ในชีวิตประจำวันของเราเราอาจเผชิญกับสถานการณ์ที่เราไม่สามารถระบุได้ว่าสถานะนั้นเป็นจริงหรือเท็จ ฟัซซีหมายถึงสิ่งที่ไม่ชัดเจนหรือคลุมเครือ Fuzzy Logic ใน AI ให้ความยืดหยุ่นที่มีคุณค่าสำหรับการให้เหตุผล และในบทความนี้เราจะเรียนรู้เกี่ยวกับตรรกะนี้และการนำไปใช้ใน ตามลำดับต่อไปนี้:
- Fuzzy Logic คืออะไร?
- ทำไมเราถึงใช้ Fuzzy Logic?
- สถาปัตยกรรม
- ฟังก์ชันการเป็นสมาชิก
- ฟัซซี่ลอจิกกับความน่าจะเป็น
- การประยุกต์ใช้ Fuzzy Logic
- ข้อดีข้อเสีย
- Fuzzy Logic ใน AI: ตัวอย่าง
Fuzzy Logic คืออะไร?
ฟัซซี่ลอจิก (FL) เป็นวิธีการให้เหตุผลที่คล้ายกับ เหตุผลของมนุษย์ . แนวทางนี้คล้ายกับการที่มนุษย์ทำการตัดสินใจ และเกี่ยวข้องกับความเป็นไปได้ระดับกลางทั้งหมดระหว่าง ใช่ และ ไม่ .
บล็อกตรรกะทั่วไป คอมพิวเตอร์เข้าใจว่ารับอินพุตที่แม่นยำและสร้างผลลัพธ์ที่แน่นอนเป็น TRUE หรือ FALSE ซึ่งเทียบเท่ากับ YES หรือ NO ของมนุษย์ ตรรกะฟัซซีถูกคิดค้นโดย ล็อตฟีซาเดห์ ผู้ที่สังเกตเห็นว่าแตกต่างจากคอมพิวเตอร์มนุษย์มีความเป็นไปได้ที่แตกต่างกันระหว่าง YES และ NO เช่น:
ฟัซซีลอจิกทำงานกับระดับความเป็นไปได้ของอินพุตเพื่อให้ได้ผลลัพธ์ที่แน่นอน ตอนนี้พูดถึงการใช้ตรรกะนี้:
สามารถนำไปใช้ในระบบที่มีขนาดและความสามารถแตกต่างกันเช่น ไมโครคอนโทรลเลอร์เครือข่ายขนาดใหญ่ หรือ ระบบที่ใช้เวิร์กสเตชัน
นอกจากนี้ยังสามารถใช้งานได้ในรูปแบบ ฮาร์ดแวร์ซอฟต์แวร์ หรือการรวมกันของ ทั้งสองอย่าง .
ทำไมเราถึงใช้ Fuzzy Logic?
โดยทั่วไปเราใช้ระบบฟัซซีลอจิกเพื่อวัตถุประสงค์ทางการค้าและในทางปฏิบัติเช่น:
มัน ควบคุมเครื่องจักร และ สินค้าอุปโภคบริโภค
ถ้าไม่ใช่เหตุผลที่ถูกต้องอย่างน้อยก็ให้ เหตุผลที่ยอมรับได้
ซึ่งจะช่วยในการจัดการกับไฟล์ ความไม่แน่นอนทางวิศวกรรม
ตอนนี้คุณรู้แล้วเกี่ยวกับ Fuzzy logic ใน AI และทำไมเราถึงใช้มันจริงๆเรามาทำความเข้าใจกับสถาปัตยกรรมของตรรกะนี้กัน
สถาปัตยกรรมฟัซซี่ลอจิก
สถาปัตยกรรมฟัซซีลอจิกประกอบด้วยสี่ส่วนหลัก:
กฎ - ประกอบด้วยกฎทั้งหมดและเงื่อนไข if-then ที่เสนอโดยผู้เชี่ยวชาญเพื่อควบคุมระบบการตัดสินใจ การอัปเดตล่าสุดในทฤษฎีฟัซซีมีวิธีการที่มีประสิทธิภาพที่แตกต่างกันสำหรับการออกแบบและการปรับแต่ง ตัวควบคุมที่คลุมเครือ . โดยปกติการพัฒนาเหล่านี้จะลดจำนวนกฎที่คลุมเครือ
การทำให้เป็นฝอย - ขั้นตอนนี้จะแปลงอินพุตหรือตัวเลขที่คมชัดเป็นชุดฟัซซี่ คุณสามารถวัดอินพุตที่คมชัดด้วยเซ็นเซอร์และส่งผ่านไปยังไฟล์ ระบบควบคุม สำหรับการประมวลผลต่อไป มันแยกสัญญาณอินพุตออกเป็นห้าขั้นตอนเช่น -
Inference Engine - กำหนดระดับการจับคู่ระหว่างการป้อนข้อมูลที่ไม่ชัดเจนและกฎ ตามช่องป้อนข้อมูลจะตัดสินกฎที่จะเริ่มทำงาน การรวมกฎยิงเข้าด้วยกันสร้างการดำเนินการควบคุม
การทำให้มึนงง - กระบวนการ Defuzzification แปลงชุดฟัซซี่ให้เป็นค่าที่คมชัด มีเทคนิคหลายประเภทและคุณต้องเลือกวิธีที่เหมาะสมที่สุดด้วยระบบผู้เชี่ยวชาญ
ดังนั้นนี่จึงเกี่ยวกับสถาปัตยกรรมของตรรกะคลุมเครือใน AI ตอนนี้เรามาทำความเข้าใจเกี่ยวกับฟังก์ชันการเป็นสมาชิกกัน
ฟังก์ชันการเป็นสมาชิก
ฟังก์ชั่นการเป็นสมาชิกคือ กราฟ ที่กำหนดว่าแต่ละจุดในไฟล์ พื้นที่ป้อนข้อมูล ถูกจับคู่กับค่าสมาชิกระหว่าง 0 ถึง 1 ช่วยให้คุณสามารถ หาจำนวนคำศัพท์ทางภาษา และแสดงชุดที่คลุมเครือในรูปแบบกราฟิก ฟังก์ชันการเป็นสมาชิกสำหรับชุดคลุมเครือ A บนจักรวาลของวาทกรรม X ถูกกำหนดให้เป็น & muA: X → [0.1]
มันวัดระดับความเป็นสมาชิกขององค์ประกอบใน X ถึงชุดคลุมเครือ A
แกน x แสดงถึงจักรวาลแห่งวาทกรรม
แกน y แสดงถึงระดับของการเป็นสมาชิกในช่วง [0, 1]
สามารถมีฟังก์ชั่นการเป็นสมาชิกหลายฟังก์ชันที่ใช้ในการทำให้ค่าตัวเลขเลือนหายไป ฟังก์ชันการเป็นสมาชิกแบบง่ายถูกใช้เนื่องจากฟังก์ชันที่ซับซ้อนไม่ได้เพิ่มความแม่นยำในเอาต์พุต ฟังก์ชั่นการเป็นสมาชิกสำหรับ LP, MP, S, MN และ LN คือ:
รูปทรงของฟังก์ชันการเป็นสมาชิกรูปสามเหลี่ยมนั้นพบได้บ่อยในรูปทรงฟังก์ชันสมาชิกอื่น ๆ ที่นี่อินพุตไปยังตัวกรอง 5 ระดับจะแตกต่างกันไป -10 โวลต์ถึง +10 โวลต์ . ดังนั้นผลลัพธ์ที่สอดคล้องกันก็เปลี่ยนไปเช่นกัน
ฟัซซี่ลอจิกกับความน่าจะเป็น
ฟัซซี่ลอจิก | ความน่าจะเป็น |
ในตรรกะที่คลุมเครือโดยพื้นฐานแล้วเราพยายามจับแนวคิดที่สำคัญของความคลุมเครือ | ความน่าจะเป็นเกี่ยวข้องกับเหตุการณ์ไม่ใช่ข้อเท็จจริงและเหตุการณ์เหล่านั้นจะเกิดขึ้นหรือไม่เกิดขึ้น |
Fuzzy Logic จับความหมายของความจริงบางส่วน | ทฤษฎีความน่าจะเป็นจับความรู้บางส่วน |
ฟัซซีลอจิกใช้องศาความจริงเป็นพื้นฐานทางคณิตศาสตร์ | ความน่าจะเป็นเป็นแบบจำลองทางคณิตศาสตร์ของความไม่รู้ |
ดังนั้นนี่คือความแตกต่างบางประการระหว่างตรรกะฟัซซีใน AI และความน่าจะเป็น ตอนนี้เรามาดูการประยุกต์ใช้ตรรกะนี้กัน
การประยุกต์ใช้ Fuzzy Logic
ฟัซซีลอจิกถูกนำไปใช้ในด้านต่างๆเช่นระบบยานยนต์สินค้าในประเทศการควบคุมสภาพแวดล้อม ฯลฯ แอพพลิเคชั่นทั่วไปบางอย่าง ได้แก่ :
ใช้ในไฟล์ สาขาการบินและอวกาศ สำหรับ การควบคุมระดับความสูง ของยานอวกาศและดาวเทียม
สิ่งนี้ควบคุมไฟล์ ความเร็วและการจราจร ใน ระบบยานยนต์
ใช้สำหรับ ระบบสนับสนุนการตัดสินใจ และการประเมินผลส่วนบุคคลในธุรกิจ บริษัท ขนาดใหญ่
นอกจากนี้ยังควบคุม pH การทำให้แห้งกระบวนการกลั่นทางเคมีใน อุตสาหกรรมเคมี .
ฟัซซีลอจิกถูกใช้ใน การประมวลผลภาษาธรรมชาติ และเข้มข้นต่างๆ .
มีการใช้กันอย่างแพร่หลายใน ระบบควบคุมที่ทันสมัย เช่นระบบผู้เชี่ยวชาญ
Fuzzy Logic เลียนแบบวิธีที่บุคคลจะตัดสินใจได้เร็วขึ้นเท่านั้น ดังนั้นคุณสามารถใช้กับไฟล์ โครงข่ายประสาท .
นี่คือแอพพลิเคชั่นทั่วไปบางส่วนของ Fuzzy Logic ตอนนี้เรามาดูข้อดีและข้อเสียของการใช้ Fuzzy Logic ใน AI กัน
ข้อดีและข้อเสียของ Fuzzy Logic
ตรรกะคลุมเครือให้เหตุผลง่ายๆคล้ายกับการใช้เหตุผลของมนุษย์ มีมากขึ้นเช่น ข้อดี ของการใช้ตรรกะนี้เช่น:
โครงสร้างของ Fuzzy Logic Systems คือ ง่ายและเข้าใจได้
Fuzzy logic ใช้กันอย่างแพร่หลายสำหรับ เชิงพาณิชย์ และ วัตถุประสงค์ในทางปฏิบัติ
ช่วยให้คุณ เครื่องควบคุม และสินค้าอุปโภคบริโภค
ช่วยให้คุณจัดการกับไฟล์ ความไม่แน่นอนทางวิศวกรรม
ส่วนใหญ่ แข็งแกร่ง เนื่องจากไม่จำเป็นต้องมีอินพุตที่แม่นยำ
หากเซ็นเซอร์ป้อนกลับหยุดทำงานคุณสามารถทำได้ โปรแกรมมัน เข้าสู่สถานการณ์
คุณสามารถ ปรับเปลี่ยนได้อย่างง่ายดาย เพื่อปรับปรุงหรือเปลี่ยนแปลงประสิทธิภาพของระบบ
เซ็นเซอร์ราคาไม่แพง สามารถใช้งานได้ซึ่งช่วยให้คุณรักษาต้นทุนและความซับซ้อนของระบบโดยรวมให้ต่ำ
นี่คือข้อดีที่แตกต่างกันของตรรกะฟัซซี แต่มันก็มีบ้าง ข้อเสีย เช่นกัน:
ตรรกะคลุมเครือคือ ไม่ถูกต้องเสมอไป . ดังนั้นผลลัพธ์จึงถูกรับรู้โดยอาศัยสมมติฐานและอาจไม่เป็นที่ยอมรับในวงกว้าง
มัน ไม่สามารถรับรู้ได้ เช่นเดียวกับ รูปแบบการพิมพ์
การตรวจสอบและยืนยัน ความต้องการของระบบฐานความรู้ที่คลุมเครือ การทดสอบที่กว้างขวาง ด้วยฮาร์ดแวร์
java วิธีการใช้งาน
การตั้งค่ากฎที่แน่นอนคลุมเครือและฟังก์ชันการเป็นสมาชิกคือ งานที่ยาก
ในบางครั้งตรรกะที่คลุมเครือคือ สับสน ด้วย ทฤษฎีความน่าจะเป็น
ดังนั้นนี่คือข้อดีและข้อเสียบางประการของการใช้ตรรกะคลุมเครือใน AI ตอนนี้เรามาดูตัวอย่างในโลกแห่งความเป็นจริงและทำความเข้าใจการทำงานของตรรกะนี้
Fuzzy Logic ใน AI: ตัวอย่าง
การออกแบบระบบฟัซซีลอจิกเริ่มต้นด้วยชุดฟังก์ชันการเป็นสมาชิกสำหรับแต่ละอินพุตและชุดสำหรับแต่ละเอาต์พุต จากนั้นชุดของกฎจะถูกนำไปใช้กับฟังก์ชันการเป็นสมาชิกเพื่อให้ได้ค่าเอาต์พุตที่คมชัด มาดูตัวอย่างการควบคุมกระบวนการและทำความเข้าใจตรรกะที่คลุมเครือ
ขั้นตอนที่ 1
ที่นี่ อุณหภูมิ คืออินพุตและ ความเร็วของพัดลม คือผลลัพธ์ คุณต้องสร้างชุดฟังก์ชันการเป็นสมาชิกสำหรับแต่ละอินพุต ฟังก์ชันการเป็นสมาชิกเป็นเพียงการแสดงชุดตัวแปรฟัซซีแบบกราฟิก สำหรับตัวอย่างนี้เราจะใช้ชุดฟัซซี่สามชุด เย็นอบอุ่น และ ร้อน . จากนั้นเราจะสร้างฟังก์ชันการเป็นสมาชิกสำหรับแต่ละชุดอุณหภูมิสามชุด:
ขั้นตอนที่ 2
ในขั้นตอนต่อไปเราจะใช้ชุดฟัซซี่สามชุดสำหรับเอาต์พุต ช้าปานกลาง และ เร็ว . ชุดฟังก์ชันถูกสร้างขึ้นสำหรับชุดเอาต์พุตแต่ละชุดเช่นเดียวกับชุดอินพุต
ขั้นตอนที่ 3
ตอนนี้เราได้กำหนดฟังก์ชันการเป็นสมาชิกแล้วเราสามารถสร้างกฎที่จะกำหนดวิธีการนำฟังก์ชันการเป็นสมาชิกไปใช้กับระบบขั้นสุดท้าย เราจะสร้างกฎสามข้อสำหรับระบบนี้
- ถ้าร้อนแล้วเร็ว
- ถ้าอุ่นแล้วปานกลาง
- และถ้าเย็นแล้วช้า
กฎเหล่านี้ใช้กับฟังก์ชันการเป็นสมาชิกเพื่อสร้างค่าเอาต์พุตที่คมชัดเพื่อขับเคลื่อนระบบ ดังนั้นสำหรับค่าอินพุตของ 52 องศา เราตัดฟังก์ชันการเป็นสมาชิก ที่นี่เราใช้กฎสองข้อเนื่องจากจุดตัดเกิดขึ้นกับทั้งสองฟังก์ชัน คุณสามารถขยายจุดตัดไปยังฟังก์ชันเอาต์พุตเพื่อสร้างจุดตัดกัน จากนั้นคุณสามารถตัดทอนฟังก์ชันเอาต์พุตที่ความสูงของจุดตัดกัน
นี่เป็นคำอธิบายง่ายๆว่าระบบลอจิกฟัซซีทำงานอย่างไร ในระบบการทำงานจริงจะมีอินพุตจำนวนมากและความเป็นไปได้ของเอาต์พุตหลายตัว ซึ่งจะส่งผลให้ชุดฟังก์ชันที่ค่อนข้างซับซ้อนและกฎอื่น ๆ อีกมากมาย
ด้วยเหตุนี้เราจึงมาถึงตอนท้ายของบทความ Fuzzy Logic in AI ฉันหวังว่าคุณจะเข้าใจว่าตรรกะคลุมเครือคืออะไรและทำงานอย่างไร
ตรวจสอบไฟล์ หลักสูตรได้รับการดูแลโดยผู้เชี่ยวชาญในอุตสาหกรรมตามข้อกำหนดและความต้องการของอุตสาหกรรม คุณจะเชี่ยวชาญแนวคิดต่างๆเช่นฟังก์ชัน SoftMax, Autoencoder Neural Networks, เครื่อง Boltzmann ที่ จำกัด (RBM) และทำงานกับไลบรารีเช่น Keras & TFLearn หลักสูตรนี้ได้รับการดูแลเป็นพิเศษโดยผู้เชี่ยวชาญในอุตสาหกรรมพร้อมกรณีศึกษาแบบเรียลไทม์
มีคำถามสำหรับเรา? โปรดระบุไว้ในส่วนความคิดเห็นของ“ Fuzzy Logic in AI” แล้วเราจะติดต่อกลับไป