy:

Flessibile e facile da implementare machine learning per l'esame
Ti aiuta a imitare la logica del pensiero umano
La logica può avere due valori che rappresentano due possibili soluzioni
Metodo molto adatto per ragionamenti incerti o approssimativi
La logica fuzzy vede l'inferenza come un processo di propagazione di vincoli elastici
La logica fuzzy consente di costruire funzioni non lineari di complessità arbitraria.
La logica fuzzy dovrebbe essere costruita con la guida completa di esperti

Quando non utilizzare la logica fuzzy

Tuttavia, la logica fuzzy non è mai una cura per tutti. Pertanto, è altrettanto importante capire dove non dovremmo usare la logica fuzzy.

Ecco alcune situazioni in cui è meglio non utilizzare la logica fuzzy:

Se non trovi conveniente mappare uno spazio di input su uno spazio di output
La logica fuzzy non dovrebbe essere utilizzata quando è possibile utilizzare il buon senso
Molti controllori possono svolgere un ottimo lavoro senza l'uso della logica fuzzy

Fuzzy Logic Architectura

L'architettura Fuzzy Logic è composta da quattro parti principali, come mostrato nel diagramma:

Base delle regole

Contiene tutte le regole e le condizioni if-then offerte dagli esperti per controllare il sistema decisionale. Il recente aggiornamento della teoria fuzzy fornisce vari metodi per la progettazione e la messa a punto dei controllori fuzzy. Questi aggiornamenti riducono significativamente il numero di regole fuzzy.

Fuzzificazione

La fase di fuzzificazione aiuta a convertire gli input. Ti consente di convertire numeri nitidi in insiemi fuzzy. Input nitidi misurati da sensori e trasmessi al sistema di controllo per un'ulteriore elaborazione. Come la temperatura ambiente, la pressione, ecc.

Motore di inferenza

Ti aiuta a determinare il grado di corrispondenza tra input fuzzy e regole. In base alla corrispondenza percentuale, determina quali regole devono essere implementate in base al campo di input specificato. Successivamente, le regole applicate vengono combinate per sviluppare le azioni di controllo.

Defuzzificazione

Alla fine viene eseguito il processo di Defuzzificazione per convertire gli insiemi fuzzy in un valore nitido. Sono disponibili molti tipi di tecniche, quindi è necessario selezionare quella più adatta quando viene utilizzata con un sistema esperto.

Logica fuzzy contro probabilità

Fuzzy Logic	Probabilità
Fuzzy: il grado di appartenenza di Tom all'insieme degli anziani è 0.90.	Probabilità: c'è una probabilità del 90% che Tom sia vecchio.
La logica fuzzy assume i gradi di verità come base matematica sul modello del fenomeno della vaghezza.	La probabilità è un modello matematico dell’ignoranza.

Croccante contro Fuzzy

Croccante	sfocato
Ha un confine stretto T o F	Confine sfocato con un grado di appartenenza
Alcuni tempi definiti possono essere confusi	Non può essere croccante
Vero/falso {0,1}	Valori di appartenenza su [0,1]
Nella logica Crisp la legge del Mezzo Escluso e della Non Contraddizione può valere o meno	Nella logica fuzzy valgono le leggi del Mezzo Escluso e della Non Contraddizione

Teoria classica degli insiemi e teoria degli insiemi fuzzy

Insieme classico	Teoria degli insiemi fuzzy
Classi di oggetti con confini netti.	Le classi di oggetti non hanno confini netti.
Un insieme classico è definito da confini netti, ovvero c'è chiarezza sulla posizione dei confini dell'insieme.	Un insieme fuzzy ha sempre confini ambigui, cioè potrebbe esserci incertezza sulla posizione dei confini dell'insieme.
Ampiamente usato nella progettazione di sistemi digitali	Utilizzato solo nei controller fuzzy.

Esempi di logica fuzzy

Vedere il diagramma riportato di seguito. Mostra che in un sistema Fuzzy, i valori sono indicati da un numero da 0 a 1. In questo esempio, 1.0 significa verità assoluta e 0.0 significa falsità assoluta.

Aree applicative della logica fuzzy

La tabella Blow mostra l'applicazione della logica Fuzzy da parte di aziende famose nei loro prodotti.

Prodotto	Azienda	Fuzzy Logic
Freni antibloccaggio	Nissan	Utilizzare la logica fuzzy per controllare i freni in casi pericolosi che dipendono dalla velocità dell'auto, dall'accelerazione, dalla velocità delle ruote e dall'accelerazione
Trasmissione automatica	NO/Nissan	La logica fuzzy viene utilizzata per controllare l'iniezione di carburante e l'accensione in base all'impostazione dell'acceleratore, alla temperatura dell'acqua di raffreddamento, al numero di giri, ecc.
Motore automatico	Honda, nissan	Utilizzare per selezionare la potenza in base al carico del motore, allo stile di guida e alle condizioni stradali.
Fotocopiatrice	Canone	Da utilizzare per regolare la tensione del tamburo in base alla densità dell'immagine, all'umidità e alla temperatura.
Regolazione automatica della velocità	Nissan, Isuzu, Mitsubishi	Usalo per regolare l'impostazione dell'acceleratore per impostare la velocità e l'accelerazione dell'auto
Lavastoviglie	Matsushita	Utilizzare per regolare il ciclo di pulizia, le strategie di risciacquo e di lavaggio in base al numero di piatti e alla quantità di cibo servito sui piatti.
Controllo ascensore	Fujitec, Mitsubishi Electric, Toshiba	Usalo per ridurre i tempi di attesa in base al traffico passeggeri
Sistema diagnostico per il golf	Maruma Golf	Seleziona la mazza da golf in base allo swing e alla corporatura del golfista.
Gestione della forma fisica	Omron	Regole confuse da loro implicite per verificare l'idoneità dei propri dipendenti.
Controllo del forno	Acciaio Nippon	Mescola il cemento
Forno a microonde	Mitsubishi chimicashi	Imposta la potenza delle lune e la strategia di cottura
Computer palmare	Hitachi, Sharp, Sanyo, Toshiba	Riconosce i caratteri Kanji scritti a mano
Incisione al plasma	Mitsubishi Electric	Imposta il tempo e la strategia di incisione

Vantaggi del sistema logico fuzzy

La struttura dei sistemi a logica fuzzy è semplice e comprensibile
La logica fuzzy è ampiamente utilizzata per scopi commerciali e pratici
La logica fuzzy nell'intelligenza artificiale ti aiuta a controllare macchine e prodotti di consumo
Potrebbe non offrire un ragionamento accurato, ma l’unico ragionamento accettabile
Logica fuzzy inserita Data Mining ti aiuta ad affrontare l'incertezza in ingegneria
Per lo più robusto in quanto non sono richiesti input precisi
Può essere programmato nella situazione in cui il sensore di feedback smette di funzionare
Può essere facilmente modificato per migliorare o alterare le prestazioni del sistema
è possibile utilizzare sensori poco costosi che aiutano a mantenere bassi i costi e la complessità complessivi del sistema
Fornisce una soluzione più efficace a problemi complessi

Svantaggi dei sistemi a logica fuzzy

La logica fuzzy non è sempre accurata, quindi i risultati vengono percepiti sulla base di presupposti, quindi potrebbero non essere ampiamente accettati.
I sistemi fuzzy non hanno la capacità di apprendimento automatico né di riconoscimento di modelli di tipo rete neurale
La validazione e la verifica di un sistema basato sulla conoscenza fuzzy richiede test approfonditi con l'hardware
Stabilire regole esatte e confuse e funzioni di appartenenza è un compito difficile
Una certa logica temporale confusa viene confusa con la teoria della probabilità e i suoi termini

Sommario

Il termine fuzzy significa cose che non sono molto chiare o vaghe
Il termine logica fuzzy fu usato per la prima volta nel 1965 da Lotfi Zadeh, professore della UC Berkeley in California
La logica fuzzy è una tecnica di machine learning flessibile e facile da implementare
La logica fuzzy non dovrebbe essere utilizzata quando è possibile utilizzare il buon senso
L'architettura della logica fuzzy ha quattro parti principali: 1) Regola Basse 2) Fuzzificazione 3) Motore di inferenza 4) Defuzzificazione
La logica fuzzy prende i gradi di verità come base matematica sul modello della vaghezza mentre la probabilità è un modello matematico dell'ignoranza
Il set Crisp ha un confine rigoroso T o F mentre il confine Fuzzy ha un grado di appartenenza
Un set classico è ampiamente utilizzato nella progettazione di sistemi digitali mentre il set fuzzy è utilizzato solo nei controller fuzzy
Trasmissione automatica, gestione fitness, sistema diagnostico golf, lavastoviglie, fotocopiatrice sono alcune aree di applicazione della logica fuzzy
La logica fuzzy nel Soft Computing ti aiuta a controllare macchine e prodotti di consumo

Potrebbe piacerti: