인공 지능의 퍼지 논리: 아키텍처, 응용 프로그램, 장점 및 단점

우리의 일상 생활에서 당신은 항상 예 또는 아니오로 결정을 내릴 수 없습니다. 결정을 내리기에 충분한 정보가 없는 상황에 직면할 수 있기 때문입니다. 또는 우리 자신이 약간 혼란스러울 수 있습니다. 예를 들어, 누군가가 다음 달 특정 날짜에 가능한지 묻는다면 바로 예 또는 아니오라고 대답하지 않을 것입니다. 다음 달 바로 그 날짜에 바쁘지 않을 것이라는 확신이 없기 때문입니다.

까다롭지 않습니까? 인공 지능의 퍼지 로직 은 컴퓨터가 입력 데이터가 약간 불분명한 유사한 상황을 처리하는 데 도움이 됩니다.

세계 최고의 대학에서 머신 러닝 교육 을 받으십시오 . 석사, 이그 제 큐 티브 PGP 또는 고급 인증 프로그램을 획득하여 경력을 빠르게 추적하십시오.

퍼지 로직이란 무엇입니까?

퍼지라는 용어는 약간 모호한 것을 의미합니다. 상황이 모호하면 컴퓨터가 True 또는 False인 결과를 생성하지 못할 수 있습니다. Boolean Logic에 따라 값 1은 True를 나타내고 0은 False를 의미합니다. 그러나 퍼지 논리 알고리즘은 True 또는 False 외에 가능한 값이 있을 수 있는 문제의 모든 불확실성을 고려합니다.

퍼지 논리라는 용어 는 1965년 Lotfi Zadeh 에 의해 처음 기술되었습니다 . 그는 전통적인 컴퓨터 논리가 불분명하거나 모호한 데이터를 처리할 수 없다고 생각했습니다. 인간과 마찬가지로 컴퓨터가 통합할 수 있는 True와 False 사이에는 많은 값이 있습니다. 다음과 같을 수 있습니다.

• 확실히 예
• 아마도 예
• 말할 수 없다
• 아마도 없음
• 확실히 아니

Fuzzy Logic의 간단한 예를 확인하십시오.

문제 – 부울 논리

해결책

• 예(1.0)
• 아니오 (0)

기존의 Boolean Logic에 따르면 알고리즘은 명확한 입력을 받아 정확한 결과 Yes ​​또는 No를 생성합니다. 이는 각각 0과 1로 표시됩니다.

퍼지 논리

해결책

• 매우 덥다(0.9)
• 약간 뜨거운 (0.20)
• 적당히 뜨겁다(0.35)
• 뜨겁지 않다 (1.0)

위의 예와 같이 Fuzzy Logic은 매우 뜨겁고, 적당히 뜨겁고, 뜨겁지 않은 등 더 넓은 범위의 출력을 가지고 있습니다. 0과 1 사이의 값은 가능성의 범위를 표시합니다.

따라서 정확한 추론이 불가능한 경우 Fuzzy Logic은 수용 가능한 추론 방법을 제공합니다. Fuzzy Logic을 기반으로 하는 알고리즘은 문제를 해결하는 동안 사용 가능한 모든 데이터를 사용합니다. 그런 다음 주어진 입력에 따라 가능한 최선의 결정을 내립니다.

캘리포니아 대학교 샌디에이고 컴퓨터 과학 및 공학과 조교수인 Charles Elkan 은 Fuzzy Logic에 대해 설명했습니다. 그는 인공 지능의 퍼지 논리는 모든 개념이 0.0에서 1.0 사이의 진리도를 가질 수 있는 일반화된 형태의 표준 논리라고 말했습니다. Fuzzy Logic은 키가 크다는 특성과 같은 모호한 개념에 사용할 수 있습니다. 예를 들어, 클린턴 대통령이 키가 크다고 말할 수 있고 개념은 0.9의 진리도를 가질 수 있습니다.

그는 Fuzzy Logic이 특히 소비자 가전에서 낮은 수준의 기계 제어에 매우 유용하다고 말했습니다. Fuzzy Logic에 구축된 일부 특수 목적 마이크로프로세서 는 하드웨어에서 퍼지 작업 을 수행합니다.

이제 아키텍처를 통해 인공 지능에서 퍼지 로직을 이해합시다 .

읽기: 기계 학습 프로젝트 아이디어

퍼지 논리 아키텍처

Fuzzy Logic의 아키텍처는 다음 구성 요소로 구성됩니다.

룰 베이스

이것은 결정을 내리는 데 사용되는 If-Then 조건과 함께 규칙 집합입니다. 그러나 Fuzzy Logic의 최신 개발은 규칙 기반의 규칙 수를 줄였습니다. 이러한 규칙 집합을 지식 기반이라고도 합니다.

퍼지화

이것은 선명한 숫자가 퍼지 집합 으로 변환되는 단계 입니다. 선명한 집합은 동일한 속성을 가진 요소 집합입니다. 특정 논리에 따라 요소는 집합에 속하거나 속하지 않을 수 있습니다. 선명한 세트는 예 또는 아니오로 대답하는 이진 논리를 기반으로 합니다.

여기서 오류 신호와 물리적 값은 정규화된 퍼지 부분 집합으로 변환됩니다. 모든 퍼지 논리 시스템에서 퍼지기 는 입력 신호를 다음과 같은 5가지 상태로 분리합니다.

• 큰 양성
• 중간 양성
• 작은
• 중간 음수
• 큰 네거티브

퍼지화 프로세스는 센서에서 가져온 실내 온도와 같은 선명한 입력을 변환하고 추가 처리를 위해 제어 시스템으로 전달합니다. Fuzzy Logic 제어 시스템은 Fuzzy Logic을 기반으로 합니다. 에어컨 및 세탁기와 같은 일반적인 가전 제품에는 퍼지 제어 시스템이 있습니다.

읽기: 인도의 기계 학습 개발자 급여

추론 엔진

추론 엔진 은 입력 값과 규칙 이 얼마나 일치하는지 결정합니다. 수신된 입력 값을 기반으로 규칙이 적용됩니다. 그런 다음 규칙을 사용하여 제어 작업을 개발합니다. 추론 엔진과 지식 기반을 함께 퍼지 논리 시스템에서 컨트롤러라고 합니다.

역퍼지화

이것은 퍼지화의 역 과정입니다 . 여기에서 퍼지 값은 매핑을 통해 선명한 값으로 변환됩니다. 이를 위해 여러 가지 역퍼지화 방법이 있지만 입력에 따라 가장 좋은 방법이 선택됩니다. 이것은 최대 구성원 원리, 가중 평균 방법 및 중심 방법과 같은 방법이 사용되는 복잡한 프로세스입니다.

인공 지능에서 퍼지 논리의 장점

Fuzzy Logic 시스템을 사용하면 다음과 같은 이점이 있습니다.

• 정확한 입력이 필요하지 않은 강력한 시스템입니다.
• 이러한 시스템은 모호하거나 왜곡되거나 부정확한 데이터를 포함한 여러 유형의 입력을 수용할 수 있습니다.
• 피드백 센서가 작동을 멈춘 경우 상황에 따라 다시 프로그래밍할 수 있습니다.
• Fuzzy Logic 알고리즘은 더 적은 데이터를 사용하여 코딩할 수 있으므로 큰 메모리 공간을 차지하지 않습니다.
• 인간의 추론과 유사하기 때문에 이러한 시스템은 모호한 입력을 사용할 수 있는 복잡한 문제를 해결하고 그에 따라 결정을 내릴 수 있습니다.
• 이러한 시스템은 유연하며 규칙을 수정할 수 있습니다.
• 시스템 구조가 간단하고 쉽게 구축할 수 있음
• 저렴한 센서를 이러한 시스템에 수용할 수 있으므로 시스템 비용을 절약할 수 있습니다.

더 읽어보기: 사용 사례가 있는 기계 학습 알고리즘 유형

인공 지능에서 퍼지 논리의 단점

Fuzzy Logic 시스템의 단점을 살펴보겠습니다.

• 시스템이 주로 부정확한 데이터 및 입력에 대해 작동하므로 이러한 시스템의 정확성이 손상됩니다.
• Fuzzy Logic을 사용하여 문제를 해결하는 하나의 체계적인 접근 방식은 없습니다. 결과적으로 특정 문제에 대해 많은 솔루션이 발생하여 혼란을 초래합니다.
• 결과의 부정확성으로 인해 항상 널리 받아들여지는 것은 아닙니다.
• Fuzzy Logic 제어 시스템의 주요 단점은 인간의 지식과 전문성에 완전히 의존한다는 것입니다.
• 퍼지 로직 제어 시스템의 규칙을 정기적으로 업데이트해야 합니다.
• 이러한 시스템은 기계 학습이나 신경망을 인식할 수 없습니다.
• 시스템은 검증 및 검증을 위해 많은 테스트가 필요합니다.

퍼지 논리의 응용

Fuzzy Logic 의 응용은 여러 분야에 걸쳐 있습니다. 그것들은 다음과 같습니다:

약

• 환자에게 마취를 제공할 때 동맥압 조절
• 진단 방사선과 및 진단 지원 시스템에 사용
• 전립선암과 당뇨병의 진단

교통 시스템

• 지하 열차 운행 취급
• 열차 스케줄 관리
• 차량 속도, 가속도 및 휠 속도와 같은 매개변수를 기반으로 차량 제동 및 정지

방어

• 수중에서 목표물 찾기 및 인식
• 해군 의사 결정 지원
• 표적 인식을 위한 열적외선 이미지 사용
• 초고속 인터셉터 제어에 사용

산업

• 정수장 관리
• 구조 설계에서 구속조건 만족 문제 처리
• 품질 보증을 위한 패턴 분석
• Fuzzy Logic은 슬러지 폐수 처리 처리에 사용됩니다.

해군 통제

• 선박을 올바르게 조종하십시오
• 목적지에 도달하기 위한 최적 또는 최상의 가능한 경로 선택
• 자동 조종 장치는 퍼지 논리를 기반으로 합니다.
• Fuzzy Logic을 사용하여 자율 수중 차량을 제어합니다.

Fuzzy Logic으로 구동되는 세탁기

Fuzzy Logic으로 구동되는 현대식 세탁기 가 요즘 인기를 얻고 있습니다. 온도 변화를 지속적으로 추적하는 센서가 있습니다. 그에 따라 제어 및 작동을 조정합니다. 이러한 시스템은 성능이 우수하고 생산적이며 비용 효율적입니다.

최상의 세탁 결과를 위해 Fuzzy Logic은 세탁 과정, 수온, 탈수 속도, 세탁 시간, 물 섭취 및 헹굼 성능을 제어합니다. 고급 기계는 다음을 수행합니다.

• 과부하를 방지하기 위해 기계의 부하를 확인하십시오.
• 물의 경도를 확인하고 천 소재의 종류를 결정
• 최적의 세제 양을 사용자에게 알려줍니다. 또한 세제가 액체인지 분말인지 확인합니다.
• 그들은 이전 세탁 경험에서 배우고 알고리즘을 암기하여 세탁 결과를 향상시킵니다.

대부분의 시스템은 세탁하는 동안 전력을 절약하는 데 도움이 되는 에너지 절약 기술을 기반으로 합니다. 이러한 기능을 통해 일주일에 2~3회 많은 양의 옷을 세탁하더라도 에너지를 절약할 수 있습니다. 센서는 전체 세탁 과정을 모니터링하고 최상의 세탁 결과를 위해 필요한 조정 및 수정을 수행합니다.

이 세탁기의 퍼지 로직은 옷에 묻은 먼지와 때의 양, 탈수 방향, 필요한 비누의 양을 확인합니다. 더 나은 회전을 위해 세탁량의 균형이 잘 맞습니다. 불균형이 감지되면 회전 속도가 감소합니다. 또한 세탁 부하의 균형을 맞추면 회전 소음을 줄이는 데 도움이 됩니다.

Panasonic과 같은 회사는 식기 세척기에 유사한 기술을 사용합니다. 퍼지 로직은 세척 및 헹굼 방법과 함께 식기 세척기의 세척 주기를 조정하는 데 사용됩니다. 기계의 성능은 또한 세탁기에 넣는 그릇의 수에 따라 달라집니다.

결론

인공 지능의 Fuzzy Logic은 인간의 추론을 모방하는 데 도움이 되지만 이러한 시스템을 구축하려면 전문가의 지도가 필요합니다 . 이를 통해 시스템을 더 잘 이해하는 전문가의 경험에 의존할 수 있습니다. Fuzzy Logic은 알고리즘 실행을 향상시키는 데에도 사용할 수 있습니다. IBM Watson은 퍼지 논리 및 퍼지 의미론을 사용 합니다.

기계 학습 및 NLP에서 upGrad의 고급 인증 프로그램을 확인하십시오. 이 과정은 기계 학습에 관심이 있는 다양한 유형의 학생들을 염두에 두고 제작되었으며 1-1 멘토링 등을 제공합니다.

실제 생활에서 퍼지 논리의 응용 프로그램은 무엇입니까?

퍼지 논리는 일반 논리와 동일한 응용 프로그램에 사용되지만 부정확한 추론을 처리할 수 있습니다. 퍼지 논리의 주요 응용 프로그램은 인공 지능입니다. 퍼지 로직은 공장 컨트롤러 및 산업용 소프트웨어에 사용됩니다. 또한 주방, 홈 시어터 및 엔터테인먼트, 에어컨 및 난방, 전자 레인지, 디지털 카메라, 냉장고 및 TV 등의 대부분의 최신 가전 제품은 퍼지 논리를 사용합니다. 시스템은 양방향 도로입니다. 퍼지 논리를 사용하여 지능적인 결정을 내리지만 고객도 모호하게 반응합니다. 따라서 시스템을 보다 정확하게 만들기 위해 연구자들은 이러한 장치에 퍼지 과학을 적용합니다.

퍼지 논리의 한계는 무엇입니까?

퍼지 논리는 기존의 이진 값 대신 실제 값을 사용하여 논리 문장을 표현하는 방법입니다. 퍼지 논리에는 부정확한 데이터 처리와 인간 사고의 고유한 추론이라는 두 가지 주요 제한 사항이 있습니다. 이 두 문제는 서로 관련되어 있습니다. 시스템에서 데이터가 부정확하면 인간은 지식이나 관계를 추론할 수 없습니다. 향후 연구를 통해 이러한 문제를 해결할 수 있기를 기대합니다.

퍼지 제어의 이점은 무엇입니까?

퍼지 제어를 사용하면 설정값을 기반으로 하는 제어와 달리 프로세스의 실제 출력을 기반으로 제어할 수 있습니다. 이는 제어 루프의 출력이 특정 값으로 고정되지 않고 특정 범위 내에서 변할 수 있음을 의미합니다. 이것은 특히 입력과 출력 사이에 비선형 관계가 있는 애플리케이션에서 고정 소수점 제어보다 더 나은 제어를 제공합니다.