Vad är fuzzy logik? ArchiTekturdiagram och tillämpning

By: Evelyn Clarke Evelyn Clarke
Hours Uppdaterad

⚡ Smart sammanfattning

Fuzzy logik är en mångvärderad resonemangsmetod där sanningen antar vilket reellt värde som helst mellan 0 och 1, vilket gör att maskiner kan hantera vag, partiell och osäker information på ungefär samma sätt som mänskligt omdöme gör.

  • 🔘 Delvis sanning: Ett påstående är inte bara sant eller falskt; det har en viss grad av medlemskap i intervallet [0, 1].
  • ☑️ Fyrdelad arkitektur: Varje fuzzy-system kedjar en regelbas, fuzzifiering, en inferensmotor och defuzzifiering.
  • ✅ Expertregler: Beteendet kommer från människoskrivna OM-DÅ-regler, så systemet förblir läsbart och granskningsbart.
  • 🧪 Inte sannolikhet: Fuzziness modellerar vaghet kring betydelse, medan sannolikhet modellerar osäkerhet kring resultat.
  • 🛠️ Bevisat i hårdvara: Låsningsfria bromsar, hissar, diskmaskiner, ugnar och kameror levereras alla med suddiga kontroller.
  • ⚙️ Kända gränser: Fuzzy-system lär sig inte av sig själva, och finjusteringsregler och medlemsfunktioner förblir manuella.
Läs mer

Fuzzy Logic-arkitektur, tillämpningar och exempel

Vad är Fuzzy Logic?

Fuzzy Logic är en mångvärdig logik där sanningsvärdet för en variabel kan vara vilket reellt tal som helst mellan 0 och 1. Den hanterar begreppet partiell sanning. I verkliga livet stöter vi ofta på situationer där vi inte kan avgöra om ett påstående är helt sant eller helt falskt. Vid den tidpunkten erbjuder fuzzy logik mycket värdefull flexibilitet för resonemang.

Det värdet kallas medlemsgrad0 betyder inget medlemskap alls, 1 betyder fullständigt medlemskap och 0.7 betyder partiellt medlemskap. En fuzzy-algoritm väger all tillgänglig data på den skalan och fattar sedan det bästa möjliga beslutet för den givna inmatningen. Metoden imiterar mänskligt beslutsfattande, vilket beaktar alla möjligheter mellan de digitala värdena T och F.

Fuzzy Logic Systems historia

Flervärdig logik är äldre än namnet: Jan Łukasiewicz beskrev en trevärdig logik på 1920-talet. Det avgörande steget kom 1965, när Lotfi Zadeh, professor vid UC Berkeley i Kalifornien, publicerade artikeln. "Ljudlösa uppsättningar" in Information och kontrollHan observerade att konventionell datorlogik inte kunde manipulera data som representerar subjektiva eller oklara mänskliga idéer.

Idén nådde hårdvara 1974, när Ebrahim Mamdani byggde den första fungerande fuzzy-regulatorn för en ångmaskin; japanska tillverkare kommersialiserade den under 1980-talet. Fuzzy-algoritmer sträcker sig nu över reglerteori till artificiell intelligens, vilket låter en dator göra åtskillnader mellan data som varken är strikt sann eller strikt falsk – "lite mörk", "ganska ljus" och så vidare.

Egenskaper hos Fuzzy Logic

Här är några viktiga egenskaper hos fuzzy logik:

  • Flexibel och lätt att implementera maskininlärning Tekniken
  • Hjälper dig att efterlikna logiken i mänskligt tänkande
  • Sanningen är inte begränsad till två värden; vilken grad som helst mellan 0 och 1 kan representera en lösning
  • Mycket lämplig metod för osäkra eller ungefärliga resonemang
  • Fuzzy logik ser slutsatser som en process för att sprida elastiska begränsningar
  • Fuzzy logic låter dig bygga ickelinjära funktioner med godtycklig komplexitet
  • Fuzzy logik bör byggas med fullständig vägledning av experter

När ska man inte använda fuzzy logic

Fuzzy logic är aldrig ett botemedel mot allt. Det är lika viktigt att förstå var du inte bör använda den.

Här är vissa situationer där du är bättre betjänad av att undvika fuzzy logic:

  • Om du inte enkelt kan mappa ett inmatningsutrymme till ett utmatningsutrymme
  • Fuzzy logic bör inte användas när sunt förnuft redan löser problemet.
  • Många konventionella styrenheter gör ett bra jobb utan någon fuzzy logik alls

Fuzzy Logic Architecture

Fuzzy Logic-arkitekturen har fyra huvuddelar, och diagrammet nedan visar hur en skarp ingång passerar genom dem alla:

Fuzzy logikarkitektur med regelbas, fuzzifiering, inferensmotor och defuzzifiering
Fuzzy Logic Architecture

Regelbas

Den innehåller alla regler och OM-DÅ-villkor som experterna erbjuder för att styra beslutsfattande systemet. Nyligen genomförda studier inom fuzzyteori tillhandahåller olika metoder för design och finjustering av fuzzy-kontroller, och dessa metoder minskar avsevärt antalet regler som en fuzzy-mängd behöver.

Fuzzifiering

Fuzzifiering omvandlar indata: den omvandlar skarpa tal till fuzzy-mängder. Krispiga indata mäts av sensorer – rumstemperatur, tryck och så vidare – och skickas till styrsystemet för vidare bearbetning. Omvandlingen görs av en medlemsfunktion, en kurva som mappar alla möjliga ingångsvärden till en medlemsgrad mellan 0 och 1.

Inferensmotor

Den avgör graden av matchning mellan den fuzzy inmatningen och varje regel. Baserat på den procentuella matchningen avgör den vilka regler som behöver tillämpas på det givna inmatningsfältet. De tillämpade reglerna kombineras sedan för att utveckla kontrollåtgärderna.

Defuzzifiering

Slutligen omvandlar defuzzifiering fuzzymängderna tillbaka till ett enda skarpt värde. Flera tekniker finns — Centroid, bisektris och maximumbaserade metoder är de vanliga valen – så välj det som passar dig bäst expertsystem.

RELATERADE ARTIKLAR

Fuzzy Logic vs. Sannolikhet

Fuzzy och sannolikhet förväxlas rutinmässigt, men de besvarar olika frågor.

Fuzzy Logic Sannolikhet
Fuzzy: Toms grad av medlemskap inom uppsättningen gamla människor är 0.90. Sannolikhet: Det finns en 90% chans att Tom är gammal.
Fuzzy logic tar sanningsgrader som matematisk grund på modellen för fenomenet vaghet. Sannolikhet är en matematisk modell av okunnighet.

Crisp vs. Fuzzy

Crisp Suddig
Den har strikt gräns T eller F Luddrig gräns med en viss grad av medlemskap
Viss skarp tidsinställning kan vara suddig Den kan inte vara krispig
Sant/falskt {0,1} Medlemskapsvärden på [0,1]
I skarp logik kan lagen om utesluten mitt och icke-motsägelse gälla eller inte I fuzzy logik gäller lagen om utesluten mitt och icke-motsägelse

Klassisk mängdteori kontra fuzzy mängdteori

Klassisk set Fuzzy Set Theory
Klasser av föremål med skarpa gränser. Klasser av föremål har inga skarpa gränser.
En klassisk uppsättning definieras av skarpa gränser, dvs det finns klarhet om placeringen av de fastställda gränserna. En fuzzy uppsättning har alltid tvetydiga gränser, dvs det kan finnas osäkerhet om var de uppsatta gränserna ligger.
Används ofta i digital systemdesign Används huvudsakligen i fuzzy-regulatorer och approximativa resonemangssystem.

Fuzzy Logic Exempel

Diagrammet nedan konkretiserar medlemsskalan. I ett fuzzy-system betecknas värdena med ett tal från 0 till 1, där 1.0 betyder absolut sanning och 0.0 betyder absolut falskhet.

Fuzzy logik sanningsskala som går från 0.0 absolut falskt till 1.0 absolut sant

Fuzzy Logic med Exempel

Användningsområden för Fuzzy Logic

Tabellen nedan visar tillämpningar av fuzzy logik av välkända företag i deras produkter.

Produkter Företag Fuzzy Logic
Låsningsfria bromsar Nissan Använd fuzzy logic för att styra bromsar i farliga fall, beroende på bilens hastighet, acceleration, hjulhastighet och hjulacceleration.
Automatisk överföring NOK/Nissan Fuzzy logic används för att styra bränsleinsprutningen och tändningen baserat på gasinställning, kylvattentemperatur, RPM, etc.
Auto motor honda, nissan Används för att välja växel baserat på motorbelastning, körstil och vägförhållanden.
Kopieringsmaskin Canon Används för att justera trumspänningen baserat på bilddensitet, fuktighet och temperatur.
Kryssningskontroll Nissan, Isuzu, Mitsubishi Används för att justera gasreglagets inställning för att ställa in bilens hastighet och acceleration
Diskmaskin Matsushita Används för att justera rengöringscykeln, skölj- och diskstrategierna, beroende på antalet diskmedel och mängden mat som serveras på disken.
Hissstyrning Fujitec, Mitsubishi Electric, Toshiba Används för att minska väntetiden baserat på passagerartrafik
Golf diagnossystem Maruman Golf Väljer golfklubba baserat på golfarens sving och fysik.
Fitness management Omron Luddiga regler tillämpades för att kontrollera deras anställdas lämplighet.
Ugnskontroll Nippon stål Blandar cement
Mikrovågsugn Mitsubishi Chemical Ställer in effekt och tillagningsstrategi
Handdator Hitachi, Sharp, Sanyo, Toshiba Känner igen handskrivna Kanji-karaktärer
Plasmaetsning Mitsubishi Electric Ställer in etsningstid och strategi

Obs: Många av dessa produkter härstammar från den höga försäljningen av fuzzy-apparater i slutet av 1980- och 1990-talen; Matsushita har handlat som Panasonic sedan 2008.

Fördelar med Fuzzy Logic System

Ingenjörer fortsätter att sträcka sig efter fuzzy regulatorer eftersom de köper tolerans mot röriga ingångar billigt.

  • Strukturen hos fuzzy logic-system är enkel och förståelig
  • Fuzzy logic används ofta för kommersiella och praktiska ändamål
  • Fuzzy logic i AI hjälper dig att styra maskiner och konsumentprodukter
  • Den kanske inte erbjuder exakta resonemang, men den erbjuder resonemang som är acceptabla i praktiken
  • Luddrig logik in Data Mining hjälper dig att hantera osäkerheten inom ingenjörskonsten
  • Mestadels robust, eftersom inga exakta inmatningar krävs
  • Den kan programmeras att fortsätta fungera i situationer där en återkopplingssensor slutar svara
  • Det kan enkelt modifieras för att förbättra eller ändra systemets prestanda
  • Billiga sensorer kan användas, vilket hjälper dig att hålla den totala systemkostnaden och komplexiteten nere
  • Det ger en mycket effektiv lösning på komplexa problem

Nackdelar med Fuzzy Logic Systems

  • Fuzzy logik är inte alltid korrekt; resultaten härleds från antaganden, så de kanske inte är allmänt accepterade
  • Fuzzy system lär sig inte på egen hand, till skillnad från en neurala nätverk med sin mönsterigenkänningsförmåga
  • Validering och verifiering av ett fuzzy kunskapsbaserat system kräver omfattande testning med hårdvara.
  • Att sätta exakta fuzzy regler och medlemsfunktioner är en svår uppgift
  • Fuzzy logik förväxlas ofta med sannolikhetsteori, och de två ordförråden blandas ihop.

Vanliga frågor

En medlemsfunktion är kurvkartanping varje ingångsvärde till en grad mellan 0 och 1. Den omvandlar en språklig etikett som "varm" till en form som en kontroller kan beräkna med.

Triangulära former passar ett enda idealvärde, trapetsformade former ett bekvämt band, Gaussiska former en jämn deriverbar kurva. Börja triangulär, den billigaste att beräkna, byt sedan om svaret känns abrupt.

Mamdani-regler matar ut en fuzzy uppsättning och läses som vanligt expertspråk, vilket passar mänskligt utformade kontroller. Sugeno-regler matar ut en matematisk funktion, billigare att defuzzifiera och enklare att finjustera automatiskt.

Centroid, tyngdpunkten för utdatamängden, är den vanliga standarden och tillräckligt bra för de flesta tillämpningar. Bisektris och de maximumbaserade metoderna är värda att prova när centroids svar är för jämnt.

I standardoperatorerna i Zadeh tar AND minimum av två grader, ELLER maximum, och INTE subtracräknar graden från 1. De reducerar till boolesk logik när varje grad är exakt 0 eller 1.

Neuro-fuzzy-system behåller läsbara fuzzy-regler men låter ett nätverk finjustera medlemsfunktionerna från data, vilket parar ihop tolkningsbarheten hos expertregler med anpassningsförmågan hos övervakad inlärning.

GitHub Copilot utarbetar medlemsfunktioner, regeltabeller och plottar kod snabbt, vilket tar bort det mesta av standardkoden. Regelsemantiken behöver fortfarande en expert, eftersom en rimlig regeluppsättning kan vara fel för din anläggning.

Python Utvecklare använder scikit-fuzzy, ingenjörer använder MATLAB Fuzzy Logic Toolbox, och inbäddade team skriver min-max-aritmetiken för hand. Alla tre följer fuzzify-, infer- och defuzzify-pipelinen ovan.

Sammanfatta detta inlägg med: