Fuzzy Logic Tutorial: Vad är, Architecture, Application, Exempel

Vad är Fuzzy Logic?

Fuzzy Logic definieras som en logisk form med många värden som kan ha sanningsvärden för variabler i valfritt reellt tal mellan 0 och 1. Det är handtagskonceptet för partiell sanning. I verkliga livet kan vi stöta på en situation där vi inte kan avgöra om påståendet är sant eller falskt. På den tiden erbjuder fuzzy logic mycket värdefull flexibilitet för resonemang.

Fuzzy logic-algoritm hjälper till att lösa ett problem efter att ha övervägt all tillgänglig data. Sedan fattar den bästa möjliga beslut för den givna input. FL-metoden imiterar sättet att fatta beslut hos en människa som överväger alla möjligheter mellan digitala värden T och F.

Fuzzy Logic Systems historia

Även om begreppet fuzzy logic hade studerats sedan 1920-talet. Termen fuzzy logic användes första gången 1965 av Lotfi Zadeh, professor vid UC Berkeley i Kalifornien. Han observerade att konventionell datorlogik inte kunde manipulera data som representerade subjektiva eller oklara mänskliga idéer.

Fuzzy algoritm har tillämpats på olika områden, från kontrollteori till AI. Den designades för att göra det möjligt för datorn att avgöra skillnaderna mellan data som varken är sanna eller falska. Något som liknar processen för mänskligt resonemang. Som lite mörkt, lite ljusstyrka osv.

Egenskaper hos Fuzzy Logic

Här är några viktiga egenskaper hos fuzzy logic:

Flexibel och lätt att implementera maskininlärning Tekniken
Hjälper dig att efterlikna logiken i mänskligt tänkande
Logik kan ha två värden som representerar två möjliga lösningar
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 olinjära funktioner av godtycklig komplexitet.
Fuzzy logik bör byggas med fullständig vägledning av experter

När ska man inte använda fuzzy logic

Suddig logik är dock aldrig ett botemedel för alla. Därför är det lika viktigt att förstå att där vi inte ska använda oskarp logik.

Här är vissa situationer när du inte använder Fuzzy Logic:

Om du inte tycker det är bekvämt att mappa ett inmatningsutrymme till ett utmatningsutrymme
Fuzzy logic bör inte användas när du kan använda sunt förnuft
Många kontroller kan göra det fina jobbet utan att använda suddig logik

Fuzzy Logic Architecture

Fuzzy Logic-arkitekturen har fyra huvuddelar som visas i diagrammet:

Regelbas

Den innehåller alla regler och de om-då-villkor som experterna erbjuder för att kontrollera beslutsfattandet. Den senaste uppdateringen inom fuzzy-teori tillhandahåller olika metoder för design och justering av fuzzy-kontroller. Dessa uppdateringar minskar antalet suddiga regler avsevärt.

Fuzzifiering

Fuzzification-steget hjälper till att konvertera ingångar. Det låter dig konvertera skarpa siffror till luddiga uppsättningar. Skarpa ingångar mäts av sensorer och skickas in i styrsystemet för vidare bearbetning. Som rumstemperatur, tryck etc.

Inferensmotor

Det hjälper dig att bestämma graden av matchning mellan otydlig inmatning och reglerna. Baserat på %-matchningen bestämmer den vilka regler som behöver implementeras enligt det givna inmatningsfältet. Därefter kombineras de tillämpade reglerna för att utveckla kontrollåtgärderna.

Defuzzifiering

Äntligen utförs defuzzifieringsprocessen för att omvandla de fuzzy seten till ett skarpt värde. Det finns många typer av tekniker tillgängliga, så du måste välja den som är bäst lämpad när den används med ett expertsystem.

Fuzzy Logic vs. Sannolikhet

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	Det kan inte vara skarpt
Sant/falskt {0,1}	Medlemskapsvärden på [0,1]
I skarp logik kan lagen om utesluten mellan och icke-motsägelse hålla eller inte	I den suddiga logiska lagen Excluded Middle och Non-Contradiction håller

Klassisk uppsättning vs. fuzzy uppsättningsteori

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 endast i fuzzy controllers.

Fuzzy Logic Exempel

Se nedanstående diagram. Det visar att i ett Fuzzy-system betecknas värdena med ett tal från 0 till 1. I det här exemplet betyder 1.0 absolut sanning och 0.0 betyder absolut falskhet.

Användningsområden för Fuzzy Logic

Den givna blåstabellen visar tillämpningen av Fuzzy logic av kända företag i sina produkter.

Produkt	Företag	Fuzzy Logic
Låsningsfria bromsar	Nissan	Använd suddig logik för att styra bromsar i farliga fall beroende på bilens hastighet, acceleration, hjulhastighet och acceleration
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 redskap baserat på motorbelastning, körstil och väglag.
Kopieringsmaskin	Canon	Används för att justera trumspänning baserat på bilddensitet, luftfuktighet och temperatur.
Kryssningskontroll	Nissan, Isuzu, Mitsubishi	Använd den för att justera gasinställningen för att ställa in bilens hastighet och acceleration
Diskmaskin	Matsushita	Används för att justera rengöringscykeln, skölj- och diskstrategier baserat på antalet diskar och mängden mat som serveras på disken.
Hissstyrning	Fujitec, Mitsubishi Electric, Toshiba	Använd den för att minska väntetiden baserat på passagerartrafiken
Golf diagnossystem	Maruman Golf	Väljer golfklubba baserat på golfarens sving och fysik.
Fitness management	Omron	Luddiga regler antydda av dem för att kontrollera deras anställdas lämplighet.
Ugnskontroll	Nippon stål	Blandar cement
Mikrovågsugn	Mitsubishi Chemical	Ställer in lunes kraft och matlagningsstrategi
Handdator	Hitachi, Sharp, Sanyo, Toshiba	Känner igen handskrivna Kanji-karaktärer
Plasmaetsning	Mitsubishi Electric	Ställer in etsningstid och strategi

Fördelar med Fuzzy Logic System

Strukturen i Fuzzy Logic Systems är enkel och begriplig
Fuzzy logic används ofta för kommersiella och praktiska ändamål
Fuzzy logic i AI hjälper dig att styra maskiner och konsumentprodukter
Det kanske inte ger korrekta resonemang, men det enda acceptabla resonemanget
Luddrig logik in Data Mining hjälper dig att hantera osäkerheten inom teknik
Mestadels robust eftersom inga exakta inmatningar krävs
Den kan programmeras i situationen när återkopplingssensorn slutar fungera
Det kan enkelt modifieras för att förbättra eller ändra systemets prestanda
billiga sensorer kan användas som hjälper dig att hålla den totala systemkostnaden och komplexiteten låg
Det ger en mest effektiv lösning på komplexa problem

Nackdelar med Fuzzy Logic Systems

Fuzzy logik är inte alltid korrekt, så resultaten uppfattas baserat på antaganden, så det kanske inte är allmänt accepterat.
Fuzzy system har inte kapaciteten för maskininlärning eller mönsterigenkänning av neural nätverkstyp
Validering och verifiering av ett flummigt kunskapsbaserat system kräver omfattande testning med hårdvara
Att sätta exakta, otydliga regler och medlemsfunktioner är en svår uppgift
Viss luddig tidslogik förväxlas med sannolikhetsteori och termerna

Sammanfattning

Termen fuzzy betyder saker som inte är särskilt tydliga eller vaga
Termen fuzzy logic användes först med 1965 av Lotfi Zadeh, professor vid UC Berkeley i Kalifornien
Fuzzy logic är en flexibel och lättimplementerad maskininlärningsteknik
Fuzzy logic bör inte användas när du kan använda sunt förnuft
Fuzzy Logic-arkitekturen har fyra huvuddelar 1) Regelbas 2) Fuzzification 3) Inferensmotor 4) Defuzzifiering
Fuzzy logic tar sanningsgrader som en matematisk grund på modellen för vagheten medan sannolikhet är en matematisk modell av okunnighet
Crisp set har strikt gräns T eller F medan Fuzzy gräns med en viss grad av medlemskap
En klassisk uppsättning används ofta i digital systemdesign medan fuzzy set används endast i fuzzy kontroller
Autoväxling, fitnesshantering, golfdiagnostik, diskmaskin, kopieringsmaskin är några områden av Fuzzy Logic-applikationer
Fuzzy logic i Soft Computing hjälper dig att styra maskiner och konsumentprodukter

Du kanske gillar: