Допоможіть розробці сайту, ділитися статтею з друзями!
Вступ до системи Fuzzy Logic
Fuzzy Logic - це обчислювальний підхід, заснований на «ступені істини» і не обмежується логічним значенням «істинно чи хибно». Термін «нечіткий» означає щось розпливчасте або не дуже зрозуміле. Система нечіткої логіки застосовується до сценаріїв, де важко класифікувати стани як двійкові «Істина чи Неправда». Fuzzy Logic може включати проміжні значення, такі як частково істина і частково хибна. Його можна реалізувати на широкому діапазоні пристроїв, починаючи від невеликих мікроконтролерів і закінчуючи великими ІТ-системами.Він намагається імітувати прийняття рішень, подібне до людини, яке може включати всі значення між істинними та хибними.
Архітектура системи нечіткої логіки
Система Fuzzy Logic складається з чотирьох основних компонентів, які пояснюються за допомогою архітектурної діаграми нижче:
- Правила: База правил складається з великого набору правил, запрограмованих і наданих експертами, які керують прийняттям рішень у Нечіткій системі. Правила - це набори операторів «Якщо-То», які визначають виникнення події на основі умови.
- Fuzzification: Fuzzification перетворює вихідні дані, виміряні з датчиків, у нечіткі набори. Ці перетворені вхідні дані передаються в систему керування для подальшої обробки.
- Inference Engine: Вона допомагає зіставляти правила з вхідним набором даних і, таким чином, вирішує, які правила слід застосовувати для даного введення. Це робиться шляхом обчислення % відповідності правил для даного введення.
- Defuzzification: Це протилежність Fuzzification. Тут нечіткі набори перетворюються на чіткі вхідні дані. Ці чіткі вхідні дані є виходом системи Fuzzy Logic.
Функція членства
Функція членства визначає, як вхідні дані до Нечіткої системи відображаються на значення від 0 до 1. Вхідні дані зазвичай називають Всесвітом (U), оскільки вони можуть містити будь-яке значення. Функція членства визначається як:
μ A:X → (0,1).
Тут X представляє Всесвіт, а Y представляє будь-яке значення від 0 до 1. Функція трикутного членства є найбільш часто використовуваною функцією членства. Інші функції членства включають трапецієподібну, гауссову та одиночну.
Чому і коли використовувати Fuzzy Logic?
Fuzzy Logic особливо корисна, коли ви хочете імітувати людське мислення в системі керування. Більше ніж точне міркування, воно зосереджується на прийнятних міркуваннях, які дуже близькі до того, як працює реальний світ.Він розроблений для боротьби з невизначеністю і вміє з’ясовувати висновки з висновку.
Алгоритм системи Fuzzy Logic
- Визначте всі змінні та терміни, які будуть діяти як вхідні дані для Fuzzy System
- Створити функцію членства в системі (як визначено вище)
- Створити базу правил, яка буде зіставлена з кожним входом
- Перетворити звичайне введення на нечіткі введення, яке подається до функції членства
- Оцініть результат з функції членства
- Об'єднайте всі результати, отримані з індивідуального набору правил
- Перетворіть вихідний нечіткий набір у чіткий вхід (дефузизація)
Застосування системи Fuzzy Logic
Fuzzy Logic впроваджується у всіх основних галузях промисловості, але автомобільна промисловість залишається основним виробником. Нижче наведено кілька його застосувань:
- Nissan використовує Fuzzy Logic для керування гальмівною системою в разі небезпеки. Fuzzy Logic використовує такі вхідні дані, як швидкість, прискорення, імпульс, щоб визначити інтенсивність гальм.
- Nissan також використовує Fuzzy Logic для контролю кількості впорскування палива та запалювання на основі таких даних, як обороти двигуна, температура та вантажопідйомність.
- Використовується в супутниках і літаках для контролю висоти.
- Mitsubishi використовує Fuzzy Logic, щоб зробити управління ліфтами більш ефективним, беручи пасажиропотік як вхідні дані.
- Nippon Steel використовує Fuzzy Logic для визначення пропорції, в якій слід змішувати різні типи цементу, щоб отримати більш міцний цемент.
- Fuzzy Logic знаходить своє застосування в хімічній промисловості для управління різними процесами, такими як контроль pH, процес сушіння та процес дистиляції.
- Fuzzy Logic можна поєднати зі штучною нейронною мережею (ANN), щоб імітувати роботу людського мозку. Fuzzy Logic об’єднує дані та перетворює їх у більш значущу інформацію, яка використовується як нечіткі набори.
Переваги системи Fuzzy Logic
Нижче наведено п'ять переваг системи нечіткої логіки:
- Fuzzy Logic може працювати з будь-яким типом введення, навіть якщо він неструктурований, спотворений, неточний або містить шум.
- Fuzzy Logic Construction дуже легко читати та розуміти, оскільки вона точно імітує те, як людський розум приймає рішення.
- Нюанси нечіткої логіки передбачають використання ключових математичних концепцій, таких як теорія множин і ймовірність, що дозволяє вирішувати всі види повсякденних проблем, з якими стикається людство..
- Fuzzy Logic може надати ефективні рішення дуже складної проблеми в різних галузях.
- Системі Fuzzy Logic потрібен дуже невеликий обсяг даних для підготовки надійної моделі. Тому для його виконання потрібен лише обмежений обсяг пам’яті.
Недоліки системи Fuzzy Logic
Нижче наведено чотири основних недоліки системи нечіткої логіки:
- Не існує стандартного способу вирішення проблеми за допомогою Fuzzy Logic; тому різні експерти можуть мати різне рішення проблеми, що призводить до двозначності.
- Оскільки Fuzzy Logic System працює з точними і неточними даними, іноді її точність може бути порушена.
- Система Fuzzy Logic не може вчитися на своїх минулих помилках або невдачах, оскільки вона не має здатності до самонавчання, як-от машинне навчання та нейронна мережа.
- Через відсутність стандартизації не існує єдиного фіксованого способу знайти правила та функції членства для даної проблеми. Тому іноді стає важко знайти точні правила та функції членства для деяких проблем.
Висновок
Fuzzy Logic надає альтернативний спосіб вирішення реальних проблем у світі обчислень. Його можна легко застосувати до різних додатків і систем управління, що може отримати довгострокові переваги.З огляду на його здатність добре працювати зі «Ступенем істини», він відкриває багато дверей для сучасних обчислень. Однак це не панацея від усіх проблем, оскільки у нього є серйозні обмеження, коли справа доходить до точності та його нездатності вчитися на невдачах, як у випадку з машинним навчанням.