일상 생활에서 우리는 상태가 참인지 거짓인지 판단 할 수없는 상황에 직면 할 수 있습니다. 퍼지는 불분명하거나 모호한 것을 말합니다. AI의 퍼지 로직은 추론에 귀중한 유연성을 제공합니다. 이 기사에서는이 논리와 그 구현에 대해 다음 순서로 :
퍼지 로직이란?
퍼지 로직 (FL)은 다음과 같은 추론 방법입니다. 인간의 추론 . 이 접근 방식은 인간이 의사 결정을 수행하는 방식과 유사합니다. 그리고 그것은 사이의 모든 중간 가능성을 포함합니다 예 과 아니 .
그만큼 기존 논리 블록 컴퓨터가 이해하는 것은 정확한 입력을 받아 TRUE 또는 FALSE로 명확한 출력을 생성합니다. 이는 인간의 YES 또는 NO에 해당합니다. 퍼지 로직은 Lotfi Zadeh 컴퓨터와 달리 인간은 다음과 같이 예와 아니오 사이에 다른 범위의 가능성이 있음을 관찰했습니다.
퍼지 논리는 명확한 출력을 얻기 위해 입력 가능성 수준에서 작동합니다. 이제이 논리의 구현에 대해 이야기합니다.
다음과 같은 다양한 크기와 기능을 가진 시스템에서 구현할 수 있습니다. 마이크로 컨트롤러, 대규모 네트워크 또는 워크 스테이션 기반 시스템.
또한 다음에서 구현할 수 있습니다. 하드웨어 소프트웨어 또는 조합 양자 모두 .
퍼지 로직을 사용하는 이유는 무엇입니까?
일반적으로 우리는 다음과 같은 상업적 목적과 실용적인 목적 모두에 퍼지 논리 시스템을 사용합니다.
그것 제어 기계 과 소비재
정확한 추론이 아니라면 적어도 수용 가능한 추론
이것은 엔지니어링의 불확실성
이제 AI의 퍼지 로직에 대해 알고 실제로 사용하는 이유를 알았으니이 로직의 아키텍처를 이해해 보겠습니다.
퍼지 로직 아키텍처
퍼지 로직 아키텍처는 네 가지 주요 부분으로 구성됩니다.
규칙 – 의사 결정 시스템을 제어하기 위해 전문가가 제공하는 모든 규칙과 if-then 조건이 포함되어 있습니다. 퍼지 이론의 최근 업데이트는 설계 및 조정을위한 다양한 효과적인 방법을 제공합니다. 퍼지 컨트롤러 . 일반적으로 이러한 개발은 퍼지 규칙의 수를 줄입니다.
퍼지 화 –이 단계는 입력 또는 선명한 숫자를 퍼지 세트로 변환합니다. 센서로 선명한 입력을 측정하여 제어 시스템 추가 처리를 위해. 입력 신호를 다음과 같은 5 단계로 분할합니다.
추론 엔진 – 퍼지 입력과 규칙 간의 일치 정도를 결정합니다. 입력 필드에 따라 실행될 규칙을 결정합니다. 실행 된 규칙을 결합하여 제어 조치를 형성하십시오.
디퍼 지화 – 디퍼 지화 프로세스는 퍼지 세트를 선명한 값으로 변환합니다. 다양한 유형의 기술을 사용할 수 있으며 전문가 시스템에서 가장 적합한 기술을 선택해야합니다.
그래서 이것은 AI의 퍼지 로직 아키텍처에 관한 것입니다. 이제 멤버십 기능에 대해 알아 보겠습니다.
회원 기능
회원 기능은 그래프 각 지점의 입력 공간 0과 1 사이의 멤버십 값에 매핑됩니다. 언어 용어를 정량화하다 퍼지 세트를 그래픽으로 표현합니다. 담화 X의 우주에서 퍼지 세트 A에 대한 멤버십 함수는 다음과 같이 정의됩니다. & muA : X → [0.1]
퍼지 집합 A에 대한 X의 요소 구성원 수준을 정량화합니다.
자바의 제어 흐름 문
x 축 담론의 우주를 나타냅니다.
Y 축 [0, 1] 간격의 회원 등급을 나타냅니다.
숫자 값을 퍼지 화하는 데 적용 할 수있는 여러 멤버십 함수가있을 수 있습니다. 복잡한 함수는 출력에 정밀도를 추가하지 않으므로 단순 멤버십 함수가 사용됩니다. 회원 기능 LP, MP, S, MN 및 LN 아르:
삼각 멤버십 함수 셰이프는 다양한 다른 멤버십 함수 셰이프 중에서 가장 일반적입니다. 여기서 5 단계 퍼지 파이어에 대한 입력은 -10V ~ + 10V . 따라서 해당 출력도 변경됩니다.
퍼지 논리 대 확률
| 퍼지 로직 | 개연성 |
| 퍼지 논리에서 우리는 기본적으로 모호성의 본질적인 개념을 포착하려고합니다. | 확률은 사실이 아닌 사건과 관련이 있으며, 이러한 사건은 발생하거나 발생하지 않습니다. |
| 퍼지 로직은 부분적 진실의 의미를 포착합니다 | 확률 이론은 부분 지식을 포착합니다 |
| 퍼지 논리는 수학적 근거로 진실 정도를 취합니다. | 확률은 무지의 수학적 모델입니다 |
그래서 이것들은 AI의 퍼지 논리와 확률의 차이점 중 일부였습니다. 이제이 논리의 일부 응용 프로그램을 살펴 보겠습니다.
퍼지 로직의 응용
퍼지 로직은 자동차 시스템, 가정용 제품, 환경 제어 등과 같은 다양한 분야에서 사용됩니다. 일반적인 애플리케이션 중 일부는 다음과 같습니다.
그것은에서 사용됩니다 항공 우주 분야 ...에 대한 고도 제어 우주선과 위성의.
이것은 속도와 교통 에 자동차 시스템.
그것은을 위해 사용됩니다 의사 결정 지원 시스템 대기업 사업에 대한 개인적인 평가.
또한 pH, 건조, 화학 증류 공정을 제어합니다. 화학 산업 .
퍼지 논리는 자연어 처리 다양한 집중 .
광범위하게 사용됩니다 현대 제어 시스템 전문가 시스템과 같은.
퍼지 로직은 사람이 결정을 내리는 방식을 훨씬 더 빠르게 모방합니다. 따라서 다음과 함께 사용할 수 있습니다. 신경망 .
이들은 Fuzzy Logic의 일반적인 응용 프로그램 중 일부였습니다. 이제 AI에서 퍼지 로직을 사용할 때의 장단점을 살펴 보겠습니다.
퍼지 로직의 장단점
퍼지 논리는 인간의 추론과 유사한 간단한 추론을 제공합니다. 더 많은 것들이 있습니다 장점 다음과 같은 논리를 사용합니다.
퍼지 로직 시스템의 구조는 다음과 같습니다. 쉽고 이해하기 쉬운
퍼지 논리는 상업 과 실용적인 목적
그것은 당신을 돕는다 제어 기계 및 소비재
그것은 당신이 처리하는 데 도움이 엔지니어링의 불확실성
대개 건장한 정확한 입력이 필요하지 않기 때문에
피드백 센서가 작동을 멈 추면 다음을 수행 할 수 있습니다. 프로그램 상황에
당신은 할 수 있습니다 쉽게 수정 시스템 성능 향상 또는 변경
저렴한 센서 전체 시스템 비용과 복잡성을 낮게 유지하는 데 도움이됩니다.
이것들은 퍼지 논리의 다른 장점이었습니다. 하지만 단점 게다가:
퍼지 논리는 항상 정확하지는 않다 . 따라서 결과는 가정을 기반으로 인식되며 널리 수용되지 않을 수 있습니다.
그것 인식 할 수 없다 만큼 잘 유형 패턴
검증 및 검증 모호한 지식 기반 시스템 요구의 광범위한 테스트 하드웨어 포함
정확하고 퍼지 규칙과 멤버십 기능을 설정하는 것은 어려운 일
때때로 퍼지 논리는 혼란 와 확률 이론
그래서 이것들은 AI에서 퍼지 로직을 사용하는 장점과 단점 중 일부였습니다. 이제 실제 예를 들어이 논리의 작동 방식을 이해하겠습니다.
C ++에서 오버로딩과 오버라이드의 차이점
AI의 퍼지 로직 : 예제
퍼지 논리 시스템의 설계는 각 입력에 대한 멤버십 함수 세트와 각 출력에 대한 세트로 시작됩니다. 그런 다음 일련의 규칙이 멤버십 기능에 적용되어 선명한 출력 값을 생성합니다. 프로세스 제어의 예를 들어 퍼지 논리를 이해해 봅시다.
1 단계
여기, 온도 입력이고 팬 속도 출력입니다. 각 입력에 대해 멤버십 함수 세트를 작성해야합니다. 멤버십 함수는 단순히 퍼지 변수 세트를 그래픽으로 표현한 것입니다. 이 예에서는 세 개의 퍼지 세트를 사용합니다. 차갑다, 따뜻하다 과 뜨거운 . 그런 다음 세 가지 온도 세트 각각에 대한 멤버십 함수를 생성합니다.
2 단계
다음 단계에서는 출력에 세 개의 퍼지 세트를 사용합니다. 느림, 중간 과 빠른 . 입력 세트와 마찬가지로 각 출력 세트에 대해 함수 세트가 생성됩니다.
3 단계
이제 멤버십 기능을 정의 했으므로 멤버십 기능이 최종 시스템에 적용되는 방식을 정의하는 규칙을 만들 수 있습니다. 이 시스템에 대한 세 가지 규칙을 만들 것입니다.
- 뜨겁다면 빠름
- 따뜻한 경우 중간
- 그리고 만약 추우면 천천히
이러한 규칙은 멤버십 기능에 적용되어 시스템을 구동하기위한 선명한 출력 값을 생성합니다. 따라서 입력 값에 대해 52도 , 우리는 멤버십 기능을 교차합니다. 여기서는 두 함수에서 교차가 발생하므로 두 가지 규칙을 적용합니다. 교차점을 출력 함수로 확장하여 교차점을 생성 할 수 있습니다. 그런 다음 교차점의 높이에서 출력 함수를자를 수 있습니다.
이것은 퍼지 로직 시스템이 어떻게 작동하는지에 대한 매우 간단한 설명이었습니다. 실제 작업 시스템에는 많은 입력과 여러 출력의 가능성이 있습니다. 이로 인해 상당히 복잡한 기능 세트와 더 많은 규칙이 생성됩니다.
이것으로 AI의 퍼지 로직 기사를 마쳤습니다. 퍼지 논리가 무엇이고 어떻게 작동하는지 이해 하셨기를 바랍니다.
또한 과정은 업계 요구 사항 및 요구 사항에 따라 업계 전문가가 선별합니다. SoftMax 기능, Autoencoder 신경망, RBM (Restricted Boltzmann Machine)과 같은 개념을 습득하고 Keras 및 TFLearn과 같은 라이브러리로 작업합니다. 이 과정은 실시간 사례 연구를 통해 업계 전문가가 특별히 선별했습니다.
질문이 있으십니까? “Fuzzy Logic in AI”의 댓글 섹션에 언급 해 주시면 다시 연락 드리겠습니다.