Wprowadzenie do systemu logiki rozmytej
Logika rozmyta jest podejściem obliczeniowym opartym na „stopniu prawdy” i nie ogranicza się do logicznego „prawda lub fałsz”. Termin „rozmyte” oznacza coś, co jest niejasne lub niezbyt jasne. System rozmytej logiki jest stosowany w scenariuszach, w których trudno jest zaklasyfikować stany jako binarne „prawda lub fałsz”. Logika rozmyta może zawierać wartości pośrednie, takie jak częściowo prawda, a częściowo fałsz. Można go wdrożyć na szeroką gamę urządzeń, od małego mikrokontrolera po duże systemy informatyczne. Stara się naśladować ludzkie decyzje, które mogą zawierać wszystkie wartości pomiędzy Prawdą a Fałszem.
Architektura systemu logiki rozmytej
Fuzzy Logic System ma cztery główne elementy, które zostały wyjaśnione za pomocą poniższego schematu architektury:
- Reguły: Baza reguł składa się z dużego zestawu reguł zaprogramowanych i karmionych przez ekspertów, którzy rządzą podejmowaniem decyzji w systemie rozmytym. Reguły to zestawy instrukcji „Jeśli-to”, które decydują o wystąpieniu zdarzenia na podstawie warunku.
- Fuzzification: Fuzzification przekształca nieprzetworzone dane wejściowe mierzone z czujników w rozmyte zbiory. Te przetworzone dane wejściowe są przekazywane do układu sterowania w celu dalszego przetwarzania.
- Mechanizm wnioskowania: Pomaga w mapowaniu reguł do wejściowego zestawu danych, a tym samym decyduje, które reguły należy zastosować dla danych wejściowych. Odbywa się to poprzez obliczenie% dopasowania reguł dla danych wejściowych.
- Defuzzification: To przeciwieństwo Fuzzification. Tutaj rozmyte zbiory są konwertowane na wyraźne dane wejściowe. Te wyraźne dane wejściowe są wynikiem działania Fuzzy Logic System.
Członkostwo
Funkcja członkostwa określa, w jaki sposób dane wejściowe do systemu rozmytego są odwzorowywane na wartości od 0 do 1. Dane wejściowe są zwykle określane jako Wszechświat (U), ponieważ mogą zawierać dowolną wartość. Funkcja członkostwa jest zdefiniowana jako:
μ A: X → (0, 1).
Tutaj X reprezentuje Wszechświat, a Y reprezentuje dowolną wartość pomiędzy 0 a 1. Trójkątna funkcja członkostwa jest najczęściej używaną funkcją członkostwa. Inne funkcje członkostwa obejmują trapezoidalne, gaussowskie i singletonowe.
Dlaczego i kiedy używać Fuzzy Logic?
Fuzzy Logic jest szczególnie przydatny, gdy chcesz naśladować ludzkie myślenie w systemie sterowania. Bardziej niż rozumowanie dokładności, koncentruje się ono na akceptowalnym rozumowaniu, które jest bardzo zbliżone do tego, jak działa rzeczywisty świat. Jest przeznaczony do radzenia sobie z niepewnościami i jest biegły w wyciąganiu wniosków z wniosków.
Algorytm układu logiki rozmytej
- Zdefiniuj wszystkie zmienne i terminy, które będą działać jako dane wejściowe do systemu rozmytego
- Utwórz funkcję członkostwa w systemie (jak zdefiniowano powyżej)
- Utwórz bazę reguł, która będzie mapowana do każdego wejścia
- Konwertuj normalne dane wejściowe na rozmyte dane wejściowe przekazywane do funkcji członkostwa
- Oceń wynik funkcji członkostwa
- Połącz wszystkie wyniki uzyskane z zestawu indywidualnych reguł
- Konwertuj zestaw rozmytych danych wyjściowych na wejście Crisp (defuzzification)
Zastosowanie Fuzzy Logic System
Fuzzy Logic jest wdrażany we wszystkich głównych branżach, ale Automotive pozostaje głównymi odbiorcami. Kilka jego aplikacji wymieniono poniżej:
- Nissan używa Fuzzy Logic do sterowania układem hamulcowym w razie zagrożenia. Fuzzy Logic wykorzystuje dane wejściowe, takie jak prędkość, przyspieszenie, pęd, aby zdecydować o intensywności hamowania.
- Nissan wykorzystuje również Fuzzy Logic do kontrolowania ilości wtrysku paliwa i zapłonu na podstawie takich danych wejściowych, jak obroty silnika, temperatura i ładowność.
- Jest stosowany w satelitach i samolotach do kontroli wysokości.
- Mitsubishi korzysta z Fuzzy Logic, aby usprawnić zarządzanie windą, biorąc na siebie ruch pasażerów.
- Nippon Steel używa Fuzzy Logic do decydowania o proporcji mieszania różnych rodzajów cementu w celu uzyskania bardziej trwałego cementu.
- Fuzzy Logic znajduje zastosowanie w przemyśle chemicznym do zarządzania różnymi procesami, takimi jak kontrola pH, proces suszenia i proces destylacji.
- Fuzzy Logic można połączyć ze sztuczną siecią neuronową (ANN), aby naśladować działanie ludzkiego mózgu. Fuzzy Logic agreguje dane i przekształca je w bardziej znaczące informacje, które są używane jako zestawy Fuzzy.
Zalety Fuzzy Logic System
Oto pięć zalet systemu logiki rozmytej:
- Fuzzy Logic może pracować z dowolnym rodzajem danych wejściowych, nawet jeśli jest nieustrukturyzowany, zniekształcony, nieprecyzyjny lub zawiera szum.
- Budowa Fuzzy Logic jest bardzo łatwa do odczytania i zrozumienia, ponieważ ściśle naśladuje sposób, w jaki Ludzki Umysł podejmuje decyzję.
- Niuanse Fuzzy Logic obejmują użycie kluczowych koncepcji matematycznych, takich jak Teoria Setów i Prawdopodobieństwo, co sprawia, że jest w stanie rozwiązać wszystkie codzienne wyzwania, przed którymi stoi ludzkość.
- Fuzzy Logic może zapewnić wydajne rozwiązania bardzo złożonego problemu w różnych branżach.
- System Fuzzy Logic potrzebuje bardzo małej ilości danych, aby przygotować solidny model. Dlatego do jego wykonania potrzebuje tylko ograniczonej ilości pamięci.
Wady systemu Fuzzy Logic
Poniżej znajdują się cztery główne wady systemu logiki rozmytej:
- Nie ma standardowego sposobu rozwiązania problemu za pomocą Fuzzy Logic, dlatego różni eksperci mogą mieć inne rozwiązanie problemu, który prowadzi do niejednoznaczności.
- Ponieważ Fuzzy Logic System działa zarówno z precyzyjnymi, jak i nieprecyzyjnymi danymi, czasami jego dokładność może zostać zmniejszona.
- Fuzzy Logic System nie może uczyć się na swoich błędach lub niepowodzeniach z przeszłości, ponieważ nie ma zdolności do samodzielnego uczenia się, jak Machine Learning i Neural Network.
- Z powodu braku standaryzacji nie ma jednego ustalonego sposobu na znalezienie reguł i funkcji członkostwa dla danego problemu. Dlatego czasami trudno jest znaleźć dokładne reguły i funkcje członkostwa dla niektórych problemów.
Wniosek
Fuzzy Logic zapewnia alternatywny sposób podejścia do rzeczywistych problemów w świecie komputerów. Można go łatwo zastosować do różnych aplikacji i systemu sterowania, które mogą przynieść długoterminowe korzyści. Biorąc pod uwagę jego zdolność do dobrej pracy z „Stopniem prawdy”, otwiera wiele drzwi do nowoczesnego przetwarzania. Jednak nie jest to panaceum na wszystkie problemy, ponieważ ma poważne ograniczenia, jeśli chodzi o dokładność i niemożność uczenia się na podstawie jego niepowodzenia, tak jak w przypadku uczenia maszynowego.
Polecane artykuły
Jest to przewodnik po systemie Fuzzy Logic. Tutaj omawiamy, dlaczego i kiedy korzystać z systemu rozmytego, z architekturą, aplikacją, a także z zaletami i wadami. Możesz również przejrzeć nasze inne powiązane artykuły, aby dowiedzieć się więcej -
- Co to jest logika rozmyta?
- Testowanie Fuzz
- Firmy IoT
- R Ramka danych
- Urządzenie czujnikowe
- Top 12 rodzajów czujników i ich zastosowania