Em nossa vida cotidiana, podemos enfrentar situações em que não somos capazes de determinar se o estado é verdadeiro ou falso. Fuzzy se refere a algo que não está claro ou vago. A lógica difusa em IA oferece flexibilidade valiosa para o raciocínio. E neste artigo, aprenderemos sobre essa lógica e sua implementação em na seguinte sequência:
- O que é Fuzzy Logic?
- Por que usamos Fuzzy Logic?
- Arquitetura
- Função de membro
- Lógica Fuzzy vs Probabilidade
- Aplicações da Lógica Fuzzy
- Vantagens desvantagens
- Lógica Fuzzy em AI: Exemplo
O que é Fuzzy Logic?
Fuzzy Logic (FL) é um método de raciocínio que se assemelha raciocínio humano . Essa abordagem é semelhante a como os humanos realizam a tomada de decisões. E envolve todas as possibilidades intermediárias entre SIM e NÃO .
como implementar método abstrato em java
o bloco lógico convencional que um computador entende recebe uma entrada precisa e produz uma saída definida como VERDADEIRO ou FALSO, que é equivalente ao SIM ou NÃO de um ser humano. A lógica Fuzzy foi inventada por Lotfi Zadeh que observou que, ao contrário dos computadores, os humanos têm uma gama diferente de possibilidades entre SIM e NÃO, tais como:
A lógica Fuzzy trabalha nos níveis de possibilidades de entrada para atingir uma saída definida. Agora, falando sobre a implementação desta lógica:
Pode ser implementado em sistemas com diferentes tamanhos e recursos, como microcontroladores, grande rede ou sistemas baseados em estação de trabalho.
Além disso, pode ser implementado em hardware, software ou uma combinação de ambos .
Por que usamos Fuzzy Logic?
Geralmente, usamos o sistema de lógica difusa para fins comerciais e práticos, como:
isto máquinas de controles e produtos de consumo
Se não for um raciocínio preciso, pelo menos fornece raciocínio aceitável
Isso ajuda a lidar com o incerteza na engenharia
Então, agora que você sabe sobre a lógica Fuzzy em IA e por que realmente a usamos, vamos prosseguir e entender a arquitetura dessa lógica.
Arquitetura Fuzzy Logic
A arquitetura de lógica fuzzy consiste em quatro partes principais:
Regras - Contém todas as regras e as condições se-então oferecidas pelos especialistas para controlar o sistema de tomada de decisão. A atualização recente na teoria fuzzy fornece diferentes métodos eficazes para o projeto e ajuste de controladores difusos . Normalmente, esses desenvolvimentos reduzem o número de regras fuzzy.
Fuzzificação - Esta etapa converte as entradas ou os números nítidos em conjuntos fuzzy. Você pode medir as entradas nítidas por sensores e passá-los para o Sistema de controle para processamento posterior. Ele divide o sinal de entrada em cinco etapas, como-
Motor de inferência - Determina o grau de correspondência entre a entrada difusa e as regras. De acordo com o campo de entrada, ele decidirá as regras que serão acionadas. Combinando as regras disparadas, formam as ações de controle.
Defuzzificação - O processo de defuzzificação converte os conjuntos fuzzy em um valor nítido. Existem diferentes tipos de técnicas disponíveis e você precisa selecionar a mais adequada com um sistema especialista.
Então, isso era sobre a arquitetura de lógica difusa em IA. Agora, vamos entender a função de associação.
Função de membro
A função de adesão é um gráfico que define como cada ponto no espaço de entrada é mapeado para o valor de associação entre 0 e 1. Ele permite que você quantificar termos linguísticos e representam um conjunto difuso graficamente. Uma função de pertinência para um conjunto fuzzy A no universo do discurso X é definida como & muA: X → [0,1]
Ele quantifica o grau de pertinência do elemento em X ao conjunto fuzzy A.
eixo x representa o universo do discurso.
eixo y representa os graus de pertinência no intervalo [0, 1].
Pode haver várias funções de pertinência aplicáveis para difundir um valor numérico. As funções de associação simples são usadas porque as funções complexas não adicionam precisão à saída. As funções de associação para LP, MP, S, MN e LN está:
As formas de função de pertinência triangular são mais comuns entre várias outras formas de função de pertinência. Aqui, a entrada para o difusificador de 5 níveis varia de -10 volts a +10 volts . Portanto, a saída correspondente também muda.
Lógica Fuzzy vs Probabilidade
| Fuzzy Logic | Probabilidade |
| Na lógica fuzzy, basicamente tentamos capturar o conceito essencial de imprecisão. | A probabilidade está associada a eventos e não a fatos, e esses eventos ocorrerão ou não |
| Fuzzy Logic captura o significado da verdade parcial | A teoria da probabilidade captura conhecimento parcial |
| A lógica difusa tem graus de verdade como base matemática | Probabilidade é um modelo matemático de ignorância |
Então, essas foram algumas das diferenças entre a lógica difusa em IA e probabilidade. Agora, vamos dar uma olhada em algumas das aplicações dessa lógica.
Aplicações da Lógica Fuzzy
A lógica Fuzzy é usada em vários campos, como sistemas automotivos, produtos domésticos, controle de ambiente, etc. Algumas das aplicações comuns são:
É usado no campo aeroespacial para controle de altitude de espaçonaves e satélites.
Isso controla o velocidade e tráfego no sistemas automotivos.
É usado para sistemas de apoio à tomada de decisão e avaliação pessoal nos negócios das grandes empresas.
Ele também controla o pH, secagem, processo de destilação química no indústria química .
como usar poder em python
A lógica difusa é usada em Processamento de linguagem natural e vários intensivos .
É amplamente utilizado em sistemas de controle modernos como sistemas especialistas.
Fuzzy Logic imita como uma pessoa tomaria decisões, só que muito mais rápido. Assim, você pode usá-lo com Redes neurais .
Estas foram algumas das aplicações comuns da Lógica Fuzzy. Agora, vamos dar uma olhada nas vantagens e desvantagens de usar Fuzzy Logic em IA.
Vantagens e desvantagens da Fuzzy Logic
A lógica difusa fornece um raciocínio simples semelhante ao raciocínio humano. Existem mais como vantagens de usar essa lógica, como:
A estrutura dos Sistemas de Lógica Fuzzy é fácil e compreensível
A lógica difusa é amplamente usada para comercial e Fins práticos
Te ajuda a máquinas de controle e produtos de consumo
Isso ajuda você a lidar com o incerteza na engenharia
Na maioria das vezes robusto como nenhuma entrada precisa necessária
Se o sensor de feedback parar de funcionar, você pode programar na situação
Você pode modificar facilmente para melhorar ou alterar o desempenho do sistema
Sensores baratos pode ser usado, o que ajuda a manter o custo geral do sistema e a complexidade baixos
Essas foram as diferentes vantagens da lógica fuzzy. Mas, tem algum desvantagens também:
A lógica difusa é nem sempre preciso . Portanto, os resultados são percebidos com base em suposições e podem não ser amplamente aceitos
isto não pode reconhecer bem como padrões de tipo
Validação e Verificação das necessidades de um sistema baseado em conhecimento difuso testes extensivos com hardware
Definir regras exatas e difusas e funções de associação é um tarefa difícil
Às vezes, a lógica difusa é confuso com teoria da probabilidade
Então, essas foram algumas das vantagens e desvantagens de usar a lógica fuzzy em IA. Agora, vamos dar um exemplo do mundo real e entender o funcionamento dessa lógica.
Lógica Fuzzy em AI: Exemplo
O projeto de um sistema de lógica fuzzy começa com um conjunto de funções de pertinência para cada entrada e um conjunto para cada saída. Um conjunto de regras é então aplicado às funções de associação para produzir um valor de saída nítido. Vamos dar um exemplo de controle de processo e entender a lógica fuzzy.
Passo 1
Aqui, Temperatura é a entrada e Velocidade do ventilador é a saída. Você deve criar um conjunto de funções de associação para cada entrada. Uma função de pertinência é simplesmente uma representação gráfica dos conjuntos de variáveis fuzzy. Para este exemplo, usaremos três conjuntos fuzzy, Frio quente e Quente . Em seguida, criaremos uma função de associação para cada um dos três conjuntos de temperatura:
Passo 2
Na próxima etapa, usaremos três conjuntos fuzzy para a saída, Lento, Médio e Rápido . Um conjunto de funções é criado para cada conjunto de saída, assim como para os conjuntos de entrada.
etapa 3
Agora que temos nossas funções de associação definidas, podemos criar as regras que definirão como as funções de associação serão aplicadas ao sistema final. Vamos criar três regras para este sistema.
- Se quente, então rápido
- Se quente, então médio
- E, se frio, então lento
Essas regras se aplicam às funções de associação para produzir o valor de saída nítido para conduzir o sistema. Assim, para um valor de entrada de 52 graus , cruzamos as funções de associação. Aqui, estamos aplicando duas regras, pois a interseção ocorre em ambas as funções. Você pode estender os pontos de interseção para as funções de saída para produzir um ponto de interseção. Você pode então truncar as funções de saída na altura dos pontos de interseção.
Esta foi uma explicação muito simples de como funcionam os sistemas de lógica difusa. Em um sistema real de trabalho, haveria muitas entradas e a possibilidade de várias saídas. Isso resultaria em um conjunto bastante complexo de funções e muito mais regras.
Com isso, chegamos ao fim de nosso artigo Fuzzy Logic in AI. Espero que você tenha entendido o que é lógica difusa e como ela funciona.
qual é a diferença entre javascript e jquery
Além disso, verifique o O curso é organizado por profissionais da indústria de acordo com os requisitos e demandas da indústria. Você vai dominar conceitos como função SoftMax, Redes Neurais Autoencoder, Máquina Boltzmann Restrita (RBM) e trabalhar com bibliotecas como Keras e TFLearn. O curso foi especialmente curado por especialistas do setor com estudos de caso em tempo real.
Tem alguma questão para nós? Mencione isso na seção de comentários de “Fuzzy Logic in AI” e entraremos em contato com você.